随着智能手机销量的不断升高, 手机厂商对手机屏幕的需求也逐年增加。目前, 除了韩国三星电子等少数厂家采用的是有机发光二极管OLED屏幕以外, 薄膜晶体管液晶显示屏TFT-LCD^[1]仍然是目前手机屏幕的主流。TFT-LCD具有低功耗、高亮度、高对比度、高响应速度以及轻薄易用等优点, 在未来很长的一段时间依然还会是手机屏幕的主流。

缺陷检测与TFT-LCD的生产密不可分, 也是TFT-LCD质量控制的重要手段。随着LCD向大尺寸、轻薄化、低功耗、高分辨率的方向发展, 玻璃基板及相关光学组件的尺寸逐渐增大, 厚度日益减小, 致使液晶显示屏产生各种显示缺陷的几率大大增加。与此同时, 目前液晶面板行业的绝大多数生产制造商在缺陷检测环节仍然采用传统的人工视觉检测(HVI)^[2]方法, 但该方法易受检测人员主观因素及外界环境影响, 很难保证产品质量, 检测效率也极为低下。因此, 研究快速、不受外界环境干扰、符合人眼判断标准的自动机器视觉缺陷检测方法成为液晶显示技术发展的迫切要求。

TFT-LCD的生产过程非常复杂, 包括近百道工序^[3], 几乎所有的生产过程都是在严格控制的环境中进行的, 但还是会引入粉尘、颗粒等异物或者由于操作不当等因素造成某些电路的断路或短路等, 使得生产的TFT-LCD出现缺陷。

TFT-LCD的显示缺陷种类繁多, 主要可以分为:(1) 根据缺陷产生的原因, 可以分为电气缺陷^[4]和非电气缺陷, 例如, 由于显示屏内部电路的短路、断路造成的缺陷为电气缺陷, 而由于划伤、异物等引起的缺陷为非电气缺陷^[5]。(2) 根据缺陷的尺寸, 可以分为宏观缺陷和微观缺陷^[6]。(3) 根据缺陷的形状, 又可以将其分为点缺陷(像素缺陷)、线缺陷和面缺陷。在这些缺陷中, 点缺陷表现为一个像素大小的亮点或暗点, 线缺陷为一条或多条像素宽度的亮线或暗线, 而对于气泡、异物、脏污等属于面缺陷。目前LCD生产商一般只允许一定数量、一定大小以内的不聚集在一起的点缺陷, 其它的缺陷必须在出厂前严格检测。

TFT-LCD屏缺陷检测机器视觉系统可实现对屏幕缺陷的自动检测。由于不同的缺陷在TFT-LCD屏幕显示不同画面时表现形式是不一样的, 就比如红点漏光^[7]类缺陷不可能在LCD显示红画面下显示出来, 也就不能够通过机器视觉系统检测出来。所以, 机器视觉系统需要在LCD显示不同的画面时分别检测不同的缺陷, 这就需要机器视觉系统的算法能够覆盖所有的LCD显示画面。一般情况下, 机器视觉系统需要检测TFT-LCD屏幕的显示画面包括:暗画面(液晶分子未发生偏转^[8], 但背光发光, 所以表现为暗画面)、纯白画面、R、G、B等。本实验所采用的算法主要是针对暗画面下的缺陷检测开发的。

一般地, TFT-LCD屏缺陷检测机器视觉系统^[9]由TFT-LCD驱动器、TFT-LCD屏样本、高分辨率相机、镜头、PC机和图像采集卡组成。首先由TFT-LCD驱动器输出信号驱动TFT-LCD屏显示特定画面(R、G、B^[10]、White、Gray、暗画面等), 然后利用高分辨率相机在暗室中从TFT-LCD屏垂直正上方采集图像, 最后将采集到的图像信号经图像采集卡交由工控机处理。在工控机上, 利用图像处理软件经不同的算法处理最后得出检测结果, 从而实现TFT-LCD屏缺陷的自动检测。

本实验采用的是目前市场上最高分辨率的7 100万(10 000×7 096) 像素的工业相机, 型号为Vieworks 71 MP, 靶面大小为31 mm×22 mm, 镜头放大倍率为0.2×, F数为3.3, 视场大小为155 mm×110 mm, 可兼容目前市场上的7 in(1 in=25.4 mm)以内的显示屏。实验样品为目前市场上主流的5.5 inFHD(1 920×1 080分辨率)TFT-LCD屏。缺陷检测需要在不同的画面(R、G、B、White、Gray、暗画面等)下切换进行, 本实验只针对暗画面下的缺陷检测。图 1为实验采集的图片及部分放大后的图片, 其中(a)为源图片, (b)为局部放大后的图片。

