引言

Mura缺陷检测对于OLED等新型显示器件制造工艺的改善、生产质量的提高具有重要意义，国内外研究机构与研究学者对新型显示器件制造过程中的 Mura缺陷视觉检测理论与技术开展了大量研究工作。同时，针对不局限于Mura缺陷的表面缺陷检测问题，也有大量理论方法得以提出与发展，本文介绍Mura缺陷视觉检测理论与技术，并对一般情况下的纹理表面缺陷检测进行分析。

（图1自AE原理）

基于深度学习的Mura缺陷检测方法均为无监督学习方法，即仅需良品样本进行训练，无需Mura缺陷训练样本，它的重构纹理背景图像，是通过分割原始图像与纹理背景图像间的残差图像来检测缺陷。

此类方法的核心思想为利用良品样本学习纹理特征分布，并假设缺陷样本与被模型所学习的特征分布有较大分布距离。

如图1所示，训练时输入无缺陷图像pI到编码器，将其编码到较低维度的低维隐空间z，并将之通过解码器解码到原始图像空间获取重构背景图像ˆpI；通过重构训练，低维隐空间本质上为一个信息瓶颈，其驱使AE提取输入高维数据的主成分(纹理背景信息)，AE的训练目标函数为：

（公式1）

对抗训练过程的目标函数为：

（公式2）

（图2生成对抗网络GAN原理）

由于AE与GAN难以保证纹理背景重构精度与缺陷抑制能力，导致用于缺陷检测时效果并不理想，故Mura缺陷检测方法对其纹理背景重构与缺陷抑制能力进行了改进与提升，利用多尺度无缺陷良品图像块在不同尺度重构纹理背景图像，以此检测不同尺度的Mura缺陷。

Yang等人提出多尺度特征聚类自编码模型，通过对多尺度卷积特征进行隐空间特征聚类提升背景重构精度，而提升Mura缺陷以及其他纹理表面缺陷的检测精度。

此类方法检测精度虽然有所提升，但依旧缺乏对缺陷的特征表达能力，对Mura缺陷的抑制并不彻底，进行检测时难以避免将Mura缺陷重构到纹理背景中，导致漏检测、误检测问题，制约检测精度。

Mura缺陷AOI设备

（图3国内外新型显示器件AOI设备）

（a）美国Radiant；(b)日本FAST；(c)中国台湾由田新技；(d)中国精测电子

日本FAST公司研制了FV-Pixellence AOI设备，对薄膜晶体管液晶显示器Mura缺陷具备一定检测能力，但低对比度(灰阶差小10)Mura

缺陷检测效果不佳；德国Isra公司研制了系列AOI设备，可对TFT-LCD进行在线检测。

以色列Orbotech公司研制了Flex系列AOI设备，可检测各类OLE显示缺陷；韩国Phoenix公司研制的TFT-LCD AOI设备，对Mura缺陷检测精度取得一定提升；国内新型显示AOI设备起步较晚，我国台湾的由田新技公司研制了大面积AOI设备，对涂布后、曝光前产生的各类 。

Mura缺陷有一定检测效果；中导光电研制了我国大陆第一台TFT-LCD AOI设备打破了国外AOI设备垄断，中国精测电子公司研制的AOI设备对点缺陷、线缺陷均具备较好的检测效果；整体而言，我国各显示面板制造龙头企业的核心AOI装备仍被国外主导；同时现有的各类

AOI设备使用传统Mura缺陷检测算法进行检测，对外观缺陷、点缺陷及线缺陷均有较高检测精度。

然而，其对低对比度Mura缺陷的检测精度依然不高(检出率低于75%)，无法适应于Mura缺陷形状尺度多变、受纹理背景干扰等特点造成的严苛的检测鲁棒性要求，导致上述设备依然无法满足新型显示器件制造产线检测需求。

纹理表面缺陷检测研

新型显示器件Mura缺陷受纹理背景干扰，属于一类纹理表面缺陷，其检测过程属于纹理表面缺陷检测的范畴，因此本小节对纹理表面缺陷检测研究现状进行分析，纹理表面缺陷检测方法主要分为两类：传统方法与深度学习方法。

传统纹理表面缺陷检测方法利用手工设计特征描述纹理与缺陷。其可大致分为四类，基于结构的方法、基于统计的方法、基于频域信息的方法与基于模型的方法。深度学习纹理表面缺陷检测方法基于监督学习的纹理表面缺陷检测方法与基于无监督学习的纹理表面缺陷检测方法。

针对OLED复杂纹理背景Mura缺陷视觉检测难题，本文从OLED制造产线不同缺陷训练样本量下的检测需求出发，研究了不同缺陷训练样本量下Mura缺陷与复杂纹理背景的精确分离难题，提出了基于深度特征编码的Mura缺陷视觉检测算法，实现Mur缺陷精确检测，如图4所示：

（图4本文解决的问题与对应的内容）

研究基于多尺度注意力机制网络的监督Mura缺陷检测算法，针对大量Mura缺陷训练样本情形下的各类Mura缺陷精确鲁棒检测难题，提出基于多尺度注意力机制网络的监督Mura缺陷检测算法。

