CN102136061A - 一种矩形石英晶片缺陷自动检测分类识别方法 - Google Patents
一种矩形石英晶片缺陷自动检测分类识别方法 Download PDFInfo
- Publication number
- CN102136061A CN102136061A CN2011100548135A CN201110054813A CN102136061A CN 102136061 A CN102136061 A CN 102136061A CN 2011100548135 A CN2011100548135 A CN 2011100548135A CN 201110054813 A CN201110054813 A CN 201110054813A CN 102136061 A CN102136061 A CN 102136061A
- Authority
- CN
- China
- Prior art keywords
- quartz wafer
- rectangle quartz
- edge
- circularity
- white
- 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.)
- Granted
Links
Images
Abstract
本发明是公开了一种矩形石英晶片缺陷自动检测分类识别方法,其步骤:1.在原始图像中提取石英晶片的长边并计算其斜率;2.进行图像旋转,使晶片的长边在图像中呈水平走向;3.进行图像分割,从背景中分离出晶片目标;4.基于晶片目标及其相关参数,建立晶片模板;5.外围断条缺陷的检测和识别;6.外围边缘不齐缺陷的检测和识别;7.外围崩边缺陷的检测和识别;8.边缘处崩边缺陷的检测和识别;9.边缘处边缘不齐缺陷的检测和识别;10.边缘处炸口和划痕缺陷的检测和识别;11.内部炸心、划痕和阴影缺陷的检测和识别。其优点是:检测准确,分类识别正确,工效高,无视力伤害。
Description
技术领域
本发明所述的技术方案属于数字图像处理技术领域和机器视觉领域,具体的讲,是属于一种自动检测分类识别矩形石英晶片中的缺陷的图像处理方法领域,依据国际专利分类法,属于G06T一般的图像数据处理或产生,H01B3/08石英。
背景技术
石英晶体谐振器有广泛的用途,是任何涉及频率和计时的电子信息产品中必不可少的组成部件,石英晶体谐振器的核心是石英晶片。
石英晶片在生产过程中,要经过切割、研磨等多道生产工序,因而可能产生崩边、边缘不齐、断条、炸口、划痕、炸心、阴影等缺陷。具有缺陷的石英晶片的性能会下降甚至完全失效,因此,必须对石英晶片进行缺陷检测,将具有缺陷的石英晶片剔除;另外,不同的缺陷可能反映不同生产工序中存在的问题,为了定位存在问题的工序,还需要对缺陷的类型进行分类识别。
在目前的生产过程中,都是依靠人工,通过目视方法检测石英晶片的缺陷。这样的方法存在着以下问题:
1.检测结果缺乏准确性和一致性;
2.工作效率低;
3.造成严重的视力伤害;
4.难以对缺陷的类型进行分类识别。
就整体而言,此前,尚未发现用于自动检测和分类识别石英晶片缺陷或其它物品因机械加工造成缺陷的相关文献。本发明包括了直线检测、图像分割等多个技术步骤。
现有的直线检测技术,如我国专利申请号为:200910005674.X,名称为:《医学超声图像直线检测方法》,它是一种直线检测方法:先在图像中选取感兴趣区域,再在该区域中以整数N为间隔选取像素列,然后找出每个像素列中的边缘点,最后采用随机抽样一致性算法对找出的边缘点进行计算,并根据计算结果选取一条直线作为检测到的直线。
其不足是:(1)需要人工确定图像中的感兴趣区域,不能实现全自动检测,同时影响了检测速度。(2)整数N的选取依靠个人经验。(3)当直线的斜率较大时,会发生检测错误或者不能检出。(4)人为去掉了很多有用信息,致使检测结果的可靠性降低。(5)不能检测多条直线。
现有的图像分割技术,如我国专利号为:200710052271.1,名称为:《一种基于属性直方图的图像分割方法》,它是一种图像分割方法:先输入图像,再对图像进行灰度压缩,再对灰度压缩图像进行灰度空间分布密度概率矩阵计算,再基于灰度空间分布密度概率矩阵,进行灰度压缩图像的一维灰度空间分布属性直方图,然后利用最大熵图像分割方法确定图像的分割阈值,最后用该分割阈值对灰度压缩图像进行分割。
其不足是:(1)认为目标和背景的灰度一定有区别,因而要寻找必定存在的分割阈值,以将目标与背景分割开来。但目标(特别是透明的目标)和背景有可能相互融入,此种情况下,分割阈值是不存在的。(2)没有利用目标的先验信息。(3)计算步骤多,计算量大,因而速度较慢。当仅进行图像分割时,尚可以满足实时的要求,如果还有其它多个处理步骤,则不能实时。
发明内容
本发明的目的是为了克服目视检测石英晶片缺陷存在的问题,提供了一种依靠计算机对矩形石英晶片缺陷进行自动检测和分类识别的图像处理方法,以保证石英晶片缺陷检测结果的准确性和一致性,提高工作效率,避免视力伤害,还可以对石英晶片缺陷类型进行准确分类识别。
本发明的目的是这样实现的:对已经获取的矩形石英晶片原始图像,矩形石英晶片缺陷自动检测分类识别的图像处理方法包括下列步骤:1、用计算机在原始图像中提取矩形石英晶片的长边并计算其斜率;2、进行图像旋转,使矩形石英晶片的长边在图像中呈水平走向;3、进行图像分割,从背景中分离出矩形石英晶片目标;4、基于矩形石英晶片目标及其相关参数,建立矩形石英晶片模板;5、外围断条缺陷的检测和识别;6、外围边缘不齐缺陷的检测和识别;7、外围崩边缺陷的检测和识别;8、边缘处崩边缺陷的检测和识别;9、边缘处边缘不齐缺陷的检测和识别;10、边缘处炸口缺陷的检测和识别;11、边缘处划痕缺陷的检测和识别;12、内部炸心缺陷的检测和识别;13、内部划痕缺陷的检测和识别;14、内部阴影缺陷的检测和识别。
本发明的优点和积极效果:
(1)可以保证矩形石英晶片缺陷检测的准确性和一致性。试验表明(试验采用了100个矩形石英晶片作为样品,其中50个无缺陷,其余50个有缺陷,而且各种缺陷类型都包含其中),按照本发明,对石英晶片缺陷的正确检出率为100%。
(2)可以对矩形石英晶片缺陷的类型进行正确的分类识别。试验表明(试验采用了100个矩形石英晶片作为样品,其中50个无缺陷,其余50个有缺陷,而且各种缺陷类型都包含其中),按照本发明,对矩形石英晶片缺陷类型分类识别的正确率达到95%以上。
