參數(shù)自適應(yīng)的液晶屏幕缺陷檢測框架

劉望 邵慧麗 何勇軍 謝怡寧 陳德運(yùn)

摘 要：液晶顯示屏生產(chǎn)過程中不可避免存在缺陷，需要檢測以確保質(zhì)量。人工檢測工作量大、準(zhǔn)確率低、迫切需要一種高效而準(zhǔn)確的自動化檢測方法。為此，提出了一種新的參數(shù)自適應(yīng)的缺陷檢測框架，主要包括提取屏幕區(qū)域、預(yù)處理、閾值分割、缺陷選擇。通過參數(shù)的自適應(yīng)調(diào)整，使檢測方法適應(yīng)各種復(fù)雜的情況。在閾值分割時(shí)，針對光照影響的問題，采用自適應(yīng)調(diào)整閾值參數(shù)的方式分割缺陷區(qū)域。首先計(jì)算圖像的最大灰度值，然后根據(jù)無缺陷圖像確定固定參數(shù)，缺陷圖像確定系數(shù)，最后在固定參數(shù)和最大灰度值與系數(shù)之積中選擇最大值作為閾值分割的最小閾值。在檢測飽和度缺陷時(shí)，針對低分辨率相機(jī)拍攝的圖像明暗差異小的問題，采用自適應(yīng)調(diào)整曝光參數(shù)采集圖像分別處理明暗程度差異大的不同圖像部分。實(shí)驗(yàn)表明，該方法能高效準(zhǔn)確地檢測點(diǎn)類、線類、Mura和飽和度缺陷。

關(guān)鍵詞：缺陷檢測;高斯差分濾波;飽和度;參數(shù)自適應(yīng)

DOI：10.15938/j.jhust.2020.05.011

中圖分類號： TP399

文獻(xiàn)標(biāo)志碼： A

文章編號： 1007-2683（2020）05-0075-08

Abstract：It is necessary to detect defects in the production process of LCD screens for quality improvements. Manual detection brings a heavy workload and low accuracy. Therefore， an efficient and accurate automatic detection method is urgently needed. To this end， this paper proposes a new defect detection framework， which mainly includes screen area extraction， preprocessing， threshold segmentation and defect selection. By adaptive adjustment of parameters， the detection method can adapt to various complex situations. In order to eliminate the influence of illumination changes， the defect region is segmented by automatic parameter adjustment in the threshold segmentation. First， the maximum grayscale value of the image is calculated， and then the fixed parameters and the coefficient of the defect image are determined according to the no-defect image， and finally the maximum value which was selected as the minimum threshold of the threshold segmentation from the fixed parameters and the product of the maximum grayscale value and the coefficient. In addition， in order to solve the problem that the brightness difference of the images captured by low-resolution cameras is too small to detect defects in the saturation condition， self-adaptive adjustment of exposure parameters was used to collect images to process different parts of images with large difference in light and shade. Experiments show that the method can achieve high performance and efficiency in detecting defects such as points， lines， Mura， saturation.

Keywords：defect detection; difference of Gaussian; saturation; parameter adaptive

0 引 言

近年來，隨著經(jīng)濟(jì)和社會的發(fā)展，對液晶屏信息展示的要求越來越高，而液晶屏已經(jīng)成為人們的必需品。中國是最大的液晶屏幕制造商，總出貨量居全球第一。據(jù)統(tǒng)計(jì)，2018年上半年全球液晶屏出貨總量高達(dá)1.36億片。在液晶屏幕生產(chǎn)過程中，盡管每個(gè)環(huán)節(jié)嚴(yán)格把控，但是不可避免會存在各種各樣的缺陷。因此，缺陷檢測成為液晶屏幕生產(chǎn)過程中不可缺少的環(huán)節(jié)。傳統(tǒng)的人工檢測容易受到環(huán)境、人眼疲勞、情緒等因素的影響，具有一定的主觀性。這種主觀性使得人工檢測不僅檢測效率低，而且誤判率高，檢測質(zhì)量不穩(wěn)定。因此，利用機(jī)器視覺的方法自動檢測產(chǎn)品缺陷具有重大意義?；跈C(jī)器視覺的缺陷檢測技術(shù)具有不受缺陷產(chǎn)生原因限制的優(yōu)點(diǎn)，可以實(shí)現(xiàn)智能化的流水線快速檢測，最大限度的降低人眼檢測的主觀變差影響，提升液晶屏幕缺陷檢測效率和準(zhǔn)確率。

