全文摘要
本发明公开了一种基于滑动自匹配的缺陷定位方法及系统，基于面板生产等领域产品的循环重复特性，在三维空间中，将水平校正的原始图像沿Z轴方向移动生成滑动图像；滑动图像沿X轴滑动并计算与水平校正的原始图像重叠区域的像素差异值序列，查找序列的最小的极小值及对应的滑动步数k；计算滑动k步时重叠区域之间的差异图像灰度图的像素值直方图，获取直方图对应的像素值分布序列中的首个局部极小值对应的像素值分割点t，基于t二值化差异灰度图；提取二值化图像中像素值不为0的像素区域获取到重叠区域中缺陷区域矩形框位置，与k值结合获得原始图像的缺陷区域；通过该方法和系统，可以在无标准模板的条件下，快速自动定位缺陷区域位置信息。
主设计要求
1.一种基于滑动自匹配的缺陷定位方法，其特征在于，所述方法包括：步骤1：水平校正原始图像；步骤2：在三维空间中，将水平校正后的原始图像沿Z轴方向上移或者下移生成滑动图像；将滑动图像沿X轴向左或向右逐像素滑动；计算每次滑动后滑动图像和水平校正后的原始图像在Z轴方向上重叠区域的像素差异值，基于若干次滑动的像素差异值生成像素差异值序列；步骤3：采用局部峰值查找算法获取像素差异值序列的极小值序列，将最小的极小值对应的滑动步数作为目标滑动值k；步骤4：利用帧差法计算滑动步数为k时水平校正后的原始图像与滑动图像重叠区域之间的像素值差异图像；步骤5：将像素值差异图像转化为像素值差异灰度图，并计算像素值差异灰度图的像素值直方图；步骤6：基于像素值直方图获得对应的像素值分布序列，采用局部峰值查找算法获取像素值分布序列中的首个局部极小值，获取首个局部极小值对应的像素值分割点t；步骤7：基于步骤6获取的像素值分割点t二值化差异灰度图，获得二值化后的图像；步骤8：提取二值化后的图像中像素值不为0的像素区域，即缺陷区域，并计算该区域在步骤7所得的二值化后的图像上Y轴方向最大值hmax、最小值hmin以及X轴方向的最大值wmax、最小值wmin，从而获取到水平校正后的原始图像和目标滑动值k对应的滑动图像重叠区域中缺陷区域矩形框的左上角的像素坐标(wmin,hmin)和右下角的像素点坐标(wmax,hmax)；步骤9：结合步骤8获取的坐标信息和目标滑动值k获得水平校正后的原始图像的缺陷区域矩形框位置信息，即在滑动图像向右滑动的情况下，缺陷区域矩形框在水平校正后的原始图像的左上角坐标为，右下角坐标为。
设计方案
1.一种基于滑动自匹配的缺陷定位方法，其特征在于，所述方法包括：
步骤1：水平校正原始图像；
步骤2：在三维空间中，将水平校正后的原始图像沿Z轴方向上移或者下移生成滑动图像；将滑动图像沿X轴向左或向右逐像素滑动；计算每次滑动后滑动图像和水平校正后的原始图像在Z轴方向上重叠区域的像素差异值，基于若干次滑动的像素差异值生成像素差异值序列；
步骤3：采用局部峰值查找算法获取像素差异值序列的极小值序列，将最小的极小值对应的滑动步数作为目标滑动值k；
步骤4：利用帧差法计算滑动步数为k时水平校正后的原始图像与滑动图像重叠区域之间的像素值差异图像；
步骤5：将像素值差异图像转化为像素值差异灰度图，并计算像素值差异灰度图的像素值直方图；
步骤6：基于像素值直方图获得对应的像素值分布序列，采用局部峰值查找算法获取像素值分布序列中的首个局部极小值，获取首个局部极小值对应的像素值分割点t；
步骤7：基于步骤6获取的像素值分割点t二值化差异灰度图，获得二值化后的图像；
步骤8：提取二值化后的图像中像素值不为0的像素区域，即缺陷区域，并计算该区域在步骤7所得的二值化后的图像上Y轴方向最大值h<\/i>max<\/i><\/sub>、最小值h<\/i>min<\/i><\/sub>以及X轴方向的最大值w<\/i>max<\/i><\/sub>、最小值w<\/i>min<\/i><\/sub>，从而获取到水平校正后的原始图像和目标滑动值k对应的滑动图像重叠区域中缺陷区域矩形框的左上角的像素坐标(w<\/i>min<\/i><\/sub>,h<\/i>min<\/i><\/sub>)和右下角的像素点坐标(w<\/i>max<\/i><\/sub>,h<\/i>max<\/i><\/sub>)；
步骤9：结合步骤8获取的坐标信息和目标滑动值k获得水平校正后的原始图像的缺陷区域矩形框位置信息，即在滑动图像向右滑动的情况下，缺陷区域矩形框在水平校正后的原始图像的左上角坐标为设计说明书
技术领域
本发明涉及智能制造与人工智能技术领域，具体地，涉及一种基于滑动自匹配的缺陷定位方法及系统。
背景技术
