基于机器视觉的手机屏幕缺陷检测方法研究
基于机器视觉的表面缺陷检测研究综述
研究现状与发展趋势
1、研究现状
1、研究现状
基于机器视觉的表面缺陷检测技术在许多领域都得到了广泛的应用。在智能 制造领域，表面缺陷检测技术被广泛应用于半导体芯片、太阳能电池、汽车零部 件等产品的检测中；在安全检测领域，表面缺陷检测技术被应用于食品安全、药 品安全、交通安全等领域；在医疗领域，表面缺陷检测技术被应用于医学图像分 析、病灶检测等方面。
相关技术综述
基于机器视觉的表面缺陷检测技术主要包括图像处理、特征提取和机器学习 等方法。
1、图像处理
1、图像处理
图像处理是表面缺陷检测的重要环节，主要包括图像预处理、图像增强和图 像分割等步骤。图像预处理包括去噪、平滑、滤波等，以改善图像质量，减少干 扰噪声；图像增强用于突出图像特征，如对比度增强、拉伸等；图像分割是将图 像分成若干个区域或对象的过程，以进一步提取缺陷特征。
2、发展趋势
（2）多维度的缺陷检测：目前大多数表面缺陷检测方法主要针对二维平面进 行检测，但在某些领域，如半导体芯片制造中，需要检测三维表面的缺陷。因此， 未来的研究方向将包括如何实现多维度的表面缺陷检测。
2、发展趋势
（3）智能化的缺陷分类：目前许多表面缺陷检测方法只能简单地识别出缺陷 类型，而不能对缺陷进行更精细化的分类。未来的研究方向将包括如何利用深度 学习等机器学习方法对缺陷进行精细化的分类。
2、特征提取
2、特征提取
特征提取是在图像处理之后进行的，主要是从图像中提取出与缺陷相关的特 征，包括形状、纹理、颜色等。形状特征主要包括缺陷的面积、周长、形状因子 等；纹理特征主要包括粗糙度、对比度、方向性等；颜色特征主要包括缺陷的色 调、饱和度、亮度等。
3、机器学习
3、机器学习
机器学习在表面缺陷检测中起着至关重要的作用，主要包括分类器和识别算 法两个方面的内容。分类器是将提取的特征与已知缺陷类型进行匹配，以识别和 分类缺陷的过程。常用的分ቤተ መጻሕፍቲ ባይዱ器包括SVM、神经网络、决策树等；识别算法主要 是基于深度学习的卷积神经网络（CNN），通过训练模型对输入图像进行自动检 测和分类。
基于机器视觉的自动外观缺陷检测系统设计
基于机器视觉的自动外观缺陷检测系统设计自动外观缺陷检测系统是在现代工业制造中起着至关重要的作用。
机器视觉技术的应用使得自动化的外观缺陷检测成为可能，提高了产品质量和生产效率。
本文将详细介绍基于机器视觉的自动外观缺陷检测系统的设计原理和实施方法。
一、系统设计原理基于机器视觉的自动外观缺陷检测系统通过摄像头捕捉产品的图像，并利用计算机视觉算法进行分析和处理，最终识别和判断产品是否存在缺陷。
其设计原理如下：1. 图像采集：系统的第一步是通过摄像头采集产品的图像。
摄像头的选择应该考虑产品的尺寸、形状和检测速度等因素。
高分辨率和快速采集速度的摄像头通常能够提供更好的图像质量和检测精度。
2. 图像预处理：采集到的图像往往包含噪声和光线的干扰，因此需要进行预处理。
预处理的主要目标是降低噪声、增强图像的对比度和清晰度。
一些常用的图像预处理方法包括滤波、平滑和直方图均衡化等。
3. 特征提取：在预处理完图像后，需要提取图像中与缺陷相关的特征。
特征提取可以通过各种计算机视觉算法来实现，如边缘检测、角点检测和纹理分析等。
特征提取的目标是将图像中的关键信息提取出来，并用于缺陷检测和分类。
4. 缺陷检测：在特征提取的基础上，使用分类算法来实现缺陷检测。
常见的分类算法包括支持向量机（SVM）、人工神经网络（ANN）和卷积神经网络（CNN）等。
