基于小波變換的TFT-LCD屏Mura缺陷檢測

摘" 要：為實(shí)現(xiàn)對TFT-LCD Mura缺陷的自動(dòng)檢測，針對Mura缺陷對比度低及背景亮度不均勻的特點(diǎn)，提出一種基于小波變換的Mura缺陷自動(dòng)識別算法。首先，通過對CCD相機(jī)采集到的Mura缺陷圖像進(jìn)行圖像預(yù)處理。接著，基于小波變換選擇合適的小波函數(shù)，進(jìn)行小波變換。然后，對小波變換后的細(xì)節(jié)圖像進(jìn)行處理分析，得到Mura缺陷的輪廓邊緣。最終，根據(jù)Mura輪廓進(jìn)行圖像處理即可得到相應(yīng)的Mura缺陷區(qū)域。實(shí)驗(yàn)結(jié)果表明，該算法在Mura缺陷檢測中對100張Mura圖像進(jìn)行檢測，準(zhǔn)確率達(dá)到98%，特別是針對缺陷背景亮度嚴(yán)重不均勻的20張Mura圖像，識別率100%，滿足AOI設(shè)備穩(wěn)定可靠、精度高、抗干擾能力強(qiáng)等要求。

關(guān)鍵詞：LCD；小波變換；Mura缺陷；缺陷檢測；AOI

中圖分類號：TP394.1" " " 文獻(xiàn)標(biāo)志碼：A" " " " 文章編號：2095-2945（2025）08-0058-06

Abstract： In order to realize automatic detection of Mura defects in TFT-LCD， an automatic Mura defect recognition algorithm based on wavelet transform is proposed for the characteristics of low contrast and uneven background brightness. First， image preprocessing is carried out on the Mura defect image collected by a CCD camera. Then， a suitable wavelet function is selected based on the wavelet transform to perform the wavelet transform. Then， the detailed image after wavelet transformation is processed and analyzed to obtain the contour edge of the Mura defect. Finally， image processing is carried out according to the Mura outline to obtain the corresponding Mura defect area. Experimental results show that when detecting Mura defects， the algorithm detects 100 Mura images， the accuracy rate reaches 98%， especially for 20 Mura images with serious uneven brightness on the defect background， the recognition rate is 100%. It meets the requirements of AOI equipment for stability， reliability， high precision， and strong anti-interference capabilities.

Keywords： LCD; wavelet transform; Mura defect; defect detection; AOI

Mura缺陷是在TFT-LCD（Thin Film Transistor Liquid Crystal Display）即薄膜晶體管液晶顯示器中一種常見的缺陷。Mura原本是日語詞，表示污斑和臟污的意思，但隨著日本顯示器技術(shù)在全球的傳播，這個(gè)字眼就成為了一個(gè)全世界通用的文字，Mura一詞便有了特殊的含義，其主要是指顯示屏存在缺陷、亮度不均勻[1]。以對比度低和亮度不均勻?yàn)樘卣鞯腗ura的缺陷檢測是一個(gè)比較棘手的問題，為此，國內(nèi)國外學(xué)者提出了許多不同的機(jī)器視覺檢測方法。

