手机屏幕图像缺陷检测方法的研究

合集下载

基于机器视觉的手机屏幕缺陷检测方法研究

2.3 缺陷分类检测
2.3.1 坏点、坏线检测
手机屏幕由很多个独立的像素阵列组合而成，每个像素
又由红、绿、蓝三种颜色的液晶体构成，通过三色液晶体的
不同组合来显示出不同的颜色，从而组成手机屏幕中生动而
丰富的画面。但是，由于目前的电子电路无法保证一直不出
Key words: mobile screen; defect detection; machine vision
１引言
手机作为移动通信技术发展的产物，已成为了人们生活中不可缺少的物品。随着手机屏幕显示器向大尺寸、高分辨率和轻薄化的方向发展，手机屏幕的各种显示缺陷出现的几率大大增加。因此，在手机的生产过程中，若要确保其生产质量，必须进行严格的缺陷检测。当前手机屏幕缺陷的检测主要依靠传统的人工查看法进行，检测主体受主观和客观方面缺陷的制约，这种检测手段不仅容易出现漏检、误检等问题，可靠性和稳定性难以保证，而且检测效率不高、实时性差，检测需要的成本也很高。对于大批量工业化生产的今天，人工查看法已经不能满足工业化生产的需要，故而研究一种合适的手机屏幕缺陷检测系统以实现对手机屏幕缺陷的自动在线实时检测成为目前手机生产领域的迫切要求 [1] 因此，研究基于机器视觉的手机屏幕缺陷检测方法无论是对于手机用户还是对于手机生产商来说都具有很高的实际意义。
2.2 图像预处理
在缺陷检测之前必须对采集到的手机屏幕图像进行预处理，降低屏幕缺陷检测时无关因素的干扰，提高算法的检测效率。首先进行二值化 [3] 和边缘检测 [4] 确定手机屏幕区域的位置，其次采用几何校正 [5] 使目标区域保持水平利于进行目标提取 [6] 操作，最后进行颜色空间 [7] 转换提高屏幕缺陷与周围的对比度，以便于之后进行缺陷检测。通过预处理操作，成功地提取出了待检测的目标区域，得到手机屏幕图像，大大提高了算法的检测效率。

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。

基于数学形态学的手机屏缺陷检测算法设计

ＸＵＺｕ－ｘｉｎ．ＢＩＭｉｎｇ — ｄｅ．ＳＵＮＺｈｉ．ｇａｎｇ
（ＩｎｓｔｉｔｕｔｅｏｆＩｎｆｏｒｍａｔｉｏｎ，ＤｅｐａｒｔｍｅｎｔｆｏＣｏｎｔｒｏｌＳｃｉｅｎｃｅ＆ＥｎｇｉｎｅｅｒｉｎｇＨｕａｚｈｏｎｇＵｎｉｖｅｒｓｉｔｙｆｏＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＷｕｈａｎＨｕｂｅｉ４３００７４，Ｃｈｉｎａ）
要：针对手机屏颜色单一、缺陷形状特征明显等特点，提出了一种基于数学形态学的表面缺陷自动检测方法。采用ＣＣＤ工业相机
获取单帧图像进行滤波预处理，然后运用灰度形态学方法进行缺陷分割；并通过提取缺陷的形态特征进行缺陷分类。实验结
果表明：算法可靠，能有效地识别缺陷，同时准确地判别缺陷类型。关键词：灰度形态学；手机屏；中值滤波；特征提取；缺陷分类
ＤＯＩ：１０．３９６９／ｊ・ｉｓｓｎ．１０００— ３８８６．２０１３．０３．０３３
［中图分类号］ＴＰ３９１．４１［文献标志码］Ａ［文章编号］１０００— ３８８６（２０１３）０３— ００９９— ０３
ＤｅｓｉｇｎｏｆＤｅｆｅｃｔｌｎｓｐｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍｆｏｒＭｏｂｉｌｅＳｃｒｅｅｎ

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。

基于图像处理的手机屏幕缺陷检测系统研究

高，实时性好。对手机屏幕玻璃缺陷检测所需用到的算法进行了研究，针对手机屏幕玻璃缺陷细微、痕
浅等特点．提出了基于图像快速匹配的差分算法，实现了缺陷特征的准确提取。
关键词：缺陷检测；图像处理；高斯金字塔；图像匹配差分中图分类号：ＴＨ７ｌ；ＴＰ２７３文献标识码：Ａ文章编号：ｌ０００—８８２９（２０１７）０４— ００２６— ０５
ｐｏｓｅｄ，ｔｈｅａｃｃｕｒａｔｅｅｘｔｒａｃｔｉｏｎｏｆｄｅｆｅｃｔｆｅａｔｕｒｅｓｉｓｒｅａｌｉｚｅｄ．Ｋｅｙｗｏｒｄｓ：ｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎ；ｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ；Ｇａｕｓｓｉａｎｐｙｒａｍｉｄ；ｉｍａｇｅｍａｔｃｈｉｎｇｄｉｆｆｅｒｅｎｃｅ
２．ＨａｎｇｚｈｏｕＢｌａｅｋｂｏｘ３ＤＴｅｃｈｎｏｌｏｇｙＣｏ．，Ｌｔｄ．，Ｈａｎｇｚｈｏｕ３１１１２Ｉ，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎｉｎｔｈｅｐｈｏｎｅｓｃｒｅｅｎｐｒｏｄｕｃｔｉｏｎ，ａｇｌａｓｓｄｅｆｅｃｔｄｅ — ｔｅｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎｉｓｐｕｔｆｏｒｗａｒｄ．Ｂｙｔｈｅｕｓｅｏｆｏｐｔｉｃａｌｉｍａｇｉｎｇｍｏｄｕｌｅ，ｉｍａｇｅａｃｑｕｉｓｉｔｉｏｎｍｏｄｕｌｅａｎｄｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｓｏｆｔｗａｒｅｄｅｓｉｇｎｍｏｄｕｌｅ，ｔｈｅｐｈｏｎｅｓｃｒｅｅｎｄｅｆｅｃｔｓｃａｎｂｅｑｕｉｃｋｌｙａｎｄｅｆｆｉｃｉｅｎｔｌｙｉ－ｄｅｎｔｉｉｅｆｄ．Ｔｈｅａｌｇｏｒｉｔｈｍｓｕｓｅｄｆｏｒｇｌａｓｓｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎａｒｅｓｔｕｄｉｅｄ．Ｉｎｏｒｄｅｒｔｏｅｌｉｍｉｎｉｔｅｔｈｅｍｏｂｉｌｅｐｈｏｎｅｓｃｒｅｅｎｇｌａｓｓｄｅｆｅｃｔｓｓｕｃｈａｓｔｉｎｙ，ｍａｒｋｌｉｇｈｔｅｔｃ．，ａｄｉｆｆｅｒｅｎｃｅａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｆａｓｔｉｍａｇｅｍａｔｃｈｉｎｇｉｓｐｒｏ —

