[go: up one dir, main page]

CN111627009A - 一种屏幕检测方法、装置及头戴显示设备 - Google Patents

一种屏幕检测方法、装置及头戴显示设备 Download PDF

Info

Publication number
CN111627009A
CN111627009A CN202010463900.5A CN202010463900A CN111627009A CN 111627009 A CN111627009 A CN 111627009A CN 202010463900 A CN202010463900 A CN 202010463900A CN 111627009 A CN111627009 A CN 111627009A
Authority
CN
China
Prior art keywords
line segment
detection
defect
value
area
Prior art date
Legal status (The legal status 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 status listed.)
Granted
Application number
CN202010463900.5A
Other languages
English (en)
Other versions
CN111627009B (zh
Inventor
宋秀峰
张一凡
田继锋
张文超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Goertek Optical Technology Co Ltd
Original Assignee
Goertek Inc
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 Goertek Inc filed Critical Goertek Inc
Priority to CN202010463900.5A priority Critical patent/CN111627009B/zh
Publication of CN111627009A publication Critical patent/CN111627009A/zh
Application granted granted Critical
Publication of CN111627009B publication Critical patent/CN111627009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30121—CRT, LCD or plasma display

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请公开一种屏幕检测方法、装置及头戴显示设备。屏幕检测方法包括：获取待检测屏幕的原始图像，去除原始图像中的干扰信息，得到检测图像；根据屏幕轮廓，提取检测图像的边缘区域；利用线条提取算法检测边缘区域中的线条以及线条中心点的位置，以屏幕轮廓为分界线，当线条中心点的位置在屏幕轮廓以内时，选取线条中心点所在的区域块作为疑似缺陷区域；在疑似缺陷区域中选取关键像素点，基于二值化阈值对关键像素点进行二值化，根据关键像素点的二值化结果得到缺陷指标检测值；将缺陷指标检测值与相应缺陷指标比较，得到检测结果。本申请实施例解决了边缘缺陷与边界背景粘连导致边缘缺陷检测准确度低的技术问题，满足了实际应用需求。

