基于圖像輪廓分析的LCD 線路缺陷檢測
摘要： 為了避免圖像配準(zhǔn)精度對液晶顯示屏( LCD) 線路缺陷檢測準(zhǔn)確率的影響，采用一種基于圖像輪廓分析的新方法，基于深度優(yōu)先搜索尋找圖像輪廓，并根據(jù)格林公式計(jì)算輪廓面積，將待檢測LCD 的線路輪廓面積與標(biāo)準(zhǔn)模板的輪廓面積比較，從而判斷是否存在短路。斷路?？锥春凸聧u缺陷。該方法不需要圖像配準(zhǔn)，降低了算法精度要求，從而提高了檢測的正確率。通過對200 片小型LCD 的測試，檢測準(zhǔn)確率達(dá)99%?結(jié)果表明，該方法可以快速正確地檢測出圖像上的所有輪廓，并計(jì)算出輪廓面積，用面積比較代替?zhèn)鹘y(tǒng)的圖像像素比較，檢測短路。斷路等缺陷的正確率有了較大提升。該算法在LCD 線路缺陷檢測方面具有很好的應(yīng)用前景。
引言
近年來，隨著液晶顯示屏( liquid crystal disPlay,LCD) 的廣泛應(yīng)用，生產(chǎn)過程中對LCD 缺陷的檢測變得越來越重要，而自動(dòng)光學(xué)檢測技術(shù)作為質(zhì)量檢測的重要手段，也已經(jīng)在LCD 缺陷檢測中得到了應(yīng)用。
LCD 缺陷種類繁多，比如刮痕。雜質(zhì)。Mura 缺陷以及線路缺陷等，本文中將討論線路缺陷的檢測。LCD 缺陷檢測中常見的檢測方法主要有3 種： 參考比較法。非參考校驗(yàn)法和混合法。非參考校驗(yàn)法主要基于數(shù)學(xué)形態(tài)學(xué)操作; 應(yīng)用較多的是參考比較法，它基于圖像配準(zhǔn)和與標(biāo)準(zhǔn)模板作差進(jìn)行缺陷檢測，這種方法操作簡單，可以有效地檢測出常見缺陷，但是對配準(zhǔn)精度要求很高，同時(shí)由于需要事先建立標(biāo)準(zhǔn)模板，內(nèi)存消耗也較大。例如KANG 等人提出了一種基于模式比較和邊界擴(kuò)張的方法，首先由模式比較得到只包含缺陷的圖像，然后對每個(gè)缺陷的每個(gè)像素作標(biāo)記，對于同一個(gè)缺陷卻被劃分為多個(gè)區(qū)域的情況，采用邊界擴(kuò)張的方法進(jìn)行區(qū)域合并，最后分析缺陷區(qū)域特征信息。本文中的方法其優(yōu)點(diǎn)在于不需要模式比較。該線路缺陷檢測算法基于圖像輪廓分析，在目標(biāo)區(qū)域提取過程中，采用了一種形態(tài)學(xué)操作的擊中擊不中變換( hit-miss transform,HMT) 方法，有效準(zhǔn)確地提取出了待檢測的線路區(qū)域。圖像輪廓分析是本文中檢測算法的核心，在閾值分割之后，進(jìn)行邊緣檢測以得到單像素邊界，根據(jù)這個(gè)特點(diǎn)采用基于深度優(yōu)先搜索的方法來進(jìn)行邊界追蹤，以尋找線路圖像輪廓，并用離散化的格林公式計(jì)算輪廓面積。
1 系統(tǒng)組成及預(yù)處理
由于LCD 線路的線寬線距很小，需要很高的像素分辨率，同時(shí)又要保證足夠的視場，因此面陣相機(jī)很難滿足要求。本系統(tǒng)采用線掃描電荷耦合器件( chargecouPled device,CCD) 相機(jī)，有效像素7400; 另外，采用直線電機(jī)代替?zhèn)鹘y(tǒng)的旋轉(zhuǎn)電機(jī)以提高系統(tǒng)精度。檢測系統(tǒng)如圖1 所示
