一种基于机器视觉的Mura缺陷检测方法及系统与流程

一种基于机器视觉的mura缺陷检测方法及系统
技术领域
1.本发明涉及显示面板缺陷检测技术领域，具体而言，涉及一种基于机器视觉的mura缺陷检测方法及系统。


背景技术：

2.在对显示面板的检测中mura缺陷检测尤为重要，直接影响了最终成像的质量，如果显示面板存在mura缺陷会导致用户的体验极差，现有技术中一般采用专业人员人为检测，但是通过人为检测容易由于主观因素，导致检测出现差错，因此，继续一种基于机器视觉的mura缺陷检测方法可以实现显示面板的自动检测，来提高显示面板mura缺陷检测的准确率和效率。


技术实现要素：

3.本发明的目的在于提供一种基于机器视觉的mura缺陷检测方法及系统，以改善上述问题。
4.为了实现上述目的，本技术实施例提供了如下技术方案：
5.一方面，本技术实施例提供了一种基于机器视觉的mura缺陷检测方法，所述方法包括：
6.获取待检测显示面板对应的图像信息；
7.将所述待检测显示面板对应的图像信息进行区域划分，得到至少一个区域对应的子图像信息；
8.根据每个区域对应的所述子图像信息确定目标图像信息，所述目标图像信息为待检测的子图像；
9.根据所述目标图像信息得到特征图像信息；
10.根据所述特征图像信息确定所述目标图像信息中是否存在mura缺陷。
11.第二方面，本技术实施例提供了一种基于机器视觉的mura缺陷检测系统，所述系统包括：
12.获取模块，用于获取待检测显示面板对应的图像信息；
13.划分模块，用于将所述待检测显示面板对应的图像信息进行区域划分，得到至少一个区域对应的子图像信息；
14.第一处理模块，用于根据每个区域对应的所述子图像信息确定目标图像信息，所述目标图像信息为待检测的子图像；
15.第二处理模块，用于根据所述目标图像信息得到特征图像信息；
16.第三处理模块，用于根据所述特征图像信息确定所述目标图像信息中是否存在mura缺陷。
17.第三方面，本技术实施例提供了一种基于机器视觉的mura缺陷检测设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时
实现上述基于机器视觉的mura缺陷检测方法的步骤。
18.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于机器视觉的mura缺陷检测方法的步骤。
19.本发明的有益效果为：
20.本发明通过获取待检测显示面板对应的图像信息，对待检测显示面板对应的图像信息进行区域划分，得到至少一个区域对应的子图像信息，再根据每个区域对应的子图像信息确定目标图像信息，可以初步确定待检测显示面板对应的图像信息中需要进行检测的子图像信息，提高检测的效率，再根据目标图像信息得到特征图像信息，根据特征图像信息确定目标图像信息中是否存在mura缺陷，实现显示面板mura缺陷检测的自动检测，有效地提高了mura缺陷的效率和准确率。
21.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
22.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
23.图1为本发明实施例中所述的基于机器视觉的mura缺陷检测方法流程示意图。
24.图2为本发明实施例中所述的基于机器视觉的mura缺陷检测系统结构示意图。
25.图3为本发明实施例中所述的基于机器视觉的mura缺陷检测设备结构示意图。
26.图中标注：901、获取模块；902、划分模块；903、第一处理模块；904、第二处理模块；905、第三处理模块；906、构建模块；907、第四处理模块；908、第五处理模块；909、第六处理模块；9031、第一处理单元；9032、第二处理单元；9033、第三处理单元；9034、第四处理单元；9035、第五处理单元；9041、第六处理单元；9042、第七处理单元；9043、第八处理单元；9044、第九处理单元；90431、第十处理单元；90432、第十一处理单元；90433、第十二处理单元；800、基于机器视觉的mura缺陷检测设备；801、处理器；802、存储器；803、多媒体组件；804、i/o接口；805、通信组件。
具体实施方式
27.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
