用于识别显示器中的斑点的系统和方法技术方案

本发明专利技术涉及一种用于识别显示器中的斑点的系统和方法。系统被配置成对输入图像进行预处理以生成多个图像图块。随后，针对多个图像图块中的每一个图像图块提取特征向量。特征向量包括至少一个图像矩特征和至少一个纹理特征。随后，机器学习分类器使用特征向量确定每个图块中存在的缺陷。

【技术实现步骤摘要】
用于识别显示器中的斑点的系统和方法申请相关的交叉引用本申请要求2017年12月15日提交的美国临时专利申请第62/599,249号的优先权和权益，其全部内容通过引用整体并入本文。
本公开的一些实施例总体上涉及一种显示器缺陷检测系统和方法。
技术介绍
随着显示器分辨率和像素密度的增加，执行缺陷检测的难度也增加了。人工缺陷检测对于现代制造设施太耗时，而自动化检查技术通常是低效率的。例如，在自动化表面检查中，当局部异常与它们的规则周围邻域具有不同的对比度时，可以容易地识别均匀(例如非纹理)表面中的缺陷。然而，当缺陷与它们的周围环境不具有清晰的边缘并且背景呈现不均匀的照明时，低对比度图像中的缺陷很难被检测。一种常见类型的显示器缺陷是“斑点(Mura)”。斑点是具有局部亮度非均匀性的一大类缺陷。根据斑点的大小和通常形状，斑点可以粗略地被分类为线条斑、点斑和区域斑。每类斑点可能不具有明显的边缘并且可能在图像中不容易显现。因此，使用自动化测试系统识别斑点在过去已经被证明是困难的。因此，需要一种识别斑点缺陷的新方法。以上信息仅是为了增强对本公开的实施例的背景的理解，并且因此可以包含不形成现有技术的信息。
技术实现思路
本公开的一些实施例提供了一种用于显示器中的斑点缺陷检测的系统和方法。在各个实施例中，系统包括：存储器和被配置成识别显示器缺陷的处理器。在各个实施例中，系统对输入图像进行预处理以生成多个图像图块。可以针对多个图像图块中的每一个图像图块提取特征向量。在各个实施例中，每个特征向量包括至少一个图像矩特征和至少一个纹理特征。通过将每个图像图块的特征向量提供至机器学习分类器而基于缺陷的存在对图像图块分类。在各个实施例中，生成多个图像图块包括：识别输入图像中的至少一个局部极大值候选者，将识别的每个局部极大值候选者添加至局部极大值候选者列表，以及针对局部极大值候选者列表中的每个局部极大值候选者生成图像图块，其中每个图像图块以对应的局部极大值候选者为中心。在各个实施例中，生成多个图像图块进一步包括：通过从局部极大值候选者列表中移除具有小于噪声容差阈值的值的每个局部极大值候选者而过滤局部极大值候选者列表中的局部极大值候选者。在各个实施例中，生成多个图像图块进一步包括：将输入图像划分成多个区域，识别多个区域中的每一个区域中的最大的局部极大值，以及从局部极大值候选者列表中移除除了每个最大的局部极大值之外的所有局部极大值。在各个实施例中，机器学习分类器可以是支持向量机。在各个实施例中，至少一个纹理特征可以是相关性灰度共生矩阵(GLCM)和对比度GLCM中的至少一个。在各个实施例中，至少一个图像矩特征包括mu30矩、hu1矩和hu5矩中的至少一个。在各个实施例中，对输入图像进行预处理可以进一步包括：对输入图像执行高斯平滑，并且通过将平滑后的输入图像的动态范围映射至期望的范围而归一化平滑后的输入图像。在各个实施例中，缺陷可以是白色点斑缺陷。附图说明从以下结合附图的描述可以更详细地理解一些实施例，其中：图1A描绘根据本专利技术的各个实施例的系统概要；图1B描绘根据本专利技术的各个实施例的用于对分类器进行训练的系统概要；图2描绘根据本专利技术的各个实施例的对图像进行分类的方法；图3描绘根据本专利技术的各个实施例的将图像划分成图像图块的示意图；图4描绘根据本专利技术的各个实施例的利用候选者检测器将图像划分成图像图块的示意图；图5A描绘根据本专利技术的各个实施例的具有候选者检测器的系统概要；图5B描绘根据本专利技术的各个实施例的候选者检测器的更详细的视图；图6描绘根据本专利技术的各个实施例的识别点斑的可能实例(例如候选者)的方法。