(3)可以提高工作效率。在试验采用的计算机软硬环境下,按照本发明,检测一片矩形石英晶片的时间不超过0.2秒,而熟练工人目视检测一片矩形石英晶片的平均时间在2秒以上。
(4)无视力伤害。按照本发明,对矩形石英晶片的缺陷检测和分类识别完全由计算机系统自动进行,不存在视力伤害。而如果由工人进行目视检测,由于视力受到严重伤害,一名工人最多能够从事该项工作两年。
附图说明
图1是本发明矩形石英晶片缺陷自动检测分类识别方法的工作流程图。
图2是在原始图像中提取矩形石英晶片的长边并计算其斜率的工作流程图。
图3是进行图像分割,从背景中分离出矩形石英晶片目标的工作流程图。
图4是基于矩形石英晶片目标及其相关参数,建立矩形石英晶片模板的工作流程图。
图5是外围断条缺陷的检测和识别的工作流程图。
图6是外围边缘不齐缺陷的检测和识别的工作流程图。
图7是外围崩边缺陷的检测和识别的工作流程图。
图8是边缘处崩边缺陷的检测和识别的工作流程图。
图9是边缘处边缘不齐缺陷的检测和识别的工作流程图。
图10是边缘处炸口缺陷的检测和识别的工作流程图。
图11是边缘处划痕缺陷的检测和识别的工作流程图。
图12是内部炸心缺陷的检测和识别的工作流程图。
图13是内部划痕缺陷的检测和识别的工作流程图。
图14是内部阴影缺陷的检测和识别的工作流程图。
图15是实施例1中已经获取的矩形石英晶片原始图像。
图16是实施例1中旋转之后的矩形石英晶片图像。
图17是实施例1中第一次实施步骤330)~步骤380)得到的结果。
图18是实施例1中第二次实施步骤330)~步骤380)得到的结果。
图19是实施例1中第三次实施步骤330)~步骤380)得到的结果。
图20是实施例1中从背景中分离出的矩形石英晶片目标。
图21是实施例1中的矩形石英晶片目标及其对应的矩形石英晶片模板。
图22是实施例1中发现并标识出的外围的崩边缺陷。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
图1为本矩形石英晶片缺陷自动检测分类识别方法工作流程图。从图1中可以看出,
对已经获取的矩形石英晶片原始图像,矩形石英晶片缺陷自动检测分类识别的图像处理方法包括下列步骤:
步骤10)、用计算机在原始图像中提取矩形石英晶片的长边并计算其斜率;
步骤20)、进行图像旋转,使矩形石英晶片的长边在图像中呈水平走向;
步骤30)、进行图像分割,从背景中分离出矩形石英晶片目标;
步骤40)、基于矩形石英晶片目标及其相关参数,建立矩形石英晶片模板;
步骤50)、外围断条缺陷的检测和识别;
步骤60)、外围边缘不齐缺陷的检测和识别;
步骤70)、外围崩边缺陷的检测和识别;
步骤80)、边缘处崩边缺陷的检测和识别;
步骤90)、边缘处边缘不齐缺陷的检测和识别;
步骤A0)、边缘处炸口缺陷的检测和识别;
步骤B0)、边缘处划痕缺陷的检测和识别;
步骤C0)、内部炸心缺陷的检测和识别;
步骤D0)、内部划痕缺陷的检测和识别;
步骤E0)、内部阴影缺陷的检测和识别。
图2为在原始图像中提取矩形石英晶片的长边并计算其斜率(即步骤10))的工作流程图。从图2中可以看出,步骤10)中包括:
步骤110)、使用Prewitt算子对原始图像进行边缘检测。
步骤120)、计算边缘检测结果图像的平均灰度值,根据该灰度值设置适当的门限,对边缘检测结果图像进行二值化处理。
步骤130)、使用Thin算子对二值化处理结果图像进行细化处理。
步骤140)、用细化处理结果图像中的每两个非零点(非零点对)确定一条直线,计算并保存每条直线的用最简整数分式表示的斜率(以下也简称为整数斜率)。
步骤150)、对取相同整数斜率的直线进行计数,得到取各种整数斜率的直线的数目,找出其中最大的数目Nmax,Nmax对应的直线的整数斜率记作KNmax,Nmax对应的直线集合记作L{kNmax}。
步骤160)、针对确定L{kNmax}中直线的每一个非零点对,计算该直线的用最简整数分式表示的截距(以下也简称为整数截距)。
步骤170)、对L{kNmax}中取相同整数截距的直线归类,每一类代表一条直线,分别记作Li(i=1,2,3,…,m),Li对应的非零点对集合记作Li{(DF,DL)},Li{(DF,DL)}中非零点对的数目记作Numi(D)。
步骤180)、如果m大于一定的数值,而且没有任何一个Numi(D)具有绝对的优势,则基于Li{(DF,DL)},计算Li上非零点对构成的最大直线段长度,记作Length(Li),最大直线段长度对应的非零点对记作(DF,DL)i。以各个(DF,DL)i中的非零点重新进行两两组合,构成多个新的非零点对,再计算整数斜率,再对取相同整数斜率的直线进行计数,得到取各种整数斜率的直线的数目,找出其中最大的数目LNmax,LNmax对应的直线的整数斜率记作kLNmax。kLNmax即为矩形石英晶片的长边的斜率。
如果m不大于一定的数值NC,或者有一个Numi(D)具有绝对的优势,则直接执行步骤190)。
步骤190)、如果m不大于NC,而且Numi(D)最大,则第i条直线的斜率即为矩形石英晶片的长边的斜率;如果m大于NC,但有一个Numi(D)具有绝对的优势,则第i条直线的斜率即为矩形石英晶片的长边的斜率。
图3为进行图像分割,从背景中分离出矩形石英晶片目标(即步骤30))的工作流程图。从图3中可以看出,步骤30)中包括:
步骤310)、使用Prewitt算子对旋转之后的矩形石英晶片图像进行边缘检测。
步骤320)、计算边缘检测结果图像的平均灰度值,记为Gav。
步骤330)、用可变门限系数(可变门限系数记作Ef,其初始值可以设为一个较大的数值)乘以Gav作为门限,对边缘检测结果图像进行二值化处理,即将灰度值大于门限的点置成白色,灰度值小于门限的点置成黑色。
步骤340)、对二值化处理结果图像的白色区域进行区域标记,只保留其中最大的白色区域,而将其他区域置成黑色。
步骤350)、对区域标记结果图像进行黑白反转,对黑白反转结果图像的白色区域进行区域标记,保留其中最大的白色区域,而将其他区域置成黑色。
步骤360)、判断步骤350)产生的结果图像中的黑色区域是否封闭,如果封闭则执行步骤370)。如果不封闭,则直接执行步骤390)
步骤370)、计算黑色区域面积。