现有面板制造生产过程通常包含Array、CF、Cell和模组等流程，其中Array生产会逐层叠加生产最终生成阵列基板。在每个层次进行生产时，会通过AOI设备拍摄产品，然后识别出其中可能有问题的部位及对应的缺陷Code。目前AOI设备识别缺陷的方法主要通过对比产品的拍照图像和标准模板识别其中的缺陷区域。另外，目前基于深度学习的缺陷分类方法需要大量的人工标注过程，从现有的图像中标示出缺陷的位置信息然后训练目标识别模型。
综上所述，本发明发明人在实现本发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有的基于图像处理技术的缺陷识别方法需要依赖标准模板对比识别，基于深度学习的缺陷分类方法需要大量的人工标注。
发明内容
本发明提供了一种基于滑动自匹配的缺陷定位方法及系统，解决了背景技术中的问题，实现了在不依赖标准模板及人工标注的前提下的面板缺陷识别。
为实现上述发明目的，本发明一方面提供了一种基于滑动自匹配的缺陷定位方法，所述方法包括：
步骤1：水平校正原始图像；
步骤2：在三维空间中，将水平校正后的原始图像沿Z轴方向上移或者下移生成滑动图像；将滑动图像沿X轴向左或向右逐像素滑动；每次滑动后计算滑动图像和水平校正后的原始图像在Z轴方向上重叠区域的像素差异值，基于若干次滑动的像素差异值生成像素差异值序列；
步骤3：采用局部峰值查找算法获取像素差异值序列的极小值序列，将最小的极小值对应的滑动步数作为目标滑动值k；
步骤4：利用帧差法计算滑动步数为k时水平校正后的原始图像与滑动图像重叠区域之间的像素值差异图像；
步骤5：将像素值差异图像转化为像素值差异灰度图，并计算像素值差异灰度图的像素值直方图；
步骤6：基于像素值直方图获得对应的像素值分布序列，采用局部峰值查找算法获取像素值分布序列中的首个局部极小值，获取首个局部极小值对应的像素值分割点t；
步骤7：基于步骤6获取的像素值分割点t二值化差异灰度图，获得二值化后的图像；
步骤8：提取二值化后的图像中像素值不为0的像素区域，即缺陷区域，并计算该区域在步骤7所得的二值化后的图像上Y轴方向最大值h<\/i>max<\/i><\/sub>、最小值h<\/i>min<\/i><\/sub>以及X轴方向的最大值w<\/i>max<\/i><\/sub>、最小值w<\/i>min<\/i><\/sub>，从而获取到水平校正后的原始图像和目标滑动值k对应的滑动图像重叠区域中缺陷区域矩形框的左上角的像素坐标(w<\/i>min<\/i><\/sub>,h<\/i>min<\/i><\/sub>)和右下角的像素点坐标(w<\/i>max<\/i><\/sub>,h<\/i>max<\/i><\/sub>)；
步骤9：结合步骤8获取的坐标信息和目标滑动值获得水平校正后的原始图像的缺陷区域矩形框位置信息。
其中，本发明的原理为：在面板制造等领域，产品设计具有重复性，即产品的结构和形状前后相同，面板图像的各个部分是相同的，因此可以通过对比滑动图像和水平校正后的原始图像的差异有效识别出缺陷区域的位置及边缘，从而从图像中有效定位缺陷，实现滑动图像和水平校正后的原始图像的有效自匹配。
滑动图像为水平校正后的原始图像的副本，通过逐个像素向右滑动滑动图像，对比三维空间中Z轴方向上两个图像的重叠区域。由于产品图像在线路上具有重复性，所以当滑动到重复部分时，通过两幅图像相减（帧差法）突出缺陷区域，从而有效识别缺陷区域。
优选的，所述方法在步骤2和步骤3之间还包括步骤：采用多项式回归拟合步骤2生成的像素差异值序列，然后计算像素差异值序列和拟合曲线之间的差异值，形成修正像素差异值序列，后续步骤3针对修正像素差异值序列进行处理。
优选的，所述步骤2中的像素差异值为diff(S_P,R_P)，其中S_P为滑动图像中与水平校正后的原始图像重叠区域，R_P为水平校正后的原始图像中与滑动图像重叠区域；计算公式为：
其中，w为S_P的像素宽度，h为S_P的像素高度，其中， 设计图
相关信息详情
申请码:申请号:CN201910873172.2
申请日:2019-09-17
公开号:CN110390677A
公开日:2019-10-29
国家:CN
国家/省市:90(成都)
授权编号:CN110390677B
授权时间:20200107
主分类号:G06T 7/00
专利分类号:G06T7/00;G06T7/11;G06T7/136;G06T7/174;G01N21/88
范畴分类:40B;
申请人:成都数之联科技有限公司
第一申请人:成都数之联科技有限公司
申请人地址:610000 四川省成都市武侯区一环路西一段菊乐路口1栋4层2号
发明人:不公告发明人
第一发明人:不公告发明人
当前权利人:成都数之联科技有限公司
代理人:熊曦
代理机构:51220
代理机构编号:成都行之专利代理事务所（普通合伙）
优先权:关键词:当前状态:审核中
类型名称:外观设计