錢基德等[2]提出單幀圖像背景建模和背景差分方法，解決液晶屏的亮度不均問題，同時(shí)增強(qiáng)Mura缺陷的特征信息。然后基于最大穩(wěn)定極值區(qū)域，提出Mura缺陷自適應(yīng)閾值缺陷分割的方法。由于TFT-LCD產(chǎn)品種類繁多，基于背景建模的方法魯棒性較差，難以應(yīng)對不同制程、不同類型的TFT-LCD產(chǎn)品。廖苗等[3]提出一種基于自適應(yīng)局部增強(qiáng)的Mura缺陷自動(dòng)在線檢測方法， 根據(jù)每個(gè)像素塊的灰度分布特征，采用自適應(yīng)局部增強(qiáng)算法自動(dòng)識別并定位圖像中的Mura區(qū)域，并采用多層級分塊的方式對屏幕區(qū)域進(jìn)行檢測，該算法對背景噪聲大的Mura缺陷適用性較差，局部增強(qiáng)的同時(shí)會把噪聲也同步增強(qiáng)。Chuang等[4]提出了一種基于學(xué)生化殘差回歸分析的方法，通過將輸入圖像來擬合成一個(gè)線性模型，最后通過閾值來進(jìn)行Mura缺陷檢測，該方法計(jì)算學(xué)生化殘差的統(tǒng)計(jì)量，并通過線性模型提取Mura區(qū)域，對樣本的依賴性強(qiáng)，適應(yīng)不同產(chǎn)品的魯棒性差。Singh等[5]利用深度學(xué)習(xí)SSD（single shot multibox detector）模型來對Mura缺陷進(jìn)行訓(xùn)練，并進(jìn)行檢測，深度學(xué)習(xí)的方法對訓(xùn)練樣本數(shù)量要求較高，而對這種缺陷在實(shí)際產(chǎn)品中比較少，另外文章實(shí)驗(yàn)也表明，由于缺陷特性，該深度學(xué)習(xí)方法對Mura缺陷的訓(xùn)練，并未能得到一個(gè)較好的F1-score。嚴(yán)成宸[6]通過高斯濾波去噪聲、雙三次B樣條曲面擬合去除背景、最大類間方差（Otsu）的雙γ分段指數(shù)變換對比度增強(qiáng)、Otsu法閾值分割缺陷。該方法背景比較穩(wěn)定的缺陷能夠較好地分割出缺陷區(qū)域，但是對于背景噪聲較大和背景不均勻的Mura檢出效果不理想，魯棒性差。梅爽[7]提出了一種基于多模態(tài)多任務(wù)學(xué)習(xí)的判別性圖像分類深度神經(jīng)網(wǎng)絡(luò)模型M2DNN。該模型采用了Siamese網(wǎng)絡(luò)架構(gòu)，巧妙地利用激活函數(shù)的選擇性響應(yīng)特性進(jìn)行不同模態(tài)特征的篩選，利用MLP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的高度非線性特性進(jìn)行特征的變換，該方法在TFT-LCD Mura缺陷識別中有很好的效果，但是該方法仍依賴于大量的樣本進(jìn)行標(biāo)注和訓(xùn)練，以及復(fù)雜的參數(shù)調(diào)試。

針對現(xiàn)有方法的缺點(diǎn)與不足，本文提出一種新的基于小波變換的自適應(yīng)地對Mura缺陷進(jìn)行檢測的方法，首先對采集到的TFT-LCD進(jìn)行預(yù)處理，過濾掉相機(jī)噪聲等干擾，接著對圖像進(jìn)行小波變換，將其轉(zhuǎn)換到小波域，在對小波域圖像進(jìn)行分析處理后，定位到Mura缺陷的邊緣輪廓，進(jìn)而對Mura缺陷進(jìn)行精準(zhǔn)定位。

1" 算法描述

1.1" 算法流程

TFT-LCD中常見的Mura缺陷，往往具有背景不均勻、缺陷對比度低等特點(diǎn)，如圖1所示。

為了對Mura缺陷進(jìn)行精準(zhǔn)定位，本文對采集到的圖像進(jìn)行了一系列的處理。方法流程如圖2所示。

首先，對采集到的圖像進(jìn)行預(yù)處理，主要是通過高斯平滑，在盡可能地保留缺陷信號的基礎(chǔ)上進(jìn)行過濾相機(jī)噪聲。接著，直接對處理后的圖像進(jìn)行小波變換，而對得到的小波變換3個(gè)細(xì)節(jié)圖像即水平分量、豎直分量、對角分量進(jìn)行濾波處理，進(jìn)而合并成一個(gè)整體的細(xì)節(jié)圖像，繼而對細(xì)節(jié)圖像進(jìn)行二值化等后處理即可得到Mura缺陷的輪廓。