MSAN中，提出多尺度特征融合模块实现不同尺度Mura缺陷强语义特征表达；提出多尺度机制模型解决Mura缺陷与纹理背景样本不均衡问题并实现Mura缺陷模块快速定位；以多尺度注意力分数图为引导信息，MSAN通过多尺度分层检测实现不同尺度、不同类型Mura缺陷精确鲁棒检测。

Mura缺陷数据集测试结果表明，MSAN对不同类型Mura缺陷的整体检出率达到94.6%，过检率为较低的4.1%，优于现有监督学习方法(检出率低于88%，过检率高于5%)，实现大样本情形下不同类型Mura缺陷精确鲁棒检测，同时MSA在目标检测任务中达到较好检测精度，验证了MSAN的通用性。

Mura缺陷精确定义

在新型显示行业，“Mura”已作为一个专业术语，代表显示器件的一类典型的显示缺陷，为精确定义与量化Mura缺陷，国际半导体设备与材料协会SEMI于2002年颁发的SEMID31-1102标准中，提出了Mura缺陷量化SEMU标准，过计算SEMU值的大小来评价Mura缺陷的等级，SEMU值的大小表示Mura缺陷的严重程度。

SEMU值越大Mura缺陷越严重，当SEMU＜1时，表示不存在Mura缺陷或Mura缺陷不明显，产品可考虑为良品；当SEMU＞1时，Mura缺陷存在且较为明显，产品可视为不良品。

图5所示为一组不同SEMU等级的Mura缺陷示例，在实际生产中，由于不同生产企业的制造工艺存在差异，对Mura缺陷的评定会根据实际产线情况进行相应的浮动变化，SEMU标准只考虑了Mura缺陷的对比度与面积参数，实际上人眼视觉受观测距离的影响，而SEMU标准并未考虑观测距离，因此SEMU标准对Mura缺陷的量化具有局限性。

（图5 Mura缺陷严重等级定义与量化示例）

度值热力图(a) SEMU=0.6；(b) SEMU=0.8；(c) SEMU=1.3；(d) SEMU=1.7；(e) SEMU=2.8

Mura缺陷产生原因

（图6AMOLED结构示意图）

其结构如图6所示，其由OLED像素矩阵组成，包含低温多晶硅驱动的TFT基板、水平驱动回路、垂直驱动回路、透明阳极、空穴传输层、有机材料发光层、电子传输层与金属阴极。

其中，LTPS-TFT基板通过水平驱动回路及垂直驱动回路控制到达每个OLED像素的电流，用于为OLED提供外部电压，驱动OLED发光；透明阳极的作用在电流通过时消除电子以及增加空穴，将其注空穴传输层，其通常由透明材质制成。

空穴传输层、有机材料发光层与电子传输层共同组成OLED膜层；其中，空穴传输层的有机材料分子负责传输阳极传输过来的空穴，可有效增强空穴的传输能力；电子传输层也由有机材料分子构成，负责传输由阴极产生的电子，提升电子的传输能力。

有机发光层由有机发光材料构成，其有机发光材料分子在电子与空穴的共同作用下实现发光过程；金属阴极一般由金属材料或合金(如镁合金)构成，其作用为将金属阴极注入到电子传输层；在AMOLED中，TFT控制到达每个OLED像素的电流，用于驱动OLED发光。

每个基本像素由R、G、B子像素构成，并通过TFT控制电流值以控制R、G、B子像素的发光强度，实现不同颜色与亮度显示，AMOLED中基本像素的驱动电路如图7所示。

(图7AMOLED中基本像素的驱动电路)

每个子像素电路由驱动管TFT(TD)、开关管TFT(TP)、存储电容CS及OLED组成，VDATA上输入合适的电压，开关管TP控制该电压输入到驱动管TD栅极的时间，驱动管TD驱动输入OLED 的电流，进而实现OLED发光。

从AMOLED的发光过程可知，两个主要因素影响OLED发光特性：驱动TFT的特性及OLED自身的发光特性制造工艺过程中的多种原因均可能造成各类Mura缺陷的产生，其中Array制程完成LTPS-TFT基板的制造，多种原因均可能造成TFT迁移率与阈值电压不一致，导致 OLED驱动电流不一致，形成Mura缺陷。

（图8 AMOLED制造工艺流程）

玻璃基板来料不良。玻璃基板表面的平整度、清洁度会影响TFT 的制备精度，必须对基板表面进行严格清洗，基板表面的杂质混入及划痕等来料不良，将影响后续的成膜、蚀刻等工艺，在制造完成后将影响对应位置像素TFT的特性，造成OLED发光强度不均匀，显示时形成点状Mura缺陷及线状Mura缺陷。低温多晶硅制造过程中的异常，低温多晶硅制造的重要过程为准分子激光退火，在此过程中，制造平台的振动、退火室内的气压不稳定及光学系统误差造成的制造误差，均可能造成TFT的迁移率与阈值电压一致性误差，进而影响显示屏工作时对应位置像素TFT产生的驱动电流大小，造成显示亮度不均匀，形成各类Mura缺陷。膜厚涂布不均匀，TFT制造过程中成膜时膜厚涂布的均匀性及厚度将影响TFT的特性，造成不同像素位置提供给OLED的驱动电流不一致，显示时形成带状Mura缺陷、区域Mura缺陷等面积较大的Mura缺陷。Cell制程完成OLED膜层的制造，包括空穴传输层、有机材料发光层与电子传输层，此制程中Mura缺陷主要表现为颜色不均现象，由OLED自身发光特性的制造误差引起。Module制程经过封装、切割、芯片绑定等步骤，完成显示屏成品制造，该制程中主要有三种Mura缺陷成因。

