[go: up one dir, main page]

TWI754741B - 用於在顯示面板中偵測白斑缺陷或白斑雲紋缺陷之系統及方法及訓練其系統之方法 - Google Patents

用於在顯示面板中偵測白斑缺陷或白斑雲紋缺陷之系統及方法及訓練其系統之方法 Download PDF

Info

Publication number
TWI754741B
TWI754741B TW107113226A TW107113226A TWI754741B TW I754741 B TWI754741 B TW I754741B TW 107113226 A TW107113226 A TW 107113226A TW 107113226 A TW107113226 A TW 107113226A TW I754741 B TWI754741 B TW I754741B
Authority
TW
Taiwan
Prior art keywords
image
tiles
defects
moment
display panel
Prior art date
Application number
TW107113226A
Other languages
English (en)
Other versions
TW201839384A (zh
Inventor
章煥 李
逸煒 張
Original Assignee
南韓商三星顯示器有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 南韓商三星顯示器有限公司 filed Critical 南韓商三星顯示器有限公司
Publication of TW201839384A publication Critical patent/TW201839384A/zh
Application granted granted Critical
Publication of TWI754741B publication Critical patent/TWI754741B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
    • G09G3/006—Electronic inspection or testing of displays and display drivers, e.g. of LED or LCD displays
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2330/00—Aspects of power supply; Aspects of display protection and defect management
    • G09G2330/08—Fault-tolerant or redundant circuits, or circuits in which repair of defects is prepared
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2330/00—Aspects of power supply; Aspects of display protection and defect management
    • G09G2330/10—Dealing with defective pixels
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2354/00—Aspects of interface with display user
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2360/00—Aspects of the architecture of display systems
    • G09G2360/14—Detecting light within display terminals, e.g. using a single or a plurality of photosensors
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2360/00—Aspects of the architecture of display systems
    • G09G2360/14—Detecting light within display terminals, e.g. using a single or a plurality of photosensors
    • G09G2360/145—Detecting light within display terminals, e.g. using a single or a plurality of photosensors the light originating from the display screen

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Devices For Indicating Variable Information By Combining Individual Elements (AREA)

Abstract

一種用於在一顯示面板之一影像中偵測例如白斑雲紋缺陷等的一或多個缺陷之方法包含：接收該顯示面板之該影像；將該影像劃分成複數個圖塊，該等圖塊其中之每一者對應於該影像之一m畫素×n畫素區域(其中m及n係為大於或等於1之整數)；為該等圖塊產生複數個特徵向量，各該特徵向量對應於該等圖塊其中之一且包含一或多個影像紋理特徵及一或多個影像矩特徵；以及藉由利用一多類別支援向量機來基於該等特徵向量其中之一相應者對該等圖塊其中之每一者進行分類，以偵測該一或多個缺陷。

