Mura检测与量化：将主观视觉转化为客观数据#
引言：Mura为何难以定义#
“Mura"一词源自日语，意为"不均匀"或"瑕疵”。在显示行业中，它特指显示面板上肉眼可感知的亮度或色度不均匀现象——那些模糊的斑块、云雾状暗影、细微的条纹，破坏了屏幕本应呈现的均一画面。
Mura检测之所以困难，根本原因在于它是一个介于物理测量与人类视觉感知之间的问题。一个物理上存在微小亮度偏差的区域，人眼未必能察觉；反之，某些空间频率上的细微变化，人眼却异常敏感。传统的人工目检方式依赖检查员的经验和主观判断，存在一致性差、效率低、无法量化等固有缺陷。如何将这种"看起来不对"的主观感受转化为可重复、可追溯的客观数据，是Mura检测技术的核心命题。
Mura的分类体系#
根据形态特征和出现位置，行业中通常将Mura分为以下类型：
按形态分类#
点状Mura（Spot Mura） 表现为孤立的、面积较小的亮点或暗点区域。其成因可能是微小颗粒物污染、局部液晶排列紊乱或单个像素异常。
线状Mura（Line Mura） 呈细长条状延伸，可为水平、垂直或倾斜方向。与贯穿整个屏幕的锐利线缺陷（Line Defect）不同，线状Mura通常边界相对柔和，可能由基板划伤、滚轮压痕、蒸镀不均等工艺因素引起。
区域Mura（Area/Region Mura） 是面积较大、形状不规则、边界模糊的亮度或色度不均匀区域，常被形容为"云斑"或"污渍"。这是最常见但也最难检测的Mura类型，因其对比度通常极低，且缺乏固定模式。
云纹状Mura（Clouding） 特指大面积、弥散状、低对比度的亮度不均，类似天空中的云层。通常与背光均匀性或大范围材料特性波动相关。
按位置分类#
边缘Mura（Edge Mura） 出现在显示屏边缘区域，可能由漏光、边缘区域应力集中或材料特性差异引起。
角落Mura（Corner Mura） 发生在显示屏角落，例如"Corner Light"是暗态下可见的角部亮斑，“Butterfly Mura"是角部与边缘对比强烈的特征性暗斑。
Black Mura 特指在显示黑色或深色画面时观察到的聚集性大面积斑块。这一类型在车载显示器质量评估中尤为关键，德国车载显示器行业工作组（German Automotive Work Group Displays）专门针对Black Mura制定了标准化测量方法，并由德国平板显示器论坛（DFF）发布。
彩色Mura（Color Mura） 指显示屏上出现的颜色偏差，而非亮度偏差。与亮度Mura的检测逻辑不同，色度Mura需要在色度空间（如CIE xy或CIE u’v’）中进行评估。
跨显示技术的Mura差异#
不同显示技术的Mura成因有本质区别。LCD的Mura多来自背光不均、液晶层控制偏差和偏光片应力；OLED的Mura主要源于像素自发光的不一致性和有机材料沉积的均匀性问题；MicroLED面临的则是巨量转移精度、微米级芯片性能差异以及拼接缝隙等特有挑战。这意味着检测系统必须具备针对不同技术的适应性和可配置性。
人工目检的局限性#
传统的Mura检测依赖经验丰富的检查员在受控照明条件下目视观察屏幕，这种方式存在系统性缺陷：
主观性与不一致性。 人眼对Mura的感知阈值存在个体差异，且易受疲劳、情绪、环境光等因素影响。不同检查员之间，甚至同一检查员在不同时间段的判定标准都可能不一致。研究表明，人工检测在重复性和再现性方面的变异系数远高于自动化方案。
效率瓶颈。 人工检测耗时费力，单片面板的检测时间通常在数十秒到数分钟之间，难以满足现代产线的节拍要求。培训和维持专业检测团队的成本也在持续攀升。
难以量化。 人工目检的结果通常是定性的（合格/不合格）或半定量的（轻微/严重），无法提供精确的、可用于过程控制和质量追溯的量化数据。例如，检查员能判断某处"有Mura”，但无法给出该Mura的精确对比度值和空间频率特征。
漏检风险。 对于对比度极低的区域Mura（Area Mura），即使经验丰富的检查员也可能在高强度工作后遗漏。而这类低对比度Mura恰恰是最终用户最敏感的质量问题之一。
JND模型：连接物理测量与人类感知的桥梁#
什么是JND#
恰可察觉差异（Just Noticeable Difference, JND）是心理物理学中的基本概念，指一个刺激（如亮度或颜色）需要改变的最小量，才能被大约50%的观察者注意到差异。在Mura检测中，JND = 1被定义为刚好能被典型观察者察觉的阈值。
JND的引入解决了一个根本性问题：自动化系统测量到的物理偏差是否真正构成"可见缺陷"。一个物理上存在0.5 cd/m²亮度差异的区域，在低亮度背景下可能非常显眼（JND > 1），但在高亮度背景下却可能完全不可感知（JND < 1）。
