参数自适应的液晶屏幕缺陷检测框架

刘望 邵慧丽 何勇军 谢怡宁 陈德运

摘 要：液晶显示屏生产过程中不可避免存在缺陷，需要检测以确保质量。人工检测工作量大、准确率低、迫切需要一种高效而准确的自动化检测方法。为此，提出了一种新的参数自适应的缺陷检测框架，主要包括提取屏幕区域、预处理、阈值分割、缺陷选择。通过参数的自适应调整，使检测方法适应各种复杂的情况。在阈值分割时，针对光照影响的问题，采用自适应调整阈值参数的方式分割缺陷区域。首先计算图像的最大灰度值，然后根据无缺陷图像确定固定参数，缺陷图像确定系数，最后在固定参数和最大灰度值与系数之积中选择最大值作为阈值分割的最小阈值。在检测饱和度缺陷时，针对低分辨率相机拍摄的图像明暗差异小的问题，采用自适应调整曝光参数采集图像分别处理明暗程度差异大的不同图像部分。实验表明，该方法能高效准确地检测点类、线类、Mura和饱和度缺陷。

关键词：缺陷检测;高斯差分滤波;饱和度;参数自适应

DOI：10.15938/j.jhust.2020.05.011

中图分类号： TP399

文献标志码： A

文章编号： 1007-2683（2020）05-0075-08

Abstract：It is necessary to detect defects in the production process of LCD screens for quality improvements. Manual detection brings a heavy workload and low accuracy. Therefore， an efficient and accurate automatic detection method is urgently needed. To this end， this paper proposes a new defect detection framework， which mainly includes screen area extraction， preprocessing， threshold segmentation and defect selection. By adaptive adjustment of parameters， the detection method can adapt to various complex situations. In order to eliminate the influence of illumination changes， the defect region is segmented by automatic parameter adjustment in the threshold segmentation. First， the maximum grayscale value of the image is calculated， and then the fixed parameters and the coefficient of the defect image are determined according to the no-defect image， and finally the maximum value which was selected as the minimum threshold of the threshold segmentation from the fixed parameters and the product of the maximum grayscale value and the coefficient. In addition， in order to solve the problem that the brightness difference of the images captured by low-resolution cameras is too small to detect defects in the saturation condition， self-adaptive adjustment of exposure parameters was used to collect images to process different parts of images with large difference in light and shade. Experiments show that the method can achieve high performance and efficiency in detecting defects such as points， lines， Mura， saturation.

Keywords：defect detection; difference of Gaussian; saturation; parameter adaptive

0 引 言

近年来，随着经济和社会的发展，对液晶屏信息展示的要求越来越高，而液晶屏已经成为人们的必需品。中国是最大的液晶屏幕制造商，总出货量居全球第一。据统计，2018年上半年全球液晶屏出货总量高达1.36亿片。在液晶屏幕生产过程中，尽管每个环节严格把控，但是不可避免会存在各种各样的缺陷。因此，缺陷检测成为液晶屏幕生产过程中不可缺少的环节。传统的人工检测容易受到环境、人眼疲劳、情绪等因素的影响，具有一定的主观性。这种主观性使得人工检测不仅检测效率低，而且误判率高，检测質量不稳定。因此，利用机器视觉的方法自动检测产品缺陷具有重大意义。基于机器视觉的缺陷检测技术具有不受缺陷产生原因限制的优点，可以实现智能化的流水线快速检测，最大限度的降低人眼检测的主观变差影响，提升液晶屏幕缺陷检测效率和准确率。

