用奇异值分解的方法自动检测LCD的缺陷教学课件

用奇异值分解的方法自动检测用奇异值分解的方法自动检测LCD的的缺陷缺陷ppt课件课件16、人民应该为法律而战斗，就像为了城墙而战斗一样。赫拉克利特17、人类对于不公正的行为加以指责，并非因为他们愿意做出这种行为，而是惟恐自己会成为这种行为的牺牲者。柏拉图18、制定法律法令，就是为了不让强者做什么事都横行霸道。奥维德19、法律是社会的习惯和思想的结晶。托伍威尔逊20、人们嘴上挂着的法律，其真实含义是财富。爱献生oSokolov and Treskunov developed an automatic vision system for final chech of LCD output check.oSlkolov和Treskunov发明的最终LCD自动检测系统o还有很多LCD检测技术主要都集中在最后外观缺陷检查，例如：在生产完成后检查明点和暗点。o一个TFT面板通常包含重复的水平线和垂直的数据线。当图像建立起来后，TFT面板的表面就包含了这些水平的和垂直的元素，它能够被以结构纹理来分类。TFT面板的图像就由一些相似的网格组成了一个有序的结构。TFT面板就可以很好的由奇异值分解的方法很好的来表示。在这次的研究中，我们就用SVD的方法很好的来检查TFT面板上的微观缺陷。oIn this paper,we propose a global approach that uses an SVD-based image reconstruction technique for inspecting micro defects including pinholes,scratches,particles and fingerprintsoon the surface of TFT panels.The proposed method does notorely on textural features to detect local anomalies,and does not require a reference image for comparison.It alleviates all limitations of the feature extraction schemes and template matching methods just mentioned.o在本文中，我们提出了用球形逼近的基于SVD图像重构技术去检测微观缺陷，其中包括小孔，刮痕，小点，和指纹。这个方法不是依靠结构的特点去发现局部异常，也不是要求用2个图像来进行比较。它是提取所有的极限特点有序和完全的满足以上所提到的方法。oSVD能够用来分解图像然后获得对角矩阵。所有的矩阵都是由奇异值组成。最主要的信息是：图像能够被表示为大量的奇异值。在LCD缺陷检测中，我们可以建立大量的从0到（preserve the smaller singular values）去重构图像。不规则背景被去掉，然后很清楚的还原不规则的图像。2缺陷检测安排Fig.1.The schema of a single pixel of a TFT panel左边图1就是表示了单个TFT面板像素的组织计划。At each pixel,the gate of the TFT is connected to the gate line and the source is connected to the data line.每一个像素，TFT的GATE连接到GATE线上，资源就联系到数据线上。Fig.2.The surface image of a TFT panel左图表示的就是TFT面板图像的成像结果，可以看出，图像被划分成很多小区域。用奇异值分解o假设图像是一个M*N大小的矩阵X，MN，也就是说长大于宽。它就能够被表示成在R维子空间里面的图像，其中R是矩阵X的秩，并且RN。oX=USVT,其中，U是标准正交向量组XXT成的M*R阶矩阵。V是N*R矩阵由标准正交向量组XTX组成。S是R*R对角矩阵，对角元素是奇异值，都是XTX方程的非负平方根。奇异值用a表示，并且按照单调递减的顺序排列。oSVD就是基于矩阵X的奇异值分解。奇异值（a）表示了每个矩阵X在每个子空间里的活力（energe）。每个奇异值和它们的分类，都带有有用的X的信息。在这些奇异值当中，只有一小部分可以用来表示图片的直角结构，其他的都趋近于0。oThe singular valuesand their distribution,which carry useful information about thecontents of X,vary drastically from image to image.For animage with orthogonal texture content such as horizontal and/orvertical structures,only a very few larger singular values willdominate,and yet all others have magnitudes close to zero.Fig.3.a and b Two artificial lines images with different line spacing;c A TFT panel image;d The plot of the corresponding first ten largestsingular valueso上图的，是人工模拟的面板，是真实的面板，可以看出，只有第一个奇异值是支配其他所有奇异值的，越往后，奇异值就越趋近于.o在大多数情况下，大量奇异值中的比较打的奇异值表示的是原始图像的球形逼近oIn most of the cases,the larger singular values(with lageromagnitude)represent the global approximation of the originaloImageo其他奇异值都是表示局部和细节的图片，因此，我们能够选择合适的奇异值来表示基于的图像重建o在这次研究中，我们用机器视觉捕捉有问题的TFT面板的图像（微观）。