步骤380)、将黑色区域的面积与实际目标门限ST进行比较,如果不小于ST,则结束步骤30)(该黑色区域就是矩形石英晶片目标);如果小于ST,则执行步骤390)。
步骤390)、将可变门限系数Ef减0.5,再回到步骤330),继续进行处理。
图4为基于矩形石英晶片目标及其相关参数,建立矩形石英晶片模板(即步骤40))的工作流程图。从图4中可以看出,步骤40)中包括:
步骤410)、取出矩形石英晶片目标(其长边已经处于水平方向)的边界点,产生矩形石英晶片目标边界点集合S{PE}。
步骤420)、对于图像分辨率为m×n的情况,定义一个含m个元素的数组row并清零,row的下标的合法范围为1~m;定义一个含n个元素的数组column,column的下标的合法范围为1~n。
步骤430)、将S{PE}中的点进行两两比较,如果两个点的行坐标之差为零,则将数组row中以该行坐标为下标的元素值加一;同样,如果两个点的列坐标之差为零,则将数组column中以该列坐标为下标的元素值加一。
步骤440)、在数组row的各个元素中寻找最大值,该最大值对应的下标即为矩形石英晶片模板的一条长边的行坐标,记作l1。
在数组row的各个元素中寻找次最大值,如果该次最大值对应的下标与l1之差的绝对值dw满足下式:
dw≤TW±WE (1)
式中:TW-矩形石英晶片的标称宽度,单位为像素
WE-矩形石英晶片宽度的公差,单位为像素
则该次最大值对应的下标就是矩形石英晶片模板的另一条长边的行坐标。
如果(1)式不满足,则在数组row的各个元素中寻找再次最大值,直到(1)式满足。
矩形石英晶片模板的另一条长边的行坐标记作l2。
步骤450)、在数组column的各个元素中寻找最大值,该最大值对应的下标即为矩形石英晶片模板的一条宽边的列坐标,记作w1。
在数组column的各个元素中寻找次最大值,如果该次最大值对应的下标与w1之差的绝对值dl满足下式:
dl≤TL±LE (2)
式中:TL-矩形石英晶片的标称长度,单位为像素
LE-矩形石英晶片长度的公差,单位为像素
则该次最大值对应的下标就是矩形石英晶片模板的另一条宽边的列坐标。
如果(2)式不满足,则在数组column的各个元素中寻找再次最大值,直到(2)式满足。
矩形石英晶片模板的另一条宽边的列坐标记作w2。
步骤460)、用y=l1和y=l2确定两条水平直线,用x=w1和x=w2确定两条垂直直线,此四条直线围成的封闭区域即为矩形石英晶片模板。
图5为外围断条缺陷的检测和识别(即步骤50))的工作流程图。从图5中可以看出,步骤50)中包括:
步骤510)、将矩形石英晶片实际目标与矩形石英晶片模板相比较,如果在模板的范围内,矩形石英晶片实际目标有缺少的部分,则将其标为白色,然后对这些白色区域进行区域标记。
步骤520)、取出步骤510)产生的白色区域中的面积最大者,如果该白色区域的面积大于断条面积门限值(记作ebas),则存在断条缺陷。
图6为外围边缘不齐缺陷的检测和识别(即步骤60))的工作流程图。从图6中可以看出,步骤60)中包括:
步骤610)、将矩形石英晶片实际目标与矩形石英晶片模板相比较,如果在模板的范围内,矩形石英晶片实际目标有缺少的部分,则将其标为白色,然后对这些白色区域进行区域标记。
步骤620)、保留步骤610)产生的白色区域中面积大于门限值euas的区域。
步骤630)、在保留下来的白色区域中寻找面积最大者,计算其圆度。
步骤640)、判断圆度是否大于圆度门限值eurs。如果是,则该白色区域就是外围的边缘不齐缺陷,结束步骤60);如果否,则执行步骤650)。
步骤650)、判断是否还有保留下来的白色区域。如果是,则执行步骤660);如果否,则结束步骤60)。
步骤660)去除当前进行圆度判断的白色区域,执行步骤630)。
图7为外围崩边缺陷的检测和识别(即步骤70))的工作流程图。从图7中可以看出,步骤70)中包括:
步骤710)、将矩形石英晶片实际目标与矩形石英晶片模板相比较,如果在模板的范围内,矩形石英晶片实际目标有缺少的部分,则将其标为白色,然后对这些白色区域进行区域标记。
步骤720)、保留步骤710)产生的白色区域中面积大于门限值edas的区域。
步骤730)、在保留下来的白色区域中寻找面积最大者,计算其圆度。
步骤740)、判断圆度是否小于圆度门限值edrs,如果是,则该白色区域就是外围的崩边缺陷,结束步骤70);如果否,则执行步骤750)。
步骤750)、判断是否还有保留下来的白色区域。如果是,则执行步骤760);如果否,则结束步骤70)。
步骤760)去除当前进行圆度判断的白色区域,执行步骤730)。
图8为边缘处崩边缺陷的检测和识别(即步骤80))的工作流程图。从图8中可以看出,步骤80)中包括:
步骤810)、按一定的像素数ScL将矩形石英晶片模板向其中心收缩,得到矩形石英晶片大辅助模板。矩形石英晶片大辅助模板的用途是避免截取正常边缘。
步骤820)、将矩形石英晶片实际目标的封闭边缘与矩形石英晶片大辅助模板(全白)相比较,取出两者都是白色的部分进行区域标记。
步骤830)、保留步骤820)产生的白色区域中面积大于门限值hdas的区域。
步骤840)、在保留下来的白色区域中寻找面积最大者,计算其圆度。
步骤850)、判断圆度是否小于门限值hdrs,如果是,则执行步骤880);如果否,则执行步骤860)。
步骤860)、判断是否还有保留下来的白色区域。如果是,则执行步骤870);如果否,则结束步骤80)。
步骤870)、去除当前进行圆度判断的白色区域,执行步骤840)。
步骤880)、判断满足圆度条件的白色区域是否位于矩形石英晶片某个边的一定距离Dis的范围内。如果是,则该区域是边缘处的崩边缺陷,结束步骤80);如果否,执行步骤860)。
图9为边缘处边缘不齐缺陷的检测和识别(即步骤90))的工作流程图。从图9中可以看出,步骤90)中包括:
步骤910)、按一定的像素数ScL将矩形石英晶片模板向其中心收缩,得到矩形石英晶片大辅助模板。矩形石英晶片大辅助模板的用途是避免截取正常边缘。
步骤920)、将矩形石英晶片实际目标的封闭边缘与矩形石英晶片大辅助模板(全白)相比较,取出两者都是白色的部分进行区域标记。
步骤930)、保留步骤920产生的白色区域中面积大于门限值huas的区域。
步骤940)、在保留下来的白色区域中寻找面积最大者,计算其圆度。
步骤950)、判断圆度是否大于门限值hurs,如果是,则执行步骤980);如果否,则执行步骤960)。
