基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法技术

本发明专利技术公开了一种基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法，属于LCD mura缺陷机器视觉检测技术领域。本发明专利技术提出一种基于融合全局信息和局部信息的混合自适应模型的mura检测方法。该混合自适应模型能够提高曲线演化速度并有效克服背景灰度不均干扰，而且能够在靠近目标区域自适应减小，防止过度收敛，实现弱边缘的准确分割。此外，本发明专利技术提出一种基于灰度图和s通道图像的多通道融合的检测方案以兼顾不同类型的mura检测。本发明专利技术能够准确提取ROI区域并对其纹理背景进行抑制，利用自适应模型克服背景灰度不均的干扰和弱边缘对比度过低的困难，实现mura缺陷边缘的准确分割。

【技术实现步骤摘要】

本专利技术涉及TFT LCD mura缺陷机器视觉检测
，更具体地说，涉及基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法。
技术介绍
随着液晶显示器(Liquid crystal display，LCD)向大画面、轻薄化、高分辨率的方向发展，屏幕的缺陷检测工作也愈加重要。mura缺陷用来描述人眼观察显示器时感知到的亮度不均衡性，是一种没有固定形状、边缘模糊的低对比度目标，其产生原因主要是电路或构造上的缺陷以及材料特性的不均匀，是LCD缺陷检测的研究重点和难点。目前国内外大多采用人工检测的方法完成TFT LCD产品生产线后端检测工作，存在效率低、成本高、稳定性与可靠性差等问题，基于机器视觉的图像检测算法具有很好的发展前景。目前国内外对于mura缺陷的检测方法主要分为基于统计学理论和图像处理理论的方法，后者主要是通过抑制纹理或重建图像背景等方法实现mura区域的提取。常见的纹理背景抑制方法包括一维傅立叶变换、离散余弦变换和小波变换等，基于背景重建的方法常见的有奇异值分解法、基于独立成分分析的方法、基于改进的线性回归诊断方法等。但是这些方法的滤波或重建能力有限，容易出现过检、漏检等情况，且由于mura的弱边缘特性，这些方法往往无法准确定位mura弱边缘位置。经检索，中国专利申请号：2013104057358，申请日：2013年9月9日，专利技术创造名称为：基于Gabor滤波与C-V模型分割的LCD Mura缺陷机器视觉检测方法，该申请案涉及一种基于Gabor滤波与C-V模型分割的LCD Mura缺陷机器视觉检测方法，包括如下步骤：在暗室中，用CCD相机对点亮的LCD屏幕在垂直方向拍照，把采集到的图像输入计算机进行图像处理，图像处理步骤为几何校正、Gabor滤波、改进的C-V模型分割和缺陷量化。该申请案有效地平衡了图像整体的亮度不均匀性，提高了分割的准确度，但该申请案无法兼顾不同类型的mura检测，且该申请案无法针对mura的弱边缘特性准确定位mura弱边缘位置，检测精度有待提升。又如中国专利申请号：2013104058844，申请日：2013年9月9日，专利技术创造名称为：基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法，该申请案涉及一种基于B样条曲面拟合的TFT-LCD Mura缺陷的机器视觉检测方法，属于LCD显示缺陷检测领域，包括以下步骤：通过CCD相机采集被点亮的待测LCD灰度图像；对原始图像滤波；提取感兴趣区域；采用双三次B样条曲面拟合的方法拟合出图像背景；用原始图像减去背景图像，得到消除亮度不均匀背景后的图像；利用Canny算子检测出Mura缺陷；确定缺陷等级。该申请案解决了由于图像背景亮度不均匀导致的Mura缺陷不能被准确分割的问题，但该申请案同样无法兼顾不同类型的mura检测，且无法解决mura弱边缘位置难以准确定位的问题。
技术实现思路