SVD合适地表示了TFT面板上的垂直相交的纹理图像。因此，基于SVD的图像重构技术被用来移动TFT面板表上的直角纹理模式。用这种方法我们不需要定义缺陷的各种特点。基于SVD图像重构技术能消除TFT面板上很多重复的垂直和水平的分界线部分。保留下来的部分能够很容易的识别TFT面板上的各种缺陷。从重构的图像里被选出来的奇异值由下列式子给出：oX=UjajVTj J从k+1到r。oX是被重构的图像，Uj和Vj是U和V的第j列向量；k是一些被选出来的奇异值。aj是S的第j个奇异值，r是矩阵X的秩。从左到右分别为a,b1,b2,b3,c1,c2,c3oFig.4.a The artificial horizontal/vertical lines image(the original image);b1 the reconstructed image from 1;b2 The reconstructed image from 2;b3 The reconstructed image from both 1 and 2;c1 The reconstructed image excluding 1;c2 The reconstructed image excluding 2;b3 The reconstructed image excluding both 1 and 2oa图就是人工画的纹理图像（最原始的图片），b1是用a1重新构建的图，b2是a2构建的图，b3是用a1,a2构建的图，c1是是用包括的a1的主要奇异值构建的图，c2是包括a2构建的图，c3是用包括a1,a2构建的图。选择合适的奇异值o用式子1可以分解然后得到一系列的奇异值，用式子2可以选择一些合适的奇异值来充分的表示一些表面结构。在这次的研究中，我们用k这个值来决定2个相邻的特征值的临界关系。由于一开始很难界定k的取值点，o我们用下式来表示一个通用的方法：oai=(ai-ua)/sa i=1,2ro这里，等号前面的是第i个规格化（normalize）的奇异值，ai 是第i个奇异值，ua 平均数，s是一个图像标准偏移值（standard deviation of allosingular values）o让i=i i+1 也就是奇异值I的边缘增量。如果它大于一些开始的特征值，那么这个增量被认为是有用的。oIf i is largerothan some threshold(T),the additional singular value i+1ois considered to be significant.图5，从左到右为a,b,c,dyoFig.5ad.The artificial orthogonal image with scratch defects:a The original image;b The plot of the marginal gain()of normalized singular values;c The restored image;d the resulting binary image for defect segmentationoa是原始的图像，b是a的边缘增量，c是重新构建的图像，d是缺陷分割的结果。也就是说，在这里，k=4，在4以后，值就已经稳定了。一旦k选出来以后，我们就能够消除背景纹理和利用第k个最大奇异值保护缺陷的图像c就很好的显示了去掉背景纹理之后的缺陷图像。o因为背景的亮度变化是非常小的，所以我们利用统计学的方法去建立一个极限，这个极限是用来区分图像区域的缺陷。重构图像的上限和下限用下面的公式给出：oX t sXo这里X和sX是中间值和重构图像的标准背离（standard deviation of grey levels），t是物理常量。oAccording to the Chebyshevs theorem 4,the probability that any random variable x will fall within t standard deviations of the mean is at least 1 1/2.That is：op(X t sX x X+t sX)11/2o由切比雪夫不等式得：随机变量X的可能取值范围是上面式子的取值范围。o在TFT面板的实际生产过程中,微观缺陷大部分都是非常小的，在这次研究中，我们设置的控制常量是k=4，这控制大约93.75%的像素极限试验和讨论o在这部分中，我们将展示试验的结果，包括上面提到的各种微观的缺陷。o在一块256*256的面板上设置8个灰度。图6中a-c显示了每3个灰度图片所包含的微观缺陷。oFig.6ac.Three defective images under fine image resolution(60 pixels/mm):a Pinhole;b Scratch;c ParticleFig.7.A defective image with fingerprint under coarse image resolution(20pixels/mm)图7显示了在粗糙画面下指纹缺陷（每平方毫米20个像素）o图8从a到d显示了边缘增量 的图6和图7四个测试图片的图。可以很明显的看出，如果边缘增量小于0.05的话，那么函数区域0而且稳定。