目前，缺陷检测方法主要分3类，分别是差影法、边界模糊缺陷分割法和滤波法。差影法采用无缺陷的屏幕得到模板图像后与待检测图像做差分，获得减去背景的缺陷图像。但是这种方法极易受光照影响，差分后可能会有背景残余影响缺陷的检测。闫真真[1]提出结合双边滤波的加权模板差影检测算法，将加权模板差影和双边滤波相结合有效的克服了亮度不均匀的影响。周波波[2]提出基于改进的匹配算法和差影法检测点缺陷，有效地加快了检测速度，提高了配准效率。高如新等[3]提出了基于图像匹配的差分算法及金字塔分层搜索策略，实现了手机屏幕缺陷特征的准确提取，提升了精度和速度。相比差影法而言，边界模糊缺陷分割法能够消除光照不均匀对缺陷检测的影响。它是利用缺陷和背景交界处的一阶和二阶导数不连续的特点，对图像进行分割的方法。Li W C等[4]采用霍夫变换的方法来识别不均匀光照图像中的低对比度缺陷。通过减少线参数的可能范围检测图像中的Mura缺陷。陈廉政[5]提出基于背景重构的方法，利用边缘梯度能量项和区域信息能量项检测缺陷。该方法通过预判缺陷区域，将除了缺陷外的像素进行多项式背景拟合得到重构背景图像，提高了背景图像拟合的精度，使缺陷更加突出。李强国[6]采用背景同构和形态学的方法检测Mura，虽能够消除亮度不均匀的影响，但是拟合算法耗时长。Fan S K S等[7]基于回归诊断的方法，通过线性模型估计输入图像的灰度级数据，然后计算误差平方和残差以过滤出Mura区域。张腾达等[8]采用一种基于二维DFT的缺陷检测算法，通过霍夫变换检测到代表线状纹理的高能量频域直线，二维IDFT进行空间域图像重构，最后简单阈值分割提取缺陷。虽然能够达到工厂要求，但是只能对线性纹理图像进行缺陷检测具有局限性。MaLing等[9]、Chen S L等[10]和Zhang Y等[11]提出一种新的基于回归诊断的曲面拟合背景估计理论方法，但是由于拟合耗时长，很难在时间上达到实际的要求。滤波法主要是利用滤波器，根据各个像素能量不同来判断缺陷的位置。Chen等[12]基于高斯拉普拉斯滤波器的方法，对小区域Mura缺陷和线Mura缺陷检测。李传乐[13]提出基于光学的图像处理方法，用两次均值滤波来凸显线类缺陷特征，用Gabor滤波检测Mura，最后增强对比度选择缺陷。王新新等[14]采用Gabor滤波将图像的背景纹理滤除的算法检测缺陷。该算法虽然针对不同种类缺陷可以采用同一种检测技术，但是对Mura检测精度较低。彭赶等[15]基于高斯图像滤波和中值滤波的处理方法解决了手机屏幕点、线、块缺陷的问题。朱恒川[16]提出基于局部阈值的缺陷分割算法检测40英寸以上的液晶电视。首先采用多个相机检测，然后拼接多个图像。最后利用高斯差分滤波算法检测缺陷。该方法虽然可以有效地检测缺陷，但是对特殊位置如边缘的缺陷检测效果不理想，且由于分割和拼接等操作造成缺陷检测效率低。

综上所述，差影法容易受到选择的模板影响产生背景残余，且模板生成和匹配耗时长。边界模糊分割法需要背景重构复杂且困难。滤波法就避免了这些问题[17]。在频域检测缺陷时，高斯差分滤波更能凸显缺陷。由于光照的影响，在选择缺陷的精确度上有待提高。为此，本文提出了一种自适应调整阈值参数的方法。高斯滤波后，图像背景变为黑色，所以设置阈值分割的最大阈值参数为255。由于阈值分割的最小参数直接决定缺陷是否能被选出。所以我们根据图像的灰度值来动态确定最小阈值参数。首先确定一个固定阈值确保无缺陷图像不被误检，然后取图像的最大灰度值的倍数（小于1）确定一个可变阈值参数，这是因为图像的最大灰度值为缺陷的最大灰度值。这样就可以根据图像缺陷的灰度值来动态改变最小阈值，最后取固定阈值和可变阈值参数的最大值为阈值分割的最小阈值参数。在检测屏幕饱和度时，往往需要高分辨率相机或者价格几万的线阵相机，成本消耗较大。因此，本文提出用低分辨率相机检测屏幕饱和度缺陷的方法。由于低分辨率相机一次拍摄不能把完整的灰度等级拍摄清楚，所以本文提出了自适应调整曝光参数采集多幅图像以分别处理明暗程度差异大的不同图像部分。首先采用正常曝光采集图像，利用Sobel算子提取不同饱和度分界的边缘，然后根据上次检测情况自适应调整第二次曝光参数再次采集图像，与第一次同样步骤检测出上次未检测到的部分，然后经阈值分割和形态学选择缺陷。最后综合两次检测结果来判定屏幕显示的饱和度程度。实验表明，本文提出的方法可检测点类，线类，Mura，饱和度等缺陷，速度快，准确率高，切实地解决了工厂屏幕检测的实际问题。