Description

一种屏幕检测方法、装置及头戴显示设备
技术领域
本申请涉及头戴显示设备技术领域，具体涉及一种屏幕检测方法、装置及头戴显示设备。
背景技术
近年来头戴显示设备，比如VR(Virtual Reality，虚拟现实)产品火爆，根据市场预测，下一代VR头戴设备将采用OLED(Organic Light-Emitting Diode，有机发光半导体)屏。为保证VR产品能得到较广泛的应用且用户体验较好，那么VR屏幕必须能达到较好的分辨率，而且不能存在坏点以及脏污，因此产品检测是必不可少的工序。
现阶段VR头戴显示设备的OLED显示屏的检测由于边缘缺陷与边界背景粘连在一起，难以分辨边缘黑线、边缘划痕等边缘缺陷，检测准确度低。
发明内容
鉴于上述问题，提出了本申请以便提供克服上述问题或者至少部分地解决上述问题的一种屏幕检测方法、装置及头戴显示设备。
依据本申请的一个方面，提供了一种屏幕检测方法，包括：
获取待检测屏幕的原始图像，去除原始图像中的干扰信息，得到包含屏幕轮廓的检测图像；
根据屏幕轮廓，提取检测图像的一个或多个边缘区域；
利用线条提取算法检测确定边缘区域中的线条以及线条中心点的位置，以屏幕轮廓作为分界线，当线条中心点的位置在屏幕轮廓以内时，选取线条中心点所在的包含多个像素点的区域块作为疑似缺陷区域；
在疑似缺陷区域中选取关键像素点，基于二值化阈值对关键像素点进行二值化，根据关键像素点的二值化结果，得到缺陷指标的检测值；
将缺陷指标的检测值与相应缺陷指标进行比较，得到检测结果。
依据本申请的另一个方面，提供了一种屏幕检测装置，包括：
图像获取单元，用于获取待检测屏幕的原始图像，去除原始图像中的干扰信息，得到包含屏幕轮廓的检测图像；
区域确定单元，用于根据屏幕轮廓，提取检测图像的一个或多个边缘区域；利用线条提取算法确定边缘区域中的线条以及线条中心点的位置，以屏幕轮廓作为分界线，当线条中心点的位置在屏幕轮廓以内时，选取线条中心点所在的包含多个像素点的区域块作为疑似缺陷区域；
二值化单元，用于在疑似缺陷区域中选取关键像素点，基于二值化阈值对关键像素点进行二值化，根据关键像素点的二值化结果，得到缺陷指标的检测值；
判定单元，用于将缺陷指标的检测值与相应缺陷指标进行比较，得到检测结果。
依据本申请的又一个方面，提供了一种头戴显示设备，头戴显示设备包括如本申请另一个方面的屏幕检测装置。
由上述可知，本申请的技术方案，获取待检测屏幕的原始图像，去除原始图像中的干扰信息，得到包含屏幕轮廓的检测图像，由于去除了图像中的干扰信息，从而提高了本申请屏幕检测方案的效率和准确性。而且，本申请实施例利用线条提取算法检测边缘区域中的线条以及线条中心点位置，在此基础上，基于二值化对缺陷点进行提取和筛选，并计算边缘缺陷(如边缘黑线、边缘划痕)的缺陷指标(如对比度、面积大小等)检测值，将检测值与相应缺陷指标比较而得到检测结果，如此，解决了边缘缺陷与边界背景粘连在一起导致的无法准确检测边缘缺陷的技术问题，实现了准确、快速的屏幕缺陷的检测，满足了实际应用需求，提高了头戴显示设备的市场竞争力。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请一个实施例的屏幕检测方法的流程示意图；
图2示出了本申请一个实施例的原始图像的示意图；
图3示出了图2所示原始图像二值化后的二值图像的示意图；
图4示出了图2所示原始图像绘制屏幕轮廓后的示意图；
图5示出了本申请一个实施例的检测图像的示意图；
图6示出了本申请一个实施例对图5所示检测图像进行边缘区域提取的结果示意图；
图7a示出了本申请一个实施例中一个边缘区域的示意图；
图7b示出了图7a所示边缘区域中包含的边缘缺陷的示意图；
图7c是图7b所示的边缘缺陷所在位置的放大图；
图8a示出了本申请一个实施例提取的疑似缺陷区域的示意图；
图8b示出了对图8a所示疑似缺陷区域进行二值化后的示意图；
图9示出了本申请一个实施例的屏幕检测装置的框图；
图10示出了本申请一个实施例的头戴显示设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
目前对于组装好的VR(Virtual Reality，虚拟现实)产品，一般是采用人眼通过镜头(lens)来查看有无缺陷，具体方式是：控制VR屏幕输出不同颜色的图卡，人眼通过lens查看不同图卡下是否有缺陷，比如，该缺陷表现为绿屏暗点、绿屏亮点、红屏亮点、红屏暗点、黑屏亮点、白屏暗点、划痕、边缘黑线等。
也有一种方案是通过Halcon机器视觉算法进行检测区分，由于边缘缺陷处于图像有效区域的边缘，畸变较大，与背景粘连等特点，导致Halcon视觉算法难以区分出边缘缺陷比如边缘黑线、边缘划痕，即，边缘缺陷检测的准确度低。
对此，本申请实施例提出利用屏幕轮廓为分界线，以线条提取算法检测的线条中心点为基准，通过二值化的方式提取疑似缺陷区域中的缺陷点，进而计算疑似缺陷区域的面积以及对比度大小等缺陷指标检测值，根据缺陷指标检测值与标准阈值的比较结果，判定该缺陷是否满足缺陷的标准。
检测线条中心点时可以利用Halcon视觉算法作为线条提取算法，通过调用其lines_gauss函数来检测得到。
图1示出了本申请一个实施例的屏幕检测方法的流程示意图，参见图1，本申请实施例的屏幕检测方法包括：
步骤S110，获取待检测屏幕的原始图像，去除原始图像中的干扰信息，得到包含屏幕轮廓的检测图像。
这里的原始图像例如是对待检测屏幕输出的图像进行拍照而采集到的图像。干扰信息不仅会影响检测的准确性而且影响检测效率，因此，本申请实施例去除原始图像中的干扰信息。
步骤S120，根据屏幕轮廓，提取检测图像的一个或多个边缘区域。
步骤S130，利用线条提取算法检测确定边缘区域中的线条以及线条中心点的位置，以屏幕轮廓作为分界线，当线条中心点的位置在屏幕轮廓以内时，选取线条中心点所在的包含多个像素点的区域块作为疑似缺陷区域。
步骤S140，在疑似缺陷区域中选取关键像素点，基于二值化阈值对关键像素点进行二值化，根据关键像素点的二值化结果，得到缺陷指标的检测值。
步骤S150，将缺陷指标的检测值与相应缺陷指标进行比较，得到检测结果。
