基于骨架模板配準的OLED顯示屏斑痕缺陷檢測技術＊

劉延允 ，高 健 ，趙偉明

(1.廣東工業大學 機電工程學院，廣東 廣州 510006；2.東莞宏威數碼機械有限公司，廣東 東莞 523656)

OLED(Organic LED)顯示屏作為新一代的顯示設備，隨著生產工藝的日趨完善，目前已廣泛應用于MP3、手機、數碼相機等低功耗的設備中。在基于圖像處理的自動化檢測過程中，為保證產品的質量，生產商迫切需要一種有效的算法，以快速抓取和識別顯示屏中存在的各種缺陷。在OLED顯示屏的各種缺陷中，斑痕缺陷(也稱其為 Mura缺陷)是最常見、最復雜的，同時也是最難檢測的一種缺陷[1-2]。主要表現為對比度低、邊界模糊、形狀多樣、亮度顯示不均勻等特征。因此，如何有效地檢測斑痕缺陷已成為OLED顯示屏制造過程的關鍵環節。

近年來，隨著圖像處理理論的發展，相關研究人員已提出了很多檢測算法。Yen PingLang等提出了基于背景圖像重建的檢測方法[3]，KUO C C.提出了利用離散余弦變換濾除背景圖像的方法[4]。由于斑痕缺陷的對比度低、邊界模糊、形狀不定，再加上顯示屏本身的發光亮度難以達到完全均勻、CCD噪聲等因素的影響，給提取斑痕缺陷增加了難度，應用常規的閾值分割、邊緣提取等方法已不能有效地提取斑痕缺陷。

針對這一問題，本文提出了一種新的斑痕缺陷檢測方法。在系統啟動階段，根據所采集圖像創建理想模板，利用細化技術提取OLED顯示屏的骨架信息，實現模板圖像與原始圖像的快速配準，并進行相減運算；然后，通過大津法(即最大類間方差法或稱為OTSU算法)確定的閾值，分割相減以后的圖像，可以有效地提取出斑痕缺陷。該算法流程如圖1所示。

1 顯示屏骨架模版的提取

骨架(Skeleton)又稱中軸(Medial Axis)，是圖形幾何形態的一種重要拓撲描述。骨架是一種線型的幾何體，它居于圖形的對稱中心，有著與原圖形相同的拓撲結構，并可保留原圖形的形狀信息。骨架的線型結構減少了圖形中的冗余信息，方便對圖形進行相似性度量和匹配，是圖形描述、圖形識別和檢索的一種重要方法。提取骨架的方法主要有三種：模擬火燒模型方法、基于距離變換方法及 Voronoi圖方法[5]。

本文利用細化方法，提取OLED顯示屏的骨架。細化法的思想是一層一層地去掉物體的邊界，直到最后剩下的寬度為1個像素的骨架，其本質就是模仿火燒模型。

采用細化算法對圖2的原始圖像提取骨架，結果如圖3所示，其很好地保留了原圖的拓撲結構，并且具有單像素寬度。由圖3可以看出，經過細化后，圖像中的每個矩形格子實際上代表顯示屏的一個物理像素點。

圖2 采集所得原始圖像

圖3 細化后的骨架圖像

2 基于骨架模板匹配的差影圖像處理

圖4 圖像配準時的控制點分布

OLED顯示屏缺陷檢測的特點是：由于顯示屏上像素點的規則分布，所以經過細化后的骨架也很規則，是由近似水平與垂直的線段組成的網格；但由于斑痕缺陷的存在可能出現線段彎曲、空洞等。所以首先利用直線擬合的技術(本文選用最小二乘法)將線段理直，然后求取線段的交點，并作為圖像配準時的控制點。圖像配準時的控制點分布如圖4所示。

缺陷的基本特征是，缺陷處的灰度值與背景處的灰度值不完全相同。差影法本質就是用來判斷兩幅圖像對應像素點的灰度差距[6]。該方法把兩幅圖像的對應像素的灰度值作減法運算，生成一幅新的用于表示兩幅圖像間差別的圖像，其數學表達式如下：

式 中 ，S(i，j)為 原 始 圖 像 ，T(i，j)為 模 板 圖 像 ，D(i，j)為 差影后的圖像。

在實際缺陷算法中，依據圖4中的每一個點作為控制點，將原始圖像與小的模板圖像采用差影法，求得整幅圖像的差影圖像，差影法檢測流程如圖5所示。采用這一差影檢測方法，將圖2所示原圖像經差影處理后的圖像如圖6所示。

圖5 差影法檢測流程圖

圖6 差影后的圖像

對比圖2與圖6可以發現，圖2中的黑色格子線與灰白色矩形塊，通過分塊運用差影法，已經基本變為黑色的背景，而圖6中的斑痕缺陷卻呈白斑。但差影后的圖像還是不能很好地分辨背景與缺陷，這主要是由于采集圖片時光照不均勻、顯示屏的亮度不均等原因所引起。

