基于ε-支持向量回歸機的背光源亮度均勻性評價方法

宋 悅,林志賢,姚劍敏?,郭太良

(福州大學物理與信息工程學院,福建福州,350002)

基于ε-支持向量回歸機的背光源亮度均勻性評價方法

宋 悅,林志賢,姚劍敏?,郭太良

(福州大學物理與信息工程學院,福建福州,350002)

針對現有傳統亮度計采集背光源亮度的檢測方法用時長,不適于生產線的問題,提出一種基于ε-支持向量回歸機的背光源亮度均勻性評價方法。設計了背光源亮度均勻性檢測平臺,采用CCD圖像傳感器一次性同時獲得幾個背光源亮度圖像,并進行校正。通過在非線性條件下的ε-支持向量回歸機(ε-SVR)對校正后得到的背光源檢測點亮度值構建關于背光源亮度值的預測模型,并對若干個背光源進行預測,與檢測標準相比較判斷其亮度是否合格。結果表明,在構建的支持向量回歸模型中多種參數的融合檢測,其精度是相似的。其中,最佳預測結果RMSE為43.28,BR為1.21%。說明預測結果與傳統亮度計的測量值之間誤差較小,但操作方便、且所用時間更短,對于背光源亮度均勻性的客觀評價與亮度計評價結果基本符合。

光學檢測;背光源;CCD;ε-SVR

1 引 言

現代液晶顯示器(Liquid Crystal Display, LCD),特別是在小尺寸的個人手持式設備,如手機、數碼相機、音樂播放器、視頻播放器和機器控制器等中被廣泛使用。它具有重量輕,厚度薄,節能等優點。因此,近年來液晶顯示器設備的使用數量成倍增加。在2007年,其市場規模達到七百多億,與20世紀90年代相比增長了約400 倍[1-2]。在液晶的相關組件中,背光源是液晶組成部件最重要的部件之一[3]。2008年全球背光源市場份額達到14億美元,其中中小尺寸占85%。

世界第二次世界大戰中,人們利用超小鎢絲燈作為航空儀表背光,這在后來被作為背光源最初的起源。之后市場對于液晶顯示技術的要求越來越高,由于背光技術是影響液晶顯示至關重要的一項環節,伴隨著液晶產業持續進步及其使用范圍不斷地拓寬,背光源技術逐漸受到研究者的重視[4]。而背光源發光亮度是否均勻是判斷其是否優良的標準之一。

本文提出了采用CCD獲取待測背光源的亮度圖像,并研究基于ε-支持向量回歸機模型的背光源亮度均勻性評估方法與檢測平臺。在較短時間內對若干個待測背光源同時進行檢測,記錄下所有屏幕的圖像亮度信息。根據CCD采集到的圖像信息,將其轉化為亮度值,并應用ε-支持向量回歸機對亮度值進行建模,在此基礎上對背光源亮度值進行預測。與采用傳統亮度計(BM-7A)測得數據相比,新的評估方法不僅檢測準確度較高,而且減少了檢測的時間,更適合應用于實際生產線中。

2 現有評估方法

目前,對于背光源亮度均勻性評估主要方法仍然以視覺檢測為主。由于人存在個體差異性,不同人對于相同事物的感受及判斷會存在差別,而視覺檢測的主要缺陷即存在個人主觀性,所以不同的觀察者所得到的檢測結論也有可能存在一定的差異[5]。還有一種評估背光源亮度的方法是利用人眼視覺和亮度計測量相結合,這種方法相對客觀,但也存在一定程度的個體差異性,在不同時間、不同環境下,即使由同一個人、同一臺亮度計測量仍可能出現不同結果。待測背光源區域的確定和亮度評估方法的實現是背光源亮度均勻性評估的兩個環節。工廠檢測背光源亮度通常使用9點和13點測試法。以生產線常用的亮度計BM-7A[6]為例,在待測背光源上隨機抽取N個檢測點或模塊,利用BM-7A分別測得以檢測點或模塊為中心的中心點亮度值L1,和其相關聯區域亮度值Li。如圖1和圖2所示。

圖1 9點測試法示意圖Fig.1 Nine points measurement method

圖2 13點測試法示意圖Fig.2 Thirteen points measurement method

設Lmin代表Li中最小亮度值、Lmax為Li最大亮度值。則待測背光源的亮度通過

與制造商所提供的標準值相比較,判斷背光源亮度是否合格,并符合其要求。

這種利用BM-7A亮度計檢測亮度值的方法,每次僅可測量單個檢測點或區域的亮度值,并且檢測一次通常需要將亮度計前后左右移動并重新對焦[7]。這種方法不僅費時,且不適應于實際工業生產線。