由图1所示可知，本申请实施例的屏幕检测方法，利用屏幕轮廓为分界线，以线条提取算法检测确定出边缘区域的线条以及线条中心点位置，在此基础上，通过二值化的方式提取出疑似缺陷区域中的缺陷点，进而计算缺陷指标的检测值，将缺陷指标的检测值与相应缺陷指标进行比较，得到该疑似边缘缺陷点是否满足缺陷标准的检测结果。本申请实施例解决了边缘缺陷与边界背景粘连在一起导致的无法准确检测边缘缺陷的技术问题，方便通过Halcon视觉算法准确计算边缘缺陷的对比度、面积大小等缺陷指标检测值，进而快速准确的实现屏幕检测，满足了实际应用需求。
为更好理解本申请实施例的屏幕检测方法的实现步骤，下面结合具体的实施例进行说明。
图2示出了本申请一个实施例的原始图像的示意图，本申请的屏幕检测方法，首先获取待检测屏幕的原始图像，如图2所示。
在进行屏幕检测之前，提取出被检测的有效区域，以排除干扰。也就是说，去除原始图像中的干扰信息，得到检测图像。具体包括：对原始图像进行二值化处理，转换为二值图像；在二值图像上进行屏幕轮廓查找，根据查找到的屏幕轮廓在原始图像上对应绘制屏幕轮廓，并确定屏幕轮廓的最小外接矩形；基于最小外接矩形确定原始图像上的有效区域，提取有效区域得到检测图像。
应当理解，去除原始图像中的干扰信息的过程就是提取图像中有效区域的过程。提取有效区域的方式例如包括下列步骤：
步骤一，调用处理器中的adaptiveThreshold()函数对图2所示原始图像进行二值化处理，获取二值图像，得到的二值图像如图3所示。
步骤二，在图3所示二值图像的基础上，通过轮廓查找找到屏幕轮廓，并在图2所示原始图像上对应绘制屏幕轮廓，得到图4。图4中的白色箭头所指示的位置即为查找到的轮廓contours的一部分。注：轮廓查找或轮廓搜索可以采用现有技术中实现，比如利用OpenCV(开源计算机视觉库，Open Source Computer Vision Library)平台实现。
步骤三，由屏幕轮廓确定屏幕轮廓的最小外接矩形，并截取有效区域得到有效区域图像，即检测图像。检测图像的宽表示为width，高表示为height，检测图像如图5所示。
至此，得到了包含屏幕轮廓的检测图像。在得到包含屏幕轮廓的检测图像之后，本申请实施例利用Halcon算法进行边缘区域缺陷检测。
由于图像分辨率较高，如果利用Halcon进行整个图像上缺陷的检测需要耗费很长时间，故为了提高算法效率，本申请实施例采用提取边缘区域的方式，也就是说，根据屏幕轮廓，提取检测图像的一个或多个边缘区域。
示例性的，本申请实施例根据屏幕轮廓在检测图像中选取第一线段、第二线段、第三线段以及第四线段；其中，第一线段的长度与第二线段的长度均等于检测图像的宽度值，第一线段到检测图像上边的距离以及第二线段到检测图像上边的距离均根据检测图像的高度值确定，第二线段到检测图像上边的距离大于第一线段到检测图像上边的距离；第三线段的长度与第四线段的长度均等于检测图像的高度值，第三线段到检测图像左边的距离以及第四线段到检测图像左边的距离均根据检测图像的宽度值确定，第四线段到检测图像左边的距离大于第三线段到检测图像左边的距离。
根据四个线段提取检测图像的四个边缘区域，具体的，将包括第一线段以上且检测图像上边以下的区域提取为第一边缘区域，将包括第二线段以下且检测图像下边以上的区域提取为第二边缘区域，将包括第三线段以左且检测图像左边以右的区域提取为第三边缘区域，将包括第四线段以右且检测图像右边以左的区域提取为第四边缘区域。
结合图6，图6中检测图像左上角的点，即检测图像的原点为point0，point0的坐标为(0,0)。本申请实施例根据屏幕轮廓在检测图像中选取第一线段610、第二线段620、第三线段630以及第四线段640，根据四个线段提取检测图像的上、下、左、右四个边缘区域，以进行边缘缺陷检测。前述四个边缘区域的坐标分别表示如下：
第一边缘区域area_top(0,0,width,height/6)，其中，(0,0)表示第一边缘区域左上角顶点的像素位置，width表示第一边缘区域的宽(即，第一边缘区域的宽等于检测图像水平方向的宽度值)，height/6表示第一边缘区域的高，即，第一边缘区域的高等于图5所示检测图像的高度值除以6。比如，检测图像的高度值为30个像素，那么第一边缘区域的高等于：30/6＝5个像素。
参见图6，第二边缘区域area_bottom(0,height*5/6,width,height/6)，第二边缘区域是与第一边缘区域上下位置相对的区域，其中(0,height*5/6)表示第二边缘区域左上角顶点的像素位置，width表示第二边缘区域的宽(即，第二边缘区域的宽等于检测图像的宽度值)，height/6表示第二边缘区域的高(即，第二边缘区域的高等于图5所示检测图像的高度值除以6)。
参见图6，第三边缘区域area_left(0,0,width/6,height)，其中，(0,0)表示第三边缘区域左上角顶点的像素位置，width/6表示第三边缘区域的宽(即，第三边缘区域的宽等于检测图像的宽度值除以6)，height表示第三边缘区域的高(即，第三边缘区域的高等于检测图像的高度值)。
第四边缘区域area_right(width*5/6,0,width/6,height)。参见图6所示，第四边缘区域是与第三边缘区域的位置左右相对的区域，其中(width*5/6,0)表示第四边缘区域左上角顶点的像素位置，width/6表示第四边缘区域的宽(即，第四边缘区域的宽等于检测图像的宽度值除以6)，height表示第四边缘区域的高(即，第四边缘区域的高等于检测图像的高度值)。
需要说明的是，由于本申请实施例中是根据检测图像(矩形)，屏幕轮廓最大内接矩形进行边缘区域分块的，划分出的边缘区域也是矩形，所以第一边缘区域的宽度值与第二边缘区域的宽度值相等，第三边缘区域与第四边缘区域的高度值相等。
划分出上述四个边缘区域之后，对边缘区域进行边缘缺陷检测。由于四个边缘区域的缺陷检测过程相同，为了简要，这里仅以前述四个边缘区域中的第二边缘区域为例进行说明。
参见图7a，对于图7a所示的边缘区域，本申请实施例先利用线条提取算法检测确定当前边缘区域中的线条(或称线状物)以及线条中心点的位置。需要说明的是，线条提取算法即前述的Halcon算法，具体是使用Halcon算法的lines_gauss函数，lines_gauss函数用于检测图像中的线条及其宽度。在具有对比性的参数下，lines_guass能返回更加准确的线条位置，通过lines_gauss可以检测当前边缘区域中的线条，并能确定线条的中心点的像素位置。
提取结果参见图7b和图7c，图7b中白色虚线围成的圆圈中示意了两条边缘缺陷线条，图7c是对图7b中白色圆圈周围的图像放大后的示意图，从图7c中可以清楚看到，边缘区域的屏幕边界处存在两条相交且具有部分重叠的线条。