基于图像处理的产品缺陷检测方法研究

基于图像处理的产品缺陷检测方法研究随着制造业的发展和全球市场的竞争加剧，产品质量成为企业最为关注的问题之一。

产品缺陷不仅会损害企业的声誉，还会造成巨大的经济损失。

因此，如何快速高效地检测产品的缺陷成为了研究的热点之一。

而基于图像处理的产品缺陷检测方法正逐渐成为了一种重要且可行的解决方案。

首先，图像处理技术可以实现对产品缺陷的快速准确的检测。

传统的产品缺陷检测方法通常需要人工参与，效率低下且易受主观因素影响。

而基于图像处理的方法利用计算机对图像进行处理和分析，可以快速而准确地判断产品是否存在缺陷。

例如，利用图像分割、边缘检测和形态学等算法，可以将产品图像中的缺陷区域与正常区域进行有效分离并提取出来。

同时，基于机器学习的方法也可以通过对大量缺陷图像的学习和训练，实现对缺陷的自动检测和分类。

这些图像处理技术的应用，可以大大提高产品缺陷检测的准确性和效率。

其次，基于图像处理的产品缺陷检测方法具有广泛的适用性。

不同的生产过程和产品类型可能会出现各种各样的缺陷，如裂纹、毛刺、漏涂等。

传统的检测方法往往针对特定的缺陷进行设计，对于其他缺陷的检测效果较差。

而基于图像处理的方法可以通过对产品图像的全面分析，对不同类型的缺陷都可以进行有效检测。

只需要提供缺陷的样本图像，算法就可以通过学习和训练自动识别和检测类似的缺陷。

这使得基于图像处理的方法具有较好的通用性和扩展性，可以适用于不同行业和领域的产品缺陷检测。

此外，基于图像处理的产品缺陷检测方法还可以实现对产品生产过程的实时监控。

在传统的生产环境中，产品质量通常在生产完成后进行全面检测，这样一来，如果出现缺陷，就需要进行返工或报废。

而基于图像处理的方法可以实现对产品生产过程的实时监控和反馈。

通过安装相机和图像处理软件在生产线上对产品进行连续拍摄和分析，可以及时发现和纠正生产过程中出现的缺陷，从而减少不良品的产生。

这不仅可以提高产品质量，还可以提高生产效率。

综上所述，基于图像处理的产品缺陷检测方法具有快速、准确和通用的优势。

手机屏幕检测专题研究提案

手機屏幕檢測專題研究提案目錄一、摘要 (1)二、關鍵詞 (1)三、研究背景及目的 (1)四、研究方法 (9)五、參考文獻 (10)六、預期完成的工作項目、成果及績效 (10)七、進度甘特圖 (11)一、摘要本次的專題研究我們將對市面上應用廣泛的手機為主題展開研究，主要對手機屏幕的二維尺寸、壞點、瑕疵（）深入研究。

我們的研究方法主要採取AOI：自動化光學檢測，它可以利用圖像識別物體的形狀。

也可以利用尺寸量測技術檢查物體的尺寸是否符合要求，此外也可以用用來檢測物體表面的色澤和紋理是否正確，以及表面是否有瑕疵。

現在全面性的自動化產業是維拉發展的必然趨勢，唯量測與檢驗的複雜度以及不確定性相當高，使得量測與檢驗的作業反而是目前自動化程度最低的一部份。

在生產過程中，產品的品種檢測不但耗費人力、資源、時間同時也大大降低了生產的效率和質量。

我們將對手機產業進行屏幕的檢測研究。

二、关键词自动化、LCD、数字影像三、研究背景及目的隨著科技發展，隨著人們生活質量的提高，手機等電子產品已經廣泛被使用。

電子產品滲透入社會生活中，琳琅滿目的商品成爲了大家的選擇，如何保證出產的產品可以被大家廣為認可，如何才能對質量產生保障，如何才能使使用者心安理得，那麼就要對出產的產品進行檢測，我們將對手機屏幕的尺寸、壞點、瑕疵進行深入的研究。

此前，3DFamily负责的Iphone5S出廠檢測，是對手機的整體進行檢測。

包括了尺寸以及整體外觀、屏幕瑕疵。

裂紋以及邊角刮痕。

目前市场上出现很多的杂牌液晶，这些杂牌液晶标明了较高的性能参数，拥有绝对让人动心的价格。

但是便宜的价格背后是让人怀疑的性能，这其中很多液晶都采用了最低等的面板，所以在显示画面的效果方面，就不怎么让人满意了。

那么在购买LCD的时候，我们如何来辨别自己的液晶是否是優良產品呢？在这种情况下，肉眼很难看出液晶的瑕疵，只有通过一些测试方法才能检测出液晶的好坏。

一般来说，测试的重点是液晶屏的坏点、暗点、亮点，当然，我们首先应该了解什么是坏点、暗点、亮点。

基于机器视觉的手机屏幕缺陷检测方法研究36

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系统研究

基于机器视觉的手机屏幕缺陷检测系统研究彭赶,张平,潘奕创(广东工业大学机电工程学院,广东广州 510006)摘要:目前,手机屏幕缺陷多采用人工检测的方式,针对人工检测低效,高误测的现状,本文提出一种基于机器视觉的手机屏幕缺陷自动检测系统。

