一種基于GPU的TFT-LCD Mura缺陷檢測的方法技術

本發明專利技術公開了一種基于GPU的TFT?LCD?Mura缺陷檢測的方法，包括下述步驟：(1)基于原始圖像數據建立基于學生化殘差的雙二階回歸診斷模型，獲得雙二階回歸背景圖像數據；(2)根據原始圖像數據和所述雙二階回歸背景圖像數據獲得各組數據點對擬合值的影響量；(3)根據所述影響量排除原始圖像數據中的奇異點和影響點，獲得新的像素點集；(4)根據新的像素點集建立雙N階多項式曲面擬合模型，獲得雙N階背景圖像數據；(5)根據所述雙N階背景圖像數據和原始圖像數據獲得殘差圖像R并對殘差圖像進行閾值分割處理，獲得閾值分割圖像；(6)對閾值分割圖像進行形態學處理，獲得腐蝕膨脹后的圖像，實現對亮度分布不均的Mura缺陷進行有效的分割。

【技術實現步驟摘要】

本專利技術屬于液晶顯示器顯示缺陷檢測
，更具體地，涉及一種基于GPU的TFT-LCD Mura缺陷檢測的方法。
技術介紹
TFT-LCD(薄膜晶體管液晶顯示器)以其低功耗、大尺寸化、高清晰化等特點成為當前最主流的顯示設備，并廣泛應用于液晶電視、手機移動終端等顯示領域，特別是在高清、3D等高端顯示領域，TFT-LCD具有絕對的優勢。TFT-LCD的廣泛應用，以及消費者對于高性能顯示器件的需求日益提高，使得TFT-LCD制作工藝和流程越來越復雜，而在TFT-LCD大批量的生成過程中，不可避免地會產生一定的不良產品。根據缺陷形態和背景對比度的不同，TFT-LCD的顯示缺陷主要分為：點缺陷，線缺陷，Mura缺陷。而Mura缺陷因具有對比度低，背景亮度不均勻等特點，加之背景紋理和復雜噪聲的干擾，使得對Mura缺陷的檢測和修復成為企業競爭力的重要依據。目前，國內外各大TFT-LCD面板廠商對Mura缺陷的檢測主要依靠經驗豐富的檢測人員用肉眼來進行判定，具有成本高、不穩定、效率低等特點。機器視覺缺陷檢測是一種非接觸式的檢驗方式，因具有自動化程度高、魯棒性好等特性而受到廣泛應用。然而，通過CCD相機等設備采集到的缺陷圖像由于TFT-LCD材料不均勻、視場偏差、外界光源不均勻等原因使得圖像背景亮度不均勻混雜在Mura缺陷本身的不均勻中，從而導致自動光學檢測方法不能準確檢測出Mura缺陷甚至差于人工的檢測方法。現有技術的主要問題是自動光學檢測自適應差，誤檢和漏檢率較高，如針對不同型號的產品以及具有一定差異的同型號產品，其檢測自適應欠佳，設備調試和可操作性較差。另一方面，目前自動光學檢測主要采用線上檢測方式，而現有技術多采用CPU等開發環境，檢測時間長，尤其是對于大幅面、多張圖像同時檢測的情況，現有技術嚴重影響工序效率。中國專利《基于B樣條曲面擬合的TFT-LCDMura缺陷機器視覺檢測方法》(專利號CN 201310405884.4)，采用對原始圖像數據進行B樣條曲面擬合，然后用原始圖像減去背景圖像的方法。該方法對亮度不均勻面積較大或者噪聲大的Mura缺陷的檢測效果不理想，且運算量較大，較難滿足實際應用的要求。
技術實現思路
針對現有技術的缺陷，本專利技術的目的在于提供一種基于GPU的TFT-LCD Mura缺陷檢測的方法，旨在解決現有技術對亮度不均勻面積較大或者噪聲大的Mura缺陷的檢測效果不理想，檢測精度低且運算量較大的問題。本專利技術提供了一種基于GPU的TFT-LCD Mura缺陷檢測的方法，包括下述步驟：(1)基于原始圖像數據建立基于學生化殘差的雙二階回歸診斷模型，并計算所述雙二階回歸診斷模型的第一系數，并將所述第一系數進行擬合處理，獲得雙二階回歸背景圖像數據；(2)根據所述原始圖像數據和所述雙二階回歸背景圖像數據獲得各組數據點對擬合值的影響量WK；其中，第i組數據點對于擬合值的影響量WKi越大表示第i個數據點對曲面擬合的影響也就越大，反之，則第i個數據點對曲面擬合的影響也就越小；(3)根據所述影響量WK排除所述原始圖像數據中的奇異點和影響點，獲得新的像素點集ΦB；(4)根據新的像素點集ΦB建立雙N階多項式曲面擬合模型，計算雙N階多項式曲面擬合模型的第二系數，并根據所述第二系數估計雙N階背景圖像數據；(5)根據所述雙N階背景圖像數據和所述原始圖像數據獲得殘差圖像并對所述殘差圖像進行閾值分割處理，獲得閾值分割圖像；(6)對所述閾值分割圖像進行形態學處理，獲得腐蝕膨脹后的圖像，實現對亮度分布不均的Mura缺陷進行有效的分割。