如何使用影像亮度色度計進行 FPD 自動光學檢測

在產線上及產線的*終檢測中，主要有三種方法可對高速生產過程中的平板顯示屏 (FPD) 進行光學檢測：

1) 人工檢測 —— 輕松處理比較復雜的測試要求。但與電子測試方法相比，它相對緩慢，變化較大

2) 基于機器視覺的檢測 —— 非常快捷，測試簡單。但很多測試不能反映出人的視覺體驗

3) 基于影像亮度色度計的檢測 —— 在速度上介于上述兩種方法之間。能夠像人那樣進行“目測”，而且具有高度的可靠性和可重復性

使用影像亮度色度計系統和相關分析軟件，可以評估 FPD 的亮度、色彩均勻度和對比度，并識別 FPD 上的缺陷，這種用途已經被廣為接受。影像亮度色度計和機器視覺之間的基本差別在于：影像亮度色度計可以精確地匹配人類視覺感知，包括對光線和色彩均勻度 (以及不均勻性 )的感知。

在本文中，我們將描述如何在全自動測試系統中使用影像亮度色度計，在高速度、大批量的生產環境中識別和量化缺陷。本文內容涵蓋測試設置，以及可以執行的測試范圍 – 從簡單的點缺陷檢測到復雜的 Mura檢測和評估。

測量挑戰

影像亮度色度計系統是基于 CCD 的影像系統，經過校準之后，它對光線、亮度和色彩的反應與 CIE 模型定義的標準人工觀察者相同。可精確地同時測量亮度、色彩及其空間關系。測試時，系統會生成數據，并可隨時使用這些數據來確定顯示屏均勻性和對比度性能。此外，還可對均勻度差異進行分析，以識別和定位潛在的顯示屏缺陷。顯示屏測量和分析面臨的三大重要挑戰是：

1) 識別與人類視覺感知具有高度關聯性的缺陷

2) 量化缺陷的嚴重程度

3) 快速執行高重復度的分析

缺陷的分析和量化可以作為依據，幫助我們確定導致缺陷的顯示屏組件，以及接下來采取的行動 – 例如廢棄顯示屏或返回進行修理 – 從而提高質量測試的效率，還可以降低成本。與人工視覺檢測相比，使用影像亮度色度計的測試更加快捷和靈活，重復度更高，另外它在匹配人類視覺感知方面的精確度高于機器視覺。

影像亮度色度計可以精確地捕獲 FPD 上的光線和色彩變化的空間關系，這一優點使得這種測試方法非常適用于評估視覺性能。

測量組件和測試

通過指定適當的自動測試序列，影像亮度色度計可用于獲取廣泛、精確的高分辨率數據，以描述特定顯示屏的性能。對于典型測試序列，此類測量數據通常可在幾秒鐘至一分鐘之內獲取，具體時間取決于顯示屏技術和分辨率。使用新的 Mura缺陷分析技術，這些影像可用于確定與物理原因直接相關的各種缺陷之間的細微差異。

要使用影像亮度色度計進行顯示屏的自動測量和分析，需要使用組合測量控制和分析軟件。我們針對此應用開發的系統整體結構如圖 1 所示。該系統的主要組件包括：(1) 科研級影像亮度色度計系統；(2) 基于 PC 的測量控制軟件，它不僅控制影像亮度色度計，還控制待測試設備上的測試影像顯示；以及 (3) 一套能夠運行各種測試的影響分析函數。因此，該系統可針對各種顯示屏缺陷 (例如點缺陷、線缺陷和 Mura)提供量化自動檢測。

實施的部分測試包括：

圖 1. FPD AOI 測試設置，影像亮度色度計處在自動軟件控制下

顯示屏缺陷檢測應用

顯示屏缺陷分為很多類型，例如像素缺陷和行缺陷、屏幕制造的物理疵點 (例如脫層 )、屏幕損壞 (例如劃痕 )、影像均勻度的疵點 (例如 Mura)。利用對視覺感知的**研究，我們可以根據人工觀察者發現這些缺陷的明顯程度 (或者是否明顯 )，通過數字方式對這些缺陷進行分類。這個分析過程速度很快，而且重復度很高。它適用于多種顯示屏技術，包括液晶、等離子、OLED 和投影顯示屏。

在本文中，我們通過分析多個顯示屏，演示這些缺陷檢測和分類方法。圖 2 顯示了存在行缺陷的顯示屏的光學測量，分析軟件在顯示屏影像上識別和指示這個缺陷，如圖 3 所示。行缺陷是一種比較容易確定根源的缺陷；其起因是液晶屏故障。