JND模型的工作原理#
JND模型的构建基于人类视觉系统（Human Visual System, HVS）的关键特性：
对比敏感度函数（Contrast Sensitivity Function, CSF）。 人眼对不同空间频率的亮度变化具有不同的敏感度。在约2~5 cycles/degree的空间频率范围内，人眼最为敏感；频率过高或过低时，敏感度均显著下降。CSF可以用带通滤波器的形式来表征，其中心频率和带宽随背景亮度而变化。
空间标准观察者（Standard Spatial Observer, SSO）模型。 由NASA等机构开发的SSO模型综合考虑了CSF、孔径效应（人眼对视野中心比边缘更敏感）、方向选择性等因素，能够根据Mura的物理特性（尺寸、对比度、空间频率、方向）和观察条件（背景亮度、观察距离）预测其可感知程度。
JND在Mura量化中的应用流程#
实际应用中，JND分析的典型流程如下：
- 使用成像色度计精确采集显示屏的亮度空间分布图
- 对亮度图像进行预处理，包括去噪、背景校正和莫尔纹消除
- 将处理后的亮度数据输入JND分析算法，该算法根据HVS模型计算每个像素位置的JND值
- 生成JND图谱（JND Map），直观显示整个屏幕各区域的可感知Mura分布
- 根据预设的JND阈值（例如JND > 1视为不合格），进行自动化的合格/不合格判定
JND分析的核心价值在于将"是否有缺陷"的判断从依赖人工主观感受转变为基于视觉科学模型的客观计算。使用相同的JND阈值标准，不同产线、不同时间段的检测结果具有直接可比性。
自动化视觉检测（AVI）的工作流程#
一套完整的Mura自动化视觉检测系统通常包含以下核心环节：
图像采集#
使用成像亮度计/色度计（Imaging Luminance Measurement Device, ILMD）作为核心采集设备。ILMD本质上是经过精确光谱校准的高性能工业相机，配备符合CIE标准的滤光片，能够同时捕获整个显示屏表面的亮度和/或色度分布。
对成像设备的关键技术要求包括：
- 分辨率：相机像素数应不低于显示器像素数（重现比例 >= 1），确保每个显示器像素至少对应一个相机像素
- 光谱匹配度：相机的光谱响应需匹配人眼光谱光视效率函数V(lambda)，特征值f1’应小于5%
- 平面场均匀性：相机自身的均匀性f21应小于2%，否则相机自身的不均匀性会被误判为Mura
- 动态范围：需要足够高的动态范围来捕捉低亮度画面中的微弱Mura信号
- 时间稳定性：测量值差异应小于0.1%
几何对齐与校准#
测量前需要严格的设备对齐：显示器应垂直于相机镜头，中心对齐，旋转和倾斜误差控制在0.5度以内。使用特定的测试图案（如CROSS图案、Grill 4_4图案）辅助对齐和聚焦。
针对莫尔纹干扰——相机传感器阵列与显示器像素阵列之间的频率混叠——需要通过适度散焦或专用滤波算法来抑制。Black Mura标准中建议通过散焦使格栅测试图案的调制深度达到50%~90%。
图像处理与分析#
采集到的原始图像需要经过多层处理：
预处理阶段包括平场校正（消除相机自身不均匀性）、黑电平校正（抑制暗电流噪声）、线性校正（确保像素值与实际亮度线性对应）。
Mura特征提取可采用多种技术路径。传统方法包括空间域滤波、频域分析（傅里叶变换、小波变换）、Gabor滤波器等；近年来，基于深度学习的方法（如CNN、U-Net语义分割）在处理低对比度和不规则形态的Mura方面展现出更优的性能。
量化评估通常包括：
- 虚拟点区域扫描法（Virtual Spot Area Scan Method）：模拟标准亮度计，以单像素步长在显示区域上移动矩形测量框，计算局部平均亮度，评估整体均匀性
- 亮度梯度计算：计算亮度的一阶导数（绝对梯度和相对梯度），量化空间亮度变化率
- JND分析：基于人类视觉模型计算可感知程度
判定与输出#
系统根据预设的阈值标准自动进行OK/NG判定。例如，在Black Mura标准中，中心与四角区域的亮度差异不应超过5%；相对亮度梯度最大值不应超过特定阈值。评估结果以表格和伪彩色图像地图形式输出，并保存为标准化的CSV或图像文件，便于后续的统计分析和质量追溯。
均匀性评价指标体系#
Mura检测的量化依赖于一套完整的均匀性评价指标：
亮度均匀性#
多点采样法。 最基础的方法是在屏幕上选取若干采样点（如VESA FPDM标准中的5点或9点法）测量亮度，以最大值与最小值之比或标准差衡量均匀性。这种方法简单快速，但空间分辨率低，容易遗漏局部Mura。
