基于机器视觉的手机屏幕Mura缺陷检测方法研究

通过分析手机屏幕质量检测的重要性以及人工检测的弊端,提出了一种基于机器视觉的手机屏幕Mura缺陷检测方法。首先针对手机屏幕中Mura缺陷对比度低、无明显边界以及背景存在周期性纹理的特点,设计Mura缺陷检测算法,通过图像预处理技术提取感兴趣区域(ROI),设计多尺度多方向的Gabor滤波器组抑制图像重复纹理背景。然后提出基于高斯差分思想的图像增强算法以提高缺陷与背景的对比度,采用局部自适应阈值分割方法对缺陷进行分割,并选取合适的特征参数对Mura缺陷进行量化。试验结果表明,该算法能有效地抑制纹理背景,准确地分割量化缺陷,且算法鲁棒性好,检测准确率≥95%,误检率≤5%,漏检率≤0.5%,检测平均耗时2.3 s,能够满足实际生产中液晶屏缺陷检测的准确度和实时性要求。

LCD Mura缺陷的B样条曲面拟合背景抑制

针对机器视觉检测TFT-LCD Mura缺陷时存在的图像整体亮度不均匀、背景复杂等影响检测准确性的问题,提出一种基于B样条曲面拟合的背景抑制方法。在最小二乘法准则的约束下,采用双三次B样条曲面拟合算法拟合出背景,并添加光顺项调整拟合精度,用原始图像减去拟合背景,从而消除亮度不均匀背景对缺陷分割造成的影响。为提高算法速度,对原始图像进行分块拟合,并将双三次B样条函数分解为一元函数求解,减小了计算量,同时避免了对原函数求解时容易出现的病态解问题。实验结果表明,该算法准确、高效。

基于Chan-Vese模型的TFT-LCD Mura缺陷快速分割算法

针对传统的Chan-Vese模型(C-V模型)分割背景不均匀的TFT-LCD Mura缺陷速度慢的问题,将水平集函数与符号距离函数的偏差作为能量项引入C-V模型,去掉了符号距离函数重初始化步骤;为了平衡图像的整体亮度不均匀,在传统的C-V模型中引入轮廓曲线内、外部区域之间的亮度差项,提高了分割准确性。在数值实现上,采用无条件稳定的半隐差分格式,适当加大步长,加速曲线演化过程,相比于有限差分格式和AOS格式,分割速度明显提高。实验结果表明,本文提出的算法能够准确地分割背景不均匀的Mura缺陷图像,并且分割速度快。

基于机器视觉的液晶屏Mura缺陷检测方法

通过分析液晶屏中缺陷检测的必要性和人工检测的不足,研究一种基于机器视觉的液晶屏Mura缺陷在线检测系统。针对液晶屏中的Mura缺陷区域和周围背景对比度低、边缘模糊、形状各异、整体亮度不均等特点,建立模拟人工检测的成像系统。提出单帧图像背景建模和背景差分方法,该方法能有效解决液晶屏的亮度不均问题,同时增强Mura缺陷的特征信息。然后基于最大稳定极值区域(Maximally Stable Extremal Region,MSER),提出Mura缺陷自适应阈值缺陷分割方法,建立一个全自动缺陷在线检测的视觉系统。实验结果表明,所提检测算法能很好地解决液晶屏亮度不均的问题,准确地对Mura缺陷进行分割定位,算法的鲁棒性好。并且该系统人工干预少,效率高,能实现在线自动检测。

TFT-LCD Mura缺陷机器视觉检测方法

针对液晶显示器(Liquid crystal display,LCD)制程中Mura缺陷检测的重要性和人工检测的弊端,研究TFT-LCD Mura缺陷的机器视觉自动检测方法。基于国际半导体设备与材料组织(Semiconductor Equipment and Materials International,SEMI)标准中Mura缺陷的测量规范和LCD视觉检测试验平台,针对Mura缺陷边缘模糊、对比度低、图像中存在重复纹理背景和整体的亮度不均匀等特点,分别研究基于实值Gabor小波滤波的纹理背景抑制方法、基于同态变换和独立分量分析的亮度不均匀校正方法、基于主动轮廓模型和水平集方法的缺陷分割以及基于SEMI标准的缺陷量化方法,综合几个方面的研究,建立Mura缺陷自动检测流程。检测试验证明,所提出方法能较好地抑制纹理背景、校正背景亮度不均匀和莫尔条纹,准确的分割缺陷并进行量化评定。该方法适用于Mura缺陷的自动检测,检测方法与人的视觉特性相似,具有较好的鲁棒性。对于50个带有Mura缺陷的LCD样本,有48个样本被成功检测。

