一种基于AOI的显示面板缺陷分类方法及装置与流程

本发明涉及显示面板检测
技术领域：
，具体涉及到一种基于aoi的显示面板缺陷分类方法及装置。
背景技术：
：平面显示器具有高分辨率、高灰度以及无几何变形等优点，同时由于其体积小、重量轻和功耗低，因而被广泛的应用在人们日常使用的消费电子产品中，例如电视、电脑、手机、平板等。显示面板是平面显示器具的主体组成部分，其制造工艺复杂，而且随着显示面板的尺寸越做越大，其灰度的均匀性也越来越难控制，因此在制造过程中难免会出现各种显示缺陷，如亮点/暗点/异物亮/bl异物(背光异物)/白点/亮暗线/mura等显示缺陷。目前，显示面板产线上一般采用肉眼识别显示缺陷数量及类型的方式对显示面板进行等级判定，检测效率低、误检率高。技术实现要素：针对上述现有技术的不足，本发明公开一种基于aoi的显示面板缺陷分类方法及装置，通过自动提取显示面板的缺陷特征信息，及自动识别显示缺陷的数量及类型，实现了显示面板的缺陷识别、等级判定的自动化程度，能极大的提升显示面板缺陷识别和等级判定的检测效率和精确度。为实现上述目的，本发明提供一种基于aoi的显示面板缺陷分类方法，包括以下步骤：1)采集显示面板的显示画面，并提取该显示画面的缺陷特征属性向量d；2)提供一缺陷特征属性描述集合m，该缺陷特征属性描述集合m包括多种缺陷类型的特征属性描述向量m；将该缺陷特征属性向量d分别与每种缺陷类型的特征属性描述向量m进行卷积，生成一组卷积值；其中，最大的卷积值对应的缺陷类型即为该缺陷特征属性向量d的缺陷类型。进一步地，上述技术方案采用以下公式进行卷积计算：其中，mi是特征属性描述向量m(m1,m2,…mn)(0＜mi＜1)中的元素，为描述缺陷特征信息的加权因子，特征属性描述向量m转换成矩阵参与卷积计算；di是缺陷特征属性向量d(d1,d2,…dn)中的元素，为各缺陷特征的实际值，缺陷特征属性向量d转换成列向量参与卷积计算。更进一步地，上述技术方案中将该缺陷特征属性向量d分别与每种缺陷类型的特征属性描述向量m进行卷积替换成以下步骤：提供一缺陷特征属性梯度系数集合g，该缺陷特征属性梯度系数集合g包括多种缺陷类型的特征属性梯度范围αij及与该多种缺陷类型的特征属性梯度范围αij一一对应的梯度系数因子βij；将该缺陷特征属性向量d分别代入到每一种缺陷类型的特征属性梯度范围αij中，得到多组梯度系数因子向量β；将该多组梯度系数因子向量β分别与对应缺陷类型的特征属性描述向量m进行卷积。更进一步地，上述技术方案采用以下公式进行卷积计算：其中，mi是特征属性描述向量m(m1,m2,…mn)(0＜mi＜1)中的元素，为描述缺陷特征信息的加权因子，特征属性描述向量m转换成矩阵参与卷积计算；βi是梯度系数因子向量β(β1,β2,…βn)(0＜βi＜1)中的元素，梯度系数因子向量β转换成列向量参与卷积计算。更进一步地，上述技术方案还包括以下步骤：从该显示画面中提取多组缺陷特征属性向量d，分别获得每一组缺陷特征属性向量d的缺陷类型，并根据缺陷特征属性向量d的数量及其对应的缺陷类型判定该显示面板的等级。更进一步地，上述技术方案中的缺陷特征包括画面名称、和/或面积、和/或长、和/或宽、和/或长宽比、和/或中心灰度、和/或对比度、和/或坐标。更进一步地，上述技术方案中该显示画面为纯色图像。