由于这些边缘缺陷线条与图像边界距离较近，一般难以准确检测，比如缺陷区域的面积，缺陷点的对比度等关键指标难以获得，从而判定缺陷的准确度低。对此，本申请实施例以屏幕轮廓作为分界线，当线条中心点的位置在屏幕轮廓以内时，选取线条中心点所在的包含多个像素点的区域块作为疑似缺陷区域，并对疑似缺陷区域内的关键像素点进而二值化，从而计算缺陷指标的检测值。
具体实现时，可以根据线条中心点的位置计算线条中心点与相对应屏幕轮廓的距离，如果距离小于预设距离阈值，则认为线条中心点的位置在屏幕轮廓以内。线条中心点与相对应屏幕轮廓的距离的计算公式如下：
Distance＝pointPolygonTest(vec,point(x,y),false)。
考虑到边缘部分的缺陷像素点距离屏幕轮廓线太近时，容易受到屏幕边界影响无法区分出缺陷，因此，本申请实施例中当线条中心点与相对应屏幕轮廓的距离Distance>阈值时，选取线条中心点所在的包含多个像素点的区域块作为疑似缺陷区域，进行二值化处理。比如选取该线条中心点所在的50*50区域作为疑似缺陷区域，包含疑似缺陷区域的图像如图8a所示。
接下来，对图8a所示疑似缺陷区域进行二值化。
二值化处理先选取关键像素点，这是因为疑似缺陷区域中那些在屏幕轮廓以内的像素点属于缺陷的概率较大，所以先选取关键像素点以提高检测的效率和准确度。
选取关键像素点的过程是：对疑似缺陷区域内的各像素点，计算各像素点到相对应屏幕轮廓的距离；将距离大于预设距离阈值的像素点作为关键像素点。
比如，通过以下公式计算疑似缺陷区域内的某个像素点是否是在屏幕轮廓线以内：
areain＝pointPolygonTest(vec,point(x,y),true)
其中，areain＝1表示在轮廓线内，areain＝-1表示在轮廓线外。
对于在屏幕轮廓线以内的像素点，即关键像素点，本申请实施例获取关键像素点的灰度值，并基于二值化阈值对关键像素点进行二值化。
具体的，比较关键像素点的灰度值与二值化阈值的大小，对于不同的边缘区域，边缘区域内的疑似缺陷区域的大小相同或不同，疑似缺陷区域对应的二值化阈值相同或不同。需要说明的是，考虑到各个边缘区域中图像亮度等影响，各边缘区域内的疑似缺陷区域的大小可以相同(比如都取50*50的区域块)，也可以不同，相应的，疑似缺陷区域对应的二值化阈值相同或不同。也就是说，前述二值化阈值不是固定的，可以根据疑似缺陷区域的图像的灰度特点进行设置，从而提高了本申请屏幕检测算法的自适应能力和检测的准确性。
本申请实施例获取关键像素点的灰度值，将灰度值大于或等于二值化阈值的关键像素点的灰度值设置为第一数值，将灰度值小于二值化阈值的关键像素点的灰度值设置为第二数值，得到关键像素点的二值化结果。
示例性的，二值化公式如下：
Figure BDA0002511922620000101
前述二值化公式中pixel_gray表示关键像素点的灰度值，255为第一数值，0为第二数值。即，如果关键像素点的灰度值大于或等于二值化阈值，则将灰度值设置为255，关键像素点的灰度值小于二值化阈值，将灰度值设置为第二数值0。
对图8a所示疑似缺陷区域进行上述的二值化之后，结果如图8b所示，图8b中白色发亮的部分即疑似缺陷区域中缺陷点(即关键像素点)二值化后的结果。
在得到关键像素点的二值化结果之后，本申请实施例根据关键像素点的二值化结果，得到缺陷指标的检测值，具体的，统计灰度值为第一数值的关键像素点的个数，将统计得到的个数作为缺陷区域面积指标的检测值；或，根据关键像素点在检测图像上的位置以及关键像素点的二值化结果，确定目标像素点的对应像素点，由各对应像素点的灰度值计算灰度均值，根据灰度均值以及各对应像素点的灰度值，计算得到对比度指标的检测值，目标像素点是二值化处理后灰度值为第一数值的关键像素点。
需要说明的是，这里的对应像素点是指检测图像上与目标像素点位置对应的像素点，由于本申请实施例中通过提取疑似缺陷区域，并对包含疑似缺陷区域的图像(如图8a)进行二值化，那么二值化结果图像(如图8b)上指示疑似缺陷区域内像素点的灰度值，而为了寻找边缘缺陷点进而计算边缘缺陷指标检测值，需要将图8b所示的目标像素点(灰度值为第一数值的关键像素点)对应到检测图像上，即，在检测图像上定位出与目标像素点位置对应的像素点。
实际应用中，本申请实施例可以仅根据缺陷区域面积指标判定疑似缺陷点是否符合缺陷标准，或者，仅根据对比度指标判定疑似缺陷点是否符合缺陷标准。
进一步地，将缺陷指标的检测值与相应缺陷指标进行比较，得到检测结果，比如，在申请实施例中，将缺陷区域面积指标的检测值与缺陷区域面积指标比较，如果缺陷区域面积指标的检测值满足缺陷区域面积指标，则确定疑似缺陷区域是边缘缺陷区域。或者，在申请实施例中，将对比度指标的检测值与对比度指标比较，如果对比度指标的检测值满足对比度指标，则确定疑似缺陷区域是边缘缺陷区域。或者，在申请实施例中，分别将缺陷区域面积指标的检测值与缺陷区域面积指标比较，将对比度指标的检测值与对比度指标比较，如果缺陷区域面积指标的检测值满足缺陷区域面积指标并且对比度指标的检测值满足对比度指标，则确定疑似缺陷区域是边缘缺陷区域。
举例而言，统计灰度值为第一数值的关键像素点的个数，比如，统计得到的个数是8，即，缺陷区域面积指标的检测值为8个像素，将缺陷区域面积指标的检测值(8个像素)与缺陷区域面积指标比较，若缺陷区域面积指标的内容为检测值大于7个像素判定为边缘缺陷区域，则比较后可知，当前检测值满足缺陷区域面积指标，确定当前检测的疑似缺陷区域是边缘缺陷区域。
至此，通过计算缺陷指标的检测值，将缺陷指标的检测值与相应缺陷指标进行比较，得到该疑似边缘缺陷点是否满足缺陷的标准的检测结果解决了边缘缺陷与边界背景粘连在一起导致的无法准确检测边缘缺陷的技术问题，方便通过Halcon视觉算法准确计算边缘缺陷的对比度，面积大小等缺陷指标检测值，进而实现快速准确的屏幕检测，提高了屏幕检测的准确度，满足了实际应用需求。
图9示出了本申请一个实施例的屏幕检测装置的框图，参见图9，屏幕检测装置900包括：
图像获取单元910，用于获取待检测屏幕的原始图像，去除原始图像中的干扰信息，得到包含屏幕轮廓的检测图像；
区域确定单元920，用于根据屏幕轮廓，提取检测图像的一个或多个边缘区域；利用线条提取算法确定边缘区域中的线条以及线条中心点的位置，以屏幕轮廓作为分界线，当线条中心点的位置在屏幕轮廓以内时，选取线条中心点所在的包含多个像素点的区域块作为疑似缺陷区域；
