基于多特征融合的LCD微小瑕疵自动分类

发布时间：2017-03-23 01:13

  本文关键词：基于多特征融合的LCD微小瑕疵自动分类，，由笔耕文化传播整理发布。

【摘要】：薄膜场效应晶体管液晶显示器(以下简写为TFT-LCD),因其出色的色彩表现力,超低的能耗,和轻薄的特性,在显示设备的领域已经逐渐有一统江湖的势头。在LCD大批量生产的过程中,精确的质量把控是产线不间断工作的保证,这种质量监控主要依赖于对产线上每一阶段的半成品的实时分析。TFT-LCD的工艺流程中最容易产生瑕疵的流程是阵列(Array)制程,这个制程包含了复杂的工艺,生成精细的模块。一张显示屏往往集成了数以亿计的的晶体管,它们会排列成周期阵列。根据制作工艺的不同,在这个制程中会叠加4到7层工艺,这些层都将叠加式的制作于一块玻璃薄板上。在阵列制程产生的产品缺陷。如果不能及时发现,及时解决,在接下来的制程中都将造成不可挽回的损失。阵列的工艺主要由三个基本操作实现:分别是镀膜、光刻和刻蚀。这三个工序都可能产生不同类型的工艺上的瑕疵。这些瑕疵根据它们的成因可以分为很多类。在LCD生产的生产中,及时的发现并且识别出它们的类别,对于发现生成工序的缺陷,改善生成工艺,提高生产质量都至关重要。在以往的检测中,人工检测一直扮演着重要的角色,在Array制程之后,需要大量的检测人员对生产出的基板作详细的甄别,用肉眼找出可能的瑕疵,并通过大量的经验判断瑕疵的类别,这项工作不但极其繁重,而且由于人的判断差异,会出现大量的误判。在这篇文章中,我们详细阐述了如何通过机器学习和计算机视觉的方法解决在液晶面板的生产中对半成品检测的工作。我们首先探索了挖掘瑕疵不同方面特征的描述子,并对几个描述子给出了更加合理实现,提出了一种更为适合液晶瑕疵特征的编码过程,并基于先进的特征融合的方法构造多特征分类器,使不同类型的描述能够协同的工作。最后我们给出了算法在工程实现中的技术细节,包括并行化和线性计算的优化,这些技术优化使得算法可以在大数据面前保持从容。
【关键词】：模式识别 TFT-LCD瑕疵 多特征 空间权值 并行化
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN873.93
【目录】：

• 摘要4-6
• ABSTRACT6-13
• 主要符号对照表13-14
• 第一章 绪论14-20
• 1.1 研究背景14-16
• 1.2 国内外研究现状16-17
• 1.3 研究目标17-18
• 1.4 章节安排18-20
• 第二章 基于特征统计的图像描述子20-30
• 2.1 模糊局部二值特征20-24
• 2.1.1 特征原理20-23
• 2.1.2 实验结果及分析23-24
• 2.2 金字塔梯度直方图24-27
• 2.2.1 特征原理24
• 2.2.2 方向梯度直方图24-26
• 2.2.3 空间层叠金字塔26-27
• 2.2.4 实验结果及分析27
• 2.3 本章小结27-30
• 第三章 基于硬编码方式的图像描述子30-40
• 3.1 对手颜色空间编码30-35
• 3.1.1 CIELAB颜色空间31-33
• 3.1.2 对手颜色空间的模型与推导33-34
• 3.1.3 对手颜色空间的编码方式34-35
• 3.2 聚类解决颜色空间的划分问题35-37
• 3.3 用硬编码对新颜色空间编码37-38
• 3.4 实验效果与分析38-39
• 3.5 本章小结39-40
• 第四章 基于软编码方式的图像描述子40-50
• 4.1 稠密提取的旋转不变描述子40-48
• 4.2 基于纹理的空间权重分配48-49
• 4.3 实验效果与分析49
• 4.4 本章小结49-50
• 第五章 在多个核空间内的核融合方法50-56
• 5.1 基本分类器50-52
• 5.2 核空间的选择52-53
• 5.3 多特征融合分类器53-54
• 5.4 实验效果与分析54-55
• 5.5 本章小结55-56
• 第六章 系统架构56-64
• 6.1 图像的预处理56-57
• 6.2 系统流程57-59
• 6.3 系统模块59-60
• 6.4 技术细节60
• 6.5 实验效果与分析60-62
• 6.6 本章小结62-64
• 全文总结64-66
• 参考文献66-70
• 攻读学位期间发表的学术论文目录70-72
• 攻读学位期间参与的项目72-74

