独立成分分析对液晶显示面的缺陷检测

1、基于带图案的LCD表面缺陷检测的独立成分分析法摘要：在本文中，我们提出了机器视觉方法来自动检测周期性图案的微缺陷，尤其针对薄膜晶体管液晶显示器（TFT-LCD）面板。该方法是基于图像重建使用独立成分分析（ICA）。 ICA是首次应用到一个完美的训练图像来确定去混合矩阵和相应独立组件（ICS）。训练图像的全局结构的集成电路被确定，相关集成电路的行向量被替换为最少结构去混合的训练图像。改造后的去混合矩阵是用来检测TFT-LCD的图像重建。该生成的图像可有效去除球型结构图案，只保留局部异常，许多不同的TFT-LCD面板表面的微观缺陷都通过这个方法。实验结果表明，该方法能很好地检测周期性图案表面各种不

2、明确的缺陷。2007年爱思唯尔B.V.保留所有权利。关键词：缺陷检测;表面检查; TFT-LCD面板;独立成分分析。介绍：具有周期性结构的表面，例如机械表面、IC晶片、有色滤光片和薄的影视晶体管的液晶（TFT-LCD）显示面板经常出现在工业产品上。TFT-LCD面板在最近几年变得越来越重要，随着它作为笔记本和个人电脑的核心，也可以用作手持的反光器件，例如移动电话、PDA。为了提高成像质量和提高生产量，TFT-LCD的缺陷检测就成为了LCD制造业的主要任务。传统人工检查效率低、不可观、成本高和高度依赖有经验的检测员，由于这个事实可传承的TFT-LCD面板在感官影像方面形成了复杂的图案。在这次的研

3、究中，我们通过机器视觉对周期性图案表面的缺陷检测，尤其是在TFT-LCD。在LCD生产过程中，垂线和门线被写在玻璃基板上，因此，TFT-LCD图像可以被分成纹理结构的图像由水平线和垂直线形成于表面。图1（a）显示了60像素/ 毫米的粗分辨率的扭转向列型（TN）TFT-LCD面板，它可以从图中可以看出与TN TFT-LCD面板的表面涉及到重复的、等距的水平线和垂直线，由于每个水平线都在TN LCD表面，它的轮廓包括周期性峰值如图1（b） - （d）所示。所有TN LCD表面的水平线分辨路很低包含童谣的周期性图案，除了它们具有不同幅度的峰值。（图1）而TN的TFT-LCD的主要缺点之一板是窄的视角

4、，新型TFT-LCD使用多域垂直配向（MVA）技术1,2已经解决了这个问题，此技术应用在一个复杂结构图案的MVA TFT-LCD面板表面上。MVA TFT-LCD面板的图案化图像如图2（a）分辨率高达500像素/毫米，一些致命的面板缺陷只能在这种高分辨率下观察，从图2（a）看出该MVA TFT-LCD面板表面不仅涉及水平线和垂直线，而且还含有少量复杂图案（TFT和公共线）反复出现在表面。对水平扫描线而言，MVA LCD涉及多个高分辨率重复图案。图2（b） - （d）给出了图2（a）的三个灰度分布水平线，可以发现，该周期性图案仍出现在每个水平线上，然而，每个周期图案MVA LCD线图像比TN L

5、CD线更复杂，只有在每个周期有一个峰值，由于复杂结构的TFT-LCD表面的分辨率很高，它的感官图像已经远远超出了同类结构图案，对复杂图案表面的微观缺陷检测变得极其困难。（图2） TFT-LCD面板表面缺陷不仅造成视觉故障也可引起电气故障。，FT-LCD面板的表面缺陷可粗略地分为两类：宏观和微观缺陷。宏观缺陷，如污点，不均颜色和TFT-LCD面板的错位，表现高对比度区域伴随着不规则形状和尺寸，它们一般尺寸大，因此，可以很容易的被检测员检测到。然而，微缺陷，如针孔，划痕和TFT-LCD表面上的颗粒，通常是非常小的尺寸，不能被检测员检测到，所提方法主要集中在研究嵌入在TFT-LCD表面的微观缺陷。对

6、于TFT-LCD自动检测系统，一些电学和光学检验技术已经开始应用于LCD制造。Henly和Addiego 使用2D电光调制器产生的电压图像来衡量潜在的缺陷，在非接触的LCD表面，从所得到的电压图像中检测出缺陷，Kidoet也提出了光学感应充电技术对有源矩阵LCD面板的检查。大多数自动检测系统是基于常规的电气方法来检测LCD表面缺陷，这些方法对TFT面板功能的检验非常好，但它们只能是在制造完成后检测。一些基本视觉技术已用于LCD检查，Sokolov和Treskunov 开发了一种自动视觉系统对LCD产出的最后检测，他们的方法基于LCD图像的亮度分布，它比较LCD参考图像和测试图像的平均亮度，以检

