技术摘要：
本公开实施例涉及一种对显示屏幕的Mura进行检测的方法，包括：采集显示屏幕的图像作为待处理图像；通过采样线对所述待处理图像进行采样；获取每条采样线涵盖的像素点的灰度曲线；根据所述灰度曲线提取所述待处理图像中的目标特征并将其作为训练样本；利用带标签的所述  全部
背景技术：
随着科技的发展以及日常需求的增长，出现了显示信息的显示终端，显示终端可 以根据使用需求显示相应的内容，进而满足使用需求。然而显示终端是通过显示终端中的 显示屏幕将需要显示的内容进行显示的，所以显示屏幕对于显示终端的重要性不言而喻。 显示终端的类型多种多样，例如电视机、智能手机、汽车仪表、头戴式VR设备等。 显示屏幕的质量受到很多因素的影响，其中一个很常见的因素称为“Mura”，Mura 源于日语音译，意为“云团”、“云斑”，表示显示不均匀、不一致或瑕疵。显示屏幕上的Mura也 称为亮度不均匀性，是显示屏幕的不良显示缺陷，该缺陷表现为显示屏幕的部分区域亮度 或颜色不均，会减损用户的观看体验，并可能会妨碍显示器的性能或功能。 由于Mura所在区域和周围背景的对比度低，边缘模糊，形状各异，导致Mura不容易 被发现，并且现有技术中对显示屏幕中是否存在Mura的检测效果还不是很好，所以还需要 一种更好的对Mura进行检测的方法。
技术实现要素：
为了解决现有技术的问题，本说明书实施例的主要目的在于提供一种对显示屏幕 中的Mura进行检测的方法、设备及存储介质，以解决现有技术中不能更好的对Mura进行检 测的技术问题。 本说明书的一个或多个实施例的技术方案是通过以下方式实现的： 一种对显示屏幕的Mura进行检测的方法，包括：将采集的显示屏幕的图像作为待 处理图像；通过采样线对所述待处理图像进行采样；获取每条采样线涵盖的像素点的灰度 曲线；根据所述灰度曲线提取所述待处理图像中的目标特征并将其作为训练样本；利用带 标签的所述训练样本训练神经网络模型，得到检测模型；通过所述检测模型检测包含显示 屏幕的待检测图像，以检测所述待检测图像中是否包括Mura。 优选地，其中根据所述灰度曲线提取所述待处理图像中的目标特征，包括：遍历所 述采样线涵盖的各像素点；获取所述各像素点在所述灰度曲线中的灰度值；根据所述各像 素点的灰度值确定所述灰度曲线中波峰和/或波谷的位置；根据所述波峰和/或波谷的位置 提取所述目标特征。 优选地，其中根据所述各像素点的灰度值确定所述灰度曲线中波峰和/或波谷的 位置，包括：设像素点的位置为(x,y)，当该像素点的位置满足第一条件时，将该像素点的位 置作为所述灰度曲线中波峰的位置，所述第一条件由第一方程组表示，所述第一方程组的 表达式为： 5 CN 111598869 A 说　明　书 2/13 页 当该像素点的位置满足第二条件时，将该像素点的位置作为所述灰度曲线中波谷 的位置，所述第二条件由第二方程组表示，所述第二方程组的表达式为： 其中，ε表示波峰两侧的灰度曲线保持单调性的预设宽度，I(x,y)表示像素点(x, y)在灰度曲线中的灰度值。 优选地，其中根据所述波峰和/或波谷的位置提取所述目标特征，包括：根据所述 波峰的位置得到所述波峰的极点；确定所述波峰的极点两侧灰度变化率的绝对值最大的第 一位置和第二位置，以及所述第一位置对应的第一灰度变化率和第二位置对应的第二灰度 变化率；根据所述第一灰度变化率与第二灰度变化率确定提取所述目标特征；和/或根据所 述波谷的位置得到所述波谷的极点；确定所述波谷的极点两侧灰度变化率的绝对值最大的 第三位置和第四位置，以及所述第三位置对应的第三灰度变化率和第四位置对应的第四灰 度变化率；根据所述第三灰度变化率与第四灰度变化率确定提取所述目标特征。 优选地，其中根据所述第一灰度变化率与第二灰度变化率提取所述目标特征，包 括：将灰度变化率为所述第一灰度变化率N分之一的位置作为第一目标位置，将灰度变化率 为所述第二灰度变化率N分之一的位置作为第二目标位置，N为预设数值；将所述第一目标 位置与所述极点的横坐标之差的绝对值，与所述第二目标位置与所述极点的横坐标之差的 绝对值之和作为第一特征；将所述极点与第一目标位置的灰度值之差的绝对值，与所述极 点与第二目标位置的灰度值之差的绝对值之和作为第二特征；将所述第一特征和第二特征 作为所述目标特征。 优选地，其中根据所述第三灰度变化率与第四灰度变化率提取所述目标特征，包 括：将灰度变化率为所述第三灰度变化率N分之一的位置作为第三目标位置，将灰度变化率 为所述第四灰度变化率N分之一的位置作为第四目标位置，N为预设数值；将所述第三目标 6 CN 111598869 A 说　明　书 3/13 页 位置与所述极点的横坐标之差的绝对值，与所述第四目标位置与所述极点的横坐标之差的 绝对值之和作为第一特征；将所述极点与第三目标位置的灰度值之差的绝对值，与所述极 点与第四目标位置的灰度值之差的绝对值之和作为第二特征；将所述第一特征和第二特征 作为所述目标特征。 