步骤960)、判断是否还有保留下来的白色区域。如果是,则执行步骤970);如果否,则结束步骤90)。
步骤970)、去除当前进行圆度判断的白色区域,执行步骤940)。
步骤980)、判断满足圆度条件的白色区域是否位于矩形石英晶片某个边的一定距离Dis的范围内。如果是,则该区域是边缘处的边缘不齐缺陷,结束步骤90);如果否,执行步骤960)。
图10为边缘处炸口缺陷的检测和识别(即步骤A0))的工作流程图。从图10中可以看出,步骤A0)中包括:
步骤A10)、按一定的像素数ScL将矩形石英晶片模板向其中心收缩,得到矩形石英晶片大辅助模板。矩形石英晶片大辅助模板的用途是避免截取正常边缘。
步骤A20)、将矩形石英晶片实际目标的封闭边缘与矩形石英晶片大辅助模板(全白)相比较,取出两者都是白色的部分进行区域标记。
步骤A30)、保留步骤A20)产生的白色区域中面积大于门限值hras的区域。
步骤A40)、在保留下来的白色区域中寻找面积最大者,计算其圆度。
步骤A50)、判断圆度是否大于圆度门限值hrrs,如果是,则执行步骤A80);如果否,则执行步骤A60)。
步骤A60)、判断是否还有保留下来的白色区域。如果是,则执行步骤A70);如果否,则结束步骤A0)。
步骤A70)、去除当前进行圆度判断的白色区域,执行步骤A40)。
步骤A80)、判断满足圆度条件的白色区域是否延伸到矩形石英晶片某个边的一定距离Dis以外(即位置条件)。如果是,则执行步骤A90);如果否,执行步骤A60)。
步骤A90)、判断满足位置条件的白色区域的灰度对比值是否小于门限值(即灰度对比值小于门限值hrgs)。如果是,则该区域是边缘处的炸口缺陷,结束步骤A0);如果否,则执行步骤A60)。
图11为边缘处划痕缺陷的检测和识别(即步骤B0))的工作流程图。从图11中可以看出,步骤B0)中包括:
步骤B10)、按一定的像素数ScL将矩形石英晶片模板向其中心收缩,得到矩形石英晶片大辅助模板。矩形石英晶片大辅助模板的用途是避免截取正常边缘。
步骤B20)、将矩形石英晶片实际目标的封闭边缘与矩形石英晶片大辅助模板(全白)相比较,取出两者都是白色的部分进行区域标记。
步骤B30)、保留步骤B20)产生的白色区域中面积大于门限值hnas的区域。
步骤B40)、在保留下来的白色区域中寻找面积最大者,计算其圆度。
步骤B50)、判断圆度是否大于门限值hnrs,如果是,则执行步骤B80);如果否,则执行步骤B60)。
步骤B60)、判断是否还有保留下来的白色区域。如果是,则执行步骤B70);如果否,则结束步骤B0)。
步骤B70)、去除当前进行圆度判断的白色区域,执行步骤B40)。
步骤B80)、判断满足圆度条件的白色区域的灰度对比值是否满足灰度对比条件(即灰度对比值大于门限值hngs)。如果是,则该区域是边缘处的划痕缺陷,结束步骤B0);如果否,执行步骤B60)。
图12为内部炸心缺陷的检测和识别(即步骤C0))的工作流程图。从图12中可以看出,步骤C0)中包括:
步骤C10)、按一定的像素数ScS(ScS>ScL)将矩形石英晶片模板向其中心收缩,得到矩形石英晶片小辅助模板。矩形石英晶片小辅助模板的用途是仅截取矩形石英晶片的内部缺陷。
步骤C20)、使用Prewitt算子对矩形石英晶片实际目标进行边缘检测。
步骤C30)、用门限值icps对边缘检测结果图像进行二值化。
步骤C40)、将二值化结果图像与矩形石英晶片小辅助模板(全白)相比较,取出两者都是白色的部分,对这些白色区域进行区域标记。
步骤C50)、保留步骤C40)产生的白色区域中面积大于门限值icas的区域。
步骤C60)、在保留下来的白色区域中寻找面积最大者,计算其圆度。
步骤C70)、判断圆度是否大于门限值icrs,如果是,则执行步骤CA0);如果否,则执行步骤C80)。
步骤C80)、判断是否还有保留下来的白色区域。如果是,则执行步骤C90);如果否,则结束步骤C0)。
步骤C90)、去除当前进行圆度判断的白色区域,执行步骤C60)。
步骤CA0)、判断满足圆度条件的白色区域的灰度对比值是否满足灰度对比条件(即灰度对比值小于门限值icgs)。如果是,则该区域是内部的炸心缺陷,结束步骤C0);如果否,执行步骤C80)。
图13为内部划痕缺陷的检测和识别(即步骤D0))的工作流程图。从图13中可以看出,步骤D0)中包括:
步骤D10)、按一定的像素数ScS(ScS>ScL)将矩形石英晶片模板向其中心收缩,得到矩形石英晶片小辅助模板。矩形石英晶片小辅助模板的用途是仅截取矩形石英晶片的内部缺陷。
步骤D20)、使用Prewitt算子对矩形石英晶片实际目标进行边缘检测。
步骤D30)、用门限值inps对边缘检测结果图像进行二值化。
步骤D40)、将二值化结果图像与矩形石英晶片小辅助模板(全白)相比较,取出两者都是白色的部分,对这些白色区域进行区域标记。
步骤D50)、保留步骤D40)产生的白色区域中面积大于门限值inas的区域。
步骤D60)、在保留下来的白色区域中寻找面积最大者,计算其圆度。
步骤D70)、判断圆度是否大于门限值inrs,如果是,则执行步骤DA0);如果否,则执行步骤D80)。
步骤D80)、判断是否还有保留下来的白色区域。如果是,则执行步骤D90);如果否,则结束步骤D0)。
步骤D90)、去除当前进行圆度判断的白色区域,执行步骤D60)。
步骤DA0)、判断满足圆度条件的白色区域的灰度对比值是否满足灰度对比条件(即灰度对比值小于门限值ings)。如果是,则该区域是内部的划痕缺陷,结束步骤D0);如果否,执行步骤D80)。
图14为内部阴影缺陷的检测和识别(即步骤E0))的工作流程图。从图14中可以看出,步骤E0)中包括:
步骤E10)、按一定的像素数ScS(ScS>ScL)将矩形石英晶片模板向其中心收缩,得到矩形石英晶片小辅助模板。矩形石英晶片小辅助模板的用途是仅截取矩形石英晶片的内部缺陷。
步骤E20)、使用Prewitt算子对矩形石英晶片实际目标进行边缘检测。
步骤E30)、用门限值isps对边缘检测结果图像进行二值化。
步骤E40)、将二值化结果图像与矩形石英晶片小辅助模板(全白)相比较,取出两者都是白色的部分,对这些白色区域进行区域标记。
步骤E50)、将步骤E40)产生的白色区域中的面积最大者的面积与阴影面积门限值isas比较,如果更大,则为内部的阴影缺陷;反之,则不是内部的阴影缺陷。