7、测外观缺陷。Nakashima 提出的检查系统通过图像减法和光学傅立叶过滤来检测LCD彩色滤光片面板的缺陷，图像减法被用于检测白色和黑色的缺陷，如黑矩阵孔和颗粒，傅里叶滤波用于检测颗粒缺陷。现有的视觉基础技术通常需要一个预先存储模板图像进行比较，它们需要大量的数据存储卷以供参考，和精确环境，如调整和照明。此外，现有的技术是主要开发用于具有像图1（a）那样简单图案化结构的TN LCD面板。他们不可以直接检测缺陷对于复杂的 MVA TFT-LCD面板。在本文中，我们提出了图像重建方案通过独立成分分析来检测TN和MVA TFT-LCD表面的微观缺陷。，ICA是一种新型的统计信号处理技术。在基本IC模

8、型中，该观察混合物信号X可表示为：X =AS其中，A是一个未知的混合矩阵，并且S表示潜在的源信号，ICA解决方案得益于无监督学习过程，发现一个去混合矩阵W通过假定源信号是相互统计独立的，去混合矩阵W用于转化所观察到的混合物信号X来得到独立信号Y，即WX= Y，Y的行，称为独立成分（ICS），是单个源信号的概数。普通ICA模型已被广泛应用于医学信号处理，例如脑电图，磁共振成像和MEG数据，和音频信号处理，目的是信号去噪和增强，它也应用于特征提取和人脸识别。 一些研究已经致力于ICA的结构分析，Manduchi和Portilla 通过对ICA不同结构进行分类，他们用训练图像的去混合矩阵作为特征矩阵

9、，去混合矩阵被用于增加试验图像来估计条件似然评估，Bayesian根据条件似然评估技术用于结构图像分类，Chent al.用ICA建设带图案的模板对于结构的分割。它们施加ICA到训练图像中去学习混合矩阵，混合矩阵的行被视为珍贵结构图案的模板，K-均值算法用于图案匹配对于分割结构图。Jenssen和Eltoft 考虑结构分割这个问题采用ICA滤波器，他们用训练图像混合矩阵的列作为滤波器，在他们的方法中，频域滤波器用于选择一个子滤波器，具有高结构分离性能，所选的滤波器被用作测试滤波器组图像以生成特征向量。K-均值法用于结构分割产生特征向量，前述基于ICA的方法结构分析一般采用混合向量或去混合矩阵滤

10、波器或模式模板来表示结构特征。滤波器具有所需的性能对于特殊结构问题的必须仔细挑选以产生有代表性的特征向量，然后，多维分类器需要分段或分类结构，用这种方法，不同的结构可能需要不同的结构特征来描述结构图案，特征提取过程一般是通过试验和错误校正，优化滤波器的设计是一个非常复杂的任务，可能高度依赖于人的专业知识。ICA图像数据通常与当时位置有关，如图像边缘，把完美的训练2D图像作为ICA数据矩阵模型，所述矩阵的每一行向量，即每个水平线图像，被视为一个观测混合物信号，然后，估计源矩阵的每一行向量Y从ICA中获得，代表独立的源信号，描述了带图案结构表面的唯一边界，所有这些独立源信号通过复杂的TFT-LCD

11、结构用作实验，这些IC然后可以作为TFT-LCD面板基本结构功能的表面，IC有一个明显的尖端轮廓代表该图案结构中的某些特定位置的边缘发生尖峰，带有扁平轮廓的IC代表图像的唯一背景。在这项研究中，所提的基于ICA的方法使用图像重建战略以消除重复结构的TFT-LCD表面，通过排除IC相应行向量代表主要结构图案和仅保留与IC有关的行向量，代表唯一背景图案的TFT-LCD图像在去混合矩阵中以产生一个新的去混合矩阵，该新的去混合矩阵包含最少结构图案信息，可以被用作重建检查图像。对于一个完美的TFT-LCD图像，球型结构图案的图像将被有效的移除在图像重建中，结果图像的每一行形成唯一的轮廓；对于有缺陷的TF