二值化单元930，用于在疑似缺陷区域中选取关键像素点，基于二值化阈值对关键像素点进行二值化，根据关键像素点的二值化结果，得到缺陷指标的检测值；
判定单元940，用于将缺陷指标的检测值与相应缺陷指标进行比较，得到检测结果。
在本申请的一个实施例中，区域确定单元920，具体用于根据屏幕轮廓在检测图像中选取第一线段、第二线段、第三线段以及第四线段；其中，第一线段的长度与第二线段的长度均等于检测图像的宽度值，第一线段到检测图像上边的距离以及第二线段到检测图像上边的距离均根据检测图像的高度值确定，第二线段到检测图像上边的距离大于第一线段到检测图像上边的距离；第三线段的长度与第四线段的长度均等于检测图像的高度值，第三线段到检测图像左边的距离以及第四线段到检测图像左边的距离均根据检测图像的宽度值确定，第四线段到检测图像左边的距离大于第三线段到检测图像左边的距离；根据四个线段提取检测图像的四个边缘区域，具体的，将包括第一线段以上且检测图像上边以下的区域提取为第一边缘区域，将包括第二线段以下且检测图像下边以上的区域提取为第二边缘区域，将包括第三线段以左且检测图像左边以右的区域提取为第三边缘区域，将包括第四线段以右且检测图像右边以左的区域提取为第四边缘区域。
在本申请的一个实施例中，二值化单元930，具体用于对疑似缺陷区域内的各像素点，计算各像素点到相对应屏幕轮廓的距离；将距离大于预设距离阈值的像素点作为关键像素点。
在本申请的一个实施例中，二值化单元930，具体用于获取关键像素点的灰度值，比较关键像素点的灰度值与二值化阈值的大小，对于不同的边缘区域，边缘区域内的疑似缺陷区域的大小相同或不同，疑似缺陷区域对应的二值化阈值相同或不同；将灰度值大于或等于二值化阈值的关键像素点的灰度值设置为第一数值，将灰度值小于二值化阈值的关键像素点的灰度值设置为第二数值，得到关键像素点的二值化结果。
在本申请的一个实施例中，二值化单元930，具体用于统计灰度值为第一数值的关键像素点的个数，将统计得到的个数作为缺陷区域面积指标的检测值；或，根据关键像素点在检测图像上的位置以及关键像素点的二值化结果，确定目标像素点的对应像素点，由各对应像素点的灰度值计算灰度均值，根据灰度均值以及各对应像素点的灰度值，计算得到对比度指标的检测值，目标像素点是二值化处理后灰度值为第一数值的关键像素点。
在本申请的一个实施例中，判定单元940，用于将缺陷区域面积指标的检测值与缺陷区域面积指标比较，如果缺陷区域面积指标的检测值满足缺陷区域面积指标，则确定疑似缺陷区域是边缘缺陷区域；或，将对比度指标的检测值与对比度指标比较，如果对比度指标的检测值满足对比度指标，则确定疑似缺陷区域是边缘缺陷区域；或，分别将缺陷区域面积指标的检测值与缺陷区域面积指标比较，将对比度指标的检测值与对比度指标比较，如果缺陷区域面积指标的检测值满足缺陷区域面积指标并且对比度指标的检测值满足对比度指标，则确定疑似缺陷区域是边缘缺陷区域。
在本申请的一个实施例中，图像获取单元910，具体用于对原始图像进行二值化处理，转换为二值图像；在二值图像上进行屏幕轮廓查找，根据查找到的屏幕轮廓在原始图像上对应绘制屏幕轮廓，并确定屏幕轮廓的最小外接矩形；基于最小外接矩形确定原始图像上的有效区域，提取有效区域得到检测图像。
需要指出的是，上述屏幕检测装置，能够实现前述实施例中提供的由头戴显示设备执行的屏幕检测方法的各个步骤，关于屏幕检测方法的相关阐释均适用于屏幕检测装置，此处不再赘述。
需要说明的是：图10示意了头戴显示设备的结构示意图。请参考图10，在硬件层面，该头戴显示设备包括处理器，可选地还包括内部总线、网络接口、存储器。其特征在于，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该头戴显示设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成屏幕检测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取待检测屏幕的原始图像，去除原始图像中的干扰信息，得到包含屏幕轮廓的检测图像；
根据屏幕轮廓，提取检测图像的一个或多个边缘区域；
利用线条提取算法检测确定边缘区域中的线条以及线条中心点的位置，以屏幕轮廓作为分界线，当线条中心点的位置在屏幕轮廓以内时，选取线条中心点所在的包含多个像素点的区域块作为疑似缺陷区域；
在疑似缺陷区域中选取关键像素点，基于二值化阈值对关键像素点进行二值化，根据关键像素点的二值化结果，得到缺陷指标的检测值；
将缺陷指标的检测值与相应缺陷指标进行比较，得到检测结果。
上述如本申请图9所示实施例揭示的屏幕检测装置执行的功能可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该头戴显示设备还可执行图1中屏幕检测方法执行的步骤，并实现屏幕检测方法在图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的头戴显示设备执行时，能够使该头戴显示设备执行图1所示实施例中屏幕检测方法，并具体用于执行：
获取待检测屏幕的原始图像，去除原始图像中的干扰信息，得到包含屏幕轮廓的检测图像；根据屏幕轮廓，提取检测图像的一个或多个边缘区域；利用线条提取算法检测确定边缘区域中的线条以及线条中心点的位置，以屏幕轮廓作为分界线，当线条中心点的位置在屏幕轮廓以内时，选取线条中心点所在的包含多个像素点的区域块作为疑似缺陷区域；在疑似缺陷区域中选取关键像素点，基于二值化阈值对关键像素点进行二值化，根据关键像素点的二值化结果，得到缺陷指标的检测值；将缺陷指标的检测值与相应缺陷指标进行比较，得到检测结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其特征在于包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其特征在于包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种屏幕检测方法，其特征在于，包括：
获取待检测屏幕的原始图像，去除原始图像中的干扰信息，得到包含屏幕轮廓的检测图像；
根据屏幕轮廓，提取所述检测图像的一个或多个边缘区域；