在本專利技術中，第一系數是指雙二階回歸診斷模型系數，第二系數是指雙四階多項式模型系數。更進一步地，步驟(1)具體為：(1.1)建立基于學生化殘差的雙二階回歸診斷模型：Z＝Xβ+ε＝p00+p10x+p01y+p20x2+p11xy+p02y2+ε；(1.2)根據最小二乘法計算所述雙二階回歸診斷模型的第一系數的估計值(1.3)將所述第一系數的估計值進行擬合處理，獲得雙二階回歸背景圖像數據其中，X表示二維圖像的橫軸和縱軸坐標的矩陣表示形式；Z為X中對應坐標位置處的像素灰度值；p00,p01,…,p20為雙二階回歸診斷模型系數；ε為殘差值，滿足ε～(0,σ2I)；β為回歸模型系數的向量表示形式，β的水平為1-α的置信域可表示為如下形式：p為雙二階回歸診斷模型系數個數；n為圖像像素點總數；和為模型系數β和方差σ的最小二乘估計；F(p,n-p)為F分布。更進一步地，在步驟(1.1)之前還包括如下步驟：對所述原始圖像數據進行Gabor濾波，去除摩爾紋和CCD采集的原始圖像中的紋理柵格；其中，Gabor濾波算子包括：xr＝xcosθ+ysinθ,yr＝-xsinθ+ycosθ，f為濾波頻率，θ為濾波器方向；f為1/2T，T為紋理單元的寬度。更進一步地，所述濾波器方向θ分別為0°、45°、90°、135°；由于更多的方向可以增強濾波效果，但是會大大的增加計算量，在一般的紋理分析中，四個方向的濾波器是足夠的。本專利技術中經過Gabor濾波后的圖像，紋理柵格得到很好的抑制。更進一步地，步驟(3)具體為：(3.1)對影響量WK按照從小到大進行排序，取出前γ％的點視為奇異區域，并將其像素值置為1，其余像素的像素值置為0，獲得二值化圖像Φuv，(3.2)對所述二值化圖像進行中值濾波，獲得濾波后的奇異點圖像Φf；(3.3)對殘差圖像E按照從大到小進行排序，取出前ω％的點視為影響點區域，并將其像素值置為1，其余像素的像素值置為0，獲得影響點圖像Φg；(3.4)由原始圖像像素點集Φ，扣除具有影響力的影響點圖像Φg和奇異點圖像Φf后得到新的像素點集ΦB；其中，γ為奇異閾值，取值范圍為0-100；殘差圖像z和的意義同上，ω取2-10；ΦB＝Φ-Φg-Φ.*Φf；.*為點乘操作，ΦB為從原始圖像像素點集Φ中扣除影響點和奇異點后的像素集；奇異點是指因建立的模型不能有好的回歸分析解釋并且遠離了整體的數據點；影響點是指會使回歸模型產生很大變化的點。更進一步地，由于多項式擬合可以近似估計圖像整體的亮度變化趨勢，而擬合的成敗很大程度上取決于對于多項式階次的選取，階次太低，擬合的效果較差，而且會出現明顯的區塊效應，階次太高，一方面耗時隨階次成幾何倍數增長，另一方面易產生過擬合現象，綜合考慮各種因素，N可以取值為4或5；當N為4時，步驟(4)具體為：(4.1)建立雙四階多項式曲面擬合模型：Z＝Xβ+ε＝p00+p10x+p01y+p20x2+p11xy+p02y2+p30x3+p21x2y+p12xy2+p03y3+p40x4+p31x3y+p22x2y2+p13xy3+p04y4+ε；(4.2)根據最小二乘法計算所述雙四階多項式曲面擬合模型的第二系數估計值(4.3)對所述第二系數估計值進行擬合處理，獲得雙N階背景圖像數據其中，X和Z分別為扣除奇異點后的新的像素點集ΦB對應的坐標數據集和灰度數據集，p00,p01,…,p40為雙四階多項式模型系數，為由原始圖像最終擬合的背景圖像。更進一步地，在步驟(5)中，所述閾值分割處理具體為：將殘差圖像R與二值化圖像取反后作像素點乘，扣除屬于奇異區域的殘差RES＝(1-Φf).*R；根據所述殘差RES、背景區本文檔來自技高網...