Description

用於在顯示面板中偵測白斑缺陷或白斑雲紋缺陷之系統 及方法及訓練其系統之方法
[優先權聲明]
本申請案主張於2017年4月18日提出申請之美國臨時申請案第62/486,928號「用於白斑雲紋偵測之系統及方法(System and Method for White Spot Mura Detection)」之優先權及權利，該美國臨時申請案之全部內容以引用方式併入本文中。
本發明實施例之態樣係關於一種用於缺陷偵測之系統及一種用於使用該系統之方法。
近年來，顯示器行業已隨著新的顯示技術被引入市場而快速增長。行動裝置、電視機、虛擬實境(virtual reality；VR)頭戴式裝置、及其他顯示器一直係為推動著顯示器具有更高解析度及更準確顏色再現之恆定力量。隨著新型之顯示面板模組及生產方法被部署，表面缺陷已變得難以使用傳統方法來檢驗。
此先前技術章節中所揭露之上述資訊僅用於增強對本發明之理解，因此，該章節可含有並不形成為此項技術中具有通常知識者所已知的先前技術之資訊。
本發明實施例之態樣係關於一種自動化檢驗系統及方法，其利用機器學習來提高缺陷偵測(例如白斑雲紋缺陷之偵測)之速度及準確度。在某些實施例中，自動化檢驗系統接收自一顯示裝置拍攝之一影像、將該影像分割成複數個圖塊(patch)，計算各該圖塊之影像特徵，並藉由利用一經過訓練之支援向量機(support vector machine；SVM)而使用所計算之特徵來辨識含有一缺陷(例如一白斑雲紋)之圖塊。在某些實施例中，該等特徵包含紋理特徵(texture feature)與影像矩(image moment)之一組合。
根據本發明之某些實施例，提供一種用於在一顯示面板中偵測一或多個白斑雲紋缺陷之方法，該方法包含：接收該顯示面板之一影像，該影像包含該一或多個白斑雲紋缺陷；將該影像劃分成複數個圖塊，該等圖塊其中之每一者對應於該影像之一m畫素×n畫素區域(其中m及n係為大於或等於1之整數)；為該等圖塊產生複數個特徵向量(feature vector)，各該特徵向量對應於該等圖塊其中之一且包含一或多個影像紋理特徵(image texture feature)及一或多個影像矩特徵(image moment feature)；以及藉由利用一多類別支援向量機來基於該等特徵向量其中之一相應者對該等圖塊其中之每一者進行分類，以偵測該一或多個白斑雲紋缺陷。
在某些實施例中，該等圖塊不彼此交疊。
在某些實施例中，各該圖塊在大小上大於一平均白斑雲紋缺陷。
在某些實施例中，各該圖塊對應於該顯示面板之一32畫素×32畫素區域。
在某些實施例中，該一或多個影像紋理特徵包含一對比灰階共生矩陣(grey-level co-occurrence matrix；GLCM)紋理特徵及一相異性(dissimilarity)灰階共生矩陣紋理特徵至少其中之一。
在某些實施例中，該一或多個影像矩特徵包含一三階形心矩(third order centroid moment)μ30、一第五Hu不變矩(fifth Hu invariant moment)I5、及一第一Hu不變矩I1至少其中之一。
在某些實施例中，該多類別支援向量機係使用含缺陷之影像及不含缺陷之影像來加以訓練。
在某些實施例中，對該一或多個白斑之分類包含：將該等圖塊之該等特徵向量提供至該多類別支援向量機，以基於該等特徵向量來辨識該一或多個白斑；以及將該等圖塊中包含所辨識之該一或多個白斑之一或多個圖塊標記為有缺陷。
根據本發明之某些實施例，提供一種用於訓練一系統在一顯示面板中偵測一或多個白斑缺陷之方法，該方法包含：接收該顯示面板之一影像，該影像包含該一或多個白斑缺陷；將該影像分解成第一複數個圖塊及第二複數個圖塊，該第一複數個圖塊及該第二複數個圖塊其中之每一者對應於該顯示面板之該影像；接收複數個標籤(label)，該等標籤其中之每一標籤對應於該第一複數個圖塊及該第二複數個圖塊其中之一且指示有缺陷或無缺陷；產生複數個特徵向量，該等特徵向量其中之每一者對應於該第一複數個圖塊及該第二複數個圖塊其中之一中的一圖塊且包含一或多個影像紋理特徵及一或多個影像矩特徵；以及藉由為一多類別支援向量機(SVM)提供該等特徵向量及該等標籤來訓練該支援向量機偵測該一或多個白斑。
在某些實施例中，該第二複數個圖塊相對於該第一複數個圖塊偏移且與該第一複數個圖塊交疊。
在某些實施例中，該等圖塊其中之每一者對應於該影像之一m畫素×n畫素區域(其中m及n係為大於或等於1之整數)。
在某些實施例中，分解該影像之步驟包含更將該影像分解成第三複數個圖塊及第四複數個圖塊，該第三複數個圖塊及該第四複數個圖塊其中之每一者對應於該顯示面板之該影像，其中該等標籤更包含與該第三複數個圖塊及該第四複數個圖塊對應且指示有缺陷或無缺陷之附加標籤，其中該等特徵向量其中之每一者對應於該第一複數個圖塊、該第二複數個圖塊、該第三複數個圖塊、及該第四複數個圖塊其中之一中的一圖塊且包含一或多個影像紋理特徵及一或多個影像矩特徵，其中該複數個圖塊其中之每一者對應於該影像之一32畫素×32畫素區域，且其中該第一複數個圖塊至該第四複數個圖塊其中之各複數個圖塊相對於彼此在該影像之一長度方向及一寬度方向至少其中之一上偏移達16個畫素。
在某些實施例中，該一或多個影像紋理特徵包含一對比灰階共生矩陣(GLCM)紋理特徵及一相異性灰階共生矩陣紋理特徵至少其中之一。
在某些實施例中，該一或多個影像矩特徵包含一三階形心矩μ30、一第五Hu不變矩I5、及一第一Hu不變矩I1至少其中之一。
根據本發明之某些實施例，提供一種用於在一顯示面板中偵測一或多個白斑缺陷之系統，該系統包含：一處理器；以及一處理器記憶體，在該處理器之本端，其中該處理器記憶體上儲存有指令，該等指令在由該處理器執行時使該處理器執行：接收該顯示面板之一影像，該影像包含該一或多個白斑缺陷；將該影像劃分成複數個圖塊，該等圖塊其中之每一者對應於該影像之一m畫素×n畫素區域(其中m及n係為大於或等於1之整數)；為該等圖塊產生複 數個特徵向量，各該特徵向量對應於該等圖塊其中之一且包含一或多個影像紋理特徵及一或多個影像矩特徵；以及藉由利用一多類別支援向量機(SVM)來基於該等特徵向量其中之一相應者對該等圖塊其中之每一者進行分類，以偵測該一或多個白斑。
在某些實施例中，該等圖塊不彼此交疊，且各該圖塊在大小上大於一平均白斑雲紋缺陷。
在某些實施例中，該一或多個影像紋理特徵包含一對比灰階共生矩陣(GLCM)紋理特徵及一相異性灰階共生矩陣紋理特徵至少其中之一。
在某些實施例中，該一或多個影像矩特徵包含一三階形心矩μ30、一第五Hu不變矩I5、及一第一Hu不變矩I1至少其中之一。
在某些實施例中，該多類別支援向量機係使用含缺陷之影像及不含缺陷之影像來加以訓練。
在某些實施例中，該等圖塊其中之每一者之分類包含：將該等圖塊之該等特徵向量提供至該多類別支援向量機，以基於該等特徵向量來辨識該一或多個白斑；以及將該等圖塊中包含所辨識之該一或多個白斑之一或多個圖塊標記為有缺陷。
100:影像獲取與缺陷偵測系統/缺陷偵測系統
102:顯示面板
104:照相機
106:缺陷偵測器
108:處理器
110:記憶體
112:人類操作員
200:影像分解器
202:特徵提取器
204:支援向量機
300:圖塊集合
301:影像
302:第一複數個圖塊
303、305、307、309:影像圖塊/圖塊
304:第二複數個圖塊
306:第三複數個圖塊
308:第四複數個圖塊
310:缺陷
311:含缺陷之圖塊
400、420:過程
S402、S404、S406、S408、S410、S422、S424、S426、S428:動作
A:隅角/點
d1、d2:偏移
x、y:軸線
附圖與本說明書一起例示本發明之實例性實施例且與本說明一起用於闡釋本發明之原理。
第1圖係為根據本發明某些實例性實施例之一影像獲取與缺陷偵測系統之方塊圖； 第2圖係為例示根據本發明某些實例性實施例之一缺陷偵測器之方塊圖；第3A圖例示根據本發明某些實例性實施例由一影像分解器(image decomposer)在訓練模式(training mode)中產生之若干圖塊集合；第3B圖例示根據本發明某些實施例，一顯示面板之一經分解影像中被標記的含缺陷之圖塊；第4A圖係為例示根據本發明某些實例性實施例用於訓練缺陷偵測系統在顯示面板中偵測一或多個缺陷之一過程之流程圖；以及第4B圖係為例示根據本發明某些實例性實施例用於藉由利用一缺陷偵測系統在一顯示面板中偵測一或多個白斑缺陷之一過程之流程圖。
下文所述之詳細說明旨在闡述根據本發明提供的一種用於缺陷偵測之系統及方法之實例性實施例，而並非旨在代表可構造或利用本發明之僅有形式。本說明結合所示實施例來陳述本發明之特徵。然而，應理解，可藉由不同實施例來達成相同或等效之功能及結構，該等不同實施例亦旨在囊括於本發明之精神及範圍內。如本文中別處所示，相同元件編號旨在指示相同元件或特徵。
第1圖係為根據本發明某些實例性實施例之一影像獲取與缺陷偵測系統100之方塊圖。
參照第1圖，影像獲取與缺陷偵測系統100(在本文中亦被稱為缺陷偵測系統)用以使用顯示面板102之一影像來偵測一顯示面板102中之缺陷。在某些實施例中，缺陷偵測系統100用以偵測經歷測試之一顯示面板102中是否 存在白斑雲紋缺陷(例如，亮度非均勻性)並對該等白斑雲紋缺陷進行定位。在某些實例中，可僅偵測白斑雲紋缺陷，同時忽略可能存在於顯示面板102中之所有其他類型之缺陷(例如黑斑(black spot)、白條紋(white streak)、水平線雲紋(horizontal line Mura)、玻璃缺陷、灰塵、汙點等)。
根據某些實施例，缺陷偵測系統100包含一照相機104及一缺陷偵測器106。照相機104可擷取顯示面板102之一頂表面(例如，一顯示側)之一影像(例如，一原始未壓縮影像)，在某些實例中，顯示面板102可沿一測試設備或製造設備中之一輸送帶行進。在某些實例中，影像可係為顯示面板102之一整個頂表面之一未壓縮影像(例如，具有一原始格式)，且照相機104可擷取顯示面板102中之所有或實質上所有畫素。隨後，照相機104將影像傳送至缺陷偵測器106，缺陷偵測器106分析該影像以偵測是否存在任何缺陷(例如，白斑雲紋缺陷)。
