CN116758045B - 一种半导体发光二极管的表面缺陷检测方法及系统 - Google Patents
一种半导体发光二极管的表面缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN116758045B CN116758045B CN202310812771.XA CN202310812771A CN116758045B CN 116758045 B CN116758045 B CN 116758045B CN 202310812771 A CN202310812771 A CN 202310812771A CN 116758045 B CN116758045 B CN 116758045B
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- edge
- diode
- surface detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 249
- 230000007547 defect Effects 0.000 title claims abstract description 60
- 239000004065 semiconductor Substances 0.000 title claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000000007 visual effect Effects 0.000 claims description 26
- 230000005764 inhibitory process Effects 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 7
- 238000013506 data mapping Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及表面缺陷检测技术领域,提供一种半导体发光二极管的表面缺陷检测方法及系统。所述方法包括:对表面检测图像信息集合进行图像预处理,并通过注意力机制约束模块对预处理后的标准表面检测图像信息集合进行处理,获得表面检测前景特征图像集合,进一步对其进行语义分割,并根据语义分割结果获得表面结构分布检测因素;对表面检测前景特征图像集合进行边缘轮廓识别,按照表面检测图像轮廓识别结果与语义分割结果进行匹配,根据匹配结果生成表面瑕疵检测因素;基于表面结构分布检测因素和表面瑕疵检测因素,确定二极管表面缺陷检测结果。采用本方法能够达到保证表面缺陷检测全面性和精确性,同时提高缺陷检测识别处理效率的技术效果。
Description
技术领域
本申请涉及表面缺陷检测技术领域,特别是涉及一种半导体发光二极管的表面缺陷检测方法及系统。
背景技术
半导体发光二极管是新型发光体,效率高、体积小、寿命长、电压低,节能、环保,是应用广泛的照明器件,被广泛应用于指示灯、信号灯、仪表显示、车载光源等场合,因此为保证二极管应用质量,需对其表面缺陷检测进行严格把控。然而,现有技术存在表面缺陷检测精确性低,且检测处理效率较低的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够保证表面缺陷检测全面性和精确性,同时提高缺陷检测识别处理效率的一种半导体发光二极管的表面缺陷检测方法及系统。
一种半导体发光二极管的表面缺陷检测方法,所述方法包括:通过视觉检测模块多角度采集获取半导体发光二极管的表面检测图像信息集合;对所述表面检测图像信息集合进行图像预处理,获得标准表面检测图像信息集合;构建注意力机制约束模块,通过所述注意力机制约束模块对所述标准表面检测图像信息集合进行处理,获得表面检测前景特征图像集合;基于所述表面检测前景特征图像集合分别进行语义分割,并根据语义分割结果获得表面结构分布检测因素;对所述表面检测前景特征图像集合进行边缘轮廓识别,获得表面检测图像轮廓识别结果;按照所述表面检测图像轮廓识别结果与所述语义分割结果进行匹配,根据匹配结果生成表面瑕疵检测因素;基于所述表面结构分布检测因素和所述表面瑕疵检测因素,确定二极管表面缺陷检测结果。
