一种基于样本学习和人眼视觉特性的mura缺陷检测方法技术

本发明专利技术公开了一种基于样本学习和人眼视觉特性的mura缺陷检测方法，属于TFT‑LCD显示缺陷检测领域。本发明专利技术先利用高斯滤波平滑和Hough变换矩形检测对TFT‑LCD显示屏图像进行预处理，去除大量噪声并分割出待检测图像区域；接着引入学习机制，利用PCA算法对大量无缺陷样本进行学习，自动提取背景与目标的差异特征，重建出背景图像；然后对测试图像与背景的差分图像进行阈值化，通过对背景重建和阈值计算联合建模，基于训练样本的学习，建立出背景结构信息与阈值之间的关系模型，并提出基于人眼视觉特性的自适应分割算法。本发明专利技术的主要用途是检测出TFT‑LCD液晶显示屏中不同类型的mura缺陷，提高良品率，对mura缺陷的检测精度较高。

A mura defect detection method based on sample learning and human visual characteristics

The invention discloses a mura defect detection method for sample learning and human visual system based on TFT belongs to the field of LCD display defect detection. The present invention uses Gauss filtering and Hough transform rectangle detection for the pretreatment of TFT LCD display image, to remove a lot of noise and segmentation of image regions; then introduce learning mechanism, a large number of defect free samples using PCA algorithm, different feature automatic extraction of background and object, then reconstruct the background image; the test image and the background image difference threshold, by calculating the joint modeling of the background reconstruction and threshold training sample based learning, establish a relationship model between the background and structure of information threshold, and puts forward the adaptive segmentation algorithm based on hvs. The main purpose of the present invention is to detect different types of defects in TFT Mura LCD LCD screen, to improve yield, high detection accuracy of Mura defects.