3 支持向量回歸

支持向量機起源于分類問題,由于分類與回歸問題有很多相似點,因此將其推廣到回歸問題上仍有良好應用。圖3顯示了支持向量機的基本原理,它是從線性可分情況下的最優分類面發展而來的。與將經驗風險最小化的人工神經網絡不同[8],支持向量回歸機(SVR)在對函數逼近能力和時間序列預測問題中具有較優的推廣能力, SVR尋找大量的經驗數據與近似數據特性之間的最優解實現結構風險最小化。SVR的優點是不易陷入局部最小化,也不存在過擬合問題。其中ε-SVR就是一種支持向量回歸的算法。

圖3 最優化超平面示意圖Fig.3 Schematic of optimization hyperplane

對于ε-SVR,設給定訓練集{(x1,y1),…, (xl,yl)}?Rn×R,其中xi表示輸入樣本向量, yi表示目標值。ε-SVR的目標是找到一個擬合函數f x(),同時滿足兩個條件:擬合出的函數在精度ε下盡可能的平滑;擬合誤差盡可能的小[9],使函數呈線性。

其中:〈·,·〉表示Rn空間上的點積,ω∈Rn,b ∈R。同時考慮到存在誤差,引入松弛變量ξi,ξ?i,該問題寫成優化問題,則

式(2)的對偶問題為:

最小化

約束條件

ω完全由訓練集xi的線性組合表示。

通過希爾伯特施密特理論可知,滿足Mercer定理的核函數K,它對應一個特定變換空間的內積。設該核函數為K(xi,x)＝φ(xi)φ(x),在非線性函數回歸問題中,利用非線性映射x→φ(x)將數據映射到某一高維空間,從而在該空間實現線性回歸。因此,非線性問題轉化為: (x·y＋1)d、RBF核函數K(x,y)＝、Sigmoid核函數K(x,y)＝ tanh(b(x·y)－c)等作為核函數較為常見。在這3種常見核函數中,RBF核函數應用范圍相對較廣,表現效果較好[10],因此本文選取RBF核函數來進行建模研究。

4 基于CCD圖像的亮度均勻性評估方法

4.1 亮度均勻性測試的理論基礎

當驅動背光源發光時,各部分亮度值理想情況下應該為相同的。但由于工藝制成、材料設備等不可避免的客觀因素影響,采集到的生產線上背光源的亮度值通常情況是存在差異的。例如,日常中對于顯示相同亮度值的顯示器也存在一些偏暗、偏亮的像素或區域,這就體現了顯示設備的亮度不均勻。顯示設備的均勻與否是成像好壞的重點原因,這同樣適用于背光源[7]。通常情況下,人眼對亮度越高的光的變化越不敏感,而對于低亮度的光,本身視覺感受就不十分顯著,甚至可能不一定感受得出來。但若使用亮度達到一定程度不均勻的背光源用于LCD時,將會直接影響到LCD顯示畫面的圖形圖像質量,觀看者人眼的不適感也會加重。

在目前光色科學領域中,CCD圖像傳感器以其成像技術優,實時性好等特點獲得了普遍的使用[11]。CCD可采集背光源空間位置信息和圖像亮度等信息,使用CCD的背光源檢測平臺相較于傳統亮度計檢測能夠更加快速、省時。

本文將建立采用CCD圖像傳感器的背光源亮度均勻性的理論評價方法。用于檢測背光源亮度均勻性的方法需滿足以下標準:一是CCD圖像傳感器檢測方法應該與傳統亮度計及人工檢測方法具有類似點;二是能夠量化評估亮度。本文通過背光源自身特點,基于背光源亮度均勻性檢測平臺,設計了一種亮度均勻性檢測系統。

4.2 背光源亮度信息采集系統

如圖4所示,為本文背光源圖像亮度采集系統。采集圖像時CCD圖像傳感器位于若干待測背光源正上方,將圖像傳感器鏡頭與背光源邊沿最大夾角控制在2°范圍內,減小背光源視角亮度誤差。

圖4 所提背光源亮度采集系統Fig.4 Proposed backlight luminance obtaining system

本文使用CCD同時采集若干個背光源的圖像,并將背光源檢測點的圖像亮度轉化成亮度值。通過計算的亮度值,判斷背光源是否合格。所提背光源檢測系統的設計如圖5所示。有6塊背光源分別位于槽A、B、C、D、E和F。每個背光源包含3×3,共9個檢測點。槽A處的背光源檢測點標記為a1,…,a9。所提系統采用以下步驟同時檢測多個背光源。

圖5 系統同時檢測6個背光源(54個檢測點)亮度圖像Fig.5 System simultaneously inspects 6 backlights (54 check points)