【技術保護點】
一種基于GPU的TFT?LCD?Mura缺陷檢測的方法，其特征在于，包括下述步驟：(1)基于原始圖像數據建立基于學生化殘差的雙二階回歸診斷模型，并計算所述雙二階回歸診斷模型的第一系數，并將所述第一系數進行擬合處理，獲得雙二階回歸背景圖像數據；(2)根據所述原始圖像數據和所述雙二階回歸背景圖像數據獲得各組數據點對擬合值的影響量WK；其中，第i組數據點對于擬合值的影響量(3)根據所述影響量WK排除所述原始圖像數據中的奇異點和影響點，獲得新的像素點集ΦB；(4)根據新的像素點集ΦB建立雙N階多項式曲面擬合模型，計算雙N階多項式曲面擬合模型的第二系數，并根據所述第二系數估計雙N階背景圖像數據；(5)根據所述雙N階背景圖像數據和所述原始圖像數據獲得殘差圖像并對所述殘差圖像進行閾值分割處理，獲得閾值分割圖像；(6)對所述閾值分割圖像進行形態學處理，獲得腐蝕膨脹后的圖像。

【技術特征摘要】
1.一種基于GPU的TFT-LCD Mura缺陷檢測的方法，其特征在于，包括下述步驟：(1)基于原始圖像數據建立基于學生化殘差的雙二階回歸診斷模型，并計算所述雙二階回歸診斷模型的第一系數，并將所述第一系數進行擬合處理，獲得雙二階回歸背景圖像數據；(2)根據所述原始圖像數據和所述雙二階回歸背景圖像數據獲得各組數據點對擬合值的影響量WK；其中，第i組數據點對于擬合值的影響量(3)根據所述影響量WK排除所述原始圖像數據中的奇異點和影響點，獲得新的像素點集ΦB；(4)根據新的像素點集ΦB建立雙N階多項式曲面擬合模型，計算雙N階多項式曲面擬合模型的第二系數，并根據所述第二系數估計雙N階背景圖像數據；(5)根據所述雙N階背景圖像數據和所述原始圖像數據獲得殘差圖像并對所述殘差圖像進行閾值分割處理，獲得閾值分割圖像；(6)對所述閾值分割圖像進行形態學處理，獲得腐蝕膨脹后的圖像。2.如權利要求1所述的TFT-LCD Mura缺陷檢測的方法，其特征在于，步驟(1)具體為：(1.1)建立基于學生化殘差的雙二階回歸診斷模型：Z＝Xβ+ε＝p00+p10x+p01y+p20x2+p11xy+p02y2+ε；(1.2)根據最小二乘法計算所述雙二階回歸診斷模型的第一系數的估計值(1.3)將所述第一系數的估計值進行擬合處理，獲得雙二階回歸背景圖像數據其中，X表示二維圖像的橫軸和縱軸坐標的矩陣表示形式；Z為X中對應坐標位置處的像素灰度值；p00,p01,…,p20為雙二階回歸診斷模型的第一系數；ε為殘差值，滿足ε～(0,σ2I)；β為第一系數的向量表示形式，β的水平為1-α的置信域可表示為如下形式：p為雙二階回歸診斷模型系數個數；n為圖像像素點總數；和為第一系數β和方差σ的最小二乘估計；F(p,n-p)為F分布。3.如權利要求2所述的TFT-LCD Mura缺陷檢測的方法，其特征在于，在步驟(1.1)之前還包括如下步驟：對所述原始圖像數據進行Gabor濾波，去除摩爾紋和CCD采集的原始圖像中的紋理柵格；其中，Gabor濾波算子包括：xr＝x cosθ+y sinθ,yr＝-x sinθ+y cosθ，f為濾波頻率，θ為濾波器方向；f為1/2T，T為紋理單元的寬度。4.如權利要求3所述的TFT-LCD Mura缺陷檢測的方法，其特征在于，所述濾波器方向θ分別為0°、45°、90°、135°。5.如權利要求1-4任一項所述的TFT-LCD Mura缺陷檢測的方法，其特征在于，步驟(3)具體為：(3.1)對影響量WK按照從小到大進行排序，取出前γ％的點視為奇異區域，并將其像素值置為1，其余像素的像素值置為0，獲得二值化圖像...

【專利技術屬性】
技術研發人員：魯方波，姚峰，鄧標華，陳凱，沈亞非，
申請(專利權)人：武漢精測電子技術股份有限公司，
類型：發明
國別省市：湖北;42