实施例中,采用以下的计算机软硬件环境:
硬件环境:CPU是AMD公司的Athlon(TM)64位双核XP 5000+,内存容量是1000MB。
软件环境:操作系统是WindowsXP,程序设计语言是C/C++,编译器是Visual C++6.0。
实施例中,通过图像采集器获取的矩形石英晶片图像的分辨率皆为600×800,灰度等级为256。
实施例中,矩形石英晶片的规格如下:
实施例1
图像采集器获取的矩形石英晶片原始图像如图15所示。
对矩形石英晶片原始图像实施技术方案中的步骤10)和步骤20),对矩形石英晶片原始图像进行旋转,使矩形石英晶片的长边呈水平走向,得到旋转之后的矩形石英晶片图像如图16所示。
步骤10)中包括步骤110)~步骤190)。
步骤180)中NC取值为8。
对旋转之后的矩形石英晶片图像实施技术方案中的步骤30),进行图像分割,从背景中分离出矩形石英晶片目标。
步骤30)中包括步骤310)~步骤380),其中多次反复实施步骤330)~步骤380)。
步骤330)中的可变门限系数Ef的初始值取为6。
反复实施步骤330)~步骤380)得到的各次结果分别如图17至图19所示。图20所示的是从背景中分离出的矩形石英晶片目标。
对从背景中分离出的矩形石英晶片目标实施技术方案中的步骤40),得到矩形石英晶片模板,如图21所示是矩形石英晶片目标及其对应的矩形石英晶片模板。
步骤40)中包括步骤410)~步骤460),其中多次反复实施步骤440),多次反复实施步骤450)。
步骤440)中的TW取值为430像素(对应尺寸为26.5mm),WE取值为5像素。
步骤450)中的TL取值为220像素(对应尺寸为11mm),LE取值为5像素。
针对实施技术方案中的步骤30)得到的矩形石英晶片目标和实施技术方案中的步骤40)得到的矩形石英晶片模板,实施步骤50),进行外围断条缺陷的检测和识别,没有发现相应缺陷。
步骤50)中包括步骤510)~步骤520)。
步骤520)中的断条面积门限值ebas取值为8000像素。
针对实施技术方案中的步骤30)得到的矩形石英晶片目标和实施技术方案中的步骤40)得到的矩形石英晶片模板,实施步骤60),进行外围边缘不齐缺陷的检测和识别,没有发现相应缺陷。
步骤60)中包括步骤610)~步骤660)。
步骤620)中的面积门限值euas取值为10像素。
步骤640)中的圆度门限值eurs取值为10。
针对实施技术方案中的步骤30)得到的矩形石英晶片目标和实施技术方案中的步骤40)得到的矩形石英晶片模板,实施步骤70),进行外围崩边缺陷的检测和识别,发现并标识出外围的崩边缺陷,如图22所示(图中右上角浅色部分即为外围的崩边缺陷)。
步骤70)中包括步骤710)~步骤760)。
步骤720)中的面积门限值edas取值为10像素。
步骤740)中的圆度门限值edrs取值为10。
针对实施技术方案中的步骤30)得到的矩形石英晶片目标和实施技术方案中的步骤40)得到的矩形石英晶片模板,实施步骤80),进行边缘处崩边缺陷的检测和识别,没有发现相应缺陷。
步骤80)中包括步骤810)~步骤880)。
步骤810)中的像素数ScL取值为5(ScL取值以下同)。
步骤830)中的面积门限值hdas取值为20像素。
步骤850)中的圆度门限值hdrs取值为10。
步骤880)中的距离Dis取值为30像素(Dis取值以下同)。
针对实施技术方案中的步骤30)得到的矩形石英晶片目标和实施技术方案中的步骤40)得到的矩形石英晶片模板,实施步骤90),进行边缘处边缘不齐缺陷的检测和识别,没有发现相应缺陷。
步骤90)中包括步骤910)~步骤980)。
步骤930)中的面积门限值huas取值为20像素。
步骤950)中的圆度门限值hurs取值为10。
针对实施技术方案中的步骤30)得到的矩形石英晶片目标和实施技术方案中的步骤40)得到的矩形石英晶片模板,实施步骤A0),进行边缘处炸口缺陷的检测和识别,没有发现相应缺陷。
步骤A0)中包括步骤A10)~步骤A90)。
步骤A30)中的面积门限值hras取值为20像素。
步骤A50)中的圆度门限值hrrs取值为3。
步骤A90)中的灰度对比门限值hrgs取值为0.9。
针对实施技术方案中的步骤30)得到的矩形石英晶片目标和实施技术方案中的步骤40)得到的矩形石英晶片模板,实施步骤B0),进行边缘处划痕缺陷的检测和识别,没有发现相应缺陷。
步骤B0)中包括步骤B10)~步骤B80)。
步骤B30)中的面积门限值hnas取值为20像素。
步骤B50)中的圆度门限值hnrs取值为3。
步骤B80)中的灰度对比门限值hngs取值为0.9。
针对实施技术方案中的步骤30)得到的矩形石英晶片目标和实施技术方案中的步骤40)得到的矩形石英晶片模板,实施步骤C0),进行内部炸心缺陷的检测和识别,没有发现相应缺陷。
步骤C0)中包括步骤C10)~步骤CA0)。
步骤C10)中的像素数ScS取值为10。
步骤C30)中的二值化门限值icps取值为7。
步骤C50)中的面积门限值icas取值为40像素。
步骤C70)中的圆度门限值icrs取值为4。
步骤CA0)中的灰度对比门限值icgs取值为0.9。
针对实施技术方案中的步骤30)得到的矩形石英晶片目标和实施技术方案中的步骤40)得到的矩形石英晶片模板,实施步骤D0),进行内部划痕缺陷的检测和识别,没有发现相应缺陷。
步骤D0)中包括步骤D10)~步骤DA0)。
步骤D30)中的二值化门限值inps取值为6.5。
步骤D50)中的面积门限值inas取值为40像素。
步骤D70)中的圆度门限值inrs取值为4。
步骤DA0)中的灰度对比门限值ings取值为0.94。
针对实施技术方案中的步骤30)得到的矩形石英晶片目标和实施技术方案中的步骤40)得到的矩形石英晶片模板,实施步骤E0),进行内部阴影缺陷的检测和识别,没有发现相应缺陷。
步骤E0)中包括步骤E10)~步骤E50)。
步骤E30)中的二值化门限值isps取值为7。
步骤E50)中的阴影面积门限值isas取值为2000像素。
最后结论:该矩形石英晶片存在外围的崩边缺陷,没有其它缺陷。
此结论与三名图像判读人员对该矩形石英晶片原始图像的判读结果一致;
此结论与三名熟练目视检测人员对该矩形石英晶片的目视检测结果一致。
Claims (10)