目前，缺陷檢測方法主要分3類，分別是差影法、邊界模糊缺陷分割法和濾波法。差影法采用無缺陷的屏幕得到模板圖像后與待檢測圖像做差分，獲得減去背景的缺陷圖像。但是這種方法極易受光照影響，差分后可能會有背景殘余影響缺陷的檢測。閆真真[1]提出結(jié)合雙邊濾波的加權(quán)模板差影檢測算法，將加權(quán)模板差影和雙邊濾波相結(jié)合有效的克服了亮度不均勻的影響。周波波[2]提出基于改進(jìn)的匹配算法和差影法檢測點(diǎn)缺陷，有效地加快了檢測速度，提高了配準(zhǔn)效率。高如新等[3]提出了基于圖像匹配的差分算法及金字塔分層搜索策略，實(shí)現(xiàn)了手機(jī)屏幕缺陷特征的準(zhǔn)確提取，提升了精度和速度。相比差影法而言，邊界模糊缺陷分割法能夠消除光照不均勻?qū)θ毕輽z測的影響。它是利用缺陷和背景交界處的一階和二階導(dǎo)數(shù)不連續(xù)的特點(diǎn)，對圖像進(jìn)行分割的方法。Li W C等[4]采用霍夫變換的方法來識別不均勻光照圖像中的低對比度缺陷。通過減少線參數(shù)的可能范圍檢測圖像中的Mura缺陷。陳廉政[5]提出基于背景重構(gòu)的方法，利用邊緣梯度能量項(xiàng)和區(qū)域信息能量項(xiàng)檢測缺陷。該方法通過預(yù)判缺陷區(qū)域，將除了缺陷外的像素進(jìn)行多項(xiàng)式背景擬合得到重構(gòu)背景圖像，提高了背景圖像擬合的精度，使缺陷更加突出。李強(qiáng)國[6]采用背景同構(gòu)和形態(tài)學(xué)的方法檢測Mura，雖能夠消除亮度不均勻的影響，但是擬合算法耗時(shí)長。Fan S K S等[7]基于回歸診斷的方法，通過線性模型估計(jì)輸入圖像的灰度級數(shù)據(jù)，然后計(jì)算誤差平方和殘差以過濾出Mura區(qū)域。張騰達(dá)等[8]采用一種基于二維DFT的缺陷檢測算法，通過霍夫變換檢測到代表線狀紋理的高能量頻域直線，二維IDFT進(jìn)行空間域圖像重構(gòu)，最后簡單閾值分割提取缺陷。雖然能夠達(dá)到工廠要求，但是只能對線性紋理圖像進(jìn)行缺陷檢測具有局限性。MaLing等[9]、Chen S L等[10]和Zhang Y等[11]提出一種新的基于回歸診斷的曲面擬合背景估計(jì)理論方法，但是由于擬合耗時(shí)長，很難在時(shí)間上達(dá)到實(shí)際的要求。濾波法主要是利用濾波器，根據(jù)各個(gè)像素能量不同來判斷缺陷的位置。Chen等[12]基于高斯拉普拉斯濾波器的方法，對小區(qū)域Mura缺陷和線Mura缺陷檢測。李傳樂[13]提出基于光學(xué)的圖像處理方法，用兩次均值濾波來凸顯線類缺陷特征，用Gabor濾波檢測Mura，最后增強(qiáng)對比度選擇缺陷。王新新等[14]采用Gabor濾波將圖像的背景紋理濾除的算法檢測缺陷。該算法雖然針對不同種類缺陷可以采用同一種檢測技術(shù)，但是對Mura檢測精度較低。彭趕等[15]基于高斯圖像濾波和中值濾波的處理方法解決了手機(jī)屏幕點(diǎn)、線、塊缺陷的問題。朱恒川[16]提出基于局部閾值的缺陷分割算法檢測40英寸以上的液晶電視。首先采用多個(gè)相機(jī)檢測，然后拼接多個(gè)圖像。最后利用高斯差分濾波算法檢測缺陷。該方法雖然可以有效地檢測缺陷，但是對特殊位置如邊緣的缺陷檢測效果不理想，且由于分割和拼接等操作造成缺陷檢測效率低。

