[发明专利]基于ICA学习和多通道融合的TFT-LCD mura缺陷检测方法

摘要

本发明公开了一种基于ICA学习和多通道融合的TFT‑LCD mura缺陷检测方法，属于TFT‑LCD显示缺陷检测领域。本发明利用FastICA算法从大量样本图像中分离出相互独立的图像基，并使用图像基重建出背景图像，尽可能多地保留了背景信息，同时不受目标的影响，然后对测试图像与背景的差分图像进行阈值化，通过设定多个阈值减少潜在目标区域和噪声对目标分割的干扰，同时考虑到mura缺陷的色彩信息，引入多色彩通道融合的检测方案，兼顾了不同类型的mura缺陷检测。本发明能适应不同类型的mura缺陷检测，过检、漏检现象较少。

主权项

1.基于ICA学习和多通道融合的TFT‑LCD mura缺陷检测方法，其步骤为：第1步：选择N张不含缺陷的图像分割成m×n的子块图像，分别提取灰度图像和HSV色彩模型中的S通道图像，构成灰度域训练样本集和S域训练样本集；第2步：使用FastICA算法分别对两个训练样本集矩阵进行无监督学习，分离出相互独立的图像基；第3步：对测试图像进行背景重建，具体步骤如下：(a)将测试图像分割成m×n的子块图像，m×n为500×500，分别提取测试图像的灰度域和S域图像，并分别转换成1×(m×n)的行向量d；(b)将提取的灰度域和S域图像投影到对应的图像基上，得到投影系数bb＝d·pinv(Y)其中pinv(Y)表示Y的伪逆矩阵；(c)使用投影系数b重构图像背景background＝b·Y，将background还原成m×n的矩阵，即为重建出的子块图像的灰度域和S域背景图像矩阵；第4步：分别在灰度域和S域，用子块测试图像减去重建出的背景图像，得到差分图像，将差分图的像素值取绝对值，然后进行中值滤波；第5步：构建多阈值模型对步骤4得到的差分图像进行阈值化分割，提取mura缺陷区域；构建多阈值的阈值化模型的具体方法如下：(a)对差分图像素值由大到小排序，以前C1×100％的像素点为目标区域，对剩余的像素点计算均值和方差；(b)确定绝对mura区域，设置阈值C3，小于C3的像素点为背景区域，大于C3的像素点为绝对mura区域；(c)获得不确定mura区域，设定阈值C2，C2＜C3，小于C3大于C2的像素点为不确定mura区域；(d)去除小面积噪声，统计不确定mura区域的连通域面积大小，将小于面积阈值AThres的区域视为噪声去除，保留大于AThres的区域，加上绝对mura区域，获得最终的mura目标区域；其中，设定灰度域阈值C1＝0.1、C2＝0.3、C3＝0.6、AThres＝50，S域阈值C1＝0.1、C2＝0.2、C3＝0.4、AThres＝50；第6步：融合灰度域和S域两种通道的检测结果，得到最终的检测结果。