1.一种矩形石英晶片缺陷自动检测分类识别方法,其特征在于:该方法包括下列步骤:步骤10)、在原始图像中提取矩形石英晶片的长边并计算其斜率;步骤20)、进行图像旋转,使矩形石英晶片的长边在图像中呈水平走向;步骤30)、进行图像分割,从背景中分离出矩形石英晶片目标;步骤40)、基于矩形石英晶片目标及其相关参数,建立矩形石英晶片模板;步骤50)、外围断条缺陷的检测和识别;步骤60)、外围边缘不齐缺陷的检测和识别;步骤70)、外围崩边缺陷的检测和识别;步骤80)、边缘处崩边缺陷的检测和识别;步骤90)、边缘处边缘不齐缺陷的检测和识别;步骤A0)、边缘处炸口缺陷的检测和识别;步骤B0)、边缘处划痕缺陷的检测和识别;步骤C0)、内部炸心缺陷的检测和识别;步骤D0)、内部划痕缺陷的检测和识别;步骤E0)、内部阴影缺陷的检测和识别。
2.根据权利要求1所述的一种矩形石英晶片缺陷自动检测分类识别方法,其特征在于:所述的步骤10)中包括:步骤110)、使用Prewitt算子对原始图像进行边缘检测;步骤120)、计算边缘检测结果图像的平均灰度值,根据该灰度值设置适当的门限,对边缘检测结果图像进行二值化处理;步骤130)、使用Thin算子对二值化处理结果图像进行细化处理;步骤140)、用细化处理结果图像中的每两个非零点(非零点对)确定一条直线,计算并保存每条直线的用最简整数分式表示的斜率(以下也简称为整数斜率);步骤150)、对取相同整数斜率的直线进行计数,得到取各种整数斜率的直线的数目,找出其中最大的数目Nmax;步骤160)、针对确定L{kNmax}中直线的每一个非零点对,计算该直线的用最简整数分式表示的截距(以下也简称为整数截距);步骤170)、对L{kNmax}中取相同整数截距的直线归类,每一类代表一条直线,分别记作Li(i=1,2,3,…,m);步骤180)、如果m大于一定的数值,而且没有任何一个Numi(D)具有绝对的优势,则基于Li{(DF,DL)},计算Li上非零点对构成的最大直线段长度,记作Length(Li),最大直线段长度对应的非零点对记作(DF,DL)i;以各个(DF,DL)i中的非零点重新进行两两组合,构成多个新的非零点对,再计算整数斜率,再对取相同整数斜率的直线进行计数,得到取各种整数斜率的直线的数目,找出其中最大的数目LNmax,LNmax对应的直线的整数斜率记作kLNmax;kLNmax即为矩形石英晶片的长边的斜率。
3.根据权利要求1所述的一种矩形石英晶片缺陷自动检测分类识别方法,其特征在于:所述的步骤30)中包括:步骤310)、使用Prewitt算子对旋转之后的矩形石英晶片图像进行边缘检测;步骤320)、计算边缘检测结果图像的平均灰度值,记为Gav;步骤330)、用可变门限系数(可变门限系数记作Ef,其初始值可以设为一个较大的数值)乘以Gav作为门限,对边缘检测结果图像进行二值化处理,即将灰度值大于门限的点置成白色,灰度值小于门限的点置成黑色;步骤340)、对二值化处理结果图像的白色区域进行区域标记,只保留其中最大的白色区域,而将其他区域置成黑色;步骤350)、对区域标记结果图像进行黑白反转,对黑白反转结果图像的白色区域进行标记,保留其中最大的白色区域,而将其他区域置成黑色;步骤360)、判断步骤350)产生的结果图像中的黑色区域是否封闭,如果封闭则进行面积计算,如果不封闭,则直接执行步骤380);步骤370)、将黑色区域的面积与实际目标门限ST进行比较,如果不小于ST,则该黑色区域就是矩形石英晶片目标;如果小于ST,则将可变门限系数Ef减0.5,再回到步骤330),继续进行处理;步骤380)、将可变门限系数Ef减0.5,再回到步骤330),继续进行处理。
4.据权利要求1所述的一种矩形石英晶片缺陷自动检测分类识别方法,其特征在于:所述的步骤40)中包括:步骤410)、取出矩形石英晶片目标(其长边已经处于水平方向)的边界点,产生矩形石英晶片目标边界点集合S{PE};步骤420)、对于图像分辨率为m×n的情况,定义一个含m个元素的数组row并清零,row的下标的合法范围为1~m;定义一个含n个元素的数组column,column的下标的合法范围为1~n;步骤430)、将S{PE}中的点进行两两比较,如果两个点的行坐标之差为零,则将数组row中以该行坐标为下标的元素值加一;同样,如果两个点的列坐标之差为零,则将数组column中以该列坐标为下标的元素值加一;步骤440)、在数组row的各个元素中寻找最大值,该最大值对应的下标即为矩形石英晶片模板的一条长边的行坐标,记作l1;在数组row的各个元素中寻找次最大值;步骤450)、在数组column的各个元素中寻找最大值,该最大值对应的下标即为矩形石英晶片模板的一条宽边的列坐标,记作w1;步骤460)、用y=l1和y=l2确定两条水平直线,用x=w1和x=w2确定两条垂直直线,此四条直线围成的封闭区域即为矩形石英晶片模板。
5.根据权利要求1所述的一种矩形石英晶片缺陷自动检测分类识别方法,其特征在于:所述的步骤50)中包括:步骤510)、将矩形石英晶片模板与矩形石英晶片实际目标相比较,如果在模板的范围内,矩形石英晶片实际目标有缺少的部分,则将其标为白色,然后对这些白色区域进行区域标记;步骤520)、取出步骤510)产生的白色区域中的面积最大者,如果该白色区域的面积大于断条面积门限值(记作ebas),则存在断条缺陷。
6.根据权利要求1所述的一种矩形石英晶片缺陷自动检测分类识别方法,其特征在于:所述的步骤60)中包括:步骤610)、将矩形石英晶片模板与矩形石英晶片实际目标相比较,如果在模板的范围内,矩形石英晶片实际目标有缺少的部分,则将其标为白色,然后对这些白色区域进行区域标记;步骤620)、保留步骤610)产生的白色区域中面积大于门限值euas的区域;步骤630)、在步骤620)中保留下来的白色区域中寻找面积最大者,计算其圆度,如果圆度大于圆度门限值eurs,则该白色区域就是外围的边缘不齐缺陷;步骤640)、如果在步骤630)中没有找到外围的边缘不齐缺陷,则在步骤620)中保留下来的其余白色区域中寻找面积最大者,再执行步骤630);如果步骤620)中保留下来的每一个白色区域都不是外围的边缘不齐缺陷,则结束步骤60)。