【相似文献】

中国期刊全文数据库 前10条

1 初红霞;王科俊;王希凤;郭庆昌;韩晶;;多特征融合的退火粒子滤波目标跟踪[J];计算机工程与应用;2011年06期

2 顾鑫;王海涛;汪凌峰;王颖;陈如冰;潘春洪;;基于不确定性度量的多特征融合跟踪[J];自动化学报;2011年05期

3 姚红革;杜亚勤;;基于多模式多特征融合粒子滤波视频目标跟踪[J];西安工业大学学报;2012年11期

4 王兰;;基于多特征融合的票据分类技术及应用[J];计算机光盘软件与应用;2013年13期

5 陈增照;何秀玲;杨扬;董才林;;基于多特征融合的票据分类技术及应用[J];计算机工程与应用;2006年09期

6 周斌;林喜荣;贾惠波;宋榕;;多特征融合的手背血管识别算法[J];清华大学学报(自然科学版);2007年02期

7 刘贵喜;范春宇;高恩克;;基于粒子滤波与多特征融合的视频目标跟踪[J];光电子.激光;2007年09期

8 胡全;邱兆文;王霓虹;;基于多特征融合的图像语义标注[J];东北林业大学学报;2008年10期

9 周静;黄心汉;彭刚;;基于多特征融合的飞机目标识别[J];华中科技大学学报(自然科学版);2009年01期

10 沈才梁;许雪贵;许方恒;龙丹;;多特征融合的人脸检测[J];计算机系统应用;2009年11期

中国重要会议论文全文数据库 前3条

1 叶锋;蔡光东;郑子华;亓晓旭;尹鹏;;基于多特征融合的药用植物标本识别[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

2 段其昌;季长有;;基于多特征融合的快速人脸检测[A];第十七届全国测控计量仪器仪表学术年会（MCMI'2007）论文集（上册）[C];2007年

3 李玉峰;郑德权;赵铁军;;基于SVM和多特征融合的图像分类[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

中国博士学位论文全文数据库 前4条

1 田纲;基于多特征融合的Mean shift目标跟踪技术研究[D];武汉大学;2011年

2 徐志刚;基于多特征融合的路面破损图像自动识别技术研究[D];长安大学;2012年

3 陈秀新;多特征融合视频复制检测关键技术研究[D];北京工业大学;2013年

4 初红霞;基于均值移动和粒子滤波的目标跟踪关键技术研究[D];哈尔滨工程大学;2012年

中国硕士学位论文全文数据库 前10条

1 张岩;基于多特征融合及二部图匹配的3D目标检索技术研究[D];哈尔滨工业大学;2015年

2 计明明;基于多特征融合的三维模型检索技术[D];浙江大学;2015年

3 王庆;基于多特征融合的人体动作识别方法研究[D];上海大学;2015年

4 刘婕;复杂场景多特征融合粒子滤波目标跟踪[D];重庆理工大学;2015年

5 崔剑;基于多特征融合的分级行人检测方法研究[D];电子科技大学;2015年

6 王珊珊;基于极化SAR非监督分类的油膜厚度估算方法研究[D];大连海事大学;2015年

7 肖冠;基于多特征融合的异类传感器中段目标关联算法研究[D];国防科学技术大学;2013年

8 王建荣;基于多特征融合的无人机航拍图像识别研究[D];成都理工大学;2015年

9 高爽;基于多特征融合的粒子滤波跟踪算法研究[D];西安电子科技大学;2014年

10 坎启娇;基于多特征融合的多目标跟踪算法[D];河北工业大学;2015年

  本文关键词：基于多特征融合的LCD微小瑕疵自动分类，由笔耕文化传播整理发布。

本文编号：262621