[發明專利]一種基于樣本學習和人眼視覺特性的mura缺陷檢測方法

有效

• 申請號: 201610866726.2
• 申請日: 2016-09-29
• 公開（公告）號: CN106650770B
• 公開（公告）日: 2019-12-17
• 發明（設計）人: 李勃;王秀;賁圣蘭;史德飛;董蓉;何玉婷;朱賽男;俞芳芳;朱澤民
• 申請（專利權）人: 南京大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/40;G06K9/44;G06K9/34;G06K9/46
• 代理公司: 32346 江蘇瑞途律師事務所
• 代理人: 蔣海軍

1.基于樣本學習和人眼視覺特性的mura缺陷檢測方法，其特征在于：本方法先利用高斯濾波平滑和Hough變換矩形檢測對TFT-LCD顯示屏圖像進行預處理，以去除噪聲并分割出待檢測圖像區域；接著引入學習機制，利用PCA算法對大量無缺陷樣本進行學習，自動提取背景與待檢測目標的差異特征，重建出背景圖像；然后對測試圖像與背景的差分圖像進行閾值化，為降低目標大小變化對閾值確定的影響，通過對背景重建和閾值計算聯合建模，基于訓練樣本的學習，建立出背景結構信息與閾值之間的關系模型，并提出基于人眼視覺特性的自適應分割算法，從而準確地將mura缺陷從背景圖像中分割出來；該檢測方法的步驟為：

離線學習過程：

第1步：采集圖片，獲取TFT-LCD液晶屏顯示圖片；

第2步：對采集的源圖像進行平滑去噪預處理；

第3步：待檢測目標圖像的分割；

第4步：選擇N張尺寸為w×h的無缺陷的圖片作為訓練背景模型的樣本集，構建出(w×h)×N的樣本矩陣，利用PCA提取學習背景圖像集樣本矩陣的特征向量，并保存前90％的特征向量信息，即得到背景特征向量矩陣U；學習得到樣本矩陣的背景特征向量矩陣的具體方法如下：

(a)構造背景訓練樣本矩陣

取N幅無缺陷的尺寸為w×h的圖像矩陣X_i，每一個圖像矩陣X_i向量化為(w×h)×1的列向量，合并成一個(w×h)×N的樣本矩陣I；

(b)計算均值、協方差矩陣、特征值和特征向量

利用訓練樣本矩陣I計算均值和協方差矩陣C：

計算協方差矩陣C的特征值λ＝[λ₁,λ₂,....,λ_N]，特征向量值d＝[d₁,d₂,....,d_N]；

(c)將特征值進行降序排序，并按照特征值的順序，對相應的特征向量進行排序；

(d)特征值越大保留的全局信息越多，越能代表背景結構信息，所以篩選特征值，保留前n個較大的特征值，這n個特征值求和占特征值總和的90％，并保留對應的特征向量；

(e)將排序并篩選完成的特征向量進行合并即得到背景圖像集的特征向量矩陣U；

第5步：另外選擇M張無缺陷的圖片作為訓練閾值模型的樣本集，將樣本集圖片投影到背景特征向量矩陣U上得到特征系數，利用特征系數重建出背景圖像，原圖減去背景圖像得到差分圖，將差分圖像灰度像素值的均值、方差與背景結構信息建模，即學習得到差分圖像灰度像素值的均值、方差與背景特征向量的關系模型；學習得到差分圖像素均值、方差與背景特征向量的關系模型的具體方法如下：

(a)取M張無缺陷的圖片矩陣，每一個矩陣化為(w×h)×1的列向量b，分別投影到背景特征向量矩陣U上得到特征系數y：

(b)利用特征系數y重建出背景圖像

(c)使無缺陷的原圖減去背景圖像得到差分圖，將差分圖像灰度像素值的均值μ、方差σ²與背景結構信息建模：

μ＝a₁y+a₀

σ²＝a₄y²+a₃y+a₂

通過對M張差分圖像的訓練得到模型系數a₀、a₁、a₂、a₃、a₄；

在線檢測過程：

第6步：實時采集待檢測的圖像，進行平滑去噪預處理，并分割出目標測試圖像；

第7步：將分割獲得的目標測試圖像投影到背景特征向量矩陣U上，得到特征系數，利用特征系數重建出背景圖像；

第8步：將目標測試圖像減去背景圖像獲得差分圖，利用第5步得到的差分圖像灰度像素值的均值、方差與背景特征向量之間的關系模型求得差分圖的均值與方差，結合國際半導體設備與材料組織(SEMI)給出的mura缺陷剛好可察覺(Just Noticeable Difference,JND)指標建立基于人眼視覺特性的閾值化模型，利用閾值化模型分割出mura目標區域，輸出檢測結果；構建基于人眼視覺特性的閾值分割模型的具體方法如下：

(a)將第6步獲得的目標測試圖像的原圖減去第7步重建得到的背景圖得到差分圖，利用第5步獲得的差分圖像素均值、方差與特征向量之間的關系模型，求得目標測試圖像差分圖像素的均值μ、方差σ²；

(b)Mura缺陷檢測指標SEMU定義如下：

式中C_x是待檢mura目標的對比度均值，S_x為待檢mura目標的面積，當目標區域的SEMU值大于1時，判定目標區域為mura缺陷；

(c)構建基于人眼視覺特性的閾值分割模型

對待檢目標像素的灰度值進行閾值分割，閾值C₁＝3表示像素灰度值分布在[μ-3σ，μ+3σ]內的為背景；閾值C₂＝6表示像素灰度值分布在[μ-6σ，μ-3σ]和[μ+3σ，μ+6σ]內的為不確定區域，在不確定區域內設置閾值Area將面積小于Area的區域過濾掉，然后結合步驟(b)中的SEMU值判斷是否將該目標保留在分割完成的圖像中；分布在[-∞，μ-6σ]和[μ+6σ，+∞]內的像素點，則直接保留在閾值化后的二值圖像中。