28.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
29.实施例1：
30.本实施例提供了一种基于机器视觉的mura缺陷检测方法，可以理解的是，在本实施例中可以铺设一个场景，例如:对待检测的显示面板的图像信息进行采集，并基于显示面板的图像信息对待检测的显示面板进行mura缺陷检测的场景。
31.参见图1，图中示出了本方法包括步骤s1、步骤s2、步骤s3、步骤s4以及步骤s5，其中具体包括：
32.步骤s1、获取待检测显示面板对应的图像信息；
33.步骤s2、将所述待检测显示面板对应的图像信息进行区域划分，得到至少一个区域对应的子图像信息；
34.可以理解的是，将待检测显示面板对应的图像进行区域划分，划分为均等的子图像，本技术对划分区域的大小不做限定，根据显示面板大小不同，划分区域的大小也不相同。
35.步骤s3、根据每个区域对应的所述子图像信息确定目标图像信息，所述目标图像信息为待检测的子图像；
36.可以理解的是，由于显示面板中并不是需要对显示面板中的每一个区域一一进行mura缺陷检测，这样会浪费大量的时间成本，降低了显示面板mura缺陷检测的效率，在本步骤中可以每个区域对应的所述子图像信息确定目标图像信息，初步确定疑似存在mura缺陷的子区域，并将其作为目标图像信息，再对目标图像信息进行mura缺陷，可以有效地提高显示面板缺陷检测的效率。
37.可以理解的是，所述步骤s3中还包括步骤s31、步骤s32、步骤s33、步骤s34以及步骤s35，其中具体包括：
38.步骤s31、对子图像信息进行灰度化处理，得到灰度化处理后的子图像信息；
39.可以理解的是，对子图像信息进行灰度化处理为本领域技术人员所熟知的技术方案，故不在此赘述。
40.步骤s32、将所述灰度化处理后的子图像信息进行二维双树复小波变换，得到第一特征向量；
41.可以理解的是，二维双树复小波变换的小波基函数具体为：
[0042][0043]
上式中，φ表示目小波函数，s和k分别表示尺度因子和位移因子，采用二维双树复小波变换对灰度化处理后的子图像信息进行多尺度小波分解，将灰度化处理后的子图像信息进行三层二维双树复小波变换，每层变换得到六个方向的高频子带图像，三层分解后可以得到18个高频子带图像，对18个高频子带图像的高频系数求取平均值和方差得到第一特征向量。
[0044]
步骤s33、基于所述第一特征向量构建灰度共生矩阵；
[0045]
可以理解的是，在第一特征向量对应的高频子带小波系数构建第一灰度共生矩阵，其中，构建灰度共生矩阵为本领域技术人员熟知的技术，故不再赘述。
[0046]
步骤s34、根据所述灰度共生矩阵计算子图像信息的第二特征向量，所述第二特征向量为纹理特征信息；
[0047]
可以理解的是，第二特征向量为根据灰度共生矩阵提取得到的子图像信息的纹理特征。
[0048]
步骤s35、基于所述子图像信息的第二特征向量和预设图像信息对应的第二特征向量判断所述子图像信息是否为目标图像，所述预设图像信息包括无mura缺陷的图像信息。
[0049]
可以理解的是，由于mura缺陷检测的背景复杂，导致mura缺陷轮廓模糊难以直接进行检测，因此，预设图像信息为无mura缺陷显示面板对应的图像信息，通过提取子图像信息与无mura缺陷显示面板对应的图像信息对应的纹理特征，可以初步判断子图像信息中是否疑似存在mura缺陷，再进行进一步的精确检测，以提高mura缺陷的效率，在本步骤中，需要说明的是，通过计算子图像信息的第二特征向量和预设图像信息对应的第二特征向量之间相似度可以确定子图像信息是否为目标图像，本发明对相似度的计算方法不做限定。
[0050]
步骤s4、根据所述目标图像信息得到特征图像信息；
[0051]
可以理解的是，在本步骤中通过提取待检测的子图像的轮廓特征，可以有效地实现mura缺陷的精确检测。
[0052]
可以理解的是，所述步骤s4中还包括步骤s41、步骤s42、步骤s43以及步骤s44，其中具体包括：
[0053]
步骤s41、利用多项式曲面拟合法对目标图像信息进行背景重构，得到第一图像信息；
[0054]
可以理解的是，利用多项式曲面拟合法对目标图像信息进行背景重构具体的过程为：
[0055]
i(x,y)＝a
00
+a
10
x+a
01
y+a