一种半导体发光二极管的表面缺陷检测系统,所述系统包括:视觉检测模块,用于通过视觉检测模块多角度采集获取半导体发光二极管的表面检测图像信息集合;图像预处理模块,用于对所述表面检测图像信息集合进行图像预处理,获得标准表面检测图像信息集合;前景特征图像获得模块,用于构建注意力机制约束模块,通过所述注意力机制约束模块对所述标准表面检测图像信息集合进行处理,获得表面检测前景特征图像集合;语义分割模块,用于基于所述表面检测前景特征图像集合分别进行语义分割,并根据语义分割结果获得表面结构分布检测因素;边缘轮廓识别模块,用于对所述表面检测前景特征图像集合进行边缘轮廓识别,获得表面检测图像轮廓识别结果;表面瑕疵检测模块,用于按照所述表面检测图像轮廓识别结果与所述语义分割结果进行匹配,根据匹配结果生成表面瑕疵检测因素;表面缺陷检测结果获得模块,用于基于所述表面结构分布检测因素和所述表面瑕疵检测因素,确定二极管表面缺陷检测结果。
上述一种半导体发光二极管的表面缺陷检测方法及系统,解决了现有技术表面缺陷检测精确性低,且检测处理效率较低的技术问题,达到了通过对检测图像进行多步分割识别处理,保证表面缺陷检测全面性和精确性,同时提高缺陷检测识别处理效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种半导体发光二极管的表面缺陷检测方法的流程示意图;
图2为一个实施例中一种半导体发光二极管的表面缺陷检测方法中获得标准表面检测图像信息集合的流程示意图;
图3为一个实施例中一种半导体发光二极管的表面缺陷检测系统的结构框图;
附图标记说明:视觉检测模块11,图像预处理模块12,前景特征图像获得模块13,语义分割模块14,边缘轮廓识别模块15,表面瑕疵检测模块16,表面缺陷检测结果获得模块17。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了一种半导体发光二极管的表面缺陷检测方法,所述方法包括:
步骤S100:通过视觉检测模块多角度采集获取半导体发光二极管的表面检测图像信息集合;
具体而言,半导体发光二极管是新型发光体,效率高、体积小、寿命长、电压低,节能、环保,是应用广泛的照明器件,被广泛应用于指示灯、信号灯、仪表显示、车载光源等场合,因此为保证二极管应用质量,需对其表面缺陷检测进行严格把控。首先通过视觉检测模块对半导体发光二极管进行多角度图像采集,视觉检测模块可采用工业高精度照相机,图像采集精度高、速度快,以此获取半导体发光二极管的表面检测图像信息集合,以作为后续二极管表面缺陷检测的数据处理依据。
步骤S200:对所述表面检测图像信息集合进行图像预处理,获得标准表面检测图像信息集合;
在一个实施例中,所述获得标准表面检测图像信息集合,本申请步骤S200还包括:
步骤S210:获取所述表面检测图像信息集合的RGB颜色空间描述信息;
步骤S220:制定灰度图像转化通道的转换规则: ,其中Gray为像素灰度值,R、G、B分别为红、绿、蓝色彩描述信息;
步骤S230:基于所述灰度图像转化通道对所述RGB颜色空间描述信息进行计算转化,生成表面检测灰度图像集合;
步骤S240:对所述表面检测灰度图像集合进行小波去噪,获得标准表面检测图像信息集合。
在一个实施例中,如图2所示,所述获得标准表面检测图像信息集合,本申请步骤S240还包括:
步骤S241:对所述表面检测灰度图像集合的图像信号进行小波分解,获得图像信号小波系数;
步骤S242:基于所述图像信号小波系数进行阈值量化,确定图像信号小波选取阈值;
步骤S243:按照所述图像信号小波选取阈值对所述图像信号小波系数进行截取,对小于所述图像信号小波选取阈值的噪声信号置零,获取大于所述图像信号小波选取阈值的有效信号信息;
步骤S244:对所述有效信号信息进行滤波重构,获得所述标准表面检测图像信息集合。
具体而言,对所采集的表面检测图像信息集合进行图像预处理,首先获取所述表面检测图像信息集合的RGB颜色空间描述信息,即图像在红、绿、蓝颜色空间内的具体颜色数值信息,对图像色彩具象化,便于后续图像转换处理。制定灰度图像转化通道的转换规则,即彩色图像转换为灰度图像的具体转换公式: ,其中Gray为像素灰度值,R、G、B分别为红、绿、蓝色彩描述信息。基于所述灰度图像转化通道对所述RGB颜色空间描述信息进行计算转化,获得各像素点对应的灰度值,以此生成对应的表面检测灰度图像集合。