1 缺陷概述

因液晶屏幕生产工艺复杂，涉及300多个工序，尽管生产过程环境严格把控，但是还是避免不了缺陷的产生，如灰尘，脏污，头发等。经研究產生缺陷的原因可分为两种，电气缺陷和非电气缺陷，比如短路是电气缺陷，划伤、气泡、亮点、暗点、亮线和暗线等是非电气缺陷。虽然缺陷的形状、大小和灰度各不相同，但是可分为以下4类：①点类缺陷。点类缺陷主要表现为一个或者多个像素大小的亮点，暗点和斑状是最常见的点类屏幕缺陷，约占90%[13]。如图1（a）、（b）所示;②线类缺陷。线类缺陷主要表现为一条或者多条像素的亮线或者是暗线，如图1（c）、（d）所示;③屏幕不饱和。屏幕饱和表现为在32灰画面显示不同灰度阶，各灰度阶间有过渡竖线，不饱和则表现为有部分灰度阶显示为一种灰度，没有过度竖线。如图1（e）所示;④Mura缺陷。Mura缺陷主要表现为液晶屏幕部分亮度不均匀[15]，水渍缺陷是常见的Mura缺陷[18]，如图1（f）、（g）所示。

2 算法的实现

本算法通过提取屏幕区域、预处理、阈值分割、缺陷选择步骤检测缺陷。首先利用加权最小二乘法拟合矩形的方法提取屏幕区域。然后用高斯差分滤波处理纯色画面，用Sobel算子提取非纯色画面的灰度边界线来检测饱和度。最后用自适应调整阈值参数的方式分割缺陷并利用形态学方法选择缺陷。

2.1 提取屏幕区域

提取屏幕区域是屏幕检测的首要任务。因为在相机采集图像时，可能会采集到除屏幕外的多余区域，如屏幕边框，电源键等，影响算法检测缺陷，所以需要从采集的图像中提取出屏幕区域。另外提取出屏幕区域，能够缩小算法检测范围，提高检测效率。本算法首先采用阈值分割方法选择区域，然后利用区域面积的差异选择出屏幕区域，获取该区域的轮廓，再利用加权最小二乘法拟合矩形，即可获取屏幕矩形区域，最后在原图上提取屏幕图像SROI（screen region of interest，SROI），如图2所示。

2.2 预处理

2.2.1 高斯差分滤波处理

本算法主要采用高斯差分DOG（difference of Gaussian，DOG）滤波的方法来检测缺陷。高斯差分DOG是一种常用的边缘增强滤波器，能有效地提取图像中的边缘信息。高斯函数为：

利用屏幕区域SROI的宽度和高度，生成两个滤波器。一个是由核宽度为σ1的高斯核函数生成高斯滤波g1（x，y），另一个是由核宽度为σ2的高斯核函数生成高斯滤波g2（x，y）。再计算高斯差分滤波g12（x，y）=g2（x，y）-g1（x，y），将高斯函数代入即得DOG算子：

首先将提取屏幕后的图像SROI转换为灰度图，再对灰度图像进行傅里叶转换。因为对于数字图像这种离散的信号，频率大小表示信号变化的剧烈程度，频率越大，变化越剧烈，频率越小，信号越平缓。因此，高频信号往往是图像中的边缘信号和噪声信号，而低频信号包含图像变化频繁的图像轮廓及背景等信号。而傅里叶变换可将时域上的信号转变为频域上的信号，就可以更好的处理图像，凸显边缘。由于图像的本质上是二维离散函数，因此图像的傅里叶变换即为二维离散傅里叶变换，假设f（x，y）表示大小为M

速傅里叶变换，高斯差分滤波DOG作卷积操作得到图像ImageConvolA，反傅里叶变换ImageConvolA后缺陷凸显出来，再利用矩形灰度范围增强缺陷，即用一个矩形结构元素在图像中滑动，新的灰度值等于矩形中输入图像最大灰度值和最小灰度值差值，增强孤立点或团状缺陷。如图3所示是无缺陷和各类缺陷的原图、滤波处理后和缺陷增强后的结果。

