[发明专利]用于识别显示器中的斑点的系统和方法

说明书

本发明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。

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。

技术领域

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。

背景技术

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。

发明内容

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mu 30矩、hu 1矩和hu 5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描绘根据本发明的各个实施例的系统概要；

图1B描绘根据本发明的各个实施例的用于对分类器进行训练的系统概要；