Inspection of Slight Aesthetic Defects in a Polarizing Film via Polarization Imaging
-
摘要: 针对偏光片细微外观缺陷难以成像、难以检测的问题，该文提出一种基于偏振成像的外观缺陷检测新方法。通过缺陷偏振态指标测量结果，定性描述了对比度增强机理。利用缺陷与正常区域之间透射光偏振态的显著差异，大幅提高缺陷的成像对比度，从而简化后续图像处理算法，提高检测速度和准确率。实验结果表明，偏光片外观缺陷平均检出率达到97.3%，平均单个样品检测时间约为0.22 s，基本满足产业化应用要求。Abstract: The slight aesthetic defects of polarizing films can hardly image and are difficult to detect. A novel method of detecting the slight defects based on polarization imaging is proposed in this paper. The mechanism of contrast enhancement is described qualitatively through the measurement results of defect polarization index. The image contrast of the defect is greatly improved by making use of the significant difference of polarization state of the transmitted light between the defect and the normal region, so as to simplify the following image processing algorithm and improve both the detection speed and accuracy. The experimental results show that the average recognition rate of polarizer aesthetic defects is 97.3%, and the average detection time of a single defect sample is about 0.22 s, thus it meets basically the requirements of industrial application.
-
1. 引言
偏光片是一种常见的偏振光学元件，应用非常广泛，例如在薄膜电晶体液体显示器(Thin Film Transistor Liquid Crystal Display, TFT-LCD)型液晶显示面板中，必有两层偏振方向正交的偏光片。偏光片成品一般由6层微米级厚度的透明聚合物薄膜组成，其外观缺陷(Aesthetic Defect)可能出现在任何一层。凸凹点、异物、气泡、划痕等外观缺陷会直接降低显示面板的质量等级，甚至导致整个面板报废。目前，国内外偏光片生产商和液晶面板厂家，仍然普遍采用人工目视方法离线检测偏光片外观缺陷。目视检测劳动强度大、主观性强且一致性差，检测效率无法进一步提高。因此，研究偏光片外观缺陷自动检测技术具有重要的应用意义。
Yoon等人[1]利用发光二极管(Light Emitting Diode, LED)面光源，研究了偏光片在线检测和分类技术，并采用图像分割和模板匹配方法对异物、气泡和凹痕等缺陷进行检测和识别，缺陷分类精度达到96%。Kuo等人[2]采用线阵相机设计了偏光片外观缺陷检测系统，使用霍夫变换识别分割后的图像，识别气泡、划痕、灰尘和异物等缺陷，分类精度达到98%。Cheng等人[3]使用哈尔小波变换方法检测偏光片Mura缺陷。Yen等人[4]研究了一种基于黑白条纹投影的检测系统，用于检测偏光片微小凸点缺陷，能够在0.3 s内完成36 mm×27 mm偏光片样本的缺陷检测。2017年，韩国湖西大学Won等人[5]采用卷积神经网络，主要研究了点缺陷的分类问题，缺陷分类精度达到95%。针对凹痕、异物、亮点和划痕4类常见的偏光片外观缺陷，Kuo等人[6]使用最大灰度等级、离心率、对比度和灰度共生矩阵来提取缺陷图像的特征，然后输入到径向基神经网络中进行识别，缺陷分类精度达到98.9%。2018年，中北大学Lei等人[7]使用深度学习目标检测算法对偏光片外观缺陷进行检测，平均准确率达到67.5%。2020年，太原科技大学Liu等人[8]提出一种基于深度学习的轻量级神经网络，该模型的分类准确率达到99.4%，可以解决无缺陷，污渍和缺陷图像的分类问题。