1、专利技术要解决的技术问题本专利技术的目的在于克服现有技术中不足，提供了一种基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法，是一种利用新的基于融合全局信息和局部信息的混合自适应模型的mura检测方法。该模型针对mura弱边缘和低对比度的特点，结合CV模型和LBF模型两者优势，提出一种新的融合局部和全局信息的混合分割模型，并引入具有方向和大小自适应性的内外灰度差异项为曲线演化提供额外动力。新模型不仅能够提高曲线演化速度并有效克服背景灰度不均干扰，而且能够在靠近目标区域时自适应减小，防止过度收敛，实现弱边缘的准确分割。此外，本专利技术提出一种基于灰度图和s通道图像的多通道融合的检测方案以兼顾不同类型的mura(包括亮度异常和色度异常引起的mura)检测。2、技术方案为达到上述目的，本专利技术提供的技术方案为：本专利技术的基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法，包括以下步骤：步骤一、图像采集，具体为在低亮度环境中采集LCD屏幕图像，采集到的原始彩色图像为Mrgb(x)；步骤二、对步骤一获得的原始彩色图像Mrgb(x)进行ROI区域分割与角度矫正，获得角度矫正后的ROI区域彩色图像Iroi(x)；步骤三、对步骤二获得的ROI区域彩色图像Iroi(x)进行多色彩通道提取；步骤四、利用二维DFT对步骤三中提取的多色彩通道进行背景抑制，分别得到背景抑制后的单通道图像I(x)；步骤五、利用混合自适应水平集模型对步骤四所得的背景抑制后单通道图像I(x)进行mura缺陷的分割；步骤六、对步骤五所得的分割结果进行结果融合与显示。进一步地，步骤一的具体过程为：在低亮度环境中利用高精度CCD相机采集LCD屏幕图像，相机摄像头的中轴线方向与LCD屏幕法向同向，且LCD屏幕处于相机拍摄范围的中心区域，采集到的原始彩色图像为Mrgb(x)。进一步地，步骤二的具体过程为：设置阈值对原始彩色图像Mrgb(x)进行二值化获得预分割结果，利用Harris角点检测与Hough变换获得角点信息和屏幕边缘直线信息，三者结合实现对原始彩色图像Mrgb(x)边缘的精确定位，获得分割后的ROI区域；分割后的ROI区域为一旋转矩形，将其旋转角度调至0，实现角度矫正，获得角度矫正后的ROI区域彩色图像Iroi(x)。进一步地，步骤三的具体过程为：提取步骤二所得ROI区域彩色图像Iroi(x)的灰度图G(x)，以及ROI区域彩色图像Iroi(x)的hsv色彩空间的s通道图像S(x)，用于后续图像处理。进一步地，步骤四的具体过程为：对步骤三中的灰度图G(x)、s通道图像S(x)分别利用二维DFT滤除规律网格纹理背景，获得背景抑制后单通道图像I(x)，包括背景抑制后的灰度图g(x)和背景抑制后的s通道图像s(x)。进一步地，步骤五的具体过程为：利用混合自适应水平集模型对背景抑制后单通道图像I(x)进行分割，混合自适应水平集模型将I(x)的全局信息和局部信息融合，并引入惩罚项和自适应内外灰度差异项。所述混合自适应水平集模型包括全局拟合项、局部拟合项、长度项、惩罚项和自适应内外灰度均值差异项，表达式如下：E＝λEglobal(φ)+αElocal(φ,f1,f2)+νL(φ)+μP(φ)+βT(φ,φ0)a、第一项Eglobal(φ)为全局拟合项，为水平集演化提供全局动力，λ为全局拟合项权值系数，实际表示为λ1和λ2两个数值。Eglobal(φ)的表达式如下：Eglobal(φ)＝λ1∫|I(x)-c1|2Hε(φ(x))dx+λ2∫|I(x)-c2|2(1-Hε(φ(x)))dx其中，φ表示水平集函数；权值系数λ1>0，λ2>0为常数；I(x)为背景抑制后单通道图像；c1和c2分别为图像I(x)在目标区域和背景区域中的灰度均值，Hε(x)为Heaviside函数，ε取1.0，且c1、c2、Hε(x)的表达式分别如下： c 1 = ∫ I ( x ) H ϵ 本文档来自技高网...