（图9 蒸镀偏位引起的混色现象）

（图10切割产生的应力变形引起的重力Mura缺陷）

(1)偏光片来料不良，偏光片用于消除像素电极反射、解决反射光对显示屏对比度的影响，偏光片来料不良，将造成显示屏透光率与对比度不均匀，形成各类Mura缺陷。

(2)切割产生的应力变形、崩边及偏贴误差，对前一制程完成的大面积基板进行切割时，难以精确稳定控制的切割过程，易引起应力变形、崩边等问题，对TFT的迁移率与阈值电压、OLED发光特性造成不良影响，造成切割后显示屏边缘处的显示异常，造成重力Mura缺陷(如图10所示)，带状Mura缺陷的出现，进行偏光片贴合时的贴合误差，也容易引起Mura缺陷。

(3)压合变形，集成电路芯片与玻璃基板膨胀系数不同，在进行高温压合后容易造成翘曲变形，可能引起显示屏边缘处显示异常，引起重力Mura缺陷及区域Mura缺陷。此外，由于制造过程中难以保证绝对的无尘环境，各工艺制程段中难以避免灰尘、异物等杂质混入，引起各类Mura缺陷；目前国内外显示器件制造企业均会根据实际产线出现的Mura缺陷类别及其对应的产生原因建立Mura缺陷代码表，以建立快速的缺陷回溯机制、指导工艺改进。由以上分析可知，OLED制造过程中的各制程段均存在多种原因造成Mura缺陷的产生，通常情况下多数Mura缺陷只有在显示屏点亮显示时才能被观察、检测；因此Module制程段是进行Mura缺陷检测较为重要的制程段。

Mura缺陷特点

OLED制造工艺复杂，Mura缺陷产生原因各异，导致Mura缺陷外观变化范围极大，其大小、形状及对比度均变化各异；Mura缺陷的特点体现为以下四个方面：

(1)对比度低且无明显轮廓；Mura缺陷呈现为OLED显示时的局部亮度或颜色不均匀现象，具有发光微弱、发光无方向性等特点，造成对比度较低。部分微弱色偏Mura缺陷的最低对比度可至5个灰阶(

以256灰阶为单位)，如图11所示。

(图11Mura缺陷对比度低、无明显轮廓特点)

(2)形状尺度多变，Mura缺陷形状多变、外观变化范围大，可呈现为点状、线状、带状、环状、区域状及其他任意不规则形状 ，如图12所示：

图12 Mura缺陷的尺度多变特点。

(3)纹理背景干扰，OLED的玻璃基板规则排列着R、G、B子像素，构成了显示器件上矩阵形式的显示像素，因此显示器件显示时，Mura缺陷处于重复的纹理背景中(如图13所示)；同时成像后的显示屏图像常出现摩尔纹干扰。

图13 Mura缺陷受纹理背景干扰

(4)Mura缺陷样本数量有限，OLED不良品相对于良品样本比率较低(

低于10%)，而在不良品中Mura缺陷仅占其中的一部分，生产过程中的Mura缺陷样本需专业质检人员进行收集与标注，非常耗时费力。

基于无监督学习的缺陷检测的关键在于特征空间的映射学习过程，即需利用良品样本学习一个鲁棒的特征映射模型，使映射后的特征空间可精确表示良品样本的特征分布；同时由于缺陷样本与良品样本的差异较大。

此类方法假设缺陷样本难以被所学习的映射模型表示，映射后的特征与良品样本的特征分布距离较大，因此具有较大的缺陷概率。

（图14无缺陷训练样本情形下Mura缺陷检测原理）

（图15基于深度生成模型的无监督Mura缺陷检测算法原理）

总结：

本文对Mura缺陷进行精确定义，并从OLED制造工艺出发，分析了 OLED中Mura缺陷的产生原因，对各制程段的Mura缺陷产生原因进行了总结；同时总结了Mura缺陷的四个特点，即对比度低且无明显轮廓、形状尺度多变、纹理背景干扰及样本量有限，介绍了常用的 Mura缺陷检测精度评价指标，并分析了产线不同阶段不同的Mura缺陷样本量特点。

最后根据Mura缺陷训练样本量将产线上的Mura缺陷检测分为无缺陷训练样本检测阶段、少量缺陷训练样本检测阶段及大量缺陷训练样本检测阶段，并分别分析了三个阶段对应的无缺陷训练样本、少量缺陷训练样本与大量缺陷训练样本三种不同情形下的Mura缺陷检测难点。