在某些實施例中，缺陷偵測器106將所擷取影像劃分成複數個圖塊以進行檢驗，缺陷偵測器106包含一處理器108及耦合至處理器108之一記憶體110。隨後，藉由一經過訓練之機器學習組件來分析各該圖塊以查找缺陷(例如白斑雲紋缺陷)之實例(instance)。在某些實施例中，機器學習組件包含一支援向量機(SVM)，例如一多類別支援向量機，其係為用以將一輸入分類為具有一缺陷(例如，一白斑雲紋缺陷)或不含缺陷的二個類別其中之一的一監督式學習模型(supervised learning model)(且沒有一預定數學公式)。缺陷偵測器106為各該影像圖塊產生複數個特徵之一組合，並將該等特徵提供至支援向量機以進行分類。舉例而言，該等特徵可包含紋理特徵與影像矩之一組合。支援向量機將各該影像圖塊分類為具有或不具有一缺陷(例如，具有一白斑雲紋實例)，並對其中存在缺陷(例如，白斑雲紋實例)之影像圖塊進行標記。
在某些實例中，支援向量機可由一人類操作員112進行訓練，如下文更詳細所述。
第2圖係為更詳細地例示根據本發明某些實例性實施例之缺陷偵測器106之方塊圖。
參照第2圖，缺陷偵測器106包含一影像分解器200、一特徵提取器(feature extractor)202、及一支援向量機(例如，一多類別支援向量機)204。缺陷偵測器106用以以一訓練模式及一偵測模式(detection mode)而運作。
根據某些實施例，當以訓練模式運作時，影像分解器200用以將其自照相機104接收到的顯示面板之影像分解(例如，劃分或分割)成若干圖塊集合，其中各該圖塊集合涵蓋所有或幾乎所有顯示面板畫素。亦即，各該圖塊集合中之圖塊與所有其他圖塊集合中之對應圖塊交疊。
特徵提取器202對由影像分解器200產生之單獨圖塊進行操作，以提取各該圖塊之影像特徵。在某些實施例中，該等特徵包含一或多個影像紋理特徵及一或多個影像矩特徵。在某些實例中，該等影像紋理特徵包含一對比灰階共生矩陣(GLCM)紋理特徵(簡稱為灰階共生矩陣特徵)及一相異性灰階共生矩陣紋理特徵至少其中之一，且該等影像矩特徵包含一三階形心矩μ30、一第五Hu不變矩I5及一第一Hu不變矩I1至少其中之一。
如此項技術中具有通常知識者所理解，灰階共生矩陣特徵有助於藉由以下來表徵一影像之紋理：計算具有特定亮度值(例如，灰階)且呈一指定空間關係之成對畫素在一影像中出現之頻率。此外，應理解，三階形心矩μ30係為平移不變量(translational invariant)，且第五Hu不變矩I5及第一Hu不變矩I1係關於平移變換、標度變換及旋轉變換之不變量。該等影像矩特徵之公式化定義可見於隨本文同時提出申請之附錄A中，附錄A之全部內容以引用方式併入本文末。
特徵提取器202為各該單獨圖塊建構包含該一或多個影像紋理特徵及該一或多個影像矩特徵之一特徵向量。在某些實例中，所建構特徵向量包含一三階形心矩μ30、一對比灰階共生矩陣紋理特徵、一相異性灰階共生矩陣紋理特徵、一第五Hu不變矩I5、及一第一Hu不變矩I1。然而，本發明之實施例並非僅限於此。舉例而言，所建構特徵向量可排除第五Hu不變矩I5及第一Hu不變矩I1、及/或相異性灰階共生矩陣紋理特徵其中之一或二者。當處於訓練階段時，特徵提取器202將所建構向量作為一第一訓練資料集合轉發至支援向量機204。
由影像分解器200產生之圖塊集合亦被發送至一人類操作員112，人類操作員112人工地檢驗單獨圖塊以查找是否存在一缺陷(例如，一白斑雲紋缺陷)並人工地將各該圖塊標記為有缺陷或無缺陷(或不含缺陷)。由人類操作員112得出之結果作為一第二訓練資料集合被提供至支援向量機204。根據某些實施例，人類操作員112可僅辨識白斑雲紋缺陷而排除所有其他類型之缺陷(例如黑斑、白條紋等)。因此，在某些實施例中，多類別支援向量機204可被訓練成僅偵測白斑雲紋缺陷且忽略所有其他類型之缺陷。
隨後，支援向量機(例如，多類別支援向量機)204使用包含有缺陷圖塊及無缺陷圖塊在內之各該圖塊之特徵向量以及有缺陷或無缺陷之對應標籤來訓練缺陷偵測器106偵測任何缺陷(例如，任何白斑雲紋缺陷)。在某些實例中，支援向量機204不僅使用一單個影像中之圖塊而且使用來自不同顯示面板之若干不同影像中之圖塊來進行訓練。
一旦訓練完成，缺陷偵測器106便可以偵測模式運作，在偵測模式期間，支援向量機204替換人類操作員112來對顯示面板102之一影像之圖塊進行標記。根據某些實施例，當處於訓練模式時，影像分解器200將自顯示面板102所擷取之一影像分解(例如，劃分或分割)成涵蓋顯示面板102之所有或 幾乎所有畫素之一非交疊圖塊集合(例如，僅一單個集合)。隨後，特徵提取器202對該非交疊圖塊集合進行操作，以提取各該圖塊之影像特徵並為各該圖塊產生一特徵向量，如上文參照訓練模式所述。隨後，支援向量機204利用所產生特徵向量來將各該圖塊分類為有缺陷或無缺陷。
在某些實施例中，各該圖塊之大小被選擇成使得其大於一典型缺陷之大小(例如，一白斑雲紋缺陷之平均大小)、但亦小至足以為確定顯示面板上缺陷之位置而提供一良好之粒度量度(measure of granularity)。
因此，在某些實施例中，藉由在視覺上檢驗顯示面板102並僅提取該影像特徵集合(例如，三階形心矩μ30、對比灰階共生矩陣及相異性灰階共生矩陣紋理特徵、以及第一Hu不變矩I1及第五Hu不變矩I5)，缺陷偵測器106能夠偵測是否存在一特定類型之缺陷(例如白斑雲紋缺陷)並對該缺陷進行定位。此在偵測及定位所預期缺陷方面提供大的精確度，且使得能夠在某些情形中對缺陷進行補償。
在某些實例中，可淘汰並自產品線除去由缺陷偵測器106辨識為含有缺陷之顯示面板。然而，在某些實施例中，可利用藉由被標記為有缺陷的圖塊之位置(例如，座標)所辨識出的缺陷(例如，白斑雲紋缺陷)之位置來以電子方式對缺陷進行補償，因此消除或實質上消除顯示面板之缺陷。因此，因有利於對顯示面板中之缺陷進行補償，缺陷偵測器106有助於提高顯示面板之製造/生產良率。舉例而言，在某些實施例中，缺陷偵測器106與電子補償可形成一迴圈(loop)，該迴圈重複遍及各種補償參數直至缺陷不再可見為止。因此，針對每一所辨識之白斑雲紋實例對顯示面板應用一補償參數，拍攝顯示面板之一新影像，並再次將該影像提供至缺陷偵測器106。
如此項技術中具有通常知識者所理解，影像分解器200、特徵提取器202、多類別支援向量機204、及缺陷偵測器106之任何其他邏輯組件可由 處理器108及上面儲存有指令之記憶體110表示，該等指令在由處理器108執行時使處理器108執行歸屬於缺陷偵測器106之功能(例如，影像分解器200、特徵提取器202、多類別支援向量機204)。
第3A圖例示根據本發明某些實例性實施例由影像分解器200在訓練模式中產生之若干圖塊集合300。第3B圖例示根據本發明某些實施例，一顯示面板之一經分解影像中被標記的含缺陷之圖塊。
參照第3A圖，影像301表示由照相機104自顯示面板102之一頂表面(例如，一顯示側)擷取之一影像，顯示面板102可顯示一測試影像。該測試影像可包含任何適用於測試是否存在缺陷(例如，白斑雲紋缺陷)之影像，例如一純灰色影像(solid grey image)。影像301可包含顯示面板102之每一畫素；然而，在某些實施例中，影像301可僅涵蓋顯示面板102之某些部分。影像分解器200可自影像301之一隅角A開始將影像301劃分成包含等大小影像圖塊303之第一複數個圖塊302。在第3A圖所示實例中，隅角A表示影像301之左上隅角，且圖塊303被示出為具有正方形形狀；然而，本發明之實施例並非僅限於此，且隅角A可為影像之任何適合隅角(例如，左下隅角、右上隅角等)，並且圖塊303可係為矩形形狀。
一般而言，各該影像圖塊303之大小可依據其所含有的顯示畫素之數目而被表達為m×n畫素(其中m及n係為正整數)。在某些實施例中，各該影像圖塊303之大小可被設定成大於一典型缺陷之大小(例如，大於一白斑雲紋缺陷之一平均大小)。舉例而言，各該圖塊303可係為32×32畫素，在此種情形中，解析度為1920×1080畫素之一顯示面板102之一影像301中之第一複數個圖塊302可包含2040個圖塊(該等圖塊中與和點A相對之影像側交疊之圖塊可係為局部影像圖塊)。
根據某些實施例，當處於訓練模式時，影像分解器200可更將影像301劃分成若干其他交疊之圖塊集合。舉例而言，影像分解器200可更將影像301劃分成分別包含影像圖塊305、307及309之第二複數個圖塊304、第三複數個圖塊306及第四複數個圖塊308，影像圖塊305、307及309其中之每一者可在大小上等於影像圖塊303。
各該圖塊集合可相對於另一圖塊集合在一第一方向(例如，由X軸線所示的影像301之一長度方向)上偏移達一偏移d1及/或在一第二方向(例如，由Y軸線所示的影像301之一寬度方向)上偏移達一偏移d2。舉例而言，第二複數個圖塊304可相對於第一複數個圖塊302在第一方向上(例如，沿X軸線)偏移達偏移d1，第三複數個圖塊306可相對於第一複數個圖塊302在第二方向上(例如，沿Y軸線)偏移達偏移d2，且第四複數個圖塊308可相對於第一複數個圖塊302在第一方向及第二方向上分別偏移達偏移d1及d2。根據某些實施例，各該圖塊集合可相對於前一圖塊集合而偏移，俾使其圖塊中之每一者與該前一圖塊集合中之一對應圖塊交疊達一圖塊面積之一半。舉例而言，當各該圖塊303/305/307/309具有32×32畫素之一大小時，偏移d1及d2其中之每一者可等於16個畫素。
