TWI748344B - 發光二極體調屏標準判定模型建立方法 - Google Patents

發光二極體調屏標準判定模型建立方法 Download PDF

Info

Publication number
TWI748344B
TWI748344B TW109104732A TW109104732A TWI748344B TW I748344 B TWI748344 B TW I748344B TW 109104732 A TW109104732 A TW 109104732A TW 109104732 A TW109104732 A TW 109104732A TW I748344 B TWI748344 B TW I748344B
Authority
TW
Taiwan
Prior art keywords
light
emitting diode
image
screen adjustment
model
Prior art date
Application number
TW109104732A
Other languages
English (en)
Other versions
TW202131759A (zh
Inventor
林益勝
Original Assignee
聚積科技股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 聚積科技股份有限公司 filed Critical 聚積科技股份有限公司
Priority to TW109104732A priority Critical patent/TWI748344B/zh
Priority to CN202110067244.1A priority patent/CN113268914A/zh
Priority to US17/248,533 priority patent/US11790509B2/en
Publication of TW202131759A publication Critical patent/TW202131759A/zh
Application granted granted Critical
Publication of TWI748344B publication Critical patent/TWI748344B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30121—CRT, LCD or plasma display

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)
  • Control Of Indicators Other Than Cathode Ray Tubes (AREA)

Abstract

一種發光二極體調屏標準判定模型建立方法，由一發光二極體調屏標準判定模型建立系統執行，該發光二極體調屏標準判定模型建立系統儲存多張分別相關於多個發光二極體的發光二極體影像，每一發光二極體影像對應一指示出該發光二極體影像狀態的狀態標記，該方法包含以下步驟：(A)將該等發光二極體影像進行資料預處理，以獲得多張分別對應該等發光二極體影像的預處理後影像；及(B)根據該等預處理後影像及其對應的狀態標記利用一機器學習演算法，建立一發光二極體調屏標準判定模型。

