一种手机TFT-LCD屏Mura缺陷在线自动检测方法

摘要

本发明公开了一种手机TFT‑LCD屏Mura缺陷在线自动检测方法，先通过CCD工业相机采集待检测手机屏幕图像；再对待检测图像进行感兴趣区域提取、几何校正以及滤波预处理，获取图像中的TFT‑LCD屏幕区域；然后对屏幕区域进行分块操作，并根据每个子图像块的灰度分布特征，利用自适应局部增强算法增强图像中的Mura缺陷；最后采用阈值法和形态学开操作提取图像中的Mura缺陷。本发明主能自动识别对比度低、边缘模糊的Mura缺陷，准确率高、鲁棒性强，可有效解决生产过程中人工检测成本高、效率低、准确率低的问题，对于提高手机TFT‑LCD屏幕的生产效率和质量具有重要意义。

说明书

技术领域

本发明属于手机生产过程中TFT-LCD屏质量检测领域，具体涉及一种在线自动检测手机TFT-LCD屏Mura缺陷的方法。

背景技术

薄膜晶体管液晶显示器(Thin film transistor liquid crystal display,TFT-LCD)是一种由微电子技术和液晶光学技术结合而成的新型显示器件。它因具有高分辨率、高轻薄性、响应速度快及低功耗等特点，已成为当前智能手机的主流显示器。TFT-LCD屏结构复杂、制造工序繁多，生产过程中不可避免会出现各式缺陷，其中以Mura缺陷较为常见且难以检测。Mura一词来源于日语音译，意为“云团”、“云斑”。Mura缺陷产生原因多样，包括偏光板材料质量较差、薄膜晶体管漏电不均和背光源发光不均等，主要表现为显示屏局部亮度不均，且具有形状不固定、对比度低、边缘模糊等特点。当前生产线上的Mura缺陷检测主要依靠人工肉眼辨别，这种方法成本高、效率低、准确性低、主观性强，检测结果严重依赖于工作人员的经验，无法满足手机TFT-LCD屏大批量、大尺寸、高品质的生产要求。因此，开发出一种能够在线自动检测手机TFT-LCD屏Mura缺陷的方法，对于提高手机TFT-LCD屏的生产效率和质量具有重要意义。

发明内容

本发明提供了一种在线自动检测手机TFT-LCD屏Mura缺陷的方法，其目的在于解决现有技术中人工目视检测效率低、准确率低、成本高的问题。

一种在线自动检测手机TFT-LCD屏Mura缺陷的方法，包括以下步骤：

(1)在暗室环境，将手机TFT-LCD屏设置为白屏模式，采用CCD工业相机进行垂直拍摄，获得待检测的手机屏幕原始图像；

(2)对待检测图像进行感兴趣区域提取、几何校正以及滤波等预处理，获取图像中的TFT-LCD屏幕区域；

(3)对屏幕区域进行两次分块操作，分别将其划分成连续不重叠的大小为a×b和b×a(a、b均不能被彼此整除)的子图像，并对分块后的图像进行自适应局部增强，得到两种不同分块方式下的屏幕区域增强图像，记作f₁和f₂。

(4)为了去除分块操作带来的块效应，对于屏幕区域的每个像素点，取其在增强图像f₁和f₂中的较大值作为该像素点的最终增强结果，获取最终增强图像f；

(5)对增强图像f的直方图进行高斯函数拟合，根据高斯分布的置信区间估计增强图像f的阈值，并利用该阈值对增强图像f进行二值化，提取Mura候选区域；

(6)对二值化结果进行形态学开操作去除其中可能存在的噪声，得到最终的Mura缺陷检测结果。

在所述的第(2)步中，手机TFT-LCD屏幕原始图像的预处理具体包括：采用阈值法对待检测图像进行二值化并取最大连通域，以获取手机屏幕的感兴趣区域；提取感兴趣区域的四个顶点，根据顶点坐标计算手机屏幕的偏移角度，通过旋转操作对屏幕区域进行几何校正；对校正后的屏幕区域进行中值滤波，达到去除噪声、平滑图像的目的。

在所述的第(3)步中，自适应局部增强方法包括以下步骤：

(a)采用高斯函数拟合每一个子图像的灰度概率分布，并根据高斯分布的置信区间获取每一个子图像的大致灰度范围[I_min,I_max]，I_min表示灰度最小值，I_max表示灰度最大值。

(b)对于每一个子图像中可能存在的Mura缺陷，采用如下公式进行增强：

其中，I为图像灰度，k为正常数，用于调节Mura缺陷与正常区域的对比度，优选k为0.1～2之间的任意正常数。手机屏幕图像中像素的灰度I偏离灰度范围[I_min,I_max]中心值的程度越大，计算得到的f_enhance(I)值越小，表明该像素点属于Mura缺陷的概率越大。

在所述的第(5)步中，利用阈值对图像f进行二值化时，将f中大于所设阈值的像素标记为“0”，即为正常屏幕区域，小于所设阈值的像素标记为“1”，即为Mura候选区域。

