《Engineering Applications of Artificial Intelligence》:Domain-motivated multi-scale feature-enhancement network for mura defect detection in organic light-emitting diode displays
编辑推荐:
摘要有机发光二极管(OLED)显示屏中的Mura缺陷因亮度不均、对比度低、形状不规则及边界模糊等问题,给质量控制带来了重大挑战。在工业自动化检测中典型的复杂光照条件下,这些问题尤为棘手。针对这些挑战,本文提出了多尺度Mura网络(MS-MuraNet),这是一种领域驱动的多尺
摘要
有机发光二极管(OLED)显示屏中的Mura缺陷因亮度不均、对比度低、形状不规则及边界模糊等问题,给质量控制带来了重大挑战。在工业自动化检测中典型的复杂光照条件下,这些问题尤为棘手。针对这些挑战,本文提出了多尺度Mura网络(MS-MuraNet),这是一种领域驱动的多尺度特征增强网络,用于OLED Mura缺陷分割。MS-MuraNet通过三种创新策略,整合了一种显式的领域驱动方法。首先,一种领域驱动的确定性预处理策略将每张原始图像转换为直方图增强表示和伪热成像表示,以提高弱缺陷线索的可见性。然后,解码器整合了通道注意力增强模块、级联双阶段特征增强模块和弱目标增强模块,在增强低对比度区域检测的同时,生成区域感知和轮廓感知特征。最后,提出了一种边缘精细化注意力模块,以保留对质量保证至关重要的精细边界细节。此外,采用了一种混合损失函数,以提高模型对模糊边界和低对比度区域的敏感性。在真实数据集上评估了所提方法的性能,并与基准方法进行了比较。MS-MuraNet始终优于18种分割和显著目标检测基准方法,相对改进幅度在0.25%至8.88%之间。代码可在
https://github.com/Ai-Chen-Lab/MS-MuraNet 获取。
引言
面板显示屏,如液晶显示屏(Lee和Tang,2012)、发光二极管显示屏(Ahn,2013)和有机发光二极管(OLED)显示屏(Huang等,2021),被广泛应用于电视、计算机和智能手机中。OLED技术因其高对比度、广视角和纤薄外形而备受青睐。然而,OLED制造工艺复杂,不可避免地会引入缺陷,给智能制造系统中的自动化质量控制带来了持续挑战。在这些缺陷中,Mura缺陷表现为不规则的亮度图案或云雾状异常,其特征为对比度低、亮度不均、边缘模糊和形状不规则(Pratt等,1998;Su和Hwang,2011)。
OLED工艺包括阵列处理、OLED发射器件制造和模组组装,如图1所示。图2展示了OLED显示屏中典型的Mura缺陷。带状Mura沿特定方向呈现为线性图案,通常由驱动电路不均匀或像素退化引起,导致亮度不均匀,如图2(a)-(d)所示。圆形或斑点状Mura源于局部材料或工艺变化,形成离散异常亮度斑块,如图2(e)-(f)所示。色彩Mura以明显的颜色失真为特征,可严重降低显示保真度,如图2(g)-(h)所示。这些缺陷降低了视觉质量,对产品可靠性和生产良率产生不利影响,因此需要低误报率的稳健检测方法。
目前,工业生产中的Mura检测主要依赖受控光照条件下的目视检查。该方法成本高、效率低且主观性强,导致结果不一致(Zhao等,2025)。人类视觉敏感度的差异和操作员疲劳可能导致同一批次面板的良率波动5%至10%,直接影响产品质量并增加生产成本(Ebayyeh和Mousavi,2020;Chu等,2025)。近年来,自动化检测技术应运而生。现有方法大致可分为两类:背景重建和特征表示。背景重建方法,如回归拟合(Lee和Yoo,2004)、离散余弦变换(Liang-Chia和Chia-Cheng,2007)和奇异值分解(Yang等,2013),通过估计无缺陷背景并比较残差来检测异常。特征表示方法提取判别性描述符并分析其分布以定位缺陷。例如,局部二值模式(Torres等,2021)强调纹理线索,而深度模型学习更高层的表示以适应多样化的形状和尺度。在实践中,工业检测图像通常存在噪声和光照不均匀,预处理中常应用传统去噪操作(如均值滤波(Golestan等,2013)、中值滤波(Zhu和Huang,2012)和高斯滤波(Deng和Cahill,1993))。然而,传统流程在建模复杂空间关系和微妙亮度偏差方面存在局限,而深度模型通常需要大量标注数据且对噪声和域偏移敏感。这些挑战凸显了实现自动化且一致化的解决方案的必要性,该方案需在线检测中实现弱对比度缺陷的可靠像素级定位,同时满足严格的漏检约束。