由于仪器检测设备使用时间过长或检测过程出现失误,导致图像出现噪声,对所述表面检测灰度图像集合进行小波去噪,小波降噪是一种基于小波变换的降噪方法,它可以将图像分解为不同尺度和方向上的小波系数,并对这些系数进行阈值处理来消除噪声。首先对所述表面检测灰度图像集合的图像信号进行小波分解,即通过小波基提取函数进行小波系数进行分解提取,常见的小波基函数有Haar小波、Dmeyer小波等,提取获得图像信号小波系数,小波变换系数就对应于这组小波基函数的系数,小波系数是信号在做小波分解时所选择的小波函数空间的投影,利用小波分解将图像信号分解至各尺度中。基于所述图像信号小波系数进行阈值量化,通过极值阈值估计或无偏似然估计法进行具体阈值量化,确定图像信号小波选取阈值。
按照所述图像信号小波选取阈值对所述图像信号小波系数进行截取,对小于所述图像信号小波选取阈值的噪声信号置零,即把每一尺度属于噪声的小波系数去掉,获取大于所述图像信号小波选取阈值的有效信号信息,即保留并增强属于信号的小波系数。对所述有效信号信息进行滤波重构,利用小波逆变换将处理后的小波系数重构得出去噪图像即标准表面检测图像信息集合。通过小波去噪对图像中的干扰数据进行去除,在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制,进而提高后续图像处理和分析的有效性和可靠性。
步骤S300:构建注意力机制约束模块,通过所述注意力机制约束模块对所述标准表面检测图像信息集合进行处理,获得表面检测前景特征图像集合;
在一个实施例中,所述构建注意力机制约束模块,申请步骤S300还包括:
步骤S310:获取所述半导体发光二极管的标准表面灰度图像;
步骤S320:对所述标准表面灰度图像进行二极管灰度分布识别,构建二极管表面灰度区间,作为表面前景特征;
步骤S330:采集得到二极管检测环境灰度图像,对所述二极管检测环境灰度图像进行灰度分布识别,获得表面背景特征;
步骤S340:基于所述表面前景特征和所述表面背景特征,构建所述注意力机制约束模块。
具体而言,为提高图像检测精确性,构建注意力机制约束模块,所述注意力机制约束模块用于聚焦图像的重要目标特征。具体构建过程为首先获取所述半导体发光二极管的标准表面灰度图像,即达到生产质量标准的二极管表面灰度图像。对所述标准表面灰度图像进行二极管灰度分布识别,构建二极管表面灰度区间,即灰度值分布区间,作为表面前景特征。二极管表面图像的采集背景会加强图像处理干扰性,因此同时采集得到二极管检测环境灰度图像,对所述二极管检测环境灰度图像进行灰度分布识别,获得表面背景特征。
基于所述表面前景特征和所述表面背景特征,构建注意力机制约束模块,所述注意力机制约束模块包括上述前景、背景特征处理通道。通过所述注意力机制约束模块对所述标准表面检测图像信息集合进行处理,即通过模块通道去除图像背景特征,保留待检测的前景特征即表面检测前景特征图像集合。提取图像重要感兴趣处理特征,抑制无用信息,实现图像信息处理资源的高效分配。
步骤S400:基于所述表面检测前景特征图像集合分别进行语义分割,并根据语义分割结果获得表面结构分布检测因素;
具体而言,基于所述表面检测前景特征图像集合分别进行语义分割,即对表面前景图像进行不同区域划分,可按照二极管结构分布进行区域划分,不同结构区域进行相应标签标记,以此获得图像语义分割结果。并根据语义分割结果进行各分割结构区域的面积计算,并与标准二极管结构面积进行比对,获得表面结构分布检测因素,所述表面结构分布检测因素用于表明二极管各结构区域的面积以及结构分布是否满足生产标准,同时提高缺陷检测识别处理效率。
步骤S500:对所述表面检测前景特征图像集合进行边缘轮廓识别,获得表面检测图像轮廓识别结果;
在一个实施例中,所述获得表面检测图像轮廓识别结果,本申请步骤S500还包括:
步骤S510:采用高斯滤波器对所述表面检测前景特征图像集合进行边缘识别,获取表面图像边缘识别结果;
步骤S520:通过非极大抑制法对所述表面图像边缘识别结果进行优化,获得表面检测边缘优化图像;
步骤S530:基于双阈值法对所述表面检测边缘优化图像进行筛选,获得所述表面检测图像轮廓识别结果。
在一个实施例中,所述获得表面检测边缘优化图像,本申请步骤S520还包括:
步骤S521:基于角度图像函数对所述表面图像边缘识别结果的目标抑制点进行计算,获得抑制梯度方向;
步骤S522:获取所述抑制梯度方向的双梯度交点;
步骤S523:若所述目标抑制点的灰度值大于所述双梯度交点的灰度值,则确定所述目标抑制点为极大值点;
步骤S524:基于所述极大值点进行像素调节二值化,获得所述表面检测边缘优化图像。