20
x2+a
02
y2+a
30
x3+a
03
y3+b
[0056]
上式中，i(x,y)是用于重构背景的像素数据，x,y是用于重构背景图像的像素的坐标值，b为误差项，a
00
、a
10
……a03
分别为多项式对应的系数。
[0057]
步骤s42、将所述第一图像信息与所述目标图像信息进行计算，得到第二图像信息，所述第二图像信息为差分图像；
[0058]
可以理解的是，为了抑制mura缺陷检测复杂背景对mura缺陷检测的干扰，在获得重构背景图像即第一图像信息后，将第一图像信息与目标图像信息做差得到差分图像，可以有效地降低复杂背景对mura缺陷检测的干扰，从而提高mura缺陷检测的准确率。
[0059]
步骤s43、对所述第二图像信息进行增强处理，得到增强处理后的第二图像信息；
[0060]
可以理解的是，对第二图像信息进行增强处理可以有效地提高图像的对比度，从而解决现有技术中由于mura缺陷检测的背景复杂，导致mura缺陷轮廓模糊难以直接进行识别的问题，提高对mura缺陷轮廓的识别精度，以提高对mura缺陷检测的准确率。
[0061]
可以理解的是，所述步骤s43中还包括步骤s431、步骤s432以及步骤s433，其中具体包括：
[0062]
步骤s431、利用最大类间方差法对第二图像信息进行处理，得到阈值信息；
[0063]
可以理解的是，利用最大类间方差法对第二图像信息进行处理，得到阈值信息为本领域技术人员所熟知的技术方案，故不在此赘述。
[0064]
步骤s432、利用所述阈值信息作为分段点，得到第一分段信息和第二分段信息；
[0065]
可以理解的是，通过最大类间方差法对第二图像信息进行处理，得到阈值信息m，将阈值信息m作为分段点，以便实现后续处理。
[0066]
步骤s433、对所述第一分段信息和第二分段信息分别进行伽马变换，得到增强处理后的第二图像信息。
[0067]
可以理解的是，对所述第一分段信息和第二分段信息分别进行伽马变换具体过程为：
[0068][0069]
上式中，m为阈值信息，i(x,y)和a(x,y)分别为第二图像信息的灰度值和经过分段伽马变换后的灰度值，γ1和γ2分别为第一伽马系数和第二伽马系数，l为最大像素灰度值，利用分段伽马变换的处理方式可以有效地增大阈值点左右两侧部分的灰度值差距，从而使图像中mura缺陷区域的对比度和轮廓度得到了增强，以实现后续特征的精确提取，从而提高mura缺陷检测的准确率。
[0070]
步骤s44、对所述增强处理后的第二图像信息进行特征提取，得到特征图像信息。
[0071]
可以理解的是，在本步骤中通过对增强处理后的第二图像信息进行图像分割，可以有效地提取到mura缺陷的轮廓特征，以实现mura缺陷的自动检测，本发明对图像的分割算法不做限定。
[0072]
步骤s5、根据所述特征图像信息确定所述目标图像信息中是否存在mura缺陷。
[0073]
可以理解的是，所述步骤s5之后还包括步骤s6、步骤s7、步骤s8以及步骤s9，其中具体包括：
[0074]
步骤s6、基于所述特征图像信息构建样本集；
[0075]
可以理解的是，特征图像信息是对增强mura缺陷轮廓进行增强后再进行分割后所得到的特征图像信息。
[0076]
步骤s7、将样本集进行扩充，得到扩充后的样本集；
[0077]
步骤s8、利用所述扩充后的样本集对mura缺陷分类模型进行训练得到训练后的mura缺陷分类模型；
[0078]
可以理解的是，利用所述扩充后的样本集对mura缺陷分类模型进行训练得到训练后的mura缺陷分类模型为本领域技术人员所熟知的技术方案，故不在此进行赘述。
[0079]
步骤s9、将所述特征图像信息发送至所述训练后的mura缺陷分类模型，得到mura缺陷的分类结果。
[0080]
可以理解的是，mura缺陷的分类结果可以为点mura缺陷、线mura缺陷以及块mura缺陷等等，通过对mura缺陷进行分别识别，可以有效地针对不同的mura缺陷进行相应的措施进行后续的维修处理。
[0081]
在本实施例中，由于mura缺陷检测的背景复杂，导致mura缺陷轮廓模糊难以直接进行检测，现有技术对mura缺陷进行分类识别的准确率较低，因此本实施例通过特征图像信息构建样本集，以提高mura缺陷分类识别的准确率。
[0082]
实施例2：
[0083]