此外，本发明还另外提供一种采用上述显示面板缺陷分类方法的装置，该装置包括：图像算法处理模块，用于从显示面板的显示画面中提取缺陷特征属性向量d；缺陷分类器学习模块，用于提供缺陷特征属性描述集合m；缺陷分类模块，用于根据缺陷特征属性描述集合m获得缺陷特征属性向量d的缺陷类型。进一步地，上述技术方案中该缺陷分类器学习模块还用于提供缺陷特征属性梯度系数集合g；该缺陷分类模块还用于根据缺陷特征属性梯度系数集合g及缺陷特征属性描述集合m获得缺陷特征属性向量d的缺陷类型。更进一步地，上述技术方案中该装置还包括：图像采集模块，用于采集该显示面板的显示画面；缺陷等级判定模块，用于根据缺陷特征属性向量d的数量及其对应的缺陷类型判定该显示面板的等级。本发明通过自动提取显示面板的缺陷特征信息，及自动识别显示缺陷的数量及类型，实现了显示面板的缺陷识别、等级判定的自动化程度，能极大的提升显示面板缺陷识别和等级判定的检测效率和精确度。附图说明图1本发明显示面板缺陷分类装置的结构示意图；图2本发明显示面板缺陷分类方法的流程图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。实施例：能够对显示面板的缺陷类型进行学习、分类及等级判定的显示面板缺陷等级判定装置如图1所示，本发明实施例给出的一种显示面板缺陷等级判定装置主要包括工业相机、图像算法处理模块、缺陷分类器学习模块、缺陷分类模块和缺陷等级判定模块。其中，工业相机主要用于采集显示面板的显示画面；图像算法处理模块主要用于从显示画面中提取出缺陷特征信息；缺陷分类器学习模块用于提供缺陷类型配置文件和缺陷特征属性梯度文件；缺陷分类模块用于根据缺陷类型配置文件和缺陷特征属性梯度文件对缺陷特征信息进行缺陷类型的识别；缺陷等级判定模块用于根据识别出的缺陷数量及缺陷类型判定显示面板的等级。上述技术方案中，图像算法处理模块提取的缺陷特征信息是指包含有多组缺陷特征属性向量d的缺陷特征属性集合d；其中，缺陷特征是指显示画面中缺陷点或缺陷区域的面积、长、宽、长宽比、中心灰度、对比度、坐标等信息，以及显示画面的名称；显示画面中每一个缺陷点或缺陷区域实际的缺陷特征信息都用一组缺陷特征属性向量d表示。上述技术方案中，缺陷分类器学习模块提供的缺陷类型配置文件中包含有缺陷特征属性描述集合m，缺陷特征属性描述集合m中包含有各种缺陷类型的特征属性描述向量m(一种缺陷类型对应一个特征属性描述向量)，特征属性描述向量m为描述一缺陷类型的缺陷特征信息的加权因子的集合。缺陷分类器学习模块提供的缺陷特征属性梯度文件中包括有缺陷特征属性梯度系数集合g，缺陷特征属性梯度系数集合g中包含有各种缺陷类型的特征属性梯度范围αij及与特征属性梯度范围αij一一对应的梯度系数因子βij，如表1所示。表1上述技术方案中，缺陷分类器学习模块里构建有缺陷分类器核函数1：或缺陷分类器核函数2：其中，mi是特征属性描述向量m(m1,m2,…mn)(0＜mi＜1)中的元素，为描述各缺陷特征的加权因子，特征属性描述向量m转换成矩阵参与卷积计算，di是缺陷特征属性向量d(d1,d2,…dn)中的元素，为各缺陷特征的实际值，缺陷特征属性向量d转换成列向量参与卷积计算，βi为引入的缺陷特征的梯度系数因子，梯度系数因子向量β(β1,β2,…βn)(0＜βi＜1)转换成列向量参与卷积计算。缺陷分类器学习模块用于结合缺陷分类器核函数对已知的亮点/暗点/异物亮/bl异物(背光异物)/白点/亮暗线/mura等显示缺陷进行学习，生成缺陷类型配置文件和缺陷特征属性梯度文件。