2.2.2 边缘提取

在32灰画面下，正常显示的竖线是31条。由于相机硬件的原因，采集图像时右边黑色的部分不能清楚的显示出来，严重影响算法检测，如图4（a）所示为正常曝光参数拍摄的图像。本算法提出自适应调整曝光参数采集图像以分别处理明暗程度差异大的不同图像部分。即根据正常曝光参数检测到的边缘个数来自适应调整曝光参数。如图4（a）所示是正常曝光参数的显示画面。如图4（c）所示是增加曝光参数的显示画面，可以看出右边部分可以清楚的显示出来。饱和度检测算法一共采集两次图像，第一次正常曝光参数采集图像后，首先根据检测饱和度实际显示为竖条的特点，采用Sobel算子的X方向处理感兴趣区域。Sobel算子的X方向公式为其中：I为原始图像，Gx分别代表X方向对I求微分后的灰度图像。再通过阈值分割灰度值选择竖线区域，接着采用形态学处理方法选择连通区域，根据区域高度选择不同灰度层级之间的竖线和计算竖线的个数。正常曝光参数采集图像检测结果是27条，有4条未检测出来，如图4（b）所示。根据上次曝光参数和检测到的竖线数量，计算每条竖线的曝光数，然后乘以未检测到的竖线数即为第二次采集图像需增加的曝光数。增加曝光后再次采集图像使用Sobel算子检测竖线，与第一次算法处理相同，检测出第一次未检出的4条竖线。如图4（d）所示。最后综合两次检测判定屏幕的饱和程度。

2.3 自适应调整阈值参数

由于光照的影响，同一环境拍摄的图像背景的灰度值有差异，为了提高缺陷检测的准确率，于是在利用阈值分割选择缺陷区域时，阈值分割参数不能是固定值。本算法采用自适应调整阈值参数的方法，由于经高斯差分滤波后，图像的背景得到抑制，所以阈值分割的最大灰度值设为255，最小灰度值则根据差分图像的灰度值动态设置。首先最小阈值要保证不能将正确图像误检，所以需要设置一个固定参数确保与之不低于它，其次，差分后的缺陷图像最大灰度值即为缺陷的最大灰度值，所以根据最大灰度值来动态确定最小阈值，具体如下。令2.2.1最终得到的图像的最大灰度值为MG（max gray，MG），设固定参数为FP（fixed parameter，FP），相关系数为CC（correlation coefficient，CC），那么阈值分割参数为：

其中FP保证采集的无缺陷图像不误检（即没有缺陷的位置检测结果有缺陷），CC可以提高检测缺陷的精确度。首先令CC=0，取同一环境拍摄一定数量的无缺陷图像，以一定数的步长迭代FP的值，直到无缺陷图像不会发生误检，来确定误检的固定参数FP。然后随机选择一定数量有缺陷的图像，令上一步得到的固定参数FP不变，以一定步长迭代CC的值，只要选出所有的缺陷图像。最后通过选择连通区域和闭操作，最终选出缺陷。

3 实 验

本节将展示本文算法的检测缺陷效果，以及阈值参数确定实验，并從准确率和时间上对本文算法作评价。本节设计了两个实验：①自适应调整阈值参数的实验。主要是根据检测图像的灰度范围确定阈值分割的参数。②算法准确率和效率对比试验。首先拍摄液晶屏幕缺陷图像，然后分为四种缺陷类型，最后选用不同类型的缺陷图像进行实验测试，并在本数据集上用本文提出的算法和文[15]、文[19]和文[20]提出的方法分别进行检测和对比，验证本文算法的准确率和高效性。

3.1 自适应调整阈值参数的实验

3.1.1 实验过程

在本算法采用的自适应调整阈值参数方法中确定两个数，一个是固定参数FP保证采集的无缺陷图像不误检，另一个是相关系数CC可以提高检测缺陷的精确度。则本实验设计了两个实验：①确定FP参数实验：首先在不同光照情况下拍摄四组无缺陷图像，每组12张。然后，在每组图像上，令CC=0，FP初始值为0.5，以步长0.2迭代FP的值，进行阈值分割，统计准确率， 直到FP=4.3。最后，根据四组图像的准确率情况确定FP最终的取值。②确定CC参数实验：首先拍摄带有点类、线类、Mura缺陷的图像各100张，共300张有缺陷的图像，从中随机选择100张。令FP=3.1，CC初始值为0，以步长0.1迭代CC的值，进行阈值分割，统计准确率，直到CC=1。FP参数实验不同光照图像如图5所示：

3.1.2 实验结果分析

经确定FP参数实验可知每组图像的FP有一临界值，低于临界值就会将无缺陷图像判错。以第二组为例，准确率如图6（a）所示，此组的临界点灰度值为3.1。本实验一共做了4组，涵盖了4组不同的光照，临界点灰度值如表1所示。因此，取临界点灰度值为最大时，能够保证不同光照下不误检，即取FP=3.1。经确定CC参数实验得如图6（b）所示结果，可得CC为0.5时准确率最高。