如图2所示，本实施例提供了一种基于机器视觉的mura缺陷检测系统，所述系统包括获取模块901、划分模块902、第一处理模块903、第二处理模块904和第三处理模块905，其中具体包括：
[0084]
获取模块901，用于获取待检测显示面板对应的图像信息；
[0085]
划分模块902，用于将所述待检测显示面板对应的图像信息进行区域划分，得到至少一个区域对应的子图像信息；
[0086]
第一处理模块903，用于根据每个区域对应的所述子图像信息确定目标图像信息，所述目标图像信息为待检测的子图像；
[0087]
第二处理模块904，用于根据所述目标图像信息得到特征图像信息；
[0088]
第三处理模块905，用于根据所述特征图像信息确定所述目标图像信息中是否存在mura缺陷。
[0089]
在本公开的一种具体实施方式中，所述第一处理模块903中还包括第一处理单元9031、第二处理单元9032、第三处理单元9033、第四处理单元9034和第五处理单元9035，其中具体包括：
[0090]
第一处理单元9031，用于对子图像信息进行灰度化处理，得到灰度化处理后的子图像信息；
[0091]
第二处理单元9032，用于将所述灰度化处理后的子图像信息进行二维双树复小波变换，得到第一特征向量；
[0092]
第三处理单元9033，用于基于所述第一特征向量构建灰度共生矩阵；
[0093]
第四处理单元9034，用于根据所述灰度共生矩阵计算子图像信息的第二特征向量，所述第二特征向量为纹理特征信息；
[0094]
第五处理单元9035，用于基于所述子图像信息的第二特征向量和预设图像信息对应的第二特征向量判断所述子图像信息是否为目标图像，所述预设图像信息包括无mura缺陷的图像信息。
[0095]
在本公开的一种具体实施方式中，所述第二处理模块904中还包括第六处理单元9041、第七处理单元9042、第八处理单元9043和第九处理单元9044，其中具体包括：
[0096]
第六处理单元9041，用于利用多项式曲面拟合法对目标图像信息进行背景重构，得到第一图像信息；
[0097]
第七处理单元9042，用于将所述第一图像信息与所述目标图像信息进行计算，得到第二图像信息，所述第二图像信息为差分图像；
[0098]
第八处理单元9043，用于对所述第二图像信息进行增强处理，得到增强处理后的第二图像信息；
[0099]
第九处理单元9044，用于对所述增强处理后的第二图像信息进行特征提取，得到特征图像信息。
[0100]
在本公开的一种具体实施方式中，所述第八处理单元9043中还包括第十处理单元90431、第十一处理单元90432和第十二处理单元90433，其中具体包括：
[0101]
第十处理单元90431，用于利用最大类间方差法对第二图像信息进行处理，得到阈值信息；
[0102]
第十一处理单元90432，用于利用所述阈值信息作为分段点，得到第一分段信息和
第二分段信息；
[0103]
第十二处理单元90433，用于对所述第一分段信息和第二分段信息分别进行伽马变换，得到增强处理后的第二图像信息。
[0104]
在本公开的一种具体实施方式中，所述第三处理模块905之后还包括构建模块906、第四处理模块907、第五处理模块908和第六处理模块909，其中具体包括：
[0105]
构建模块906，用于基于所述特征图像信息构建样本集；
[0106]
第四处理模块907，用于将样本集进行扩充，得到扩充后的样本集；
[0107]
第五处理模块908，用于利用所述扩充后的样本集对mura缺陷分类模型进行训练得到训练后的mura缺陷分类模型；
[0108]
第六处理模块909，用于将所述特征图像信息发送至所述训练后的mura缺陷分类模型，得到mura缺陷的分类结果。
[0109]
需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0110]
实施例3：
[0111]
相应于上面的方法实施例，本实施例中还提供了一种基于机器视觉的mura缺陷检测设备，下文描述的一种基于机器视觉的mura缺陷检测设备与上文描述的一种基于机器视觉的mura缺陷检测方法可相互对应参照。
[0112]
图3是根据示例性实施例示出的一种基于机器视觉的mura缺陷检测设备800的框图。如图3所示，该基于机器视觉的mura缺陷检测设备800可以包括：处理器801，存储器802。该基于机器视觉的mura缺陷检测设备800还可以包括多媒体组件803，i/o接口804，以及通信组件805中的一者或多者。