系统由C C D相机采集图像,然后对图像剪切,除尘,滤波去噪,接着利用局部阈值分割图像,初步提取缺陷区域,最后结合局部区域对比度分析,筛选出缺陷产品。

随机抽取200例样品,检测准确率能达到97.5%,其中误测1%,虚测1.5%,能满足实际工业需求,具备一定的实用价值和推广价值。

关键词:机器视觉;缺陷检测;手机屏幕中图分类号:TP391.41 文献标识码:A 文章编号:1003-7241(2018)09-0104-05Research on Mobile Phone Screen Defect Detection SystemBased On Machine VisionPENG Gan, ZHANG Ping, PAN Yi-chuang( School of Electromechanical Engineering, Guangdong University of Technology, Guangzhou 510006 China ) Abstract: At present, The majority of screen defects in mobile phones are in manual detection. Artificial detection is inefficient and higher false-positive rate. This paper puts forward a kind of mobile phone screen defects detection system based on machine vision. System grabs image by CCD camera, then shears image, removes dust, filters and de-noising, preliminary extract defects area by using the local threshold segmentation image, finally, it extract defects features through combining with local regional contrast analysis. Random samples of 200 cases, accuracy of detection can reach 97.5%, measurement errors of 1%, virtual test of 1.5%, which can meet the actual industrial demand and has certain practical value and popularization value.Key words: machine vision; defect detection; mobile phone screen1 引言随着手机市场的日益繁荣,竞争的日趋激烈,高质量,高效率的手机生产方式备受市场青睐。

