基于Chan-Vese模型的TFT-LCD Mura缺陷快速分割算法

针对传统的Chan-Vese模型(C-V模型)分割背景不均匀的TFT-LCD Mura缺陷速度慢的问题,将水平集函数与符号距离函数的偏差作为能量项引入C-V模型,去掉了符号距离函数重初始化步骤;为了平衡图像的整体亮度不均匀,在传统的C-V模型中引入轮廓曲线内、外部区域之间的亮度差项,提高了分割准确性。在数值实现上,采用无条件稳定的半隐差分格式,适当加大步长,加速曲线演化过程,相比于有限差分格式和AOS格式,分割速度明显提高。实验结果表明,本文提出的算法能够准确地分割背景不均匀的Mura缺陷图像,并且分割速度快。     

TFT-LCD工艺中角落白Mura的成因机理研究与改善

在新产品导入过程中会突发各种Mura类不良。本文为解决TV机种导入中出现的一种原因未知的角落白Mura,首先进行了大量的排查和推理,初步判定异常来源于成盒工艺(Cell)段,利用气相色谱(GC)、高效液相色谱(HPLC)设备测试并对比了角落白Mura区域与正常区域的液晶纯度、液晶组份和框胶溶出的差异,最后探讨了其形成的机理。结果表明角落白Mura区域液晶组份发生较大变动,液晶组份挥发是角落白Mura产生的主因。通过优化贴合时的真空抽气时间、真空保持时间、液晶滴下点数、液晶与边框胶距离等一系列的改善措施,使产品的角落白Mura发生率从16.59%降到了0.001%以下管控范围。实验有效解决了角落白Mura异常并为今后类似Mura类不良的对策提供了思路,同时提升了公司的效益和竞争力。     

液晶显示器Mura缺陷及测量方法浅析

Mura缺陷是液晶显示器(LCD)中常见的不良现象,直接影响到显示图像质量.本文对液晶显示器Mura缺陷进行了详细的综述,首先概述了Mura缺陷的种类及主要来源,然后介绍了Mura缺陷的三类测量方法:人工视觉识别法、电学测量法、光学测量法.人工视觉识别法利用滤光片观察样品,成本较低,但无法做到客观的评定产品等级;电学测量法适用于电气缺陷造成的Mura;基于机器视觉的光学测量法是当前研究的热点,对于各种原因造成的Mura缺陷均具有良好的检测效果.详细分析了各种检测方法的特点,最后进行归纳总结.     

ADS液晶面板划痕Mura研究

手指滑动ADS(Advanced Super Dimension Switch)液晶面板的L255画面时,由于按压导致的液晶分子形变和电场作用,滑动位置亮度会降低,表现为留下发暗的按压的痕迹。如果该痕迹在按压5 s后不能恢复,我们称之为划痕Mura(Trace Mura)。本文通过对比5种不同像素设计的液晶面板的滑动按压实验的结果,得到了像素电极设计、驱动电压对Trace Mura的影响;进一步模拟分析液晶分子状态,得到判断不同像素设计的Trace Mura风险的模拟方法。主要结论如下首先,像素电极尾部设计对于Trace Mura改善方面,弧角设计优于切角设计,切角设计优于开口设计;像素电极间距(Space)越小,Trace Mura风险越小。其次,Trace Mura需要在高灰阶电压下按压划动液晶面板才能发生;而发生Trace Mura的液晶面板,可以通过降低液晶面板的电压灰阶来消除按压痕迹。最后,对比液晶分子状态模拟结果,确认在电极末端的液晶分子方位角会发生突变(即向相反方向偏转),模拟的突变角度在-15°以上,预测有Trace Mura风险。     

横线Mura的分析与改善

横线Mura是一种在TFT-LCD生产过程中产生的不良,对于画面品质有较大的影响。文中对横线Mura发生的原因进行分析,通过对金属膜层的应力测量及分析不良区域金属断面结构,认为横线Mura的发生是由于在栅电极成膜过程中,玻璃基板中心和边缘的Mo金属层的应力差异较大,造成在应力释放后Mo金属层与玻璃基板之间结合不紧密,从而影响到栅电极与源电极间的寄生电容参数发生变化和信号电平发生偏移。提出对栅电极膜层结构进行调整,将栅电极底层Mo金属膜去除可以有效地降低不良的发生比率,并进行了相关验证。     