12、T-LCD的图像，局部异常在重建图像中可明显提高，局部异常将显示为非均匀分段伴随着大的灰色水平变动，然而重复结构图案将被移除，成为唯一的重建图像。因此，简单统计进程控制限制用来设置阈值用于区分缺陷和清晰段对于每个重建图像的行向量，该方法不需要定量特征进行分类或参考模板匹配，它减轻了局限特征提取和模板匹配方法的限制。此外，该方法非常适用于扫描线系统在工业中的应用，对于大尺寸的TFT-LCD面板每个行图像被单独地输入作为行向量的数据矩阵，局部异常在重建图像中可以被一行一行的分别检测到。本文安排如下：第2章第一节介绍基本ICA模型的2D图像。性能集成电路图案化的TFT-LCD的图像，然后进行讨论。接

13、着，对TFT-ICA的基于缺陷检测方案LCD检查彻底描述。第3章从各种微缺陷在简单的面板TN TFT_LCD和复杂的MVA TFT-LCD面板进行说明。 照明的变化和图像的平移也在这个单元。本文的结论是在第4章。基于ICA的缺陷检测基本ICA模型图像： 设X是大小为nM的输入图像(Mn), 图像X的水平扫描线用Xi(i=1,2n)表示。输入图像可以被视为一个矩阵X=【x1，x2,，xn】T，在此所述的ICA模型的结构在此研究中有各行的图像Xi作为观察的混合信号。然后，将矩阵X可以建模其中，x ij是图像X的坐标（i，j）的灰度级; 是nn去混合矩阵A的第i列; 是 nM原矩阵的第i行，向量潜在

14、的源行图像不能直接从输入图像X中观察，ICA模型旨在找到nn的去混合矩阵W使得其中yi是矩阵Y，I=1，2，.，n的第i行，该向量必须尽可能的统计独立，被称为独立成分，它们是行图像通过计算潜在的源图像的结果。式（3）是去混合矩阵W的第i行，它被用于过滤所述输入图像X以产生相应的独立成分，即。 这儿有几种ICA的演变算法。通常，IC通过使用去混合矩阵W乘以图像X获得，去混合矩阵W可以使用无监督学习算法用最大限度地IC的数据独立，提出FastICA算法海沃rinen等被本文采用，以解决去混合矩阵W。IC在带图案的TFT_LCD图像中的性能：图3显示大小为32256的粗分辨率TFT-LCD完美图像，

15、它包含了32个行图像，每个大小为1256像素，通过将ICA图像应用到图3中，它由去混合矩阵（W）大小为3232和32个独立成分（yi）组成，每个大小为1256，图4描绘了所得的32个 IC的轮廓。由于ICA只能恢复源信号变换（和缩放），32个IC的顺序在图 4中不对应原始图像的行顺序，从图4可以看出，一些IC轮廓包含可见顶点，例如IC4就是个例子。IC轮廓的顶点代表TFT-LCD图像的垂直导电线，由于垂直导电线是粗分辨率TFT-LCD面板行图像的重复结构，IC包含明显顶点组成TFT-LCD图像的主要结构图案，从图4中也可发现一些IC具有近似一致的轮廓，例如IC12是个例子。具有平坦轮廓的IC导

16、电线不含边缘信息，因此它代表TFT-LCD图像的一致分割水平线轮廓，这些IC可以用来描述TFT-LCD的一致背景图像。（图3）（图4）由于计算的IC代表训练图像的各种结构图案，它们可以作为基本结构功能来组成完整图案的训练图像，当更多基本结构功能被用于重建原始图像，更好地逼近原始结构图案可以在重建图像中获得，TFT-LCD图像的主要结构图案可以被重建只用IC包含明显的顶点，由于它们描述了重建图案的边缘，随着带有明显峰值的IC在重建进程中，更多原始图像X的细节可以用在结果图像，设Y g为Nm的矩阵包含g，大部分IC的峰值含有剩下的n-g向量的的零项（gn），该重建行图像Xig的原始行图像Xi可以从

17、Yg中获得通过其中ai为混合矩阵A的第i行从去混合矩阵W中获得，i.e，A=W-1，i=1,2，n，当g=n的时候Xin被完整的重建作为Xi从aiY中。举个例子，图5（a）描画出了TN LCD行图像的灰度级轮廓在图1（b）。图5（b） - （e）显示重建行图像的结果，当g各自 等于10，15，20和25的时候，它可以观察到重建行图像的轮廓变得更接近原始行图像，随着IC的峰值在增加。需要注意的是32个IC中的20足以重建主要结构原始行图像，如图5（d）所示。（图5）具有明显顶点的IC也可以很好的组成MVA型LCD图像，它涉及高分辨率复杂结构图案，图6-8示出了MVA LCD重建行图像，图2（b）