基于自适应局部增强的手机TFT-LCD屏Mura缺陷自动检测

第３３卷㊀第６期２０１８年６月㊀㊀㊀㊀㊀㊀㊀液晶与显示㊀㊀㊀C h i n e s e J o u r n a l o fL i q u i dC r y s t a l s a n dD i s p l a ys ㊀㊀㊀㊀㊀V o l ．３３㊀N o ．６㊀J u n ．２０１８㊀㊀收稿日期:２０１８Ｇ０１Ｇ１８;修订日期:２０１８Ｇ０４Ｇ０２．㊀㊀基金项目:国家自然科学基金资助项目(N o ．６１７０２１７９);湖南省自然科学基金资助项目(N o ．２０１７J J ３０９１,N o ．２０１６J J ２０５７);湖南省教育厅资助科研项目(N o ．１７C ０６４３,N o ．１５C ０５４６);湖南科技大学校级科研项目(N o ．E ５１７５４);中国博士后科学基金资助项目(N o ．２０１８M ６３２９９４);中南大学博士后基金(N o ．２０２５９４)．S u p p o r t e db y t h e N a t i o n a l N a t u r a lS c i e n c e F o u n d a t i o n o f C h i n a (N o ．６１７０２１７９);H u n a n P r o v i n c i a l N a t u r a l S c i e n c eF o u n d a t i o no fC h i n a (N o ．２０１７J J ３０９１;N o ．２０１６J J ２０５７);S c i e n t i f i cR e s e a r c hF u n do fH u Ｇn a nP r o v i n c i a l E d u c a t i o nD e pa r t m e n t (N o ．１７C ０６４３;N o ．１５C ０５４６);S c i e n t i f i cR e s e a r c hF u n do fH u n a n U n i v e r s i t y o fS c i e n c ea n d T e c h n o l o g y (N o ．E ５１７５４);C h i n a P o s t d o c t o r a lS c i e n c e F o u n d a t i o nf u n d e d p r o j e c t (N o ．２０１８M ６３２９９４);P o s t d o c t o r a l F o u n d a t i o no fC e n t r a l S o u t hU n i v e r s i t y (N o ．２０２５９４)㊀㊀∗通信联系人,E Ｇm a i l :l i a o m i a o h i ＠１６３．c o m文章编号:１００７Ｇ２７８０(２０１８)０６Ｇ０４７５Ｇ０８基于自适应局部增强的手机T F T ＧL C D 屏M u r a 缺陷自动检测廖㊀苗∗,刘毅志,欧阳军林,余建勇,肖文辉,彭㊀理(湖南科技大学计算机科学与工程学院,湖南湘潭４１１１００)摘要:针对手机屏幕图像整体亮度不均以及M u r a 缺陷对比度低等特点,提出一种基于自适应局部增强的M u r a 缺陷自动在线检测方法.首先对C C D 相机采集的手机屏幕原始图像进行感兴趣区域提取㊁几何校正㊁滤波等预处理,获取图像中的屏幕区域,然后将屏幕区域划分为多个不重叠的像素块,并根据每个像素块的灰度分布特征,采用自适应局部增强算法自动识别并定位图像中的M u r a 区域,最后考虑到M u r a 缺陷大小的不确定,提出采用多层级分块的方式对屏幕区域进行检测,提高算法鲁棒性.实验结果表明,相较现有多种屏幕缺陷自动检测算法,本文方法能更准确有效地识别手机屏幕中的M u r a 缺陷,且覆盖率和误检率分别为９１．１７％和５．８４％.关㊀键㊀词:T F T ＧL C D 屏;M u r a;图像增强;缺陷检测中图分类号:T P ３９１㊀㊀文献标识码:A㊀㊀d o i :１０．３７８８/Y J Y X S ２０１８３３０６．０４７５A u t o m a t i c d e t e c t i o no fM u r ad e f e c t i nT F T ＧL C D m o b i l e s c r e e n b a s e d o na d a pt i v e l o c a l e n h a n c e m e n t L I A O M i a o ∗,L I U Y i Ｇz h i ,O U Y A N GJ u n Ｇl i n ,Y U j i a n Ｇy o n g,X I A O w e n Ｇh u i ,P E N GL i (S c h o o l o f C o m p u t e rS c i e n c e a n dE n g i n e e r i n g ,H u n a nU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y ,X i a n gt a n ４１１１００,C h i n a )A b s t r a c t :A i m i n g a t t h ec h a r a c t e r i s t i c so fm o b i l es c r e e n i m a ge ,s u c ha sn o n Ｇu n if o r ml u m i n a n c ea n d l o wc o n t r a s t o fM u r a d e f e c t ,a n a u t o m a t i c o n Ｇl i n e d e t e c t i o nm e t h o d f o rM u r a d e f e c t b a s e d o n a d a pt i v e l o c a l e n h a n c e m e n t i s p r o p o s e d i nt h i s p a p e r ．F i r s t ,f o r t h eo r i g i n a lm o b i l es c r e e n i m a g ec a p t u r e db yC C Dc a m e r a ,p r e p r o c e s s i n g s t e p s i n c l u d i n g r e g i o no f i n t e r e s t e x t r a c t i o n ,g e o m e t r i c c o r r e c t i o n a n d f i l Ｇt e r i n g a r e a p p l i e d t o e x t r a c t t h e s c r e e n r e g i o n f r o mt h e o r i g i n a l i m a g e ．T h e n ,t h e s c r e e n r e gi o n i sd i Ｇv i d e d i n t om u l t i p l en o n Ｇo v e r l a p p i n gp i x e l b l o c k s ,a n dt h e M u r a r e g i o n s i ne a c hb l o c ka r e r e c o gn i z e da n dl o c a t e db y a d a p t i v el oc a le n h a n c e m e n ta c c o rd i n g t ot h ei n te n s i t y d i s t r i b u t i o n o fe a c h b l o c k．F i n a l l y,t o i n c r e a s e t h e r o b u s t n e s s of t h e a lg o r i th m,am u l t iＧl e v e l p a r ti t i o n i n g s c h e m e i s p r o p o s e d i n t h i s p a p e r t od e t e c t t h eM u r ad e f e c t sw i t hd i f f e r e n t s i z e s．E x p e r i m e n t a l r e s u l t s s h o wt h a t,c o m p a r e d t om a n y a u t o m a t i c s c r e e nd e f e c t d e t e c t i o nm e t h o d s,t h e p r o p o s e dm e t h o d c a nd e t e c t t h eM u r a d e f e c t s f r o m m o b i l e s c r e e nm o r e a c c u r a t e l y a n d e f f e c t i v e l y,a n d t h e p e r c e n t a g e s o f o v e r l a p p i n g a n dd e t e c t i o n e r r o r a r e９１．