應用背景
缺陷檢測與TFT-LCD的生產密不可分, 也是TFT-LCD質量控制的重要手段。隨著LCD向大尺寸、輕薄化、低功耗、高分辨率的方向發展, 玻璃基板及相關光學組件的尺寸逐漸增大, 厚度日益減小, 致使液晶顯示屏產生各種顯示缺陷的幾率大大增加。
與此同時, 目前液晶面板行業的絕大多數生產制造商在缺陷檢測環節仍然采用傳統的人工視覺檢測(HVI)方法, 但該方法易受檢測人員主觀因素及外界環境影響, 很難保證產品質量, 檢測效率也極為低下。因此,研究快速、不受外界環境干擾、符合人眼判斷標準的自動機器視覺缺陷檢測方法成為液晶顯示技術發展的迫切要求。
檢測需求:
(1)產品尺寸:長≤950mm,寬≤300mm,高≤170mm;
(2)TFT-LCD的Mura:環境照明LUX以下,環境溫度22.5±2.5℃,環境濕度65±5%RH,產品與水平面45℃,人眼距離垂直平面35cm±5cm 5% ND Filter;
(3)TFT-LCD的缺陷檢測項目:點,線,線性形狀缺陷,圓形形狀缺陷,分層氣泡;
(4)檢測方式:儀表PCB板上貼片的LED燈多腳低電平有效,先檢測低電平腳的控制狀態,再采取1,3,5,7方式......光學檢測燈的狀態。儀表PCB板上貼片的LED燈多腳高電平有效,先檢測高電平腳的控制狀態,再采取2,4,6,8方式......光學檢測燈的狀態。
方案概述:
大尺寸液晶屏幕缺陷檢測設備,可對27至85英寸的液晶屏進行自動化缺陷檢測。利用先進的機器視覺技術,針對TFT-LCD、OLED屏幕生產過程中產生的各類表面缺陷(亮點缺陷、線缺陷、Mura 缺陷、污漬)進行自動檢測、分類及定位,為客戶提供高可靠性、快速的表面缺陷檢測解決方案,實現自動化、高效化生產,生產數據可連接MES(生產管理系統)。
設備能夠自動完成屏幕與相機獲取圖像同步,控制待測液晶屏點亮后,可對屏幕上的亮點、暗點、膜材臟污、劃傷、亮線、暗線、MURA、貼合異物、貼合偏位等不良的檢測,可根據需要對待檢品類型學習并進行命名;可自定義需要檢測的缺陷類型;可自主設定缺陷大小,對比度等;可根據需要進行產品除塵清潔;對不良品圖像進行自動存儲,自動統計(良品、不良品、總數等),結合研祥自主研發的大數據云平臺,可進行歷史生產數據的追溯;異常時提供聲、光報警,并可控制設備停機,大大提高產線的生產效率和質量量化控制能力。
序號 |
測試項目 |
測試原理 |
所需硬件 |
1 |
對比度 |
1. 測量黑畫面亮度Lb。 2.測量白畫面亮度Lw。 對比度 = Lb / Lw |
色彩分析儀 |
2 |
色域 |
測量紅、綠、藍、白4個畫面色坐標 |
色彩分析儀 |
3 |
亮度均勻性 |
9點亮度測量,均勻度 = 最小亮度/最大亮度 |
色彩分析儀 |
4 |
亮線 |
紅、綠、藍、黑、白5個畫面下視覺檢測亮線 |
工業相機 |
5 |
亮點 |
紅、綠、藍、黑4個畫面下視覺檢測其亮線 |
工業相機 |
6 |
線性形狀缺陷 |
白、黑2個畫面下視覺檢測其線性形狀缺陷 |
工業相機 |
7 |
圓形形狀缺陷 |
白、黑2個畫面下視覺檢測其圓形狀缺陷 |
工業相機 |
8 |
分層氣泡 |
白、黑2個畫面下視覺檢測其氣泡 |
工業相機 |
9 |
背光調節 |
背光調節光亮測試 |
色彩分析 |
10 |
UI界面測試 |
UI畫面,視覺對比,判斷有無對錯 |
工業相機 |
11 |
高低壓測試 |
控制電源輸出高低電平,產品的反饋 |
程控電源,產品反饋可以是總線反饋或顯示反饋 |
結合深度學習可以解決Mura問題,通過多模板多類型去訓練Mura,確保Mura出現任何姿態出現都可以準確識別 ,深度學習在字符識別、模板匹配方面也是檢測高效助手。
高分辨率工業相機,相機內置優秀的ISP算法,包含明場校正、暗場校正、鏡頭陰影校正、壞點/壞線校正以及逐像素點校正等,保證圖像均勻穩定。
運動控制卡板載DSP, 4/8軸 脈沖序列最高可達6.5MHz,軌跡更新率1KHz,編碼器反饋頻率最高可達20MHz,帶有數字濾波,現高速位置鎖存功能,高速位置比較及高達1MHz脈沖觸發輸出,適合于光學檢測應用。
檢測原理:
(1)暗點、亮點檢測
該檢測算法用斑點分析,斑點分析其實就是將圖像二值化,分割得到前景和背景,然后進行連通區域檢測以及面積、周長重心等特征的分析,從而得到斑點的過程。斑點是指二維圖像中和周圍顏色有顏色差異和灰度差異的區域,因為斑點代表的是一個區域, 具有更好的穩定性和更好的抗干擾能力.斑點通常是指與周圍有著顏色和灰度差別的區域。
(2)缺陷、Mura檢測
該檢測項用AI深度學習分類檢測,需要某種人工干預來正確標記輸入數據。監督學習需要標記數據集,并通過任何可區分的特征將它們聚類。強化學習是一個過程,在這個過程中,模型學習變得更加準確,以便根據反饋在環境中執行動作得出模型預測分類。根據以上分類方法,我們收集Mura出現的形狀信息,把該形狀信息錄入深度學習模型做訓練,再在圖片預測出該圖片上是否出現Muar。
檢測效果