通过实验分析，阈值分割参数得最优组合为FP=3.1，CC=0.5，则阈值分割的最小阈值设计为max{3.1，MG×0.5}，确定好参数后，检测结果如图7所示。通过实验验证，用该阈值参数阈值分割，可以减少光照对缺陷检测的影响，提高检测缺陷准确率。

3.2 算法准确率和效率对比试验

3.2.1 实验过程

根據实际工厂液晶屏幕检测标准，首先采集实验数据，实验数据包括了实际屏幕检测过程中的所有缺陷类型。我们将这些数据分为以下五类：无缺陷图像、点类缺陷图像、线类缺陷图像、Mura类缺陷图像、32灰缺陷图像。然后分为五组去检测并统计准确率：①点类图像： 100张无缺陷图像和200张有缺陷图像，其中有缺陷图像缺陷为不同大小和不同灰度的点类，一共300张图像;②线类图像：100张无缺陷图像和200张有缺陷图像，其中有缺陷图像类型分为不同长度、不同宽度和不同灰度的线类，一共300张图像;③Mura类图像：60张无缺陷图像和50张有缺陷图像其中有缺陷图像类型分为不同形状、不同面积和不同灰度的Mura缺陷，一共110张;④32灰图像：50张无缺陷图像和50张有缺陷图像，其中缺陷类型分为不同位置饱和度显示不明，一共100张;⑤从以上数据中随机选择无缺陷图像50张和有缺陷图像150张，一共200张图像。最后用本文的方法进行检测，得出检测准确率和时间，并用文[15]、文[19]和文[20]提出的方法分别在本数据集上进行检测对比准确率。

3.2.2 实验结果分析

准确率PRE（precision，PRE）用于对所研究方法的进行评价。若用SC（success check，SC）表示成功检测出缺陷，FC（fail check，FC）表示失败检测出缺陷。则成功检测的准确率表示如下：

通过实验检测点类、线类、Mura和饱和度缺陷的统计，得出检测时间和准确率的实验结果如表2、3所示。①虽然文[15]提出的方法检测点类，线类缺陷的准确率高，但是检测Mura缺陷的准确率为96%。本文提出的方法检测Mura缺陷的准确率要比文[15]的方法高3.09%，并且检测点类和线类缺陷具有高准确率;②文[20]提出的方法检测线类缺陷准确率为96%。本文提出的方法检测线类缺陷的准确率要比文[20]的方法高3.33%;③文[19]提出的方法检测点类缺陷准确率为97%。本文提出的方法检测点类缺陷的准确率要比文[19]的方法高3%。从随机抽取不同种类缺陷来看，本文提出的方法具有高准确率。综合分析，本文算法检测的缺陷类型相较其他学者多，除了能够检测点类、线类、Mura等缺陷，还能够检测饱和度缺陷。从表2中可以看出，本文提出的方法具有高效率要求。综合表3可以看出本文提出的方法整体具有高准确率，具备实际的检测要求。另外，本文对五组实验数据做了综合统计，无缺陷图像一共为360张，有缺陷图像一共650张，检测结果混淆矩阵如表4所示，从表中可以看出，360张无缺陷图像全部检测为无缺陷，误检张数为0;650张有缺陷图像，其中有645张成功检出缺陷，仅有5张未检出缺陷，总体计算正确率为99.5%。说明本文算法总体不仅没有误检，准确率也很高。

4 结 论

本文针对现在液晶屏幕缺陷检测算法只能解决特定缺陷和检测饱和度需高分辨率相机的问题，提出了一种新的缺陷检测框架，主要包括屏幕区域提取、预处理、阈值分割、缺陷选择。在纯色画面下，首先通过差分滤波抑制背景凸显缺陷，然后利用自适应阈值参数的方式分割缺陷区域，解决因光照对检测的影响，最后利用形态学选择缺陷。在非纯色画面下，采用自适应曝光参数采集图像，对采集的图像首先通过Sobel算子X方向处突出边缘，然后利用阈值分割方法分割缺陷，最后利用形态学处理判断有无缺陷。实验表明，本文提出的方法有高准确率和高效性，可以应用到实际流水线中。

参 考 文 献：

[1] 闫真真. TFT-LCD 点线缺陷检测图像处理算法研究[D].合肥：合肥工业大学， 2017.

[2] 周波波. 基于小型TFT-LCD点缺陷检测系统的研究[D].长沙：中南林业科技大学， 2016.

[3] 高如新，任晓朵，吴献，魏爱权.基于图像处理的手机屏幕缺陷检测系统研究[J].测控技术， 2017，36（4）：26.