１７％a n d５．８４％,r e s p e c t i v e l y．K e y w o r d s:T F TＧL C Ds c r e e n;M u r a;i m a g e e n h a n c e m e n t;d e f e c t d e t e c t i o n１㊀引㊀㊀言㊀㊀随着现代电子信息技术的发展,手机薄膜晶体管液晶显示器(T h i nf i l m t r a n s i s t o rl i q u i d c r y s t a l d i s p l a y,T F TＧL C D)屏向大尺寸㊁轻薄化㊁高分辨率方向发展.T F TＧL C D结构复杂㊁制造工序繁多,生产过程中不可避免会出现点㊁线㊁m u r a等缺陷[１Ｇ２].点缺陷产生的主要原因是单个薄膜晶体管在制造过程中失效,线缺陷则多由驱动芯片与屏幕连接不良引起.点㊁线缺陷主要表现为亮点㊁暗点㊁色点㊁亮线㊁暗线和色线,易于观察和检测[３].M u r a一词来源于日语音译,意为云团㊁云斑 .M u r a缺陷是与点㊁线缺陷完全不同类型的缺陷,产生原因多样,包括偏光板材料质量较差㊁薄膜晶体管漏电不均和背光源发光不均等,主要表现为显示屏局部亮度不均,且具有形状㊁大小不固定㊁对比度低㊁边缘模糊等特点,必须在暗室环境,将T F TＧL C D屏设置为白屏模式时才能分辨[４].当前生产线上的M u r a缺陷检测主要依靠人工肉眼辨别,这种方法成本高㊁效率低㊁准确性低㊁主观性强,检测结果严重依赖于工作人员的经验,无法满足手机T F TＧL C D屏大批量㊁大尺寸㊁高品质的生产要求.因此,研究基于机器视觉的M u r a缺陷在线自动检测方法对于提高手机T F TＧL C D屏的生产效率和质量具有重要意义.目前,已有不少学者提出了多种T F TＧL C D 缺陷自动检测方法[５Ｇ６].G u等人[７]提出一种基于直方图分布模型的T F TＧL C D缺陷自动检测方法,通过估计背景像素的灰度分布范围确定候选缺陷区域,然后再根据局部直方图模型从候选缺陷区域中去除噪声干扰,得到最终检测结果.随后,G u和P a r k[８]提出采用基于类簇特征的概率密度函数区分T F TＧL C D缺陷与噪声,检测精度高于文献[７].W a n g等人[９]运用背景重构和多通道融合方法检测T F TＧL C D屏M u r a缺陷,该方法没有考虑T F TＧL C D屏图像整体亮度不均的情况.刘等人[１０]通过分析M u r a缺陷的产生原因㊁分布特点,提出基于二维图像拟合和韦伯定律的T F TＧL C D屏M u r a缺陷检测方法,该方法首先采用二维图像拟合技术对屏幕区域进行亮度校正,达到去除背景亮度不均㊁提高M u r a区域对比度的目的,然后根据人眼的感知规律,运用基于韦伯定律的自动阈值获取法分割M u r a区域,该方法对于尺寸较大的M u r a缺陷检测效果欠佳.许等人[１１]根据手机屏幕的灰度特征,提出基于数学形态学的手机屏幕缺陷检测方法,利用顶帽变换增强图像中的缺陷区域,并采用最大类间方差法对图像进行二值化,最后运用形态学开操作去除噪声,得到最终缺陷分割结果,该方法对于尺寸较大㊁特征明显的缺陷检测效果较好.针对现有方法的缺点与不足,本文提出一种新的基于自适应局部增强的手机T F TＧL C D屏M u r a缺陷自动检测方法,首先对C C D相机采集的手机屏幕图像进行预处理,提取图像中的T F TＧL C D屏幕区域,然后针对屏幕区域整体亮度不均以及M u r a缺陷对比度低的特点,采用分块处理的方式,根据局部灰度分布特征增强并识别图像中可能存在的M u r a区域,为了消除块处理带来的块效应,在进行自适应局部增强时采用成对不重叠的分块操作,最后为了适应不同尺寸大小的M u r a缺陷,提出多层级分块的检测方法,提高算法鲁棒性.２㊀算法描述２．１㊀预处理对于C C D相机采集的手机屏幕图像,首先进行感兴趣区域(r e g i o no f i n t e r e s t,R O I)提取㊁几何校正㊁灰度化以及滤波等预处理.图１(a)为６７４㊀㊀㊀㊀液晶与显示㊀㊀㊀㊀㊀㊀第３３卷㊀C CD 相机在暗室中采集的白屏模式下的手机图像,首先采用O t s u 算法[１２]对图像进行二值化并取最大连通域,以获取手机屏幕的R O I 区域,如图１(b)所示,然后提取感兴趣区域的四个顶点,如图１(b )中灰色空心点所示,再根据顶点坐标值计算出手机屏幕的偏移角度,通过旋转操作对屏幕进行几何校正,提取如图１(c )所示的手机屏幕图像,最后对校正后的屏幕图像进行灰度化以及中值滤波,达到去除噪声点㊁平滑图像的目的,最终得到如图１(d )所示的预处理结果,图中蓝色矩图１形标识区域即为待检测的M u r a 缺陷.图１㊀预处理F i g ．１㊀P r e p r o c e s s i n g２．２㊀自适应局部图像增强从图１可以看出,由C C D 相机采集的手机屏幕图像存在整体亮度不均的问题,如何在整体亮度不均的情况下,识别局部缺陷,是M u r a 检测的难点.此外,M u r a 缺陷具有形状不规则㊁位置不固定㊁对比度低㊁边缘模糊等特点,传统分割算法难以奏效.为了解决上述问题,本文采用分块的方式对图像进行增强处理,达到突出M u r a 缺陷特征的目的.以大小为１１６０ˑ２０６０的手机屏幕图像为例,首先将图像分成大小为３０ˑ１００的图像子块,如图２(a )所示,可以看到,尽管图像整体亮度不均,但进行分块处理之后,每个３０ˑ１００的图像子块亮度基本一致.对于每个图像子块中可能存在的M u r a 缺陷,采用公式(１)进行增强:f (I )＝e k (I －I m i n )(I m a x －I )(I m a x －I m i n)２,(１)其中:I 为图像灰度,k 为正常数,用于调节M u ra图２㊀手机屏幕图像局部增强示意F i g．２㊀I l l u s t r a t i o no fl o c a le n h a n c e m e n to f m o b i l e s c r e e n i m a ge 缺陷与正常区域的对比度,I m i n 和I m a x 为当前图像子块的最小和最大灰度估值,计算公式如下:I m i n ＝μ－２σ,(２)I m a x ＝μ＋２σ,(３)其中:μ和σ分别为图像子块的灰度均值与方差,根据高斯分布的概率理论,灰度范围[μ－２σ,μ＋２σ]包含整个子图像约９６％的像素.手机屏幕图像中像素的灰度偏离图像均值的程度越大,由公式(１)计算得到的f (I )值越小,表明该像素点属于M u r a 缺陷的概率越大,反之亦然.图２(b )为采用公式(１)进行增强的结果,图中红色圆圈标记区域即为M u r a 缺陷,可以看到,该M u r a 缺陷被有效增强,此外,由于对整幅图像进行分块处理,增强后的结果将不可避免地存在一定的块效应,即在子图像边界存在伪影痕迹.为了消除块效应,在进行手机屏幕图像的局部增强时,首先对图像进行两次分块操作,且确保两次分块操作得到的子图像边界不重合,如图２(a )和(c )所示,图２(a )和(c )分别将图像分成３０ˑ１００和１００ˑ３０的若干图像子块,然后采用公式(１)分别对两种分块方式得到的图像子块进行增强,得到如图２(b )和(d )所示的增强结果,分别定义为图像I １和I ２,最后取每个像素点(x ,y )在两幅图像中的较大值作为该像素点最终的增强结果I (x ,y ):I (x ,y )＝m a x (I １(x ,y ),I ２(x ,y ))．(４)７７４第６期㊀㊀㊀廖㊀苗,等:基于自适应局部增强的手机T F T ＧL C D 屏MU R A 缺陷自动检测图３(a)和(b)分别为最终增强结果的二维和三维显示,可以看到,原本模糊的M u r a缺陷被明显增强,同时背景区域被有效抑制,采用阈值法即可将M u r a缺陷分割出来.图３㊀最终增强结果的F i g．３㊀F i n a l e n h a n c e m e n t r e s u l t s s h o w n i n ２．３㊀多层级分块处理３．２节提出的局部图像增强方法只针对分块处理后,大小明显小于其所在子图像的M u r a缺陷有效.当M u r a区域面积较大㊁超过子图像的一半时,上述方法将失效.为了解决该问题㊁提高算法鲁棒性,本文采用多层级分块的方式对手机屏幕图像进行局部增强,如图４所示,随着层级的增加㊁子图像数目增加㊁子图像大小减小,这样就能确保尺寸较大和较小的M u r a缺陷分别在低层级和高层级被检测出来.