论文部分内容阅读
OLED(Organic Light Emitting Diode,有机发光二极管)屏,由于其在功耗、视角方面的优势,应用的范围越来越广。但是在实际应用中,OLED屏经常会有点缺陷、线缺陷和MURA缺陷三个主要缺陷,其中微小的点缺陷尺寸单位为微米级别,给人工肉眼检测带来了难度。MURA缺陷普遍具有对比度低、边缘模糊、形状不固定及肉眼难以判定等特点,使其成为缺陷检测中最难检测的部分。此外,OLED屏还需要色彩检测及字符集检测,其中字符集检测通常要输出所有字符集(ASCII集)到屏幕上,让肉眼来判断数十个字符,这样的检测方式耗时较长且可靠性也难以得到保障。针对上述提到的问题,本文拟采用机器视觉的方式来替代人工检测,并且要解决主流机器视觉软件无法处理的MURA缺陷背景干扰问题。硬件平台采用工业摄像头及通用的X86服务器,软件方面采用开源的Ubuntu操作系统和Open CV开源图像处理平台,以降低检测系统的开发难度和软硬件采购成本。针对机器视觉中最为关键的光照部分,本文利用OLED屏自发光的特性,设计了一个遮光良好的冶具,这样就可以很清晰的采集到缺陷的特征值。MURA缺陷的检测难点在于其背景干扰,即微弱的MURA缺陷特征值会淹没在周期背景干扰之中。本文首先使用图像矫正算法,将畸变图像进行矫正,接着对周期性背景干扰进行抑制。由于通常的滤波方式会破坏MURA缺陷的特征值,本文通过对多种滤波算法的比较,发现Gabor滤波和SVD(Singular Value Decomposition,奇异值分解)有抑制周期性背景干扰的能力。本文结合SVD和Gabor滤波来综合处理矫正后的图像,在保留MURA缺陷特征值的前提下滤除了周期性背景干扰,再与无缺陷的模板图像进行差影运算,对得到的差值进行判断,即可检测出点、线和MURA三种缺陷。色彩方面的检测则采用将RGB(Red,Green,Black,红绿蓝)色彩空间转化为HSV(Hue,Saturation,Value,色调,色饱和度,亮度)色彩空间,使用H值来判断色彩是否符合要求。字符集的检测则通过分割特定区域内的字符,再利用模板匹配的方式来实现字符的快速检测。最后,使用近百块包含上述所有类型缺陷的OLED屏样本对检测系统和检测算法进行了验证。