mura检测方法

图2展示了开发的流程图方法:

一种分割方法来检测区域不均匀。首先检查图像的背景，利用DCT原理和an图像过滤策略。然后可以检测出Mura缺陷并利用所开发的分割策略进行量化。一个首先从TFT LCD单元中获取液晶图像将其变换到频域，然后采用低通滤波策略对其进行滤波，提取其主图像组件。然后是逆离散余弦变换(IDCT)用于重建背景图像。提取不均匀缺陷采用图像减法进行分割从背景图像。紧接着，mura出现了缺陷然后用刚刚显著的差异(JND)来量化级别定义由半导体设备和材料国际)。方法中使用的每个步骤将在下面的小节中详细介绍。开发用于mura检测的硬件系统图3是所开发硬件的原理图mura自动检测系统。

液晶面板是由一个控制背光照明和检查下黑暗房间的状况。该系统包括背光控制模块，X-Y-Z扫描单元，CCD照相机和一台个人电脑。TFT液晶模块是自动安装由自动装卸单元进入集线器的背光控制模块量。所开发的硬件系统原理图自动色差检查。准确的定位。因为TFT LCD的大小面板太大，不能用一个单一的视场来检查

对于图像传感，采用扫描单元进行定位为了连续成像，面板连续地对着CCD采集(以虚线表示，箭头表示ofmovement路径)。一个渐进扫描Basler CCD(模型)A201b)像素分辨率1008×1018,a 12-采用位元动态范围分辨率获取面板图像。CCD相机通过扫描来定位该单元要垂直于液晶显示器的表面平面

CCD图像平面是聚焦在液晶显示器表面的最好的图像采集。亮度是很重要的检查系统的准确性应保持在一定范围内±0.01 cd m - 2在100 cd m - 2处，以维持测量值可重复性。配备照明亮度控制模块

采用PWM闭环反馈控制方案，实现了高精度的光强传感。获取的LCD面板图像示例:(a)未经过滤的原始图像，不过滤由黑色矩阵引起的不需要的图像元素(b)滤波后的图像。此亮度控制应用于获取一组子图像组成一个完整的面板的形象。同时，对采集到的图像进行控制类似于人类的感知与红外线过滤器放置在CCD前端用于消除不需要的光元素。

该方法不分割CCD采集的图像分为子图像块，由于以下三个重要考虑。
(1)避免该区域出现不可取的mura缺陷被分割成缺陷较少的小区域
严重性。
(2)建立表示
实际(或原始)灰度值分布的测试液晶屏的形象。
(3)避免合并产生任何块构件
几个不重叠的图像块。然而，由于液晶面板的尺寸通常是为制造目的，增加了FOV的尺寸
获得的图像往往比要检查的面板小。因此，检测系统必须将检测到的图像分割成多个子图像，其中必须有多个子图像通过对齐重叠的图像，适当地彼此合并边界。准确定位液晶面板对CCD是保证图像融合精度的关键。与此同时，图像匹配也有助于提高合并操作的质量。
另一个重要的图像处理操作对于TFT液晶面板的检查是要去掉不需要的由黑矩阵(BM)引起的图像噪声。BM的一种滤色器的功用是增加一个液晶屏的对比度与屏蔽因漏光而引起的
大英博物馆用于分离红、绿、蓝三种颜色。由于对于高检测分辨率的图像采集来说BM的子像素化图像可以不受欢迎地检测到与测试图像混合，如图4(a)所示是实际检查过的图像的一个例子。为了去除不需要的BM图像，提出了一种低通卷积3×3掩码对原始图像进行滤波:其中w是卷积运算的大小。

应用上述图像滤波掩模的结果示例(图4(a))如图4(b)所示，其中有效地消除了BM引起的噪声

一个mura缺陷已被安全地保留在测试图像中作进一步的缺陷检查。提出的低通滤波器为

一个平均卷积算子，它会过滤掉高频图像组件。因此，微缺陷具有从背景中产生微小的亮度变化是很容易的通过执行这样的过滤来消除。幸运的是,不均匀缺陷通常表示一个不均匀的亮度区域具有比微缺陷大得多的图像尺寸。虽然mura的边界可以稍微缩小，要检测到的大多数缺陷都可以保留在检查图像。另一个有用的方法使用多个图像收购可以用来克服上述问题。它依次获取LCD面板图像三次，其中每一次像素的红、绿、蓝三色元素由光函数发生器点亮。三个获得图像然后合并生成无bm的面板映像。这该方法甚至可以检测微缺陷;然而,该方法在图像采集过程中消耗了较多的时间并在整个检查周期内合并。

