曾建風(fēng)，肖琨

（綿陽京東方光電科技有限公司，四川 綿陽 621000）

0 引言

近年來，隨著通訊技術(shù)的不斷發(fā)展，5G 時(shí)代已經(jīng)悄然進(jìn)入人們的生活，并掀起了各行各業(yè)技術(shù)創(chuàng)新與變革的浪潮。不管是即將到來的5G 時(shí)代還是未來的6G 時(shí)代，顯示技術(shù)都是信息化時(shí)代關(guān)鍵技術(shù)的核心，也是最前沿技術(shù)。

AMOLED 作為最新的一項(xiàng)顯示技術(shù)，是由柔性顯示材料制作而成的一種可變形的顯示器件，具備可彎曲、低能耗、更優(yōu)的顯示質(zhì)量、更長的使用壽命等優(yōu)勢(shì)，使其應(yīng)用范圍更加的廣泛。但是，由于AMOLED 工藝復(fù)雜，在生產(chǎn)過程中受空氣潔凈度、化學(xué)氣體、液體及設(shè)備工藝參數(shù)的影響，會(huì)在面板上形成大小不均的不良點(diǎn)。通常情況下，這些不良點(diǎn)不會(huì)導(dǎo)致最終產(chǎn)品不良，但具有聚集性的點(diǎn)簇除外。故需要對(duì)AOI 檢測(cè)出的不良點(diǎn)所生成的MAP 圖進(jìn)行在線聚集性分析，找出造成良率損失的點(diǎn)位聚集區(qū)，供不良分析。

目前，MAP 圖的不良點(diǎn)位聚集性分析均由人工目檢完成，但由于人員主觀性因素，檢測(cè)質(zhì)量和一致性無法保證?；谏鲜鰡栴}，本文提出了一種基于機(jī)器學(xué)習(xí)與圖像處理技術(shù)，對(duì)MAP 圖進(jìn)行在線智能分析方法，可迅速定位出MAP 圖中不良點(diǎn)的聚集區(qū)域，并根據(jù)區(qū)域的特征參數(shù)對(duì)聚集區(qū)域進(jìn)行分析，篩選出造成良率損失的目標(biāo)點(diǎn)簇區(qū)域，從而實(shí)現(xiàn)MAP圖全自動(dòng)在線分析。同時(shí)，本文所述的方法通過一系列量化的判斷指標(biāo)，降低人員主觀判斷帶來的誤判和漏判風(fēng)險(xiǎn)，節(jié)約人工成本，提高檢測(cè)效率。

1 關(guān)鍵技術(shù)

2.1 不良MAP 圖合成

MAP 圖即映射圖，是指將一張面板上的不良點(diǎn)按照坐標(biāo)映射為一張數(shù)字圖像，用于可視化及后續(xù)的不良分析。在AMOLED的制造過程中，同一張面板會(huì)經(jīng)過多個(gè)AOI的檢測(cè)站點(diǎn)，AOI 設(shè)備會(huì)將面板上所有不良點(diǎn)P及坐標(biāo)（x，y）上報(bào)文件系統(tǒng)。合成MAP 就是將不良坐標(biāo)點(diǎn)繪制在圖像上的過程。

首先，創(chuàng)建玻璃面板與圖像坐標(biāo)系O-XY、O-XY的二維映射關(guān)系，其表達(dá)式為：

其后，對(duì)于玻璃面板的坐標(biāo)系所有不良點(diǎn)p（x，y），經(jīng)公式（2）變化后，可得到該點(diǎn)在圖像坐標(biāo)系的坐標(biāo)p＇（X，Y）：

