基于机器视觉的发光面板检测方法
【技术领域】
[0001]本发明涉及一种检测方法，尤其涉及一种基于机器视觉的发光面板检测方法。
【背景技术】
[0002]就现有技术来看，机器视觉就是用机器代替人眼来做测量和判断。具体来说，机器视觉系统是指通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
[0003]具体来说，以TFT-1XD为例，其生产过程中要经过100多道生产工艺，生产工艺繁多复杂，尽管大部分生产工艺都已经十分成熟且每个生产工序都有严格的质量控制，但是在TFT-1XD量产过程中还是不可避免地会出现一定数量的显示缺陷。TFT-1XD的显示缺陷种类繁多，按照缺陷和背景的对比度的不同，可以将这些缺陷分为以下几类:亮点缺陷、暗点缺陷、亮线缺陷、暗线缺陷、Mura缺陷(Mura是日本语，本意为脏污、玷污的意思，现为平板显示行业专用术语，Mura缺陷表示平板显示器的区块显示缺陷、显示不完美现象)。亮点缺陷、暗点缺陷、亮线缺陷、暗线缺陷一般都是因为TFT-LCD生产过程中的电气特性引起的，比如TFT阵列短路、断路或者背光灯的损坏等。而Mura缺陷是由于玻璃基板的不均匀、玻璃基板内外的压力分布不均匀、液晶分子分布不均匀等因素引起的。
[0004]在TFT-LCD的各类的显示缺陷中，由于亮点缺陷、暗点缺陷、亮线缺陷、暗线缺陷都有较高的对比度、边缘清晰、形状规则，能很容易地被人工或者机器视觉检测出来。而Mura缺陷具有边缘模糊、对比度低、形状不规则、大小变化多端、位置不固定等特点，是所有显示缺陷中最难检测的一类缺陷。目前，大多数TFT-LCD生产厂家都是使用熟练的工人用肉眼检测Mura缺陷的，判断缺陷的严重程度是通过工人感觉Mura缺陷的面积和Mura缺陷的对比度等做出的主观判定，缺乏客观评判依据。
[0005]一般情况下，在采用机器视觉检测缺陷时，只需经过滤波等预处理即可采用不同的缺陷分割方法将缺陷目标分割出来。然而，通过CCD相机采集到的TFT-LCD图像会由于外界光照的不均、TFT-1XD本身材料的不均匀、(XD相机距离TFT-1XD不同位置的距离不同等原因产生图像的整体亮度不均匀，图像背景的亮度不均匀会与Mura缺陷的亮度不均匀混在一起，即Mura缺陷的灰度变化趋势和背景的灰度变化趋势保持一致，会使得Mura缺陷淹没在背景中，从而导致不能准确地检测出Mura缺陷甚至是检测失败。
[0006]同时，现有技术的主要问题是工程化适应性较差，如对不同型号产品的差异特性(屏幕分辨率、缺陷类别和状态等方面差异)的适应性较差。同时，设备调试和可操作性较差，在综合考虑过检率等指标情况下对MURA类缺陷检测效果不理想。
[0007]并且，现有技术往往采用诸如“小波变换”、“最小二乘的B样条拟合”等一般意义上的通用处理方法，未能建立起针对检测对象的有效模型。
[0008]更为重要的是，现有的常规检测方法，其对成像硬件的要求极为苛刻，不具有工程应用价值。
[0009]举例来说，“小波变换”作为一种针对傅立叶变换进行改进的基本方法，在通用信号处理较为有效，但在本案发光面板的缺陷检测中(尤其针对MURA缺陷)，无法用这种基本方法达到预期效果。如针对模组复杂背景无法进行有效抑制，主要表现在像素纹理干扰、摩尔纹干扰。特别是模组分辨率变化时，像素纹理干扰、摩尔纹干扰呈现不规律强烈变化，“小波变换”对这种变化的适应性较差，使检测效果强烈依赖于机种属性，不具有工程价值。
[0010]“最小二乘的B样条拟合”是一种常用的数据拟合方法，专利CN 101655614 B采用了该方法。使用该方法进行MURA缺陷检测的主要问题表现在:当MURA缺陷面积大，对比度低时，采用“最小二乘的B样条拟合”方法处理时，会把缺陷特征“拟合”进背景中，而无法实现“拟合”的目的。换句话说，其无法区分背景和真实缺陷。另一方面，当模组分辨率变化时，拟合效果跟随着变化，直至无法有效区分背景与特征。