綜上所述，差影法容易受到選擇的模板影響產(chǎn)生背景殘余，且模板生成和匹配耗時(shí)長。邊界模糊分割法需要背景重構(gòu)復(fù)雜且困難。濾波法就避免了這些問題[17]。在頻域檢測缺陷時(shí)，高斯差分濾波更能凸顯缺陷。由于光照的影響，在選擇缺陷的精確度上有待提高。為此，本文提出了一種自適應(yīng)調(diào)整閾值參數(shù)的方法。高斯濾波后，圖像背景變?yōu)楹谏?，所以設(shè)置閾值分割的最大閾值參數(shù)為255。由于閾值分割的最小參數(shù)直接決定缺陷是否能被選出。所以我們根據(jù)圖像的灰度值來動態(tài)確定最小閾值參數(shù)。首先確定一個(gè)固定閾值確保無缺陷圖像不被誤檢，然后取圖像的最大灰度值的倍數(shù)（小于1）確定一個(gè)可變閾值參數(shù)，這是因?yàn)閳D像的最大灰度值為缺陷的最大灰度值。這樣就可以根據(jù)圖像缺陷的灰度值來動態(tài)改變最小閾值，最后取固定閾值和可變閾值參數(shù)的最大值為閾值分割的最小閾值參數(shù)。在檢測屏幕飽和度時(shí)，往往需要高分辨率相機(jī)或者價(jià)格幾萬的線陣相機(jī)，成本消耗較大。因此，本文提出用低分辨率相機(jī)檢測屏幕飽和度缺陷的方法。由于低分辨率相機(jī)一次拍攝不能把完整的灰度等級拍攝清楚，所以本文提出了自適應(yīng)調(diào)整曝光參數(shù)采集多幅圖像以分別處理明暗程度差異大的不同圖像部分。首先采用正常曝光采集圖像，利用Sobel算子提取不同飽和度分界的邊緣，然后根據(jù)上次檢測情況自適應(yīng)調(diào)整第二次曝光參數(shù)再次采集圖像，與第一次同樣步驟檢測出上次未檢測到的部分，然后經(jīng)閾值分割和形態(tài)學(xué)選擇缺陷。最后綜合兩次檢測結(jié)果來判定屏幕顯示的飽和度程度。實(shí)驗(yàn)表明，本文提出的方法可檢測點(diǎn)類，線類，Mura，飽和度等缺陷，速度快，準(zhǔn)確率高，切實(shí)地解決了工廠屏幕檢測的實(shí)際問題。

1 缺陷概述

因液晶屏幕生產(chǎn)工藝復(fù)雜，涉及300多個(gè)工序，盡管生產(chǎn)過程環(huán)境嚴(yán)格把控，但是還是避免不了缺陷的產(chǎn)生，如灰塵，臟污，頭發(fā)等。經(jīng)研究產(chǎn)生缺陷的原因可分為兩種，電氣缺陷和非電氣缺陷，比如短路是電氣缺陷，劃傷、氣泡、亮點(diǎn)、暗點(diǎn)、亮線和暗線等是非電氣缺陷。雖然缺陷的形狀、大小和灰度各不相同，但是可分為以下4類：①點(diǎn)類缺陷。點(diǎn)類缺陷主要表現(xiàn)為一個(gè)或者多個(gè)像素大小的亮點(diǎn)，暗點(diǎn)和斑狀是最常見的點(diǎn)類屏幕缺陷，約占90%[13]。如圖1（a）、（b）所示;②線類缺陷。線類缺陷主要表現(xiàn)為一條或者多條像素的亮線或者是暗線，如圖1（c）、（d）所示;③屏幕不飽和。屏幕飽和表現(xiàn)為在32灰畫面顯示不同灰度階，各灰度階間有過渡豎線，不飽和則表現(xiàn)為有部分灰度階顯示為一種灰度，沒有過度豎線。如圖1（e）所示;④Mura缺陷。Mura缺陷主要表現(xiàn)為液晶屏幕部分亮度不均勻[15]，水漬缺陷是常見的Mura缺陷[18]，如圖1（f）、（g）所示。

2 算法的實(shí)現(xiàn)

本算法通過提取屏幕區(qū)域、預(yù)處理、閾值分割、缺陷選擇步驟檢測缺陷。首先利用加權(quán)最小二乘法擬合矩形的方法提取屏幕區(qū)域。然后用高斯差分濾波處理純色畫面，用Sobel算子提取非純色畫面的灰度邊界線來檢測飽和度。最后用自適應(yīng)調(diào)整閾值參數(shù)的方式分割缺陷并利用形態(tài)學(xué)方法選擇缺陷。