7.根据权利要求1所述的一种矩形石英晶片缺陷自动检测分类识别方法,其特征在于:所述的步骤70)中包括:步骤710)、将矩形石英晶片模板与矩形石英晶片实际目标相比较,如果在模板的范围内,矩形石英晶片实际目标有缺少的部分,则将其标为白色,然后对这些白色区域进行区域标记;步骤720)、保留步骤710)产生的白色区域中面积大于门限值edas的区域;步骤730)、在步骤720)中保留下来的白色区域中寻找面积最大者,计算其圆度,如果圆度小于圆度门限值edrs,则该白色区域就是外围的崩边缺陷;步骤740)、如果在步骤730)中没有找到外围的崩边缺陷,则在步骤720)中保留下来的其余白色区域中寻找面积最大者,再执行步骤730);在步骤720)中保留下来的每一个白色区域都不是外围的崩边缺陷,则结束步骤70)。
8.根据权利要求1所述的一种矩形石英晶片缺陷自动检测分类识别方法,其特征在于:所述的步骤80)中包括:步骤810)、按一定的像素数ScL将矩形石英晶片模板向其中心收缩,得到矩形石英晶片大辅助模板,矩形石英晶片大辅助模板的用途是避免截取正常边缘;步骤820)、将矩形石英晶片大辅助模板(全白)与矩形石英晶片实际目标的封闭边缘相比较,取出两者都是白色的部分进行区域标记;步骤830)、保留步骤820)产生的白色区域中面积大于门限值hdas的区域;步骤840)、在步骤830)中保留下来的白色区域中寻找面积最大者,计算其圆度,如果满足圆度条件(即小于圆度门限值hdrs),则执行步骤850),进行位置判断,如果不满足圆度条件,则在步骤830)中保留下来的其余白色区域中寻找面积最大者,再进行圆度条件判断,如果步骤830)中保留下来的每一个白色区域都不满足圆度条件,则结束步骤80);步骤850)、判断满足圆度条件的白色区域是否位于矩形石英晶片某个边的一定距离Dis的范围内,如果是,则该区域是边缘处的崩边缺陷,此即位置条件,如果位置条件不满足,则再执行步骤840),直至对最后一个满足圆度条件的白色区域进行了位置判断。
9.根据权利要求1所述的一种矩形石英晶片缺陷自动检测分类识别方法,其特征在于:所述的步骤90)中包括:步骤910)、按一定的像素数ScL将矩形石英晶片模板向其中心收缩,得到矩形石英晶片大辅助模板,矩形石英晶片大辅助模板的用途是避免截取正常边缘;步骤920)、将矩形石英晶片大辅助模板(全白)与矩形石英晶片实际目标的封闭边缘相比较,取出两者都是白色的部分进行区域标记;步骤930)、保留步骤920)产生的白色区域中面积大于门限值huas的区域;步骤940)、在步骤930)中保留下来的白色区域中寻找面积最大者,计算其圆度,如果满足圆度条件(即大于圆度门限值hurs),则执行步骤950),进行位置判断,如果不满足圆度条件,则在步骤930)中保留下来的其余白色区域中寻找面积最大者,再进行圆度条件判断,如果步骤930)中保留下来的每一个白色区域都不满足圆度条件,则结束步骤90);步骤950)、判断满足圆度条件的白色区域是否位于矩形石英晶片某个边的一定距离Dis的范围内,如果是,则该区域是边缘处的边缘不齐缺陷;此即位置条件,如果位置条件不满足,则再执行步骤940),直至对最后一个满足圆度条件的白色区域进行了位置判断。
10.根据权利要求1所述的一种矩形石英晶片缺陷自动检测分类识别方法,其特征在于:所述的步骤A0)中包括:步骤A10)、按一定的像素数ScL将矩形石英晶片模板向其中心收缩,得到矩形石英晶片大辅助模板,矩形石英晶片大辅助模板的用途是避免截取正常边缘;步骤A20)、将矩形石英晶片大辅助模板(全白)与矩形石英晶片实际目标的封闭边缘相比较,取出两者都是白色的部分进行区域标记;步骤A30)、保留步骤A20)产生的白色区域中面积大于门限值hras的区域;步骤A40)、在步骤A30)中保留下来的白色区域中寻找面积最大者,计算其圆度,如果满足圆度条件(即大于圆度门限值hrrs),则执行步骤A50),进行位置判断,如果不满足圆度条件,则在步骤A30)中保留下来的其余白色区域中寻找面积最大者,再进行圆度条件判断,如果步骤A30)中保留下来的每一个白色区域都不满足圆度条件,则结束步骤A0);步骤A50)、判断满足圆度条件的白色区域是否延伸到矩形石英晶片某个边的一定距离Dis以外,如果是,即满足位置条件,则执行步骤A60),进行灰度对比判断,如果位置条件不满足,则再执行步骤A40),直至对最后一个满足圆度条件的白色区域进行了位置判断;步骤A60)、判断满足位置条件的白色区域的灰度对比值是否满足灰度对比条件(即灰度对比值小于门限值hrgs),如果满足灰度对比条件,则该区域是边缘处的炸口缺陷,如果灰度对比条件不满足,则再执行步骤A40),直至对最后一个满足位置条件的白色区域进行了灰度对比判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110054813 CN102136061B (zh) | 2011-03-09 | 2011-03-09 | 一种矩形石英晶片缺陷自动检测分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110054813 CN102136061B (zh) | 2011-03-09 | 2011-03-09 | 一种矩形石英晶片缺陷自动检测分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102136061A true CN102136061A (zh) | 2011-07-27 |
CN102136061B CN102136061B (zh) | 2013-05-08 |
Family
ID=44295843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110054813 Expired - Fee Related CN102136061B (zh) | 2011-03-09 | 2011-03-09 | 一种矩形石英晶片缺陷自动检测分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102136061B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778621A (zh) * | 2012-04-20 | 2014-05-07 | 帝麦克斯(苏州)医疗科技有限公司 | 对外来物体碎片的识别方法 |