具体而言,二极管表面缺陷会造成检测图像上出现划痕、破损、杂质等瑕疵,因此对所述表面检测前景特征图像集合进行边缘轮廓识别,即对图像中出现的所有边缘线条进行识别。首先采用高斯滤波器对所述表面检测前景特征图像集合进行边缘识别,对表面检测前景特征图像中的像素点及其邻域点的灰度值进行加权平均,滤去图像中叠加的高频噪声,识别出表面线条边缘,得到表面图像边缘识别结果。上一步得到的识别结果存在边缘粗宽、弱边缘干扰等众多问题,因此通过非极大抑制法对所述表面图像边缘识别结果进行优化,具体过程为基于角度图像函数对所述表面图像边缘识别结果的目标抑制点进行计算,其中,角度图像函数为图像该目标抑制点的二维方向灰度比值的反梯度角,计算获得抑制梯度方向,并获取该抑制梯度方向的图像双梯度交点。
若所述目标抑制点的灰度值大于所述双梯度交点的灰度值,则确定所述目标抑制点为极大值点,基于所述极大值点进行像素调节二值化,即将极大值点像素置为1,将非极大值点的像素置为0,从而达到锐化边缘,降低干扰的目的,得到表面检测边缘优化图像。基于双阈值法对所述表面检测边缘优化图像进行筛选,选取两个边缘灰度阈值,选取的边缘灰度阈值应当使不同类间分离性最好,示例性地,首先基于直方图得到各分割特性值的发生概率,并以阈值变量将分割特征分为两类,然后求出每一类的类内方差和类间方差,选取使类内方差最小或类间方差最大的作为最佳阈值,分别选取边缘低阈值与边缘高阈值进行比对,若该边缘灰度值小于边缘低阈值将像素值置为0,若大于边缘高阈值,则判定为强边缘,将像素值置为1,最后基于双阈值的边缘连接方法,把边缘连接成轮廓,以此作为表面检测图像轮廓识别结果,可以去除划痕过轻等质量允许范围之内的伪边缘对边缘判定造成的干扰。
步骤S600:按照所述表面检测图像轮廓识别结果与所述语义分割结果进行匹配,根据匹配结果生成表面瑕疵检测因素;
具体而言,按照所述表面检测图像轮廓识别结果与所述语义分割结果进行匹配,即将所识别的图像所有轮廓边缘信息与结构分割区域边缘轮廓进行匹配对应,根据匹配结果去除结构区域正常分割边缘,将其余瑕疵边缘留下生成表面瑕疵检测因素,用于表征二极管表面瑕疵检测结果。
步骤S700:基于所述表面结构分布检测因素和所述表面瑕疵检测因素,确定二极管表面缺陷检测结果。
在一个实施例中,所述确定二极管表面缺陷检测结果,本申请步骤S700还包括:
步骤S710:对所述表面检测图像信息集合中的各图像进行序列角度排列,获得表面图像角度序列;
步骤S720:按照所述表面图像角度序列进行图像拼接、建模,生成半导体发光二极管可视化模型;
步骤S730:基于所述表面结构分布检测因素和所述表面瑕疵检测因素对所述半导体发光二极管可视化模型进行数据映射,获得所述二极管表面缺陷检测结果。
具体而言,基于所述表面结构分布检测因素和所述表面瑕疵检测因素,综合确定二极管表面缺陷检测结果。为可视化展现二极管表面缺陷情况,对所述表面检测图像信息集合中的各图像进行序列角度排列,即将多角度图像集合按照顺序进行排列,示例性的,图像排列顺序以正面图像为起始,从左至右,从上至下,以此获得表面图像角度序列。按照所述表面图像角度序列进行图像拼接、建模,即进行多角度全景图像拼接和三维模型构建,生成半导体发光二极管可视化模型。基于所述表面结构分布检测因素和所述表面瑕疵检测因素对所述半导体发光二极管可视化模型进行数据映射,即按照表面缺陷检测结果包括缺陷位置数据以及缺陷类型、尺寸数据映射至三维模型对应位置上,获得可视化的二极管表面缺陷检测结果。保证二极管表面缺陷检测全面性和精确性,实现缺陷检测结果可视化。
在一个实施例中,如图3所示,提供了一种半导体发光二极管的表面缺陷检测系统,包括:视觉检测模块11,图像预处理模块12,前景特征图像获得模块13,语义分割模块14,边缘轮廓识别模块15,表面瑕疵检测模块16,表面缺陷检测结果获得模块17,其中:
视觉检测模块11,用于通过视觉检测模块多角度采集获取半导体发光二极管的表面检测图像信息集合;
图像预处理模块12,用于对所述表面检测图像信息集合进行图像预处理,获得标准表面检测图像信息集合;
前景特征图像获得模块13,用于构建注意力机制约束模块,通过所述注意力机制约束模块对所述标准表面检测图像信息集合进行处理,获得表面检测前景特征图像集合;
语义分割模块14,用于基于所述表面检测前景特征图像集合分别进行语义分割,并根据语义分割结果获得表面结构分布检测因素;
边缘轮廓识别模块15,用于对所述表面检测前景特征图像集合进行边缘轮廓识别,获得表面检测图像轮廓识别结果;