2.1 提取屏幕區(qū)域

提取屏幕區(qū)域是屏幕檢測的首要任務(wù)。因?yàn)樵谙鄼C(jī)采集圖像時(shí)，可能會采集到除屏幕外的多余區(qū)域，如屏幕邊框，電源鍵等，影響算法檢測缺陷，所以需要從采集的圖像中提取出屏幕區(qū)域。另外提取出屏幕區(qū)域，能夠縮小算法檢測范圍，提高檢測效率。本算法首先采用閾值分割方法選擇區(qū)域，然后利用區(qū)域面積的差異選擇出屏幕區(qū)域，獲取該區(qū)域的輪廓，再利用加權(quán)最小二乘法擬合矩形，即可獲取屏幕矩形區(qū)域，最后在原圖上提取屏幕圖像SROI（screen region of interest，SROI），如圖2所示。

2.2 預(yù)處理

2.2.1 高斯差分濾波處理

本算法主要采用高斯差分DOG（difference of Gaussian，DOG）濾波的方法來檢測缺陷。高斯差分DOG是一種常用的邊緣增強(qiáng)濾波器，能有效地提取圖像中的邊緣信息。高斯函數(shù)為：

利用屏幕區(qū)域SROI的寬度和高度，生成兩個(gè)濾波器。一個(gè)是由核寬度為σ1的高斯核函數(shù)生成高斯濾波g1（x，y），另一個(gè)是由核寬度為σ2的高斯核函數(shù)生成高斯濾波g2（x，y）。再計(jì)算高斯差分濾波g12（x，y）=g2（x，y）-g1（x，y），將高斯函數(shù)代入即得DOG算子：

首先將提取屏幕后的圖像SROI轉(zhuǎn)換為灰度圖，再對灰度圖像進(jìn)行傅里葉轉(zhuǎn)換。因?yàn)閷τ跀?shù)字圖像這種離散的信號，頻率大小表示信號變化的劇烈程度，頻率越大，變化越劇烈，頻率越小，信號越平緩。因此，高頻信號往往是圖像中的邊緣信號和噪聲信號，而低頻信號包含圖像變化頻繁的圖像輪廓及背景等信號。而傅里葉變換可將時(shí)域上的信號轉(zhuǎn)變?yōu)轭l域上的信號，就可以更好的處理圖像，凸顯邊緣。由于圖像的本質(zhì)上是二維離散函數(shù)，因此圖像的傅里葉變換即為二維離散傅里葉變換，假設(shè)f（x，y）表示大小為M

速傅里葉變換，高斯差分濾波DOG作卷積操作得到圖像ImageConvolA，反傅里葉變換ImageConvolA后缺陷凸顯出來，再利用矩形灰度范圍增強(qiáng)缺陷，即用一個(gè)矩形結(jié)構(gòu)元素在圖像中滑動，新的灰度值等于矩形中輸入圖像最大灰度值和最小灰度值差值，增強(qiáng)孤立點(diǎn)或團(tuán)狀缺陷。如圖3所示是無缺陷和各類缺陷的原圖、濾波處理后和缺陷增強(qiáng)后的結(jié)果。

2.2.2 邊緣提取

在32灰畫面下，正常顯示的豎線是31條。由于相機(jī)硬件的原因，采集圖像時(shí)右邊黑色的部分不能清楚的顯示出來，嚴(yán)重影響算法檢測，如圖4（a）所示為正常曝光參數(shù)拍攝的圖像。本算法提出自適應(yīng)調(diào)整曝光參數(shù)采集圖像以分別處理明暗程度差異大的不同圖像部分。即根據(jù)正常曝光參數(shù)檢測到的邊緣個(gè)數(shù)來自適應(yīng)調(diào)整曝光參數(shù)。如圖4（a）所示是正常曝光參數(shù)的顯示畫面。如圖4（c）所示是增加曝光參數(shù)的顯示畫面，可以看出右邊部分可以清楚的顯示出來。飽和度檢測算法一共采集兩次圖像，第一次正常曝光參數(shù)采集圖像后，首先根據(jù)檢測飽和度實(shí)際顯示為豎條的特點(diǎn)，采用Sobel算子的X方向處理感興趣區(qū)域。Sobel算子的X方向公式為其中：I為原始圖像，Gx分別代表X方向?qū)求微分后的灰度圖像。再通過閾值分割灰度值選擇豎線區(qū)域，接著采用形態(tài)學(xué)處理方法選擇連通區(qū)域，根據(jù)區(qū)域高度選擇不同灰度層級之間的豎線和計(jì)算豎線的個(gè)數(shù)。正常曝光參數(shù)采集圖像檢測結(jié)果是27條，有4條未檢測出來，如圖4（b）所示。根據(jù)上次曝光參數(shù)和檢測到的豎線數(shù)量，計(jì)算每條豎線的曝光數(shù)，然后乘以未檢測到的豎線數(shù)即為第二次采集圖像需增加的曝光數(shù)。增加曝光后再次采集圖像使用Sobel算子檢測豎線，與第一次算法處理相同，檢測出第一次未檢出的4條豎線。如圖4（d）所示。最后綜合兩次檢測判定屏幕的飽和程度。