Description

發光二極體調屏標準判定模型建立方法
本發明是有關於一種模型建立方法，特別是指一種發光二極體調屏標準判定模型建立方法。
發光二極體(Light-emitting diode, LED) 元件發展至今，技術發展已逐漸成熟，但LED仍存在七個容易觀察顯示問題需要解決，分別為：鬼影現象、低灰白平衡色偏、低灰不均、第一行掃偏暗、漸變暗線、LED壞點十字架、高對比干擾。
現有LED的調屏必須由工作人員緊盯著LED屏幕，以人工的方式判定是否出現上述問題，以判定是否符合調屏標準，而造成時間與人力上的浪費。
因此，本發明的目的，即在提供一種建立能自動地判定發光二極體是否符合調屏標準的發光二極體調屏標準判定模型建立方法。
於是，本發明發光二極體調屏標準判定模型建立方法，由一發光二極體調屏標準判定模型建立系統執行，該發光二極體調屏標準判定模型建立系統儲存多張分別相關於多個發光二極體的發光二極體影像，每一發光二極體影像對應一指示出該發光二極體影像狀態的狀態標記，該發光二極體調屏標準判定模型建立方法包含一步驟(A)及一步驟(B)。
在該步驟(A)中，該發光二極體調屏標準判定模型建立系統將該等發光二極體影像進行資料預處理，以獲得多張分別對應該等發光二極體影像的預處理後影像。
在該步驟(B)中，該發光二極體調屏標準判定模型建立系統根據該等預處理後影像及其對應的狀態標記利用一機器學習演算法，建立一發光二極體調屏標準判定模型。
本發明之功效在於：藉由該處理單元將該等發光二極體影像進行資料預處理，再根據該等預處理後影像及其對應的狀態標記利用該機器學習演算法，以建立能自動地判定發光二極體是否符合調屏標準的該發光二極體調屏標準判定模型。
在本發明被詳細描述前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。
參閱圖1，用來實施本發明發光二極體調屏標準判定模型建立方法的一實施例的一發光二極體調屏標準判定模型建立系統1，包含一儲存單元11及一電連接該儲存單元11的處理單元12。
該儲存單元11儲存多張分別相關於多個發光二極體的發光二極體影像，每一發光二極體影像對應一指示出該發光二極體影像狀態的狀態標記，每一發光二極體影像對應的狀態標記例如指示出非正常，及正常之其中一者，其中非正常例如為鬼影現象、低灰白平衡色偏、低灰不均、第一行掃偏暗、漸變暗線、LED壞點十字架、高對比干擾之其中至少一者。
參閱圖1及圖2，說明了該發光二極體調屏標準判定模型建立系統1如何執行本發明發光二極體調屏標準判定模型建立方法之該實施例，該實施例包含以下步驟。
在步驟21中，該處理單元12將該等發光二極體影像進行資料預處理，以獲得多張分別對應該等發光二極體影像的預處理後影像。
搭配參閱圖3，步驟21包括子步驟211~213，以下說明步驟21的子步驟。
在步驟211中，對於每一發光二極體影像，該處理單元12將該發光二極體影像進行解碼，以獲得多個相關於該發光二極體影像的像素。值得注意的是，在本實施例中，該處理單元12係將該發光二極體影像解碼至RGB色域，但不以此為限。
在步驟212中，該處理單元12將獲得的所有像素轉換成浮點數張量。
在步驟213中，該處理單元12將所有轉換後的像素所對應的像素值壓縮至[0,1]區間。要特別注意的是，在本實施例中，由於該處理單元12係將該發光二極體影像解碼至RGB色域，因此，該處理單元12是將像素值[0,255]區間壓縮至[0,1]區間。
在步驟22中，該處理單元12根據該等預處理後影像及其對應的狀態標記利用一機器學習演算法，建立一發光二極體調屏標準判定模型。值得注意的是，在本實施例中，該機器學習演算法例如為卷積類神經網路（Convolutional Neural Networks, CNN），在其他實施方式中，該機器學習演算法可例如為梯度提升決策樹(Gradient Boosting Decision Tree, GBDT)、光梯度提升機(Light Gradient Boosting Machine, LGBM)、類別提升(Categorical Boosting, Catboost)、隨機森林(Random Forest, RF)、極限梯度提升(Extreme Gradient Boosting, XGBoost)、支撐向量分類(support vector Classification, SVC)，及相關向量分類演算法(Relevant Vector Classification, RVC)，不以此為限。