18、 - （d）来自变化数目IC的峰值。MVA型图像的尺寸用于去混合矩阵W是48223，它48个IC，每个大小为1223。从图6-8可以观察到，当IC的峰值用作重建被充分选择，每三个原始MVA LCD行图像的主要结构可以很好地组成重建行图像，而不管它的原始源图案。（图6）（图7）（图8）因此，在使用ICA对TFT-LCD缺陷检测时，我们可以先识别包含显著顶点的IC来代表图案化表面的主要结构，相应的IC的被移除和替代用一个具体的WK对应于平坦IC轮廓来重组去混合矩阵W，平坦IC代表相同区域，包含TFT-LCD面板表面结构图案的无边缘信息，新形成的去混矩阵，表示为W *，它包含训练图像的最少结构图案，

19、用新形成矩阵W*来重建检查图像述重复结构图案将被删除，局部异常将在重建图像中呈现，这一步骤中，新形成的去混合矩阵W来自训练图像，重建一个检测图像来自新形成的去混合矩阵将被详尽的描述，在接下来的单元。基于ICA的图像重建方案：在所提出的基于ICA的图像重建方案中，ICA首先被应用到训练图像XT来找到去混合矩阵W和独立成分，训练图像大小为nM从NM的无缺陷TFT-LCD面板图像中获得，为了从训练图像更有效地推导出的IC，训练图像的尺寸比所述检查图像更小（i.e，nN），其中n是N的一个因素，由于IC伴随重大顶点代表TFT-LCD图像的主要结构图案，每个IC轮廓的变化可以用于识别IC。具有明显顶点的

20、IC将有更大的变化，而平坦轮廓将拥有更小的变化，变化范围的值用于本研究中衡量每个IC的变化程度。让yi=（yi1，yi2，yiM）是第i个独立成分，yi的值被定义为最大值和元素的最小的值之间的差，i.e 其中y ij是第i个IC的第j个元素，J =1，2，.，M。获得每个IC的范围值后，IC轮廓一递减顺序被分类基于它们相应的变化范围，被分类的IC轮廓可以被用作选择适当数目峰值的IC，他代表图像的主要结构图案，让ICi表示被分类为具有第i个最大范围值的独立成分，Wi是相应的去混合矩阵W的行向量，由于有更大范围值得IC包含明显的顶点，我们可以选择第一个g分类独立成分ICs来代表图像的球型结构图案，

21、这些被分类的ICs（i=1,2，g）用来代替IC，ICs相应的行向量Wi将被移除和替换用具体的Wk来自W，使产生新的去混合矩阵，它包含最少的结构图案信息，具体的Wk被用作替换应该包含唯一背景的表面信息。最小变化范围的IC将有最平坦的轮廓，它包含训练图像的最少结构图案信息，因此，相应的被用作具体去混合行向量wk来替换，具有最小变化范围的用于替换IC。检查图像XI的大小为NM被分成个子图像，设为Xi，它的每个尺寸为nM（i=1,2，N/n），注意，n的值为N的因子，一旦混合矩阵W得到，检查图像XI将被重建为这里是重建源图像，重建源图像的尺寸为nM。重建源图像可被认为是结合了重建行图像（i=1,2，

22、n），由下式给出其中wi是W*的行向量。 在每个重建行图像中在无缺陷区所产生的强度变化将是非常小的，与缺陷区相比而言。我们可以用简单的统计过程控制限制来设置阈值从重建源图像中找出缺陷，对于每个行图像，上下限为其中，和I分别是平均值和的标准偏差，而t是一个控制常数。该常数t通常采取3作为统计过程控制，由于重建图像在完美和有缺陷的区域之间的显著灰度差，更高的固定值4 被用于本研究，如果灰度值落在控制极限内，将被视为所述检查表面的完美点，否则，它被归为有缺陷的点。 所提出的方案的详细过程可以概括如下：训练：输入一个大小为nM的TFT_LCD图像作为训练矩阵。美白中心图像XT。计算大小为nn的去混合矩

23、阵W=【wi】和独立组件yi（i=1,2，n）使用FastICA算法。计算每个独立组件yi中Ri的变化范围。排序ICs以递减顺序和重新排序ICs作为ICi（i=1,2，n）。选择取代的数目ICi和相应的Wi（i=1,2，g；gn）。用ICn代替IC与相应的去混合排。重组原脱混合矩阵W以产生新的反混合矩阵，尺寸为nn，这里检查：美白中心图像XT大小为NM。重建的检查图像XI这里是XI的子图像，是重建源图像大小为nM，W是训练中得到的重整去混合矩阵。3. 使用控制界限二值化重构源图像：其中是图像在坐标（i，j）的灰度等级，和的平均值和图像的第i行中的灰度值的标准偏差一样，t是控制常数。代替IC的数