图 1

Figure 1

图 1 暗画面下的缺陷检测图 Figure 1 Defect detection for dark picture

阈值分割是图像处理中最常用的图像分割方法, 它可以将目标图像分成若干个特定的、具有独特性质的区域。阈值分割就是简单地用一个或几个阈值将图像的灰度直方图分成几个类, 认为图像中灰度值在同一个灰度类内的像素属于同一个物体。阈值分割法主要有两个步骤:(1) 确定进行正确分割的阈值; (2) 将图像的所有像素的灰度级与阈值进行比较, 以进行区域划分, 达到目标与背景分离的目的。在这过程中, 正确确定阈值是关键, 只要能确定一个合适的阈值就可以完成图像的准确分割, 其基本原理的数学模型为:

(1)

式中:f(i, j)为阈值判断函数, (i, j)为图片中各像素的位置坐标; T为阈值; g(i, j)为二值化函数, 物体的目标图像元素g(i, j)=1, 背景的图像元素g(i, j)=0。

阈值分割法的结果在很大的程度上依赖于对阈值的选择。对于LCD屏幕缺陷检测来说, 即使是同一批屏幕, 屏幕亮度本身及缺陷本身的大小及亮度都有很大的不确定性, 所以无法给出一个确定的阈值来检测屏幕中的缺陷, 也就是说用单一阈值的方法进行缺陷分割是行不通的。

迭代阈值法^[11]是在传统的阈值分割方法基础上建立起来的一种可以实现自动选取阈值的方法。迭代阈值法是基于逼近的思想, 其步骤如下:

(1) 求出图像的最大灰度值和最小灰度值, 分别记为Z_max和Z_min, 令初始阈值T₀=(Z_max+Z_min)/2;

(2) 根据阈值T_k(k为迭代次数)将图像分割为前景和背景, 分别求出两者的平均灰度值Z₀和Z_b;

(3) 求出新阈值T_k+1=(Z₀+Z_b)/2;

(4) 若T_k=T_k+1, 则所得即为阈值, 否则转到第(2) 步, 重新进行迭代计算。

根据以上理论建立了算法流程:

图 2

Figure 2

图 2 算法流程 Figure 2 Algorithm process

本实验系统采用基于win7 64 bit架构的工控机为软件开发平台, 以visual studio 2010为集成开发环境, 采用Matrox的MIL(Matrox Imaging Library)作为机器视觉和图像处理核心软件。Matrox Graphics Inc.(迈创图形技术)拥有20多年制造图形芯片及图形卡的经验, 在图像处理方面处在行业绝对领先水平, Matrox公司推出的一整套方案可以直接控制Matrox的图像采集卡, 控制相机采集图片、获取图片并直接通过MIL进行图像处理。本算法通过MIL编译, 实现了对图像的自动采集、缓存到buffer、存储到硬盘的图像自动处理流程。

实际的部分检测结果如图 3所示, 其中(a)、(c)、(e)为在原图像中截取的部分缺陷放大图片, (b)、(d)、(f)为实际处理结果。从结果可以看出, 该算法可以很好地还原缺陷形貌, 对不同形状、不同灰度的缺陷也都有着比较明显的效果。

图 3

Figure 3

图 3 部分缺陷图和实际处理结果图 Figure 3 Partial defect maps and actual processing results

本实验使用了16片TFT-LCD样品, 其中11片在暗画面下有亮点或cell漏光缺陷, 另外4片无缺陷。检测结果显示, 本实验方法可有效正确地分辨出暗画面下TFT-LCD样品中的良品与不良品。

随着人们对TFT-LCD显示屏的需求不断增多及对产品品质的不断提高, 传统的人眼检测方法(HVI)已不能满足检测效率和精度的要求。本文利用TFT-LCD机器视觉检测系统, 提出了一种TFT-LCD屏在暗画面下的缺陷检测方法, 并用MIL软件验证了该方法的可行性及准确性, 实现了机器视觉检测系统的自动检测, 为将来的TFT-LCD机器视觉全自动检测系统研制提供了参考。