[0113]
其中，处理器801用于控制该基于机器视觉的mura缺陷检测设备800的整体操作，以完成上述的基于机器视觉的mura缺陷检测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于机器视觉的mura缺陷检测设备800的操作，这些数据例如可以包括用于在该基于机器视觉的mura缺陷检测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于机器视觉的mura缺陷检测设备800与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near fieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因
此相应的该通信组件805可以包括：wi-fi模块，蓝牙模块，nfc模块。
[0114]
在一示例性实施例中，基于机器视觉的mura缺陷检测设备800可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digitalsignal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于机器视觉的mura缺陷检测方法。
[0115]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于机器视觉的mura缺陷检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基于机器视觉的mura缺陷检测设备800的处理器801执行以完成上述的基于机器视觉的mura缺陷检测方法。
[0116]
实施例4：
[0117]
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于机器视觉的mura缺陷检测方法可相互对应参照。
[0118]
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于机器视觉的mura缺陷检测方法的步骤。
[0119]
该可读存储介质具体可以为u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
[0120]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0121]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种基于机器视觉的mura缺陷检测方法，其特征在于，包括：获取待检测显示面板对应的图像信息；将所述待检测显示面板对应的图像信息进行区域划分，得到至少一个区域对应的子图像信息；根据每个区域对应的所述子图像信息确定目标图像信息，所述目标图像信息为待检测的子图像；根据所述目标图像信息得到特征图像信息；根据所述特征图像信息确定所述目标图像信息中是否存在mura缺陷。2.根据权利要求1所述的基于机器视觉的mura缺陷检测方法，其特征在于，根据每个区域对应的所述子图像信息确定目标图像信息，包括：对子图像信息进行灰度化处理，得到灰度化处理后的子图像信息；将所述灰度化处理后的子图像信息进行二维双树复小波变换，得到第一特征向量；基于所述第一特征向量构建灰度共生矩阵；根据所述灰度共生矩阵计算子图像信息的第二特征向量，所述第二特征向量为纹理特征信息；基于所述子图像信息的第二特征向量和预设图像信息对应的第二特征向量判断所述子图像信息是否为目标图像，所述预设图像信息包括无mura缺陷的图像信息。3.根据权利要求1所述的基于机器视觉的mura缺陷检测方法，其特征在于，根据所述目标图像信息得到特征图像信息，包括：利用多项式曲面拟合法对目标图像信息进行背景重构，得到第一图像信息；将所述第一图像信息与所述目标图像信息进行计算，得到第二图像信息，所述第二图像信息为差分图像；对所述第二图像信息进行增强处理，得到增强处理后的第二图像信息；对所述增强处理后的第二图像信息进行特征提取，得到特征图像信息。4.