一个机器学习策略来检测低对比度图像中的mura缺陷,通过零碎的马校正
Zo-Han Lin1, Qi-Yuan Lai1, Hung-Yuan Li1
1Department of Mold and Die Engineering, National Kaohsiung University of Science and Technology, Kaohsiung 82445, Taiwan.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
本研究介绍了一种机器学习模型,用于检测和分类薄膜晶体管液晶显示器 (TFT-LCD) 的Mura缺陷. 该模型在快速识别和分类这些显示缺陷方面实现了高精度.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
- 电气工程 电气工程
背景情况:
- 薄膜晶体管液晶显示器 (TFT-LCD) 容易出现Mura缺陷,这是影响显示质量的视觉异常.
- 准确有效地检查Mura缺陷对于显示器行业的制造质量控制至关重要.
研究的目的:
- 开发一种用于检测和分类TFT-LCD Mura缺陷的机器学习模型.
- 为了提高模型在低对比度灰度图像上的性能,使用先进的图像处理技术.
主要方法:
- 基于SEMU规范的特征区域优化的零碎马校正和选择性搜索算法.
- 适应性颗粒群集优化,以调整逐步的马参数.
- 一个增强的卷积神经网络 (CNN) 与Taguchi实验设计用于Mura类型分类.
主要成果:
- 对于Mura缺陷,实现了大约93.75%的检测准确率 (DAR).
- 在Mura类型中获得了约96.67%的分类准确率 (CAR).
- 整个缺陷检测和分类过程大约在3毫秒内完成.
结论:
- 拟议的机器学习模型有效地检测和分类TFT-LCDMura缺陷,并具有高准确性.
- 整合图像处理和优化技术显著提高了缺陷检查能力.
- 3毫秒的快速处理时间使TFT-LCD制造中的实时质量控制成为可能.