上述研究主要关注图像处理和分类算法，较少涉及缺陷成像方法的研究，而偏光片细微外观缺陷难以成像、难以检测的问题，才是影响自动检测技术获得实际应用的关键障碍。针对这个问题，文献[9,10]采用条纹结构光照明实现了缺陷成像增强，并研究了缺陷模型、成像仿真、结构光增强机理和相应的缺陷图像处理算法。然而，对于突起、刺伤和水胶粒等极细微透明缺陷，即使采用上述结构光照明方法，却仍然难以成像、难以检测。
偏振成像能够有效增加目标探测和识别的维度信息，广泛应用于视觉检测领域[11,12]。由于椭偏、散射退偏和旋向等效应，偏光片外观缺陷会改变入射光的偏振态，从而显著提高缺陷成像对比度。因此，本文提出一种基于偏振成像的偏光片外观缺陷检测技术，利用缺陷与正常区域之间透射光偏振态的差异，提高极细微外观缺陷的成像对比度，从而简化图像处理算法，进一步提高检测速度和准确率。本文组成如下：第2部分介绍检测系统与缺陷成像增强的效果；第3部分实验研究上述缺陷成像增强的机理；第4部分给出150个缺陷样品的检测结果；然后是讨论和结束语。
2. 偏振成像检测系统
缺陷检测系统如图1所示，为典型的“起偏-样品-检偏”(Polarizer-Sample-Analyser, PSA)布局。工业相机为5.1×106像素，视场为61.5 mm×41.5 mm，实际分辨率约20 μm/像素，满足检测最小缺陷(100 μm)的要求。参考偏光片生产厂家的检测现场（暗室），实验系统采用遮光布屏蔽，避免可能存在的环境光干扰。均匀线偏振光透射被测样品，旋转偏振镜(检偏器)方向，相机采集不同角度下的缺陷图像。当检偏器与偏光片样品透光轴方向一致和垂直时，图像分别为最亮和最暗，缺陷成像对比度较低，不利于缺陷检出。某一个凹痕缺陷在不同检偏角时的图像灰度值如表1所示，当二者夹角处于45°左右时，缺陷成像对比度较高。
表 1 凹痕缺陷对比度偏光片样本与检偏器夹角(º) 0 10 20 30 40 50 60 70 80 90 对比度（%） 11.0 11.6 12.0 12.7 14.3 14.1 12.1 11.6 10.2 8.8 本文采用式(1)所定义的对比度[13] ，其中，
GD ,GB 分别是缺陷和背景的灰度值V=|GB−GD|maxGB+GD×100% (1) 针对均匀光和结构光照明都无法成像的突起、捏痕、刺伤和指痕4种极细微缺陷，偏振光成像效果如图2所示，对比度分别提高到8.6%, 1.5%, 18.3%和4.9%，有效实现了缺陷成像增强。
3. 缺陷成像增强机理的实验研究
采用横向塞曼激光器，直接输出线偏振光，入射被测偏光片样品，实验系统如图3所示。通过1维运动平台实现缺陷区域和周边正常区域的逐点扫描，偏振态测试仪测量出射光的偏振态，逐点给出偏振度(Degree Of Polarization, DOP)、线偏振度(Degree Of Linear Polarization, DOLP)、圆偏振度(Degree Of Circular Polarization, DOCP)、偏振角(Angle Of Polarization, AOP)和椭圆率(ellipticity)等偏振态数据，从而检验缺陷对入射光偏振态的影响。
一个典型凹痕缺陷样品的测试数据如图4所示。正常区域的偏振度和线偏振度约为97%（保护膜和离型膜会产生少量的退偏作用），由于缺陷的退偏、椭偏等作用，缺陷区域的DOP和DOLP明显降低到86%左右，而偏振角、圆偏振度和椭圆率角却明显上升。显然，与正常区域相比，缺陷区域透射光的偏振态存在较大变化，通过检偏器之后，二者的强度必然存在较大差异——这是图1所示检测系统实现缺陷成像增强的机理。
同理测量了水胶粒、亮点、蝶纹、划伤和突起5种常见极细微缺陷的偏振态指标，与正常区域的最大差值如表2所示。可见，利用缺陷与正常区域出射光偏振态的差异，检测偏光片外观缺陷，具有较好的可行性。
表 2 偏振态指标的最大差值(缺陷与正常区域之间)缺陷类型 偏振度(%) 线偏振度(%) 圆偏振度(%) 偏振角(°) 椭圆率角(°) 水胶粒 4.84 4.54 8.50 0.46 2.81 亮点 2.20 2.23 1.45 1.58 1.59 蝶纹 1.79 2.06 6.65 2.61 2.74 划伤 1.82 2.84 1.50 1.26 0.23 突起 6.43 6.44 0.69 0.32 0.51 4. 检测结果
由于采用偏振成像，偏光片极细微外观缺陷成像对比度得到大幅提升，所以缺陷图像无需预处理，直接应用鲁棒主成分分析法(Robust Principle Component Analysis, RPCA)[14,15]即可。RPCA是一种常用的前景背景分离算法，该算法将缺陷图像矩阵分解为一个低秩矩阵和一个稀疏矩阵的叠加，其中前者即为背景，后者则为缺陷目标。选取稀疏矩阵对应的图像，采用Otsu阈值分割得到二值化图像，即可检出缺陷和提取相关信息。针对6种常见细微缺陷，缺陷图像与检出结果如图5所示。
针对实验室已有的150个细微外观缺陷样品，检测结果如表3所示，平均检出率达到97.3%，基本满足产业应用需求。少量极细微缺陷样本的偏振特性变化很小，导致不能检出，例如指痕等缺陷。需要进一步研究此类极细微缺陷的偏振模型，并优化检测系统设计以提高检出率。
表 3 缺陷检出率对比缺陷类型 数量 结构光成像 偏振成像 检出数量 检出率(%) 检出数量 检出率(%) 突起 3 0 0 3 100.0 捏痕 3 0 0 3 100.0 刺伤 4 0 0 4 100.0 指痕 5 0 0 4 80.0 蝶纹 7 5 71.4 7 100.0 亮点 36 33 91.7 34 94.4 水胶粒 38 36 94.7 37 97.4 划伤 54 52 96.3 54 100.0 总计 150 126 84.0 146 97.3 采用线型结构光[9]检测一个61.5 mm×41.5 mm样品，由于需要主动光多步扫描并识别多幅图像，在同样的平台上(Matlab 2020b,Windows10系统，Intel i5-4460 3.2 GHz, 16 GB RAM)实现图像采集与缺陷提取，平均所需时间约为1.39 s；与此对比，本文提出的偏振成像法无需运动或扫描环节，仅需要处理一幅图像，平均检测时间约为0.22 s，更适于在线/连续检测。
5. 讨论
实验中发现，部分极细微缺陷的对比度可以进一步提高。使用圆偏振镜测量法计算Stokes参量，如式(2)所示[16]
S=(S0S1S2S3)=(IF(0∘)+IF(90∘)S0−2IF(45∘)IF(0∘)−IF(90∘)S0−2IB(0∘)) (2) 其中， IF(0º), IF(45º), IF(90º)分别为偏振镜在0º, 45º, 90°时所采集的图像，IB(0º)表示反向使用圆偏振镜采集的图像。将S0-S3代入式(3)和式(4)，进一步计算缺陷的偏振度(Degree Of Polarization, DOP)和偏振角(Angle Of Polarization, AOP)图像[16]，如图6所示
DOP=√S21+S22+S23S0 (3) AOP=12arctan(S2S1) (4) 可见，两个缺陷样品的成像对比度在DOP和AOP图像中都有明显提升。然而，不同的缺陷样品，偏振态指标图像效果差异较大；具体缺陷类型所对应的最佳偏振态表征指标尚不明确，其中的机理和指标图像合成方法需要进一步深入研究。
偏光片的部分点状透明缺陷(例如压痕)具有一种特殊性—部分偏光片粘贴到基板之后，由于粘贴力及自身恢复等因素，缺陷会消失，并不影响液晶面板质量等级；而有些压痕样品则不行。缺陷3维形态的差异是造成这种区别的重要因素。根据图4所示的缺陷偏振态测量结果可知，缺陷区域偏振态的连续分布，反映出该缺陷的3维形态，因此，本文所提出的偏振成像检测方法，可望在检测有无缺陷的同时，无损测量缺陷的3维形态。
6. 结束语
针对偏光片极细微外观缺陷，提出一种基于“起偏-样品-检偏”(Polarizer-Sample-Analyser, PSA)布局的偏振成像检测方法。由于缺陷存在一定的椭偏和散射退偏作用，透射光的偏振态有明显变化，因此本方法可以大幅提高缺陷成像对比度，从而简化后续的图像处理算法，提高检测速度和缺陷检出率。虽然目前还没有建立定量的机理表达或数学模型，但是缺陷区域偏振态指标的测量结果，以及大量的检测数据，验证了此方法的可行性。所研究的偏光片外观缺陷检测方法与系统，也同样适用于其他类似薄膜产品的质量控制，具有较好的应用前景。
-
表 1 凹痕缺陷对比度
偏光片样本与检偏器夹角(º) 0 10 20 30 40 50 60 70 80 90 对比度（%） 11.0 11.6 12.0 12.7 14.3 14.1 12.1 11.6 10.2 8.8 
下载: 导出CSV
表 2 偏振态指标的最大差值(缺陷与正常区域之间)
缺陷类型 偏振度(%) 线偏振度(%) 圆偏振度(%) 偏振角(°) 椭圆率角(°) 水胶粒 4.84 4.54 8.50 0.46 2.81 亮点 2.20 2.23 1.45 1.58 1.59 蝶纹 1.79 2.06 6.65 2.61 2.74 划伤 1.82 2.84 1.50 1.26 0.23 突起 6.43 6.44 0.69 0.32 0.51
下载: 导出CSV
表 3 缺陷检出率对比
缺陷类型 数量 结构光成像 偏振成像 检出数量 检出率(%) 检出数量 检出率(%) 突起 3 0 0 3 100.0 捏痕 3 0 0 3 100.0 刺伤 4 0 0 4 100.0 指痕 5 0 0 4 80.0 蝶纹 7 5 71.4 7 100.0 亮点 36 33 91.7 34 94.4 水胶粒 38 36 94.7 37 97.4 划伤 54 52 96.3 54 100.0 总计 150 126 84.0 146 97.3
下载: 导出CSV
-
[1] YOON Y G, LEE S L, CHUNG C W, et al. An effective defect inspection system for polarized film images using image segmentation and template matching techniques[J]. Computers & Industrial Engineering, 2008, 55(3): 567–583. doi: 10.1016/j.cie.2008.01.015 [2] KUO C C F J, CHIU C H, and CHOU Y C. Research and development of intelligent on-line real-time defect inspection system for polymer polarizer[J]. Polymer-Plastics Technology and Engineering, 2009, 48(2): 185–192. doi: 10.1080/03602550802634501 [3] CHENG C C and JAO H M. Application of the Haar wavelet to Mura detection for polarizer[C]. 2013 IEEE International Conference on Industrial Technology (ICIT), Cape Town, South Africa, 2013: 1080–1085. [4] YEN H N and SYU M J. Inspection of polarizer tiny bump defects using computer vision[C]. 2015 IEEE International Conference on Consumer Electronics (ICCE), Las Vegas, USA, 2015: 525–527. [5] WON Y, JOO H, and KIM J. Classification of defects in the polarizer of display panels using the Convolution Neural Network (CNN)[J]. International Journal of Computing, Communications and Instrumentation Engineering (IJCCIE), 2017, 4(1): 139–142. doi: 10.15242/IJCCIE.E0217018. [6] KUO C F J, LAI Chunyu, KAO C H, et al. Integrating image processing and classification technology into automated polarizing film defect inspection[J]. Optics and Lasers in Engineering, 2018, 104: 204–219. doi: 10.1016/j.optlaseng.2017.09.017 [7] LEI Haiwei, WANG Bin, WU Hehe, et al. Defect detection for polymeric polarizer based on faster R-CNN[J]. Journal of Information Hiding and Multimedia Signal Processing, 2018, 9(6): 1414–1420. doi: 10.15242/ijccie.e0217018 [8] LIU Ruizhen, SUN Zhiyi, WANG Anhong, et al. Lightweight efficient network for defect classification of polarizers[J]. Concurrency and Computation:Practice and Experience, 2020, 32(11): e5663. doi: 10.1002/cpe.5663 [9] LAI Wenwei, ZENG Xiaoxing, HE Jian, et al. Aesthetic defect characterization of a polymeric polarizer via structured light illumination[J]. Polymer Testing, 2016, 53: 51–57. doi: 10.1016/j.polymertesting.2016.05.011 [10] DENG Yuanlong, XU Shaopeng, CHEN Haoquan, et al. Inspection of extremely slight aesthetic defects in a polymeric polarizer using the edge of light between black and white stripes[J]. Polymer Testing, 2018, 65: 169–175. doi: 10.1016/j.polymertesting.2017.11.019 [11] 熊志航, 廖然, 曾亚光, 等. 利用偏振成像在复杂现场快速识别金属碎屑[J]. 红外与激光工程, 2020, 49(6): 10–15. doi: 10.3788/IRLA20201012XIONG Zhihang, LIAO Ran, ZENG Yaguang, et al. Rapid identification of metal debris in complicated scenes by using polarization imaging[J]. Infrared and Laser Engineering, 2020, 49(6): 10–15. doi: 10.3788/IRLA20201012 [12] 李嘉晋, 廖然, 卓泽鹏, 等. 利用偏振光散射技术的藻类絮凝过程监测[J]. 大气与环境光学学报, 2020, 15(1): 72–80. doi: 10.3969/J.issn.1673-6141.2020.01.008LI Jiajin, LIAO Ran, ZHUO Zepeng, et al. Monitoring of algal flocculation using polarized light scattering[J]. Journal of Atmospheric and Environmental Optics, 2020, 15(1): 72–80. doi: 10.3969/J.issn.1673-6141.2020.01.008 [13] FECHNER G T, HOWES D H, and BORING E G. Elements of Psychophysics[M]. New York: Holt, Rinehart and Winston, 1966. doi: 10.1037/11304–026. [14] 罗勇江, 杨腾飞, 赵冬. 色噪声下基于白化频谱重排鲁棒主成分分析的语音增强算法[J]. 电子与信息学报, 2021, 43(12): 3671–3679. doi: 10.11999/JEI200594LUO Yongjiang, YANG Tengfei, and ZHAO Dong. Speech enhancement algorithm based on robust principal component analysis with whitened spectrogram rearrangement in colored noise[J]. Journal of Electronics and Information Technology, 2021, 43(12): 3671–3679. doi: 10.11999/JEI200594 [15] 杨依忠, 汪鹏飞, 胡雄楼, 等. 基于鲁棒主成分分析的运动目标检测优化算法[J]. 电子与信息学报, 2018, 40(6): 1309–1315. doi: 10.11999/JEIT170789YANG Yizhong, WANG Pengfei, HU Xionglou, et al. Moving object detection optimization algorithm based on robust principal component analysis[J]. Journal of Electronics &Information Technology, 2018, 40(6): 1309–1315. doi: 10.11999/JEIT170789 [16] CHIPMAN R A, LAM W S T, and YOUNG G. Polarized Light and Optical Systems[M]. New York: CRC Press, 2018: 66–68. 期刊类型引用(4)
1. 朱俊玮，邓元龙，周炫，陈少龙，钟小品，王兴政. 基于偏振基础参数的偏光片外观缺陷检测方法. 光学学报. 2025(04): 142-151 . 
百度学术2. 汪伟，张海裕，柯链宝，康晴，李健军，毕海. 分焦平面式偏振相机偏振误差分析及偏振定标. 光子学报. 2024(09): 35-46 . 百度学术3. 朱达荣，杨岗，汪方斌，王端标，龚雪. 太阳能电池板表面偏振双向反射分布函数. 光电子·激光. 2023(11): 1193-1200 . 百度学术4. 王鑫森，陈晓辉，段亚凡，陈嘉慧. 曲面光学元件表面微缺陷透射式偏振检测. 光学技术. 2023(06): 717-722 . 百度学术其他类型引用(7)
-
下载:
百度学术
计量
- 文章访问数: 1790
- HTML全文浏览量: 1610
- PDF下载量: 183
- 被引次数: 11
下载:
