用于白点Mura检测的系统及方法与流程

本申请要求于2017年4月18日提交的美国临时申请62/486,928号(“systemandmethodforwhitespotmuradetection(用于白点mura检测的系统及方法)”)以及2017年6月30日提交的美国申请15/639,859号的优先权和权益，其全部内容通过引用被并入本文。

本发明实施例的各方面涉及一种用于缺陷检测的系统以及使用该系统的方法。

背景技术

近年来，随着新的显示技术推向市场，显示产业一直在迅猛发展。移动设备、电视机、虚拟现实(vr)耳机以及其他显示器一直是促使显示器拥有更高分辨率以及更精确的色彩再现的忠实力量。随着新型显示面板模块以及生产方法的部署，使用传统方法检查表面缺陷变得更加困难。

本背景技术部分中公开的上述信息仅用于增强对本发明的理解，因此其可能包含不构成对于本领域普通技术人员而言为已知的现有技术的信息。

技术实现要素：

本发明实施例的各方面针对一种自动检查系统及方法，其利用机器学习来提高缺陷检测(诸如白点mura缺陷的检测)的速度及准确性。在一些实施例中，自动检查系统接收显示设备拍摄到的图像，将图像分割为斑块，计算每个斑块的图像特征，并且通过利用经训练的支持向量机(svm)使用计算出的特征来识别包含诸如白点mura等缺陷的斑块。在一些实施例中，特征包括纹理特征和图像矩的组合。

根据本发明的一些实施例，提供一种用于对显示面板中的一个或多个白点mura缺陷进行检测的方法，该方法包括：接收显示面板的图像，图像包括一个或多个白点mura缺陷；将图像划分为多个斑块，多个斑块中的每个斑块对应于图像的m个像素×n个像素的区域(其中m和n是大于或等于1的整数)；针对多个斑块生成多个特征向量，多个特征向量中的每个特征向量对应于多个斑块中的一个斑块，并且包括一个或多个图像纹理特征以及一个或多个图像矩特征；以及通过利用多类支持向量机(svm)，基于多个特征向量中的相应一个特征向量来对多个斑块中的每个斑块进行分类，以检测一个或多个白点mura缺陷。

在一些实施例中，多个斑块彼此不重叠。

在一些实施例中，每个斑块在尺寸上大于平均的白点mura缺陷。

在一些实施例中，每个斑块对应于显示面板的32个像素×32个像素的区域。

在一些实施例中，一个或多个图像纹理特征包括对比度灰度共生矩阵(glcm)纹理特征和非相似性glcm纹理特征中的至少一个。

在一些实施例中，一个或多个图像矩特征包括三阶质心矩μ30、第五胡不变矩i5和第一胡不变矩i1中的至少一个。

在一些实施例中，使用含缺陷的图像和无缺陷的图像两者来对多类svm进行训练。

在一些实施例中，对一个或多个斑块进行分类包括：将多个斑块的多个特征向量提供给多类svm，以基于特征向量来识别一个或多个白点；以及将多个斑块中包含识别出的一个或多个白点的一个或多个斑块标记为有缺陷。

根据本发明的一些实施例，提供一种对用于检测显示面板中的一个或多个白点缺陷的系统进行训练的方法，该方法包括：接收显示面板的图像，图像包括一个或多个白点缺陷；将图像分解为第一斑块组和第二斑块组，第一斑块组和第二斑块组中的每个斑块组对应于显示面板的图像；接收多个标签，多个标签中的每个标签对应于第一斑块组和第二斑块组中的一个斑块组中的斑块，并且指示有缺陷或者没有缺陷；生成多个特征向量，多个特征向量中的每个特征向量对应于第一斑块组和第二斑块组中的一个斑块组中的斑块，并且包括一个或多个图像纹理特征以及一个或多个图像矩特征；以及通过向多类支持向量机(svm)提供多个特征向量和多个标签来对多类svm进行训练，以检测一个或多个白点。