3.2。离散余弦变换原理

离散长度为N的一维序列的DCT定义函数f (x)，如图像灰度值

 

同理，C(u)的逆变换定义为

第一个波形(u = 0)代表一个常数(DC)值，而所有其他波形(u = 1,2，…， N - 1)为

逐步增加频率[8]。这些正交波形称为余弦基函数，如图所示在图5中。重要的是要注意基函数

可以离线预先计算，然后乘以子序列，从而减少了数学上的数目运算效率显著提高

在转换[9]。二维基函数也可以由水平方向的1D相乘生成基函数与一组垂直方向的基函数相同

功能。因为要检查的液晶图像可以是a边界不均匀，DCT的类型应用于我们的方法

必须能够操纵一个不均匀的图像边界。由式(4)可知，II型DCT为应用于图像大小待处理的方法中可以是任意M×N图像区域。

根据一维逆变换，定义二维逆变换为:

用于背景图像重建的滤波器设计,由于频率特性的mura缺陷是明显不同于背景图片，背景图像可以有效地从图像中分离出来

使用DCT的图像。在DCT中，图像分量，C(0,v)和C(u, 0)对应于基频图像组件，表示主要图像元素。所示在图6中，LCD图像可以分解为一些子图像通过部署DCT与滤波过程。通过保持主频率沿u和v

忽略了其他频率分量原始图像的背景与mura缺陷分离可以近似重构。建议的滤波器为表示如下:

其中C(u, v)为DCT系数，Chv(u, v)为提出了过滤器。验证了该滤波器的有效性从mura缺陷中分离出背景图像使用DCT重建背景图像的例子,如图7所示。一个圆形的自然区域形状大致位于内部的左下角液晶显示器的FOS。利用DCT与所提出的方法过滤策略，背景图像无mura缺陷是有效地重建。然而，也有人观察到重建的图像被不需要的东西污染了图像横条和竖条贯穿始终发现了穆拉地区。这可能会影响效率在从背景中提取mura的过程中，因为始料未及检验结果中可能有条痕残留。同时，解释原因也很重要重建后的图像会受到伪图像的污染当保持所有的主频率时，图像条纹DCT上的u和v方向。观察起来很有趣一个不均匀的图像区域，如一个mura缺陷趋向根据图像条的方向分散其能量的基本频率分量DCT。这种负面影响在增加了主频率分量的频率超过空间频率的背景图像。这应通过进一步的重新设计，避免出现不良的情况一个有效的低通滤波器。针对上述问题，提出了滤波策略是否修改以选择适当的截止频率u和v方向，如图8所示。这对沿着u和v确定适当的截止频率，以避免上述噪音。为了研究这一问题，以含有自然区域mura的液晶图像为典型检测实例，其中图像混合或没有人工区域mura在5各种位置(如图9所示)，它们在u和v方向上的DCT系数，很神奇在最后找到一个且只有一个明显的过渡点对于所有六种情况，均为第一连续斜率，如图所示图10。这一点在u或v方向上是不同的静止的，不移动的位置或缺陷类型，自然的或人为的。这相当说明空间频率内容的背景图像底层检查主要保留在这些两个不同的频率点(Fh和Fv)沿u和v方向。因此，检测和使用Fh和Fv沿u和v方向作为截止频率进行选择主要的背景图像组件，背景在不生成图像的情况下，可以有效地重建图像上述噪音。此外，由于不同的和每个测试图像的位置都是独一无二的，很容易检测到这些截止频率。修改后的滤波器表示为如下:

 