搭配參閱圖4，步驟22包括子步驟221~223，以下說明步驟22的子步驟。
在步驟221中，對於每一預處理後影像，該處理單元12將該預處理後影像進行資料擴增(Data Augmentation)，以獲得多張擴增後影像，該等擴增後影像對應該預處理後影像所對應的狀態標記。
在步驟222中，該處理單元12將該等擴增後影像分群成一訓練子集、一驗證子集，及一測試子集。
在步驟223中，該處理單元12根據該訓練子集中的每一擴增後影像及其對應的狀態標記，與該驗證子集中的每一擴增後影像及其對應的狀態標記，利用該機器學習演算法，建立該發光二極體調屏標準判定模型。
搭配參閱圖5，步驟223包括子步驟2231~2234，以下說明步驟223的子步驟。
在步驟2231中，該處理單元12根據該訓練子集中的每一擴增後影像及其對應的狀態標記，利用該機器學習演算法，建立一訓練模型。
在步驟2232中，該處理單元12根據該訓練子集中的每一擴增後影像及其對應的狀態標記，與該驗證子集中的每一擴增後影像及其對應的狀態標記判定該訓練模型是否需要調整。當該處理單元12判定出該訓練模型需要調整時，流程進行步驟2233；而當該處理單元12判定出該訓練模型不需要調整時，流程進行步驟2234。值得注意的是，在本實施例中，該處理單元12係判定該訓練模型是否過擬合(Overfitting)或欠擬合(Underfitting)以判定該訓練模型是否需要調整，當該處理單元12判定出該訓練模型過擬合或欠擬合時，該訓練模型需要調整；而該處理單元12當判定出該訓練模型未有過擬合且欠擬合時，該訓練模型不需要調整，但不以此為限。
在步驟2233中，該處理單元調整該訓練模型，並重複步驟2232。值得注意的是，在本實施例中，該處理單元12係調整一相關於該訓練模型的超參數組(Hyperparamters)，以調整該訓練模型，但不以此為限。
在步驟2234中，該處理單元12將該訓練模型作為該發光二極體調屏標準判定模型。
在步驟23中，該處理單元12根據該測試子集的每一擴增後影像及其對應的狀態標記檢測該發光二極體調屏標準判定模型的準確率。值得注意的是，在本實施例中，若準確率未達一門檻值(例如99%)，則再儲存更多的發光二極體影像至該儲存單元11，重新進行步驟21、22，以提升模型的準確率。
要特別注意的是，在本實施例中，該處理單元12係以對應的狀態標記指示出鬼影現象及正常之其中一者的發光二極體影像進行步驟21、22建立出相關於鬼影現象的發光二極體調屏標準判定模型，並以對應的狀態標記指示出低灰白平衡色偏及正常之其中一者的發光二極體影像進行步驟21、22建立出相關於低灰白平衡色偏的發光二極體調屏標準判定模型，以此類推，分別建立七個分別相關發光二極體的七個問題的發光二極體調屏標準判定模型，但不以此為限。
綜上所述，本發明發光二極體調屏標準判定模型建立方法，藉由該處理單元12將該等發光二極體影像進行資料預處理，再根據該等預處理後影像及其對應的狀態標記利用該機器學習演算法，以建立能自動地判定發光二極體是否符合調屏標準的該發光二極體調屏標準判定模型，故確實能達成本發明的目的。
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。
1:發光二極體調屏標準判定模型建立系統 11:儲存單元 12:處理單元 21~23:步驟 211~213:步驟 221~223:步驟 2231~2234:步驟
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中： 圖1是一方塊圖，示例地繪示一用來實施本發明發光二極體調屏標準判定模型建立方法之一實施例的一發光二極體調屏標準判定模型建立系統； 圖2是一流程圖，說明本發明發光二極體調屏標準判定模型建立方法之該實施例； 圖3是一流程圖，輔助說明圖2之步驟21的子步驟； 圖4是一流程圖，輔助說明圖2之步驟22的子步驟；及 圖5是一流程圖，輔助說明圖4之步驟223的子步驟。
21~23:步驟