需注意,为了消除块效应,每一层级的分块操作均是成对出现的.图５为本文算法的具体流程.首先对C C D相机采集的手机屏幕原始图像进行预处理获取屏幕区域,然后初始化层级l＝１,在层级l上对屏幕区域进行自适应局部图像增强,并通过二值化获取该层级的M u r a缺陷检测结果,接下来判断l是否满足lɤL m a x,如果满足,则将层级l加一,并重复自适应局部图像增强以及二值化操作获取该层级上的M u r a缺陷检测结果,否则将各个层级检测出的M u r a缺陷进行合并,即可得到最终检测结果.综合考虑检测精度和时效性,本文所有实验均取L m a x＝３.图４㊀多层级分块示意F i g．４㊀I l l u s t r a t i o no fm u l t iＧl e v e l b l o c k i ng图５㊀本文算法流程F i g．５㊀F l o w c h a r t o f t h e p r o p o s e dm e t h o d３㊀实验结果与分析实验数据集包含４０幅由C C D工业相机在暗室环境中采集的白屏模式下的手机屏幕图像,每幅图像均存在不同尺寸和数目的M u r a缺陷,图像大小均为３３６０ˑ２７１２.图６为采用本文方法对随机挑选的几幅原始图像进行实验得到的结果,第一行为原始图像,第二行为提取的手机屏幕图像,第三行至第五行分别为采用O T S U算法㊁文献[１０]和文献[１１]方法得到的检测结果,最后一行为本文方法检测结果.可以看到,采用O T S U算法虽然能检测出M u r a缺陷,但是由于手机屏幕存在整体亮度不均,因此,亮度较大的正常区域被大范围误检(见图６第三行).文献[１０]采用顶帽变换增强缺陷部分,然后利用最大类间方差法提取屏幕缺陷,从图６第四行所示结果可以看出,虽然M u r a缺陷均被有效检测,但同时存在较多正常区域被误检测.文献[１１]采用二维拟合方法对屏幕亮度不均进行校正,由于屏幕边界部分的灰度不均情况较为严重,二维拟合通常难以奏效,因此该方法检测结果中除M u r a缺陷㊁部分边缘正常区域也被检测出来了.针对手机屏幕整体亮度不均以及M u r a缺陷特征不明显等问题,本文提出采用多层级分块以及局部自适应增强法进行检测,从图６可以看出,本文方法不存在任何误检区域,检测结果明显优于O T S U㊁文献[１０]和[１１]方法.８７４㊀㊀㊀㊀液晶与显示㊀㊀㊀㊀㊀㊀第３３卷㊀图６㊀实验结果．第一行为原始图像,第二行为手机屏幕提取结果,第三行为O T S U算法结果,第四行为文献[１０]结果,第五行为文献[１１]结果,最后一行为本文方法结果.F i g．６㊀E x p e r i m e n t a l r e s u l t s．T h ef i r s tr o wi so r i g i n a l i m a g e s,t h es e c o n dr o wi st h ee x t r a c t i o nr e s u l t so fm o b i l e s c r e e n,t h e t h i r d r o wi s t h ed e t e c t i o nr e s u l t so fO T S U m e t h o d,t h e f o r t hr o wi sd e t e c t i o nr eＧs u l t s o f t h em e t h o d i n[１０],t h e f i f t h r o w i s d e t e c t i o n r e s u l t s o f t h em e t h o d i n[１１],a n d t h e l a s t r o w i sd e t e c t i o n r e s u l t s o f t h e p r o p o s e dm e t h o d．９７４第６期㊀㊀㊀廖㊀苗,等:基于自适应局部增强的手机T F TＧL C D屏MU R A缺陷自动检测㊀㊀为了进一步验证算法的检测性能,采用覆盖率O L和误检率D E对检测结果进行定量评价,分别定义如下:O L＝２ˑ(R dɘR t)(R dɣR t)＋(R dɘR t),(５) D E＝W１＋W２２ˑR t,(６)其中:R d为算法检测出的M u r a缺陷像素数目, R t为真实存在的M u r a缺陷像素数目,W１为将正常屏幕判定为M u r a缺陷的像素数目(误检部分),W２为将M u r a缺陷判定为正常屏幕的像素数目(漏检部分).O L越大且D E越小表示算法检测效果越好.表１为图６所示实验结果的定量评价,可以看到,相较其他方法,本文方法均能取得较高的覆盖率O L值和较低的误检率D E值,表明本文方法能更准确的检测M u r a缺陷且存在较小误检区域.表２为不同算法对测试数据集中４０幅图像进行检测的统计结果比较,可以看到本文方法计算得到的覆盖率O L和误检率D E的均值分别明显高于和低于其他方法,标准差主要用于评价算法的鲁棒性,可以看到,在取得较高覆盖率均值和较低误检率均值的前提下,本文方法同时还能获得较低的标准差,表明本文方法在手机屏幕M u r a缺陷检测上具有较高的准确率和较强的鲁棒性.此外,表２还给出了不同算法的平均运算时间(I n t e l双核i３Ｇ３．２９G h zC P U,４．０G b R AM的P C机,W i n d o w sX P环境下M a t l a b７．１１编程),对于一幅３３６０ˑ２７１２的测试图像,本文算法的平均运行时间为９．０７s,明显优于文献[１１]方法,虽然O t s u和文献[１０]算法的运行时间低于本文方法,但这两种方法在检测准确性方面远远低于本文方法.表１㊀图６所示实验结果的定量评价T a b．１㊀Q u a n t i t a t i v e e v a l u a t i o no f t h e e x p e r i m e n t a l r e s u l t s i nF i g．６方法图６第１列图６第２列图６第３列O L/％D E/％O L/％D E/％O L/％D E/％O t s u０．０４１０９１４．５００．３６１５７４２．８５０．２６３８０５４．３６文献[１０]１．０２９７２７．５８１０．４４８５７．５９５．１５１８４０．４６文献[１１]８．５３１０７１．９８６４．４９５４．６８２５．８７２８１．４５本文方法８６．８９７．５５８９．６７６．８２９６．２９３．６４表２㊀不同算法对测试数据集中４０幅图像进行检测的统计结果比较T a b．２㊀S t a t i s t i c a l r e s u l t c o m p a r i s o no f d i f f e r e n tm e t h o d s f o r４０i m a g e s i n t e s t i n g d a t a b a s e方法覆盖率O L误检率D E均值/％标准差/％均值/％标准差/％平均运行时间/sO t s u０．３１０．１８１６４５８．４２１２５１２．７０１．４１文献[１０]０８．０１４．４７３５４７．３１４２０６．６９３．８７文献[１１]４８．１５２６．７２３９４．３７４８４．９５１７．７７本文方法９１．１７４．２２５．８４２．５６９．０７４㊀结㊀论本文提出了一种基于自适应局部增强的手机T F TＧL C D屏M u r a缺陷自动在线检测方法,首先对C C D相机采集的手机屏幕图像进行屏幕区域提取㊁几何校正㊁滤波等预处理,然后针对屏幕图像整体亮度不均,提出采用分块处理的方式进行自适应０８４㊀㊀㊀㊀液晶与显示㊀㊀㊀㊀㊀㊀第３３卷㊀局部增强,根据每个局部像素块的灰度分布特征,自动识别并分割其中可能存在的M u r a 区域,为了避免块操作在像素块边缘产生伪影,在进行自适应局部增强时采用成对不重叠的分块方式进行处理,此外,考虑到M u r a 缺陷出现的位置㊁大小不确定,采用单一固定大小对图像进行分块操作无法适应M u r a 缺陷的多样性,提出多层级分块的检测方法.通过对４０幅C C D 相机采集的手机T F T ＧL C D 屏图像进行检测,结果表明本文方法在识别和定位M u r a 缺陷方面明显优于其他多种自动检测方法,且对于一幅３３６０ˑ２７１２的手机屏幕图像,平均检测时间为９．０７s,满足在线检测要求.参㊀考㊀文㊀献:[１]㊀高如新,任晓朵,吴献,等．基于图像处理的手机屏幕缺陷检测系统研究[J ]．测控技术,２０１７,３６(４):２６Ｇ３０．G A O RX ,R E NXD ,WU X ,e t a l ．R e s e a r c ho nm o b i l e p h o n e s c r e e nd e f e c t d e t e c t i o n s y s t e mb a s e d o n i m a ge p r o Ｇc e s s i n g [J ]．