这些算法可以根据特征的不同组合进行训练，以实现对不同缺陷类别的识别。
5. 结果判断：根据分类算法的输出结果，判断产品是否存在缺陷。
如果系统检测到缺陷，则需要标记并通知操作员进行处理。
同时，系统还应具备故障检测和故障排除的功能，确保系统的稳定和可靠性。
二、系统实施方法基于机器视觉的自动外观缺陷检测系统的实施方法涉及到硬件和软件两方面的内容。
具体步骤如下：1. 硬件系统设计：根据产品的特点和生产环境的要求，设计合适的硬件系统。
这包括选择适当的摄像头、光源和图像处理设备等。
还需要考虑摄像头的布置位置和角度，以及光源的类型和亮度调节等。
基于机器视觉的手机屏幕缺陷检测中的研究进展
基于机器视觉的手机屏幕缺陷检测中的研究进展随着手机行业的飞速发展，手机屏幕作为手机的重要组成部分，在质量控制方面也变得越来越重要。
而检测手机屏幕缺陷是确保产品质量的重要环节之一。
近年来，基于机器视觉的手机屏幕缺陷检测技术得到了广泛应用和深入研究，为提高手机屏幕质量和生产效率发挥了重要作用。
一、背景介绍手机屏幕作为手机显示的重要组件，其质量直接影响到用户的使用体验。
然而，由于生产过程中的各种因素，手机屏幕上常常会出现一些缺陷，如亮点、坏点、线缺陷等。
这些缺陷不仅影响了屏幕的视觉效果，还可能降低屏幕的使用寿命。
二、传统检测方法的局限性在过去，手机屏幕缺陷检测通常依靠人工目视检查来完成。
然而，由于人的主观意识和疲劳等原因，人工检测存在一定的限制和不足之处。
首先，人工检测速度较慢，无法满足工业化生产的需求；其次，人的主观性会导致缺陷漏检或误差检测；最后，人工检测成本较高，对于大规模生产来说，效率和经济性都不尽如人意。
三、基于机器视觉的手机屏幕缺陷检测技术随着计算机视觉和图像处理技术的快速发展，基于机器视觉的手机屏幕缺陷检测技术逐渐成为研究的热点。
该技术利用现代计算机的强大算力和图像处理算法，能够实现对手机屏幕缺陷的快速、准确、自动化检测。
1. 图像采集在手机屏幕缺陷检测中，首先需要对手机屏幕进行图像采集。
一般而言，采用高分辨率的相机或显微镜来拍摄手机屏幕图像，并将其转换为数字图像信号。
2. 图像预处理采集到的图像信号往往会受到光照条件、噪声等因素的影响，为了提高图像质量和减少干扰，需要对图像进行预处理。
预处理包括去噪、图像对比度增强、图像增强等步骤，以获得更清晰、更具对比度的图像。
3. 特征提取特征提取是机器视觉技术中的关键一步。
在手机屏幕缺陷检测中，可以利用图像处理算法提取出屏幕图像的各种特征，比如纹理、形状、颜色等。
这些特征可以用于缺陷的分类和判别。
4. 缺陷检测与分类基于提取的特征，通过训练相应的机器学习模型或使用深度学习模型，可以实现对屏幕图像中缺陷的检测和分类。
基于机器视觉的TFT-LCD屏mura缺陷检测技术研究共3篇
基于机器视觉的TFT-LCD屏mura缺陷检测技术研究共3篇基于机器视觉的TFT-LCD屏mura缺陷检测技术研究1基于机器视觉的TFT-LCD屏mura缺陷检测技术研究随着科技的不断进步，TFT-LCD屏已经广泛应用于电子产品中，如手机、电视、电脑等。
然而，由于其制造过程中存在多种不可避免的因素，如尘埃、残留物等，会导致一些缺陷出现在屏幕上，从而影响到其质量和使用效果。
其中，mura缺陷是一种最为常见的缺陷，通常表现为屏幕表面出现不均匀的亮度和色彩等问题。
为了保证产品质量和客户体验，需要对TFT-LCD屏进行缺陷检测。
本文探讨了一种基于机器视觉的TFT-LCD屏mura缺陷检测技术。
机器视觉是一种以计算机视觉算法为基础的视觉系统，它可以对图像进行快速而准确的分析和处理。