1.2" 小波變換處理

小波變換（wavelet transform，WT）是一種新的變換分析方法，其繼承和發(fā)展了短時(shí)傅立葉變換局部化的思想，同時(shí)又克服了窗口大小不隨頻率變化等缺點(diǎn)，能夠提供一個(gè)隨頻率改變的“時(shí)間-頻率”窗口，是進(jìn)行信號時(shí)頻分析和處理的理想工具。其主要特點(diǎn)是通過變換能夠充分突出問題某些方面的特征，能對時(shí)間（空間）頻率的局部化分析，通過伸縮平移運(yùn)算對信號（函數(shù)）逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處時(shí)間細(xì)分，低頻處頻率細(xì)分，能自動(dòng)適應(yīng)時(shí)頻信號分析的要求，從而可聚焦到信號的任意細(xì)節(jié)。

為了測試算法的魯棒性，算法對常見的斑點(diǎn)Mura也進(jìn)行了測試，測試情況排列如圖10一樣。可以看出，不管是對于暗背景下的亮斑點(diǎn)Mura還是對于亮背景下的比較淡的暗Mura，都能穩(wěn)定地檢出，如圖11所示。

3" 結(jié)論

本文針對Mura缺陷對比度低以及背景亮度不均勻的特點(diǎn)，提出一種基于小波變換的Mura缺陷自動(dòng)識別算法。首先，通過對CCD相機(jī)采集到的Mura缺陷圖像進(jìn)行圖像預(yù)處理。其次，基于小波變換選擇合適的小波函數(shù)，進(jìn)行小波變換。再次，對小波變換后的細(xì)節(jié)圖像進(jìn)行處理分析，得到Mura缺陷的輪廓邊緣。最后，根據(jù)Mura輪廓進(jìn)行圖像處理即可得到相應(yīng)的Mura缺陷區(qū)域。實(shí)驗(yàn)結(jié)果表明，在已有自建Mura缺陷圖像的數(shù)據(jù)集上，該算法整體檢出率達(dá)98%。其中對于存在極端亮度分布不均的20張復(fù)雜樣本，算法實(shí)現(xiàn)了100%的缺陷識別率，展現(xiàn)出對高噪聲背景的強(qiáng)魯棒性。其性能指標(biāo)符合AOI設(shè)備在工業(yè)場景中對檢測系統(tǒng)穩(wěn)定性、精度及抗干擾能力的技術(shù)要求。

參考文獻(xiàn)：

[1] 周建.基于空間標(biāo)準(zhǔn)觀測者的TFT-LCD的Mura缺陷檢測方法[D].上海：東華大學(xué)，2018.

[2] 錢基德，陳斌，錢基業(yè)，等.基于機(jī)器視覺的液晶屏Mura缺陷檢測方法[J].計(jì)算機(jī)科學(xué)，2018，45（6）：296-300，313.

[3] 廖苗，劉毅志，歐陽軍林，等.基于自適應(yīng)局部增強(qiáng)的手機(jī)TFT-LCD屏Mura缺陷自動(dòng)檢測[J].液晶與顯示，2018，33（6）：475-482.

[4] CHUANG Y C， FAN S K S. Automatic TFT-LCD mura inspection based on studentized residuals in regression analysis[J]. Industrial Engineering amp; Management Systems， 2009， 8（3）：148-154.

[5] SINGH R B， KUMAR G， SULTANIA G， et al.Deep learning based MURA defect detection[J].EAI Endorsed Transactions on Cloud Systems， 2019， 5（15）：6.

[6] 嚴(yán)成宸.TFT-LCD的Mura缺陷檢測技術(shù)研究[D].合肥：合肥工業(yè)大學(xué)，2017.

[7] 梅爽.基于深度學(xué)習(xí)的液晶屏Mura缺陷圖像識別算法研究[D].武漢：華中科技大學(xué)，2017.

[8] TSENG D C， LEE Y C. Lcd mura detection with multi-image accumulation and multi-resolution background subtraction[J].The engineers journal，2012，66（2）：4837-4850.

[9] SWONGHOON K， TAEGYU K， DAEHWA J. Region mura detection using efficient high pass filtering based on fast average operation[J].IFAC Proceedings Volumes， 2008，41（2）：8190-8195.