在一些实施例中，第二斑块组从第一斑块组处偏移并且与第一斑块组重叠。

在一些实施例中，第一斑块组和第二斑块组中的每个斑块组中的斑块对应于图像的m个像素×n个像素的区域(其中m和n是大于或等于1的整数)。

在一些实施例中，分解图像包括：将图像进一步分解为第三斑块组和第四斑块组，第三斑块组和第四斑块组中的每个斑块组对应于显示面板的图像，其中多个标签进一步包括附加标签，附加标签对应于第三斑块组和第四斑块组并且指示有缺陷或没有缺陷，其中多个特征向量中的每个特征向量对应于第一斑块组、第二斑块组、第三斑块组和第四斑块组中的一个斑块组中的斑块，并且包括一个或多个图像纹理特征以及一个或多个图像矩特征，其中第一斑块组至第四斑块组中的每个斑块组中的斑块对应于图像的32个像素×32个像素的区域，并且其中第一斑块组至第四斑块组中的斑块组沿图像的纵向方向和横向方向中的至少一个方向彼此偏移16个像素。

在一些实施例中，一个或多个图像纹理特征包括对比度灰度共生矩阵(glcm)纹理特征和非相似性glcm纹理特征中的至少一个。

在一些实施例中，一个或多个图像矩特征包括三阶质心矩μ30、第五胡不变矩i5和第一胡不变矩i1中的至少一个。

根据本发明的一些实施例，提供一种用于检测显示面板中的一个或多个白点缺陷的系统，该系统包括：处理器；以及处理器本地的处理器存储器，其中处理器存储器上存储有指令，当指令由处理器执行时，使处理器执行：接收显示面板的图像，图像包括一个或多个白点缺陷；将图像划分为多个斑块，多个斑块中的每个斑块对应于图像的m个像素×n个像素的区域(其中m和n是大于或等于1的整数)；针对多个斑块生成多个特征向量，特征向量中的每个特征向量对应于多个斑块中的一个斑块，并且包括一个或多个图像纹理特征以及一个或多个图像矩特征；以及通过利用多类支持向量机(svm)，基于多个特征向量中的相应一个特征向量来对多个斑块中的每个斑块进行分类，以检测一个或多个白点。

在一些实施例中，多个斑块彼此不重叠，并且每个斑块在尺寸上大于平均的白点mura缺陷。

在一些实施例中，一个或多个图像纹理特征包括对比度灰度共生矩阵(glcm)纹理特征和非相似性glcm纹理特征中的至少一个。

在一些实施例中，一个或多个图像矩特征包括三阶质心矩μ30、第五胡不变矩i5和第一胡不变矩i1中的至少一个。

在一些实施例中，使用含缺陷的图像和无缺陷的图像两者来对多类svm进行训练。

在一些实施例中，处理器被配置为：将多个斑块的多个特征向量提供给多类svm，以基于特征向量来识别一个或多个白点；以及将多个斑块中包含识别出的一个或多个白点的一个或多个斑块标记为有缺陷。

附图说明

附图与说明书一起示出了本发明的示例实施例，并且与描述一起用于解释本发明的原理。

图1是根据本发明的一些示例实施例的图像获取及缺陷检测系统的框图。

图2是示出根据本发明的一些示例性实施例的缺陷检测器的框图。

图3a示出根据本发明的一些示例性实施例的、在训练模式下由图像分解器生成的若干个斑块组。

图3b示出根据本发明的一些实施例的、显示面板的分解图像中带标记的含缺陷斑块。

图4a是示出根据本发明的一些示例性实施例的、用于训练缺陷检测系统以检测显示面板中的一个或多个缺陷的过程的流程图。

图4b是示出根据本发明的一些示例实施例的、用于通过利用缺陷检测系统来检测显示面板中的一个或多个白点缺陷的过程的流程图。

具体实施方式

以下所阐述的详细描述旨在作为对根据本发明提供的用于缺陷检测的系统及方法的示例实施例的描述，并且并不旨在表示可以构建或利用本发明的唯一形式。该描述结合所示实施例阐述了本发明的特征。然而，应当理解，相同或等同的功能和结构可以通过不同的实施例来实现，这些不同的实施例同样旨在被包含在本发明的精神和范围内。如本文其他地方所表示的，相同的要素编号旨在表示相同的要素或特征。