24、量可以手动选择基于观察分类IC的峰值轮廓，它适用于监督系统，因为目标在生产过程中是提前预知的，适当被替换数目的IC可以凭经验提前确定，另外，被替换的IC数量可以自动在线下训练平台被确定，ICA模型的完美训练图像和一组无缺陷的测试图像要先准备，从ICA模型所得的IC按递减顺序分类其相应的范围值是Ri，IC的替换数目g，从1开始在每次循环中加1，在每次循环中，所有无缺陷的图像的检测结果被计算出（带有固定的控制常数t = 4），如果无缺陷则全是无缺陷测试图像，则当前g的值被用作形成去混合矩阵，循环停止。所得值g可被视为取代IC的最小数目，可以对无缺陷的LCD面板产生清晰的表面，也足够敏感以提高LCD

25、面板微观缺陷的检测。图9（a）和（b）分别示出大小为32256的一个无缺陷的TN LCD图像和含有针孔缺陷有缺陷的TN LCD图像，两个训练图像图9（a）和（b）之一在图3中，相应的32个ICs的训练图像的轮廓被描绘在图4，表1列出了以递减顺序的32个ICs的变化值在图4，从表中看出具有最大的范围值，相反，具有最小的变化范围，从表1和图4中可以发现，第一个20最大IC包含显著的顶点，并且可以被选择为代表TFT-LCD图像主要结构图案。也就是说，在第一20ICs，被认为取代ICs.，相应的行向量也被替代，剩下的12个ICs和它们相应的被保留用于描述图像的一致背景，由于具有最小范围内的值，并具有最

26、稳定的轮廓，相应的去混行矢量用来取代用于生成新的去混合矩阵W。（图9）表一：图10（a1）和（a2）中分别示出一个完美的TN LCD行图像在图9（a），重建行图像用用矩阵，从图10（a2）可观察到，该重建行图象是均匀平坦的，并且结构图案重复峰值被有效地移除，图10（b1）中描绘出了有缺陷的TN LCD行图像在图9（b）表示越过针孔缺陷，重建行图像图10（b2）所得到的轮廓明显保留了局部异常，而且球型结构的图案的周期性峰值被很好的移除，图 11展示了使用上述类似的重建过程来演示复杂的MVA LCD图像。图11（a1）中显示了一个完美的MVA LCD行图像的灰度级，图11（b1）中是一个有缺陷的M

27、VA LCD行图像，从图11（a2）和（b2）中也可以观察到，所述重构行图像是大致均匀的无缺陷线图像，而有缺陷的线图像的重构行图像具有高的变化。（图10）（图11）为了显示检测结果，图9中个别重建行图像被分为两种尺寸在图12中。，图12（a1）中描绘了重建2D图像作为的无缺陷TN LCD图像在图9（a），可以发现，该无缺陷的重建2D图像接近形成一致的个别行图像，个别行图像之间的灰度级差异是由于在ICA模型的缩放。图12（b1）示出重建2D图像作为有缺陷的TN LCD图像在图9（b），结果表明，TN LCD面板结构图案被移除、针孔缺陷被很好地保留在重建图像中。（图12）在该二值化处理过程中，控制

28、常数t = 4用于设置控制限制部分缺陷。图12（a2）示出了结果二进制图像的重建图像在图12（a1），对于无缺陷的TFT-LCD表面，它是一个均匀的白色的图像，也没有缺陷。图12（b2）中示出了图12（b1）的二进制图像缺陷检测结果，它表明，针孔缺陷在结果二进制图像中正确检测到。图13（a） - （c）示出的二值图像为图12（b2）中使用的控制常数t分别为3,4和5的图像；图13（a）一些嘈杂点伴随针孔缺陷在当t=3的时候被保留在二进制图像中，随机噪声很容易的移除通过形态结束操作；图13（c）示出了用t = 5减少针孔缺陷的检测和忽视微观缺陷；在二进制图像图13（b）中示出该针孔缺陷被很好的分