Claims (6)

  1. 一種發光二極體調屏標準判定模型建立方法，由一發光二極體調屏標準判定模型建立系統執行，該發光二極體調屏標準判定模型建立系統儲存多張分別相關於多個發光二極體的發光二極體影像，每一發光二極體影像對應一指示出該發光二極體影像狀態的狀態標記，該發光二極體調屏標準判定模型建立方法包含以下步驟：(A)將該等發光二極體影像進行資料預處理，以獲得多張分別對應該等發光二極體影像的預處理後影像，步驟(A)包括以下子步驟：(A-1)對於每一發光二極體影像，將該發光二極體影像進行解碼，以獲得多個相關於該發光二極體影像的像素，(A-2)將獲得的所有像素轉換成浮點數張量，及(A-3)將所有轉換後的像素所對應的像素值壓縮至[0,1]區間；及(B)根據該等預處理後影像及其對應的狀態標記利用一機器學習演算法，建立一發光二極體調屏標準判定模型。
  2. 如請求項1所述的發光二極體調屏標準判定模型建立方法，其中，發光二極體影像對應的狀態標記指示出非正常及正常之其中一者，非正常包括鬼影現象、低灰白平衡色偏、低灰不均、第一行掃偏暗、漸變暗線、LED壞點十字架、高對比干擾之其中至少一者。
  3. 如請求項1所述的發光二極體調屏標準判定模型建立方法，其中，步驟(B)包括以下子步驟：(B-1)對於每一預處理後影像，將該預處理後影像進行資料擴增，以獲得多張擴增後影像，該等擴增後影像對應該預處理後影像所對應的狀態標記；(B-2)將該等擴增後影像分群成一訓練子集、一驗證子集，及一測試子集；(B-3)根據該訓練子集中的每一擴增後影像及其對應的狀態標記，與該驗證子集中的每一擴增後影像及其對應的狀態標記，利用該機器學習演算法，建立該發光二極體調屏標準判定模型。
  4. 如請求項3所述的發光二極體調屏標準判定模型建立方法，其中，在步驟(B-3)中，根據該訓練子集中的每一擴增後影像及其對應的狀態標記，利用該機器學習演算法，建立一訓練模型，再根據該訓練子集中的每一擴增後影像及其對應的狀態標記、該驗證子集中的每一擴增後影像及其對應的狀態標記，及該訓練模型，建立該發光二極體調屏標準判定模型。
  5. 如請求項4所述的發光二極體調屏標準判定模型建立方法，其中，步驟(B-3)包括以下子步驟：(B-3-1)根據該訓練子集中的每一擴增後影像及其對應的狀態標記，利用該機器學習演算法，建立一訓練模型；(B-3-2)根據該訓練子集中的每一擴增後影像及其對應的狀態標記，與該驗證子集中的每一擴增後影像及其對 應的狀態標記判定該訓練模型是否需要調整；(B-3-3)當判定出該訓練模型需要調整時，調整該訓練模型，並重複步驟(B-3-2)；及(B-3-4)當判定出該訓練模型不需要調整時，該訓練模型即為該發光二極體調屏標準判定模型。
  6. 如請求項5所述的發光二極體調屏標準判定模型建立方法，在步驟(B)後還包含以下步驟：(C)根據該測試子集的每一擴增後影像及其對應的狀態標記檢測該發光二極體調屏標準判定模型的準確率。
TW109104732A 2020-02-14 2020-02-14 發光二極體調屏標準判定模型建立方法 TWI748344B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW109104732A TWI748344B (zh) 2020-02-14 2020-02-14 發光二極體調屏標準判定模型建立方法
CN202110067244.1A CN113268914A (zh) 2020-02-14 2021-01-19 发光二极管调屏标准判定模型建立方法
US17/248,533 US11790509B2 (en) 2020-02-14 2021-01-28 Method of building model of defect inspection for LED display