【技术实现步骤摘要】

本专利技术属于TFT-LCD显示缺陷检测
，具体涉及一种基于样本学习和人眼视觉特性的mura缺陷检测方法。
技术介绍
TFT-LCD液晶显示器上的mura缺陷就是一种典型的低对比度目标。Mura来源于日语，用来描述人观看显示器时感知到的亮度不均衡性。在视觉上，mura缺陷一般表现为可被人眼感知的、没有固定形状、边缘模糊的低对比度区域。而伴随着微电子技术的迅速发展，液晶显示器正向着大画面、低功耗、轻薄化、高分辨率的方向发展。这样的趋势在带来高视觉效果和便携性等诸多优点的同时也会使得产生显示缺陷的几率大大增加。当前国内LCD制造业对mura缺陷的检测大多数都还未脱离人工检测阶段，由经过培训的工人直接观察确定LCD是否存在mura缺陷。但由于人工检测成本较高，检测时间较长，因此只能进行抽样检查，且人工评判标准不一，主观性较强，长时间工作易造成人眼疲劳，这些缺点均成为限制产线生产效率及检测精度提高的重要问题。同时人工检测的准确率不可控，可靠性相对较低。综上所述，研究一种快速、稳定且符合人眼视觉感知特性的低对比度缺陷的自动检测、分级方法成为液晶显示技术发展过程中急需解决的难题。当前国内外研究学者已经提出多种mura检测方法，研究方向主要可以分成3类：1)直接分割的方法；2)背景重建的方法；3)混合方法及其他方法。其中，直接分割的方法主要有离散小波变换、主动轮廓模型、各项异性扩散模型和水平集等，但是mura缺陷没有明显的边缘，传统的图像分割算法很难准确地分割出目标区域。基于背景重建的方法主要有二维余弦变换(discretecosinetransfer，DCT)、小波变换(wavelettransform，WT)、主成分分析PCA、奇异值分解SVD、稀疏性限制下的低秩矩阵重建等，例如Jun-WooYun等于2014年在《1stIEEEInternationalConferenceonConsumerElectronics-Taiwan》上发表的《AutomaticmurainspectionusingtheprincipalcomponentanalysisfortheTFT-LCDpanel》中提出先提取待测图片中的信息作为样本，然后分别提取行、列像素灰度分布组成样本集，用PCA的方法分别训练、重建背景，然后融合两者的检测结果。该方法只基于测试图片本身的信息来重建背景，很容易受大小不一、对比度不一的mura缺陷区域的影响，因此无法重建出完美的背景图像，特别是无法检测出大面积的mura区域。混合方法及其他方法主要有小波分解与提取灰度共生矩阵结合的特征分类方法，以及一种基于霍夫变换的非稳定性直线检测方法，但此类方法只适用于定性缺陷检测，仅能判断缺陷的有无。此外，在阈值分割部分，待分割的差分图中可能包含了目标区域，整体均值和方差就会受到干扰，传统的阈值化方法无法准确地分割出mura区域。于是Fan等人于2010年在《Patternrecognitionletters》发表的《AutomaticdetectionofMuradefectinTFT-LCDbasedonregressiondiagnostics》中，先排除潜在mura区域的像素后再计算均值和方差，然后进行阈值化分割。但是潜在mura区域很难确定，很容易产生误差。经检索，关于TFT-LCD的mura缺陷检测方面的公开专利不多。如，申请人于2016年4月7日申请的申请号为201610213064.9的专利技术专利公开了一种基于ICA学习和多通道融合的TFT-LCDmura缺陷检测方法，该申请案利用FastICA算法从样本图像中分离出的图像基，并使用图像基重建出背景图像，然后对测试图像与背景的差分图像进行阈值化，并引入多色彩通道融合的检测方案。该申请案能适应不同类型的mura缺陷检测，过检、漏检现象较少，但其在算法稳定性和时间效率上有所欠缺。
技术实现思路
1.专利技术要解决的技术问题本专利技术的目的在于克服现有技术中通常采用人工对TFT-LCD液晶显示器上的mura缺陷进行检测，检测成本相对较高，检测时间长，检测精度及产线生产效率较低，且现有mura缺陷自动检测方法的检测精度及检测效率相对较低的不足，提供了一种基于样本学习和人眼视觉特性的mura缺陷检测方法。本专利技术挑选大量无缺陷样本构建训练样本集，使用PCA算法从样本集中提取代表背景结构信息的特征向量，同时对背景重建和阈值计算联合建模，基于对训练样本的学习，建立背景结构信息与阈值之间的关系模型，从而最大限度地降低了目标对阈值确定的影响，能够获得鲁棒的检测结果。在线检测过程中，将测试图像投影到特征向量空间上，重构出背景图像，再使用基于人眼视觉特性的阈值化模型准确分割出差分图中的mura区域。在检测速度方面，因为背景重建只是简单的矩阵乘除算法，计算速度很快，满足了工业生产对检测速度的要求。2.技术方案为达到上述目的，本专利技术提供的技术方案为：本专利技术的基于样本学习和人眼视觉特性的mura缺陷检测方法，该方法先利用高斯滤波平滑和Hough变换矩形检测对TFT-LCD显示屏图像进行预处理，以去除噪声并分割出待检测图像区域；接着引入学习机制，利用PCA算法对大量无缺陷样本进行学习，自动提取背景与待检测目标的差异特征，重建出背景图像；然后对测试图像与背景的差分图像进行阈值化，为降低目标大小变化对阈值确定的影响，通过对背景重建和阈值计算联合建模，基于训练样本的学习，建立出背景结构信息与阈值之间的关系模型，并提出基于人眼视觉特性的自适应分割算法，从而准确地将mura缺陷从背景图像中分割出来。更进一步的，本专利技术的基于样本学习和人眼视觉特性的mura缺陷检测方法的步骤为：离线学习过程：第1步：采集图片，获取TFT-LCD液晶屏显示图片；第2步：对采集的源图像进行平滑去噪预处理；第3步：待检测目标图像的分割；第4步：选择N张无缺陷的图片(尺寸为w×h)作为训练背景模型的样本集，构建出(w×h)×N的样本矩阵，利用PCA提取学习背景图像集样本矩阵的特征向量，并保存前90％的特征向量信息，即得到背景特征向量矩阵U；第5步：另外选择M张无缺陷的图片作为训练阈值模型的样本集，将样本集图片投影到背景特征向量空间U上得到特征系数，利用特征系数重建出背景图像，原图减去背景图像得到差分图，将差分图像灰度像素值的均值、方差与背景结构信息建模，即学习得到差分图像灰度像素值的均值、方差与背景特征向量的关系模型；在线检测过程：第6步：实时采集待检测的图像，进行平滑去噪预处理，并分割出目标测试图像；第7步：将分割获得的目标测试图像投影到背景特征向量U上，得到特征系数，利用特征系数重建出背景图像；第8步：将目标测试图像减去背景图像获得差分图，利用第5步得到的差分图像灰度像素值的均值、方差与背景特征向量之间的关系模型求得差分图的均值与方差，结合国际半导体设备与材料组织(SEMI)给出的mura缺陷刚好可察觉(JustNoticeableDifference,JND)指标建立基于人眼视觉特性的阈值化模型，利用阈值化模型分割出mura目标区域，输出检测结果。更进一步的，第2步及第6步中采用高斯滤波对采集到的图片进行平滑去噪处理，所用高斯模板窗口大小为3×3。更进一步本文档来自技高网...