29、割，当t=4的时候。因此，在控制常数t = 4被用于本研究中的所有测试样品。（图13）从图12（b1）和（b2）中观察到，和原始图像相比，2D圆形针孔缺陷的重建图像被分割，因为2D重建图像是个别重建行图像，在每个重构行图像中，一个非均匀段对应于检查图像中缺陷的位置。当重构1D行图像被组合以生成一个2D图像，所有重建行图像的非均匀段被加于2D图像中，在重建图像的缺陷就变成一个细长的线或棒状物体；因此，在重建图像中检测到的缺陷只表明其检查图像的位置，生成的形状并不代表在原始图像中的缺陷的原始轮廓位置。 实验结果：本节中提供了两种不同类型的TFT-LCD面板表面的试验结果，以评估缺陷检测方法的性能。

30、测试图像涉及低分辨率简单图案的TN TFT-LCD面板和高分辨率复杂图案的MVA TFT-LCD面板，所有的测试图像具有8位的灰度级，FastICA用于生成训练图像的去混合矩阵。3.1简单模式的TN LCD面板：图14（a1） - （c1）分别示出三种含有针孔，划伤和污点微粒缺陷的TN TFT-LCD面板表面的图像。注意图14（a1）含有主要的针孔缺陷和一些小颗粒，图14（d1）呈现了TN TFT-LCD完美图像的样本，TFT-LCD面板的尺寸是256256，分辨率是60像素/毫米。训练图像是从32256的完美图像中获得，它和图3的图像相同。对应的32ICs轮廓训练图像和图4的一样。正如2.3

31、节所说，这些被分类的ICs（i=1,2，g）用来代替IC，ICs相应的行向量Wi将被移除和替换用具体的Wk来自W，使产生新的去混合矩阵。图14（a2） - （d2）的结果图像通过使用重整矩阵W*重建4个测试图像分别在图14（a1）-（d1），图14（a3） - （d3）的缺陷检测结果的二进制图像在图14（a2） - （d2），控制常数t=4用于重建图像在二值化分割缺陷进程中，图14（a1） - （c1），球型结构图案被有效地消除，针孔，划痕和颗粒中的缺陷也被检测到，生成的二进制图像分别在图14（a3） - （c3），对于无缺陷的TFT-LCD表面图像在图14（d1），它的结果图像是图14（d3

32、）的二进制图像，是白色无缺陷的。（图14）3.2。复杂模式MVA LCD面板：对于复杂结构图案的高分辨率500像素/毫米的MVA TFT-LCD面板该方法还是很好的，测试图像宽是144223像素，而训练图像的大小为48223像素，控制常数t= 4用于二进制分割，图15（a1） - （e1）显示5种有缺陷的MVA图像包含各种尺寸在不同位置的缺陷，图 15（f1）描绘了一个无缺陷的MVA样本，MVA LCD面板的周期性无缺陷区域被用作训练图像，如图 16，为了产生矩阵W *，图15（a2） - （f2）分别示出了图15（a1） - （f1）的重建图像。从图15（a3） - （e3）可以发现，在二进

33、制图像中很容易检测到缺陷，不管缺陷的尺寸和位置；需要注意的是，小缺陷嵌入在复杂的背景下如图15（c1），也可以可靠地被检测到，所得的二值化图像是均匀的白色的无缺陷的MVA LCD图像如图15（f3）。（图15）（图16）（图17）3.3照明变化的影响：为了说明变化的照明对ICA的影响，线性照明变化的影响在本小节进行了评价。带刻度改变的照度的图像时，灰度级可以通过乘以一个常数s而获得到原始检查图像的灰度级，i.e.可以通过以下步骤获得所述重建图像的灰度级，照明改变图像的坐标（i，j）其中是行向量的第i行，是图像列向量的第j列，为重建原始图像中的坐标（i，j）的灰度级。结果从公式（8）表明灰度级在

34、重建图像规律照明变化中仍是原来灰度级的倍数，检查图像的光亮度变强或者或者变暗相应的重建图像就会生成。基于ICA的方法，因此不变的光照强度用于检测检测图像的尺寸变化。在图像改变的照度（Xa）中，灰度级可以通过加入一个恒定的一个原始图像的灰度级而获得由于检测图像被居中到零均值检查平台，照明的附加改变被消除了，该方法是不改变附加光照。图17（a1） - （c1）分别示出了三个有缺陷的MVA图像的照明下水平在500，750和1000勒克斯，MVA图像的无缺陷区在750 勒克斯光照，如图16，被用作训练图像以生成重整去混合矩阵。图17（a2） - （c2）分别示出了17（a1） - （c2）的重建图像，