图1是根据本发明的一些示例实施例的图像获取及缺陷检测系统100的框图。

参考图1，图像获取及缺陷检测系统100(在本文中也被称为缺陷检测系统)被配置为使用显示面板102的图像来检测显示面板102中的缺陷。在一些实施例中，缺陷检测系统100被配置为对正在进行测试的显示面板102中的白点mura缺陷(例如，亮度不均匀)的存在进行检测并进行定位。在一些示例中，可以仅检测白点mura缺陷，同时忽略可能存在于显示面板102中的所有其他类型的缺陷，诸如黑点、白条纹、水平线mura、玻璃缺陷、灰尘、污斑等等。

根据一些实施例，缺陷检测系统100包括相机104和缺陷检测器106。相机104可以捕获显示面板102的顶表面(例如，显示面)的图像(例如，raw未压缩图像)，在一些示例中，显示面板102可以在测试或制造设施中沿着传送带行进。在一些示例中，图像可以是显示面板102的整个顶表面的未压缩图像(例如，具有raw格式)，并且相机104可以捕获显示面板102中的全部或大致全部的像素。随后，相机104将图像发送给缺陷检测器106，该缺陷检测器106对图像进行分析以检测任何缺陷(例如，白点mura缺陷)的存在。

在一些实施例中，缺陷检测器106将捕获到的图像划分为斑块(patch)以供检查，缺陷检测器106包括处理器108以及耦接到处理器108的存储器110。然后通过经训练的机器学习部件来分析每个斑块的缺陷的实例，诸如白点mura缺陷等。在一些实施例中，机器学习部件包括支持向量机(svm)(例如多类svm)，该支持向量机是被配置为将输入分类为两个类别中的一个类别(分类为具有缺陷(例如，白点mura缺陷)或者无缺陷)的监督式学习模型(并且非预定的数学公式)。缺陷检测器106针对图像斑块中的每个图像斑块生成特征的组合，并且将特征的组合提供给svm以供分类。例如，特征可以包括纹理特征和图像矩的组合。svm将每个图像斑块分类为具有或不具有缺陷(例如，具有白点mura的实例)，并且对存在缺陷(例如，白点mura的实例)的图像斑块进行标记。

在一些示例中，可以由人操作者112对svm进行训练，如以下进一步详细描述的那样。

图2是根据本发明的一些示例性实施例的进一步详细示出缺陷检测器106的框图。

参考图2，缺陷检测器106包括图像分解器200、特征提取器202以及svm(例如，多类svm)204。缺陷检测器106被配置为在训练模式下以及在检测模式下进行操作。

根据一些实施例，当在训练模式下进行操作时，图像分解器200被配置为将其从相机104接收的显示面板102的图像分解(例如，划分或分割)为若干个斑块组，每个斑块组覆盖全部或几乎全部的显示面板像素。也就是说，每组斑块中的斑块与所有其他组斑块中的对应斑块重叠。

特征提取器202对由图像分解器200生成的各个斑块进行操作以提取每个斑块的图像特征。在一些实施例中，特征包括一个或多个图像纹理特征以及一个或多个图像矩特征。在一些示例中，图像纹理特征包括对比度灰度共生矩阵(glcm)纹理特征(简称glcm特征)和非相似性glcm纹理特征中的至少一个，并且图像矩特征包括三阶质心矩μ30、第五胡不变矩i5以及第一胡不变矩i1中的至少一个。

如本领域普通技术人员所理解的，glcm特征通过计算在图像中出现多少次具有特定亮度值(例如，灰度)且处于指定空间关系中的像素对，来帮助表征图像的纹理。此外，可以理解的是，三阶质心矩μ30是平移不变量，并且第五胡不变矩i5和第一胡不变矩i1是关于平移变换、标度变换和旋转变换的不变量。所述图像矩特征的公式定义可以在与此同时提交的其他证明文件(对应于https://en.wikipedia.org/wiki/image_moment的内容)中找到，其全部内容通过引用被并入本文。