利用线条提取算法检测确定边缘区域中的线条以及线条中心点的位置，以屏幕轮廓作为分界线，当线条中心点的位置在屏幕轮廓以内时，选取线条中心点所在的包含多个像素点的区域块作为疑似缺陷区域；
在疑似缺陷区域中选取关键像素点，基于二值化阈值对关键像素点进行二值化，根据关键像素点的二值化结果，得到缺陷指标的检测值；
将缺陷指标的检测值与相应缺陷指标进行比较，得到检测结果。
2.如权利要求1所述的方法，其特征在于，所述根据屏幕轮廓，提取所述检测图像的一个或多个边缘区域包括：
根据屏幕轮廓在所述检测图像中选取第一线段、第二线段、第三线段以及第四线段；其中，第一线段的长度与第二线段的长度均等于所述检测图像的宽度值，第一线段到检测图像上边的距离以及第二线段到检测图像上边的距离均根据所述检测图像的高度值确定，第二线段到检测图像上边的距离大于第一线段到检测图像上边的距离；第三线段的长度与第四线段的长度均等于所述检测图像的高度值，第三线段到检测图像左边的距离以及第四线段到检测图像左边的距离均根据所述检测图像的宽度值确定，第四线段到检测图像左边的距离大于第三线段到检测图像左边的距离；
根据四个线段提取所述检测图像的四个边缘区域，具体的，将包括第一线段以上且检测图像上边以下的区域提取为第一边缘区域，将包括第二线段以下且检测图像下边以上的区域提取为第二边缘区域，将包括第三线段以左且检测图像左边以右的区域提取为第三边缘区域，将包括第四线段以右且检测图像右边以左的区域提取为第四边缘区域。
3.如权利要求1所述的方法，其特征在于，所述在疑似缺陷区域中选取关键像素点包括：
对所述疑似缺陷区域内的各像素点，计算各像素点到相对应屏幕轮廓的距离；
将距离大于预设距离阈值的像素点作为关键像素点。
4.如权利要求3所述的方法，其特征在于，所述基于二值化阈值对所述疑似缺陷区域内的关键像素点进行二值化包括：
获取关键像素点的灰度值；比较关键像素点的灰度值与二值化阈值的大小，对于不同的边缘区域，边缘区域内的疑似缺陷区域的大小相同或不同，疑似缺陷区域对应的二值化阈值相同或不同；
将灰度值大于或等于所述二值化阈值的关键像素点的灰度值设置为第一数值，将灰度值小于所述二值化阈值的关键像素点的灰度值设置为第二数值，得到关键像素点的二值化结果。
5.如权利要求4所述的方法，其特征在于，所述根据关键像素点的二值化结果，得到缺陷指标的检测值包括：
统计灰度值为第一数值的关键像素点的个数，将统计得到的个数作为缺陷区域面积指标的检测值；
或，
根据关键像素点在所述检测图像上的位置以及关键像素点的二值化结果，确定目标像素点的对应像素点，由各对应像素点的灰度值计算灰度均值，根据所述灰度均值以及各对应像素点的灰度值，计算得到对比度指标的检测值，所述目标像素点是二值化处理后灰度值为第一数值的关键像素点。
6.如权利要求5所述的方法，其特征在于，所述将缺陷指标的检测值与相应缺陷指标进行比较，得到检测结果包括：
将缺陷区域面积指标的检测值与缺陷区域面积指标比较，如果缺陷区域面积指标的检测值满足缺陷区域面积指标，则确定疑似缺陷区域是边缘缺陷区域；
或，
将对比度指标的检测值与对比度指标比较，如果对比度指标的检测值满足对比度指标，则确定疑似缺陷区域是边缘缺陷区域；
或，
分别将缺陷区域面积指标的检测值与缺陷区域面积指标比较，将对比度指标的检测值与对比度指标比较，如果缺陷区域面积指标的检测值满足缺陷区域面积指标并且对比度指标的检测值满足对比度指标，则确定疑似缺陷区域是边缘缺陷区域。
7.如权利要求1-6中任一项所述的方法，其特征在于，所述去除原始图像中的干扰信息，得到包含屏幕轮廓的检测图像包括：
对所述原始图像进行二值化处理，转换为二值图像；
在所述二值图像上进行屏幕轮廓查找，根据查找到的屏幕轮廓在原始图像上对应绘制屏幕轮廓，并确定屏幕轮廓的最小外接矩形；
基于所述最小外接矩形确定所述原始图像上的有效区域，提取有效区域得到所述检测图像。
8.一种屏幕检测装置，其特征在于，包括：
图像获取单元，用于获取待检测屏幕的原始图像，去除原始图像中的干扰信息，得到包含屏幕轮廓的检测图像；
区域确定单元，用于根据屏幕轮廓，提取所述检测图像的一个或多个边缘区域；利用线条提取算法确定边缘区域中的线条以及线条中心点的位置，以屏幕轮廓作为分界线，当线条中心点的位置在屏幕轮廓以内时，选取线条中心点所在的包含多个像素点的区域块作为疑似缺陷区域；
二值化单元，用于在疑似缺陷区域中选取关键像素点，基于二值化阈值对关键像素点进行二值化，根据关键像素点的二值化结果，得到缺陷指标的检测值；
判定单元，用于将缺陷指标的检测值与相应缺陷指标进行比较，得到检测结果。
9.如权利要求8所述的装置，其特征在于，
所述区域确定单元，具体用于根据屏幕轮廓在所述检测图像中选取第一线段、第二线段、第三线段以及第四线段；其中，第一线段的长度与第二线段的长度均等于所述检测图像的宽度值，第一线段到检测图像上边的距离以及第二线段到检测图像上边的距离均根据所述检测图像的高度值确定，第二线段到检测图像上边的距离大于第一线段到检测图像上边的距离；第三线段的长度与第四线段的长度均等于所述检测图像的高度值，第三线段到检测图像左边的距离以及第四线段到检测图像左边的距离均根据所述检测图像的宽度值确定，第四线段到检测图像左边的距离大于第三线段到检测图像左边的距离；
根据四个线段提取所述检测图像的四个边缘区域，具体的，将包括第一线段以上且检测图像上边以下的区域提取为第一边缘区域，将包括第二线段以下且检测图像下边以上的区域提取为第二边缘区域，将包括第三线段以左且检测图像左边以右的区域提取为第三边缘区域，将包括第四线段以右且检测图像右边以左的区域提取为第四边缘区域。
10.一种头戴显示设备，其特征在于，所述头戴显示设备包括如权利要求8或9所述的屏幕检测装置。
CN202010463900.5A 2020-05-27 2020-05-27 一种屏幕检测方法、装置及头戴显示设备 Active CN111627009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010463900.5A CN111627009B (zh) 2020-05-27 2020-05-27 一种屏幕检测方法、装置及头戴显示设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010463900.5A CN111627009B (zh) 2020-05-27 2020-05-27 一种屏幕检测方法、装置及头戴显示设备