上述实施例中，显示面板缺陷等级判定装置对显示面板的缺陷类型进行学习的过程包括缺陷类型配置文件获取过程和缺陷特征属性梯度文件获取过程。上述实施例中，缺陷类型配置文件的获取过程包括以下步骤，以学习bl异物缺陷为例：s11)图像算法处理模块加载一幅包含有一bl异物缺陷的图像，并从该图像中提取出bl异物缺陷的缺陷特征信息，得到一组缺陷特征属性向量d，如表2所示。表2s12)在缺陷分类器学习模块中配置bl异物缺陷的缺陷特征信息的加权因子，如表3所示，获得bl异物缺陷的特征属性描述向量m1，并生成缺陷类型配置文件。需要说明的是，缺陷分类器学习模块通过前期的学习，缺陷类型配置文件中已包含有多种其他常见缺陷类型的特征属性描述向量，如表3所示。表3特征属性面积长宽比white画面black画面l63画面对比度点0.450.450.1(0.1)0.00.0线0.00.90.1(0.1)0.00.0bl异物0.80.00.20.00.00.0s13)缺陷分类模块从缺陷分类器学习模块中读取缺陷类型配置文件，并解析该缺陷类型配置文件生成缺陷特征属性描述集合m，如表3所示；同时，缺陷分类模块从缺陷分类器学习模块中读取缺陷特征属性梯度文件，并解析该缺陷特征属性梯度文件生成缺陷特征属性梯度系数集合g，如表4所示。表4s14)将表2中bl异物缺陷的缺陷特征属性向量与表4中bl异物缺陷对应的特征属性梯度范围αij进行比较，得到bl异物缺陷的梯度系数因子向量s15)采用缺陷分类器核函数2，将梯度系数因子向量分别与表3中的3个特征属性描述向量进行卷积，生成一组卷积值。s16)若最大的卷积值对应的缺陷类型为bl异物缺陷，则结束缺陷类型识别流程；若最大的卷积值对应的缺陷类型不为bl异物缺陷，则在缺陷分类器学习模块中修改bl异物缺陷的缺陷特征信息的加权因子(具体为增加bl异物缺陷的特征属性描述，如增加bl异物缺陷中心灰度、坐标等缺陷特征信息的描述；或重新描述bl异物缺陷的缺陷特征信息的加权因子)，重复步骤s11至s16，直至最大的卷积值对应的缺陷类型为bl异物缺陷，获得修改后的bl异物缺陷的缺陷特征信息的加权因子。上述实施例中，缺陷特征属性梯度文件的获取过程包括以下步骤，以学习bl异物缺陷为例：s21)图像算法处理模块加载一幅包含有一bl异物缺陷的图像，并从该图像中提取出bl异物缺陷的缺陷特征信息，得到一组缺陷特征属性向量d，如表5所示。表5s22)在缺陷分类器学习模块中配置bl异物缺陷的特征属性梯度范围αij及与之对应的梯度系数因子βij，如表6所示，并生成缺陷特征属性梯度文件。表6s23)缺陷分类模块从缺陷分类器学习模块中读取缺陷类型配置文件，并解析该缺陷类型配置文件生成缺陷特征属性描述集合m，如表7所示；同时，缺陷分类模块从缺陷分类器学习模块中读取缺陷特征属性梯度文件，并解析该缺陷特征属性梯度文件生成缺陷特征属性梯度系数集合g，如表6所示。表7特征属性面积长宽比white画面black画面l63画面对比度点0.450.450.1(0.1)0.00.0线0.00.90.1(0.1)0.00.0bl异物0.80.00.20.00.00.0s24)将表5中bl异物缺陷的缺陷特征属性向量与表6中bl异物缺陷对应的特征属性梯度范围αij进行比较，得到bl异物缺陷的梯度系数因子向量s25)采用缺陷分类器核函数2，将梯度系数因子向量分别与表7中的3个特征属性描述向量进行卷积，生成一组卷积值。