T-HBAI 001-2024 有机发光二极管显示器 表面云纹(Mura)缺陷量化方法

有机发光二极管显示器表面云纹2024-10-17发布 -6- -8- -8- -19- 请注意本部分的某些内容可能涉及专利,本部分的发布机构不承担识别这些专利本标准主要起草单位：华中科技大学、武汉精测电子集团股份有限公司、武汉数有机发光二极管显示器表面云纹(Mura)缺陷量化方法本文件规定了有机发光二极管显示器表面云纹(Mura)缺陷量化的分级标准及实验2.规范性引用文件下列文件对于本文件的应用是必不可少的。凡是注日期的引用文件，仅注日期的版本适用于本文件。凡是不注日期的引用文件，其最新版本（包括所有的修改单）适GB/T20871.2-2007有机发光二极管显示器第2部分法GB/T20871.63-2021有机发光二极管显示器件第6-3部分：3.术语和定义CSF对比度敏感函数(ContrastSensitivityJND最小可觉差(JustNoticeableD5.主观实验方法为了获取人眼对Mura缺陷不同严重程度的评价数据，首先要进行主观量化实验来采集数据。国际电信联盟（InternationalTelecommunicationUnion，ITU）发布了除显示器件内部因素外，实验场景中的其他外部条件也会影响最终结果。因此，实验根据Mura缺陷特性和人们日常使用手机的习惯，选择合缺陷对比度因素会直接影响Mura缺陷的显著程度，因此作为首要考虑因素，其值通过Mura缺陷区域内外平均灰度进行计算，同时为了减少全局光照不均带来的影响，其中，cd和cb分别表示缺陷区域和背景区域的灰度均值。该方法适用于黑白Mura缺陷区域对比度的计算，对于彩色Mura，通过亮度进行进行对比度计算。首先参照附件B中图B.1色域转换的方式，将图片从RGB色彩空间转换为XYZ色域。在XYZ色域中，Y针对彩色Mura缺陷区域的平均对比度计算，本标准仅提供转换方法，其余因素的p=ΣNpix在真实环境下Mura缺陷的形状往往不规则，进行具体类型细分的难度大。针对不在主观实验中的外部环境条件，如观测距离、观测角度及环境照度等都属于外部因素，这一类因素的选择是通过模拟真实的检测环境及参考日常使用过程中的常见设限度样本可以在主观实验的过程中为实验人员提供参考标准，减少不同实验人员之间评价标准不一致所造成的影响。为了使限度样本更能够代表某一程度的Mura缺陷进行排序，再等间隔的选取图片作为预实验的待验证图片。实验人员通过对比前后图片的缺陷程度变化情况，进行三值化打分，经处理后获得的缺陷程度排序与算法排序实验人员进入实验场地并根据要求调整观测距离、角度、环境照度等客观条件，6.多因素量化公式通过对双刺激度对照实验获得的数据进行筛选处理，并进行多因素非线性拟合，得到多因素量化公式，经验证实验的数据测试，多因素量化公式的预测结果与真值的通过对比度因素分析得出，对比度对主观评分存在显著正相关性，且随着对比度计对比度因素子项为线性函数并在模型中设置截断，并设置负指数函数，拟合对比度对评分影响趋于饱和的趋势。对比度因素子项作为模型的主导项，该因素的计算公式f(c)=（a1c+a2）ca3其中，a1、a2和a3均为待定参数（a3＜0）。通过尺寸因素分析得出，缺陷尺寸对主观评分不存在显著的相关性，当缺陷大小因素，即缺陷像素数量子项为负指数函数，拟合缺陷尺寸增大而评分逐渐趋于平稳的f(p)=a4pa5其中，a4和a5为待定参数（a4＜0fp子项以递减系数的形式对整体模型进行相乘整体而言，对于模型尺寸因素子项的修正项，三种缺陷的评分大体都符合f(p)的修正趋势，即当缺陷大小逐渐增大时，缺陷的评分波动减小，并逐渐趋于平稳，但是f(L)1=a6Lsa7Lℎa8Lvf(L)2=a9Ls+a10Lℎ+a11Lvhline和vline）的标签，当评估某一类缺陷时，该类别标签置为1，而另外两个类别标签置为0。fL1作为模型相乘的子项进行收敛速率上的修正，而fL2作为模型相以看出，三种缺陷的线性拟合趋势存在斜率和截断项的差异。对于斜率上的修正，由线可以看出spot类较其他两个类别的缺陷有较大不同，因此设计在fC的截断项中，f(C,Ls)=（a1C+a12Ls+a2）Ca3其中a12为待定参数，Ls为spot类型缺陷标签。