[0011]由此可见，上述方法(包括类似方法)表现出的共性问题为:所涉及的各种“方法”是基于一些特定的数据之上的处理，只针对几个特定数据集有效，表现出检测性能即鲁棒性差，机种适应性差，无法满足实际工程需求。
[0012]有鉴于上述的缺陷，本设计人，积极加以研究创新，以期创设一种基于机器视觉的发光面板检测方法，使其更具有产业上的利用价值。
【发明内容】
[0013]为解决上述技术问题，本发明的目的是提供一种基于机器视觉的发光面板检测方法。
[0014]本发明的基于机器视觉的发光面板检测方法，其包括以下步骤:步骤一，建立背景模型集；步骤二，获取待检测产品图像，获得预处理图像；步骤三，通过地形等高线模型、辐射能量模型，对预处理图像进行独立处理；步骤四，同步汇总处理数据，获取缺陷区域。
[0015]进一步地，上述的基于机器视觉的发光面板检测方法，其中，所述建立背景模型集的过程为:通过图像采集系统，针对待检测产品的类别，采集随机样本；通过前后处理后，对每个样本进行频谱分析，将所获取的数据建立频谱数据库；通过主成分分析对频谱数据库进行分析，提取背景特征；利用背景特征建立背景模型集，将数据写入检测软件。
[0016]更进一步地，上述的基于机器视觉的发光面板检测方法，其中，所述前后处理为进入关键处理步骤的前处理、后处理，所述前处理至少包括对图像进行坏样本剔除、图像校正、基本滤波去噪中的一种或是多种，所述后处理至少包括对数据进行拟合、去噪、归一化中的一种或是多种。
[0017]更进一步地，上述的基于机器视觉的发光面板检测方法，其中，所述步骤一中，加入附属参考因素，所述附属参考因素包括曝光差异、镜头性中的一种或是多种。
[0018]更进一步地，上述的基于机器视觉的发光面板检测方法，其中，所述获取待检测产品图像过程为:通过图像采集系统获取待检测产品图像；利用频域滤波对待检测产品图像进行初步预处理，获得预处理图像；建立图像尺度空间后进行归一化处理；调用背景模型集，获取缺陷疑似区域并在预处理图像中进行标注。
[0019]更进一步地，上述的基于机器视觉的发光面板检测方法，其中，所述初步预处理过程包含图像异常判别、图像滤波、亮度校正、几何校正、感兴趣区域检测中的一种或是多种。
[0020]更进一步地，上述的基于机器视觉的发光面板检测方法，其中，所述地形等高线模型处理过程为:在预处理图像中建立灰度地形等高线，构成地形图；通过灰度定义地形高低，即灰度值小，则地形低，灰度值高，则地形高，灰度梯度小，则地形平坦，灰度梯度大，则地形陡峭；进行检测判断，即地形等高线密集，构成疑似区域，地形等高线稀疏的为其他区域。
[0021]更进一步地，上述的基于机器视觉的发光面板检测方法，其中，所述地形等高线模型中的地形图内，随机分布有点质量小球，作为求解初始种子点，用于建立粗糙度表面重力势场下的点质量小球动力学模型，通过数值迭代优化方法，求解点质量小球稳定收敛的地形底部区域，获得缺陷区域。之后，将地形图翻转一次，令山峰翻转成谷底，进行二次求解，获得缺陷区域，两次过程得到的缺陷分别为暗区和亮区。
[0022]再进一步地，上述的基于机器视觉的发光面板检测方法，其中，所述辐射能量模型中，将灰度值设为黑体温度，获取黑体辐射模型，采用黑体辐射模型获得灰度能量，通过耦合背景模型集获得相对辐射强度，当该值达到判定阈值即判为缺陷，通过翻转进行二次求解，分别获得亮区和暗区缺陷。
[0023]借由上述方案，本发明至少具有以下优点:
[0024]1、本方法对待检测产品的分辨不敏感，对待检测对产品的尺寸亦不敏感。同时，对相机分辨率要求不高。
[0025]2、可用于检测背光板、液晶模组、液晶C