摘 要： 針對OLED顯示屏的自動化缺陷檢測問題，提出了一種新的檢測方法。首先，基于顯示屏的原圖像，提取其骨架信息，進行分塊處理后快速地與模板圖像配準，通過差影法實現斑痕缺陷的初次提取。然后通過大津法確定圖像的閾值，將圖像分割并進行差影操作后，實現斑痕缺陷的檢測；最后，通過列舉的實例，驗證了本方法的有效性。
關鍵詞： 顯示屏；斑痕缺陷；細化；圖像配準；大津法
OLED(Organic LED)顯示屏作為新一代的顯示設備，隨著生產工藝的日趨完善，目前已廣泛應用于MP3、手機、數碼相機等低功耗的設備中。在基于圖像處理的自動化檢測過程中，為保證產品的質量，生產商迫切需要一種有效的算法，以快速抓取和識別顯示屏中存在的各種缺陷。在OLED顯示屏的各種缺陷中，斑痕缺陷(也稱其為Mura缺陷)是最常見、最復雜的，同時也是最難檢測的一種缺陷[1-2]。主要表現為對比度低、邊界模糊、形狀多樣、亮度顯示不均勻等特征。因此，如何有效地檢測斑痕缺陷已成為OLED顯示屏制造過程的關鍵環節。
近年來，隨著圖像處理理論的發展，相關研究人員已提出了很多檢測算法。Yen PingLang等提出了基于背景圖像重建的檢測方法[3]，KUO C C.提出了利用離散余弦變換濾除背景圖像的方法[4]。由于斑痕缺陷的對比度低、邊界模糊、形狀不定，再加上顯示屏本身的發光亮度難以達到完全均勻、CCD噪聲等因素的影響，給提取斑痕缺陷增加了難度，應用常規的閾值分割、邊緣提取等方法已不能有效地提取斑痕缺陷。
針對這一問題，本文提出了一種新的斑痕缺陷檢測方法。在系統啟動階段，根據所采集圖像創建理想模板，利用細化技術提取OLED顯示屏的骨架信息，實現模板圖像與原始圖像的快速配準，并進行相減運算；然后，通過大津法(即最大類間方差法或稱為OTSU算法)確定的閾值，分割相減以后的圖像，可以有效地提取出斑痕缺陷。該算法流程如圖1所示。
1 顯示屏骨架模版的提取
骨架(Skeleton)又稱中軸(Medial Axis)，是圖形幾何形態的一種重要拓撲描述。骨架是一種線型的幾何體，它
式中，S(i，j)為原始圖像，T(i，j)為模板圖像，D(i，j)為差影后的圖像。
在實際缺陷算法中，依據圖4中的每一個點作為控制點，將原始圖像與小的模板圖像采用差影法，求得整幅圖像的差影圖像，差影法檢測流程如圖5所示。采用這一差影檢測方法，將圖2所示原圖像經差影處理后的圖像如圖6所示。
在遞歸調用過程中，t=t+1，直至遞歸結束，t=254。該算法進行遞推改進后可提高計算效率80%。
4 缺陷圖像實例
實驗表明，本文提出的以顯示屏骨架為基準的圖像配準與檢測技術能夠有效地提取出顯示屏的斑痕缺陷。在算法的處理效率方面，以Visual Studio 2008為開發環境，在配置為CPU T6500、內存2 GB的筆記本上測試一幅分辨率為1280×960的圖像，算法所耗時間為282 ms，其中骨架提取約219 ms，差影法約16 ms，大津法(OTSU算法)約2 ms。
本文在傳統的差影法的基礎上，對圖像配準時的搜索策略進行改進，提出了一種基于骨架模板配準的OLED顯示屏斑痕缺陷檢測方法，利用分塊配準的方式，解決了配準時顯示屏小角度的旋轉所帶來的影響，能有效地檢測顯示屏的斑痕缺陷，且耗時短，可滿足實時檢測的要求。
參考文獻
[1] 張昱，張健.基于多項式曲面擬合的TFT—LCD斑痕缺陷自動檢測系統[J].光電工程，2006，33(10)：108-114．
[2] 唐劍，王大巍.B樣條曲面擬合在Mura缺陷獲取中的應用[J].現代顯示，2008(89)：24-28.
[3] YEN P L. Automatic optical inspection on TFT-LCD mura defects using background image reconstruction [J]. Key Engineering Materials， 2008，364/366：400-403.
[4] KUO C C. Automatic TFT-LCD mura defect inspection using discrete cosine transform-based background filtering and ′just noticeable difference′ quantification strategies[J]. Measurement Science & Technology，2008，19(1)：015507-1-015507-10.
[5] 呂俊啟.一種有效的二值圖像細化算法[J].計算機工程，2003，29(18)：147-148.
[6] 蘇小紅，何志廣，馬培軍.TFT—LCD微米級顯示缺陷的自動檢測算法[J].哈爾濱工業大學學報，2008，40(11)：1756-1760.
[7] OTSU N. A threshold selection method from gray-level histogram[J]. IEEE Transactions on System， Man， and Cybernetics， 1979，SMC-9(1)：62-66.
[8] 景曉軍，蔡安妮，孫景鰲.一種基于二維最大類間方差的圖像分割算法[J].通訊學報，2001，22(4)：71-76.
[9] 李了了，鄧善熙.基于大津法的圖像分塊二值化算法[J].微型計算機信息，2005，21(8-3)：76-77.