特征提取器202针对每个单独斑块构建包括一个或多个图像纹理特征以及一个或多个图像矩特征的特征向量。在一些示例中，所构建的特征向量包括三阶质心矩μ30、对比度glcm纹理特征、非相似性glcm纹理特征、第五胡不变矩i5以及第一胡不变矩i1。然而，本发明实施例并不限于此。例如，所构建的特征向量可以排除第五胡不变矩i5和第一胡不变矩i1中的一个或两者和/或非相似性glcm纹理特征。当处于训练阶段时，特征提取器202将所构建的向量转发给svm204作为第一训练数据集。

由图像分解器200生成的斑块组也被发送给人操作者112，该人操作者112手动检查单独斑块的缺陷(例如，白点mura缺陷)的存在并且将每个斑块手动标记为有缺陷或没有缺陷(或无缺陷)。由人操作者112执行的结果被提供给svm204作为第二训练数据集。根据一些实施例，人操作者112可以在排除所有其他类型的缺陷(诸如黑点、白条纹等)的情况下仅对白点mura缺陷进行识别。因此，在一些实施例中，多类svm204可以被训练为仅对白点mura缺陷进行检测并且忽略所有其他类型的缺陷。

随后，svm(例如多类svm)204使用每个斑块(包括有缺陷的斑块和没有缺陷的斑块两者)的特征向量、以及有缺陷或没有缺陷的对应标签来训练缺陷检测器106以对任何缺陷(例如，任何白点mura缺陷)进行检测。在一些示例中，svm204不仅使用来自单个图像的斑块而且还使用来自不同显示面板102的若干个不同图像的斑块来进行训练。

一旦完成训练，缺陷检测器106就可以在检测模式下进行操作，在检测模式期间，svm204替代人操作者112对显示面板102的图像的斑块进行标记。根据一些实施例，当处于训练模式时，图像分解器200将捕获到的显示面板102的图像分解(例如，划分或分割)为覆盖显示面板102的全部或几乎全部的像素的一组(例如，仅单个组)非重叠的斑块。如上面参考训练模式所述，特征提取器202随后对该组非重叠的斑块进行操作以提取每个斑块的图像特征，并且针对每个斑块生成特征向量。然后，svm204利用所生成的特征向量将每个斑块分类为有缺陷或没有缺陷。

在一些实施例中，选择每个斑块的尺寸使得其大于典型缺陷的尺寸(例如，白点mura缺陷的平均尺寸)，但也足够小以在确定显示面板102上的缺陷位置时提供良好的粒度度量。

因此，在一些实施例中，通过对显示面板102进行视觉检查并且提取正确的图像特征组(例如，三阶质心矩μ30、对比度glcm和非相似性glcm纹理特征、以及第一胡不变矩i1和第五胡不变矩i5)，缺陷检测器106能够检测并定位特定类型的缺陷(诸如白点mura缺陷等)的存在。这在检测和定位所期望的缺陷方面提供高精度，并且允许在某些情况下对缺陷进行补偿。

在一些示例中，由缺陷检测器106识别为包含缺陷的显示面板102可以被拒绝并从产品线中移除。然而，在一些实施例中，作为由被标记为有缺陷的斑块的位置(例如，坐标)所识别出的缺陷(例如，白点mura缺陷)的位置可以被用于对缺陷进行电子补偿，并因此消除或者大致消除显示面板102的缺陷。因此，通过促进显示面板102中的缺陷补偿，缺陷检测器106有助于提高显示面板102的制造/生产的良率。例如，在一些实施例中，缺陷检测器106和电子补偿可以形成迭代各种补偿参数直到缺陷不再可见为止的循环。因此，针对白点mura的每个识别出的实例，将补偿参数应用于显示面板102，拍摄显示面板102的新图像，并且将该图像再次提供给缺陷检测器106。

如本领域普通技术人员所理解的，图像分解器200、特征提取器202、多类svm204以及缺陷检测器106的任何其他逻辑部件可以用处理器108和存储器110来表示，在存储器110上存储有指令，当该指令由处理器108执行时，使处理器108执行归属于缺陷检测器106的功能(例如，图像分解器200、特征提取器202、多类svm204)。

图3a示出根据本发明的一些示例性实施例的、在训练模式下由图像分解器200生成的若干个斑块组300。图3b示出根据本发明的一些实施例的、显示面板的分解图像中带标记的含缺陷斑块。