具体实施方式通过参照实施例的以下详细描述和附图，可以更容易地理解本专利技术构思的特征以及实现其的方法。下文中，将参照附图更详细地描述实施例，其中贯穿全文，相同的附图标记指相同的元件。然而，本专利技术可以以各种不同形式体现，并且不应被解释为仅限于本文所图示的实施例。相反，提供这些实施例作为示例，以便本公开将是全面的和完整的，并且将向本领域技术人员完全传达本专利技术的方面和特征。因此，可以不描述对于本领域普通技术人员完全理解本专利技术的方面和特征并非必须的过程、元件和技术。除非另外说明，否则贯穿所附附图和撰写的说明书，相同的附图标记表示相同的元件，并且因此，将不重复对其的描述。在附图中，为了清楚起见，可以夸大元件、层和区域的相对尺寸。在以下描述中，为了解释的目的，阐述了数个具体细节以提供各个实施例的全面理解。然而，显而易见的是，可以在没有这些具体细节或者具有一个或多个等同设置的情况下来实践各个实施例。在其他情况下，以框图的形式示出公知的结构和设备，从而避免不必要地模糊各个实施例。应该理解，当元件、层、区域或部件被称作在另一元件、层、区域或部件“上”、“连接至”或“耦接至”另一元件、层、区域或部件时，它可以直接在另一元件、层、区域或部件上，直接连接至或耦接至另一元件、层、区域或部件，或者可以存在一个或多个中间的元件、层、区域或部件。然而，“直接连接/直接耦接”指一个部件直接连接或耦接另一部件而没有中间的部件。同时，描述部件之间的关系的其他表述，诸如“在…之间”、“紧接在…之间”或“与…相邻”以及“与…直接相邻”可以类似地解释。此外，还应该理解，当元件或层被称作在两个元件或层“之间”时，它可以是在两个元件或层之间的唯一元件或层，或者也可以存在一个或多个中间元件或层。本文使用的术语仅是为了描述特定实施例的目的，并且不意在限制本专利技术。如本文所使用的，单数形式“一”意在也包括复数形式，除非上下文另外明确指示。应该进一步理解，当在说明书中使用时，术语“包括”、“具有”和“包含”指明所述特征、整数、步骤、操作、元件和/或部件的存在，但是不排除一个或多个其他特征、整数、步骤、操作、元件、部件和/或其组合的存在或附加。如本文所使用的，术语“和/或”包括一个或多个相关所列项的任何和所有组合。如本文所使用的，术语“基本上”、“大约”、“近似”和类似术语被用作近似术语，并且不被用作程度术语，而且意在考虑由本领域普通技术人员所熟知的测量或计算的值中的固有偏差。考虑所讨论的测量和与特定量的测量相关联的误差(也即测量系统的限制)，如本文所使用的，“大约”或“近似”包括所述值并且意味着在由本领域普通技术人员所确定的特定值的可接受偏差范围内。例如，“大约”可以意味着在一个或多个标准偏差内或在所述值的±30％、20％、10％、5％内。进一步，当描述本专利技术的实施例时，“可以”的使用指“本专利技术的一个或多个实施例”。如本文所使用的，术语“使用”、“正在使用”和“被使用”可以视为分别与术语“利用”、“正在利用”和“被利用”含义相同。此外，术语“示例性的”意在指示例或说明。当可以不同地实施某实施例时，可以与所描述的顺序不同地执行特定过程顺序。例如，两个连续描述的过程可以基本上同时执行，或者以与所描述的顺序相反的顺序执行。本文参照作为实施例和/或中间结构的示意性说明的剖视图而描述各个实施例。同样，可以预期由于例如制造技术和/或容差而导致的图示形状的变化。进一步，为了描述的目的，根据本公开构思的实施例，本文所公开的特定结构或功能的描述仅是说明性的。因此，本文所公开的实施例不应被解释为限于区域的特定图示形状本文档来自技高网...

