AMOLED不良MAP自动缺陷定位方法研究

曾建风，肖琨

（绵阳京东方光电科技有限公司，四川 绵阳 621000）

0 引言

近年来，随着通讯技术的不断发展，5G 时代已经悄然进入人们的生活，并掀起了各行各业技术创新与变革的浪潮。不管是即将到来的5G 时代还是未来的6G 时代，显示技术都是信息化时代关键技术的核心，也是最前沿技术。

AMOLED 作为最新的一项显示技术，是由柔性显示材料制作而成的一种可变形的显示器件，具备可弯曲、低能耗、更优的显示质量、更长的使用寿命等优势，使其应用范围更加的广泛。但是，由于AMOLED 工艺复杂，在生产过程中受空气洁净度、化学气体、液体及设备工艺参数的影响，会在面板上形成大小不均的不良点。通常情况下，这些不良点不会导致最终产品不良，但具有聚集性的点簇除外。故需要对AOI 检测出的不良点所生成的MAP 图进行在线聚集性分析，找出造成良率损失的点位聚集区，供不良分析。

目前，MAP 图的不良点位聚集性分析均由人工目检完成，但由于人员主观性因素，检测质量和一致性无法保证。基于上述问题，本文提出了一种基于机器学习与图像处理技术，对MAP 图进行在线智能分析方法，可迅速定位出MAP 图中不良点的聚集区域，并根据区域的特征参数对聚集区域进行分析，筛选出造成良率损失的目标点簇区域，从而实现MAP图全自动在线分析。同时，本文所述的方法通过一系列量化的判断指标，降低人员主观判断带来的误判和漏判风险，节约人工成本，提高检测效率。

1 关键技术

2.1 不良MAP 图合成

MAP 图即映射图，是指将一张面板上的不良点按照坐标映射为一张数字图像，用于可视化及后续的不良分析。在AMOLED的制造过程中，同一张面板会经过多个AOI的检测站点，AOI 设备会将面板上所有不良点P及坐标（x，y）上报文件系统。合成MAP 就是将不良坐标点绘制在图像上的过程。

首先，创建玻璃面板与图像坐标系O-XY、O-XY的二维映射关系，其表达式为：

其后，对于玻璃面板的坐标系所有不良点p（x，y），经公式（2）变化后，可得到该点在图像坐标系的坐标p＇（X，Y）：

最后，将映射变换后的所有不良点绘制在一幅分辨率为的图片上。其中。、分别为基板的长度和宽度，单位为mm。

图1 不良MAP 聚集图Fig.1 Defect map picture

2.2 聚集区域分割算法

本文提出的自动定位MAP 图不良聚集区域算法，需要将满足聚集特征的区域提取出来，用于后续的图像分析使用，为此选择机器学习中常用的聚类算法完成。聚类是数据挖掘领域中常见的非监督学习算法，其目的是将数据划分为类内相似度最大、类间相似度最小的族类。该算法在图像分析、模式识别、空间数据分析、经济学研究、生物工程等领域已得到广泛应用。

层次聚类算法分为凝聚（自底向上）和分裂（自顶向下）方法。凝聚方法是将每个对象作为单独的一个聚类，然后规则相近地合并相近的类，直到所有的对象合并到一个聚类中，或满足一定的终止条件为止。

本文采用最为经典的AGNES 层次聚类算法，采用类簇间的欧式距离作为聚类分析的度量标准，最小化类间样本距离作为聚类分析连接标准，将所有点簇中，间距≤的点视作一类点簇。

其中， p (x，y)、p (x，y) 为任意两个类簇中相邻距离最近的两个点。

其聚类过程如下：

（1）将MAP 图中不良点视作类簇，并计算出每个类簇之间的距离；

（2）随机找出距离最小且满足≤的两个点簇进行合并，得到1个类簇；

（3）计算1个类簇中相邻两个类簇之间的距离；

（4）重复步骤（2）、（3）；

（5）最终得到满足≤条件的类簇数量；

2.3 聚集区域拟合算法

Alpha Shapes 算法是从一堆无序的点簇中寻找边界，并通过算法重构其二维的区域图像。Alpha Shapes 在数学上有明显的定义，其原理为将一个半径为的圆，在一个无序的点簇外滚动；足够大时，圆就不会掉入点簇的内部，圆滚动的轨迹，就是点簇的边界线。所以在该算法中，半径是唯一参数，其大小决定了边界区域的精细度。当足够大时，则提取出来的边界线为点簇的凸包；当足够小时，点簇的任意一个点都可能是边界点。廖中平等提出了一种自适应α-shapes 算法，使得滚动圆在边界滚动时能够自适应调节半径的值，保证边界的精细度和完成性，其核心算法流程如下：

（1）将点云数据生成映射MAP 图，得到一张分辨率为大小的图片，像素值的大小等于该像素内点的数量（2.1 节已实现）。

（2）边界点判定。对每个像素点进行遍历，若该像素的值大于0，且邻域点都大于0，则该点为非边界点。

（3）对剩余的点进行Alpha Shapes 判定：

（a）遍历剩余所有像素点p (x，y)，运用K 最近邻域算法核心思想，计算其个最近邻域点，并计算其欧氏距离的均值，并设置为滚动圆的半径α，搜索所有距离该像素点距离小于2α的像素点，形成新的点集。

