有機(jī)發(fā)光二極管顯示器表面云紋2024-10-17發(fā)布 -6- -8- -8- -19- 請(qǐng)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(jī)構(gòu)不承擔(dān)識(shí)別這些專利本標(biāo)準(zhǔn)主要起草單位：華中科技大學(xué)、武漢精測(cè)電子集團(tuán)股份有限公司、武漢數(shù)有機(jī)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(jī)發(fā)光二極管顯示器表面云紋(Mura)缺陷量化的分級(jí)標(biāo)準(zhǔn)及實(shí)驗(yàn)2.規(guī)范性引用文件下列文件對(duì)于本文件的應(yīng)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(jī)發(fā)光二極管顯示器第2部分法GB/T20871.63-2021有機(jī)發(fā)光二極管顯示器件第6-3部分：3.術(shù)語(yǔ)和定義CSF對(duì)比度敏感函數(shù)(ContrastSensitivityJND最小可覺(jué)差(JustNoticeableD5.主觀實(shí)驗(yàn)方法為了獲取人眼對(duì)Mura缺陷不同嚴(yán)重程度的評(píng)價(jià)數(shù)據(jù)，首先要進(jìn)行主觀量化實(shí)驗(yàn)來(lái)采集數(shù)據(jù)。國(guó)際電信聯(lián)盟（InternationalTelecommunicationUnion，ITU）發(fā)布了除顯示器件內(nèi)部因素外，實(shí)驗(yàn)場(chǎng)景中的其他外部條件也會(huì)影響最終結(jié)果。因此，實(shí)驗(yàn)根據(jù)Mura缺陷特性和人們?nèi)粘Ｊ褂檬謾C(jī)的習(xí)慣，選擇合缺陷對(duì)比度因素會(huì)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(guò)Mura缺陷區(qū)域內(nèi)外平均灰度進(jìn)行計(jì)算，同時(shí)為了減少全局光照不均帶來(lái)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?jì)算，對(duì)于彩色Mura，通過(guò)亮度進(jìn)行進(jìn)行對(duì)比度計(jì)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(duì)彩色Mura缺陷區(qū)域的平均對(duì)比度計(jì)算，本標(biāo)準(zhǔn)僅提供轉(zhuǎn)換方法，其余因素的p=ΣNpix在真實(shí)環(huán)境下Mura缺陷的形狀往往不規(guī)則，進(jìn)行具體類型細(xì)分的難度大。針對(duì)不在主觀實(shí)驗(yàn)中的外部環(huán)境條件，如觀測(cè)距離、觀測(cè)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(guò)模擬真實(shí)的檢測(cè)環(huán)境及參考日常使用過(guò)程中的常見(jiàn)設(shè)限度樣本可以在主觀實(shí)驗(yàn)的過(guò)程中為實(shí)驗(yàn)人員提供參考標(biāo)準(zhǔn)，減少不同實(shí)驗(yàn)人員之間評(píng)價(jià)標(biāo)準(zhǔn)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(jìn)行排序，再等間隔的選取圖片作為預(yù)實(shí)驗(yàn)的待驗(yàn)證圖片。實(shí)驗(yàn)人員通過(guò)對(duì)比前后圖片的缺陷程度變化情況，進(jìn)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?yàn)人員進(jìn)入實(shí)驗(yàn)場(chǎng)地并根據(jù)要求調(diào)整觀測(cè)距離、角度、環(huán)境照度等客觀條件，6.多因素量化公式通過(guò)對(duì)雙刺激度對(duì)照實(shí)驗(yàn)獲得的數(shù)據(jù)進(jìn)行篩選處理，并進(jìn)行多因素非線性擬合，得到多因素量化公式，經(jīng)驗(yàn)證實(shí)驗(yàn)的數(shù)據(jù)測(cè)試，多因素量化公式的預(yù)測(cè)結(jié)果與真值的通過(guò)對(duì)比度因素分析得出，對(duì)比度對(duì)主觀評(píng)分存在顯著正相關(guān)性，且隨著對(duì)比度計(jì)對(duì)比度因素子項(xiàng)為線性函數(shù)并在模型中設(shè)置截?cái)?，并設(shè)置負(fù)指數(shù)函數(shù)，擬合對(duì)比度對(duì)評(píng)分影響趨于飽和的趨勢(shì)。對(duì)比度因素子項(xiàng)作為模型的主導(dǎo)項(xiàng)，該因素的計(jì)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(guò)尺寸因素分析得出，缺陷尺寸對(duì)主觀評(píng)分不存在顯著的相關(guān)性，當(dāng)缺陷大小因素，即缺陷像素?cái)?shù)量子項(xiàng)為負(fù)指數(shù)函數(shù)，擬合缺陷尺寸增大而評(píng)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(xiàng)以遞減系數(shù)的形式對(duì)整體模型進(jìn)行相乘整體而言，對(duì)于模型尺寸因素子項(xiàng)的修正項(xiàng)，三種缺陷的評(píng)分大體都符合f(p)的修正趨勢(shì)，即當(dāng)缺陷大小逐漸增大時(shí)，缺陷的評(píng)分波動(dòng)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(biāo)簽，當(dāng)評(píng)估某一類缺陷時(shí)，該類別標(biāo)簽置為1，而另外兩個(gè)類別標(biāo)簽置為0。fL1作為模型相乘的子項(xiàng)進(jìn)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(shì)存在斜率和截?cái)囗?xiàng)的差異。