1 南京航空航天大学导航研究中心，江苏 南京 211106
2 惠州高视科技有限公司，广东 惠州 516000
各类显示屏中Mura缺陷的自动识别和定位对提高显示屏幕的产品品质具有重要作用，是当前迫切需要发展的重要技术之一。针对当前手机屏幕Mura缺陷对比度低、缺乏明显边缘等特点，文中提出一种基于图像灰度曲线的Mura缺陷检测方法及其改进方法。改进方法基于均值滤波平滑和降采样原理，通过研究采样线上灰度曲线的波峰与波谷信息，利用BP神经网络构建线Mura缺陷的自动检测和定位算法。结合真实手机屏幕图像验证结果表明，与现有多种Mura缺陷检测方法相比，本文的改进方法能更准确快速地识别手机屏幕中的线Mura缺陷，识别准确率达到98.33%，检测过程无需调节参数，实现了线Mura缺陷的自动检测和定位。
BP神经网络 灰度曲线 缺陷检测 图像处理 BP neural network gray scale curve Mura Mura defect detection image processing
中国工程物理研究院,流体物理研究所,四川,绵阳,621900
利用Monte Carlo(MC)模拟技术解释实验中心线灰度曲线的各部分波形.结果发现,系统中的散射照射量、光源的尺寸和H-D特征曲线的形状对实验灰度曲线的各部分波形均有影响:散射量越大,中心信号幅度越低;H-D曲线趾部的非线性越严重,中心信号幅度也越低;光源尺寸造成图像越模糊.指出了用实验波形可以半定量确定系统散射程度和光源尺寸.在测量照射量时,应该尽可能避免散射的干扰,用台阶法测量H-D曲线时,应使台阶远离剂量片而前移.
灰度曲线 MC模拟 散射 光源尺寸 H-D特征曲线 强激光与粒子束
2006, 18(10): 1727