我们提出了MS-MuraNet,这是一种用于OLED Mura缺陷显著目标检测(SOD)的领域驱动的多尺度特征增强网络,具有注意力精细化机制,旨在实现工业约束条件下的精确像素级分割。在不可学习预处理阶段,原始缺陷图像被转换为伪热成像和直方图均衡渲染,并行输入网络。在解码器中,我们提出了一种创新融合框架,包含通道注意力增强模块(CAEM)、级联双阶段特征增强模块(CDSFEM)和弱目标增强模块(WTEM)。该设计增强了低对比度缺陷响应,并产生兼具区域感知和轮廓感知的特征。最后,边缘精细化注意力模块(EFAM)锐化边界细节,以提高缺陷边缘的清晰度和完整性。我们还采用混合损失函数,联合捕捉特征信息和结构信息,从而提高对模糊边界的敏感性。本文的主要贡献总结如下:
- •
我们提出了MS-MuraNet,专为低对比度、形态多样化的OLED Mura缺陷设计,解决了工业生产中的关键挑战。
- •
我们提出了一种创新的领域驱动图像预处理流水线,结合直方图均衡和伪热成像变换,以增强缺陷与背景的对比度并提高弱缺陷可见性。
- •
我们提出了一种整合CAEM、CDSFEM和WTEM的解码器,随后接EFAM,并通过混合损失进行优化,产生了稳健的区域感知和轮廓感知表示。
- •
在OLED显示屏上的大量实验表明,MS-MuraNet显著优于18种基准方法,为OLED制造中的质量控制和良率提升提供了有前景的自动化解决方案。
本文其余部分组织如下。第2节回顾了Mura缺陷检测的相关工作。第3节详细介绍了领域驱动的数据预处理方法和MS-MuraNet。第4节提供了实验结果和讨论。第5节得出结论。
章节摘要
OLED中的Mura缺陷检测
OLED Mura缺陷通常以弱对比度和背景不均匀为特征。现有检测方法大致可分为传统方法和基于学习的方法。早期研究通过显式建模背景并增强残差来将缺陷与复杂背景分离。Liang-Chia和Chia-Cheng(2007)采用了基于离散余弦变换的背景滤波与恰可察觉差异量化方法,而Jong-Seung和Seung-Ho(2015)
MS-MuraNet概述
图3展示了用于OLED Mura缺陷检测的MS-MuraNet架构。受RGB-X SOD中互补表示策略的启发,我们从每张AOI图像构建多个确定性表示,以强调弱Mura图案的不同方面。具体而言,从原始图像生成直方图增强视图和伪热成像视图,并与原始RGB视图并行处理。在编码器阶段,选择了ResNeSt-34(Zhang等,2022)作为
实验与讨论
在本节中,我们进行了大量实验以展示MS-MuraNet的卓越性能。我们首先概述了数据集并描述了实现细节。为说明MS-MuraNet的有效性,随后在Mura缺陷数据集上进行了定量和定性分析,并与各种基准方法进行了比较。此外,我们进行了消融实验以评估所提模块的贡献。
结论与未来工作
我们提出了MS-MuraNet,这是一种用于OLED Mura缺陷检测的领域驱动的多尺度特征增强网络。为提高弱亮度不均匀性的显著性,原始AOI图像被确定性转换为直方图增强和伪热成像表示,并与原始RGB视图一同处理,无需额外的传感硬件。该框架包含四个关键组件:CAEM对信息量大的通道进行重新加权,CDSFEM平衡深层
CRediT作者贡献声明
陈爱: 写作 – 审阅与编辑,写作 – 原始草稿,验证,方法论,调查,概念化。 何天翔: 验证,监督,项目管理,调查,形式分析,概念化。 周俊霖: 可视化,监督,资源,项目管理,数据整理,概念化。 付岩: 验证,软件,项目管理,调查,数据整理,概念化。 孙崇敬: 软件,资源,项目
利益冲突声明
作者声明不存在已知的竞争性经济利益或个人关系,这些关系可能影响到本文所报告的工作。
致谢
本文所述工作部分由 四川省重大科技专项(项目编号:2024ZDZX0021)和 国家自然科学基金重大项目(项目编号:T2293771)资助。
陈爱|何天翔|周俊霖|付岩|孙崇敬|卢宇旭|王晓鹏|陈端兵