表面瑕疵检测模块16,用于按照所述表面检测图像轮廓识别结果与所述语义分割结果进行匹配,根据匹配结果生成表面瑕疵检测因素;
表面缺陷检测结果获得模块17,用于基于所述表面结构分布检测因素和所述表面瑕疵检测因素,确定二极管表面缺陷检测结果。
在一个实施例中,所述系统还包括:
颜色空间描述信息获取单元,用于获取所述表面检测图像信息集合的RGB颜色空间描述信息;
灰度图像转化单元,用于制定灰度图像转化通道的转换规则: ,其中Gray为像素灰度值,R、G、B分别为红、绿、蓝色彩描述信息;
灰度计算转化单元,用于基于所述灰度图像转化通道对所述RGB颜色空间描述信息进行计算转化,生成表面检测灰度图像集合;
图像小波去噪单元,用于对所述表面检测灰度图像集合进行小波去噪,获得标准表面检测图像信息集合。
在一个实施例中,所述系统还包括:
小波分解单元,用于对所述表面检测灰度图像集合的图像信号进行小波分解,获得图像信号小波系数;
阈值量化单元,用于基于所述图像信号小波系数进行阈值量化,确定图像信号小波选取阈值;
有效信号获取单元,用于按照所述图像信号小波选取阈值对所述图像信号小波系数进行截取,对小于所述图像信号小波选取阈值的噪声信号置零,获取大于所述图像信号小波选取阈值的有效信号信息;
滤波重构单元,用于对所述有效信号信息进行滤波重构,获得所述标准表面检测图像信息集合。
在一个实施例中,所述系统还包括:
标准表面灰度图像获取单元,用于获取所述半导体发光二极管的标准表面灰度图像;
灰度分布识别单元,用于对所述标准表面灰度图像进行二极管灰度分布识别,构建二极管表面灰度区间,作为表面前景特征;
表面背景特征获得单元,用于采集得到二极管检测环境灰度图像,对所述二极管检测环境灰度图像进行灰度分布识别,获得表面背景特征;
注意力机制约束模块构建单元,用于基于所述表面前景特征和所述表面背景特征,构建所述注意力机制约束模块。
在一个实施例中,所述系统还包括:
边缘识别单元,用于采用高斯滤波器对所述表面检测前景特征图像集合进行边缘识别,获取表面图像边缘识别结果;
边缘识别优化单元,用于通过非极大抑制法对所述表面图像边缘识别结果进行优化,获得表面检测边缘优化图像;
边缘优化图像筛选单元,用于基于双阈值法对所述表面检测边缘优化图像进行筛选,获得所述表面检测图像轮廓识别结果。
在一个实施例中,所述系统还包括:
抑制梯度方向获得单元,用于基于角度图像函数对所述表面图像边缘识别结果的目标抑制点进行计算,获得抑制梯度方向;
双梯度交点获取单元,用于获取所述抑制梯度方向的双梯度交点;
极大值点确定单元,用于若所述目标抑制点的灰度值大于所述双梯度交点的灰度值,则确定所述目标抑制点为极大值点;
像素调节二值化单元,用于基于所述极大值点进行像素调节二值化,获得所述表面检测边缘优化图像。
在一个实施例中,所述系统还包括:
序列角度排列单元,用于对所述表面检测图像信息集合中的各图像进行序列角度排列,获得表面图像角度序列;
可视化模型生成单元,用于按照所述表面图像角度序列进行图像拼接、建模,生成半导体发光二极管可视化模型;
模型数据映射单元,用于基于所述表面结构分布检测因素和所述表面瑕疵检测因素对所述半导体发光二极管可视化模型进行数据映射,获得所述二极管表面缺陷检测结果。
关于一种半导体发光二极管的表面缺陷检测系统的具体实施例可以参见上文中对于一种半导体发光二极管的表面缺陷检测方法的实施例,在此不再赘述。以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种半导体发光二极管的表面缺陷检测方法,其特征在于,所述方法包括:
通过视觉检测模块多角度采集获取半导体发光二极管的表面检测图像信息集合;
对所述表面检测图像信息集合进行图像预处理,获得标准表面检测图像信息集合;
构建注意力机制约束模块,通过所述注意力机制约束模块对所述标准表面检测图像信息集合进行处理,获得表面检测前景特征图像集合;
基于所述表面检测前景特征图像集合分别进行语义分割,根据语义分割结果进行各分割结构区域的面积计算,并与标准二极管结构面积进行比对,获得表面结构分布检测因素;
对所述表面检测前景特征图像集合进行边缘轮廓识别,获得表面检测图像轮廓识别结果;
按照所述表面检测图像轮廓识别结果与所述语义分割结果进行匹配,根据匹配结果去除结构区域正常分割边缘,将其余瑕疵边缘留下生成表面瑕疵检测因素;