【技术保护点】
基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法，包括以下步骤：步骤一、图像采集，具体为在低亮度环境中采集LCD屏幕图像，采集到的原始彩色图像为Mrgb(x)；步骤二、对步骤一获得的原始彩色图像Mrgb(x)进行ROI区域分割与角度矫正，获得角度矫正后的ROI区域彩色图像Iroi(x)；步骤三、对步骤二获得的ROI区域彩色图像Iroi(x)进行多色彩通道提取；步骤四、利用二维DFT对步骤三中提取的多色彩通道进行背景抑制，分别得到背景抑制后的单通道图像I(x)；步骤五、利用混合自适应水平集模型对步骤四所得的背景抑制后单通道图像I(x)进行mura缺陷的分割；步骤六、对步骤五所得的分割结果进行结果融合与显示。

【技术特征摘要】
1.基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法，包括以下步骤：步骤一、图像采集，具体为在低亮度环境中采集LCD屏幕图像，采集到的原始彩色图像为Mrgb(x)；步骤二、对步骤一获得的原始彩色图像Mrgb(x)进行ROI区域分割与角度矫正，获得角度矫正后的ROI区域彩色图像Iroi(x)；步骤三、对步骤二获得的ROI区域彩色图像Iroi(x)进行多色彩通道提取；步骤四、利用二维DFT对步骤三中提取的多色彩通道进行背景抑制，分别得到背景抑制后的单通道图像I(x)；步骤五、利用混合自适应水平集模型对步骤四所得的背景抑制后单通道图像I(x)进行mura缺陷的分割；步骤六、对步骤五所得的分割结果进行结果融合与显示。2.根据权利要求1所述基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法，其特征在于，步骤一的具体过程为：在低亮度环境中利用高精度CCD相机采集LCD屏幕图像，相机摄像头的中轴线方向与LCD屏幕法向同向，且LCD屏幕处于相机拍摄范围的中心区域，采集到的原始彩色图像为Mrgb(x)。3.根据权利要求2所述基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法，其特征在于，步骤二的具体过程为：设置阈值对原始彩色图像Mrgb(x)进行二值化获得预分割结果，利用Harris角点检测与Hough变换获得角点信息和屏幕边缘直线信息，三者结合实现对原始彩色图像Mrgb(x)边缘的精确定位，获得分割后的ROI区域；分割后的ROI区域为一旋转矩形，将其旋转角度调至0，实现角度矫正，获得角度矫正后的ROI区域彩色图像Iroi(x)。4.根据权利要求3所述基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法，其特征在于，步骤三的具体过程为：提取步骤二所得ROI区域彩色图像Iroi(x)的灰度图G(x)，以及ROI区域彩色图像Iroi(x)的hsv色彩空间的s通道图像S(x)，用于后续图像处理。5.根据权利要求4所述基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法，其特征在于，步骤四的具体过程为：对步骤三中的灰度图G(x)、s通道图像S(x)分别利用二维DFT滤除规律网格纹理背景，获得背景抑制后单通道图像I(x)，包括背景抑制后的灰度图g(x)和背景抑制后的s通道图像s(x)。6.根据权利要求5所述基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法，其特征在于，步骤五的具体过程为：利用混合自适应水平集模型对背景抑制后单通道图像I(x)进行分割，混合自适应水平集模型将I(x)的全局信息和局部信息融合，并引入惩罚项和自适应内外灰度差异项。7.根据权利要求6所述基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法，其特征在于：所述混合自适应水平集模型包括全局拟合项、局部拟合项、长度项、惩罚项和自适应内外灰度均值差异项，表达式如下：E＝λEglobal(φ)+αElocal(φ,f1,f2)+νL(φ)+μP(φ)+βT(φ,φ0)a、第一项Eglobal(φ)为全局拟合项，为水平集演化提供全局动力，λ为全局拟合项权值系数，实际表示为λ1和λ2两个数值。Eglobal(φ)的表达式如下：Eglobal(φ)＝λ1∫|I(x)-c1|2Hε(φ(x))dx+λ2∫|I(x)-c2|2(1-Hε(φ(x)))dx其中，φ表示水平集函数；权值系数λ1>0，λ2>0为常数；I(x)为背景抑制后单通道图像；c1和c2分别为图像I(x)在目标区域和背景区域中的灰度均值，Hε(x)为Heaviside函数，ε取1.0，且c1、c2、Hε(x)的表达式分别如下： c 1 = ∫ I ( x ) H ϵ ( φ ( x ) ) d x ∫ H ϵ ( φ ( x ) ) d x , c 2 = ∫ I ( x ) ( 1 - H ϵ ( φ ( x ) ) ) d x ∫ ( 1 - H ϵ ( φ ( x ) ) ) d x ]]> H ϵ ( x ) = 1 2 [ 1 + 2 π arctan ( x ϵ ) ] ]]>b、第二项Elocal(φ,f1,f2)为局部拟合项，α为局部拟合项权值系数，实际表示为α1和α2两个数值。Elocal(φ,f1,f2)的表达式如下：Elocal(φ,f1,f2)＝α1∫[∫Kσ(x-y)|I(y)-f1(x)|2Hε(φ(y))dy]dx+α2∫[∫Kσ(x-y)|I(y)-f2(x)|2(1-Hε(φ(y)))dy]dx其中，Kσ表示标准差为σ的高斯函数，取σ为1.5；权值系数α1>0，α2>0为常数；式中x和y代表图像I(x)中两个点，x表示曲线上一点，y表示对点x进行局部近似范围内的某一点；空间可变函数fi(x)为图像I(x)在点x处的局部拟合值，用以对轮廓周围进行局部近似，且f1(x)、f2(x)的表达式分别如下： f 1 ( x ) = K σ ...

【专利技术属性】
技术研发人员：李勃，朱赛男，董蓉，王秀，何玉婷，史德飞，
申请(专利权)人：南京汇川图像视觉技术有限公司，
类型：发明
国别省市：江苏;32