首先,對CCD采集到的圖像應用暗場校正。關閉CCD快門,采集與待測背光源規格相同的合格背光源的若干幅圖像,并對這幾幅圖像進行疊加平均計算得到平均圖像S。采集圖像減去平均圖像S即得到它的暗場圖像。暗場圖像校正的目的是消除CCD相機暗電流所產生的噪聲。圖6為圖像S的實例。其次,對上一步校正后的圖像進行平場校正處理。平場校正使用線性函數gi, ?i＝1,…,M×N,(M,N為圖像像素)校正每個像素i的亮度值。平場校正的目的是調整CCD傳感器單元的靈敏度。為計算平場校正gi,使用CCD采集N張圖像,每張圖像由CCD和亮度計對同一區域采集,調整區域的光強度,使CCD亮度讀取在經驗值2000＋100×k(cd/m2),k＝0,…,N-1。對于每個像素i,有N對,其中表示CCD采集的第k個圖像的第i個像素亮度值,Lk是亮度計對第k個圖像讀取亮度值。定義表示用于校正圖像第i個像素的線性函數。使用最小二乘法線性回歸求得未知量ai,bi:

隨后,計算平場校正后的檢測點亮度值。并將亮度值作為ε-SVR的輸入,并根據訓練樣本預測亮度值。訓練SVR模型過程中,一個檢測點訓練一個亮度預測模型,N對訓練樣本), i＝1,..,N用于背光源的每個檢測點。表示平場校正亮度值(作為SVR模型的訓練輸入xi), Li是亮度計采集標準值(作為SVR模型訓練輸出yi)。檢測系統包括6個背光源,每個背光源有9個檢測點。因此將構建6×9＝54個SVR模型。每個SVR模型預測單一檢測點的亮度值。當訓練完成后,可以在一次對焦下同時檢測幾個背光源。在預測階段,所提的系統通過SVR對校正后的槽p中第q個待測背光源的第r個檢測點的校正值及BM-7A測得亮度值訓練,再通過檢驗亮度值來預測通過BM-7A測得亮度值值的計算公式為:

其中,n為訓練樣本的數目。

通過檢測點的預測亮度值進一步與質量標準對比判斷背光模塊是否合格。此標準通常由制造商的客戶提供。

圖6 暗場校正圖像Fig.6 The image used in dark f ield correction

5 實驗結果

p表示槽個數,p＝1,…,P;q表示背光源個數,q＝1,…,Q;r表示單個背光源第r個檢測點,r＝1,…,R。令P＝6,R＝9,Q＝20作為訓練樣本;Q＝5作為預測樣本。槽p中第q個背光源的第r個檢測點的標準值(由BM-7A測得),記為;SVR預測值定義為。實驗中使用3個不同公式來衡量訓練后預測亮度值與BM-7A測得亮度值相比較的準確度,分別為均方根誤差,偏離率,PSEL(k)。

均方根誤差(RMSE):

大于偏離率BR k%的樣本所占百分比(PSEL(k)):

其中:

由于背光源檢測點樣本之間不存在線性關系,本文采用將RBF核函數K(x,y)＝作為核函數的非線性ε-SVR。使用“窮舉法”[12],選擇不同待定參數C, γ,ε的組合,則所得誤差會存在差異,通過對比可看出最小誤差的參數組合。因此設C＝0.1、1、10,γ＝0.1、0.5,ε＝1、10。表1、表2分別是ε-SVR訓練樣本和檢驗樣本誤差的結果。

由表1及表2可以看出,ε-SVR在非線性情況下,能得到相對較低的檢測誤差,獲得令人滿意的精度。

表1 ε-SVR訓練樣本誤差Tab.1 Errors of theε-SVR for the training data set

表2 ε-SVR預測樣本誤差Tab.2 The errors of theε-SVR for the test data set

6 結 論

提出一種基于ε-支持向量回歸機的背光源亮度均勻性檢測系統。借助CCD圖像傳感器一次性采集多個背光源的圖像,并使用支持向量回歸機在非線性函數回歸下將圖像亮度轉化亮度值,并根據亮度值判斷背光源是否合格。本次實驗中,當C＝1,γ＝0.5,ε＝10時,預測結果最佳,為RMSE＝43.28,BR＝1.21%,并且當C, γ,ε取不同數值時,各檢驗結果相差不大,具有一般性。最后,可根據質量檢測標準,判斷背光源是否合格。相較與傳統亮度計,在保證測量準確性的前提下,其速度更快,且操作更方便,更適合應用于生產線上。需要強調的是核函數的選擇在非線性SVR中至關重要。本文根據以往研究選取的是RBF核函數,但對于如何選擇最優核函數,仍需要今后進一步的研究論證。

[1] Lee J,Kim B C.The relationship between innovation and market share:Evidence from the global LCD industry [J].Ind.Innov,2013,20(1):1-21.