在TFT-LCD屏的mura缺陷检测中，机器视觉可以实现快速定位、准确识别缺陷，并进行有效的分类处理。
具体来说，该技术主要包含以下几个步骤：第一步是图像采集。
使用高分辨率相机或显微镜等设备采集TFT-LCD屏的图像，并将其转换成数字信号。
第二步是预处理。
将图像进行去噪、平滑和灰度化等处理，以消除噪声、提高图像质量和降低复杂度。
第三步是特征提取。
将处理后的图像进行特征提取，如亮度、颜色、对比度等，以获取重要的信息。
第四步是缺陷检测。
提取到特征向量后，可以利用支持向量机、卷积神经网络等算法进行分类，并进行缺陷检测。
第五步是结果分析。
根据测试结果分析缺陷类型、分布范围、严重程度等，并进行记录和报告，为后续处理提供依据。
在具体实现过程中，需要考虑多种因素。
例如，图像采集设备的选择与配置、人工干预的影响、算法准确度等。
同时，在算法方面还需要进一步提高检测的速度和准确度，以满足不同应用场景的需要。
总的来说，基于机器视觉的TFT-LCD屏mura缺陷检测技术具有快速、准确、可靠的优点，可以有效地提升产品质量和客户体验。
未来，我们可以进一步拓展应用领域，如面板制造、电子产品检测等，为智能制造和智慧生活提供更多的支持综上所述，基于机器视觉的TFT-LCD屏mura缺陷检测技术是一种重要的质检方法，具有高效、准确、可靠的优点。
基于机器视觉的工件表面缺陷检测算法研究与应用
基于机器视觉的工件表面缺陷检测算法研究与应用随着工业发展的不断推进，工件表面缺陷的检测变得越来越重要。
其中，机器视觉技术的应用为工件缺陷检测提供了一种有效的手段。
本文将针对基于机器视觉的工件表面缺陷检测算法进行研究与应用，探讨其原理和优势。
一、机器视觉技术在工件表面缺陷检测中的应用机器视觉技术是一种利用计算机视觉系统对图像进行感知、分析和处理的技术。
在工件表面缺陷检测中，机器视觉技术可以通过图像采集、处理和分析，实现对工件表面缺陷的自动检测和分类。
二、工件表面缺陷检测的算法原理1. 图像采集与预处理在工件表面缺陷检测中，首先需要采集工件表面的图像数据。
通过合适的光源和相机等设备，获取高质量的图像。
然后，进行图像预处理，包括图像去噪、图像增强等处理，以提高后续算法的准确性和稳定性。
2. 特征提取与选择提取工件表面缺陷图像中的特征是缺陷检测的关键一步。
常用的特征包括纹理特征、形状特征、颜色特征等。
根据具体情况，选择适合的特征进行提取，并进行适当的降维处理，以减少特征的维度和冗余信息。
3. 缺陷检测与分类在特征提取后，利用机器学习算法对工件图像进行缺陷检测和分类。
常用的算法包括支持向量机（SVM）、卷积神经网络（CNN）等。
通过训练模型和测试样本，实现对工件缺陷的有效检测和分类。
三、基于机器视觉的工件表面缺陷检测算法的优势1. 高效性机器视觉技术可以实现对工件表面缺陷的自动检测和分类，大大提高了检测的效率。
相比于传统的人工检测方法，机器视觉算法可以在短时间内处理大量图像数据，提高了生产力和效益。
2. 准确性基于机器学习算法的工件缺陷检测可以通过大量的样本训练和测试，从而提高检测的准确性。
机器视觉算法可以自动识别和分析工件缺陷，避免了人眼视觉疲劳和主观判断的影响，减少了误检和漏检的问题。
3. 稳定性机器视觉算法可以稳定地运行在工业生产线上，实时地对工件进行检测。
相比于人工检测的系统，机器视觉算法可以克服环境变化对检测结果的影响，并且不受人为因素的干扰。
基于机器视觉的表面缺陷检测关键技术
基于机器视觉的表面缺陷检测关键技术随着科技的不断发展，机器视觉技术在各个领域展现出了非凡的应用前景。