基于改进Chan-Vese模型的液晶显示屏Mura缺陷分割

液晶显示屏Mura缺陷是一类较难检测的显示缺陷,它具有对比度低、背景亮度不均匀、边缘模糊等特点。针对传统Chan-Vese模型(C-V模型)对其分割时存在误分割及速度慢的问题,本文提出一种改进的C-V模型。首先,依据曲线演化理论,简化了传统C-V模型的图像数据力驱动项,这样减少了迭代过程中的计算量,提高了分割的速度。其次,为了平衡图像的亮度不均匀,在模型中引入一个新的能量项,该能量项与轮廓曲线内、外部之间的亮度差有关,提高了分割的准确性。最后,在算法的实现过程中引入迭代停止的判别式,通过设定分割的精度可以实现迭代的自动停止,并有利于正确地分割出目标。实验结果表明,本文提出的改进C-V模型能够准确分割背景不均匀的Mura缺陷,并且具有较快的速度。

基于有效背景重构和对比度增强的Mura缺陷检测

提出一种基于有效背景重构和对比度增强的Mura缺陷检测方法。首先,提出了一种新的基于缺陷区域预剔除的背景重构方法,能够有效地重构背景图像,消除图像亮度不均等干扰。然后,引入了基于Otsu的双γ分段指数变换法对差分图像进行增强处理,能够有效解决背景残余问题且极大增强了Mura区域的对比度和轮廓度。最后,直接运用动态阈值分割方法,可以快速准确地将Mura缺陷分离出来。实验结果表明,与传统的多项式曲面拟合方法以及离散余弦变换法相比,本文方法对各种类型的Mura缺陷检测效果稳定,且检出率和无误报率均达到了97%以上。

彩色滤光片Mura缺陷自动检测应用研究

彩色滤光片(Color Filter,以下简称CF)作为TFT-LCD面板的关键组件,其性能直接影响显示器呈现的画面质量。其中Mura缺陷检测在整体缺陷检测中占有重要作用。目前,绝大多数CF制造商在出货前的Mura缺陷检测环节仍采用全数的人工目视检测方法。该方法易受检测人员主观因素及外界环境影响,且效率极为低下。文章分析了国外生产的CF Mura缺陷检测设备的结构和图像处理算法,针对误检率高、图像干扰等问题,总结出通过标准画像的合理管控,调整Mura检测机位置,优化检测参数等方案,实现图像质量和Mura自动判定的准确度的提升。并将这些方法运用到生产线的运营中,将原来的100%人工目视检测降低至30%左右,减少了检测人员数量,同时缩短CF产品Cycle time 60分钟,取得了良好的经济效益,为国内液晶面板制造行业CF Mura检测和管控方法的研究人士提供了一份较为完整的参考。

基于亮度梯度的LCD屏的Black Mura缺陷检测

本文采用基于亮度梯度的方法对液晶显示屏(liquid crystal display,LCD)的Black Mura缺陷进行检测与分析。我们首先使用高斯滤波方法对在黑色背景光情况下采集的LCD亮度图像进行降噪处理,进一步使用非线性图像增强技术来增加图像的对比度,最后通过计算经过以上方法处理过的图像的亮度梯度分布,并根据SEMI标准对图像样本的Black Mura缺陷进行分析和量化。试验结果显示基于本文提出的方法能有效地实现LCD屏的Black Mura缺陷检测、分析和量化。

液晶显示器Mura缺陷及测量方法浅析

Mura缺陷是液晶显示器(LCD)中常见的不良现象,直接影响到显示图像质量。本文对液晶显示器Mura缺陷进行了详细的综述,首先概述了Mura缺陷的种类及主要来源,然后介绍了Mura缺陷的三类测量方法 :人工视觉识别法、电学测量法、光学测量法。人工视觉识别法利用滤光片观察样品,成本较低,但无法做到客观的评定产品等级;电学测量法适用于电气缺陷造成的Mura;基于机器视觉的光学测量法是当前研究的热点,对于各种原因造成的Mura缺陷均具有良好的检测效果。详细分析了各种检测方法的特点,最后进行归纳总结。