在所述的第(6)步中，优选半径为r的圆形结构作为形态学开操作的结构元素，其中r优选2～20的自然数。

由于采用了屏幕区域进行两次分块操作，本发明能够在线自动检测手机TFT-LCD屏的Mura缺陷，准确率高、成本低，可有效提高产品的生产质量和效率。

附图说明

图1CCD相机采集的手机TFT-LCD屏原始图像；

图2感兴趣区域提取结果；

图3预处理结果；

图4将屏幕区域分为60×200的子图像示意；

图5将屏幕区域分为200×60的子图像示意；

图6 60×200的子图像自适应局部增强结果；

图7 200×60的子图像自适应局部增强结果；

图8去除块效应后的增强结果；

图9实施例3的Mura缺陷检测结果。

具体实施方式

实施例1

一种手机TFT-LCD屏幕图像预处理方法，具体实现步骤如下：图1为CCD相机采集的大小为2712×3360的手机TFT-LCD屏原始图像，首先采用Otsu算法对该图像进行二值化并取最大连通域，以获取手机TFT-LCD屏幕的感兴趣区域，如图2所示，然后提取感兴趣区域的四个顶点，如图2中灰色空心点所示，再根据顶点坐标计算出手机屏幕的偏移角度，通过旋转操作对屏幕进行几何校正，最后采用(2n+1)×(2n+1)的模板对校正后的屏幕区域进行中值滤波，达到去除噪声、平滑图像的目的，其中n优选1～10的自然数，本实施例中优选n＝3，采用本实施例得到的预处理结果如图3所示。

实施例2

一种手机TFT-LCD屏幕图像自适应局部增强方法，具体实现步骤如下：

(1)对于任意给定的屏幕图像局部区域，首先采用最小二乘法对其灰度概率分布进行高斯拟合：

其中，c为高斯分布的峰值，μ和σ分别表示高斯分布的均值和标准差。根据高斯分布的概率理论，[μ-σ,μ+σ]、[μ-2σ,μ+2σ]和[μ-3σ,μ+3σ]的灰度范围分别包含整个区域约68％、95％、99％的像素。本实施例优选手机屏幕局部区域的最小和最大灰度估值分别为I_min＝μ-2σ，I_max＝μ+2σ。

(2)针对局部区域可能存在的Mura缺陷，采用如下公式进行增强：

其中，I为图像灰度，k为正常数，本实施例优选为0.3。手机屏幕图像中像素的灰度I偏离灰度范围[I_min,I_max]中心值的程度越大，计算得到的f_enhance(I)值越小，表明该像素点属于Mura缺陷的概率越大。

实施例3

一种手机TFT-LCD屏Mura缺陷在线自动检测方法，具体实现步骤如下：

(1)采用实施例1的方法获取手机TFT-LCD屏幕区域后，将屏幕区域分为a×b和b×a(a、b均不能被彼此整除)的子图像，本实施例优选a＝60,b＝200，分块操作结果如图4和图5所示，可以看到，尽管图像整体亮度不均，但进行分块处理之后，每个子图像正常屏幕区域灰度基本一致。

(2)采用实施例2的方法对两次分块后的图像分别进行自适应局部增强，增强结果如图6和7所示，分别记作f₁和f₂，可以看到，Mura缺陷虽被有效增强，但增强后的结果将不可避免地存在一定的块效应，即在子图像边界存在伪影痕迹。

(3)为了去除块效应，对于屏幕区域的每个像素点，取其在增强图像f₁和f₂中的较大值作为该像素点的最终增强结果，获取最终增强图像f，如图8所示。

(4)采用最小二乘法对增强图像f的直方图进行高斯拟合，获取高斯分布的均值α与标准差β，并根据高斯分布的置信区间估计图像阈值θ，本实施例优选θ＝α+3β；

(5)利用阈值θ对图像f进行二值化，将增强图像f中大于阈值θ的像素标记为“0”，即为正常屏幕区域，小于阈值θ的像素标记为“1”，即为Mura候选区域；

(6)对二值化结果进行形态学开操作去除其中可能出现的噪声，得到最终的Mura缺陷检测结果，本实施例优选半径为5的圆形结构作为形态学开操作的结构元素。

图9为采用本实施例方法得到的Mura缺陷检测结果，可以看到，其中的Mura缺陷区域均被完整有效地分割。

实施例4

采用实施例3的方法对手机生产线上提供的数据集进行测试统计。数据集包含40幅由CCD工业相机在暗室环境中采集的白屏模式下的手机屏幕图像，图像大小均为2712×3360，每幅图像的TFT-LCD屏幕区域均存在不同尺寸和数目的Mura缺陷。采用真阳性率(Ture Positive Rate,TPR)和真阴性率(Ture Negative Rate,TNR)对测试结果进行定量评价，分别定义如下：

其中，TP为被正确检测的Mura缺陷像素数目，TN为被正确检测的背景(即正常屏幕)像素数目，FN表示被误检测为背景的Mura缺陷像素数目，FP则表示被误检测为Mura缺陷的背景像素数目。TPR和TNR值越大表示算法检测效果越好。由本实施例检测得到的真阳性率TPR和真阴性率TNR的均值和方差分别达92.35％±5.52％和97.12％±1.83％，表明本发明方法能在正确识别正常TFT-LCD屏幕区域的情况下有效检测Mura缺陷，且准确率高，鲁棒性强。