직하형 BLU의 성능 분석 기법에 대한 연구 :A Study on Performance Analysis Scheme for Direct-type BLU

김주완

추천

검색

자료유형: 학위논문

저자정보: 김주완 (건국대학교, 건국대학교 대학원)

지도교수: 구현철

발행연도: 2017

저작권: 건국대학교 논문은 저작권에 의해 보호받습니다.

이용수1

이 논문의 연구 히스토리 (2)

2017

직하형 BLU의 성능 분석 기법에 대한 연구

김주완 스마트ICT융합(학과간)학과 2017.01 학위논문

2016

직하형 BLU에서 확산 렌즈 성능 분석을 위한 필터링 기법

김주완 , 강원실 , 구현철 대한전자공학회 학술대회 2016.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

LED-BLU는 LCD 패널을 조사하는 방식에 따라 직하형 과 엣지형으로 분류된다. 직하형 BLU는 후면 전체에 LED-확산 렌즈 패키지들이 배치되어 직접적으로 LCD 패널을 조사하는 방식이며, 엣지형 BLU에 비하여 광 효율이 높다. 직하형 BLU의 사용이 증가하면서 제조 공정 과정에서 발생하는 확산 렌즈의 결함, 광량의 부족으로 인한 휘도 불균일 등의 문제가 발생했다. 이러한 결함들은 LCD 패널에서 얼룩성 결함(Mura)의 형태로 나타나며 평판 디스플레이의 성능 저하 요인이 된다. Mura는 암부, 휘부와 같이 미세한 결함으로 나타나며, 휘도 불균형으로 인한 Mura는 LED-BLU의 성능을 검사하는 사람에 따라 결과가 다르게 나오기도 한다. 동일한 LED-BLU를 검사할 때, 검시자에 따라 결과가 다르게 나오는 이유는 인간이 감지 할 수 있는 휘도 변화폭이 작고, 심리적 요인이 작용하기 때문이다. 따라서, 본 논문에서는 BLU를 카메라로 촬영하여 얻은 영상에서 BLU의 성능을 분석하는 기법을 제안하였다. 제안된 기법은 이미지 센서나 고배율 렌즈로 인하여 발생하는 노이즈 및 왜곡을 제거하기 위하여 YUV색 공간 모델을 이용하여 Gray-Scale 영상을 만들었고, Weight-Threshold Histogram Normalization을 적용하여 노이즈를 제거하고 BLU의 휘도 특성을 강조하였다. 그리고 2개의 LuT를 매핑하여 왜곡을 보정하였으며, 미세한 휘도 차이를 시각화 하기 위하여 RGB Spectrum LuT를 매핑하였다. 그리고 노이즈 및 왜곡이 제거된 영상에서 MS Segmentation을 적용하여 Array 패키지의 광 특성을 추출하였고, 추출된 결과를 바탕으로 이상이 있는 패키지를 검출 하였다. 개선된 MS Segmentation 기법을 적용하여 얼룩형 결함, 선형 결함, 원형 결함, 비정형 결함 등을 검출 하였다. 제안된 2가지 기법을 이용하여 기존의 BLU 성능 분석 기법들의 결과와 실측값을 비교하였다. 본 논문의 실험의 신뢰성을 검증하기 위하여, 휘도계를 사용하여 측정한 값과 비교하였다. 검증 결과, 본 논문에서 제안하는 기법의 BLU 성능 평가 지표가 기존의 방법들에 비하여 개선되었다.
본 논문에서 제안하는 직하형 BLU의 성능 평가 기법은 LCD panel의 성능 평가, OLED panel의 성능 평가를 위하여 사용될 수 있으며, 앞으로도 보다 정확한 평판 디스플레이의 성능 평가를 위한 방법에 대한 연구가 진행될 것으로 사료된다.