2.3 自適應(yīng)調(diào)整閾值參數(shù)

由于光照的影響，同一環(huán)境拍攝的圖像背景的灰度值有差異，為了提高缺陷檢測的準(zhǔn)確率，于是在利用閾值分割選擇缺陷區(qū)域時(shí)，閾值分割參數(shù)不能是固定值。本算法采用自適應(yīng)調(diào)整閾值參數(shù)的方法，由于經(jīng)高斯差分濾波后，圖像的背景得到抑制，所以閾值分割的最大灰度值設(shè)為255，最小灰度值則根據(jù)差分圖像的灰度值動態(tài)設(shè)置。首先最小閾值要保證不能將正確圖像誤檢，所以需要設(shè)置一個(gè)固定參數(shù)確保與之不低于它，其次，差分后的缺陷圖像最大灰度值即為缺陷的最大灰度值，所以根據(jù)最大灰度值來動態(tài)確定最小閾值，具體如下。令2.2.1最終得到的圖像的最大灰度值為MG（max gray，MG），設(shè)固定參數(shù)為FP（fixed parameter，F(xiàn)P），相關(guān)系數(shù)為CC（correlation coefficient，CC），那么閾值分割參數(shù)為：

其中FP保證采集的無缺陷圖像不誤檢（即沒有缺陷的位置檢測結(jié)果有缺陷），CC可以提高檢測缺陷的精確度。首先令CC=0，取同一環(huán)境拍攝一定數(shù)量的無缺陷圖像，以一定數(shù)的步長迭代FP的值，直到無缺陷圖像不會發(fā)生誤檢，來確定誤檢的固定參數(shù)FP。然后隨機(jī)選擇一定數(shù)量有缺陷的圖像，令上一步得到的固定參數(shù)FP不變，以一定步長迭代CC的值，只要選出所有的缺陷圖像。最后通過選擇連通區(qū)域和閉操作，最終選出缺陷。

3 實(shí) 驗(yàn)

本節(jié)將展示本文算法的檢測缺陷效果，以及閾值參數(shù)確定實(shí)驗(yàn)，并從準(zhǔn)確率和時(shí)間上對本文算法作評價(jià)。本節(jié)設(shè)計(jì)了兩個(gè)實(shí)驗(yàn)：①自適應(yīng)調(diào)整閾值參數(shù)的實(shí)驗(yàn)。主要是根據(jù)檢測圖像的灰度范圍確定閾值分割的參數(shù)。②算法準(zhǔn)確率和效率對比試驗(yàn)。首先拍攝液晶屏幕缺陷圖像，然后分為四種缺陷類型，最后選用不同類型的缺陷圖像進(jìn)行實(shí)驗(yàn)測試，并在本數(shù)據(jù)集上用本文提出的算法和文[15]、文[19]和文[20]提出的方法分別進(jìn)行檢測和對比，驗(yàn)證本文算法的準(zhǔn)確率和高效性。

3.1 自適應(yīng)調(diào)整閾值參數(shù)的實(shí)驗(yàn)