其中一项重要的应用领域是表面缺陷检测。
本文将重点介绍基于机器视觉的表面缺陷检测的关键技术。
一、引言表面缺陷检测是在工业生产和品质控制中非常重要的任务之一。
传统的缺陷检测方法依赖于人工目测，人力成本高、效率低，并且易受主观因素的影响。
因此，基于机器视觉的表面缺陷检测技术应运而生。
二、机器视觉系统1. 硬件组成基于机器视觉的表面缺陷检测系统主要由摄像机、光源、图像采集卡以及计算机等硬件组成。
摄像机用于采集待检测物体的图像，光源用于照明，图像采集卡用于将模拟信号转换为数字信号，计算机则进行图像处理和分析。
2. 图像采集图像采集是机器视觉系统中的第一步，也是最关键的一步。
正确的图像采集可以提供清晰、准确的图像用于后续处理。
三、图像预处理1. 图像增强图像增强是一种常用的预处理技术，可以提高图像的对比度和清晰度，从而更好地展示表面缺陷。
常用的图像增强方法包括直方图均衡化、滤波等。
2. 图像滤波图像滤波可以去除图像中的噪声，提升图像质量。
常见的图像滤波算法有均值滤波、中值滤波等。
四、特征提取1. 形态学操作形态学操作是一种基于形状和结构的图像处理方法。
常用的形态学操作包括膨胀、腐蚀、开运算和闭运算等。
2. 边缘检测边缘检测可以提取图像中物体的边缘信息，从而用于表面缺陷的检测。
常见的边缘检测算法有Sobel算子、Canny算子等。
五、缺陷检测与分类1. 分割分割是指将图像中的目标对象与背景进行分离。
常用的分割方法有阈值分割、区域生长等。
2. 特征匹配与检测特征匹配与检测是判断图像中缺陷的类型和位置的关键步骤。
常见的特征匹配算法有边缘匹配、模板匹配等。
六、应用与展望基于机器视觉的表面缺陷检测技术在许多领域中都有广泛的应用和发展前景。
例如，电子制造、汽车行业、纺织业等都可以通过该技术提升产品的质量和生产效率。
总结：基于机器视觉的表面缺陷检测技术是一项重要的技术，在工业生产和品质控制中具有巨大潜力。
基于机器视觉的产品质量检测与缺陷分析
基于机器视觉的产品质量检测与缺陷分析在现代制造业中，产品质量检测与缺陷分析是至关重要的环节。
而随着技术的不断进步和发展，基于机器视觉的产品质量检测方法取得了显著的成果。
机器视觉技术利用计算机视觉和图像处理技术，通过相机和传感器等设备对产品进行检测和分析，能够自动识别产品的缺陷并给出准确的判定结果，极大地提高了产品质量的稳定性和生产效率。
本文将重点探讨基于机器视觉的产品质量检测与缺陷分析的技术原理、应用场景以及未来发展趋势。
首先，基于机器视觉的产品质量检测与缺陷分析的基本原理是通过采集待检测产品的图像信息，然后将其传输给计算机进行处理和分析。
该技术主要包括图像采集、图像预处理、特征提取以及缺陷检测与分析等步骤。
其中，图像采集环节是关键，需要利用高分辨率的相机、传感器等设备，确保清晰、准确地获取产品的图像信息。
图像预处理环节是对采集到的图像进行滤波、去噪、增强等处理，去除图像的干扰，提高图像的质量。
特征提取环节是通过分析图像中的特征点、轮廓、纹理等信息，提取出与产品缺陷相关的特征。
最后，缺陷检测与分析环节是利用机器学习算法、模式识别技术等方法，对提取到的特征进行分析和判定，识别出产品的缺陷类型和位置，并给出相应的评估结果。
基于机器视觉的产品质量检测与缺陷分析在广泛的应用场景中发挥着重要作用。
首先，在制造业中，该技术可用于对产品外观、尺寸、颜色等方面的缺陷进行检测和分析，保障产品质量达到标准要求。
其次，在食品、医药等行业中，该技术可以用于检测产品的表面异物、缺陷、污染等问题，确保产品的卫生安全性。
