AMOLED不良MAP自動缺陷定位方法研究

曾建風，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，隨著通訊技術的不斷發(fā)展，5G 時代已經悄然進入人們的生活，并掀起了各行各業(yè)技術創(chuàng)新與變革的浪潮。不管是即將到來的5G 時代還是未來的6G 時代，顯示技術都是信息化時代關鍵技術的核心，也是最前沿技術。

AMOLED 作為最新的一項顯示技術，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)的顯示質量、更長的使用壽命等優(yōu)勢，使其應用范圍更加的廣泛。但是，由于AMOLED 工藝復雜，在生產過程中受空氣潔凈度、化學氣體、液體及設備工藝參數的影響，會在面板上形成大小不均的不良點。通常情況下，這些不良點不會導致最終產品不良，但具有聚集性的點簇除外。故需要對AOI 檢測出的不良點所生成的MAP 圖進行在線聚集性分析，找出造成良率損失的點位聚集區(qū)，供不良分析。

目前，MAP 圖的不良點位聚集性分析均由人工目檢完成，但由于人員主觀性因素，檢測質量和一致性無法保證?；谏鲜鰡栴}，本文提出了一種基于機器學習與圖像處理技術，對MAP 圖進行在線智能分析方法，可迅速定位出MAP 圖中不良點的聚集區(qū)域，并根據區(qū)域的特征參數對聚集區(qū)域進行分析，篩選出造成良率損失的目標點簇區(qū)域，從而實現MAP圖全自動在線分析。同時，本文所述的方法通過一系列量化的判斷指標，降低人員主觀判斷帶來的誤判和漏判風險，節(jié)約人工成本，提高檢測效率。

1 關鍵技術

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按照坐標映射為一張數字圖像，用于可視化及后續(xù)的不良分析。在AMOLED的制造過程中，同一張面板會經過多個AOI的檢測站點，AOI 設備會將面板上所有不良點P及坐標（x，y）上報文件系統(tǒng)。合成MAP 就是將不良坐標點繪制在圖像上的過程。

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

其后，對于玻璃面板的坐標系所有不良點p（x，y），經公式（2）變化后，可得到該點在圖像坐標系的坐標p＇（X，Y）：

最后，將映射變換后的所有不良點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，為此選擇機器學習中常用的聚類算法完成。聚類是數據挖掘領域中常見的非監(jiān)督學習算法，其目的是將數據劃分為類內相似度最大、類間相似度最小的族類。該算法在圖像分析、模式識別、空間數據分析、經濟學研究、生物工程等領域已得到廣泛應用。

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

本文采用最為經典的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準，最小化類間樣本距離作為聚類分析連接標準，將所有點簇中，間距≤的點視作一類點簇。

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

其聚類過程如下：

（1）將MAP 圖中不良點視作類簇，并計算出每個類簇之間的距離；

（2）隨機找出距離最小且滿足≤的兩個點簇進行合并，得到1個類簇；

（3）計算1個類簇中相鄰兩個類簇之間的距離；

（4）重復步驟（2）、（3）；

（5）最終得到滿足≤條件的類簇數量；

2.3 聚集區(qū)域擬合算法

Alpha Shapes 算法是從一堆無序的點簇中尋找邊界，并通過算法重構其二維的區(qū)域圖像。Alpha Shapes 在數學上有明顯的定義，其原理為將一個半徑為的圓，在一個無序的點簇外滾動；足夠大時，圓就不會掉入點簇的內部，圓滾動的軌跡，就是點簇的邊界線。所以在該算法中，半徑是唯一參數，其大小決定了邊界區(qū)域的精細度。當足夠大時，則提取出來的邊界線為點簇的凸包；當足夠小時，點簇的任意一個點都可能是邊界點。廖中平等提出了一種自適應α-shapes 算法，使得滾動圓在邊界滾動時能夠自適應調節(jié)半徑的值，保證邊界的精細度和完成性，其核心算法流程如下：

（1）將點云數據生成映射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點的數量（2.1 節(jié)已實現）。

（2）邊界點判定。對每個像素點進行遍歷，若該像素的值大于0，且鄰域點都大于0，則該點為非邊界點。

（3）對剩余的點進行Alpha Shapes 判定：

（a）遍歷剩余所有像素點p (x，y)，運用K 最近鄰域算法核心思想，計算其個最近鄰域點，并計算其歐氏距離的均值，并設置為滾動圓的半徑α，搜索所有距離該像素點距離小于2α的像素點，形成新的點集。