3.1.1 實(shí)驗(yàn)過程

在本算法采用的自適應(yīng)調(diào)整閾值參數(shù)方法中確定兩個(gè)數(shù)，一個(gè)是固定參數(shù)FP保證采集的無缺陷圖像不誤檢，另一個(gè)是相關(guān)系數(shù)CC可以提高檢測缺陷的精確度。則本實(shí)驗(yàn)設(shè)計(jì)了兩個(gè)實(shí)驗(yàn)：①確定FP參數(shù)實(shí)驗(yàn)：首先在不同光照情況下拍攝四組無缺陷圖像，每組12張。然后，在每組圖像上，令CC=0，F(xiàn)P初始值為0.5，以步長0.2迭代FP的值，進(jìn)行閾值分割，統(tǒng)計(jì)準(zhǔn)確率， 直到FP=4.3。最后，根據(jù)四組圖像的準(zhǔn)確率情況確定FP最終的取值。②確定CC參數(shù)實(shí)驗(yàn)：首先拍攝帶有點(diǎn)類、線類、Mura缺陷的圖像各100張，共300張有缺陷的圖像，從中隨機(jī)選擇100張。令FP=3.1，CC初始值為0，以步長0.1迭代CC的值，進(jìn)行閾值分割，統(tǒng)計(jì)準(zhǔn)確率，直到CC=1。FP參數(shù)實(shí)驗(yàn)不同光照圖像如圖5所示：

3.1.2 實(shí)驗(yàn)結(jié)果分析

經(jīng)確定FP參數(shù)實(shí)驗(yàn)可知每組圖像的FP有一臨界值，低于臨界值就會將無缺陷圖像判錯(cuò)。以第二組為例，準(zhǔn)確率如圖6（a）所示，此組的臨界點(diǎn)灰度值為3.1。本實(shí)驗(yàn)一共做了4組，涵蓋了4組不同的光照，臨界點(diǎn)灰度值如表1所示。因此，取臨界點(diǎn)灰度值為最大時(shí)，能夠保證不同光照下不誤檢，即取FP=3.1。經(jīng)確定CC參數(shù)實(shí)驗(yàn)得如圖6（b）所示結(jié)果，可得CC為0.5時(shí)準(zhǔn)確率最高。

通過實(shí)驗(yàn)分析，閾值分割參數(shù)得最優(yōu)組合為FP=3.1，CC=0.5，則閾值分割的最小閾值設(shè)計(jì)為max{3.1，MG×0.5}，確定好參數(shù)后，檢測結(jié)果如圖7所示。通過實(shí)驗(yàn)驗(yàn)證，用該閾值參數(shù)閾值分割，可以減少光照對缺陷檢測的影響，提高檢測缺陷準(zhǔn)確率。

3.2 算法準(zhǔn)確率和效率對比試驗(yàn)

3.2.1 實(shí)驗(yàn)過程

根據(jù)實(shí)際工廠液晶屏幕檢測標(biāo)準(zhǔn)，首先采集實(shí)驗(yàn)數(shù)據(jù)，實(shí)驗(yàn)數(shù)據(jù)包括了實(shí)際屏幕檢測過程中的所有缺陷類型。我們將這些數(shù)據(jù)分為以下五類：無缺陷圖像、點(diǎn)類缺陷圖像、線類缺陷圖像、Mura類缺陷圖像、32灰缺陷圖像。然后分為五組去檢測并統(tǒng)計(jì)準(zhǔn)確率：①點(diǎn)類圖像： 100張無缺陷圖像和200張有缺陷圖像，其中有缺陷圖像缺陷為不同大小和不同灰度的點(diǎn)類，一共300張圖像;②線類圖像：100張無缺陷圖像和200張有缺陷圖像，其中有缺陷圖像類型分為不同長度、不同寬度和不同灰度的線類，一共300張圖像;③Mura類圖像：60張無缺陷圖像和50張有缺陷圖像其中有缺陷圖像類型分為不同形狀、不同面積和不同灰度的Mura缺陷，一共110張;④32灰圖像：50張無缺陷圖像和50張有缺陷圖像，其中缺陷類型分為不同位置飽和度顯示不明，一共100張;⑤從以上數(shù)據(jù)中隨機(jī)選擇無缺陷圖像50張和有缺陷圖像150張，一共200張圖像。最后用本文的方法進(jìn)行檢測，得出檢測準(zhǔn)確率和時(shí)間，并用文[15]、文[19]和文[20]提出的方法分別在本數(shù)據(jù)集上進(jìn)行檢測對比準(zhǔn)確率。