35、从图17（a3） - （c3）观察到，所有的三个 MVA图像的缺陷被正确地分割到二值化图像中当控制常数t= 4的时候，而不管照明的变化。因此，建议ICA方法是不敏感的光照变化。移位改变的影响:为了充分计算ICA移动对缺陷检测的效果，通过水平移动和垂直移动进行试验。从公式（5）可以发现，ICA基本方法的水平移动对检查图像影响不大。由检查图像大小是nM，由M个列图像组成，其大小为n1（）根据公式（5）的ICA重建模型，重建图像尺寸为nM的 也可以被表示为重建图像的组合图像。这里为nn的重组混合矩阵。假设检测图像被水平地向右移动p个像素。由于TFT-LCD图像包含周期性图案，水平移位只会改变检测图像

36、的列向量循环置换，ie.其中，L是所述图像在水平方向上的周期，在这里，我们假设P L来简化记法，但不限制允许的可移动范围，重构图像的水平移动图像可通过以下公式获得从公式（9）表明，水平移动检测图像只会改变重建图像的列向量，它不改变重建图像的灰度级。因此，所提出的基于ICA的方法是不变的水平移动。举个例子，图18（a1） - （c1）分别示出了水平地向右移动5，10和20个像素的训练图像的三个有缺陷的MVA图像，图18（a2） - （c2）分别描绘了从图18（a1） -（c1）公式 （5）中获得的重建图像，图18（a1）-（c1）的缺陷检测结果被展现在二进制图像18（a3） - （c3），可以观

37、察到MVA图像的二进制图像仍然可以很好的分割缺陷，无论平移多少。因此，所提的基于ICA方法的水平移动是不敏感的，而且检测图像含有周期性图案。（图18）（图19）所提出的基于ICA的方法是不变的水平移位，然而，它不是独立的垂直移位。在实际实施中，所提出的基于ICA的方法能容忍垂直移动的几个像素，因为相邻像素的灰度值是彼此相似的。举个例子图19（a1）-（c3）分别给出了三个有缺陷的MVA图像，它们垂直的向下移动了4,5,10个像素来检测训练图像；图19(a2)(c2)给出了图19(a1)(c1)的重建图像，图19(a1)(c1)的检测结果被二进制图像到图19(a3)(c3)，可以发现MVA图像的

38、二进制图像可以很好的呈现缺陷，当垂直移动距离不超过5个像素。然而，当垂直移动距离的检测图像太大的时候，连同垂直线的一些残差缺陷图案被保留在所得的二值图像中，如图19(c3)。基于检测结果从图18、19和公式（9）可以得出结论，所提出的基于ICA的方法是不变的水平移动，但是检测图像的垂直移动很敏感伴随着重复图案。四个像素的基于ICA方法的可容忍垂直移动距离的MVA LCD面板检测500像素/毫米的分辨率下，在LCD制造中，TFT-LCD面板一般都完全一致的。4个像素的垂直移动所提方案在实践中应该不会影响缺陷检测。该方法可和模板匹配方法媲美。由于LCD面板含有重复图案的固定周期，每个划分模式的图像

39、中的一个周期可相比与预先存储的参考面板，或与它相邻的图案在相同的图像比较，这些方法已被普遍使用在许多商业自动化的视觉检测系统，由于参考模板匹配法对照明变化非常敏感，并且要求检测图像精确对准，它不是检测复杂LCD表面微观缺陷的方法，所提出方法的性能只与所述的模板匹配相比较，其中，每个分割的子图像的一个周期从另一个周期区相同图像中减去，并用显著灰度级像素的不同来区分出缺陷，成功的自我比较法高度依赖精确分割重复图案。图 20（a1） - （c1）呈现了一个无缺陷的和两个有缺陷的MVA LCD图像进行测试，每个测试图像可以被水平地划分成相等周期的3个子图像，上部子图像用于比较，图20（a2） - （c

40、 2）是自比较模板匹配的减法结果，其中，亮度和灰度级的不同成比例，图20（a3） - （c3）是图20（a2） - （c2）的各自阈值结果，分别使用控制界限与合适的控制常数t = 3。实验结果表明，在边缘周围的事物可能被错误地检测为缺陷，并且真是缺陷不能确切的增强到二进制图像上。相反，所提的方法可以很好的增强微观缺陷，在重建图像中伴随着一个清晰的背景。（图20）4.结论：本文提出了机器视觉方法自动检测TFT-LCD面板表面的微观缺陷，包括既简单又复杂的图案，所提出的方法是基于使用独立成分分析来重建图像，所提出的缺陷检测方案是一个监督方法，它需要无缺陷图像和选择适当数目的IC组成需要的去混合矩阵