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

（c）若中沒有滿足條件（b）的點，則該點p不是邊界點。

（d）重復步驟（b）、（c），直到找出所有邊界點。

在上文中，已得到滿足聚類條件的個類簇，每一次類簇由一系列的離散點組成，如圖2（a）所示。本文涉及的算法需要將離散點擬合成多邊形區(qū)域，并運用圖像處理技術處理計算其區(qū)域特征進行聚集區(qū)域篩選。對于離散點的區(qū)域擬合最常見的技術就是凸包擬合，如圖2（b）所示。圖中離散點簇所圍成的區(qū)域為凹形，若采用凸包擬合算法得到的域明顯不是點簇的真實形狀。因此，本文采用自適應Alpha Shapes 算法來尋找點簇的邊界點，并將邊界點連接起來形成點簇的聚集區(qū)域，結果如圖2（c）所示。

圖2 聚集區(qū)域圖Fig.2 Concentrated region

2.4 聚集區(qū)域特征計算

在圖像處理領域中，對于圖像目標區(qū)域的自動提取，最常見的方法是：先對圖像進行閾值分割，連通區(qū)域標記，計算區(qū)域特征值，再根據目標區(qū)域的特征，自動定位出目標區(qū)域。Hu于1962 年提出了基于直角坐標的幾何矩的概念，并推導出一系列的具有尺度不變形、平移不變性和旋轉不變形的變量，并廣泛應用于圖像識別、數據重建、圖像壓縮、運動圖像分析等領域。

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：點簇區(qū)域的面積、點密度、質心(O，O)、方向、長度、寬度、長寬比等特征參數，并運用這些參數對MAP 圖中不良點聚集區(qū)域進行自動篩選和定位。對于任一點簇區(qū)域A，上述特征值計算公式如下：

其中，表示區(qū)域A內不良點的數量，、為A的最小外接矩形的長度和寬度。

3 算法流程及實驗結果

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

圖3 算法流程圖Fig.3 Algorithm flow chart

（1）讀取AOI 上報的單張／多張玻璃基板不良點坐標（x，y），建立玻璃基板坐標系與圖像坐標系之間的映射關系（公式（2）），將基板坐標系中的不良點坐標轉化為圖像坐標系中坐標（X，Y）。實驗中選擇了生產過程中一個批次（28 張）的面板作為分析對象，將這個批次面板上所有不良點坐標疊加到一起，所形成的不良MAP，如圖4 所示。在該MAP 圖的頂部、右側、中下部存在明顯的不良點聚集區(qū)域。

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

（2）采用不良點間的歐式距離作為聚類分析的先決條件，將所有點簇中間距≤的點視作一類點簇。具體采用機器學習領域的層次聚類的算法實現，并運用Single linkage（最小化類間樣本距離）作為聚類分析連接標準，得到最終的分類結果｛，，，…，C｝，C?且≥1。

其中為點簇中不良點的最小數量，且≥1，分類及篩選結果如圖4（a）所示。

（4）若步驟（3）篩選結果?，則說明該MAP 圖不存在不良點聚集問題。相反，則進一步進行分析。

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

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

表1 區(qū)域特征Tab.1 Region features

（8）根據步驟（7）計算出的區(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)域中心點坐標（O，O），可刪除集合和，因為玻璃基板外圍區(qū)域并不會對產品質量產生影響；通過面積特征，可刪除和區(qū)域，小面積的聚集性對產品最終的質量影響很?。蛔罱K選出造成良率損失的不良點聚集區(qū)域集合｛，，｝，如圖5（b）所示。

4 結束語

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體行業(yè)應用。該類領域內，需要對AOI 檢測出的不良點所生成的MAP 圖進行在線聚集性分析，并找出造成良率損失的點位聚集區(qū)供后續(xù)的不良分析。本文方法創(chuàng)新性地結合機器學習領域的層次聚類、alpha shapes、圖像處理領域的blob 分析等算法，并借鑒圖像處理領域缺陷定位的思路，完成了對MAP 圖在線智能分析。實驗結果表明，本方法可迅速定位MAP 圖中不良點的聚集區(qū)域，可替代當前人工在線目檢方式，通過一系列量化的判斷指標，降低人工主觀判斷帶來的誤判和漏判風險，節(jié)約成本并提高檢測效率。