3.2.2 實(shí)驗(yàn)結(jié)果分析

準(zhǔn)確率PRE（precision，PRE）用于對所研究方法的進(jìn)行評價(jià)。若用SC（success check，SC）表示成功檢測出缺陷，F(xiàn)C（fail check，F(xiàn)C）表示失敗檢測出缺陷。則成功檢測的準(zhǔn)確率表示如下：

通過實(shí)驗(yàn)檢測點(diǎn)類、線類、Mura和飽和度缺陷的統(tǒng)計(jì)，得出檢測時(shí)間和準(zhǔn)確率的實(shí)驗(yàn)結(jié)果如表2、3所示。①雖然文[15]提出的方法檢測點(diǎn)類，線類缺陷的準(zhǔn)確率高，但是檢測Mura缺陷的準(zhǔn)確率為96%。本文提出的方法檢測Mura缺陷的準(zhǔn)確率要比文[15]的方法高3.09%，并且檢測點(diǎn)類和線類缺陷具有高準(zhǔn)確率;②文[20]提出的方法檢測線類缺陷準(zhǔn)確率為96%。本文提出的方法檢測線類缺陷的準(zhǔn)確率要比文[20]的方法高3.33%;③文[19]提出的方法檢測點(diǎn)類缺陷準(zhǔn)確率為97%。本文提出的方法檢測點(diǎn)類缺陷的準(zhǔn)確率要比文[19]的方法高3%。從隨機(jī)抽取不同種類缺陷來看，本文提出的方法具有高準(zhǔn)確率。綜合分析，本文算法檢測的缺陷類型相較其他學(xué)者多，除了能夠檢測點(diǎn)類、線類、Mura等缺陷，還能夠檢測飽和度缺陷。從表2中可以看出，本文提出的方法具有高效率要求。綜合表3可以看出本文提出的方法整體具有高準(zhǔn)確率，具備實(shí)際的檢測要求。另外，本文對五組實(shí)驗(yàn)數(shù)據(jù)做了綜合統(tǒng)計(jì)，無缺陷圖像一共為360張，有缺陷圖像一共650張，檢測結(jié)果混淆矩陣如表4所示，從表中可以看出，360張無缺陷圖像全部檢測為無缺陷，誤檢張數(shù)為0;650張有缺陷圖像，其中有645張成功檢出缺陷，僅有5張未檢出缺陷，總體計(jì)算正確率為99.5%。說明本文算法總體不僅沒有誤檢，準(zhǔn)確率也很高。

4 結(jié) 論

本文針對現(xiàn)在液晶屏幕缺陷檢測算法只能解決特定缺陷和檢測飽和度需高分辨率相機(jī)的問題，提出了一種新的缺陷檢測框架，主要包括屏幕區(qū)域提取、預(yù)處理、閾值分割、缺陷選擇。在純色畫面下，首先通過差分濾波抑制背景凸顯缺陷，然后利用自適應(yīng)閾值參數(shù)的方式分割缺陷區(qū)域，解決因光照對檢測的影響，最后利用形態(tài)學(xué)選擇缺陷。在非純色畫面下，采用自適應(yīng)曝光參數(shù)采集圖像，對采集的圖像首先通過Sobel算子X方向處突出邊緣，然后利用閾值分割方法分割缺陷，最后利用形態(tài)學(xué)處理判斷有無缺陷。實(shí)驗(yàn)表明，本文提出的方法有高準(zhǔn)確率和高效性，可以應(yīng)用到實(shí)際流水線中。

參 考 文 獻(xiàn)：

[1] 閆真真. TFT-LCD 點(diǎn)線缺陷檢測圖像處理算法研究[D].合肥：合肥工業(yè)大學(xué)， 2017.

[2] 周波波. 基于小型TFT-LCD點(diǎn)缺陷檢測系統(tǒng)的研究[D].長沙：中南林業(yè)科技大學(xué)， 2016.

[3] 高如新，任曉朵，吳獻(xiàn)，魏愛權(quán).基于圖像處理的手機(jī)屏幕缺陷檢測系統(tǒng)研究[J].測控技術(shù)， 2017，36（4）：26.

GAO R X， et al. Mobile Phone Screen Defect Detection System Based on Image Processing [J]. Measurement and Control Technology， 2017，36（4）：26.

[4] LI W C， TSAI D M. Defect Inspection in Low-contrast LCD Images Using Hough Transform-based Nonstationary Line Detection[J]. IEEE Transactions on Industrial Informatics， 2011， 7（1）： 136.