，s26)若最大的卷积值对应的缺陷类型为bl异物缺陷，则结束缺陷类型识别流程；若最大的卷积值对应的缺陷类型不为bl异物缺陷，则在缺陷分类器学习模块中修改bl异物缺陷的特征属性梯度范围αij及与之对应的梯度系数因子βij，或者缩小bl异物缺陷的特征属性梯度范围(给出缩小范围后特征属性梯度范围αij及与之对应的梯度系数因子βij)，重复步骤s21至s26，直至最大的卷积值对应的缺陷类型为bl异物缺陷，获得修改后的bl异物缺陷的特征属性梯度范围αij及与之对应的梯度系数因子βij。如图2所示，上述实施例中显示面板缺陷等级判定装置对显示面板的缺陷类型进行分类及等级判定实施例1包括以下步骤：s31)图像讯号发生器给显示面板发送纯色图像(需要说明的是，本实施例中的纯色图像包括但不限于r、g、b、白色、黑色等纯色图像)，然后工业相机对该纯色图像进行采集，并发送到图像算法处理模块中。s32)图像算法处理模块从该纯色图像中提取出缺陷特征信息，得到包括多组缺陷类型的陷特征属性集合d，其中陷特征属性集合d中包含有多组陷特征属性向量，如表8所示。表8s33)缺陷分类模块从缺陷分类器学习模块中读取缺陷类型配置文件和缺陷特征属性梯度文件，并将缺陷类型配置文件解析成缺陷特征属性描述集合m，如表9所示；将缺陷特征属性梯度文件解析成缺陷特征属性梯度系数集合g，如表10所示。表9表10s34)缺陷分类模块将表8所示的每一组缺陷特征属性向量分别与表10中点、线、bl异物缺陷对应的特征属性梯度范围αij进行比较，使得每一组陷特征属性向量分别获得点、线、bl异物3种缺陷类型的梯度系数因子向量。例如，缺陷1的缺陷特征属性向量d1分别与表10中点、线、bl异物缺陷对应的特征属性梯度范围αij进行比较，从而使得缺陷特征属性向量d1分别获得点缺陷类型的梯度系数因子向量β1、线缺陷类型的梯度系数因子向量β2、bl异物缺陷类型的梯度系数因子向量β3。s35)缺陷分类模块采用缺陷分类器核函数2将每一组陷特征属性向量的3组梯度系数因子向量β1、β2、β3分别与表9对应缺陷类型的特征属性描述向量进行卷积，从而，每一组缺陷特征属性向量分别生成3个卷积值。其中，每一组缺陷特征属性向量的3个卷积值中，最大的卷积值对应的缺陷类型即为该缺陷特征属性向量的缺陷类型。s36)缺陷等级判定模块读取缺陷等级判定规则文件，根据识别出的缺陷数量及缺陷类型判定显示面板的等级。上述实施例中显示面板缺陷等级判定装置对显示面板的缺陷类型进行分类及等级判定实施例2包括以下步骤：s41)图像讯号发生器给显示面板发送纯色图像，然后工业相机对该纯色图像进行采集，并发送到图像算法处理模块中。s42)图像算法处理模块从该纯色图像中提取出缺陷特征信息，得到包括多组缺陷类型的陷特征属性集合d，其中陷特征属性集合d中包含有多组陷特征属性向量，如表8所示。s43)缺陷分类模块从缺陷分类器学习模块中读取缺陷类型配置文件，并将缺陷类型配置文件解析成缺陷特征属性描述集合m，如表9所示。s44)缺陷分类模块将表8所示的每一组缺陷特征属性向量分别与表9中所有的特征属性描述向量进行卷积，从而，每一组缺陷特征属性向量分别生成3个卷积值。其中，每一组缺陷特征属性向量的3个卷积值中，最大的卷积值对应的缺陷类型即为该缺陷特征属性向量的缺陷类型。s46)缺陷等级判定模块读取缺陷等级判定规则文件，根据识别出的缺陷数量及缺陷类型判定显示面板的等级。本领域的技术人员容易理解，本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12