全屏扫描法。 使用成像设备对整个屏幕逐像素分析，能够生成完整的均匀性分布图。虚拟点区域扫描法即属于此类，其测量框尺寸（如10x10或11x11像素）可根据需求调整，直接影响检测的空间灵敏度。
亮度梯度#
亮度梯度反映的是亮度在空间上的变化速率，是表征Mura边界特征的关键指标：
- 绝对亮度梯度：亮度值的一阶空间导数绝对值，单位为cd/m²/pixel
- 相对亮度梯度：将绝对亮度梯度除以参考亮度（如白场或黑场平均亮度）得到无量纲比值
相对梯度在评估调光条件下的Mura时尤为重要——同样的绝对亮度差异，在低背光条件下比高背光条件下更为显眼。
色度均匀性#
在CIE 1976 u’v’均匀色度空间中，使用Delta u’v’（色度偏差矢量长度）来衡量色度均匀性。Delta u’v’ = 0.002通常被视为色度差异的感知阈值级别。对于要求严格的应用（如医疗显示），阈值可能设定在0.004以内。
SEMI Mura量化公式#
SEMI标准提出了具体的Mura量化公式。灰度差异比Cx基于Mura区域平均灰度Im与背景区域平均灰度Ib的差异计算；基于JND的灰度对比度值Cjnd则进一步引入人类视觉感知因素。这些量化指标为不同设备和不同产线之间的Mura评估提供了统一的"语言"。
Black Mura标准：车载显示的严格要求#
Black Mura标准是由德国车载显示器行业工作组制定的专项测试方法，针对车载显示器在暗态（黑场）条件下的均匀性问题。其核心设计思想是将技术测量与人眼感知相关联。
该标准的测试流程高度结构化：通过"项目（Project）“和"配方（Recipe）“进行管理，配方中包含各项评估的详细阈值和设置。标准要求使用纯白、纯黑、带白边黑图、条纹图、Grill 4_4等特定测试图案进行测量，覆盖中心四角比较、分辨率检查、聚焦度评估、均匀性与梯度评价等多个维度。
Black Mura标准之所以在汽车行业具有特殊地位，是因为车载显示器经常需要在低亮度条件下工作（如夜间驾驶），此时暗态下的均匀性缺陷对驾驶员的视觉干扰尤为突出。标准中规定的评估方法综合考虑了CSF和JND，确保测量结果与驾驶员的实际感知体验高度一致。
从检测到工艺反馈：Mura数据的深层价值#
Mura检测的价值不仅在于末端的质量筛选，更在于为制造工艺提供反馈信号。通过对检测到的Mura进行准确分类和统计分析，工程师可以追溯问题的根源：
- 特定位置反复出现的点状Mura可能指向设备污染源
- 沿特定方向分布的线状Mura可能揭示滚轮压力异常
- 大面积云纹状Mura可能反映材料批次间的特性波动
- 边缘或角落Mura可能与组装工艺中的应力控制相关
这种基于Mura分类的根因分析，使检测系统从被动的"守门员"转变为主动的工艺改进工具。在OLED和MicroLED时代，这一思路进一步延伸至Demura补偿，检测系统不再仅仅判定合格与否，而是直接参与到产品良率提升的闭环中——这正是下一篇文章将深入探讨的主题。
常见问题#
Q1: JND模型在Mura检测中具体起什么作用？#
JND（恰可察觉差异）模型是连接物理测量与人类视觉感知的桥梁。它基于人类视觉系统的对比敏感度函数（CSF）等特性，计算显示面板上每个位置的亮度偏差是否能被人眼察觉。JND=1表示刚好能被50%的观察者感知到的阈值。通过JND分析，自动化检测系统能够判断物理上存在的亮度偏差是否构成’可见缺陷’，将主观的视觉判断转化为基于视觉科学模型的客观计算，使不同产线、不同时间段的检测结果具有直接可比性。
Q2: 自动化视觉检测（AVI）系统对成像设备有哪些关键技术要求？#
AVI系统对成像亮度计/色度计（ILMD）有五项关键技术要求：一是分辨率，相机像素数应不低于显示器像素数（重现比例>=1）；二是光谱匹配度，特征值f1’应小于5%以匹配人眼光谱光视效率函数；三是平面场均匀性f21应小于2%，避免相机自身不均匀性被误判为Mura；四是动态范围需足够高以捕捉低亮度画面中的微弱Mura信号；五是时间稳定性，测量值差异应小于0.1%。
Q3: Black Mura标准为什么在车载显示行业特别重要？#
Black Mura标准由德国车载显示器行业工作组专门制定，针对车载显示器在暗态（黑场）条件下的均匀性问题。其特殊重要性在于车载显示器经常需要在低亮度条件下工作（如夜间驾驶），此时暗态下的均匀性缺陷对驾驶员的视觉干扰尤为突出。该标准综合考虑了人眼对比度敏感度函数（CSF）和JND模型，将技术测量与人眼感知关联，确保测量结果与驾驶员的实际感知体验高度一致，涵盖中心四角比较、均匀性与梯度评价等多个维度。
本文为成像色度计技术知识库系列文章。