[5] 陳廉政. 基于圖像背景重構(gòu)和水平集的TFT-LCD缺陷檢測算法研究與應(yīng)用[D].武漢：華中科技大學(xué)， 2016：10.

[6] 李強(qiáng)國. TFT-LCD顯示屏Mura缺陷自動光學(xué)檢測算法研究[D].成都： 電子科技大學(xué)， 2013.

[7] FAN S K S， CHUANG Y C. Automatic Detection of Mura Defect in TFT-LCD Based on Regression Diagnostics[J]. Pattern Recognition Letters， 2010， 31（15）： 2397.

[8] 張騰達(dá)， 盧榮勝， 張書真. 基于二維DFT的TFT-LCD平板表面缺陷檢測[J].光電工程， 2016，43（3）：7.

ZHANG T D， et al. Surface Defect Detection of TFT-LCD Flat Panel Based on Two-dimensional DFT [J]. Optoelectronic Engineering， 2016，433）： 7.

[9] MALING W Z. Implementation of Region-mura Detection Based on Recursive Polynomial-surface Fitting Algorithm[C]//Proceedings of the 2nd Asia International Symposium on Mechatronics， Hong Kong， China， 2006.

[10]CHEN S L， CHANG J H. TFT-LCD Mura Defects Automatic Inspection System Using Linear Regression Diagnostic Model[J]. Proceedings of the Institution of Mechanical Engineers， Part B： Journal of Engineering Manufacture， 2008， 222（11）： 1489.

[11]ZHANG Y， ZHANG J. Automatic Blemish Inspection for TFT-LCD Based on Polynomial Surface Fitting[J]. Opto-Electronic Engineering， 2006， 33（10）： 108.

[12]CHEN， Hsin-Chia， et al. “LOG-filter-based Inspection of Cluster Mura and Vertical-band Mura on Liquid Crystal Displays.” Machine Vision Applications in Industrial Inspection XIII[J]. International Society for Optics and Photonics， 2005：5679.

[13]李傳樂. TFT-LCD缺陷檢測系統(tǒng)中的圖像處理[D].長春：吉林大學(xué)， 2016.

[14]王新新， 徐江偉， 鄒偉金， 劉永豐，王秀麗.TFT-LCD缺陷檢測系統(tǒng)的研究[J].電子測量與儀器學(xué)報(bào)， 2014，28（3）：278.

WANG X X， et al. Research on TFT-LCD Defect Detection System[J].Journal of Electronic Measurement and Instrument， 2014，28（3）：278.

[15]彭趕，張平，潘奕創(chuàng).基于機(jī)器視覺的手機(jī)屏幕缺陷檢測系統(tǒng)研究[J].自動化技術(shù)與應(yīng)用， 2018，37（9）：104.

PENG G， et al. Research on Mobile Phone Screen Defect Detection System Based on Machine Vision [J] .Automation Technology and Application， 2018，379）： 104.

[16]朱恒川. 基于機(jī)器視覺的液晶屏缺陷檢測[D].成都：電子科技大學(xué)， 2018.

[17]簡川霞. TFT-LCD表面缺陷檢測方法綜述[J]. 電視技術(shù)， 2015， 39（9）： 146.

JIAN C x. Summary of TFT-LCD Surface Defect Detection Methods [J]. Television Technology， 2015， 39（9）： 146.

[18]KONG L， SHEN J， HU Z， et al. Detection of Water-Stains Defects in TFT-LCD Based on Machine Vision[C]//2018 11th International Congress on Image and Signal Processing， BioMedical Engineering and InformaticsCISP-BMEI）. IEEE， 2018： 1.

[19]張佳. 一種基于像素點(diǎn)TFT-LCD的點(diǎn)線缺陷的檢測方法[J]. 科技創(chuàng)業(yè)月刊， 2014， 27（11）： 182.

ZHANG J.A Detection Method for Dot Line Defects Based on Pixel TFT-LCD [J]. Monthly Science and Technology Pioneer， 2014， 2711）： 182.

[20]趙文宏，彭超，陳紅星.基于形態(tài)學(xué)玻璃屏幕表面劃痕檢測方法研究[J].浙江工業(yè)大學(xué)學(xué)報(bào)， 2016， 44（3）： 279.

ZHAO W H， et al. Research on Scratch Detection Method of Glass Screen Surface Based on Morphology[J].Journal of Zhejiang University of Technology， 2016， 443）： 279.

（編輯：王 萍）