Publications (2)

Publication Number Publication Date
CN111627009A true CN111627009A (zh) 2020-09-04
CN111627009B CN111627009B (zh) 2023-10-20

Family

ID=72271313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010463900.5A Active CN111627009B (zh) 2020-05-27 2020-05-27 一种屏幕检测方法、装置及头戴显示设备

Country Status (1)

Country Link
CN (1) CN111627009B (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932571A (zh) * 2020-09-25 2020-11-13 歌尔股份有限公司 图像的边界识别方法、装置以及计算机可读存储介质
CN112348773A (zh) * 2020-09-28 2021-02-09 歌尔股份有限公司 屏幕缺陷检测方法、装置和电子设备
CN112666178A (zh) * 2020-12-14 2021-04-16 杭州当虹科技股份有限公司 一种户外led大屏坏点在线监控方法
CN113297893A (zh) * 2021-02-05 2021-08-24 深圳高通半导体有限公司 笔画轮廓点集的提取方法
CN113485658A (zh) * 2021-06-11 2021-10-08 合肥联宝信息技术有限公司 一种屏幕边界的切换方法、装置、存储介质和电子设备
CN113533375A (zh) * 2021-08-26 2021-10-22 惠州市特创电子科技股份有限公司 一种印刷线路板正反向扫描建模检测方法
CN113643233A (zh) * 2021-07-01 2021-11-12 深圳市格灵精睿视觉有限公司 油性涂层检测方法、系统及设备、计算机可读存储介质
CN113870754A (zh) * 2021-12-03 2021-12-31 中导光电设备股份有限公司 一种面板检测电子信号缺陷判定的方法和系统
CN113870256A (zh) * 2021-12-01 2021-12-31 成都数之联科技有限公司 Pcb板缺陷评估方法、装置、设备及介质
CN113870266A (zh) * 2021-12-03 2021-12-31 中导光电设备股份有限公司 一种基于tft-lcd线条缺陷真实性判定方法和系统
CN114494117A (zh) * 2021-12-20 2022-05-13 苏州镁伽科技有限公司 器件胶水分布的检测方法、装置、存储介质及电子设备
CN115018797A (zh) * 2022-06-13 2022-09-06 歌尔股份有限公司 屏幕缺陷的检测方法、检测设备以及计算机可读存储介质
CN115187593A (zh) * 2022-09-08 2022-10-14 苏州华兴源创科技股份有限公司 屏幕缺陷检测方法和装置
CN115359039A (zh) * 2022-08-08 2022-11-18 海的电子科技(苏州)有限公司 目标图片生成方法及设备、显示屏维修像素点标识方法
CN115399699A (zh) * 2022-08-31 2022-11-29 深圳银星智能集团股份有限公司 门口区域的确定方法、存储介质及清洁机器人
CN115937109A (zh) * 2022-11-17 2023-04-07 创新奇智(上海)科技有限公司 硅片缺陷检测的方法、装置、电子设备及存储介质
CN116051564A (zh) * 2023-04-02 2023-05-02 广东仁懋电子有限公司 芯片封装缺陷检测方法和系统
CN116049863A (zh) * 2023-03-28 2023-05-02 东莞锐视光电科技有限公司 采用lcd显示屏产生条纹光的系统、方法及应用
CN116071347A (zh) * 2023-03-01 2023-05-05 山西戴德测控技术有限公司 一种磨损度确定方法、装置、系统及存储介质
CN116894939A (zh) * 2023-09-11 2023-10-17 深圳精智达技术股份有限公司 一种异形屏的区域定位方法、装置、电子设备和存储介质
CN117036350A (zh) * 2023-10-08 2023-11-10 保定来福汽车照明集团沧州有限公司 金属灯头焊泥的缺陷检测方法、装置、终端及存储介质
CN117314826A (zh) * 2023-08-28 2023-12-29 广州千筱母婴用品有限公司 一种显示屏的性能检测方法
CN117351011A (zh) * 2023-12-04 2024-01-05 歌尔股份有限公司 屏幕缺陷检测方法、设备和可读存储介质
CN118096732A (zh) * 2024-04-22 2024-05-28 高视科技(苏州)股份有限公司 显示屏漏光检测方法、电子设备及存储介质
CN119000696A (zh) * 2024-10-22 2024-11-22 深圳精智达技术股份有限公司 一种lcd显示屏异物分层定位方法、装置及存储介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002365718A (ja) * 2001-06-04 2002-12-18 Hitachi Ltd マルチディスプレイ装置およびその調整方法
CN1928535A (zh) * 2006-09-07 2007-03-14 哈尔滨工业大学 一种基于机器视觉的液晶显示器斑痕缺陷检测方法与系统
JP2007172397A (ja) * 2005-12-22 2007-07-05 Seiko Epson Corp エッジ勾配検出方法、シミ欠陥検出方法、エッジ勾配検出装置、シミ欠陥検出装置
CN104502359A (zh) * 2014-12-10 2015-04-08 天津普达软件技术有限公司 一种准确检测瓶坯瓶口缺陷的方法
CN106408583A (zh) * 2016-08-25 2017-02-15 凌云光技术集团有限责任公司 一种多边缘缺陷检测方法及装置
CN107255641A (zh) * 2017-06-06 2017-10-17 西安理工大学 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法
CN107330433A (zh) * 2017-05-17 2017-11-07 北京捷通华声科技股份有限公司 图像处理方法和装置
CN108230321A (zh) * 2018-01-19 2018-06-29 深圳市亿图视觉自动化技术有限公司 缺陷检测方法及装置
CN108460799A (zh) * 2018-01-26 2018-08-28 中国地质大学（武汉） 一种逐步逼近亚像素图像定位方法和系统
CN108680343A (zh) * 2018-05-22 2018-10-19 歌尔股份有限公司 一种柔性屏检测方法以及检测装置
CN109360203A (zh) * 2018-10-30 2019-02-19 京东方科技集团股份有限公司 图像配准方法、图像配准装置及存储介质
CN110018169A (zh) * 2019-04-10 2019-07-16 珠海格力智能装备有限公司 一种丝印线条的检测方法及装置、存储介质和处理器
KR102031102B1 (ko) * 2019-05-28 2019-10-11 (주)케이테크놀로지 평판 디스플레이 셀 공정의 코너 실 라인 검사방법
CN110445921A (zh) * 2019-09-06 2019-11-12 东北大学 一种基于机器视觉的手机屏背光异物缺陷诊断方法及装置
CN110533657A (zh) * 2019-09-04 2019-12-03 苏州精速智能科技有限公司 一种液晶屏外观检测方法
CN110766684A (zh) * 2019-10-30 2020-02-07 江南大学 一种基于机器视觉的定子表面缺陷检测系统及检测方法
CN110907457A (zh) * 2019-12-19 2020-03-24 长安大学 基于3d点云数据的集料形态特征检测系统及检测方法
CN110986865A (zh) * 2019-12-25 2020-04-10 苏州伟信奥图智能科技有限公司 一种环状物缺陷检测方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002365718A (ja) * 2001-06-04 2002-12-18 Hitachi Ltd マルチディスプレイ装置およびその調整方法
JP2007172397A (ja) * 2005-12-22 2007-07-05 Seiko Epson Corp エッジ勾配検出方法、シミ欠陥検出方法、エッジ勾配検出装置、シミ欠陥検出装置
CN1928535A (zh) * 2006-09-07 2007-03-14 哈尔滨工业大学 一种基于机器视觉的液晶显示器斑痕缺陷检测方法与系统
CN104502359A (zh) * 2014-12-10 2015-04-08 天津普达软件技术有限公司 一种准确检测瓶坯瓶口缺陷的方法
CN106408583A (zh) * 2016-08-25 2017-02-15 凌云光技术集团有限责任公司 一种多边缘缺陷检测方法及装置
CN107330433A (zh) * 2017-05-17 2017-11-07 北京捷通华声科技股份有限公司 图像处理方法和装置
CN107255641A (zh) * 2017-06-06 2017-10-17 西安理工大学 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法
CN108230321A (zh) * 2018-01-19 2018-06-29 深圳市亿图视觉自动化技术有限公司 缺陷检测方法及装置
CN108460799A (zh) * 2018-01-26 2018-08-28 中国地质大学（武汉） 一种逐步逼近亚像素图像定位方法和系统
CN108680343A (zh) * 2018-05-22 2018-10-19 歌尔股份有限公司 一种柔性屏检测方法以及检测装置
CN109360203A (zh) * 2018-10-30 2019-02-19 京东方科技集团股份有限公司 图像配准方法、图像配准装置及存储介质
CN110018169A (zh) * 2019-04-10 2019-07-16 珠海格力智能装备有限公司 一种丝印线条的检测方法及装置、存储介质和处理器
KR102031102B1 (ko) * 2019-05-28 2019-10-11 (주)케이테크놀로지 평판 디스플레이 셀 공정의 코너 실 라인 검사방법
CN110533657A (zh) * 2019-09-04 2019-12-03 苏州精速智能科技有限公司 一种液晶屏外观检测方法
CN110445921A (zh) * 2019-09-06 2019-11-12 东北大学 一种基于机器视觉的手机屏背光异物缺陷诊断方法及装置
CN110766684A (zh) * 2019-10-30 2020-02-07 江南大学 一种基于机器视觉的定子表面缺陷检测系统及检测方法
CN110907457A (zh) * 2019-12-19 2020-03-24 长安大学 基于3d点云数据的集料形态特征检测系统及检测方法
CN110986865A (zh) * 2019-12-25 2020-04-10 苏州伟信奥图智能科技有限公司 一种环状物缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIE LET ET AL: "Scale Insensitive and Focus Driven Mobile Screen Defect Detection in Industry", 《NEUROCOMPUTING》 *
刘波: "手机屏幕图像缺陷的实时检测", 《计算机工程与应用》 *