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109104732A TWI748344B (zh) 2020-02-14 2020-02-14 發光二極體調屏標準判定模型建立方法

Publications (2)

Publication Number Publication Date
TW202131759A TW202131759A (zh) 2021-08-16
TWI748344B true TWI748344B (zh) 2021-12-01

Family

ID=77228078

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109104732A TWI748344B (zh) 2020-02-14 2020-02-14 發光二極體調屏標準判定模型建立方法

Country Status (3)

Country Link
US (1) US11790509B2 (zh)
CN (1) CN113268914A (zh)
TW (1) TWI748344B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252876B (zh) * 2023-11-17 2024-02-09 江西斯迈得半导体有限公司 一种led支架缺陷检测方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201243317A (en) * 2011-03-28 2012-11-01 Samsung Electronics Co Ltd Apparatus for inspecting light emitting diode and inspecting method using said apparatus
US20180268255A1 (en) * 2017-03-20 2018-09-20 Sap Se Training machine learning models

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11210777B2 (en) * 2016-04-28 2021-12-28 Blancco Technology Group IP Oy System and method for detection of mobile device fault conditions
JP6182242B1 (ja) * 2016-06-13 2017-08-16 三菱電機インフォメーションシステムズ株式会社 データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム
TWI607673B (zh) * 2017-03-21 2017-12-01 聚積科技股份有限公司 Failure detection system and method
TWI625532B (zh) * 2017-03-21 2018-06-01 失效偵測系統及其方法
CN107561738B (zh) * 2017-08-30 2020-06-12 湖南理工学院 基于fcn的tft-lcd表面缺陷快速检测方法
CN107808132A (zh) * 2017-10-23 2018-03-16 重庆邮电大学 一种融合主题模型的场景图像分类方法
KR20190051395A (ko) * 2017-11-06 2019-05-15 삼성전자주식회사 피검사 장치의 검사 시스템 및 방법
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及***
US10681344B2 (en) * 2017-12-15 2020-06-09 Samsung Display Co., Ltd. System and method for mura detection on a display
US10755133B2 (en) * 2018-02-22 2020-08-25 Samsung Display Co., Ltd. System and method for line Mura detection with preprocessing
KR102154393B1 (ko) * 2018-06-20 2020-09-09 에임시스템 주식회사 기계 학습 기반의 자동 결함 분류 방법
JP2020014057A (ja) * 2018-07-13 2020-01-23 オリンパス株式会社 頭部搭載型表示装置、検査支援表示システム、表示方法及び表示プログラム
JP6795562B2 (ja) * 2018-09-12 2020-12-02 ファナック株式会社 検査装置及び機械学習方法
CN110033035A (zh) * 2019-04-04 2019-07-19 武汉精立电子技术有限公司 一种基于强化学习的aoi缺陷分类方法及装置
US10753882B1 (en) * 2019-04-10 2020-08-25 Griffyn Robotech Private Ltd. Inspection and cosmetic grading through image processing system and method
US20220328186A1 (en) * 2019-06-04 2022-10-13 Aidot Inc. Automatic cervical cancer diagnosis system
CN110245723B (zh) * 2019-06-27 2023-06-09 南京大学 一种安全可靠的图像分类半监督机器学习方法及装置
JP7316867B2 (ja) * 2019-07-25 2023-07-28 キオクシア株式会社 半導体画像処理装置
CN110599453A (zh) * 2019-08-08 2019-12-20 武汉精立电子技术有限公司 一种基于图像融合的面板缺陷检测方法、装置及设备终端
US11790817B2 (en) * 2019-08-09 2023-10-17 Semiconductor Energy Laboratory Co., Ltd. Method for operating display device
US11010529B2 (en) * 2019-09-16 2021-05-18 Taiwan Semiconductor Manufacturing Company Limited Integrated circuit layout validation using machine learning
CN115699050A (zh) * 2019-11-05 2023-02-03 强力价值链网络投资组合2019有限公司 价值链网络控制塔和企业管理平台
US11935288B2 (en) * 2019-12-01 2024-03-19 Pointivo Inc. Systems and methods for generating of 3D information on a user display from processing of sensor data for objects, components or features of interest in a scene and user navigation thereon
EP3878653A1 (de) * 2020-03-11 2021-09-15 Heidelberger Druckmaschinen AG Inspektion mit fehlerklassifizierung
US20220374720A1 (en) * 2021-05-18 2022-11-24 Samsung Display Co., Ltd. Systems and methods for sample generation for identifying manufacturing defects

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201243317A (en) * 2011-03-28 2012-11-01 Samsung Electronics Co Ltd Apparatus for inspecting light emitting diode and inspecting method using said apparatus
US20180268255A1 (en) * 2017-03-20 2018-09-20 Sap Se Training machine learning models

Also Published As

Publication number Publication date
US20210256685A1 (en) 2021-08-19
TW202131759A (zh) 2021-08-16
US11790509B2 (en) 2023-10-17
CN113268914A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN103593830B (zh) 一种低照度视频图像增强方法
CN110047051A (zh) 一种非均匀照明彩色图像增强方法
CN105513019B (zh) 一种提升图像质量的方法和装置
US20150364081A1 (en) Image processing apparatus, image processing method, display device, computer program and computer-readable medium
CN107272234A (zh) 一种基于液晶屏测试画面的检测方法及***
CN106454302A (zh) 一种果蔬成熟度检测方法及装置
TWI748344B (zh) 發光二極體調屏標準判定模型建立方法
CN108364271B (zh) 一种图像对比度的提高方法和装置
JP2013168898A (ja) 映像表示装置およびテレビ受信装置
CN107135384A (zh) 白平衡调节方法、装置、图像处理终端及存储介质
CN108932936A (zh) 灰阶亮度的调节方法及显示装置
CN111292300B (zh) 显示面板的亮点不良的检测方法和设备、可读存储介质
CN106204476B (zh) 一种低照度彩色图像增强方法
CN116682385A (zh) 一种显示器用可监视画面的显示器背光控制***
CN103810985A (zh) 提高图像可读性的电子装置及其方法
CN106033600A (zh) 基于函数曲线变换的动态对比度增强方法
CN115690578A (zh) 一种图像融合方法和目标识别方法及装置
CN104182998A (zh) 一种自适应图像亮度渲染方法与装置
CN103927544A (zh) 皮棉轧工质量的机器视觉分级方法
CN112115824B (zh) 果蔬检测方法、装置、电子设备以及计算机可读介质
CN111402796B (zh) 图像处理方法以及图像处理***
CN109858536A (zh) 一种离线自动检测长丝丝卷尾巴丝的方法
CN112561906B (zh) 一种图像处理方法、装置、设备及介质
CN114863095B (zh) 一种基于颜色转换的答题卡图像分割方法
CN116664463B (zh) 两阶段的低照度图像增强方法