偏光片細微外觀缺陷偏振成像檢測方法

黃廣俊 列智豪 王興政 鐘小品 鄧元龍

(深圳大學機電與控制工程學院 深圳 518060)

1 引言

偏光片是一種常見的偏振光學元件，應用非常廣泛，例如在薄膜電晶體液體顯示器(Thin Film Transistor Liquid Crystal Display, TFT-LCD)型液晶顯示面板中，必有兩層偏振方向正交的偏光片。偏光片成品一般由6層微米級厚度的透明聚合物薄膜組成，其外觀缺陷(Aesthetic Defect)可能出現在任何一層。凸凹點、異物、氣泡、劃痕等外觀缺陷會直接降低顯示面板的質量等級，甚至導致整個面板報廢。目前，國內外偏光片生產商和液晶面板廠家，仍然普遍采用人工目視方法離線檢測偏光片外觀缺陷。目視檢測勞動強度大、主觀性強且一致性差，檢測效率無法進一步提高。因此，研究偏光片外觀缺陷自動檢測技術具有重要的應用意義。

Yoon等人[1]利用發光二極管(Light Emitting Diode, LED)面光源，研究了偏光片在線檢測和分類技術，并采用圖像分割和模板匹配方法對異物、氣泡和凹痕等缺陷進行檢測和識別，缺陷分類精度達到96%。Kuo等人[2]采用線陣相機設計了偏光片外觀缺陷檢測系統，使用霍夫變換識別分割后的圖像，識別氣泡、劃痕、灰塵和異物等缺陷，分類精度達到98%。Cheng等人[3]使用哈爾小波變換方法檢測偏光片Mura缺陷。Yen等人[4]研究了一種基于黑白條紋投影的檢測系統，用于檢測偏光片微小凸點缺陷，能夠在0.3 s內完成36 mm×27 mm偏光片樣本的缺陷檢測。2017年，韓國湖西大學Won等人[5]采用卷積神經網絡，主要研究了點缺陷的分類問題，缺陷分類精度達到95%。針對凹痕、異物、亮點和劃痕4類常見的偏光片外觀缺陷，Kuo等人[6]使用最大灰度等級、離心率、對比度和灰度共生矩陣來提取缺陷圖像的特征，然后輸入到徑向基神經網絡中進行識別，缺陷分類精度達到98.9%。2018年，中北大學Lei等人[7]使用深度學習目標檢測算法對偏光片外觀缺陷進行檢測，平均準確率達到67.5%。2020年，太原科技大學Liu等人[8]提出一種基于深度學習的輕量級神經網絡，該模型的分類準確率達到99.4%，可以解決無缺陷，污漬和缺陷圖像的分類問題。

上述研究主要關注圖像處理和分類算法，較少涉及缺陷成像方法的研究，而偏光片細微外觀缺陷難以成像、難以檢測的問題，才是影響自動檢測技術獲得實際應用的關鍵障礙。針對這個問題，文獻[9,10]采用條紋結構光照明實現了缺陷成像增強，并研究了缺陷模型、成像仿真、結構光增強機理和相應的缺陷圖像處理算法。然而，對于突起、刺傷和水膠粒等極細微透明缺陷，即使采用上述結構光照明方法，卻仍然難以成像、難以檢測。

偏振成像能夠有效增加目標探測和識別的維度信息，廣泛應用于視覺檢測領域[11,12]。由于橢偏、散射退偏和旋向等效應，偏光片外觀缺陷會改變入射光的偏振態，從而顯著提高缺陷成像對比度。因此，本文提出一種基于偏振成像的偏光片外觀缺陷檢測技術，利用缺陷與正常區域之間透射光偏振態的差異，提高極細微外觀缺陷的成像對比度，從而簡化圖像處理算法，進一步提高檢測速度和準確率。本文組成如下：第2部分介紹檢測系統與缺陷成像增強的效果；第3部分實驗研究上述缺陷成像增強的機理；第4部分給出150個缺陷樣品的檢測結果；然后是討論和結束語。

2 偏振成像檢測系統

缺陷檢測系統如圖1所示，為典型的“起偏-樣品-檢偏”(Polarizer-Sample-Analyser, PSA)布局。工業相機為5.1×106像素，視場為61.5 mm×41.5 mm，實際分辨率約20 μm/像素，滿足檢測最小缺陷(100 μm)的要求。參考偏光片生產廠家的檢測現場（暗室），實驗系統采用遮光布屏蔽，避免可能存在的環境光干擾。均勻線偏振光透射被測樣品，旋轉偏振鏡(檢偏器)方向，相機采集不同角度下的缺陷圖像。當檢偏器與偏光片樣品透光軸方向一致和垂直時，圖像分別為最亮和最暗，缺陷成像對比度較低，不利于缺陷檢出。某一個凹痕缺陷在不同檢偏角時的圖像灰度值如表1所示，當二者夾角處于45°左右時，缺陷成像對比度較高。

表1 凹痕缺陷對比度

圖1 檢測系統

針對均勻光和結構光照明都無法成像的突起、捏痕、刺傷和指痕4種極細微缺陷，偏振光成像效果如圖2所示，對比度分別提高到8.6%, 1.5%,18.3%和4.9%，有效實現了缺陷成像增強。