41、。周期性图案图像的IC被视为完整结构的图案图像的基础结构功能，通过排除行矢量相应的IC，它代表主要结构图案和保留与IC有关的行向量，它代表唯一的背景图案图像去混合矩阵中，新形成的去混合矩阵包含最少的球型结构图案的训练图像，重建源图像的检测图像来自重组去混合矩阵，它可以有效的移除球型结构和增强局部异常。在所提出的方法，所述去混合矩阵的计算，在训练过程中只执行一次对一个给定类型图案TFT-LCD面板表面。因此在检测过程中非常有效的计算，因为它仅涉及到乘法两个矩阵，新形成的去混合矩阵和检测图像。实验已经评估了一些微观缺陷，包括TN TFT-LCD面板表面针孔、划痕、颗粒和MVA TFT-LCD面板表

42、面的微缺陷。实验结果表明，所提方法能有效地检测有简单结构图案的TN LCD和复杂结构图案的MVA LCD的微观缺陷，水平移动和光照变化是不会改变检测结果的。在这项研究中所提出的基于ICA的图像重建方案主要集中在图案TFT-LCD面板表面。我相信该方法可以直接扩展缺陷检测图案表面，一般只要检测包含周期性图案的表面。例如，所提出的方法也可以应用到彩色滤光片基板的检测在LCD制造过程中，滤色器包括红，绿和蓝色点重复出现在基片上，使得滤色器的图像重复图案，晶片和遮片的检测在半导体制造中也很可能的应用到如内存芯片，移位寄存器，CCD阵列等，如前面提到的，所提出的方法的固有缺点是它检查图像对垂直移动很敏感

43、，不能保留重建图像中检测到的缺陷的尺寸和形状，确定形状的缺陷提供了重要特征，对于分类有缺陷的类型，在过程监控和控制LCD制造中。图案化的TFT-LCD图像检测定型的缺陷正在研究过程中。参考文献：Y. Koike, K. Okamoto超高品质的MVA-TFT液晶显示，富士通科技期刊35（1999）221-228。2. J.H. Park, Y. Choi, T.Y. Yoon, C.J. Yu, S.D. Lee自对准上以垂直的聚合物光栅多域液晶显示器排列配置，杂志社的信息显示11（2003）283-287。3.K. Nakashima混合动力检测系统LCD彩色过滤板，第10届国际会议仪器与测

44、量技术滨松，1994年，第689-692论文集。4. J. Hawthorne电子光学技术测试平板显示器，激光世界36（2000）271-276。5. F.J. Henly, G. Addiego在线官能检查和修理在液晶面板制造，SID研讨会文摘方法32（1991）686-688。6. T. Kido, N. Kishi, H. Takahashi光电荷感应方法测试和表征薄膜晶体管阵列，IEEE杂志选择主题量子电子1（1995）993-1001。7. S.M. Sokolov, A.S. Treskunov最终测试自动化视觉系统的IEEE国际论文集：液晶显示器，会议机器人与自动化，法国尼斯，1

45、992年。8. C.J. Lu, D.M. Tsai图像的薄膜缺陷检测晶体管，使用快速的液晶显示面板的子图像为基础的生产的奇异值分解，国际杂志研究42（2004）4331-4351。9. C.J. Lu, D.M. Tsai自动缺陷检测，使用液晶显示器奇异值分解，高级国际杂志制造技术25（2005）53-61。10. D.M. Tsai, C.Y. Hung图像自动缺陷检测使用1-D傅里叶重建和小波TFT-LCD面板分解，生产国际期刊研究43（2005）4589-4607。11. A. Hyva rinen, J. Karhunen, E. Oja独立元件分析，约翰威利，纽约，2001年。12

46、. A. Cichocki, S.I. Amari自适应盲信号与图像处理：学习算法及应用，约翰威利，纽约，2002年。13. S. Ikeda, K. Toyama对于噪声数据独立成分分析- MEG数据分析，神经网络13（2000）1063年至1074年。14. R. Vigario, J. Sarela, V. Jousmaki, M. Hamalainen, E. Oja独立分量的方法来EEG的分析和MEG录音，生物医学工程47 IEEE（2000）589-593。15. T.P. Jung, S. Makeig, M.J. McKeown, A.J. Bell, T.W. Lee, T.J.Sejnowski采用独立分量成像的大脑动态分析。16. C.J. James, O.J. Gibson, 时间约束的ICA：一个应用程序神器抑制电磁大脑信号分析，IEEE生物医学工程50（2003）1108至1116年。17. C.F. Bec