M e a s u r e m e n t&C o n t r o lT e c h n o l o g y ,２０１７,３６(４):２６Ｇ３０．(i nC h i n e s e )[２]㊀C E N Y G ,Z HA O RZ ,C E NL H ,e t a l ．D ef e c t i n s p e c t i o n f o rT F T ＧL C D i m ag e s b a s e do n th e l o w Ｇr a n km a t ri x r e Ｇc o n s t r u c t i o n [J ]．N e u r o c o m p u t i n g ,２０１５,１４９:１２０６Ｇ１２１５．[３]㊀刘波,李新华,钱翔,等．手机屏幕图像缺陷的实时检测[J ]．计算机工程与应用,２０１０,４６(２８):７７Ｇ７９．L I U B ,L IX H ,Q I A N X ,e t a l ．R e a l t i m ed e t e c t i o no f i m a g ed e f e c t f o r p h o n eL C Ds c r e e n [J ]．C o m p u t e rE n gi Ｇn e e r i n g a n dA p p l i c a t i o n s ,２０１０,４６(２８):７７Ｇ７９．(i nC h i n e s e )[４]㊀F A NSKS ,C HU A N GYC ．A u t o m a t i c d e t e c t i o n o fM u r a d e f e c t i nT F T ＧL C Db a s e d o n r e g r e s s i o nd i a g n o s t i c s [J ]．P a t t e r nR e c o gn i t i o nL e t t e r s ,２０１０,３１(１５):２３９７Ｇ２４０４．[５]㊀J I A N CX ,C A OJ ,A O Y H．A u t o m a t i c s u r f a c e d e f e c t d e t e c t i o n f o rm o b i l e p h o n e s c r e e n g l a s s b a s e d o nm a c h i n e v i Ｇs i o n [J ]．A p p l i e dS o f tC o m p u t i n g ,２０１７,５２:３４８Ｇ３５８．[６]㊀温招洋,周亚丽,张奇志．基于D C T 和O t s u 的L C D 缺陷检测算法[J ]．北京信息科技大学学报:自然科学版,２０１７,３２(２):５０Ｇ５４．W E NZY ,Z HO U YL ,Z HA N GQZ ．D e f e c t d e t e c t i o n a l g o r i t h mo f L C Db a s e d o nD C Ta n dO t s u [J ]．J o u r n a l o f B e i j i n g I n f o r m a t i o nS c i e n c e&T e c h n o l o g y U n i v e r s i t y ,２０１７,３２(２):５０Ｇ５４．(i nC h i n e s e )[７]㊀G U E ,P A R K K H ,L E EJ H ,e ta l ．T F T ＧL C Dd e f e c td e t e c t i o nb a s e do nh i s t o g r a m d i s t r i b u t i o n m o d e l i n g [J ]．J o u r n a l o f K o r e a M u l t i m e d i aS o c i e t y ,２０１５,１８(１２):１５１９Ｇ１５２７．[８]㊀G U E ,P A R K K H．D e f e c tD e t e c t i o na l g o r i t h mo fT F T ＧL C D p o l a r i z i n g f i l mu s i n g t h e p r o b a b i l i t y d e n s i t y f u n c t i o n b a s e do n c l u s t e r c h a r a c t e r i s t i c [J ]．J o u r n a l o f K o r e a M u l t i m e d i aS o c i e t y ,２０１６,１９(３):６３３Ｇ６４１．[９]㊀WA N G X ,D O N G R ,L IB ．T F T ＧL C D M u r ad e f e c t d e t e c t i o nb a s e do nI C Aa n d m u l t i Ｇc h a n n e l s f u s i o n [C ]//P r o Ｇc e ed i n g s o f ３r dI n te r n a t i o n a l C o nf e r e n c e o n I n f o r m a t i o nS c i e n c e a n dC o n t r o lE ng i n e e r i n g ．B e i j i n g ,C h i n a :I E E E ,２０１６:６８７Ｇ６９１．[１０]㊀许祖鑫,毕明德,孙志刚．基于数学形态学的手机屏缺陷检测算法设计[J ]．电气自动化,２０１３,３５(３):９９Ｇ１０１,１０５．X UZX ,B IM D ,S U NZG．D e s i g no f d e f e c t i n s p e c t i o n a l go r i t h mf o rm o b i l e s c r e e nb a s e do nm a t h e m a t i c a lm o r Ｇp h o l o g y [J ]．E l e c t r i c a lA u t o m a t i o n ,２０１３,３５(３):９９Ｇ１０１,１０５．(i nC h i n e s e )[１１]㊀刘毅,郑学仁,王亚南,等．MA T L A B 在T F T ＧL C D 屏显示MU R A 缺陷检测的应用[J ]．液晶与显示,２００７,２２(６):７３１Ｇ７３６．L I U Y ,Z H E N G XR ,WA N G Y N ,e t a l ．A p pl i c a t i o no fMA T L A B i nT F T ＧL C D sMU R Ad e f e c t d e t e c t i o n [J ]．C h i n e s eJ o u r n a l o f L i q u i dC r y s t a l s a n dD i s p l a ys ,２００７,２２(６):７３１Ｇ７３６．(i nC h i n e s e )[１２]㊀O T S U N．At h r e s h o l ds e l e c t i o n m e t h o d f r o m g r a y Ｇl e v e l h i s t o g r a m s [J ]．I E E E T r a n s a c t i o n s o nS ys t e m s ,M a n ,a n dC yb e r n e t ic s ,１９７９,９(１):６２Ｇ６６．作者简介:廖苗(１９８８－),女,湖南常德人,博士,讲师,主要研究方向:数字图像处理㊁模式识别与人工智能.E Ｇm a i l :l i a o Ｇ１８４第６期㊀㊀㊀廖㊀苗,等:基于自适应局部增强的手机T F T ＧL C D 屏MU R A 缺陷自动检测２８４㊀㊀㊀㊀液晶与显示㊀㊀㊀㊀㊀㊀第３３卷㊀m i a o h i＠１６３．c o m刘毅志(１９７３－),男,湖南衡阳人,博士,副教授,主要研究方向:数字图像处理㊁多媒体内容分析.EＧm a i l: y i z h i_l i u＠s i n a．c n欧阳军林(１９７７－),男,湖南湘乡人,博士,讲师,主要研究方向:数字图像取证,深度学习.EＧm a i l:y a n g j u nＧl i n０７３２＠１６３．c o m余建勇(１９７５－),男,湖南醴陵人,博士,讲师,主要研究方向:机器学习㊁多智能系统.EＧm a i l:y u j y o n g＠h n u s t．e d u．c n肖文辉(１９８１－),女,湖南双峰人,博士生,讲师,主要研究方向:数字图像处理.EＧm a i l:w h x i a o＠h n u s t．e d u．c n彭理(１９８１－),女,湖南长沙人,博士生,讲师,主要研究方向:机器学习㊁生物信息处理.EＧm a i l:p l p e n g＠h n u．e d u．c n。