參照第3B圖，在訓練模式中，各該影像圖塊由一經過訓練之人類操作員檢驗，經過訓練之人類操作員探查影像301中之任何缺陷(例如，白斑雲紋缺陷)310並對含有缺陷之全部或一部分之影像圖塊進行標記。舉例而言，含缺陷之圖塊(有缺陷圖塊)311可被標記有「1」，而在某些實例中，剩餘(例如，無缺陷)圖塊可被標記有「0」。如第3B圖中所示，在某些實例中，當在二個圖塊之邊界處或在四個圖塊之隅角處探查到一缺陷310時，將共有該邊界或該隅角之所有圖塊標記為有缺陷。儘管第3B圖為易於例示而僅顯示第四複數 個圖塊308中被標記的有缺陷圖塊，然而含有缺陷310之彼等圖塊303、305及307被類似地標記為有缺陷。
隨後，將包含有缺陷圖塊及無缺陷圖塊在內的被人工標記之圖塊集合(例如，被標記之第一複數個圖塊至第四複數個圖塊302、304、306及308)連同與該等集合中所包含之各該圖塊(例如，圖塊303、305、307及309)對應之特徵向量一起作為訓練資料提供至支援向量機204。
根據某些實施例，當處於偵測模式時，影像分解器200僅生成一單個圖塊集合(而非在訓練模式中產生之多個集合)，該單個圖塊集合對應於(例如，相同於)第3A圖所示之第一複數個圖塊302。
第4A圖係為例示根據本發明某些實例性實施例用於訓練缺陷偵測系統100在顯示面板102中偵測一或多個缺陷之一過程400之流程圖。
在動作S402中，缺陷偵測器106(例如，影像分解器200)接收顯示面板102之一影像，顯示面板102可包含一或多個白斑缺陷。
在動作S404中，影像分解器200可將影像分解(例如，劃分)成複數個圖塊集合，例如，第一複數個圖塊302、第二複數個圖塊304、第三複數個圖塊306、及第四複數個圖塊308。各該圖塊集合可包含數個圖塊(例如，303、305、307及309)，且可對應於顯示面板102之一影像301。該等圖塊其中之每一者可對應於影像301之一m畫素×n畫素區域(其中m及n係為大於或等於1之整數)。該等圖塊集合其中之每一者可相對於該等圖塊集合其中之另一者偏移且與該另一者交疊。在某些實例中，該等圖塊集合其中之各圖塊集合(例如，第一複數個圖塊至第四複數個圖塊302、304、306及308其中之各複數個圖塊)在影像之一長度方向及一寬度方向至少其中之一上彼此偏移達一所設定偏移(例如，1個畫素、2個畫素、4個畫素、16個畫素等)。
在動作S406中，缺陷偵測器106(例如，特徵提取器202)可為該等圖塊集合中之各該圖塊產生一特徵向量。所產生之複數個特徵向量可各自包含一或多個影像紋理特徵及一或多個影像矩特徵。該一或多個影像紋理特徵可包含一對比灰階共生矩陣紋理特徵及一相異性灰階共生矩陣紋理特徵至少其中之一，且該一或多個影像矩特徵可包含一三階形心矩μ30、一第五Hu不變矩I5及一第一Hu不變矩I1至少其中之一。
在動作S408中，缺陷偵測器106(例如，多類別支援向量機(SVM)204)接收複數個標籤，各該標籤可對應於該等圖塊其中之一且指示存在一缺陷(例如，一白斑雲紋缺陷)或不存在一缺陷(例如，不存在一白斑雲紋缺陷)。在某些實例中，該等標籤係藉由一人類操作員在視覺上檢驗各該圖塊並產生標籤而產生。
在動作S410中，基於該等特徵向量及該等標籤來訓練缺陷偵測器106(例如，多類別支援向量機204)偵測一或多個白斑。可使用含缺陷之影像及不含缺陷之影像來訓練多類別支援向量機。
第4B圖係為例示根據本發明某些實例性實施例用於藉由利用缺陷偵測器106在一顯示面板102中偵測一或多個白斑缺陷之一過程420之流程圖。
在動作S422中，缺陷偵測器106(例如，影像分解器200)接收顯示面板102之一影像301，顯示面板102可包含一或多個白斑缺陷。
在動作S424中，缺陷偵測器106(例如，影像分解器200)將影像301劃分成複數個非交疊圖塊303，各該圖塊303對應於影像301之一m畫素×n畫素區域(其中m及n係為大於或等於1之整數)且在大小上大於一平均白斑雲紋缺陷。
在動作S426中，缺陷偵測器106(例如，特徵提取器202)為該等圖塊303中之各該圖塊產生特徵向量。各該特徵向量可包含一或多個影像紋理特徵及一或多個影像矩特徵。該一或多個影像紋理特徵可包含一對比灰階共生矩陣紋理特徵及一相異性灰階共生矩陣紋理特徵至少其中之一，且該一或多個影像矩特徵包含一三階形心矩μ30、一第五Hu不變矩I5及一第一Hu不變矩I1至少其中之一。
在動作S428中，缺陷偵測器106利用多類別支援向量機204來使用該等特徵向量其中之一相應者對該等圖塊303其中之每一者進行分類。基於多類別支援向量機204所進行之分類，各該圖塊303被標記為具有一缺陷(例如，白斑雲紋)或被標記為不含缺陷(例如，無白斑雲紋)。在此實例中，多類別支援向量機204已被訓練來對白斑雲紋進行分類。在其他實例中，多類別支援向量機204可被訓練成辨識其他類型之顯示面板雲紋缺陷。舉例而言，多類別支援向量機204可被訓練成辨識黑斑雲紋(black spot Mura)、區雲紋(region Mura)、雜質雲紋(impurity Mura)、或線雲紋(line Mura)。
因此，本發明之實施例提供一種高效且精確之缺陷(例如，白斑雲紋缺陷)偵測系統及方法，該偵測系統及方法可使用來自一工廠之一顯示面板之實際原始(即，未經模擬)影像資料來不僅進行偵測而且用於訓練目的。一旦在人類監督下經過訓練，影像獲取與缺陷偵測系統便可以一種自動且無監督之方式運作以在經歷製造及測試之顯示面板中偵測任何缺陷(例如，白斑雲紋缺陷)。因此，自動化系統提高了生產效率且降低或消除了對人類視覺檢驗之需要。此外，根據某些實施例，缺陷偵測系統辨識任何缺陷之位置，因此使得能夠對缺陷進行後續電子補償，此可使得生產良率更高並使得總體生產成本更低。
應理解，雖然本文中可使用用語「第一」、「第二」、「第三」等來闡述各種元件、組件、區、層及/或區段，然而此等元件、組件、區、層及/或區段不應受此等用語限制。此等用語僅用於將一個元件、組件、區、層、或區段與另一元件、組件、區、層、或區段區分開。因此，下文所述之一第一元件、組件、區、層、或區段可被稱為一第二元件、組件、區、層、或區段，此並不背離本發明概念之精神及範圍。
本文中所使用之術語僅用於闡述特定實施例而並非旨在限制本發明概念。除非上下文另有清晰指示，否則本文中所使用之單數形式「一(a及an)」皆旨在亦包含複數形式。更應理解，當在本說明書中使用用語「包含(include、including、comprise、及/或comprising)」時，係指明所陳述特徵、整數、步驟、操作、元件、及/或組件之存在，但並不排除一或多個其他特徵、整數、步驟、操作、元件、組件、及/或其群組之存在或添加。本文中所使用之用語「及/或(and/or)」包含相關聯所列各項其中之一或多者之任意及所有組合。當位於一元件列表之前時，例如「至少其中之一(at least one of)」等表達語修飾整個元件列表且不修飾該列表之個別元件。此外，在闡述本發明概念之實施例時所使用之「可(may)」係指代「本發明概念之一或多個實施例」。此外，用語「實例性(exemplary)」旨在指代一實例或例證。
應理解，當將一元件或層稱作位於另一元件或層「上」、「連接至」、「耦合至」或「鄰近於」另一元件或層時，該元件或層可係直接位於該另一元件或層上、直接連接至、直接耦合至、或直接鄰近於該另一元件或層，或者可能存在一或多個中間元件或層。當將一元件或層稱作「直接位於」另一元件或層「上」、「直接連接至」、「直接耦合至」或「緊鄰於」另一元件或層時，不存在中間元件或層。
本文中所使用之用語「實質上(substantially)」、「約(about)」、及類似用語係用作近似用語而非用作程度用語，且旨在考量到此項技術中具有通常知識者將認識到的所量測值或所計算值之固有變動。
本文中所使用之用語「使用(use、using及used)」可被視為分別與用語「利用(utilize、utilizing及utilized)」同義。
根據本文所述之本發明實施例之缺陷偵測系統及/或任何其他相關裝置或組件可利用任何適合硬體、韌體(例如，一應用專用積體電路(application-specific integrated circuit))、軟體、或軟體、韌體及硬體之一適合組合來實施。舉例而言，獨立多源顯示裝置之各種組件可形成於一個積體電路(integrated circuit；IC)晶片上或單獨之積體電路晶片上。此外，缺陷偵測系統之各種組件可實施於一撓性印刷電路膜(flexible printed circuit film)、一膠帶載體封裝(tape carrier package；TCP)、一印刷電路板(printed circuit board；PCB)上，或者可形成於同一基板上。此外，缺陷偵測系統之各種組件可係為一種過程(process)或執行緒(thread)，該過程或執行緒在一或多個計算裝置中之一或多個處理器上運行、用於執行電腦程式指令並與其他系統組件互動以執行本文中所述之各種功能。該等電腦程式指令係儲存於一記憶體中，該記憶體可係使用一標準記憶體裝置(例如，一隨機存取記憶體(random access memory；RAM))而實施於一計算裝置中。該等電腦程式指令亦可儲存於其他非暫時性電腦可讀取媒體(例如，一光碟唯讀記憶體(compact disc-read only memory；CD-ROM)、隨身碟(flash drive)等)中。此外，熟習此項技術者應認識到，各種計算裝置之功能可被組合或整合至一單個計算裝置中，或一特定計算裝置之功能可跨一或多個其他計算裝置分佈，此並不背離本發明之實例性實施例之範圍。
儘管已具體參照本發明之例示性實施例詳細闡述了本發明，然而本文所述之實施例並非旨在係為詳盡的或將本發明之範圍限制於所揭露之確切形式。熟習此項技術以及本發明所屬技術之人員應瞭解，可對所述結構以及組裝及操作方法實踐變更及改變，此並不有意義地背離在以下申請專利範圍及其等效內容中所述的本發明之原理、精神及範圍。
[附錄A]
5/23/2017影像矩-維基百科https：//en.wikipedia.org/wiki/Image_moment
影像矩
來自維基百科，自由的百科全書
在影像處理、電腦視覺及相關領域中，影像矩係為各影像畫素之強度之某一特定加權平均值(矩)或此等矩之一函數，通常被選擇成具有某一有吸引力之性質或解釋。