参考图3a，图像301表示可显示测试图像的显示面板102的顶表面(例如，显示面)的、由相机104捕获到的图像。测试图像可以包括用于测试缺陷(例如，白点mura缺陷)的存在的任何适当图像，诸如纯灰色图像。图像301可以包括显示面板102的每个像素；然而，在一些实施例中，图像301可以仅覆盖显示面板102的部分。图像分解器200可以将图像301划分为第一多个斑块302，该第一多个斑块302包括从图像301的角部a开始的、等尺寸的图像斑块303。在图3a的示例中，角部a表示图像301的左上角，并且斑块303被示出为具有正方形形状；然而，本发明实施例不限于此，并且角部a可以是图像的任何适当角部(例如，左下角、右上角等角部)，并且斑块303可以是矩形形状。

通常，每个图像斑块303的尺寸可以以其包含的显示像素的数量的形式而被表示为m×n个像素(其中m和n是正整数)。在一些实施例中，每个图像斑块303的尺寸可以被设定为大于典型缺陷的尺寸(例如，大于白点mura缺陷的平均尺寸)。例如，每个斑块303可以是32×32个像素，在这种情况下，具有1920×1080像素分辨率的显示面板102的图像301中的第一多个斑块302可以包括2040个斑块(重叠图像的与点a相对的边的斑块可以是部分图像斑块)。

根据一些实施例，当处于训练模式时，图像分解器200可以进一步将图像301划分为若干个其他重叠的斑块组。例如，图像分解器200可以进一步将图像301划分为分别包括图像斑块305、307和309的第二多个斑块304、第三多个斑块306和第四多个斑块308，图像斑块305、307和309中的每个图像斑块的尺寸可以等于图像斑块303。

每个斑块组可以从另一斑块组处沿第一方向(例如，如由x轴指示的图像301的纵向方向)偏移d1偏移量和/或沿第二方向(例如，如由y轴指示的图像301的横向方向)偏移d2偏移量。例如，第二多个斑块304可以从第一多个斑块302处沿第一方向(例如，沿x轴)偏移偏移量d1，第三多个斑块306可以从第一多个斑块302处沿第二方向(例如，沿y轴)偏移偏移量d2，并且第四多个斑块308可以从第一多个斑块302处分别沿第一方向和第二方向偏移偏移量d1和偏移量d2。根据一些实施例，每个斑块组可以从在前的斑块组处偏移，使得该斑块组中的每个斑块与在前的斑块组中的对应斑块重叠半个斑块区域。例如，当每个斑块303/305/307/309具有32×32个像素的尺寸时，偏移量d1和d2中的每个可以等于16个像素。

参考图3b，在训练模式下，由经训练的人操作者检查图像斑块中的每个图像斑块，该人操作者找到图像301中的任何缺陷(例如，白点mura缺陷)310并且对包含该缺陷的全部或部分的图像斑块进行标记。例如，含缺陷的斑块(“有缺陷的斑块”)311可以用“1”来标记，而在一些示例中，剩余的(例如，没有缺陷的)斑块可以用“0”来标记。如图3b所示，在一些示例中，当在两个斑块的边界处或者在四个斑块的角部处找到缺陷310时，共同具有该边界或角部的所有斑块被标记为有缺陷。虽然为了便于说明，图3b仅示出了第四多个斑块308的带标记的有缺陷斑块，但是斑块303、305和307中包含缺陷310的那些斑块也被类似地标记为有缺陷。

随后将手动标记的包括有缺陷的斑块和没有缺陷的斑块两者的斑块组(例如，所标记的第一至第四多个斑块302、304、306和308)以及与被包括在该组中的斑块中的每个斑块(例如，斑块303、305、307和309)相对应的特征向量提供给svm204作为训练数据。