根据权利要求3所述的基于机器视觉的mura缺陷检测方法，其特征在于，对所述第二图像信息进行增强处理，得到增强处理后的第二图像信息，包括：利用最大类间方差法对第二图像信息进行处理，得到阈值信息；利用所述阈值信息作为分段点，得到第一分段信息和第二分段信息；对所述第一分段信息和第二分段信息分别进行伽马变换，得到增强处理后的第二图像信息。5.根据权利要求1所述的基于机器视觉的mura缺陷检测方法，其特征在于，根据所述特征图像信息确定所述目标图像信息中是否存在mura缺陷后，还包括：基于所述特征图像信息构建样本集；将样本集进行扩充，得到扩充后的样本集；利用所述扩充后的样本集对mura缺陷分类模型进行训练得到训练后的mura缺陷分类模型；将所述特征图像信息发送至所述训练后的mura缺陷分类模型，得到mura缺陷的分类结果。6.一种基于机器视觉的mura缺陷检测系统，其特征在于，包括：
获取模块，用于获取待检测显示面板对应的图像信息；划分模块，用于将所述待检测显示面板对应的图像信息进行区域划分，得到至少一个区域对应的子图像信息；第一处理模块，用于根据每个区域对应的所述子图像信息确定目标图像信息，所述目标图像信息为待检测的子图像；第二处理模块，用于根据所述目标图像信息得到特征图像信息；第三处理模块，用于根据所述特征图像信息确定所述目标图像信息中是否存在mura缺陷。7.根据权利要求6所述的基于机器视觉的mura缺陷检测系统，其特征在于，所述第一处理模块，包括：第一处理单元，用于对子图像信息进行灰度化处理，得到灰度化处理后的子图像信息；第二处理单元，用于将所述灰度化处理后的子图像信息进行二维双树复小波变换，得到第一特征向量；第三处理单元，用于基于所述第一特征向量构建灰度共生矩阵；第四处理单元，用于根据所述灰度共生矩阵计算子图像信息的第二特征向量，所述第二特征向量为纹理特征信息；第五处理单元，用于基于所述子图像信息的第二特征向量和预设图像信息对应的第二特征向量判断所述子图像信息是否为目标图像，所述预设图像信息包括无mura缺陷的图像信息。8.根据权利要求6所述的基于机器视觉的mura缺陷检测系统，其特征在于，所述第二处理模块，包括：第六处理单元，用于利用多项式曲面拟合法对目标图像信息进行背景重构，得到第一图像信息；第七处理单元，用于将所述第一图像信息与所述目标图像信息进行计算，得到第二图像信息，所述第二图像信息为差分图像；第八处理单元，用于对所述第二图像信息进行增强处理，得到增强处理后的第二图像信息；第九处理单元，用于对所述增强处理后的第二图像信息进行特征提取，得到特征图像信息。9.根据权利要求8所述的基于机器视觉的mura缺陷检测系统，其特征在于，所述第八处理单元，包括：第十处理单元，用于利用最大类间方差法对第二图像信息进行处理，得到阈值信息；第十一处理单元，用于利用所述阈值信息作为分段点，得到第一分段信息和第二分段信息；第十二处理单元，用于对所述第一分段信息和第二分段信息分别进行伽马变换，得到增强处理后的第二图像信息。10.根据权利要求6所述的基于机器视觉的mura缺陷检测系统，其特征在于，所述第三处理模块后，还包括：构建模块，用于基于所述特征图像信息构建样本集；
第四处理模块，用于将样本集进行扩充，得到扩充后的样本集；第五处理模块，用于利用所述扩充后的样本集对mura缺陷分类模型进行训练得到训练后的mura缺陷分类模型；第六处理模块，用于将所述特征图像信息发送至所述训练后的mura缺陷分类模型，得到mura缺陷的分类结果。

技术总结
本发明涉及显示面板缺陷检测技术领域，提供了一种基于机器视觉的Mura缺陷检测方法及系统，所述方法包括获取待检测显示面板对应的图像信息；将待检测显示面板对应的图像信息进行区域划分，得到至少一个区域对应的子图像信息；根据每个区域对应的子图像信息确定目标图像信息，目标图像信息为待检测的子图像；根据目标图像信息得到特征图像信息；根据特征图像信息确定目标图像信息中是否存在Mura缺陷，本发明通过对待检测显示面板对应的图像信息进行区域划分，再根据划分后的子图像信息确定目标图像信息，可以初步确定待检测显示面板对应的图像信息中需要进行检测的子图像信息，提高显示面板Mura缺陷检测的效率。显示面板Mura缺陷检测的效率。显示面板Mura缺陷检测的效率。


技术研发人员：常卢川 石纯龙
受保护的技术使用者：深圳市拓有软件技术有限公司
技术研发日：2023.07.03
技术公布日：2023/9/23