影像矩適用於在分段之後對物件進行闡述。藉由影像矩而發現之影像簡單性質包含面積(或總強度)、其形心、以及關於其定向之資訊。
目錄
■1原始矩
■1.1實例
■2中心矩
■2.1實例
■3矩不變量
■3.1平移不變量
■3.2標度不變量
■3.3旋轉不變量
■4應用
■5外部鏈接
■6參考文獻
原始矩
對於一二維連續函數f(x,y)，具有階數(p+q)之矩(有時稱為「原始矩」)被定義為
Figure 107113226-A0305-02-0023-1
其中p、q=0,1,2...。針對具有畫素強度I(x,y)之純量(灰階)影像對此進行調適，藉由下式來計算原始影像矩M ij
Figure 107113226-A0305-02-0023-24
在某些情形中，此可藉由將影像視為一概率密度函數、即藉由將上式除以如下項來加以計算
Figure 107113226-A0305-02-0023-3
唯一性定理(Hu[1962])陳述：若f(x,y)係逐段連續的且僅在xy平面之一有限部分中具有非零值，則存在所有階數之矩，且矩序列(M pq )係由f(x,y)唯一地決定。相反地，(M pq )唯一地決定f(x,y)。實際上，影像係藉由幾個低階矩之函數而彙總出。
實例
藉由原始矩導出之簡單影像性質包含：
■面積(對於二進制影像)或灰階之和(對於灰色調影像)：M 00
■形心：
Figure 107113226-A0305-02-0023-6
中心矩
中心矩被定義為
Figure 107113226-A0305-02-0023-4
其中
Figure 107113226-A0305-02-0023-7
及
Figure 107113226-A0305-02-0023-9
係為形心之分量。
若f(x,y)係為一數位影像，則上一方程式變為
Figure 107113226-A0305-02-0023-25
階數高達3之中心矩係為： μ 00=M 00，μ 01=0，μ 10=0，
Figure 107113226-A0305-02-0024-10
可以表明：
Figure 107113226-A0305-02-0024-11
中心距係為平移不變量。
實例
可藉由首先使用二階中心矩建構一共變異數矩陣來導出關於影像定向之資訊。
Figure 107113226-A0305-02-0024-12
影像I(x,y)之共變異數矩陣現在係為
Figure 107113226-A0305-02-0024-13
此矩陣之特徵向量對應於影像強度之長軸及短軸，因此可自與最大特徵值相關聯之特徵向量朝向最接近此特徵向量之軸線所成之角度提取定向。可以表明，此角度Θ係藉由以下公式給出：
Figure 107113226-A0305-02-0025-14
只要存在以下條件，以上公式便成立：
Figure 107113226-A0305-02-0025-28
共變異數矩陣之特徵值可輕易表示為
Figure 107113226-A0305-02-0025-15
 且與特徵向量軸線之長度平方成比例。因此，各特徵向量之量值之相對差係為影像之偏心率或伸長率之一指示。偏心率係為
Figure 107113226-A0305-02-0025-16
矩不變量
矩在影像分析中之應用係眾所周知的，乃因矩可用於導出關於特定變換類別之不變量。
術語「不變矩」在此背景中常常被濫用。然而，儘管矩不變量係為自矩形成之不變量，但本身為不變量之僅有矩係為中心矩。
應注意，以下所詳述之不變量確切而言僅在連續域中係為不變的。在一離散域中，標度及旋轉皆未被清晰定義：以此種方式變換之一離散影像通常係為一近似值，且變換並非係可逆的。因此，當在一離散影像中闡述一形狀時，此等不變量僅近似為不變的。
平移不變量
藉由建構，任何階數之中心矩μ ij 係為關於平移之不變量。
標度不變量
可藉由穿過一具恰當標度之第0中心矩進行劃分而自中心矩建構關於平移及標度之不變量η ij ：
Figure 107113226-A0305-02-0025-17
其中i+j
Figure 107113226-A0305-02-0026-26
2。應注意，僅使用中心矩便能直接推出平移不變性。
旋轉不變量
如胡(Hu)等人之著作[1][2]中所示，關於平移、標度及旋轉之不變量可被建構為：I 1=η 20+η 02
Figure 107113226-A0305-02-0026-29
I 3=(η 30-3η 12)2+(3η 21-η 03)2
I 4=(η 30+η 12)2+(η 21+η 03)2
I 5=(η 30+3η 12)(η 30+η 12)[(η 30+η 12)2-3(η 21+η 03)2]+3(η 21-η 03)(η 21+η 03)[3(η 30+η 12)2-(η 21+η 03)2]
I 6=(η 6-n 02)[(η 30+η 12)2-(η 21+η 03)2]+4η 11(η 30+η 12)(η 21+η 03)
I 7=(3η 21-n 03)(η 30+η 12)[(η 30+η 12)2-3(η 21+η 03)2]-(η 30-3η 12)(η 21+η 03)[3(η 30+η 12)2-(η 21+η 03)2]
此等眾所周知地係為Hu矩不變量。
第一者I 1類似於影像形心周圍之慣性矩，其中畫素之強度類似於物理密度。最後一者I 7係為偏斜不變量，此使得能夠區分開原本相同之影像之鏡像。
J.傅拉瑟(J.Flusser)[3]提出了關於導出複雜且獨立之旋轉矩不變量集合之一般理論。他表示，傳統之Hu矩不變量集合既非獨立亦非複雜的。I 3由於其與其他者相關而並不極為有用。在原始Hu集合中，缺失一三階獨立矩不變量：I8=η11[(η30+η12)2-(η03+η21)2]-(η20-η02)(η30+η12)(η03+η21)
隨後，J.傅拉瑟及T.蘇克(T.Suk)[4]針對N旋轉對稱形狀情形專門研究了該理論。
應用
張(Zhang)等人應用Hu矩不變量來解決腦組織病理偵測(Pathological Brain Detection；PBD)問題[5]。
外部鏈接
■Analysis of Binary Images (http：//homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/OWENS/LECT2/nod e3.html),University of Edinburgh
■Statistical Moments (http：//homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/SHUTLER3/CVonlin e_moments.html),University of Edinburgh
■Variant moments(https：//jamh-web.appspot.com/computer_vision.html),Machine Perception and Computer Vision page(Matlab and Python source code)
■Hu Moments(https：//www.youtube.com/watch‘？v=O-hCEXi3ymU)introductory video on YouTube
參考文獻
1. M. K. Hu, "Visual Pattern Recognition by Moment Invariants", IRE Trans. Info. Theory, vol. IT-8, pp.179-187, 1962
2.http://docs.opencv.org/modules/imgproc/doc/structural_analysis_and_shape_descri ptors.html‘？highlight=cvmatchshapes#humoments Hu Moments' OpenCV method
3. J. Flusser: "On the Independence of Rotation Moment Invariants (http://library.utia.cas.cz/prace/20000033.pdf)", Pattern Recognition, vol. 33, pp. 1405-1410, 2000.
4. J. Flusser and T. Suk, "Rotation Moment Invariants for Recognition of Symmetric Objects (http://library.utia.cas.cz/separaty/historie/flusser-rotation%20moment%20invariants %20for%20recognition%20of%20symmetric%20objects.pdf)", IEEE Trans. Image Proc., vol. 15, pp. 3784-3790, 2006.
5. Zhang, Y. (2015). "Pathological Brain Detection based on wavelet entropy and Hu moment invariants"(https://content.iospress.com/articles/bio-medical-materials-and-engineeri ng/bme1426). Bio-Medical Materials and Engineering. 26: 1283-1290.
擷取自"https://en.wikipedia.org/wiki/Image_moment&oldid=764614779"
範疇：電腦視覺
■本頁面最後編輯於2017年2月9日22：44。
104:照相機
106:缺陷偵測器
112:人類操作員
200:影像分解器
202:特徵提取器
204:支援向量機