圖2 展示了該系統(tǒng)采集的1 幅LCD 線路圖像的一部分。圖2 中畫出了L1,L2兩條直線，L1和L2之間的區(qū)域?yàn)樗獧z測的目標(biāo)區(qū)域，L1上面和L2下面部分是由于相機(jī)視場因素而多拍攝的圖像，因此首先進(jìn)行目標(biāo)區(qū)域的提取。提取目標(biāo)區(qū)域需要先找到一個(gè)定位標(biāo)志，然后以定位標(biāo)志為基準(zhǔn)點(diǎn)提取出目標(biāo)區(qū)域，LCD 上一般采用十字形作為定位標(biāo)志。本文中采用基于擊中擊不中變換的方法來檢測十字形的坐標(biāo)。
HMT 針對二值圖像操作，因此先要將線路圖像進(jìn)行閾值分割，然后應(yīng)用HMT 找到十字形定位標(biāo)志的中心，再根據(jù)液晶尺寸，以定位中心為基準(zhǔn)點(diǎn)，向上下左右4 個(gè)方向偏移適當(dāng)距離提取出目標(biāo)區(qū)域。圖3 顯示了閾值分割后提取出的目標(biāo)區(qū)域圖像。
在輪廓分析之前，首先要提取線路單像素邊緣，且由于二值化后的線路邊緣明確，canny 邊緣檢測即可得到單像素邊緣圖像。圖4 為采用canny 邊緣檢測后的結(jié)果的局部圖。
2 LCD 線路輪廓分析
2. 1單個(gè)輪廓搜索在液晶線路的輪廓圖像中，每一條線路或者一個(gè)標(biāo)志( 例如十字形定位標(biāo)志) 的輪廓均為一條封閉曲線。
輪廓分析已有相關(guān)算法被提出，在作者采用的檢測方法中，結(jié)合LCD 線路輪廓的單像素特點(diǎn)，分析時(shí)采用八鄰域連通的方法，但是在搜索輪廓過程中優(yōu)先搜索中心像素的左右上下4 個(gè)像素，然后再搜索4個(gè)角的像素，并采用深度優(yōu)先搜索策略[10]?基于八鄰域連通的深度優(yōu)先搜索如圖5 所示，P 為中心像素，搜尋輪廓時(shí)先判斷P5,P4,P2,P7,如果沒有像素與P 連通，然后再判斷P3,P8,P6,P1; 一旦找到一個(gè)與P 連通的像素，例如P5,那么立即停止搜索P 的其它相鄰像素，而以P5為中心繼續(xù)搜索。
在搜索過程中，定義如下數(shù)據(jù)結(jié)構(gòu)來表示一個(gè)輪廓： tyPedef vector < Pair < int,int > > Contour; vector 和Pair 是C + + 標(biāo)準(zhǔn)庫類型，Pair < int,int > 表示輪廓上的1 個(gè)像素，第1 個(gè)參量為行坐標(biāo)，第2 個(gè)參量為列坐標(biāo)。在搜索過程中每找到一個(gè)像素就將其加入到vector.圖6 說明了對單個(gè)輪廓的搜索過程。
首先定義一個(gè)Contour 對象contour,假定從P1開始搜索，由于LCD 線路主要走向是橫向，因此先搜索P1的左右像素，再搜索上下像素，最后搜索4 個(gè)角的像素; 當(dāng)搜索到一個(gè)連通像素P2后，根據(jù)深度優(yōu)先策略，停止對P1鄰域的搜索，即使P1還可能有其它連通像素，例如這里的P5和P3,將P1存入contour,并將P1標(biāo)記為已搜索; 然后以P2為中心搜索，雖然P1與P2連通，但標(biāo)記為已搜索，因此，將搜索到P2的連通像素P3; 再以P3為中心搜索到P4,如此進(jìn)行下去。當(dāng)搜索到P5時(shí)，發(fā)現(xiàn)與其連通的像素均已標(biāo)記為已搜索，于是對該輪廓的搜索結(jié)束?？梢姡瑢σ粋€(gè)輪廓搜索結(jié)束的條件為： 某一像素的所有連通像素均標(biāo)記為已搜索。[!--empirenews.page--]