圖2 不同成像方式下4種缺陷對比度(從左到右分別為均勻光成像、結構光成像、偏振光成像)

3 缺陷成像增強機理的實驗研究

采用橫向塞曼激光器，直接輸出線偏振光，入射被測偏光片樣品，實驗系統如圖3所示。通過1維運動平臺實現缺陷區域和周邊正常區域的逐點掃描，偏振態測試儀測量出射光的偏振態，逐點給出偏振度(Degree Of Polarization, DOP)、線偏振度(Degree Of Linear Polarization, DOLP)、圓偏振度(Degree Of Circular Polarization, DOCP)、偏振角(Angle Of Polarization, AOP)和橢圓率(ellipticity)等偏振態數據，從而檢驗缺陷對入射光偏振態的影響。

圖3 缺陷偏振特性測試系統

一個典型凹痕缺陷樣品的測試數據如圖4所示。正常區域的偏振度和線偏振度約為97%（保護膜和離型膜會產生少量的退偏作用），由于缺陷的退偏、橢偏等作用，缺陷區域的DOP和DOLP明顯降低到86%左右，而偏振角、圓偏振度和橢圓率角卻明顯上升。顯然，與正常區域相比，缺陷區域透射光的偏振態存在較大變化，通過檢偏器之后，二者的強度必然存在較大差異——這是圖1所示檢測系統實現缺陷成像增強的機理。

圖4 凹痕缺陷偏振態測量結果

同理測量了水膠粒、亮點、蝶紋、劃傷和突起5種常見極細微缺陷的偏振態指標，與正常區域的最大差值如表2所示?？梢?，利用缺陷與正常區域出射光偏振態的差異，檢測偏光片外觀缺陷，具有較好的可行性。

表2 偏振態指標的最大差值(缺陷與正常區域之間)

4 檢測結果

由于采用偏振成像，偏光片極細微外觀缺陷成像對比度得到大幅提升，所以缺陷圖像無需預處理，直接應用魯棒主成分分析法(Robust Principle Component Analysis, RPCA)[14,15]即可。RPCA是一種常用的前景背景分離算法，該算法將缺陷圖像矩陣分解為一個低秩矩陣和一個稀疏矩陣的疊加，其中前者即為背景，后者則為缺陷目標。選取稀疏矩陣對應的圖像，采用Otsu閾值分割得到二值化圖像，即可檢出缺陷和提取相關信息。針對6種常見細微缺陷，缺陷圖像與檢出結果如圖5所示。

圖5 常見6種細微缺陷原始圖像及其RPCA分解稀疏矩陣圖像的二值化結果

針對實驗室已有的150個細微外觀缺陷樣品，檢測結果如表3所示，平均檢出率達到97.3%，基本滿足產業應用需求。少量極細微缺陷樣本的偏振特性變化很小，導致不能檢出，例如指痕等缺陷。需要進一步研究此類極細微缺陷的偏振模型，并優化檢測系統設計以提高檢出率。

表3 缺陷檢出率對比

采用線型結構光[9]檢測一個61.5 mm×41.5 mm樣品，由于需要主動光多步掃描并識別多幅圖像，在同樣的平臺上(Matlab 2020b,Windows10系統，Intel i5-4460 3.2 GHz, 16 GB RAM)實現圖像采集與缺陷提取，平均所需時間約為1.39 s；與此對比，本文提出的偏振成像法無需運動或掃描環節，僅需要處理一幅圖像，平均檢測時間約為0.22 s，更適于在線/連續檢測。

5 討論

實驗中發現，部分極細微缺陷的對比度可以進一步提高。使用圓偏振鏡測量法計算Stokes參量，如式(2)所示[16]

可見，兩個缺陷樣品的成像對比度在DOP和AOP圖像中都有明顯提升。然而，不同的缺陷樣品，偏振態指標圖像效果差異較大；具體缺陷類型所對應的最佳偏振態表征指標尚不明確，其中的機理和指標圖像合成方法需要進一步深入研究。

偏光片的部分點狀透明缺陷(例如壓痕)具有一種特殊性—部分偏光片粘貼到基板之后，由于粘貼力及自身恢復等因素，缺陷會消失，并不影響液晶面板質量等級；而有些壓痕樣品則不行。缺陷3維形態的差異是造成這種區別的重要因素。根據圖4所示的缺陷偏振態測量結果可知，缺陷區域偏振態的連續分布，反映出該缺陷的3維形態，因此，本文所提出的偏振成像檢測方法，可望在檢測有無缺陷的同時，無損測量缺陷的3維形態。

圖6 兩個典型缺陷成像效果對比

6 結束語

針對偏光片極細微外觀缺陷，提出一種基于“起偏-樣品-檢偏”(Polarizer-Sample-Analyser,PSA)布局的偏振成像檢測方法。由于缺陷存在一定的橢偏和散射退偏作用，透射光的偏振態有明顯變化，因此本方法可以大幅提高缺陷成像對比度，從而簡化后續的圖像處理算法，提高檢測速度和缺陷檢出率。雖然目前還沒有建立定量的機理表達或數學模型，但是缺陷區域偏振態指標的測量結果，以及大量的檢測數據，驗證了此方法的可行性。所研究的偏光片外觀缺陷檢測方法與系統，也同樣適用于其他類似薄膜產品的質量控制，具有較好的應用前景。