根据一些实施例，当处于检测模式时，图像分解器200仅产生与图3a所示的第一多个斑块302相对应(例如，与其相同)的单个斑块组(而不是在训练模式下生成的多个组)。

图4a是示出根据本发明的一些示例性实施例的、用于训练缺陷检测系统100以检测显示面板102中的一个或多个缺陷的过程400的流程图。

在动作s402中，缺陷检测器106(例如，图像分解器200)接收显示面板102的图像，显示面板102可能包括一个或多个白点缺陷。

在动作s404中，图像分解器200可以将图像分解(例如，划分)为多个斑块组，例如第一多个斑块302、第二多个斑块304、第三多个斑块306和第四多个斑块308。每个斑块组可以包括多个斑块(例如，303、305、307和309)，并且可以与显示面板102的图像301相对应。斑块中的每个斑块可以对应于图像301的m个像素×n个像素的区域(其中，m和n是大于或等于1的整数)。斑块组中的每个斑块组可以从斑块组中的另一个斑块组处偏移并与另一个斑块组重叠。在一些示例中，斑块组中的两个以上斑块组(例如，第一至第四多个斑块302、304、306和308中的两个以上)沿图像的纵向方向和横向方向中的至少一个方向彼此偏移所设定的偏移量(例如，1个像素、2个像素、4个像素、16个像素等)。

在动作s406中，缺陷检测器106(例如，特征提取器202)可以针对多个斑块组中的每个斑块生成特征向量。所生成的多个特征向量可以各自包括一个或多个图像纹理特征以及一个或多个图像矩特征。一个或多个图像纹理特征可以包括对比度glcm纹理特征和非相似性glcm纹理特征中的至少一个，并且一个或多个图像矩特征可以包括三阶质心矩μ30、第五胡不变矩i5以及第一胡不变矩i1中的至少一个。

在动作s408中，缺陷检测器106(例如，多类支持向量机(svm)204)接收多个标签，该多个标签中的每个标签可以与多个斑块中的一个斑块相对应并且指示存在缺陷(例如，白点mura缺陷)或不存在缺陷(例如，不存在白点mura缺陷)。在一些示例中，多个标签是通过人操作者视觉检查斑块中的每个斑块并生成标签来生成的。

在动作s410中，缺陷检测器106(例如，多类svm204)被训练为基于多个特征向量和多个标签来检测一个或多个白点。可以使用含缺陷的图像和无缺陷的图像两者来对多类svm进行训练。

图4b是示出根据本发明的一些示例实施例的、用于通过利用缺陷检测器106来检测显示面板102中的一个或多个白点缺陷的过程420的流程图。

在动作s422中，缺陷检测器106(例如，图像分解器200)接收显示面板102的图像301，该显示面板102可能包括一个或多个白点缺陷。

在动作s424中，缺陷检测器106(例如，图像分解器200)将图像301划分为多个非重叠的斑块303，该多个非重叠的斑块303中的每个斑块与图像301的m个像素×n个像素的区域(其中m和n是大于或等于1的整数)相对应并且在尺寸上大于平均的白点mura缺陷。

在动作s426中，缺陷检测器106(例如，特征提取器202)针对多个斑块303中的每个斑块生成特征向量。特征向量中的每个特征向量可以包括一个或多个图像纹理特征以及一个或多个图像矩特征。一个或多个图像纹理特征可以包括对比度glcm纹理特征和非相似性glcm纹理特征中的至少一个，并且一个或多个图像矩特征包括三阶质心矩μ30、第五胡不变矩i5以及第一胡不变矩i1中的至少一个。

在动作s428中，缺陷检测器106利用多类svm204来使用多个特征向量中的相应一个特征向量对多个斑块303中的每个斑块进行分类。基于由多类svm204进行的分类，多个斑块303中的每个斑块被标记为具有缺陷(例如，白点mura)或为无缺陷(例如，没有白点mura)。在这个示例中，多类svm204已被训练用于白点mura的分类。在其他示例中，可以训练多类svm204以识别其他类型的显示面板mura缺陷。例如，可以训练多类svm204以识别黑点mura、区域mura、杂质mura或线mura。