（b）任意中任意一个点p (x，y)，根据p、p及半径α，可以确定两个滚动圆及其圆心和。若中其它所有点到和距离均大于α，则该点p为边界点。

（c）若中没有满足条件（b）的点，则该点p不是边界点。

（d）重复步骤（b）、（c），直到找出所有边界点。

在上文中，已得到满足聚类条件的个类簇，每一次类簇由一系列的离散点组成，如图2（a）所示。本文涉及的算法需要将离散点拟合成多边形区域，并运用图像处理技术处理计算其区域特征进行聚集区域筛选。对于离散点的区域拟合最常见的技术就是凸包拟合，如图2（b）所示。图中离散点簇所围成的区域为凹形，若采用凸包拟合算法得到的域明显不是点簇的真实形状。因此，本文采用自适应Alpha Shapes 算法来寻找点簇的边界点，并将边界点连接起来形成点簇的聚集区域，结果如图2（c）所示。

图2 聚集区域图Fig.2 Concentrated region

2.4 聚集区域特征计算

在图像处理领域中，对于图像目标区域的自动提取，最常见的方法是：先对图像进行阈值分割，连通区域标记，计算区域特征值，再根据目标区域的特征，自动定位出目标区域。Hu于1962 年提出了基于直角坐标的几何矩的概念，并推导出一系列的具有尺度不变形、平移不变性和旋转不变形的变量，并广泛应用于图像识别、数据重建、图像压缩、运动图像分析等领域。

Hu 几何矩及中心距定义如下：

其中：m为() 阶几何矩；M为()阶几何中心矩；A 为目标区域；(，) 为区域A的几何中心。

本文中聚集区域的特征值包括：点簇区域的面积、点密度、质心(O，O)、方向、长度、宽度、长宽比等特征参数，并运用这些参数对MAP 图中不良点聚集区域进行自动筛选和定位。对于任一点簇区域A，上述特征值计算公式如下：

其中，表示区域A内不良点的数量，、为A的最小外接矩形的长度和宽度。

3 算法流程及实验结果

本文将AOI 上报的不良点映射成不良MAP图，并通过层次聚类、自适应Alpha Shapes、区域特征提取及筛选等算法，自动定位出不良点的聚集区域，详细算法流程如图3 所示：

图3 算法流程图Fig.3 Algorithm flow chart

（1）读取AOI 上报的单张／多张玻璃基板不良点坐标（x，y），建立玻璃基板坐标系与图像坐标系之间的映射关系（公式（2）），将基板坐标系中的不良点坐标转化为图像坐标系中坐标（X，Y）。实验中选择了生产过程中一个批次（28 张）的面板作为分析对象，将这个批次面板上所有不良点坐标叠加到一起，所形成的不良MAP，如图4 所示。在该MAP 图的顶部、右侧、中下部存在明显的不良点聚集区域。

图4 不良点聚集区域提取Fig.4 Defect concentrated region extraction

（2）采用不良点间的欧式距离作为聚类分析的先决条件，将所有点簇中间距≤的点视作一类点簇。具体采用机器学习领域的层次聚类的算法实现，并运用Single linkage（最小化类间样本距离）作为聚类分析连接标准，得到最终的分类结果｛，，，…，C｝，C⊆且≥1。

其中为点簇中不良点的最小数量，且≥1，分类及筛选结果如图4（a）所示。

（4）若步骤（3）筛选结果∅，则说明该MAP 图不存在不良点聚集问题。相反，则进一步进行分析。

（6）采用图像处理领域的插值拟合技术，根据任意点簇C的轮廓点C拟合出该点簇的最小包围图形区域A，由此可得到点簇相对应的图像区域集合｛，，…，｝，如图5（a）所示。

图5 目标区域筛选Fig.5 Objective region filtering

表1 区域特征Tab.1 Region features

（8）根据步骤（7）计算出的区域特征向量，删除集合中不满足条件F∈［α，β］的区域。如：通过区域中心点坐标（O，O），可删除集合和，因为玻璃基板外围区域并不会对产品质量产生影响；通过面积特征，可删除和区域，小面积的聚集性对产品最终的质量影响很小；最终选出造成良率损失的不良点聚集区域集合｛，，｝，如图5（b）所示。

4 结束语

本文方法不仅限于AMOLED 行业，同样适用于其它面板显示及半导体行业应用。该类领域内，需要对AOI 检测出的不良点所生成的MAP 图进行在线聚集性分析，并找出造成良率损失的点位聚集区供后续的不良分析。本文方法创新性地结合机器学习领域的层次聚类、alpha shapes、图像处理领域的blob 分析等算法，并借鉴图像处理领域缺陷定位的思路，完成了对MAP 图在线智能分析。实验结果表明，本方法可迅速定位MAP 图中不良点的聚集区域，可替代当前人工在线目检方式，通过一系列量化的判断指标，降低人工主观判断带来的误判和漏判风险，节约成本并提高检测效率。