圖 2.存在可視行缺陷的顯示屏屏幕的光學測量。 圖 3.行缺陷是由影像亮度色度計 AOI 軟件識別的；屏幕上為用戶指明了缺陷位置。

圖 4 顯示了存在點缺陷的顯示屏的光學測量；分析軟件在顯示屏影像上識別和指示這個缺陷，如圖 5 所示。如果分析確定該故障的起因是液晶屏像素停滯，則可將點缺陷歸類為像素故障。但是，從單個角度直視并不能區分死像素與顯示屏玻璃背面微粒之間的差異。在此情況下，需要進行第二道檢驗以識別故障原因。

圖 4.存在點缺陷的顯示屏的光學測量 – 您能看到嗎？ 圖 5.點缺陷是由影像亮度色度計 AOI 軟件識別的，并在顯示屏屏幕上標記，我們放大了該點，讓它更容易看到。

Mura的檢測和分類可能比較復雜。 Mura通常是亮度和色彩的不均勻性，覆蓋較大的不規則區域。如果發現亮度和色彩對比度超過了可感知的閾值，則表示檢測出 Mura。但是，由于人工感知這些對比度取決于多個因素，包括視距、空間頻率和方向，因此我們無法通過查看對比度的簡單**值，來識別相關 Mura。

在對顯示屏缺陷的人類視覺感知建模方面，我們*近取得了進展，這使我們能夠從“*小可覺差”(JND)的角度來量化 Mura。基于人工觀察員的采樣，我們定義了 JND 標度，如果 JND 差異為 1，則從統計上無法察覺；在**標度上，JND 為 0，表示沒有可視的空間對比度，JND **值為 1，表示**個可察覺空間對比度 – 這樣就能針對各種顯示屏技術對顯示缺陷進行分級。因此，我們可以處理亮度和色彩的空間分配的影像亮度色度計測量，以創建影像的 JND 映射，其中 Mura缺陷在與人類視覺感知直接關聯的前提下進行了分級。

圖 6 顯示了存在 Mura缺陷的顯示屏，經過分析后，我們在顯示屏影像上識別了該缺陷，如圖 7 所示。

圖 6.對存在 Mura缺陷的顯示屏進行影像亮度色度計測 量，您能夠找到這個缺陷嗎？

圖 7.該 Mura缺陷是由影像亮度色度計 AOI 軟件在顯示屏上識別的。它的范圍與 JND 值一同顯示。

圖 8 和圖 9 顯示了識別 Mura的步驟。作為中間步驟，它會生成一個差異影像，顯示相對于參考影像的亮度偏差。然后計算顯示屏的 JND 映射。請注意，圖 7 所示的 Mura測試有意忽略了 JND 影像中的明顯邊緣效應。這些效應可以簡單地單獨識別和分類。

識別 Mura缺陷并不是基于各區域之間的對比度計算的簡單數學計算。首先， Mura區域的大小和形狀各不相同。其次，人工感知 Mura的能力受到其他一些因素的制約 – 視頻、空間頻率和色彩。

圖 8.差異圖片顯示了相對于計算參考影像的偏離。Mura的位置突出顯示。

圖 9.顯示了顯示屏 JND 映射的“偽彩色圖像”。顯示屏邊緣的漏光和明顯 Mura缺陷標識為較大的 JND 值。

基于影像亮度色度計的 AOI 測試系統可以快速可靠地識別和量化顯示屏缺陷。為確定或分類缺陷根源，從而確定顯示屏的狀態，有時需要人工檢測。很多情況下，例如圖 3 所示的行缺陷，識別的缺陷及其起因之間存在一對一關系。在這些情況下，我們可以即時對缺陷進行分類，而且無需人工檢測。而在其他一些情況下，例如某些 Mura缺陷，缺陷可能有多種原因，因此我們需要更多信息幫助進行分類。執行這種分類的一種高效方法是讓人工操作員確定哪種原因是正確的。當需要人工分類時，為了提高效率，TrueTest 會向操作員指示需要進一步檢驗的缺陷的位置和詳細信息。可以在人工判斷基礎上進行加速，例如專門針對需要分類的缺陷，以及提供適當的細節。

對于圖 4 和 圖 5 中所示的點缺陷，操作員可以知道暗點的準確位置和相關信息，從而快速確定該缺陷是死像素，還是顯示屏玻璃背面的微粒。

總結

本文檔所述的影像亮度色度計 AOI 測試方法可以應用于多種顯示屏技術， FPD(液晶、等離子、OLED)和投影顯示屏均可使用。這些方法提供與人工視頻感知相關的快速可重復測量，能夠通過數字方式標識缺陷特征，因而不僅可以識別顯示屏缺陷，還能夠按原因對缺陷進行分類。這使我們能夠在制造應用中對顯示屏進行一致測量，并根據用戶定義的標準，自動確定顯示屏是否通過測試。更加重要的是，它還可以自動確定修補措施 (例如返工或廢棄 )。