此外，在自动化生产线上，该技术还能够实现对产品的自动化检测和分类，提高生产效率和质量稳定性。
随着机器视觉技术的不断发展，其在产品质量检测与缺陷分析中的应用也在不断拓展和完善。
首先，越来越多的企业开始采用深度学习技术，建立更加准确和稳定的检测模型。
深度学习技术可以通过大量的数据训练神经网络，实现对复杂缺陷的识别和分析。
基于机器视觉的表面缺陷检测系统的算法研究及软件设计
基于机器视觉的表面缺陷检测系统的算法研究及软件设计一、本文概述随着工业制造技术的飞速发展，产品质量与生产效率日益成为企业竞争力的核心要素。
表面缺陷检测作为产品质量控制的重要环节，其准确性和效率直接影响到产品的整体质量和企业的生产效益。
传统的表面缺陷检测方法往往依赖于人工目视检测，这种方法不仅效率低下，而且容易受到人为因素的影响，导致漏检和误检的情况时有发生。
因此，开发一种基于机器视觉的表面缺陷检测系统，实现对产品表面缺陷的快速、准确检测，已成为当前研究的热点和难点。
本文旨在研究基于机器视觉的表面缺陷检测系统的算法，并设计相应的软件系统。
通过对图像采集、预处理、特征提取、缺陷识别与分类等关键算法进行深入研究，构建一套高效、稳定的表面缺陷检测系统。
本文还将探讨如何结合机器学习、深度学习等先进算法，提高系统的自适应能力和检测精度。
本文还将关注软件系统的架构设计、界面设计、用户交互等方面的内容，确保系统的易用性和可维护性。
通过本文的研究，旨在为表面缺陷检测领域的实际应用提供理论支持和技术指导，推动机器视觉技术在工业制造领域的广泛应用，为企业提高产品质量和生产效率提供有力保障。
二、机器视觉技术基础机器视觉是一门涉及、图像处理、模式识别、计算机视觉等多个领域的交叉学科。
它利用计算机和相关设备模拟人类的视觉功能，实现对目标对象的识别、跟踪和测量，进而完成相应的自动化处理任务。
在表面缺陷检测领域，机器视觉技术发挥着至关重要的作用。
机器视觉系统主要由图像采集、图像处理、特征提取和缺陷识别等模块组成。
图像采集模块负责获取待检测物体表面的图像信息，其性能直接影响到后续处理的准确性和效率。
图像处理模块则是对采集到的图像进行预处理，如去噪、增强、滤波等操作，以提高图像质量，为后续的特征提取和缺陷识别提供有利条件。
特征提取是机器视觉系统中的关键环节，它通过对处理后的图像进行特征分析和提取，将关键信息从海量数据中筛选出来。
在表面缺陷检测中，特征提取的主要任务是提取出缺陷区域的形状、大小、颜色、纹理等关键特征，为后续的缺陷识别提供有效依据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于机器视觉的手机屏幕缺陷检测方法研究
摘要：在近些年来，随着手机行业飞速发展，手机屏幕缺陷的检测方式有许多，但是采用最多的还是人工检测的方式。
人工检测的方式效率低误差较大很难满足
现在手机行业的发展形势。
本文针对目前手机行业的发展形势，提出了一种基于
机器视觉手机屏幕缺陷自动检测系统。
此系统的工作流程依次是采集图像、对采
集的图像进行裁剪、除去灰尘、滤波去噪、分割图像、初次识别缺陷区域、结合
缺陷区域与其他部分对比分析、识别筛选出不合格的产品。
只有当此系统的检测
的合格率达到97.5%时，才会具有实用性，值得推广到实际的工业生产中去。
关键词：机器视觉；缺陷检测；手机屏幕
引言
随着全球经济的发展，各国的通信产业也都发展到一定的高度，高质高效的
智能手机虽然价格不断增高，但是仍然备受人们的喜欢。
手机屏幕作为手机的重
要组成部分，是人与信息打交道的桥梁，手机屏幕的质量的优劣将会直接影响到