优选地，其中将所述第一特征和第二特征作为所述目标特征之后，还包括：预设所 述目标特征的第一标签，所述第一标签表示所述待处理图像中包括Mura区域；预设所述目 标特征的第二标签，所述第二标签表示所述待处理图像中不包括Mura区域。 优选地，其中在根据所述各像素点的灰度值确定所述灰度曲线中的波峰和/或波 谷的位置之后，还包括对所述波峰和/或波谷的位置进行优化，包括：确定在第一像素点预 设值内相邻或重合的波峰或波谷；将所述在第一像素点预设值内相邻或重合的波峰或波谷 的位置对应坐标的平均值，作为所述在第一像素点预设值内相邻或重合的波峰或波谷的去 重位置；遍历所述波峰或波谷及去重位置，将在预设范围内数量小于阈值的波峰、波谷和/ 或去重位置删除，所述预设范围为以所述波峰、波谷或去重位置为中心，宽度为第二像素点 预设值，长度为所述待处理图像在与所述等分采样线垂直方向的长度的范围。 优选地，其中通过采样线对所述待处理图像进行采样，包括：根据所述待处理图像 在与等分采样线垂直方向的长度和等分采样线的数量确定等分采样线的间隔；通过所述等 分采样线将所述待处理图像等分。 优选地，其中根据所述待处理图像在与等分采样线垂直方向的长度和等分采样线 的数量确定等分采样线的间隔，表达式如下： d＝row/(n 1) 其中，d为等分采样线的间隔，row为待处理图像在与等分采样线垂直方向的长度， n为等分采样线的数量。 优选地，其中在通过采样线对所述待处理图像进行采样之前，还包括对所述待处 理图像进行预处理，包括：对所述待处理图像进行均值滤波处理；对均值滤波后的图像进行 降采样。 一种对显示屏幕的Mura进行检测的设备，包括：至少一个处理器；存储器，其存储 有程序指令，当所述程序指令由所述至少一个处理器执行时，使得所述设备执行上述的任 一方法。 一种计算机可读存储介质，其存储有用于对显示屏幕的Mura进行检测的程序，当 所述程序由处理器来运行时，执行上述的任一方法。 相比于现有技术，本申请实施例采用的上述至少一个技术方案至少能够达到以下 有益效果： 本申请的技术方案通过将采集的显示屏幕的图像作为待处理图像，利用采样线对 该待处理图像进行采样，然后获取每条采样线涵盖的像素点的灰度曲线。根据灰度曲线提 取待处理图像中的目标特征并将提取的目标特征作为训练样本，利用带标签的所述训练样 本训练神经网络模型，得到检测模型。通过检测模型对包含显示屏幕的待检测图像进行检 测，得到待检测图像中是否包括Mura的检测结果。本申请的技术方案通过利用灰度曲线中 的信息得到处理图像中的目标特征，结合神经网络得到自动检测Mura的方法。该方法有效 地实现了对显示屏幕中Mura的检测。 7 CN 111598869 A 说　明　书 4/13 页 附图说明 通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目 的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若 干实施方式，并且相同或对应的标号表示相同或对应的部分其中： 图1a和图1b为本申请实施例提供的采集的屏幕采样图像示意图； 图2为本申请实施例提供的一种对显示屏幕的Mura进行检测的方法的流程示意 图； 图3为本申请实施例提供的一种待处理图像在未经过预处理之前采样线涵盖的像 素点的灰度曲线的示意图； 图4为本申请实施例提供的一种对待处理图像经过预处理步骤一的处理之后，待 处理图像中采样线涵盖的像素点的灰度曲线； 图5为本申请实施例提供的一种根据灰度曲线提取待处理图像中的目标特征的流 程示意图； 图6为本申请实施例提供的一种根据波峰和/或波谷的位置提取目标特征的流程 示意图； 图7为本申请实施例提供的一种另根据波峰和/或波谷的位置提取目标特征的流 程示意图； 图8为本申请实施例提供的一种黑-白亮度变化的灰度曲线示意图； 图9a为本申请实施例提供的一种白-黑-白亮度变化的区域示意图； 图9b为本申请实施例提供的一种与图9a中白-黑-白亮度变化的区域对应的灰度 曲线示意图； 图10为本申请实施例提供的一种目标特征在灰度曲线中的示意图； 图11为本申请实施例提供的一种波峰和/或波谷未优化之前的示意图； 图12为本申请实施例提供的一种波峰和/或波谷优化后的示意图； 图13为本申请实施例提供的一种检测模型的结果示意图； 图14为本申请实施例提供的一种检测模型的训练性能示意图； 图15为本申请实施例提供的一种测试样本的检测结果； 图16为本申请实施例提供的一种检测结果的对比图。