因此，本发明实施例提供了一种有效且精确的缺陷(例如，白点mura缺陷)检测系统及方法，其可以使用来自工厂的显示面板的实际原始的(即，未模拟的)图像数据，以便不仅用于检测的目的而且还用于训练的目的。一旦在人类监督下经过训练，图像获取及缺陷检测系统就可以以自动且无监督的方式来进行操作，以检测正在进行制造和测试的显示面板中的任何缺陷(例如，白点mura缺陷)。因此，自动化系统提高了生产效率，并且减少或消除了对人类视觉检查的需求。此外，根据一些实施例，缺陷检测系统识别任何缺陷的位置，从而允许随后对该缺陷进行电子补偿，这可以导致更高的生产良率以及更低的总生产成本。

应当理解，尽管术语“第一”、“第二”、“第三”等在本文中可被用于描述各种元件、部件、区域、层和/或区段，但是这些元件、部件、区域、层和/或区段不应受这些术语的限制。这些术语被用于将一个元件、部件、区域、层或区段与另一元件、部件、区域、层或区段区分开。因此，在不脱离本发明构思的精神和范围的情况下，下面所讨论的第一元件、部件、区域、层或区段可以被称为第二元件、部件、区域、层或区段。

本文所使用的术语的目的在于描述特定的实施例，而并未旨在限制本发明构思。如本文中所使用的，单数形式“一”旨在也包括复数形式，除非上下文中另有明确指示。还将理解，当在本说明书中使用时，术语“包括”和/或“包含”表明存在所陈述的特征、整体、步骤、操作、元件和/或部件，但不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、部件和/或它们的组。如本文所使用的，术语“和/或”包括相关所列项目中的一个或多个的任意和所有的组合。当诸如“...中的至少一个”等表述位于要素列表之前时，其修饰整个要素列表，并且不修饰该列表的单个要素。此外，在描述本发明构思的实施例时，“可以”的使用是指“本发明构思的一个或多个实施例”。此外，术语“示例性”旨在表示示例或说明。

应当理解，当元件或层被称为在另一元件或层“上”、“连接到”、“耦接到”或“相邻于”另一元件或层时，可以直接在另一元件或层上、直接连接到、直接耦接到或直接相邻于另一元件或层，或可以存在一个或多个中间元件或层。当元件或层被称为“直接”在另一元件或层“上”、“直接连接到”、“直接耦接到”或“紧邻于”另一元件或层时，不存在中间元件或层。

如本文所使用的，术语“大致”、“约”以及类似术语被用作近似的术语，而不是作为程度的术语，并且旨在解释本领域普通技术人员将认识到的测量值或计算值中的固有偏差。

如本文所使用的，术语“使用”、“使用...的”和“被用来”可以被认为分别与术语“利用”、“利用...的”和“被利用来”同义。

本文所描述的根据本发明实施例的缺陷检测系统和/或任何其他相关设备或部件可以通过利用任何适当的硬件、固件(例如，专用集成电路)、软件、或者软件、固件和硬件的适当组合来实现。例如，独立多源显示设备的各种部件可以形成在一个集成电路(ic)芯片上或者在单独的ic芯片上。此外，缺陷检测系统的各种部件可以在柔性印刷电路薄膜、带载封装(tcp)、印刷电路板(pcb)上实现，或者形成在相同的基板上。此外，缺陷检测系统的各种部件可以是进程或线程，该进程或线程在一个或多个计算设备中被运行于一个或多个处理器上，用以执行计算机程序指令，并且与其他系统部件进行交互，以执行本文所描述的各种功能。计算机程序指令被存储在存储器中，存储器可以在计算设备中使用诸如例如随机存取存储器(ram)等标准存储设备来实现。计算机程序指令还可以被存储在诸如例如cd-rom、闪存驱动器等其他非易失性的计算机可读介质中。另外，本领域技术人员应当认识到，各种计算设备的功能可以被组合或集成于单个的计算设备中，或者特定计算设备的功能可以被分布在一个或多个其他计算设备中，而不脱离本发明的示例性实施例的范围。

尽管已经参考其说明性实施例来详细描述了本发明，但是本文所描述的实施例并非旨在穷举或将本发明的范围限制为所公开的确切形式。本发明所属领域的技术人员将认识到，在不会有意识地脱离本发明的原理、精神和范围的情况下，可以实施所述结构以及组装和操作方法中的改变和变化，正如所附权利要求及其等同物中所阐述的那样。