用户的体验。
在现在的手机发展现状看来，手机屏幕缺陷检测主要依靠人工。
人
工检测工作难度大，工作量大，导致工作者对工作产生厌倦和身体疲劳。
这种方
式可能会使大量劣质产品流入消费者手中，不适用于如今的实际工业生产中。
针
对目前手机行业的发展形势，提出了一种基于机器视觉手机屏幕缺陷自动检测系统。
1.机器视觉检测技术
目前，因为机器视觉检测技术实用性强、效率高、具有高精确度，所有受到
了人们的一致好评，并且备受工业生产的欢迎。
全球有许多机器检测技术被应用
于实际的手机屏幕缺陷检测流程中。
Kim团队提出了一种降低灰度不均匀等级的
阈值方式，这种方式可以通过识别出多种线缺陷完成缺陷的排除；Lee and Yoo等
首先会绘制二维曲线，再使用背景差异法检测mura缺陷以及不同形状和方向的
缺陷，但是对窗口的大小有局限性。
You-Ching Lee和Cheng-EnShie等提出一种能
识别各种缺陷的累计差异和多分辨率背景的检测方法，但是对移动的装置要求较高;Tsai和Tseng等利用傅立叶变换和阈值方式消除背景干扰，但时效性差；易松
松使用了级联检测方式；高如新采用了快速匹配差分法检测方式；徐祖鑫提出了
一种数学形态学的检测方法，他们所采用的和提出的手机屏幕检测方式对点、线
等明显的缺陷有着较高和精准的识别率，但是对于一些特殊的缺陷还是有待完善。
基于机器视觉的手机屏幕缺陷检测方法研究，本文提出了一套完整的自动检测控
制系统，这套系统的结构分明、操作简单、工作效率高、具有高精确度，能够高
效实时检测和筛选出具有缺陷的屏幕。
2.系统硬件
系统硬件的构成主要由相机、显示屏和主机；治具台是部分系统硬件，治具
台上可以安装各种各样的治具，用于与其匹配的手机进行点亮，而手机的相机和
光源的固定都可以用一些简单的器械完成，适当的调节角度和方向。
所以此系统
硬件满足工业生产的需求，只要更换治具就可以实现各种型号手机的检测，而且
操作简单。
简单的操作流程只是把检测物品放到治具台。
其工作原理依次是系统
接收传感器信号、光栅门自动关闭、营造密闭检测环境、显示标记缺陷。
3.算法流程
这里主要介绍的是屏幕块状检测方法，因为在手机屏幕缺陷中块缺陷最难识别。
由于块缺陷的形状复杂、亮度不均匀、对比度低和边缘不清晰，影响到屏幕
缺陷的识别。
3.1图像预处理
在手机屏幕缺陷检测前必须要对屏幕的图像进行预处理，这样可以有效的提
高算法检测的速率，而且还可以避免无关干扰因素对检测过程的影响和提高检测
的精确度。
第一步，检测屏幕边缘和二值化法确定手机屏幕的大概位置；第二部，采用几何校正法使目标区域保持水平，以便于目标区域的提取；最后一步，进行
颜色空间转换使屏幕缺陷区域与周围区域的对比度更加明显。
图像预处理大大提
高了算法流程的效率。
3.2图像剪切
图像剪切的目的是减小检测区域提高检测的速率。
其工作原理是使用自动阈
值方式识别到待测区域，根据待测区域的倾角使图像旋转校正，根据待测区域边
缘的信息拟合直线规划处切割的区域。
如果使用阈值的方式切割，图像的信息保
存会不完整，经过多次的实验分析，图像剪裁大约在150ms，这种方式快速高效、操作简单、精确度高适用于工业生产。
3.3除去灰尘影响
在正常的检测过程中，如果屏幕上有灰尘会使屏幕检测数据产生误差检验结
果不准确。
此检测试验一定要先开启系统光源和采集图像后，再点亮手机屏幕，
然后识别灰尘的位置，计算灰尘面积大小，最后将灰尘区域与缺陷区域比较作分析，减小灰尘对检测实验带来的影响。
然后再执行系统的自动控制流程。
3.4图像滤波