【技术保护点】
基于样本学习和人眼视觉特性的mura缺陷检测方法，其特征在于：本方法先利用高斯滤波平滑和Hough变换矩形检测对TFT‑LCD显示屏图像进行预处理，以去除噪声并分割出待检测图像区域；接着引入学习机制，利用PCA算法对大量无缺陷样本进行学习，自动提取背景与待检测目标的差异特征，重建出背景图像；然后对测试图像与背景的差分图像进行阈值化，为降低目标大小变化对阈值确定的影响，通过对背景重建和阈值计算联合建模，基于训练样本的学习，建立出背景结构信息与阈值之间的关系模型，并提出基于人眼视觉特性的自适应分割算法，从而准确地将mura缺陷从背景图像中分割出来。

【技术特征摘要】
1.基于样本学习和人眼视觉特性的mura缺陷检测方法，其特征在于：本方法先利用高斯滤波平滑和Hough变换矩形检测对TFT-LCD显示屏图像进行预处理，以去除噪声并分割出待检测图像区域；接着引入学习机制，利用PCA算法对大量无缺陷样本进行学习，自动提取背景与待检测目标的差异特征，重建出背景图像；然后对测试图像与背景的差分图像进行阈值化，为降低目标大小变化对阈值确定的影响，通过对背景重建和阈值计算联合建模，基于训练样本的学习，建立出背景结构信息与阈值之间的关系模型，并提出基于人眼视觉特性的自适应分割算法，从而准确地将mura缺陷从背景图像中分割出来。2.根据权利要求1所述的基于样本学习和人眼视觉特性的mura缺陷检测方法，其特征在于，其步骤为：离线学习过程：第1步：采集图片，获取TFT-LCD液晶屏显示图片；第2步：对采集的源图像进行平滑去噪预处理；第3步：待检测目标图像的分割；第4步：选择N张无缺陷的图片(尺寸为w×h)作为训练背景模型的样本集，构建出(w×h)×N的样本矩阵，利用PCA提取学习背景图像集样本矩阵的特征向量，并保存前90％的特征向量信息，即得到背景特征向量矩阵U；第5步：另外选择M张无缺陷的图片作为训练阈值模型的样本集，将样本集图片投影到背景特征向量空间U上得到特征系数，利用特征系数重建出背景图像，原图减去背景图像得到差分图，将差分图像灰度像素值的均值、方差与背景结构信息建模，即学习得到差分图像灰度像素值的均值、方差与背景特征向量的关系模型；在线检测过程：第6步：实时采集待检测的图像，进行平滑去噪预处理，并分割出目标测试图像；第7步：将分割获得的目标测试图像投影到背景特征向量U上，得到特征系数，利用特征系数重建出背景图像；第8步：将目标测试图像减去背景图像获得差分图，利用第5步得到的差分图像灰度像素值的均值、方差与背景特征向量之间的关系模型求得差分图的均值与方差，结合国际半导体设备与材料组织(SEMI)给出的mura缺陷刚好可察觉(JustNoticeableDifference,JND)指标建立基于人眼视觉特性的阈值化模型，利用阈值化模型分割出mura目标区域，输出检测结果。3.根据权利要求2所述的基于样本学习和人眼视觉特性的mura缺陷检测方法，其特征在于：第2步及第6步中采用高斯滤波对采集到的图片进行平滑去噪处理。4.根据权利要求2所述的基于样本学习和人眼视觉特性的mura缺陷检测方法，其特征在于：第3步及第6步中针对TFT-LCD的矩形几何特性，引入基于Hough直线变换的矩形检测算法对目标区域进行分割，充分利用YIQ色彩空间亮度、色度信息分离的特性检测边缘，得到封闭的矩形区域四边，在无畸变的原图中获得很好的分割效果，准确地将待检测目标图像分割出来。5.根据权利要求2-4中任一项所述的基于样本学习和人眼视觉特性的mura缺陷检测方法，其特征在于：第4步中学习得到样本矩阵的特征向量矩阵的具体方法如下：(a)构造背景训练样本矩阵取N幅无缺陷的尺寸为w×h的图像矩阵X，每一个图像矩阵X向量化为(w×h)×1的列向量，合并成一个(w×h)×N的样本矩阵I；(b)计算...

【专利技术属性】
技术研发人员：李勃，王秀，贲圣兰，史德飞，董蓉，何玉婷，朱赛男，俞芳芳，朱泽民，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32