[发明专利]一种基于样本学习和人眼视觉特性的mura缺陷检测方法

说明书

本发明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。

技术领域

本发明属于TFT-LCD显示缺陷检测技术领域，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。

背景技术

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(discrete cosine transfer，DCT)、小波变换(wavelet transform，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-Woo Yun等于2014年在《1st IEEE International Conference on Consumer Electronics-Taiwan》上发表的《Automatic mura inspection using the principal component analysis for theTFT-LCD panel》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《Pattern recognition letters》发表的《Automatic detection of Mura defect inTFT-LCD based on regression diagnostics》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。