Claims (14)

  1. 一種用於在一顯示面板之中偵測一或多個白斑雲紋缺陷之方法，該方法包含：接收該顯示面板之一影像，該影像包含一或多個白斑雲紋缺陷；將該影像劃分成複數個圖塊(patch)，該等圖塊其中之每一者對應於該影像之一m畫素×n畫素區域，其中m及n係為大於或等於1之整數；為該等圖塊產生複數個特徵向量(feature vector)，各該特徵向量對應於該等圖塊其中之一且包含一或多個影像紋理特徵(image texture feature)及一或多個影像矩特徵(image moment feature)；以及藉由利用一多類別支援向量機(support vector machine；SVM)來基於該等特徵向量其中之一相應者對該等圖塊其中之每一者進行分類，以偵測該一或多個白斑雲紋缺陷；其中該一或多個影像紋理特徵包含一對比灰階共生矩陣(grey-level co-occurrence matrix；GLCM)紋理特徵及一相異性(dissimilarity)灰階共生矩陣紋理特徵至少其中之一；及其中該一或多個影像矩特徵包含一三階形心矩(third order centroid moment)μ30、一第五Hu不變矩(fifth Hu invariant moment)I5、及一第一Hu不變矩I1至少其中之一。
  2. 如請求項1所述之方法，其中該等圖塊不彼此交疊。
  3. 如請求項1所述之方法，其中每一圖塊在大小上大於一平均白斑雲紋缺陷。
  4. 如請求項1所述之方法，其中每一圖塊對應於該顯示面板之一32畫素×32畫素區域。
  5. 如請求項1所述之方法，其中該多類別支援向量機係使用含白斑雲紋缺陷之影像及不含白斑雲紋缺陷之影像來加以訓練。
  6. 如請求項1所述之方法，其中對該一或多個白斑雲紋缺陷進行之該分類包含：將該等圖塊之該等特徵向量提供至該多類別支援向量機，以基於該等特徵向量來辨識該一或多個白斑雲紋缺陷；以及將該等圖塊中包含所辨識之該一或多個白斑雲紋缺陷之一或多個圖塊標記為有白斑雲紋缺陷。
  7. 一種用於訓練一系統在一顯示面板之中偵測一或多個白斑缺陷之方法，該方法包含：接收該顯示面板之一影像，該影像包含一或多個白斑缺陷；將該影像分解成第一複數個圖塊及第二複數個圖塊，該第一複數個圖塊及該第二複數個圖塊其中之每一者對應於該顯示面板之該影像；接收複數個標籤(label)，該等標籤其中之每一標籤對應於該第一複數個圖塊及該第二複數個圖塊其中之一且指示有白斑缺陷或無白斑缺陷； 產生複數個特徵向量，該等特徵向量其中之每一者對應於該第一複數個圖塊及該第二複數個圖塊其中之一中的一圖塊且包含一或多個影像紋理特徵及一或多個影像矩特徵；以及藉由為一多類別支援向量機(SVM)提供該等特徵向量及該等標籤來訓練該多類別支援向量機偵測該一或多個白斑缺陷；其中該一或多個影像紋理特徵包含一對比灰階共生矩陣(grey-level co-occurrence matrix；GLCM)紋理特徵及一相異性(dissimilarity)灰階共生矩陣紋理特徵至少其中之一；及其中該一或多個影像矩特徵包含一三階形心矩(third order centroid moment)μ30、一第五Hu不變矩(fifth Hu invariant moment)I5、及一第一Hu不變矩I1至少其中之一。
  8. 如請求項7所述之方法，其中該第二複數個圖塊相對於該第一複數個圖塊偏移且與該第一複數個圖塊交疊。
  9. 如請求項7所述之方法，其中該第一複數個圖塊及該第二複數個圖塊其中之每一者對應於該影像之一m畫素×n畫素區域，m及n係為大於或等於1之整數。
  10. 如請求項7所述之方法，其中分解該影像之步驟包含更將該影像分解成第三複數個圖塊及第四複數個圖塊，該第三複數個圖塊及該第四複數個圖塊其中之每一者對應於該顯示面板之該影像，其中該等標籤更包含與該第三複數個圖塊及該第四複數個 圖塊對應且指示有白斑缺陷或無白斑缺陷之附加標籤，其中該等特徵向量其中之每一者對應於該第一複數個圖塊、該第二複數個圖塊、該第三複數個圖塊、及該第四複數個圖塊其中之一中的一圖塊，且包含一或多個影像紋理特徵及一或多個影像矩特徵，其中該第一複數個圖塊至該第四複數個圖塊其中之每一者對應於該影像之一32畫素×32畫素區域，以及其中該第一複數個圖塊至該第四複數個圖塊其中之各複數個圖塊相對於彼此在該影像之一長度方向及一寬度方向至少其中之一上偏移達16個畫素。
  11. 一種用於在一顯示面板之中偵測一或多個白斑缺陷之系統，該系統包含：一處理器；以及一處理器記憶體，在該處理器之本端，其中該處理器記憶體上儲存有指令，該等指令在由該處理器執行時使該處理器執行：接收該顯示面板之一影像，該影像包含一或多個白斑缺陷；將該影像劃分成複數個圖塊，該等圖塊其中之每一者對應於該影像之一m畫素×n畫素區域，其中m及n係為大於或等於1之整數；為該等圖塊產生複數個特徵向量，各該特徵向量對應於該等圖塊其中之一且包含一或多個影像紋理特徵及一或多個影像矩特徵；以及 藉由利用一多類別支援向量機(SVM)來基於該等特徵向量其中之一相應者對該等圖塊其中之每一者進行分類，以偵測該一或多個白斑缺陷；其中該一或多個影像紋理特徵包含一對比灰階共生矩陣(grey-level co-occurrence matrix；GLCM)紋理特徵及一相異性(dissimilarity)灰階共生矩陣紋理特徵至少其中之一；及其中該一或多個影像矩特徵包含一三階形心矩(third order centroid moment)μ30、一第五Hu不變矩(fifth Hu invariant moment)I5、及一第一Hu不變矩I1至少其中之一。
  12. 如請求項11所述之系統，其中該等圖塊不彼此交疊，以及其中該等圖塊其中之每一圖塊在大小上大於一平均白斑缺陷。
  13. 如請求項11所述之系統，其中該多類別支援向量機係使用含白斑缺陷之影像及不含白斑缺陷之影像來加以訓練。
  14. 如請求項11所述之系統，其中該等圖塊其中之每一者包含：將該等圖塊之該等特徵向量提供至該多類別支援向量機，以基於該等特徵向量來辨識該一或多個白斑缺陷；以及將該等圖塊中包含所辨識之該一或多個白斑缺陷之一或多個圖塊標記為有白斑缺陷。
TW107113226A 2017-04-18 2018-04-18 用於在顯示面板中偵測白斑缺陷或白斑雲紋缺陷之系統及方法及訓練其系統之方法 TWI754741B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762486928P 2017-04-18 2017-04-18
US62/486,928 2017-04-18
US15/639,859 US10453366B2 (en) 2017-04-18 2017-06-30 System and method for white spot mura detection
US15/639,859 2017-06-30