【技术保护点】
1.一种用于识别显示器中的斑点的系统，所述系统包括：存储器；处理器，所述处理器被配置成执行存储在所述存储器上的指令，当所述指令由所述处理器执行时，使得所述处理器：对输入图像进行预处理，其中所述对输入图像进行预处理包括生成多个图像图块；针对所述多个图像图块中的每一个图像图块提取特征向量，其中所述特征向量包括至少一个图像矩特征和至少一个纹理特征；以及通过将每个图像图块的所述特征向量提供至机器学习分类器而基于缺陷的存在对每个图像图块进行分类。

【技术特征摘要】
2017.12.15 US 62/599,249;2018.03.01 US 15/909,8931.一种用于识别显示器中的斑点的系统，所述系统包括：存储器；处理器，所述处理器被配置成执行存储在所述存储器上的指令，当所述指令由所述处理器执行时，使得所述处理器：对输入图像进行预处理，其中所述对输入图像进行预处理包括生成多个图像图块；针对所述多个图像图块中的每一个图像图块提取特征向量，其中所述特征向量包括至少一个图像矩特征和至少一个纹理特征；以及通过将每个图像图块的所述特征向量提供至机器学习分类器而基于缺陷的存在对每个图像图块进行分类。2.根据权利要求1所述的系统，其中，所述生成多个图像图块包括：识别所述输入图像中的至少一个局部极大值候选者；将识别的每个局部极大值候选者添加至局部极大值候选者列表；以及针对所述局部极大值候选者列表中的每个局部极大值候选者生成图像图块，其中每个图像图块以对应的局部极大值候选者为中心。3.根据权利要求2所述的系统，其中，所述生成多个图像图块进一步包括：通过从所述局部极大值候选者列表中移除具有小于噪声容差阈值的值的每个局部极大值候选者而过滤所述局部极大值候选者列表中的局部极大值候选者。4.根据权利要求3所述的系统，其中，所述生成多个图像图块进一步包括：将所述输入图像划分成多个区域；识别所述多个区域中的每一个区域中的最大的局部极大值；以及从所述局部极大值候选者列表中移除除了每个最大的局部极大值之外的所有局部极大值。5.根据权利要求1所述的系统，其中，所述机器学习分类器包括支持向量机。6.根据权利要求1所述的系统，其中，所述至少一个纹理特征包括相关性灰度共生矩阵和对比度灰度共生矩阵中的至少一个。7.根据权利要求1所述的系统，其中，所述至少一个图像矩特征包括mu30矩、hu1矩和hu5矩中的至少一个。8.根据权利要求1所述的系统，其中，所述对输入图像进行预处理进一步包括：对所述输入图像执行高斯平滑，并且通过将平滑后的输入图像的动态范围映射至期望的范围而归一化所述平滑后的输入图像。9.根据权利要求1所述的系统，其中，所述缺陷包括白色点斑。10.一种用于识别显示器中的斑点的方法，所述方法包括：由处理器对输入图像进行预处理，其中所述对输入图像进行预处理包括生成多个图像图块；由所述处理器针对所述多个图像图块中的每一个图像图块提取特征向量，其中所述特征向量包括至少一个图像矩特征和至少一个纹理特征；以及由所述处理器通过将每个图...

【专利技术属性】
技术研发人员：张逸炜，李章焕，
申请(专利权)人：三星显示有限公司，
类型：发明
国别省市：韩国,KR