2. 2 輪廓面積計(jì)算
當(dāng)?shù)玫揭粋€(gè)輪廓的所有像素之后，就能很方便地計(jì)算其特征參量，比如周長。面積。質(zhì)心等。由圖6 可以看出，輪廓的周長即是該輪廓所包含的像素個(gè)數(shù)，因此可以很方便地計(jì)算出來; 質(zhì)心可由質(zhì)心公式計(jì)算，對于圖像即是所有像素的坐標(biāo)平均值。
本文中檢測缺陷時(shí)需要用到輪廓的面積，對于曲線所圍成區(qū)域，可以采用格林公式計(jì)算其面積，定義如下： 設(shè)單連通閉區(qū)域D 由分段光滑的曲線L 圍成，函數(shù)R( x,y) 及Q( x,y) 在D 上具有1 階連續(xù)偏導(dǎo)數(shù)，則有。
其中對于二值圖像中的連通區(qū)域，用差分代替微分，用求和代替積分，可推導(dǎo)出輪廓的面積計(jì)算公式。設(shè)輪廓由m 個(gè)像素點(diǎn)Rk( Xk,Yk) 組成，其中k = 1,2,…，m;Rm + 1 = R1; R1,R2,…，Rm沿輪廓正向排列，則面積S 可表示為。
如果按輪廓曲線的正向來搜索像素，最后得到的contour 中的像素點(diǎn)即是按正向排列的，應(yīng)用上面公式可快速計(jì)算出輪廓面積。在計(jì)算面積的時(shí)候，不管輪廓內(nèi)部是否包含其它輪廓，均當(dāng)做單連通區(qū)域處理，因?yàn)楫?dāng)一個(gè)輪廓內(nèi)部包含其它輪廓的時(shí)候，內(nèi)部輪廓?jiǎng)t是由于線路的孔洞缺陷導(dǎo)致，將其也看作一個(gè)單連通區(qū)域，便于后面的缺陷判斷檢測。
2. 3 整幅圖像輪廓分析
設(shè)經(jīng)過二值化。目標(biāo)區(qū)域提取以及邊緣檢測后的圖像為image[m][n],輪廓為白色，背景為黑色。為了對已搜索過的像素作標(biāo)記，建立一個(gè)與原圖像尺寸一致的標(biāo)記數(shù)組。將所有輪廓存儲(chǔ)在一個(gè)vector
( 1) 建立一個(gè)與圖像尺寸一致的標(biāo)記數(shù)組flag[m][n],初始化為0,表示所有元素均沒被標(biāo)記。
( 2) 從左至右從上至下遍歷圖像所有像素，當(dāng)掃描到一個(gè)白色且未被標(biāo)記的像素Pix( i,j) 時(shí)，說明找到一個(gè)新輪廓，以該像素為起點(diǎn)，按照上面的單個(gè)輪廓分析算法搜索出該輪廓的所有像素，存入表示該輪廓的Contour對象中，搜索過程中已搜索過的白色像素在flag 數(shù)組中的對應(yīng)元素置1?當(dāng)本次搜索完畢時(shí)，將該輪廓的Contour 對象存入vector < Contour > 對象中。
( 3) 繼續(xù)掃描圖像，重復(fù)第( 2) 步，直到遍歷完成個(gè)圖像，至此已找出所有輪廓，算法結(jié)束。
對圖2 應(yīng)用上面的算法進(jìn)行輪廓分析，統(tǒng)計(jì)了輪廓的面積，結(jié)果圖7 所示。
