液晶面板的表面缺陷及其检测方法

来源：机器视觉沙龙

随着新一代信息通信技术的迅猛发展，作为终端设备的智能手机、平板电脑、智能家居等产品的市场需求持续增长，液晶面板生产规模急剧增大，成为信息产业中的支柱之一。

液晶面板行业的崛起，带动面板质检需求的暴增。

传统的缺陷检测主要由人眼辨别，这给企业把控生产质量和提高生产效率，带来巨大困难。有鉴于此，采用一种新型的面板质量检测方式来代替人工检测是亟待解决的技术问题。

01 液晶面板缺陷由来

薄膜显晶体管液晶显示器（TFT-LCD）具有高分辨率和功耗低等优点，因此被广泛应用于显示器行业。

但是显示屏的生产过程流程多、环境等因素，难以避免会出现缺陷显示屏，导致产品不良率较高。TFT-LCD显示屏的制作包括镀膜、刻蚀、显影、面板组合、灌晶封口和安装驱动芯片等工艺，复杂的工序导致缺陷的出现，常见的缺陷包括点缺陷，线缺陷和Mura缺陷。

“Mura”一词来源于日语，译为斑点、脏污，也被称为“云斑”，是显示缺陷中最难检测的缺陷之一。传统的Mura检测方法是通过人工视觉检查的方式实现的，主要采用裸眼辨别的方法。此方法效率低下，并且容易造成视觉疲劳，从而导致结果正确率降低。

基于机器视觉的液晶面板检测，可实现对液晶面板的各个生产工艺产生的缺陷进行检测，包括Array（阵列）工艺，CF（彩膜）工艺，CELL（成盒）工艺，Module（模组）工艺，可实现对crack（裂纹），broken（破损），chip（崩边），scratch（划痕），burr（毛刺），drop（水滴）等缺陷的有效检测区分。

02 液晶面板检测难点

产品面积大产能高，人工无法做到每张都检测，存在漏检风险

液晶面板未切割前通常面积很大，以10.5代线为例，整张面板面积可达到3370mm*2940mm，人工检测难度极大、易疲劳，采用人工检测不能保证产能及准确性。

面板缺陷极易导致产品出现破碎

液晶面板生产过程中会概率性出现崩边、破损、裂纹、划痕等缺陷，如不及时发现并加以处理，进入下道生产工序主设备，可能会在生产过程中在设备内部发生玻璃破碎现象，从而必须进行主设备停机检修清理，导致停产经济损失。

缺陷出现的位置、类型无法统计归纳分析，无法做到数字化

人工检测无图片影像资料记录，检测标准一致性差,无法进行产品追溯。

招工难度大，人力成本高

随着人均工资水平不断提高，用人成本也逐年升高，且招工难度大、人员流动性大。且人工检测对于眼睛的伤害比较大，导致人员的流动性大，招工有一定的困难。

03 液晶面板检测方法

近年来，许多基于计算机视觉的面板缺陷检测系统不断涌现，但各厂商利用的缺陷检测算法基本上都是比较传统的视觉方法。但是随着生产工艺不断进步，检测要求随之提高，检测精度要求也在不断增加，对算法的实时性要求也大大提高。

随着深度学习的兴起，对于这种难以检测的缺陷，我们利用卷积神经网络（CNN）进行屏幕缺陷的检测。

对于检测问题，现有的目标检测算法有很多，可以实现较高精度和实时性的检测，有效对液晶面板瑕疵进行识别和分类——实现针对崩边、裂纹、脏污、水滴、划痕等缺陷检测，并与主生产设备对接，检测到缺陷后根据缺陷的类型自动做出反馈判断：停机或报警，现场无需工作人员实时监控。

增效率

深度学习算法可以更精准的识别出崩边等生产隐患，即杜绝由于玻璃碎片导致的产线停机，也杜绝识别错误带来的误报警，从而提升生产效率。

降成本

避免由于玻璃破碎造成的设备损坏，降低设备停机导致的误工成本，也降低了设备的维修成本。

升品质

减少由于表面的划痕、脏污影响电路生产、液晶成像，导致产品品质问题。

提工艺

通过质检数字化，提升数据溯源分析能力，对于提高生产工艺提供有力保障。

采用线阵相机、镜头，根据检测需求项，选择搭配背光源、同轴光或高亮线光源对液晶面板图像进行采集，在扫描图片的过程中，智能算法同时处理图像，实时显示面板的缺陷信息，判断表面是否有异物、划伤、异色、凸包、凹痕、针孔、毛边、亮点，对于有缺陷的玻璃，实时联动主设备进行停止等相关操作，防止在生产过程中因玻璃碎裂导致主设备停机。

机器视觉检测流程设计：