o表1记录了标准奇异值和他们的增量与4个图片的详细信息。可以看出：如果边缘增量大于0.05，那么，函数曲线下降很快并且趋于0。因此，0.05就是边缘增量的初始条件oDefective image Pinhole Fig.6a Scratch Fig.6b Particle Fig.6c Fingerprint Fig.7 Singular value o(i)o1 15.86 14.56 15.77 13.96 15.83 14.38 15.89 15.29o2 1.30 0.85 1.81 0.98 1.45 0.90 0.60 0.10o3 0.45 0.15 0.83 0.30 0.55 0.26 0.51 0.17o4 0.30 0.13 0.53 0.21 0.30 0.04 0.34 0.05o5 0.17 0.04 0.32 0.05 0.25 0.04 0.29 0.10o6 0.13 0.04 0.27 0.10 0.21 0.04 0.19 0.02o7 0.09 0.03 0.17 0.10 0.17 0.03 0.17 0.01o8 0.06 0.03 0.07 0.02 0.14 0.02 0.16 0.04o9 0.03 0.01 0.05 0.02 0.12 0.03 0.12 0.01o10 0.02 0.02 0.04 0.01 0.09 0.01 0.11 0.02o图9的a1,b1,c1,d1显示了图6和7的TFT面板的缺陷图像。图9a2显示了用前5个奇异值重新构建的图像。能够发现重复的背景纹理变得越来越相似于同一个灰度，然后这个指纹缺陷就被明显的在重新建立的图像中加强并显示出来。b2和c2分别显示了前8个和前4个奇异值重构的图像，同时也显示缺陷图像被很好的存储起来。D2说明了用d1的前6个奇异值来显示的图像。a3d3显示了用缺陷结果并用二进制图像保存起来。很明显，背景纹理被很好的消除了。图9Fig.9.a1-d1 The defective images with pinhole,scratch,particle and fingerprint,respectively;a2-d2 The respective restored images;a3-d3 The resulting binary images for defect segmentationo为了测试这个方法的鲁棒性，检测完好的TFT面板也被评估。图10a就显示了图6中没有错误的图像，b显示的是边缘增量。Fig.10.a A faultless version of the image in Fig.6;b The plot of marginal gains();c The restored image;d The resulting binary image依次为a-iFig.11ai.The restored results of the fingerprint image in Fig.7 from differentselected numbers of singular values:a The result from k=6;be Theresults from different selected numbers k1,k2,k3 and k4,respectively;f i The results from different selected numbers k+1,k+2,k+3 andk+4,respectively其中a是选出来的6个最大的奇异值所显示的图像，从be是分别是5，4，3，2。当奇异值的选择不够充分的时候，背景纹理并不能够消除。很明显，b，c都是很好的消除了背景纹理，但是d和e却还是保留了当初画的线。f到i分别是选择了7，8，9，10.当选择的奇异值多于需要的时候，那么缺陷图像就会变得模糊。可以看出，当我们选择k-+2的时候并不影响缺陷检测的结果，图像旋转的影响oSVD是基于直角平面来进行矩阵分解的。直角坐标对图像的旋转是非常明显的。图6b的图像用来评估旋转对测试结果的影响。我们这里分别设置1，2，3，4，5。oFig.12af.The restored results of the scratch image in Fig.6 from various rotation angles:a The result from the original image;bf The results from the images with 1-,2-,3-,4-and 5-rotation,respectivelyo图12的bf是分别旋转了1到5的结果，a是没有旋转的，可以看出，当角度小于2的时候，显示还是正常，但是大于2的话，就不能很好的消除背景噪声。在实际的生产过程中，小于2的角度旋转是可以很容易做到的，所以大于2的角度并不能对检测过程产生影响。结论oTFT面板的视觉缺陷不但能造成使用上的错误，还会造成电子硬件上的错误。在本文中，我们提出了一个完整的方法来自动检测TFT面板的微观的错误这个方法不是常规的使用LCD的检测方法，而是利用在TFT面板画线来建立矩阵，然后利用特征值-特征向量来分解矩阵。在选出合适的奇异值的时候，我们就能够很好的建立图像然后消除背景纹理，并把微观错误明显的表现出来。51、天下之事常成于困约，而败于奢靡。、天下之事常成于困约，而败于奢靡。陆游陆游52、生命不等于是呼吸，生命是活动。、生命不等于是呼吸，生命是活动。卢梭卢梭53、伟大的事业，需要决心，能力，组织和责任感。、伟大的事业，需要决心，能力，组织和责任感。易卜生易卜生54、唯书籍不朽。、唯书籍不朽。乔特乔特55、为中华之崛起而读书。、为中华之崛起而读书。周恩来周恩来谢谢！