基于所述表面结构分布检测因素和所述表面瑕疵检测因素,确定二极管表面缺陷检测结果;
其中,所述获得表面检测图像轮廓识别结果,包括:
采用高斯滤波器对所述表面检测前景特征图像集合进行边缘识别,获取表面图像边缘识别结果;
通过非极大抑制法对所述表面图像边缘识别结果进行优化,获得表面检测边缘优化图像;
基于双阈值法对所述表面检测边缘优化图像进行筛选,获得所述表面检测图像轮廓识别结果;
其中,所述获得表面检测边缘优化图像,包括:
基于角度图像函数对所述表面图像边缘识别结果的目标抑制点进行计算,其中,角度图像函数为图像该目标抑制点的二维方向灰度比值的反梯度角的函数,计算获得抑制梯度方向;
获取所述抑制梯度方向的双梯度交点;
若所述目标抑制点的灰度值大于所述双梯度交点的灰度值,则确定所述目标抑制点为极大值点;
基于所述极大值点进行像素调节二值化,获得所述表面检测边缘优化图像;
其中,所述确定二极管表面缺陷检测结果,包括:
对所述表面检测图像信息集合中的各图像进行序列角度排列,获得表面图像角度序列;
按照所述表面图像角度序列进行图像拼接、建模,生成半导体发光二极管可视化模型;
基于所述表面结构分布检测因素和所述表面瑕疵检测因素对所述半导体发光二极管可视化模型进行数据映射,获得所述二极管表面缺陷检测结果。
2.如权利要求1所述的方法,其特征在于,所述获得标准表面检测图像信息集合,包括:
获取所述表面检测图像信息集合的RGB颜色空间描述信息;
制定灰度图像转化通道的转换规则: ,其中Gray为像素灰度值,R、G、B分别为红、绿、蓝色彩描述信息;
基于所述灰度图像转化通道对所述RGB颜色空间描述信息进行计算转化,生成表面检测灰度图像集合;
对所述表面检测灰度图像集合进行小波去噪,获得标准表面检测图像信息集合。
3.如权利要求2所述的方法,其特征在于,所述获得标准表面检测图像信息集合,包括:
对所述表面检测灰度图像集合的图像信号进行小波分解,获得图像信号小波系数;
基于所述图像信号小波系数进行阈值量化,确定图像信号小波选取阈值;
按照所述图像信号小波选取阈值对所述图像信号小波系数进行截取,对小于所述图像信号小波选取阈值的噪声信号置零,获取大于所述图像信号小波选取阈值的有效信号信息;
对所述有效信号信息进行滤波重构,获得所述标准表面检测图像信息集合。
4.如权利要求1所述的方法,其特征在于,所述构建注意力机制约束模块,包括:
获取所述半导体发光二极管的标准表面灰度图像,其中,标准表面灰度图像是达到生产质量标准的二极管表面灰度图像;
对所述标准表面灰度图像进行二极管灰度分布识别,构建二极管表面灰度区间,作为表面前景特征;
采集得到二极管检测环境灰度图像,其是二极管表面图像的背景图像,对所述二极管检测环境灰度图像进行灰度分布识别,获得表面背景特征;
基于所述表面前景特征和所述表面背景特征,构建所述注意力机制约束模块。
5.一种半导体发光二极管的表面缺陷检测系统,其特征在于,所述系统包括:
视觉检测模块,用于通过视觉检测模块多角度采集获取半导体发光二极管的表面检测图像信息集合;
图像预处理模块,用于对所述表面检测图像信息集合进行图像预处理,获得标准表面检测图像信息集合;
前景特征图像获得模块,用于构建注意力机制约束模块,通过所述注意力机制约束模块对所述标准表面检测图像信息集合进行处理,获得表面检测前景特征图像集合;
语义分割模块,用于基于所述表面检测前景特征图像集合分别进行语义分割,根据语义分割结果进行各分割结构区域的面积计算,并与标准二极管结构面积进行比对,并根据语义分割结果获得表面结构分布检测因素;
边缘轮廓识别模块,用于对所述表面检测前景特征图像集合进行边缘轮廓识别,获得表面检测图像轮廓识别结果;
表面瑕疵检测模块,用于按照所述表面检测图像轮廓识别结果与所述语义分割结果进行匹配,根据匹配结果去除结构区域正常分割边缘,将其余瑕疵边缘留下生成表面瑕疵检测因素;
表面缺陷检测结果获得模块,用于基于所述表面结构分布检测因素和所述表面瑕疵检测因素,确定二极管表面缺陷检测结果;
其中,所述系统还包括:
边缘识别单元,用于采用高斯滤波器对所述表面检测前景特征图像集合进行边缘识别,获取表面图像边缘识别结果;
边缘识别优化单元,用于通过非极大抑制法对所述表面图像边缘识别结果进行优化,获得表面检测边缘优化图像;
边缘优化图像筛选单元,用于基于双阈值法对所述表面检测边缘优化图像进行筛选,获得所述表面检测图像轮廓识别结果;