GAO R X， et al. Mobile Phone Screen Defect Detection System Based on Image Processing [J]. Measurement and Control Technology， 2017，36（4）：26.

[4] LI W C， TSAI D M. Defect Inspection in Low-contrast LCD Images Using Hough Transform-based Nonstationary Line Detection[J]. IEEE Transactions on Industrial Informatics， 2011， 7（1）： 136.

[5] 陈廉政. 基于图像背景重构和水平集的TFT-LCD缺陷检测算法研究与应用[D].武汉：华中科技大学， 2016：10.

[6] 李强国. TFT-LCD显示屏Mura缺陷自动光学检测算法研究[D].成都： 电子科技大学， 2013.

[7] FAN S K S， CHUANG Y C. Automatic Detection of Mura Defect in TFT-LCD Based on Regression Diagnostics[J]. Pattern Recognition Letters， 2010， 31（15）： 2397.

[8] 张腾达， 卢荣胜， 张书真. 基于二维DFT的TFT-LCD平板表面缺陷检测[J].光电工程， 2016，43（3）：7.

ZHANG T D， et al. Surface Defect Detection of TFT-LCD Flat Panel Based on Two-dimensional DFT [J]. Optoelectronic Engineering， 2016，433）： 7.

[9] MALING W Z. Implementation of Region-mura Detection Based on Recursive Polynomial-surface Fitting Algorithm[C]//Proceedings of the 2nd Asia International Symposium on Mechatronics， Hong Kong， China， 2006.

[10]CHEN S L， CHANG J H. TFT-LCD Mura Defects Automatic Inspection System Using Linear Regression Diagnostic Model[J]. Proceedings of the Institution of Mechanical Engineers， Part B： Journal of Engineering Manufacture， 2008， 222（11）： 1489.

[11]ZHANG Y， ZHANG J. Automatic Blemish Inspection for TFT-LCD Based on Polynomial Surface Fitting[J]. Opto-Electronic Engineering， 2006， 33（10）： 108.

[12]CHEN， Hsin-Chia， et al. “LOG-filter-based Inspection of Cluster Mura and Vertical-band Mura on Liquid Crystal Displays.” Machine Vision Applications in Industrial Inspection XIII[J]. International Society for Optics and Photonics， 2005：5679.

[13]李传乐. TFT-LCD缺陷检测系统中的图像处理[D].长春：吉林大学， 2016.

[14]王新新， 徐江伟， 邹伟金， 刘永丰，王秀丽.TFT-LCD缺陷检测系统的研究[J].电子测量与仪器学报， 2014，28（3）：278.

WANG X X， et al. Research on TFT-LCD Defect Detection System[J].Journal of Electronic Measurement and Instrument， 2014，28（3）：278.

[15]彭赶，张平，潘奕创.基于机器视觉的手机屏幕缺陷检测系统研究[J].自动化技术与应用， 2018，37（9）：104.

PENG G， et al. Research on Mobile Phone Screen Defect Detection System Based on Machine Vision [J] .Automation Technology and Application， 2018，379）： 104.

[16]朱恒川. 基于机器视觉的液晶屏缺陷检测[D].成都：电子科技大学， 2018.

[17]简川霞. TFT-LCD表面缺陷检测方法综述[J]. 电视技术， 2015， 39（9）： 146.

JIAN C x. Summary of TFT-LCD Surface Defect Detection Methods [J]. Television Technology， 2015， 39（9）： 146.

[18]KONG L， SHEN J， HU Z， et al. Detection of Water-Stains Defects in TFT-LCD Based on Machine Vision[C]//2018 11th International Congress on Image and Signal Processing， BioMedical Engineering and InformaticsCISP-BMEI）. IEEE， 2018： 1.

[19]张佳. 一种基于像素点TFT-LCD的点线缺陷的检测方法[J]. 科技创业月刊， 2014， 27（11）： 182.

ZHANG J.A Detection Method for Dot Line Defects Based on Pixel TFT-LCD [J]. Monthly Science and Technology Pioneer， 2014， 2711）： 182.

[20]赵文宏，彭超，陈红星.基于形态学玻璃屏幕表面划痕检测方法研究[J].浙江工业大学学报， 2016， 44（3）： 279.

ZHAO W H， et al. Research on Scratch Detection Method of Glass Screen Surface Based on Morphology[J].Journal of Zhejiang University of Technology， 2016， 443）： 279.

（編辑：王 萍）