最后，將映射變換后的所有不良點(diǎn)繪制在一幅分辨率為的圖片上。其中。、分別為基板的長度和寬度，單位為mm。

圖1 不良MAP 聚集圖Fig.1 Defect map picture

2.2 聚集區(qū)域分割算法

本文提出的自動(dòng)定位MAP 圖不良聚集區(qū)域算法，需要將滿足聚集特征的區(qū)域提取出來，用于后續(xù)的圖像分析使用，為此選擇機(jī)器學(xué)習(xí)中常用的聚類算法完成。聚類是數(shù)據(jù)挖掘領(lǐng)域中常見的非監(jiān)督學(xué)習(xí)算法，其目的是將數(shù)據(jù)劃分為類內(nèi)相似度最大、類間相似度最小的族類。該算法在圖像分析、模式識(shí)別、空間數(shù)據(jù)分析、經(jīng)濟(jì)學(xué)研究、生物工程等領(lǐng)域已得到廣泛應(yīng)用。

層次聚類算法分為凝聚（自底向上）和分裂（自頂向下）方法。凝聚方法是將每個(gè)對(duì)象作為單獨(dú)的一個(gè)聚類，然后規(guī)則相近地合并相近的類，直到所有的對(duì)象合并到一個(gè)聚類中，或滿足一定的終止條件為止。

本文采用最為經(jīng)典的AGNES 層次聚類算法，采用類簇間的歐式距離作為聚類分析的度量標(biāo)準(zhǔn)，最小化類間樣本距離作為聚類分析連接標(biāo)準(zhǔn)，將所有點(diǎn)簇中，間距≤的點(diǎn)視作一類點(diǎn)簇。

其中， p (x，y)、p (x，y) 為任意兩個(gè)類簇中相鄰距離最近的兩個(gè)點(diǎn)。

其聚類過程如下：

（1）將MAP 圖中不良點(diǎn)視作類簇，并計(jì)算出每個(gè)類簇之間的距離；

（2）隨機(jī)找出距離最小且滿足≤的兩個(gè)點(diǎn)簇進(jìn)行合并，得到1個(gè)類簇；

（3）計(jì)算1個(gè)類簇中相鄰兩個(gè)類簇之間的距離；

（4）重復(fù)步驟（2）、（3）；

（5）最終得到滿足≤條件的類簇?cái)?shù)量；

2.3 聚集區(qū)域擬合算法

Alpha Shapes 算法是從一堆無序的點(diǎn)簇中尋找邊界，并通過算法重構(gòu)其二維的區(qū)域圖像。Alpha Shapes 在數(shù)學(xué)上有明顯的定義，其原理為將一個(gè)半徑為的圓，在一個(gè)無序的點(diǎn)簇外滾動(dòng)；足夠大時(shí)，圓就不會(huì)掉入點(diǎn)簇的內(nèi)部，圓滾動(dòng)的軌跡，就是點(diǎn)簇的邊界線。所以在該算法中，半徑是唯一參數(shù)，其大小決定了邊界區(qū)域的精細(xì)度。當(dāng)足夠大時(shí)，則提取出來的邊界線為點(diǎn)簇的凸包；當(dāng)足夠小時(shí)，點(diǎn)簇的任意一個(gè)點(diǎn)都可能是邊界點(diǎn)。廖中平等提出了一種自適應(yīng)α-shapes 算法，使得滾動(dòng)圓在邊界滾動(dòng)時(shí)能夠自適應(yīng)調(diào)節(jié)半徑的值，保證邊界的精細(xì)度和完成性，其核心算法流程如下：

（1）將點(diǎn)云數(shù)據(jù)生成映射MAP 圖，得到一張分辨率為大小的圖片，像素值的大小等于該像素內(nèi)點(diǎn)的數(shù)量（2.1 節(jié)已實(shí)現(xiàn)）。

（2）邊界點(diǎn)判定。對(duì)每個(gè)像素點(diǎn)進(jìn)行遍歷，若該像素的值大于0，且鄰域點(diǎn)都大于0，則該點(diǎn)為非邊界點(diǎn)。

（3）對(duì)剩余的點(diǎn)進(jìn)行Alpha Shapes 判定：

（a）遍歷剩余所有像素點(diǎn)p (x，y)，運(yùn)用K 最近鄰域算法核心思想，計(jì)算其個(gè)最近鄰域點(diǎn)，并計(jì)算其歐氏距離的均值，并設(shè)置為滾動(dòng)圓的半徑α，搜索所有距離該像素點(diǎn)距離小于2α的像素點(diǎn)，形成新的點(diǎn)集。