Publications (2)

Publication Number Publication Date
TW201839384A TW201839384A (zh) 2018-11-01
TWI754741B true TWI754741B (zh) 2022-02-11

Family

ID=63790832

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107113226A TWI754741B (zh) 2017-04-18 2018-04-18 用於在顯示面板中偵測白斑缺陷或白斑雲紋缺陷之系統及方法及訓練其系統之方法

Country Status (5)

Country Link
US (1) US10453366B2 (zh)
JP (1) JP6917943B2 (zh)
KR (1) KR102281106B1 (zh)
CN (1) CN108734696B (zh)
TW (1) TWI754741B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3489892B1 (en) * 2017-11-24 2022-01-05 Ficosa Adas, S.L.U. Determining clean or dirty captured images
US10643576B2 (en) * 2017-12-15 2020-05-05 Samsung Display Co., Ltd. System and method for white spot Mura detection with improved preprocessing
US10681344B2 (en) * 2017-12-15 2020-06-09 Samsung Display Co., Ltd. System and method for mura detection on a display
KR102528980B1 (ko) * 2018-07-18 2023-05-09 삼성디스플레이 주식회사 표시 장치 및 이의 얼룩 보정 방법
US11379967B2 (en) * 2019-01-18 2022-07-05 Kla Corporation Methods and systems for inspection of semiconductor structures with automatically generated defect features
CN109949725B (zh) * 2019-03-06 2022-09-20 武汉精立电子技术有限公司 一种aoi系统图像灰度标准化方法及系统
CN110120195B (zh) * 2019-05-31 2022-10-21 昆山国显光电有限公司 数据补偿方法及智能终端
CN110243937B (zh) * 2019-06-17 2020-11-17 江南大学 一种基于高频超声的倒装焊焊点缺失缺陷智能检测方法
CN110426873A (zh) * 2019-08-26 2019-11-08 深圳市全洲自动化设备有限公司 一种lcd液晶屏测试方法
JP7536517B2 (ja) * 2019-10-08 2024-08-20 キヤノン株式会社 教師データの生成方法、学習済の学習モデル、及びシステム
US11580780B2 (en) * 2019-11-13 2023-02-14 Nec Corporation Universal feature representation learning for face recognition
CN111178190B (zh) * 2019-12-17 2023-10-27 中国科学院深圳先进技术研究院 基于深度图像的目标检测方法、装置及存储介质
CN111161246B (zh) 2019-12-30 2024-05-14 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统
DE102020000278A1 (de) 2020-01-20 2021-07-22 Marquardt Gmbh Bedien-und/oder Anzeigevorrichtung
CN113646801B (zh) * 2020-02-27 2024-04-02 京东方科技集团股份有限公司 缺陷图像的缺陷检测方法、装置及计算机可读存储介质
KR102372987B1 (ko) * 2020-03-18 2022-03-11 라온피플 주식회사 불량 이미지 생성 장치 및 방법
CN111583225B (zh) * 2020-05-08 2024-05-24 京东方科技集团股份有限公司 缺陷检测方法、装置及存储介质
US11150200B1 (en) * 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
CN111947895A (zh) * 2020-08-03 2020-11-17 深圳回收宝科技有限公司 一种用于显示装置白斑异常的检测方法及相关装置
CN112070762A (zh) * 2020-09-18 2020-12-11 惠州高视科技有限公司 液晶面板的mura缺陷检测方法、装置、存储介质及终端
CN112397002B (zh) * 2020-11-19 2024-01-12 Oppo广东移动通信有限公司 显示面板的检测方法、电子设备的检测装置及存储介质
CN113345328B (zh) * 2021-05-28 2022-08-02 Tcl华星光电技术有限公司 显示面板Mura修补方法
KR102823732B1 (ko) * 2021-09-08 2025-06-20 충북대학교 산학협력단 영상 패치 기반의 불량 검출 시스템 및 방법
CN113592859B (zh) * 2021-09-26 2022-01-14 中导光电设备股份有限公司 一种基于深度学习的用于显示面板缺陷的分类方法
CN114037701B (zh) * 2022-01-08 2022-04-05 江苏南通元辰钢结构制造有限公司 一种基于图像处理的机械零件氢损伤检测方法
CN116797590B (zh) * 2023-07-03 2024-09-20 深圳市拓有软件技术有限公司 一种基于机器视觉的Mura缺陷检测方法及系统
CN116740056B (zh) * 2023-08-10 2023-11-07 梁山水泊胶带股份有限公司 用于整芯高花纹输送带涂覆层的缺陷检测方法
GB2636789A (en) * 2023-12-21 2025-07-02 Nokia Technologies Oy An apparatus
CN118657778B (zh) * 2024-08-20 2024-10-25 杭州鸿世电器股份有限公司 一种金属面板自动化生产故障数据监测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050100221A1 (en) * 2003-11-07 2005-05-12 Mingjing Li Systems and methods for indexing and retrieving images
TW201407154A (zh) * 2012-04-19 2014-02-16 Applied Materials Israel Ltd 自動及手動缺陷分類之整合
CN103913468A (zh) * 2014-03-31 2014-07-09 湖南大学 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法
JP2014173882A (ja) * 2013-03-06 2014-09-22 Mitsubishi Heavy Ind Ltd 欠陥検出装置、欠陥検出方法および欠陥検出プログラム