抑制梯度方向获得单元,用于基于角度图像函数对所述表面图像边缘识别结果的目标抑制点进行计算,其中,角度图像函数为图像该目标抑制点的二维方向灰度比值的反梯度角的函数,计算获得抑制梯度方向;
双梯度交点获取单元,用于获取所述抑制梯度方向的双梯度交点;
极大值点确定单元,用于若所述目标抑制点的灰度值大于所述双梯度交点的灰度值,则确定所述目标抑制点为极大值点;
像素调节二值化单元,用于基于所述极大值点进行像素调节二值化,获得所述表面检测边缘优化图像;
序列角度排列单元,用于对所述表面检测图像信息集合中的各图像进行序列角度排列,获得表面图像角度序列;
可视化模型生成单元,用于按照所述表面图像角度序列进行图像拼接、建模,生成半导体发光二极管可视化模型;
模型数据映射单元,用于基于所述表面结构分布检测因素和所述表面瑕疵检测因素对所述半导体发光二极管可视化模型进行数据映射,获得所述二极管表面缺陷检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812771.XA CN116758045B (zh) | 2023-07-05 | 2023-07-05 | 一种半导体发光二极管的表面缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812771.XA CN116758045B (zh) | 2023-07-05 | 2023-07-05 | 一种半导体发光二极管的表面缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758045A CN116758045A (zh) | 2023-09-15 |
CN116758045B true CN116758045B (zh) | 2024-01-23 |
Family
ID=87957012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310812771.XA Active CN116758045B (zh) | 2023-07-05 | 2023-07-05 | 一种半导体发光二极管的表面缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758045B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218119B (zh) * | 2023-11-07 | 2024-01-26 | 苏州瑞霏光电科技有限公司 | 用于晶圆生产的质量检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105675626A (zh) * | 2016-02-26 | 2016-06-15 | 广东工业大学 | 一种轮胎模具的字符缺陷检测方法 |
CN106296636A (zh) * | 2015-06-02 | 2017-01-04 | 征图新视(江苏)科技有限公司 | 印刷图像的检测方法及检测装置 |
CN109934809A (zh) * | 2019-03-08 | 2019-06-25 | 深慧视(深圳)科技有限公司 | 一种纸质标签字符缺陷检测方法 |
CN112991381A (zh) * | 2021-03-15 | 2021-06-18 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
DE202022101680U1 (de) * | 2022-03-30 | 2022-07-11 | Arti Khaparde | Ein automatisches System zur Erkennung von Handgesten |
CN115223043A (zh) * | 2022-07-06 | 2022-10-21 | 深圳职业技术学院 | 一种草莓缺陷检测方法、装置、计算机设备及存储介质 |
CN115239662A (zh) * | 2022-07-19 | 2022-10-25 | 珠海维胜科技有限公司 | 一种基于物理尺寸匹配的电子元器件计数方法 |
-
2023
- 2023-07-05 CN CN202310812771.XA patent/CN116758045B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296636A (zh) * | 2015-06-02 | 2017-01-04 | 征图新视(江苏)科技有限公司 | 印刷图像的检测方法及检测装置 |