為了測試該算法的性能，選擇了不同尺寸和不同輪廓數(shù)目的LCD 線路圖像，對每張圖像進(jìn)行50 次重復(fù)測試統(tǒng)計(jì)輪廓分析時(shí)間，其圖像尺寸。輪廓數(shù)目以及輪廓分析平均消耗時(shí)間的關(guān)系如表1 所示。所用PC 配置Intel Core2 Duo T6670,2. 2GHz 處理器，2GB 內(nèi)存，Windows7 系統(tǒng)，并在VS2008 開發(fā)環(huán)境下進(jìn)行試驗(yàn)。
從表1 可以看出，該輪廓分析方法能快速地找出所有線路輪廓并計(jì)算出其面積。同時(shí)由表1 前4 行可知，在輪廓數(shù)目相同的情況下，隨著圖像尺寸的成倍增加，所需時(shí)間增加很緩慢; 由后4 行可知，在圖像尺寸不變的情況下，輪廓分析時(shí)間隨輪廓數(shù)目成近似線性關(guān)系; 因此，影響消耗時(shí)間的主要因素是輪廓數(shù)目。由于LCD 線路圖像的像素分辨率高，圖像尺寸很大，但線路數(shù)目相對較少，因此，用該方法可高效率地檢測LCD 的線路缺陷。
3 檢測流程和實(shí)驗(yàn)結(jié)果
本文中算法檢測的LCD 線路的缺陷示意圖如圖8所示，包括短路。短路。孔洞和孤島4 種缺陷。
缺陷檢測流程如下。
( 1) 對某一型號的LCD,選擇一定數(shù)目( 這里取10塊) 標(biāo)準(zhǔn)樣品，按上述算法過程計(jì)算出每塊LCD 線路的輪廓數(shù)目和每個(gè)輪廓的面積，對于面積將10 次所得到的值取平均，以此作為這一型號的標(biāo)準(zhǔn)數(shù)據(jù)。
( 2) 對該型號任一待測LCD,同樣按照上述算法計(jì)算出其輪廓數(shù)和每個(gè)輪廓的面積。如果輪廓數(shù)與標(biāo)準(zhǔn)數(shù)據(jù)不同，則必定是不良品; 否則轉(zhuǎn)下一步。
( 3) 由于數(shù)目相同時(shí)可能是短路。斷路等多種缺陷同時(shí)發(fā)生，因此將輪廓面積逐個(gè)與標(biāo)準(zhǔn)數(shù)據(jù)比較，如果有短路。斷路。孔洞和孤島等缺陷，則必定存在某些輪廓與標(biāo)準(zhǔn)數(shù)據(jù)差異很大，故設(shè)定適當(dāng)閾值T,如果每個(gè)輪廓面積差值的絕對值都小于T,則判定為合格品，否則為不良品。
根據(jù)上述算法和檢測流程，選擇了10 種不同型號的小型LCD,每種選取了20 個(gè)樣品進(jìn)行測試，這些樣品包含無缺陷及有短路。斷路?？锥醇肮聧u缺陷的LCD,在總共200 個(gè)樣品中，只有2 片誤檢，正確率達(dá)99%,對誤檢的LCD 進(jìn)行分析，其誤檢主要是線路受到灰塵的污染所致。同時(shí)，采用基于圖像配準(zhǔn)再作差的模板匹配法對上面200 個(gè)樣品進(jìn)行測試，結(jié)果有9片誤檢，正確率95. 5%,誤檢主要因素是圖像配準(zhǔn)的偏差。可見該方法可以有效地檢測出含有上述4 種缺陷的LCD?
4 結(jié)論
基于圖像輪廓分析的LCD 線路缺陷檢測方法與傳統(tǒng)的基于圖像配準(zhǔn)的方法相比，由于避免了配準(zhǔn)偏差帶來的影響，因此提高了檢測正確率。在輪廓分析過程中，對單像素輪廓采用基于深度優(yōu)先搜索的方法，有效地提取了線路輪廓，并根據(jù)離散化的格林公式快速地計(jì)算出了輪廓面積。將待檢測LCD 的線路輪廓信息與標(biāo)準(zhǔn)信息比較以判斷是否存在缺陷，經(jīng)驗(yàn)證，本文中的算法可以有效地檢測出LCD 中的短路。斷路。孔洞以及孤島缺陷，在LCD 線路缺陷檢測方面具有很好的應(yīng)用前景。
下載文檔