本文采用组合铝箔的方式为图像滤波，这种方式是为了解决块缺陷的对比度
和边缘模糊容易受到图像的纹理和背景的亮度不均匀引起的难题。
组合滤波的方
式是用高斯滤波的图像作为初次的图像，为了降低纹理和亮度不均匀引起的影响。
组合铝箔的方式与普通的滤波方式相比，普通的滤波方式背景图像不均匀，而且
不利于图像的切割。
不同的滤波图像是不同的，但组合铝箔的方式的背景图更均匀，实用性强。
3.5图像的分割
此文章所涉及的图像分割方式是一种局部阈值分割与区域对比度相结合的联
合检测方式。
这种分割的方式很简单，其流程主要是提取缺陷、判断缺陷是否合
理和完成缺陷的提取。
这种方式简单高效快速实用性强。
为了使检验精确度更高，采用不同方向的中值滤波处理完成后的图像，完成
组合滤波处理，处理过后的组合滤波图像与高斯均值滤波后的图像相结合亮度均匀，但是缺陷部分的灰度有明显的差异，根据这一特性筛选出定模区域灰度大于
标准值的区域，综合实验分析完成图像的分割。
这种的算法方式采用的是同一幅
图在不同的滤波方式中计算出来的结果。
与普通的检测算法相比，这种方法不需
要模板建设和配准流程，而且过程简单，所以可以快速高效完成图像分割，还可
以节省大量的时间和存储的空间，也可以减小缺陷检验的误差。
然后，接着对提
取出的图像进行形态学的原理分析，识别提取部分附近的区域并求出这两部分的
平均灰度，同理，筛选出定模区域灰度大于标准值的区域。
这个过程是对缺陷区
域的二次筛选，但都是基于原图上的，这会降低检测误差，避免图像亮度对检测
结果的影响。
4.实验结果及分析
在工业生产的过程中，对于手机屏幕缺陷检测的控制系统的应用具有非常严
格的要求，对于检测的速度要快，精确度要高，只有这样才能够被推广和应用。
本文的实验挑出1000件缺陷产品，其中块缺陷产品占500件，线缺陷产品占250件，点缺陷产品占250件。
然后再随机挑选出2000件产品，由视觉屏幕自动检
测筛选后再由人工复检求出漏检和虚检率。
实验结果数据为点缺陷漏检个数为0，线缺陷漏检个数为0，块缺陷漏检个数为10.随机样品缺陷漏检个数为20，点漏
检率为0%，线漏检率为0%，块漏检率为2%，随机样品漏检率为1.5%。
综上，
其合格率为97.5。
由此可见其精确性强。
结束语
为了提高手机屏幕的检测效率和高准确性，此文章提供了一套适用于手机生
产行业的屏幕检测系统的方法。
在系统硬件方面，不同种型号的手机可以通过匹
配合适的治具进行高效精确的检测，这大大提升了该系统的实用性；在算法方面，主要通过图像剪切、除灰、图像滤波和图像分割四个流程完成。
最后在实验分析方面，可以看出这套基于机器视觉的手机屏幕缺陷检测方法
具有高效性和精准性。
非常适用于现在这个科技迅速发展的时代。
但也有一定的
局部缺陷待完善。
参考文献
[1]魏民. 在职业教育应用视角下的VR/AR技术[J].中国电化教育,2017(03):10-15.
[2]朱秀昌,唐贵进. 屏幕内容视频编码的技术与标准[J].南京邮电大学学报(自然
科学版),2017,37(03):26-36.
[3]孙卓华.“互联网+”时代公共部门屏幕官僚建设研究[J].中国人力资源开
发,2017(10):121-128.
[4]景义新,沈静. 屏幕媒介的变迁:渊源、衍变与未来——移动智媒时代“从屏幕
到界面”的思考[J]. 当代传播,2017(06):26-28+46.
[5]熊雪芹,刘佳,石菡,王荣,任丹,刘晓,刘娟,雷腾,成素望. 屏幕时间与亲子关系及学龄前儿童社会能力和行为问题的关系[J]. 重庆医学,2018,47(14):1917-1921.。