3 基于大津法的圖像分割與缺陷檢測

大津法是由日本的大津展之在1978年提出的[7]。該方法的基本思想是：通過設定閾值將圖像分割成兩組：一組灰度對應目標，另一組灰度對應背景，并使這兩組灰度值的類內方差最小和類間方差最大[7-9]。

類間方差的數學表達式為：

式中，σ2為類間方差，μ為圖像的弧度均值，n1、n2分別為兩組像素的數量，μ1、μ2分別為兩組像素的灰度均值。

大津法的閾值確定過程是通過遍歷 256(0～255)個灰度級，尋找使其類間方差最大的那個灰度值，該值即為最佳閾值T。然而，如果在遍歷每個灰度級時，都重新計算閾值兩邊的均值與像素數量，其計算量相當大。通過分析，可以將該算法通過遞歸的方式來遍歷整個圖像的灰度值，使本次遍歷可以基于前一次的計算結果，大大降低了計算量。該遞歸算法的實現過程描述如下：

假定圖像總像素數量為n，圖像的灰度均值為μ，灰度直方圖為h，圖像的灰度值總和、兩組像素灰度值的總和分別為 s、s1、s2。設初始條件有：n1(0)=0、n2(0)=0、μ1(0)=0、μ2(0)=0、s1(0)=0、s2(0)=0，且 t=0(t的取值為 0，1，2，……254)，則其類間方差的遞推表達式為：

在遞歸調用過程中，t=t+1，直至遞歸結束，t=254。該算法進行遞推改進后可提高計算效率80%。

4 缺陷圖像實例

綜合應用本文所提出的細化骨架匹配法和大津法圖像分割與缺陷檢測方法，開展顯示屏缺陷檢測的實驗驗證與分析。以如圖2所示的顯示屏圖像為例，經本文所提出的方法處理后，可以檢測出屏幕圖像的缺陷所在。圖7所示是對應的斑痕缺陷檢測效果圖，圖中白斑所在位置對應于原始圖像中的缺陷位置。與原圖相比對，可以發現圖2中所示的多數斑痕缺陷在圖7中都能顯示出來。

圖7 斑痕缺陷檢測效果圖

圖8所示是另一幅含有若干斑痕缺陷的顯示屏圖像，經本文方法處理后的圖像如圖9所示。對比兩幅圖像可以發現，圖8中的斑痕缺陷在圖9中都能夠有效地檢測出來。

圖8 含斑痕缺陷的顯示屏所成圖像

圖9 缺陷檢測效果圖

實驗表明，本文提出的以顯示屏骨架為基準的圖像配準與檢測技術能夠有效地提取出顯示屏的斑痕缺陷。在算法的處理效率方面，以Visual Studio 2008為開發環境，在配置為CPU T6500、內存2 GB的筆記本上測試一幅分辨率為1280×960的圖像，算法所耗時間為282 ms，其中骨架提取約 219 ms，差影法約 16 ms，大津法(OTSU算法)約 2 ms。

本文在傳統的差影法的基礎上，對圖像配準時的搜索策略進行改進，提出了一種基于骨架模板配準的OLED顯示屏斑痕缺陷檢測方法，利用分塊配準的方式，解決了配準時顯示屏小角度的旋轉所帶來的影響，能有效地檢測顯示屏的斑痕缺陷，且耗時短，可滿足實時檢測的要求。

[1]張昱，張健.基于多項式曲面擬合的 TFT—LCD斑痕缺陷自動檢測系統[J].光電工程，2006，33(10)：108-114.

[2]唐劍，王大巍.B樣條曲面擬合在Mura缺陷獲取中的應用[J].現代顯示，2008(89)：24-28.

[3]YEN P L.Automatic optical inspection on TFT-LCD mura defectsusing background image reconstruction [J].Key Engineering Materials， 2008，364/366：400-403.

[4]KUO C C.Automatic TFT-LCD mura defect inspection using discrete cosine transform-based background filtering and′just noticeable difference′ quantification strategies[J].Measurement Science&Technology，2008，19(1)：015507-1-015507-10.

[5]呂俊啟.一種有效的二值圖像細化算法[J].計算機工程，2003，29(18)：147-148.

[6]蘇小紅，何志廣，馬培軍.TFT—LCD微米級顯示缺陷的自動檢測算法[J].哈爾濱工業大學學報，2008，40(11)：1756-1760.

[7]OTSU N.A threshold selection method from gray-level histogram [J].IEEE Transactions on System， Man， and Cybernetics， 1979，SMC-9(1)：62-66.

[8]景曉軍，蔡安妮，孫景鰲.一種基于二維最大類間方差的圖像分割算法[J].通訊學報，2001，22(4)：71-76.

[9]李了了，鄧善熙.基于大津法的圖像分塊二值化算法[J].微型計算機信息，2005，21(8-3)：76-77.