（b）任意中任意一個(gè)點(diǎn)p (x，y)，根據(jù)p、p及半徑α，可以確定兩個(gè)滾動(dòng)圓及其圓心和。若中其它所有點(diǎn)到和距離均大于α，則該點(diǎn)p為邊界點(diǎn)。

（c）若中沒有滿足條件（b）的點(diǎn)，則該點(diǎn)p不是邊界點(diǎn)。

（d）重復(fù)步驟（b）、（c），直到找出所有邊界點(diǎn)。

在上文中，已得到滿足聚類條件的個(gè)類簇，每一次類簇由一系列的離散點(diǎn)組成，如圖2（a）所示。本文涉及的算法需要將離散點(diǎn)擬合成多邊形區(qū)域，并運(yùn)用圖像處理技術(shù)處理計(jì)算其區(qū)域特征進(jìn)行聚集區(qū)域篩選。對(duì)于離散點(diǎn)的區(qū)域擬合最常見的技術(shù)就是凸包擬合，如圖2（b）所示。圖中離散點(diǎn)簇所圍成的區(qū)域?yàn)榘夹危舨捎猛拱鼣M合算法得到的域明顯不是點(diǎn)簇的真實(shí)形狀。因此，本文采用自適應(yīng)Alpha Shapes 算法來尋找點(diǎn)簇的邊界點(diǎn)，并將邊界點(diǎn)連接起來形成點(diǎn)簇的聚集區(qū)域，結(jié)果如圖2（c）所示。

圖2 聚集區(qū)域圖Fig.2 Concentrated region

2.4 聚集區(qū)域特征計(jì)算

在圖像處理領(lǐng)域中，對(duì)于圖像目標(biāo)區(qū)域的自動(dòng)提取，最常見的方法是：先對(duì)圖像進(jìn)行閾值分割，連通區(qū)域標(biāo)記，計(jì)算區(qū)域特征值，再根據(jù)目標(biāo)區(qū)域的特征，自動(dòng)定位出目標(biāo)區(qū)域。Hu于1962 年提出了基于直角坐標(biāo)的幾何矩的概念，并推導(dǎo)出一系列的具有尺度不變形、平移不變性和旋轉(zhuǎn)不變形的變量，并廣泛應(yīng)用于圖像識(shí)別、數(shù)據(jù)重建、圖像壓縮、運(yùn)動(dòng)圖像分析等領(lǐng)域。

Hu 幾何矩及中心距定義如下：

其中：m為() 階幾何矩；M為()階幾何中心矩；A 為目標(biāo)區(qū)域；(，) 為區(qū)域A的幾何中心。

本文中聚集區(qū)域的特征值包括：點(diǎn)簇區(qū)域的面積、點(diǎn)密度、質(zhì)心(O，O)、方向、長度、寬度、長寬比等特征參數(shù)，并運(yùn)用這些參數(shù)對(duì)MAP 圖中不良點(diǎn)聚集區(qū)域進(jìn)行自動(dòng)篩選和定位。對(duì)于任一點(diǎn)簇區(qū)域A，上述特征值計(jì)算公式如下：

其中，表示區(qū)域A內(nèi)不良點(diǎn)的數(shù)量，、為A的最小外接矩形的長度和寬度。

3 算法流程及實(shí)驗(yàn)結(jié)果

本文將AOI 上報(bào)的不良點(diǎn)映射成不良MAP圖，并通過層次聚類、自適應(yīng)Alpha Shapes、區(qū)域特征提取及篩選等算法，自動(dòng)定位出不良點(diǎn)的聚集區(qū)域，詳細(xì)算法流程如圖3 所示：