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08297020A (ja) * 1995-04-26 1996-11-12 Matsushita Electric Ind Co Ltd 欠陥検査方法とその装置
US7225107B2 (en) * 2001-05-24 2007-05-29 Test Advantage, Inc. Methods and apparatus for data analysis
JP2004012422A (ja) 2002-06-11 2004-01-15 Dainippon Screen Mfg Co Ltd パターン検査装置、パターン検査方法およびプログラム
US20050286753A1 (en) * 2004-06-25 2005-12-29 Triant Technologies Inc. Automated inspection systems and methods
KR100689890B1 (ko) 2004-07-22 2007-03-08 주식회사 쓰리비 시스템 플랫패널용 광관련판요소의 결함검출방법
JP2006098151A (ja) 2004-09-29 2006-04-13 Dainippon Screen Mfg Co Ltd パターン検査装置およびパターン検査方法
US8559726B2 (en) * 2008-08-22 2013-10-15 Hewlett-Packard Development Company, L.P. Image analysis based on pixel brightness grouping
JP2010159979A (ja) * 2009-01-06 2010-07-22 Hitachi Ltd 外観検査方法及び外観検査システム
US8457414B2 (en) 2009-08-03 2013-06-04 National Instruments Corporation Detection of textural defects using a one class support vector machine
US8331650B2 (en) * 2010-07-29 2012-12-11 Sharp Laboratories Of America, Inc. Methods, systems and apparatus for defect detection
US8995747B2 (en) * 2010-07-29 2015-03-31 Sharp Laboratories Of America, Inc. Methods, systems and apparatus for defect detection and classification
KR101249576B1 (ko) * 2010-09-13 2013-04-01 한국수력원자력 주식회사 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치
JP5775294B2 (ja) * 2010-12-15 2015-09-09 キヤノン株式会社 画像形成装置、画像処理装置、画像処理方法、及びプログラム
US8705839B2 (en) * 2011-11-18 2014-04-22 Sharp Laboratories Of America, Inc. Electronic devices for defect detection
KR101943069B1 (ko) * 2011-12-01 2019-04-18 삼성디스플레이 주식회사 배선 및 역다중화부의 불량 검출 방법, 불량 검출 장치 및 불량 검출 장치를 포함하는 표시 패널
WO2013090830A1 (en) * 2011-12-16 2013-06-20 University Of Southern California Autonomous pavement condition assessment
US20130278750A1 (en) * 2012-04-23 2013-10-24 Metrospec Technology, L.L.C. Self-learning machine vision system
KR20140067394A (ko) 2012-11-26 2014-06-05 엘지디스플레이 주식회사 표시장치의 얼룩 검출 장치 및 방법
KR101958634B1 (ko) * 2012-12-13 2019-03-15 엘지디스플레이 주식회사 디스플레이 장치의 무라 검출 장치 및 방법
US9378551B2 (en) * 2013-01-03 2016-06-28 Siemens Aktiengesellschaft Method and system for lesion candidate detection
KR101477665B1 (ko) 2013-04-04 2014-12-30 한국기술교육대학교 산학협력단 불균일한 텍스쳐 표면의 불량 검출방법
KR102209953B1 (ko) 2014-09-11 2021-02-02 엘지디스플레이 주식회사 무라 검출 장치
CN105044127A (zh) * 2015-07-31 2015-11-11 深圳市星火辉煌系统工程有限公司 一种oled微型显示器缺陷检测装置及检测方法
CN105913419B (zh) 2016-04-07 2018-07-17 南京汇川图像视觉技术有限公司 基于ICA学习和多通道融合的TFT-LCD mura缺陷检测方法
KR20180022619A (ko) * 2016-08-24 2018-03-06 주식회사 아이디디 Pcb 패널 검사 방법 및 그 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050100221A1 (en) * 2003-11-07 2005-05-12 Mingjing Li Systems and methods for indexing and retrieving images
TW201407154A (zh) * 2012-04-19 2014-02-16 Applied Materials Israel Ltd 自動及手動缺陷分類之整合
JP2014173882A (ja) * 2013-03-06 2014-09-22 Mitsubishi Heavy Ind Ltd 欠陥検出装置、欠陥検出方法および欠陥検出プログラム
CN103913468A (zh) * 2014-03-31 2014-07-09 湖南大学 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法

Also Published As

Publication number Publication date
JP6917943B2 (ja) 2021-08-11
KR102281106B1 (ko) 2021-07-23
CN108734696A (zh) 2018-11-02
CN108734696B (zh) 2023-05-30
US10453366B2 (en) 2019-10-22
TW201839384A (zh) 2018-11-01
JP2018180545A (ja) 2018-11-15
KR20180117532A (ko) 2018-10-29
US20180301071A1 (en) 2018-10-18

Similar Documents

Publication Publication Date Title
TWI754741B (zh) 用於在顯示面板中偵測白斑缺陷或白斑雲紋缺陷之系統及方法及訓練其系統之方法
CN109949266B (zh) 用于识别显示器中的斑点的系统和方法
CN109932370B (zh) 利用改善的预处理的用于白色点斑检测的系统和方法
JP7274885B2 (ja) 表示装置の欠陥識別システム及び方法
EP3671559A1 (en) Versarial training system and method for noisy labels
JP3435684B2 (ja) 画像情報処理装置
JP6401648B2 (ja) 欠陥分類装置および欠陥分類方法
Derganc et al. Real-time automated visual inspection of color tablets in pharmaceutical blisters
Tsai et al. Defect detection in periodically patterned surfaces using independent component analysis
KR20120014886A (ko) 검사 레시피 생성 및 검사 레시피를 기반으로 한 검사
Xie et al. A physics-based defects model and inspection algorithm for automatic visual inspection
JP2016181098A (ja) 領域検出装置および領域検出方法
CN104166250A (zh) 一种平面显示器面板均匀度检测方法及其系统
Hung et al. A novel algorithm for defect inspection of touch panels
Chiu et al. Creation of image models for inspecting visual flaws on capacitive touch screens
JP2018173732A (ja) 検査装置、検査方法、検査プログラム及び記録媒体
Fujieda et al. A case for edge video processing with FPGA SoC: reversi board detection using Hough transform
US12444068B2 (en) Optical inspection based on repetitive feature comparison
US20220375094A1 (en) Object recognition apparatus, object recognition method and learning data
US10444853B1 (en) 3D display with gesture recognition function
Ahmad et al. Quality inspection of engraved image using shape-based matching approach