通过上述不同因素的分析，得到最终的模型形式：由对比度因素决定的评分主导项与尺寸因素和类别因素对评分进行修正的子项相乘，加上由类别因素决定的修正截Q=fpfL1f(C,Ls)+fL2Q=a4pa5a6Lsa7Lℎa8Lv(a1C+a12Ls+a2)Ca3+a9Ls+a10Lℎ+a11LvQ=50.43p−0.06−0.00055Ls48.48Lℎ51.63Lv(3.336C+930.68Ls+−3.34)C−92.59+10.78Ls−8.83Lℎ−8.63Lv7.量化神经网络通过对双刺激度对照实验获得的数据进行筛选处理，并进行神经网络拟合，得到对应的量化模型，经验证实验的数据测试，神经网络量化算法的预测结果与真值的相为保证训练与预测的高效性与准确性，在网络的结构设计上使用简单的多层感知机（Multi-LayerPerceptron,），和一个最后的线性层来产生输出，如图4所示。模型使用L1损失进行训练，并使用小）和类型的特征提取，为了训练的稳定，首先对数据进行归一化处理。各隐藏层维度分别为512、256、128和64。损失函数为模型输出与评分标签的平滑L1损失。batch_size设置为16，学习率设置为0.001。整个模型的目标是通过学习从输入到输使模型学习到预测缺陷等级的特征。算法训练流8.量化结果验证为验证本标准提出的两种量化方法的准确性，采用验证实验数据对模型量化结果验证实验中采用Pearson相关系数R2进行评估，其其中，Qi为第i张Mura缺陷图像的模型量化结果，表示所有图像模型量化结果的平均值，Li和L-分别表示各图像量化标签与所有标签的平均值。通过相关性指标R2对Mura量化模型结果进行评估，判断输出值与标签值的变化趋势从而反映各模型在Mura缺陷多因素非线性量化公式的验证结果相关系数为0.9362，实验数据拟合效果如图5神经网络量化模型的验证结果相关系数为0.9445，实验数表1对比实验结果A.1概述Mura缺陷可以根据其形式和/或成因进行分类。KaiChiehChang先生在2019年的IECTC110会议上提出了不同种类的Mura分类，具体的分类如A.2Mura缺陷类型表A.1Mura缺陷类型点痕B.1概述B.1.1暗室环境设置在测试色度、亮度以及其他相关的指标内容时，需要使用m2或应小于显示屏黑场亮度的1/20，两者取数值较小者。另外，如果色度计的灵敏度不足以测试这些低亮度，那么应注明色度计的最低限值。除另有规定，本实验B.1.2暗室环境设置在暗室中设置实验所需的观测台，观测台上方使用置顶LED灯管用于模拟自然光源，在不受其他光源干扰的情况下，在观察员观测屏幕位置检测到的环境B.1.3暗室环境设置在本实验中使用的观测设备为两台有机发光二极管显示器B.1色域转换的方式，调整两个显示屏视觉效果一致，以减小不同屏幕所带来的视觉观感图B.1CIE-XYZ色彩空间图片标定流程图在限度样本选取实验中，先利用缺陷的灰阶等级对所有待其中，Nsorted为待测图片排序等级，Npix为缺陷区域所有像素，ci为缺陷像素点的灰阶。B.3双刺激度对照实验流程调整观测角度，实验人员在后续实验中尽量头部固定，以保证1.首先由工作人员介绍实验流程，每次实验共分为2.观察人员在观测用屏幕上观看缺陷图片，对比参考样图上呈现的缺陷程度，并3.开始主观评价实验，依次观测三种不同类型的Mura缺陷，每张图片显示最多5秒钟，在观察时间内，实验人员可用切换不同的参考样图进行比对，找到最接组测试序列（3组单一类型的Mura缺陷）；987654321良N0C.1神经网络量化算法流程#量化算法输入：训练数据集xdata,标准等级Qdata，待测图片x，缺陷分割区域Npix，缺陷类型L输出：待测图片缺陷量化等级Q##训练forx∈xdatadoendmodel=torch.nn.Sequential(torch.nn.Linear(input_size,hidden_size1,bias=True),torch.nn.ReLU(),torch.nn.Linear(hidden_size1,hidden_size2,bias=True),torch.nn.ReLU(),torch.nn.Linear(hidden_size2,hidden_size3,bias=True),torch.nn.ReLU(),torch.nn.Linear(hidden_size3,hidden_size4,bias=True),torch.nn.ReLU(),torch.nn.L