[2] Poor A.LCDs′bright future[J].Spectrum,2011,48(10):24-25.

[3] Li Y,Chu P,Liu J,et al.A novel partitioned light guide backlight LCD for mobile devices and local dimming method with non-uniform backlight compensation[J].Display Technology,Journal of,2014,(10)4:321-328.

[4] 季旭東.LCD背光源產品的新發展[J].液晶與顯示,2002,17(2):119-127.Ji X D.New development of LCDs backlight[J].Chinese Journal of Liquid Crystals and Displays,2002,17(2): 119-127.(in Chinese)

[5] 宋新麗,鄭喜鳳,凌麗清,等.基于灰度直方圖的LED顯示屏亮度均勻性評估方法[J].液晶與顯示,2009,24(1): 140-144.Song X L,Zheng X F,Ling L Q,et al.Luminance uniformity evaluation for LED display panel based on gray histogram[J].Chinese Journal of Liquid Crystals and Displays,2009,24(1):140-144.(in Chinese)

[6] Topcon Cooperation.BM-7A Speci f ication[OL].Available:http://www.totalsmart.com.tw/Download/BM-7A.pdf

[7] 徐秀知,馮永茂,鄧春健,等.一種新的OLED亮度均勻度測試方法[J].光學技術,2007,33(1):41-43.Xu X Z,Feng Y M,Deng C J,et al.A new method for testing luminance uniformity of OLED[J].Optical Technique,2007,33(1):41-43.(in Chinese)

[8] ?zcan B,F?lal?A.Artificial neural networks for the cost estimation of stamping dies[J].Neural Computing and Applications,2014,25:717-726.

[9] Halfawy M R,Hengmeechai J.Automated defect detection in sewer closed circuit television images using histograms of oriented gradients and support vector machine[J].Autom.Construction,2014,38:1-13.

[10] Wu H W,Yu H Y,Zhang L.The net photosynthetic rate prediction model based on the optimized support vector machine[J].Spectroscopy and Spectrum Analysis,2011,31(5):1414-1418.

[11] Tohsing K,Schrempf M,Riechelmann S,et al.Measuring high-resolution sky luminance distributions with aCCD camera[J].Applied Optics,2013,52(8):1564-157.

[12] 林升梁,劉志.基于RBF核函數的支持向量機參數選擇[J].浙江工業大學學報,2007,35(2):163-167.Lin S L,Liu Z.Parameter selection in SVM with RBF kernel function[J].Journal of Zhejiang University of Technology,2007,35(2):163-167.(in Chinese)

Luminance uniformity evaluation for backlight based onε-support vector regression

SONG Yue,LIN Zhi-xian,YAO Jian-min?,GUO Tai-liang

(College of Physics and Information Engineering,Fuzhou University,Fuzhou 350002,China)

The traditional luminance meter takes too much time to detect the backlight luminance so that it is hard to take bulk-production in the engineering practice.To solve these problems,the paper puts forward an evaluation method of backlight luminance uniformity based onε-support vector regression.A backlight luminance uniformity testing platform is designed.First of all,a CCD image sensor is used in a single shot to get a digital image of several backlights,and the image is corrected.Secondly usesε-support vector regression(ε-SVR)in the condition of nonlinear to test the luminance values of check points in backlights,and forecast the real luminance values of backlights.At last,it is compared with the testing standard to judge whether the backlights are qualified.The results show that the fusion of parameters can be tested in the constructed support vector regression.And their accuracy shows good similarity.RMSE of the best prediction is 43.28,BR is 1.21%.The error between the predicted results and these results of the measurements of the traditional luminance meter ismuch less,and it is easy to operate.The evaluation results of luminance meter are accorded with the method of the objective evaluation of the backlight luminance uniformity.

optical detection;backlight;CCD;ε-SVR

TP752

:A

10.3788/YJYXS20153005.0857

1007-2780(2015)05-0857-07

宋悅(1989－),女,黑龍江哈爾濱人,碩士研究生,研究方向為計算機視覺與圖像處理等。E-mail:sy891104＠126.com

林志賢(1975－),男,福建泉州人,博士,教授,從事平板顯示器驅動技術、信息顯示技術等研究工作。

姚劍敏(1978－),男,福建莆田人,副研究員,博士,主要研究工作是模式識別、三維顯示技術等。

郭太良(1963－),男,福建莆田人,研究員,博士生導師,主要從事FED顯示器方面的研究工作。

2014-09-28;

:2014-11-04.

國家863重大專項(No.2013AA030601);國家自然科學基金(No.61101169,No.61106053);福建省教育廳(省屬高校專項)(No.JK2014002)

?通信聯系人,E-mail:yaojm＠fzu.edu.cn