圖3 算法流程圖Fig.3 Algorithm flow chart

（1）讀取AOI 上報(bào)的單張／多張玻璃基板不良點(diǎn)坐標(biāo)（x，y），建立玻璃基板坐標(biāo)系與圖像坐標(biāo)系之間的映射關(guān)系（公式（2）），將基板坐標(biāo)系中的不良點(diǎn)坐標(biāo)轉(zhuǎn)化為圖像坐標(biāo)系中坐標(biāo)（X，Y）。實(shí)驗(yàn)中選擇了生產(chǎn)過程中一個(gè)批次（28 張）的面板作為分析對(duì)象，將這個(gè)批次面板上所有不良點(diǎn)坐標(biāo)疊加到一起，所形成的不良MAP，如圖4 所示。在該MAP 圖的頂部、右側(cè)、中下部存在明顯的不良點(diǎn)聚集區(qū)域。

圖4 不良點(diǎn)聚集區(qū)域提取Fig.4 Defect concentrated region extraction

（2）采用不良點(diǎn)間的歐式距離作為聚類分析的先決條件，將所有點(diǎn)簇中間距≤的點(diǎn)視作一類點(diǎn)簇。具體采用機(jī)器學(xué)習(xí)領(lǐng)域的層次聚類的算法實(shí)現(xiàn)，并運(yùn)用Single linkage（最小化類間樣本距離）作為聚類分析連接標(biāo)準(zhǔn)，得到最終的分類結(jié)果｛，，，…，C｝，C?且≥1。

其中為點(diǎn)簇中不良點(diǎn)的最小數(shù)量，且≥1，分類及篩選結(jié)果如圖4（a）所示。

（4）若步驟（3）篩選結(jié)果?，則說明該MAP 圖不存在不良點(diǎn)聚集問題。相反，則進(jìn)一步進(jìn)行分析。

（6）采用圖像處理領(lǐng)域的插值擬合技術(shù)，根據(jù)任意點(diǎn)簇C的輪廓點(diǎn)C擬合出該點(diǎn)簇的最小包圍圖形區(qū)域A，由此可得到點(diǎn)簇相對(duì)應(yīng)的圖像區(qū)域集合｛，，…，｝，如圖5（a）所示。

圖5 目標(biāo)區(qū)域篩選Fig.5 Objective region filtering

表1 區(qū)域特征Tab.1 Region features

（8）根據(jù)步驟（7）計(jì)算出的區(qū)域特征向量，刪除集合中不滿足條件F∈［α，β］的區(qū)域。如：通過區(qū)域中心點(diǎn)坐標(biāo)（O，O），可刪除集合和，因?yàn)椴ＡЩ逋鈬鷧^(qū)域并不會(huì)對(duì)產(chǎn)品質(zhì)量產(chǎn)生影響；通過面積特征，可刪除和區(qū)域，小面積的聚集性對(duì)產(chǎn)品最終的質(zhì)量影響很小；最終選出造成良率損失的不良點(diǎn)聚集區(qū)域集合｛，，｝，如圖5（b）所示。

4 結(jié)束語

本文方法不僅限于AMOLED 行業(yè)，同樣適用于其它面板顯示及半導(dǎo)體行業(yè)應(yīng)用。該類領(lǐng)域內(nèi)，需要對(duì)AOI 檢測(cè)出的不良點(diǎn)所生成的MAP 圖進(jìn)行在線聚集性分析，并找出造成良率損失的點(diǎn)位聚集區(qū)供后續(xù)的不良分析。本文方法創(chuàng)新性地結(jié)合機(jī)器學(xué)習(xí)領(lǐng)域的層次聚類、alpha shapes、圖像處理領(lǐng)域的blob 分析等算法，并借鑒圖像處理領(lǐng)域缺陷定位的思路，完成了對(duì)MAP 圖在線智能分析。實(shí)驗(yàn)結(jié)果表明，本方法可迅速定位MAP 圖中不良點(diǎn)的聚集區(qū)域，可替代當(dāng)前人工在線目檢方式，通過一系列量化的判斷指標(biāo)，降低人工主觀判斷帶來的誤判和漏判風(fēng)險(xiǎn)，節(jié)約成本并提高檢測(cè)效率。