TFT LCD大屏幕缺陷视觉检测设备 返回列表页

   背景

　　缺陷检测与TFT-LCD的生产密不可分, 也是TFT-LCD质量控制的重要手段。随着LCD向大尺寸、轻薄化、低功耗、高分辨率的方向发展, 玻璃基板及相关光学组件的尺寸逐渐增大, 厚度日益减小, 致使液晶显示屏产生各种显示缺陷的几率大大增加。

　　与此同时, 目前液晶面板行业的绝大多数生产制造商在缺陷检测环节仍然采用传统的人工视觉检测(HVI)方法, 但该方法易受检测人员主观因素及外界环境影响, 很难保证产品质量, 检测效率也极为低下。因此，研究快速、不受外界环境干扰、符合人眼判断标准的自动机器视觉缺陷检测方法成为液晶显示技术发展的迫切要求。

   检测需求

　　(1)产品尺寸：长≤950mm，宽≤300mm，高≤170mm;

　　(2)TFT-LCD的Mura：环境照明LUX以下，环境温度22.5±2.5℃，环境湿度65±5%RH，产品与水平面45℃，人眼距离垂直平面35cm±5cm 5% ND Filter;

　　(3)TFT-LCD的缺陷检测项目：点，线，线性形状缺陷，圆形形状缺陷，分层气泡;

　　(4)检测方式：仪表PCB板上贴片的LED灯多脚低电平有效，先检测低电平脚的控制状态，再采取1，3，5，7方式......光学检测灯的状态。仪表PCB板上贴片的LED灯多脚高电平有效，先检测高电平脚的控制状态，再采取2，4，6，8方式......光学检测灯的状态。

   解决方案

　　大尺寸液晶屏幕缺陷检测设备，可对27至85英寸的液晶屏进行自动化缺陷检测。利用*的机器视觉技术，针对TFT-LCD、OLED屏幕生产过程中产生的各类表面缺陷(亮点缺陷、线缺陷、Mura 缺陷、污渍)进行自动检测、分类及定位，为客户提供高可靠性、快速的表面缺陷检测解决方案，实现自动化、高效化生产，生产数据可连接MES(生产管理系统)。

　　设备能够自动完成屏幕与相机获取图像同步，控制待测液晶屏点亮后，可对屏幕上的亮点、暗点、膜材脏污、划伤、亮线、暗线、MURA、贴合异物、贴合偏位等不良的检测，可根据需要对待检品类型学习并进行命名;可自定义需要检测的缺陷类型;可自主设定缺陷大小，对比度等;可根据需要进行产品除尘清洁;对不良品图像进行自动存储，自动统计(良品、不良品、总数等)，结合研祥自主研发的大数据云平台，可进行历史生产数据的追溯;异常时提供声、光报警，并可控制设备停机，大大提高产线的生产效率和质量量化控制能力。

   亮点

　　结合深度学习，深度学习可以解决Mura问题，通过多模板多类型去训练Mura，确保Mura出现任何姿态出现都可以准确识别 ，深度学习在字符识别、模板匹配方面也是检测高效助手。

　　高分辨率工业相机，相机内置优秀的ISP算法，包含明场校正、暗场校正、镜头阴影校正、坏点/坏线校正以及逐像素点校正等，保证图像均匀稳定。

　　运动控制卡，板载DSP, 4/8轴 脉冲序列可达6.5MHz，轨迹更新率1KHz，编码器反馈频率可达20MHz，带有数字滤波，现高速位置锁存功能，高速位置比较及高达1MHz脉冲触发输出，适合于光学检测应用。

   检测原理

　　(1)暗点、亮点检测

　　该检测算法用斑点分析，斑点分析其实就是将图像二值化，分割得到前景和背景，然后进行连通区域检测以及面积、周长重心等特征的分析，从而得到斑点的过程。斑点是指二维图像中和周围颜色有颜色差异和灰度差异的区域,因为斑点代表的是一个区域, 具有更好的稳定性和更好的抗力.斑点通常是指与周围有着颜色和灰度差别的区域。

　　(2)缺陷、Mura检测

　　该检测项用AI深度学习分类检测，需要某种人工干预来正确标记输入数据。监督学习需要标记数据集，并通过任何可区分的特征将它们聚类。强化学习是一个过程，在这个过程中，模型学习变得更加准确，以便根据反馈在环境中执行动作得出模型预测分类。根据以上分类方法，我们收集Mura出现的形状信息，把该形状信息录入深度学习模型做训练，再在图片预测出该图片上是否出现Muar。

   检测效果