LED-BLU are classified as direct-type and edge-type depending on lighting method to LCD Panel. Direct-type BLU is a method in which LED and diffusion lens packages are disposed on the entire rear surface to directly illuminate LCD panel and also the light efficiency is higher than edge-type BLU. As the use of direct-type BLU increases, problems such as defects of diffusion lens and luminance unevenness due to insufficient amount of light occurred in manufacturing process. These defects appear in stain form(Mura) on LCD panel and are a performance degradation of flat panel display. Mura appear to be microscopic defects such as dark and bright areas, and different results can be obtained depending on who tests the performance of the LED-BLU. The reason of different results is that the width of change in brightness which human can be detected is narrow and psychological factors acts. Therefore, in this paper, we proposed schemes to analyze the performance of BLU in digital images obtained by cameras. First, in order to obtain images most similar to human’s sight, we eliminated noise and distortion. To remove the noise and distortion caused by image sensor or high magnification lens, we generate gray-scale image using YUV color space modeling and weighted-threshold histogram normalization is applied to eliminate noise and emphasize the luminance characteristics of BLU. Then, the distortion was corrected by mapping two LuTs, and we mapped RGB spectrum LuT to visualize the minute luminance difference. The optical characteristics of LED-diffusion lens array packages were extracted by applying MS segmentation to the image which eliminated sensor noises, communication noises and distortion, and defective package was detected based on extracted results. By using improved MS segmentation, we detected stain defects, line defects, circle defects and non-shaped defects. Using the two proposed schemes, we compared the results of conventional BLU performance analysis method with our method. To verify the reliability of our experiment, we used a luminance meter. As results of the verification, the performance index of the proposed method is improved than the conventional methods.

#LED-BLU #휘도 균일도 #휘도 분포도 #Look-up-Table #Mean Shift Segmentation #광 특성 #Mura #Mura-Level

제1장 서론 1
제1절 연구 배경 1
제2절 연구 방법 및 구성 2
제2장 LED-BLU 성능 분석에 대한 이해 3
제1절 Back Light Unit 성능 분석의 정의 3
1. Back Light Unit 소개 3
2. 직하형 Back Light Unit 성능 분석의 필요성 5
제2절 Back Light Unit 성능 분석 기법 및 문제점 7
1. 휘도 분석 기반의 성능 분석 기법 7
2. 필터링 기법을 이용한 성능 분석 기법 10
3. Back Light Unit 성능 분석 기법의 문제점 12
제3장 BLU 성능 분석 기법 개발 15
제1절 ANPC 기법을 이용한 BLU 성능 분석 시스템 구성 15
1. ANPC 기법을 이용한 BLU 성능 분석 시스템 구성 15
2. BLU 성능 분석을 위한 측정 환경 구축 17
제2절 휘도 분석 기반의 BLU 성능 분석 기법 19
1. YUV 색 공간 모델링 19
2. 가중치 기반의 히스토그램 정규화 기법 21
3. BLU 영상에서 왜곡 판정 기법 26
4. RGB 변환 함수를 이용한 왜곡 보정 기법 28
5. ANPC 기법을 적용한 휘도 시각화 결과 33
제3절 Mean Shift Segmentation을 이용한 BLU 성능 분석 기법 35
1. MS Segmentation 정의 35
2. ANMS Segmentation 기반의 확산 렌즈 광 특성 분석 기법 38
3. ANMS Segmentation 기반의 Mura 검출 기법 45
제4장 실험 및 검증 48
제1절 연구의 신뢰성 검증 방법 및 특성 48
1. 신뢰성 검증 방법 48
제2절 휘도 분석 기반의 BLU 성능 분석 기법 검증 결과 50
제3절 ANMS Segmentation 기반의 BLU 성능 분석 기법 검증 결과 54
제4절 ANMS Segmentation을 이용한 Mura 검출 58
제5절 Mura-Level에 따른 LED-BLU 성능 평가 62
제5장 결론 66
참고문헌 68
국문초록 72

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)