接着，Otsu的全局自动图像阈值该方法可有效地分割出膜拉缺陷从减去的净图像[11]。提出了一种类间方差计算(BCVC)体系结构在短时间内满足高速要求时间。BCVC的体系结构设计采用对数变换，采用小LUT和计算单位的最大查找瓶颈最小化Otsu方法[11]的类间方差。被提议的实现主要是用来消除复杂的大津的程序需要乘法。LCD图像以拥有自然区域的慕拉为例测试提出的方法。在图11中，重构的背景图像清晰，不受任何条纹污染噪音。该方法可以有效地检测出该缺陷修改后的过滤方法。所需的处理时间可以控制在30毫秒以内为256×256面板图像在个人电脑与AMD CPU的2.08 G和212 MB RAM。与原始测试图像相比，背景重构后的图像由于高频分量的去除，容易产生模糊。背景图像只包含主要的背景图像组件哪个小于检测到的截止频率(Fh和沿u和v方向的Fv)。

该缺陷是一种具有空间特征的区域非均匀图像频率大于背景图像的频率。

3.4。缺陷量化

重建后的背景图像之间的差异并且可以得到检测所依据的LCD图像简单地通过图像减法。相减的结果可能含有不同程度的mura缺陷。它是难以确定a中面板质量的定量水平复杂的多制造商和用户市场。因此,使用人体工程学方法研究人眼的敏感度关于村上春树和村上春树之间的关系面积和图像对比度成为最有效的方法之一方法建立一种表达小鼠血清mura水平的指标[12]。用图像减法得到的检测结果是否使用半导体设备进行进一步评估并与国际材料(半)配方进行了比较显著差异(JND)定义的mura量化。Semu值可以定义为如下:

其中CX为图像对比度;Cjnd是最小对比度限制检测;S为mura面积大小(像素);

图像平均强度的mura地区;IB是图像背景区域的平均强度。采用人机工程学方法，对上述Semu指标进行了分析定义了人眼对mura和通过表达两者之间的关系来量化mura的水平与慕拉地区形成对比。回归关系(Cjnd, the的之间定义了检测的最小对比度限制mura地区与人类的对比为mura JND。JND与mura面积成反比增大的0.33次方表示当mura区域变为较小的，只有较暗的缪拉能被感觉到[12]。因此,地是否定义为测量目标和JND中的一个。从人体工程学的观察距离，半标准是否标准化了，使得Semu的单位表示为明显的缺陷。在该方法中，Semu值可以是准确地应用作为阈值，以评估是否有任何潜力对工业生产具有重要意义检验标准。图12显示了一个LCD图像检查的示例，其中有6个易受影响的(或潜在的)该方法首先对图像区域进行检测采用半标准自动评定。表1显示了只有缺陷4是显著的(如图12(c)所示)设定量化阈值后，去除剩余的敏感区域(缺陷1-3)

 实验结果与讨论

所开发方法的实际性能为在含有天然mura的工业液晶面板上进行评估由本地TFT/LCD制造商提供的缺陷。的采用所建立的方法对6例自然发病病例进行了检测低对比度的mura，如图13所示。图13(一)- (l)原装LCD图像均含有天然的mura缺陷。在使用背景重建方法时首先用DCT重建背景图像有效方法。采用所开发的检测方法，可以实现原来包含在这些液晶图像中的mura缺陷是成功检测到，如图14(a) - (l)所示实验结果表明，所提出的方法是可行的实验结果表明，该方法是可行的。

同时，对其进行研究也很重要最小可检测的灰度差之间的mura利用所开发的缺陷和背景图像方法。为了达到这个目的，需要十个不同的灰度级在液晶面板上添加了人工圆形的mura缺陷具有共同的灰度分布，其中差异较大在灰度值范围从10到1，如图所示图15。采用该方法得到的Semu评价结果如表2所示。它是否清楚地确定了mura缺陷与背景之间最小可检测灰度差为五个实验结果表明，减小了截止量频率(Fh和Fv)应提高缺陷的灵敏度检测，特别是当灰度值差异很小时。然而，这样做，不希望的图像条纹运行在水平和垂直上，整个慕拉地区都可以再次出现在重建的背景图像中。这也会增加图像处理的难度吗需要缺陷分割和量化。并对所提出的方法进行了比较文献中还报道了另外两种mura检测方法评论(4、5)。如表3所示，DCT和Lee and Yoo’s方法具有相似的灵敏度，在最小检测值而Kim和Yoon的方法则稍好一些仅限于非条纹缺陷。此外，DCT方法检测效率是否优于检测缺陷形态学可以是任意的。