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)。

关键词：缺陷检测；ROI 识别；特征提取；手机液晶屏
I
安徽大学硕士学位论文
手机屏幕图像缺陷检测方法的研究
Abstract
With the rapid progress of technology and industry, LCD screen electronic products have become an integral part of our lives and production. Reality shows a higher and higher request on the quality of LCD screen of these products, while the current level of technology can not avoid sorts of defects. So, the first problem ,which LCD manufactures need to face, is how to identify and solve the defects of the LCD screen rapidly and accurately. Current image defects of LCD products mainly rely on manual inspection that neither meet the accuracy detection of defects in LCD screen, nor guarantee the stability of test results. This thesis is precisely solves this problem as a starting point by using the mobile LCD screen as object of study and combining digital image processing, pattern recognition and computer technology, and in view of the common image defects, referring to the requirements of industrial production detection algorithm on efficiency and accuracy. This thesis have researched and designed an efficient detection algorithm. Simulation experiment results demonstrated my algorithm is efficiency and accurate on the image defects detection. First to standardize design of the mobile transmission system, and equip with acquisition equipments of appropriate models of high-speed image acquisition card, monitoring camera and computer equipment, complete the preparations of the hardware conditions. In the detection process, use surveillance camera to get the mobile image at first. And the images data are captured from the buffer of image acquisition card quickly by directshow technology. Then the weighted-averaged frame of bad frames could reduce the bad effect of the bad frames which are brought about by the harsh environment of image acquisition. In the image preprocessing stage, the noise will be removed by Gaussian pyramid sampling. Dynamic threshold value, getting from each RGB 3-channels by recursive iteration, will be helpful to detecting the screen rectangle by identifying and extracting shape feature of the image, and then using image two-dimensional geometric transformation to auto-correct the mobile
II
安徽大学硕士学位论文
Abstract
position, extracting ROI. There is the end of image preprocessing. Finally, it detects the contours of defect using the Canny algorithm, and combine with Douglas-Peucker algorithm and Freeman chain code. It extracts the information of defect, and then testing the image defects of mobile screen: the number of bad pixels, geometric distortion, chromatic aberration. This algorithm is stable and efficient. It can be widely used in LCD products for image defect detection relying on the relevant national standards, and it is worth promoting.
安徽大学硕士学位论文手机屏幕图像缺陷检测方法的研究姓名：刘波申请学位级别：硕士专业：信号与信息处理指导教师：李新华 2010-05
安徽大学硕士学位论文
摘
要
摘
要
随着科技与工业水平的突飞猛进，液晶屏类电子产品逐渐成为我们生活和生产中不可或缺的要素。现实对电子产品的液晶屏幕的品质要求日益提高，而当前的科技水平还无法避免各种各样的缺陷。那么，如何快速、准确地检测、识别液晶屏幕的缺陷将是这类产品生产企业首先必须面对和解决的问题。当前液晶屏类产品图像缺陷主要依靠人工检测，这种检测手段不能满足工业生产对液晶屏幕缺陷检测准确性的要求，也不能保证检测结果的稳定性。本课题正是以解决这一问题作为出发点，以手机液晶屏幕为研究对象，结合利用数字图像处理、模式识别以及计算机技术，针对液晶屏幕的常见图像缺陷，参照工业生产中对检测算法高效性、准确性的要求，研究并设计了一种高效的检测方案。仿真实验的结果证实了本检测方案能够实现对图像缺陷的自动、高效、准确的检测。先对手机传送系统进行标准化设计，并配备合适型号的高速图像采集卡、监控摄像头以及计算机等采集设备，完成硬件条件的准备工作。检测过程中，首先用监控摄像头采集手机图像。再利用 directshow 技术从图像采集卡缓存区快速获取图像数据；其次，将多帧图像加权平均处理，用以剔除恶劣的图片采集环境造成的坏帧影响。在图像预处理阶段，通过高斯金字塔采样去噪及分别从 RGB 三通道递归迭代获得自适应分割阈值；识别并提取图片中的形状特征，获得屏幕矩形外框信息；运用图像二维几何变换自动校正手机姿势，继而提取 ROI，完成图像的预处理；最后，利用 Canny 算法检测缺陷轮廓，结合 Douglas-Peucker 算法与弗里曼链码提取缺陷信息，最终检测手机屏幕图像缺陷：坏点数目，几何失真度，色差。算法稳定、高效，依托相关国家标准，可广泛应用于液晶屏类产品的图像缺陷检测，具有一定的推广价值。
图 3-3 RGB 颜色模型示意图 ...........................................................................24 图 3-4 图 3-5 图 3-6 图 3-7 图 3-8 图 3-9 图 3-10 原点在结构元素的外围情况下的腐蚀运算 ........................................26 原点在结构元素的内部情况下的腐蚀运算 ........................................27 原点在结构元素的外围情况下的膨胀运算 ........................................27 原点在结构元素的内部情况下的膨胀运算 ........................................28 图像金字塔示意图 ................................................................................31 高斯金字塔建立流程图 ........................................................................32 高斯金字塔下采样图像 ......................................................................33
Keywords:Defect detection；ROI identification；Feature extraction；Mobile LCD screen