基于改进Chan-Vese模型的液晶显示屏Mura缺陷分割

液晶显示屏Mura缺陷是一类较难检测的显示缺陷,它具有对比度低、背景亮度不均匀、边缘模糊等特点。针对传统Chan-Vese模型(C-V模型)对其分割时存在误分割及速度慢的问题,本文提出一种改进的C-V模型。首先,依据曲线演化理论,简化了传统C-V模型的图像数据力驱动项,这样减少了迭代过程中的计算量,提高了分割的速度。其次,为了平衡图像的亮度不均匀,在模型中引入一个新的能量项,该能量项与轮廓曲线内、外部之间的亮度差有关,提高了分割的准确性。最后,在算法的实现过程中引入迭代停止的判别式,通过设定分割的精度可以实现迭代的自动停止,并有利于正确地分割出目标。实验结果表明,本文提出的改进C-V模型能够准确分割背景不均匀的Mura缺陷,并且具有较快的速度。     

Chemometrics characterisation of the quality of river water

Within the period from autumn 1990 to spring 1999 (from October to April in each period) 207 samples were collected and the measurement of 19 physical and chemical variables of the Mura river, Slovenia, were carried out. These variables are: river flow, water temperature, air temperature, dissolved oxygen, deficit of oxygen, oxygen saturation index, chemical oxygen demand (COD) in unfiltered and filtered samples, and biochemical oxygen demand after 5 days (BOD5) in unfiltered and filtered samples, pH, conductivity, ammonium, nitrite, nitrate, and phosphate concentrations, adsorbable organic halogens (AOX), dissolved organic carbon (DOC), and suspended solids. For handling the results of all measurements different chemometrics methods were employed: (i) the basic statistical methods for the determination of mean and median values, standard deviations, minimal and maximal values of measured variables, and their mutual correlation coefficients, (ii) the principal component analysis (PCA), and (iii) the clustering method based on Kohonen neural network. The influences of season, month, sampling site, and sampling time on the pollutant levels were examined. Before 1993, the pulp and paper industry was the main source of pollutants because of large amounts of chlorine emission as a consequence of industrial treatment, the leaching of cellulose. After the year 1993, the technology was changed and the quality of the river water has improved. The improvement could be detected 1 year after the change of technology. For one part of water samples the river quality classes based on biological parameters were also determined. The correlation between the biologically determined quality classes and chemical measurements was sought. Consequently, the biological classification for the water samples based on the chemical analyses was studied.     

基于自适应局部增强的手机TFT-LCD屏Mura缺陷自动检测

针对手机屏幕图像整体亮度不均以及Mura缺陷对比度低等特点,提出一种基于自适应局部增强的Mura缺陷自动在线检测方法。首先对CCD相机采集的手机屏幕原始图像进行感兴趣区域提取、几何校正、滤波等预处理,获取图像中的屏幕区域,然后将屏幕区域划分为多个不重叠的像素块,并根据每个像素块的灰度分布特征,采用自适应局部增强算法自动识别并定位图像中的Mura区域,最后考虑到Mura缺陷大小的不确定,提出采用多层级分块的方式对屏幕区域进行检测,提高算法鲁棒性。实验结果表明,相较现有多种屏幕缺陷自动检测算法,本文方法能更准确有效地识别手机屏幕中的Mura缺陷,且覆盖率和误检率分别为91.17%和5.84%。     

基于重压法的Touch Mura形变过程模拟

拍击位移量是液晶面板出现Touch Mura的根本原因,但因为玻璃基板的形变能够迅速回复,瞬时位移量难以检测。文章通过重压法模拟了拍击位移过程,发现随着液晶量的增加,最大位移量也增加,但同时回复能力大大增强,使得最终位移量反而变小。     

未确认Mura分析及改善对策

未确认Mura是一种能够影响TFT-LCD画面品质的不良。文章对未确认Mura不良进行了详细的分析,认为扇形区域出现有源层残留是导致未确认Mura不良发生的原因,介绍了一种通过变更曝光工艺条件来解决此种不良的方法,并通过试验论证了此方法的量产可行性。