CN105675626A (zh) * | 2016-02-26 | 2016-06-15 | 广东工业大学 | 一种轮胎模具的字符缺陷检测方法 |
CN109934809A (zh) * | 2019-03-08 | 2019-06-25 | 深慧视(深圳)科技有限公司 | 一种纸质标签字符缺陷检测方法 |
CN112991381A (zh) * | 2021-03-15 | 2021-06-18 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
DE202022101680U1 (de) * | 2022-03-30 | 2022-07-11 | Arti Khaparde | Ein automatisches System zur Erkennung von Handgesten |
CN115223043A (zh) * | 2022-07-06 | 2022-10-21 | 深圳职业技术学院 | 一种草莓缺陷检测方法、装置、计算机设备及存储介质 |
CN115239662A (zh) * | 2022-07-19 | 2022-10-25 | 珠海维胜科技有限公司 | 一种基于物理尺寸匹配的电子元器件计数方法 |
Non-Patent Citations (2)
Title |
---|
基于边缘和区域信息的接力型活动轮廓图像分割模型;冯昌利;张建勋;代煜;;高技术通讯(04);全文 * |
赵小川.《MATLAB图像处理:能力提高与应用案例》.北京航空航天大学出版社,2019,第111-112页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116758045A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN108711158B (zh) | 基于轮廓拟合和径向分割的指针式仪表图像识别方法 | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN111598856B (zh) | 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN112308854B (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
CN116758045B (zh) | 一种半导体发光二极管的表面缺陷检测方法及系统 | |
CN116433666B (zh) | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 | |
CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN114332650A (zh) | 一种遥感图像道路识别方法及系统 | |
CN115205223A (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
CN111105398A (zh) | 一种基于可见光图像数据的输电线路部件裂纹检测方法 | |
CN114066862A (zh) | 一种基于色域和轮廓特征的指示器识别方法及系统 | |
Cheng et al. | Power pole detection based on graph cut | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN115409803A (zh) | 配电房变压器油位辨别方法、系统及介质 | |
CN113989481A (zh) | 一种合同文本图像印章检测和去除方法 | |
Kaur et al. | Text Extraction from Natural Scene using PCA. | |
CN114120218A (zh) | 一种基于边缘计算的河道漂浮物监测方法 | |
CN112990064A (zh) | 一种基于颜色分割与概率模型的表盘指针识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |