T-HBAI 001-2024 有機發(fā)光二極管顯示器 表面云紋(Mura)缺陷量化方法

有機發(fā)光二極管顯示器表面云紋2024-10-17發(fā)布 -6- -8- -8- -19- 請注意本部分的某些內(nèi)容可能涉及專利,本部分的發(fā)布機構(gòu)不承擔識別這些專利本標準主要起草單位：華中科技大學、武漢精測電子集團股份有限公司、武漢數(shù)有機發(fā)光二極管顯示器表面云紋(Mura)缺陷量化方法本文件規(guī)定了有機發(fā)光二極管顯示器表面云紋(Mura)缺陷量化的分級標準及實驗2.規(guī)范性引用文件下列文件對于本文件的應用是必不可少的。凡是注日期的引用文件，僅注日期的版本適用于本文件。凡是不注日期的引用文件，其最新版本（包括所有的修改單）適GB/T20871.2-2007有機發(fā)光二極管顯示器第2部分法GB/T20871.63-2021有機發(fā)光二極管顯示器件第6-3部分：3.術語和定義CSF對比度敏感函數(shù)(ContrastSensitivityJND最小可覺差(JustNoticeableD5.主觀實驗方法為了獲取人眼對Mura缺陷不同嚴重程度的評價數(shù)據(jù)，首先要進行主觀量化實驗來采集數(shù)據(jù)。國際電信聯(lián)盟（InternationalTelecommunicationUnion，ITU）發(fā)布了除顯示器件內(nèi)部因素外，實驗場景中的其他外部條件也會影響最終結(jié)果。因此，實驗根據(jù)Mura缺陷特性和人們?nèi)粘Ｊ褂檬謾C的習慣，選擇合缺陷對比度因素會直接影響Mura缺陷的顯著程度，因此作為首要考慮因素，其值通過Mura缺陷區(qū)域內(nèi)外平均灰度進行計算，同時為了減少全局光照不均帶來的影響，其中，cd和cb分別表示缺陷區(qū)域和背景區(qū)域的灰度均值。該方法適用于黑白Mura缺陷區(qū)域?qū)Ρ榷鹊挠嬎?，對于彩色Mura，通過亮度進行進行對比度計算。首先參照附件B中圖B.1色域轉(zhuǎn)換的方式，將圖片從RGB色彩空間轉(zhuǎn)換為XYZ色域。在XYZ色域中，Y針對彩色Mura缺陷區(qū)域的平均對比度計算，本標準僅提供轉(zhuǎn)換方法，其余因素的p=ΣNpix在真實環(huán)境下Mura缺陷的形狀往往不規(guī)則，進行具體類型細分的難度大。針對不在主觀實驗中的外部環(huán)境條件，如觀測距離、觀測角度及環(huán)境照度等都屬于外部因素，這一類因素的選擇是通過模擬真實的檢測環(huán)境及參考日常使用過程中的常見設限度樣本可以在主觀實驗的過程中為實驗人員提供參考標準，減少不同實驗人員之間評價標準不一致所造成的影響。為了使限度樣本更能夠代表某一程度的Mura缺陷進行排序，再等間隔的選取圖片作為預實驗的待驗證圖片。實驗人員通過對比前后圖片的缺陷程度變化情況，進行三值化打分，經(jīng)處理后獲得的缺陷程度排序與算法排序?qū)嶒炄藛T進入實驗場地并根據(jù)要求調(diào)整觀測距離、角度、環(huán)境照度等客觀條件，6.多因素量化公式通過對雙刺激度對照實驗獲得的數(shù)據(jù)進行篩選處理，并進行多因素非線性擬合，得到多因素量化公式，經(jīng)驗證實驗的數(shù)據(jù)測試，多因素量化公式的預測結(jié)果與真值的通過對比度因素分析得出，對比度對主觀評分存在顯著正相關性，且隨著對比度計對比度因素子項為線性函數(shù)并在模型中設置截斷，并設置負指數(shù)函數(shù)，擬合對比度對評分影響趨于飽和的趨勢。對比度因素子項作為模型的主導項，該因素的計算公式f(c)=（a1c+a2）ca3其中，a1、a2和a3均為待定參數(shù)（a3＜0）。通過尺寸因素分析得出，缺陷尺寸對主觀評分不存在顯著的相關性，當缺陷大小因素，即缺陷像素數(shù)量子項為負指數(shù)函數(shù)，擬合缺陷尺寸增大而評分逐漸趨于平穩(wěn)的f(p)=a4pa5其中，a4和a5為待定參數(shù)（a4＜0fp子項以遞減系數(shù)的形式對整體模型進行相乘整體而言，對于模型尺寸因素子項的修正項，三種缺陷的評分大體都符合f(p)的修正趨勢，即當缺陷大小逐漸增大時，缺陷的評分波動減小，并逐漸趨于平穩(wěn)，但是f(L)1=a6Lsa7L?a8Lvf(L)2=a9Ls+a10L?+a11Lvhline和vline）的標簽，當評估某一類缺陷時，該類別標簽置為1，而另外兩個類別標簽置為0。fL1作為模型相乘的子項進行收斂速率上的修正，而fL2作為模型相以看出，三種缺陷的線性擬合趨勢存在斜率和截斷項的差異。對于斜率上的修正，由線可以看出spot類較其他兩個類別的缺陷有較大不同，因此設計在fC的截斷項中，f(C,Ls)=（a1C+a12Ls+a2）Ca3其中a12為待定參數(shù)，Ls為spot類型缺陷標簽。通過上述不同因素的分析，得到最終的模型形式：由對比度因素決定的評分主導項與尺寸因素和類別因素對評分進行修正的子項相乘，加上由類別因素決定的修正截Q=fpfL1f(C,Ls)+fL2Q=a4pa5a6Lsa7L?a8Lv(a1C+a12Ls+a2)Ca3+a9Ls+a10L?+a11LvQ=50.43p?0.06?0.00055Ls48.48L?51.63Lv(3.336C+930.68Ls+?3.34)C?92.59+10.78Ls?8.83L??8.63Lv7.量化神經(jīng)網(wǎng)絡通過對雙刺激度對照實驗獲得的數(shù)據(jù)進行篩選處理，并進行神經(jīng)網(wǎng)絡擬合，得到對應的量化模型，經(jīng)驗證實驗的數(shù)據(jù)測試，神經(jīng)網(wǎng)絡量化算法的預測結(jié)果與真值的相為保證訓練與預測的高效性與準確性，在網(wǎng)絡的結(jié)構(gòu)設計上使用簡單的多層感知機（Multi-LayerPerceptron,），和一個最后的線性層來產(chǎn)生輸出，如圖4所示。模型使用L1損失進行訓練，并使用?。┖皖愋偷奶卣魈崛?，為了訓練的穩(wěn)定，首先對數(shù)據(jù)進行歸一化處理。各隱藏層維度分別為512、256、128和64。損失函數(shù)為模型輸出與評分標簽的平滑L1損失。batch_size設置為16，學習率設置為0.001。整個模型的目標是通過學習從輸入到輸使模型學習到預測缺陷等級的特征。算法訓練流8.量化結(jié)果驗證為驗證本標準提出的兩種量化方法的準確性，采用驗證實驗數(shù)據(jù)對模型量化結(jié)果驗證實驗中采用Pearson相關系數(shù)R2進行評估，其其中，Qi為第i張Mura缺陷圖像的模型量化結(jié)果，表示所有圖像模型量化結(jié)果的平均值，Li和L-分別表示各圖像量化標簽與所有標簽的平均值。通過相關性指標R2對Mura量化模型結(jié)果進行評估，判斷輸出值與標簽值的變化趨勢從而反映各模型在Mura缺陷多因素非線性量化公式的驗證結(jié)果相關系數(shù)為0.9362，實驗數(shù)據(jù)擬合效果如圖5神經(jīng)網(wǎng)絡量化模型的驗證結(jié)果相關系數(shù)為0.9445，實驗數(shù)表1對比實驗結(jié)果A.1概述Mura缺陷可以根據(jù)其形式和/或成因進行分類。KaiChiehChang先生在2019年的IECTC110會議上提出了不同種類的Mura分類，具體的分類如A.2Mura缺陷類型表A.1Mura缺陷類型點痕B.1概述B.1.1暗室環(huán)境設置在測試色度、亮度以及其他相關的指標內(nèi)容時，需要使用m2或應小于顯示屏黑場亮度的1/20，兩者取數(shù)值較小者。另外，如果色度計的靈敏度不足以測試這些低亮度，那么應注明色度計的最低限值。除另有規(guī)定，本實驗B.1.2暗室環(huán)境設置在暗室中設置實驗所需的觀測臺，觀測臺上方使用置頂LED燈管用于模擬自然光源，在不受其他光源干擾的情況下，在觀察員觀測屏幕位置檢測到的環(huán)境B.1.3暗室環(huán)境設置在本實驗中使用的觀測設備為兩臺有機發(fā)光二極管顯示器B.1色域轉(zhuǎn)換的方式，調(diào)整兩個顯示屏視覺效果一致，以減小不同屏幕所帶來的視覺觀感圖B.1CIE-XYZ色彩空間圖片標定流程圖在限度樣本選取實驗中，先利用缺陷的灰階等級對所有待其中，Nsorted為待測圖片排序等級，Npix為缺陷區(qū)域所有像素，ci為缺陷像素點的灰階。B.3雙刺激度對照實驗流程調(diào)整觀測角度，實驗人員在后續(xù)實驗中盡量頭部固定，以保證1.首先由工作人員介紹實驗流程，每次實驗共分為2.觀察人員在觀測用屏幕上觀看缺陷圖片，對比參考樣圖上呈現(xiàn)的缺陷程度，并3.開始主觀評價實驗，依次觀測三種不同類型的Mura缺陷，每張圖片顯示最多5秒鐘，在觀察時間內(nèi)，實驗人員可用切換不同的參考樣圖進行比對，找到最接組測試序列（3組單一類型的Mura缺陷）；987654321良N0C.1神經(jīng)網(wǎng)絡量化算法流程#量化算法輸入：訓練數(shù)據(jù)集xdata,標準等級Qdata，待測圖片x，缺陷分割區(qū)域Npix，缺陷類型L輸出：待測圖片缺陷量化等級Q##訓練forx∈xdatadoendmodel=torch.nn.Sequential(torch.nn.Linear(input_size,hidden_size1,bias=True),torch.nn.ReLU(),torch.nn.Linear(hidden_size1,hidden_size2,bias=True),torch.nn.ReLU(),torch.nn.Linear(hidden_size2,hidden_size3,bias=True),torch.nn.ReLU(),torch.nn.Linear(hidden_size3,hidden_size4,bias=True),torch.nn.ReLU(),torch.nn.L