TFT-LCD表面Mura缺陷的AOI检测研究进展

液晶显示屏幕的表面缺陷检测是保证TFT-LCD等液晶显示屏质量稳定性的关键。得益于在检测表面缺陷方面高效率、低成本的优势,机器视觉技术目前已经成为TFT-LCD质量检测的主要手段。本文首先概述了液晶屏的发展历程,列举了常见Mura缺陷的类型,分别介绍了基于传统图像处理和基于深度学习的Mura缺陷检测方法,概述了图像滤波和图像亮度校正等图像预处理技术的研究动态。本文重点阐述了监督学习、无监督学习和迁移学习等人工智能技术在TFT-LCD表面Mura缺陷检测领域的应用,并对基于机器视觉的TFT-LCD表面Mura缺陷检测的技术发展趋势进行了展望。

基于YOLOv5的液晶屏微弱特征缺陷检测算法

针对液晶屏显示缺陷中微弱特征缺陷经多次卷积与背景纹理同化导致的检测精度低的问题,提出了一种基于YOLOv5的液晶屏微弱特征缺陷检测改进模型YOLO-Mura。首先,在主干网络中引入Involution算子扩大感受野,增强在空间范围内的微弱特征缺陷信息,并降低模型的浮点运算次数。其次,采用CARAFE上采样算子优化上采样方式,加强对微弱特征缺陷的关注能力。然后,在颈部网络,通过嵌入BiFormer注意力模块,提升网络在强背景干扰下的特征提取能力。最后,采用BiFPN加权双向金字塔结构,提高不同层级的特征融合利用率。在自制液晶屏Mura缺陷数据集上的实验结果表明,YOLO-Mura模型的精确率、召回率、mAP@0.5分别提高了2.2%、6.6%、2.7%,模型计算量降低了66.5%。通过与主流目标检测算法进行比较,结果表明本文最终改进模型对于液晶屏微弱特征的Mura缺陷有较好的检测性能。

灰度与亮度拟合对LCD面板Mura改善的影响

选择有限的采样灰度级准确拟合出整个灰度区间的亮度和灰度关系,是影响LCD面板Mura改善效果、实时性和成本的关键因素。通过迭代方法优化采样灰度级,并采用分段伽马拟合方法研究了采样灰度级对Mura改善的影响。针对1 920×1 080的55inTFT-LCD模组,6个采样灰度级的优化使拟合亮度曲线与实际亮度曲线的相对误差之和在0～255灰度级从5.64降到3.68,4个采样灰度级的优化使相对误差之和从29.27降到8.98。通过对6个和4个优化采样灰度级的实验结果比较和分析,结果表明,4个优化采样灰度级可以在Mura改善效果、实时性及成本三者之间达到较好的平衡。

印刷型设备产生配向膜Mura研究

薄膜晶体管行液晶显示(TFT-LCD)面板制造行业中,取向膜涂布方式主要有2种:一种为传统印刷方式辊式涂布法,另一种为新型印刷方式喷墨印刷法。本文通过对这2种印刷方式的比较,着重介绍了新型喷墨印刷法容易产生的三大主要不良(直线形不良、印刷头宽线形不良以及云状灰度不良)及产生原因。在对三大不良产生的原因进行详细的实验测试、数据分析和理论研究工作下,通过工艺调整并结合设备科学管控,最终使不良发生率大幅下降,极大地提高了产品的品质,并为今后新产品的开发及相关理论的研究提供了很好的基础。

基于候选区域对比度的显示屏缺陷检测方法

显示屏在生产、组装过程中易出现多种类型的缺陷,传统的人工检测方法工作量大,主观性强,检测标准难以量化,误判率高。为此,提出一种使用折线阈值对候选区域对比度进行阈值判断的显示屏缺陷检测方法。通过计算候选区域对比度来检出点状、块状、Mura缺陷,候选区域对比度的计算方式克服了显示屏亮度不均匀产生的影响,使用折线阈值对候选区域对比度进行阈值判断,提高了低对比度Mura缺陷的检测精度。