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932571A (zh) * 2020-09-25 2020-11-13 歌尔股份有限公司 图像的边界识别方法、装置以及计算机可读存储介质
WO2022062812A1 (zh) * 2020-09-28 2022-03-31 歌尔股份有限公司 屏幕缺陷检测方法、装置和电子设备
CN112348773A (zh) * 2020-09-28 2021-02-09 歌尔股份有限公司 屏幕缺陷检测方法、装置和电子设备
CN112348773B (zh) * 2020-09-28 2022-09-23 歌尔股份有限公司 屏幕缺陷检测方法、装置和电子设备
CN112666178A (zh) * 2020-12-14 2021-04-16 杭州当虹科技股份有限公司 一种户外led大屏坏点在线监控方法
CN113297893A (zh) * 2021-02-05 2021-08-24 深圳高通半导体有限公司 笔画轮廓点集的提取方法
CN113297893B (zh) * 2021-02-05 2024-06-11 深圳高通半导体有限公司 笔画轮廓点集的提取方法
CN113485658A (zh) * 2021-06-11 2021-10-08 合肥联宝信息技术有限公司 一种屏幕边界的切换方法、装置、存储介质和电子设备
CN113485658B (zh) * 2021-06-11 2024-05-28 合肥联宝信息技术有限公司 一种屏幕边界的切换方法、装置、存储介质和电子设备
CN113643233B (zh) * 2021-07-01 2024-05-24 深圳市格灵精睿视觉有限公司 油性涂层检测方法、系统及设备、计算机可读存储介质
CN113643233A (zh) * 2021-07-01 2021-11-12 深圳市格灵精睿视觉有限公司 油性涂层检测方法、系统及设备、计算机可读存储介质
CN113533375A (zh) * 2021-08-26 2021-10-22 惠州市特创电子科技股份有限公司 一种印刷线路板正反向扫描建模检测方法
CN113870256B (zh) * 2021-12-01 2022-02-11 成都数之联科技有限公司 Pcb板缺陷评估方法、装置、设备及介质
CN113870256A (zh) * 2021-12-01 2021-12-31 成都数之联科技有限公司 Pcb板缺陷评估方法、装置、设备及介质
CN113870266B (zh) * 2021-12-03 2022-03-11 中导光电设备股份有限公司 一种基于tft-lcd线条缺陷真实性判定方法和系统
CN113870266A (zh) * 2021-12-03 2021-12-31 中导光电设备股份有限公司 一种基于tft-lcd线条缺陷真实性判定方法和系统
CN113870754A (zh) * 2021-12-03 2021-12-31 中导光电设备股份有限公司 一种面板检测电子信号缺陷判定的方法和系统
CN114494117A (zh) * 2021-12-20 2022-05-13 苏州镁伽科技有限公司 器件胶水分布的检测方法、装置、存储介质及电子设备
CN115018797A (zh) * 2022-06-13 2022-09-06 歌尔股份有限公司 屏幕缺陷的检测方法、检测设备以及计算机可读存储介质
CN115359039A (zh) * 2022-08-08 2022-11-18 海的电子科技(苏州)有限公司 目标图片生成方法及设备、显示屏维修像素点标识方法
CN115399699A (zh) * 2022-08-31 2022-11-29 深圳银星智能集团股份有限公司 门口区域的确定方法、存储介质及清洁机器人
CN115187593B (zh) * 2022-09-08 2022-12-16 苏州华兴源创科技股份有限公司 屏幕缺陷检测方法和装置
CN115187593A (zh) * 2022-09-08 2022-10-14 苏州华兴源创科技股份有限公司 屏幕缺陷检测方法和装置
CN115937109A (zh) * 2022-11-17 2023-04-07 创新奇智(上海)科技有限公司 硅片缺陷检测的方法、装置、电子设备及存储介质
CN116071347A (zh) * 2023-03-01 2023-05-05 山西戴德测控技术有限公司 一种磨损度确定方法、装置、系统及存储介质
CN116049863A (zh) * 2023-03-28 2023-05-02 东莞锐视光电科技有限公司 采用lcd显示屏产生条纹光的系统、方法及应用
CN116051564B (zh) * 2023-04-02 2023-06-16 广东仁懋电子有限公司 芯片封装缺陷检测方法和系统
CN116051564A (zh) * 2023-04-02 2023-05-02 广东仁懋电子有限公司 芯片封装缺陷检测方法和系统
CN117314826A (zh) * 2023-08-28 2023-12-29 广州千筱母婴用品有限公司 一种显示屏的性能检测方法
CN116894939A (zh) * 2023-09-11 2023-10-17 深圳精智达技术股份有限公司 一种异形屏的区域定位方法、装置、电子设备和存储介质
CN116894939B (zh) * 2023-09-11 2024-01-09 深圳精智达技术股份有限公司 一种异形屏的区域定位方法、装置、电子设备和存储介质
CN117036350A (zh) * 2023-10-08 2023-11-10 保定来福汽车照明集团沧州有限公司 金属灯头焊泥的缺陷检测方法、装置、终端及存储介质
CN117036350B (zh) * 2023-10-08 2023-12-15 保定来福汽车照明集团沧州有限公司 金属灯头焊泥的缺陷检测方法、装置、终端及存储介质
CN117351011A (zh) * 2023-12-04 2024-01-05 歌尔股份有限公司 屏幕缺陷检测方法、设备和可读存储介质
CN117351011B (zh) * 2023-12-04 2024-03-12 歌尔股份有限公司 屏幕缺陷检测方法、设备和可读存储介质
CN118096732A (zh) * 2024-04-22 2024-05-28 高视科技(苏州)股份有限公司 显示屏漏光检测方法、电子设备及存储介质
CN118096732B (zh) * 2024-04-22 2024-06-21 高视科技(苏州)股份有限公司 显示屏漏光检测方法、电子设备及存储介质
CN119000696A (zh) * 2024-10-22 2024-11-22 深圳精智达技术股份有限公司 一种lcd显示屏异物分层定位方法、装置及存储介质
CN119000696B (zh) * 2024-10-22 2025-02-14 深圳精智达技术股份有限公司 一种lcd显示屏异物分层定位方法、装置及存储介质

Also Published As

Publication number Publication date
CN111627009B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN111627009B (zh) 一种屏幕检测方法、装置及头戴显示设备
CN111612781B (zh) 一种屏幕缺陷检测方法、装置及头戴显示设备
CN110276754B (zh) 一种表面缺陷检测方法、终端设备及存储介质
WO2022062812A1 (zh) 屏幕缺陷检测方法、装置和电子设备
CN110826416B (zh) 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置
US9311533B2 (en) Device and method for detecting the presence of a logo in a picture
WO2023179122A1 (zh) 缺陷检测方法、装置、电子设备及可读存储介质
CN111882520B (zh) 一种屏幕缺陷检测方法、装置及头戴显示设备
CN112837290B (zh) 一种基于种子填充算法的裂缝图像自动识别方法
CN111311556B (zh) 手机缺陷位置识别方法及设备
CN111325717A (zh) 手机缺陷位置识别方法及设备
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
CN113781391A (zh) 图像缺陷检测方法以及相关设备
TWI765442B (zh) 瑕疵等級判定的方法及存儲介質
CN112330598B (zh) 一种化纤表面僵丝缺陷检测的方法、装置及存储介质
WO2022116720A1 (zh) 目标检测方法、装置和电子设备
CN114495098B (zh) 一种基于显微镜图像的盘星藻类细胞统计方法及系统
CN113160161A (zh) 目标边缘处缺陷的检测方法和装置
CN114519714B (zh) 一种显示屏脏污缺陷判定的方法和系统
CN117351011B (zh) 屏幕缺陷检测方法、设备和可读存储介质
CN116503382B (zh) 一种显示屏划痕缺陷检测的方法和系统
Gui et al. A fast caption detection method for low quality video images
CN104182731B (zh) 一种基于十字检测的栅格状雷达检测方法
CN115719326A (zh) Pcb板缺陷检测方法及装置
CN113902742B (zh) 一种基于tft-lcd检测缺陷真假判定方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20221123

Address after: 261061 workshop 1, phase III, Geer Photoelectric Industrial Park, 3999 Huixian Road, Yongchun community, Qingchi street, high tech Zone, Weifang City, Shandong Province

Applicant after: GoerTek Optical Technology Co.,Ltd.

Address before: 261031 No. 268 Dongfang Road, hi tech Industrial Development Zone, Shandong, Weifang

Applicant before: GOERTEK Inc.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant