本文關鍵詞：基于多特征融合的LCD微小瑕疵自動分類，，由筆耕文化傳播整理發(fā)布。

【摘要】：薄膜場效應晶體管液晶顯示器(以下簡寫為TFT-LCD),因其出色的色彩表現力,超低的能耗,和輕薄的特性,在顯示設備的領域已經逐漸有一統江湖的勢頭。在LCD大批量生產的過程中,精確的質量把控是產線不間斷工作的保證,這種質量監(jiān)控主要依賴于對產線上每一階段的半成品的實時分析。TFT-LCD的工藝流程中最容易產生瑕疵的流程是陣列(Array)制程,這個制程包含了復雜的工藝,生成精細的模塊。一張顯示屏往往集成了數以億計的的晶體管,它們會排列成周期陣列。根據制作工藝的不同,在這個制程中會疊加4到7層工藝,這些層都將疊加式的制作于一塊玻璃薄板上。在陣列制程產生的產品缺陷。如果不能及時發(fā)現,及時解決,在接下來的制程中都將造成不可挽回的損失。陣列的工藝主要由三個基本操作實現:分別是鍍膜、光刻和刻蝕。這三個工序都可能產生不同類型的工藝上的瑕疵。這些瑕疵根據它們的成因可以分為很多類。在LCD生產的生產中,及時的發(fā)現并且識別出它們的類別,對于發(fā)現生成工序的缺陷,改善生成工藝,提高生產質量都至關重要。在以往的檢測中,人工檢測一直扮演著重要的角色,在Array制程之后,需要大量的檢測人員對生產出的基板作詳細的甄別,用肉眼找出可能的瑕疵,并通過大量的經驗判斷瑕疵的類別,這項工作不但極其繁重,而且由于人的判斷差異,會出現大量的誤判。在這篇文章中,我們詳細闡述了如何通過機器學習和計算機視覺的方法解決在液晶面板的生產中對半成品檢測的工作。我們首先探索了挖掘瑕疵不同方面特征的描述子,并對幾個描述子給出了更加合理實現,提出了一種更為適合液晶瑕疵特征的編碼過程,并基于先進的特征融合的方法構造多特征分類器,使不同類型的描述能夠協同的工作。最后我們給出了算法在工程實現中的技術細節(jié),包括并行化和線性計算的優(yōu)化,這些技術優(yōu)化使得算法可以在大數據面前保持從容。
【關鍵詞】：模式識別 TFT-LCD瑕疵 多特征 空間權值 并行化
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN873.93
【目錄】：

• 摘要4-6
• ABSTRACT6-13
• 主要符號對照表13-14
• 第一章 緒論14-20
• 1.1 研究背景14-16
• 1.2 國內外研究現狀16-17
• 1.3 研究目標17-18
• 1.4 章節(jié)安排18-20
• 第二章 基于特征統計的圖像描述子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 實驗結果及分析23-24
• 2.2 金字塔梯度直方圖24-27
• 2.2.1 特征原理24
• 2.2.2 方向梯度直方圖24-26
• 2.2.3 空間層疊金字塔26-27
• 2.2.4 實驗結果及分析27
• 2.3 本章小結27-30
• 第三章 基于硬編碼方式的圖像描述子30-40
• 3.1 對手顏色空間編碼30-35
• 3.1.1 CIELAB顏色空間31-33
• 3.1.2 對手顏色空間的模型與推導33-34
• 3.1.3 對手顏色空間的編碼方式34-35
• 3.2 聚類解決顏色空間的劃分問題35-37
• 3.3 用硬編碼對新顏色空間編碼37-38
• 3.4 實驗效果與分析38-39
• 3.5 本章小結39-40
• 第四章 基于軟編碼方式的圖像描述子40-50
• 4.1 稠密提取的旋轉不變描述子40-48
• 4.2 基于紋理的空間權重分配48-49
• 4.3 實驗效果與分析49
• 4.4 本章小結49-50
• 第五章 在多個核空間內的核融合方法50-56
• 5.1 基本分類器50-52
• 5.2 核空間的選擇52-53
• 5.3 多特征融合分類器53-54
• 5.4 實驗效果與分析54-55
• 5.5 本章小結55-56
• 第六章 系統架構56-64
• 6.1 圖像的預處理56-57
• 6.2 系統流程57-59
• 6.3 系統模塊59-60
• 6.4 技術細節(jié)60
• 6.5 實驗效果與分析60-62
• 6.6 本章小結62-64
• 全文總結64-66
• 參考文獻66-70
• 攻讀學位期間發(fā)表的學術論文目錄70-72
• 攻讀學位期間參與的項目72-74

【相似文獻】

中國期刊全文數據庫 前10條

1 初紅霞;王科俊;王希鳳;郭慶昌;韓晶;;多特征融合的退火粒子濾波目標跟蹤[J];計算機工程與應用;2011年06期

2 顧鑫;王海濤;汪凌峰;王穎;陳如冰;潘春洪;;基于不確定性度量的多特征融合跟蹤[J];自動化學報;2011年05期

3 姚紅革;杜亞勤;;基于多模式多特征融合粒子濾波視頻目標跟蹤[J];西安工業(yè)大學學報;2012年11期

4 王蘭;;基于多特征融合的票據分類技術及應用[J];計算機光盤軟件與應用;2013年13期

5 陳增照;何秀玲;楊揚;董才林;;基于多特征融合的票據分類技術及應用[J];計算機工程與應用;2006年09期

6 周斌;林喜榮;賈惠波;宋榕;;多特征融合的手背血管識別算法[J];清華大學學報(自然科學版);2007年02期

7 劉貴喜;范春宇;高恩克;;基于粒子濾波與多特征融合的視頻目標跟蹤[J];光電子.激光;2007年09期

8 胡全;邱兆文;王霓虹;;基于多特征融合的圖像語義標注[J];東北林業(yè)大學學報;2008年10期

9 周靜;黃心漢;彭剛;;基于多特征融合的飛機目標識別[J];華中科技大學學報(自然科學版);2009年01期

10 沈才梁;許雪貴;許方恒;龍丹;;多特征融合的人臉檢測[J];計算機系統應用;2009年11期

中國重要會議論文全文數據庫 前3條

1 葉鋒;蔡光東;鄭子華;亓曉旭;尹鵬;;基于多特征融合的藥用植物標本識別[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

2 段其昌;季長有;;基于多特征融合的快速人臉檢測[A];第十七屆全國測控計量儀器儀表學術年會（MCMI'2007）論文集（上冊）[C];2007年

3 李玉峰;鄭德權;趙鐵軍;;基于SVM和多特征融合的圖像分類[A];第四屆全國信息檢索與內容安全學術會議論文集（上）[C];2008年

中國博士學位論文全文數據庫 前4條

1 田綱;基于多特征融合的Mean shift目標跟蹤技術研究[D];武漢大學;2011年

2 徐志剛;基于多特征融合的路面破損圖像自動識別技術研究[D];長安大學;2012年

3 陳秀新;多特征融合視頻復制檢測關鍵技術研究[D];北京工業(yè)大學;2013年

4 初紅霞;基于均值移動和粒子濾波的目標跟蹤關鍵技術研究[D];哈爾濱工程大學;2012年

中國碩士學位論文全文數據庫 前10條

1 張巖;基于多特征融合及二部圖匹配的3D目標檢索技術研究[D];哈爾濱工業(yè)大學;2015年

2 計明明;基于多特征融合的三維模型檢索技術[D];浙江大學;2015年

3 王慶;基于多特征融合的人體動作識別方法研究[D];上海大學;2015年

4 劉婕;復雜場景多特征融合粒子濾波目標跟蹤[D];重慶理工大學;2015年

5 崔劍;基于多特征融合的分級行人檢測方法研究[D];電子科技大學;2015年

6 王珊珊;基于極化SAR非監(jiān)督分類的油膜厚度估算方法研究[D];大連海事大學;2015年

7 肖冠;基于多特征融合的異類傳感器中段目標關聯算法研究[D];國防科學技術大學;2013年

8 王建榮;基于多特征融合的無人機航拍圖像識別研究[D];成都理工大學;2015年

9 高爽;基于多特征融合的粒子濾波跟蹤算法研究[D];西安電子科技大學;2014年

10 坎啟嬌;基于多特征融合的多目標跟蹤算法[D];河北工業(yè)大學;2015年

  本文關鍵詞：基于多特征融合的LCD微小瑕疵自動分類，由筆耕文化傳播整理發(fā)布。

本文編號：262621