對(duì)于斜率上的修正，由線可以看出spot類較其他兩個(gè)類別的缺陷有較大不同，因此設(shè)計(jì)在fC的截?cái)囗?xiàng)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(biāo)簽。通過(guò)上述不同因素的分析，得到最終的模型形式：由對(duì)比度因素決定的評(píng)分主導(dǎo)項(xiàng)與尺寸因素和類別因素對(duì)評(píng)分進(jìn)行修正的子項(xiàng)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(luò)通過(guò)對(duì)雙刺激度對(duì)照實(shí)驗(yàn)獲得的數(shù)據(jù)進(jìn)行篩選處理，并進(jìn)行神經(jīng)網(wǎng)絡(luò)擬合，得到對(duì)應(yīng)的量化模型，經(jīng)驗(yàn)證實(shí)驗(yàn)的數(shù)據(jù)測(cè)試，神經(jīng)網(wǎng)絡(luò)量化算法的預(yù)測(cè)結(jié)果與真值的相為保證訓(xùn)練與預(yù)測(cè)的高效性與準(zhǔn)確性，在網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)上使用簡(jiǎn)單的多層感知機(jī)（Multi-LayerPerceptron,），和一個(gè)最后的線性層來(lái)產(chǎn)生輸出，如圖4所示。模型使用L1損失進(jìn)行訓(xùn)練，并使用?。┖皖愋偷奶卣魈崛?，為了訓(xùn)練的穩(wěn)定，首先對(duì)數(shù)據(jù)進(jìn)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(píng)分標(biāo)簽的平滑L1損失。batch_size設(shè)置為16，學(xué)習(xí)率設(shè)置為0.001。整個(gè)模型的目標(biāo)是通過(guò)學(xué)習(xí)從輸入到輸使模型學(xué)習(xí)到預(yù)測(cè)缺陷等級(jí)的特征。算法訓(xùn)練流8.量化結(jié)果驗(yàn)證為驗(yàn)證本標(biāo)準(zhǔn)提出的兩種量化方法的準(zhǔn)確性，采用驗(yàn)證實(shí)驗(yàn)數(shù)據(jù)對(duì)模型量化結(jié)果驗(yàn)證實(shí)驗(yàn)中采用Pearson相關(guān)系數(shù)R2進(jìn)行評(píng)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(biāo)簽與所有標(biāo)簽的平均值。通過(guò)相關(guān)性指標(biāo)R2對(duì)Mura量化模型結(jié)果進(jìn)行評(píng)估，判斷輸出值與標(biāo)簽值的變化趨勢(shì)從而反映各模型在Mura缺陷多因素非線性量化公式的驗(yàn)證結(jié)果相關(guān)系數(shù)為0.9362，實(shí)驗(yàn)數(shù)據(jù)擬合效果如圖5神經(jīng)網(wǎng)絡(luò)量化模型的驗(yàn)證結(jié)果相關(guān)系數(shù)為0.9445，實(shí)驗(yàn)數(shù)表1對(duì)比實(shí)驗(yàn)結(jié)果A.1概述Mura缺陷可以根據(jù)其形式和/或成因進(jìn)行分類。KaiChiehChang先生在2019年的IECTC110會(huì)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(diǎn)痕B.1概述B.1.1暗室環(huán)境設(shè)置在測(cè)試色度、亮度以及其他相關(guān)的指標(biāo)內(nèi)容時(shí)，需要使用m2或應(yīng)小于顯示屏黑場(chǎng)亮度的1/20，兩者取數(shù)值較小者。另外，如果色度計(jì)的靈敏度不足以測(cè)試這些低亮度，那么應(yīng)注明色度計(jì)的最低限值。除另有規(guī)定，本實(shí)驗(yàn)B.1.2暗室環(huán)境設(shè)置在暗室中設(shè)置實(shí)驗(yàn)所需的觀測(cè)臺(tái)，觀測(cè)臺(tái)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(cè)屏幕位置檢測(cè)到的環(huán)境B.1.3暗室環(huán)境設(shè)置在本實(shí)驗(yàn)中使用的觀測(cè)設(shè)備為兩臺(tái)有機(jī)發(fā)光二極管顯示器B.1色域轉(zhuǎn)換的方式，調(diào)整兩個(gè)顯示屏視覺(jué)效果一致，以減小不同屏幕所帶來(lái)的視覺(jué)觀感圖B.1CIE-XYZ色彩空間圖片標(biāo)定流程圖在限度樣本選取實(shí)驗(yàn)中，先利用缺陷的灰階等級(jí)對(duì)所有待其中，Nsorted為待測(cè)圖片排序等級(jí)，Npix為缺陷區(qū)域所有像素，ci為缺陷像素點(diǎn)的灰階。B.3雙刺激度對(duì)照實(shí)驗(yàn)流程調(diào)整觀測(cè)角度，實(shí)驗(yàn)人員在后續(xù)實(shí)驗(yàn)中盡量頭部固定，以保證1.首先由工作人員介紹實(shí)驗(yàn)流程，每次實(shí)驗(yàn)共分為2.觀察人員在觀測(cè)用屏幕上觀看缺陷圖片，對(duì)比參考樣圖上呈現(xiàn)的缺陷程度，并3.開(kāi)始主觀評(píng)價(jià)實(shí)驗(yàn)，依次觀測(cè)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(shí)間內(nèi)，實(shí)驗(yàn)人員可用切換不同的參考樣圖進(jìn)行比對(duì)，找到最接組測(cè)試序列（3組單一類型的Mura缺陷）；987654321良N0C.1神經(jīng)網(wǎng)絡(luò)量化算法流程#量化算法輸入：訓(xùn)練數(shù)據(jù)集xdata,標(biāo)準(zhǔn)等級(jí)Qdata，待測(cè)圖片x，缺陷分割區(qū)域Npix，缺陷類型L輸出：待測(cè)圖片缺陷量化等級(jí)Q##訓(xùn)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