CN103913460A (zh) * | 2013-01-04 | 2014-07-09 | 北京兆维电子(集团)有限责任公司 | 一种在线纸病检测系统 |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN105548208A (zh) * | 2016-02-05 | 2016-05-04 | 湖北工业大学 | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 |
CN105869143A (zh) * | 2015-02-05 | 2016-08-17 | 东友精细化工有限公司 | 膜的检查方法 |
CN106651837A (zh) * | 2016-11-14 | 2017-05-10 | 中国科学院自动化研究所 | 白玻璃板表面崩边缺陷检测方法 |
CN107301637A (zh) * | 2017-05-22 | 2017-10-27 | 南京理工大学 | 近矩形平面状工业产品表面瑕疵检测方法 |
CN107945180A (zh) * | 2017-12-26 | 2018-04-20 | 浙江大学台州研究院 | 源于抛光的石英晶片表面浅划痕的视觉检测方法 |
CN108230388A (zh) * | 2018-02-06 | 2018-06-29 | 广西艾盛创制科技有限公司 | 一种白车身焊点图像的识别定位方法 |
CN109153119A (zh) * | 2016-04-19 | 2019-01-04 | 希尔甘控股公司 | 封闭盖的光学测量 |
CN109540904A (zh) * | 2018-12-12 | 2019-03-29 | 华侨大学 | 一种衬底表面宏观缺陷检测及分类系统 |
CN109632808A (zh) * | 2018-12-05 | 2019-04-16 | 深圳大学 | 棱边缺陷检测方法、装置、电子设备及存储介质 |
WO2019129160A1 (zh) * | 2017-12-29 | 2019-07-04 | 上海微电子装备(集团)股份有限公司 | 芯片崩边缺陷检测方法 |
CN110857920A (zh) * | 2018-08-24 | 2020-03-03 | 东华大学 | 一种卷装长丝的成型不良缺陷检测方法 |
CN111681222A (zh) * | 2020-04-16 | 2020-09-18 | 江苏京创先进电子科技有限公司 | 一种刀痕崩边自动检测判断方法及其应用的划片机 |
CN113077449A (zh) * | 2021-04-08 | 2021-07-06 | 仲恺农业工程学院 | 一种矩形晶片角缺陷的图像检测方法 |
TWI810103B (zh) * | 2022-09-07 | 2023-07-21 | 大陸商環旭電子股份有限公司 | 料盤上晶片的檢測方法、系統、存儲介質及智能終端 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0964082A1 (en) * | 1998-06-11 | 1999-12-15 | Shin-Etsu Handotai Company Limited | Silicon single crystal wafer and a method for producing it |
-
2011
- 2011-03-09 CN CN 201110054813 patent/CN102136061B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0964082A1 (en) * | 1998-06-11 | 1999-12-15 | Shin-Etsu Handotai Company Limited | Silicon single crystal wafer and a method for producing it |
Non-Patent Citations (5)
Title |
---|
《硕士学位论文》 20040301 李兵 晶振的缺陷检测和识别 全文 1-10 , * |
《硕士学位论文》 20090501 孙彦春 基于数字图像处理的水晶晶片缺陷检测 全文 1-10 , * |
廖广军等: "全自动上芯机的晶片检测系统", 《计算机工程与应用》 * |
张文俊: "基于数字图像处理的水晶晶片缺陷检测", 《南京理工大学硕士学位论文》 * |
韦青春等: "基于图像分析的IC晶片缺陷分类", 《第七届全国信息获取与处理学术会议论文集》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778621B (zh) * | 2012-04-20 | 2018-09-21 | 帝麦克斯(苏州)医疗科技有限公司 | 对外来物体碎片的识别方法 |
CN103778621A (zh) * | 2012-04-20 | 2014-05-07 | 帝麦克斯(苏州)医疗科技有限公司 | 对外来物体碎片的识别方法 |
CN103913460A (zh) * | 2013-01-04 | 2014-07-09 | 北京兆维电子(集团)有限责任公司 | 一种在线纸病检测系统 |
CN105869143A (zh) * | 2015-02-05 | 2016-08-17 | 东友精细化工有限公司 | 膜的检查方法 |
CN105869143B (zh) * | 2015-02-05 | 2020-06-05 | 东友精细化工有限公司 | 膜的检查方法 |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN105405142B (zh) * | 2015-11-12 | 2019-04-05 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN105548208A (zh) * | 2016-02-05 | 2016-05-04 | 湖北工业大学 | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 |
CN109153119A (zh) * | 2016-04-19 | 2019-01-04 | 希尔甘控股公司 | 封闭盖的光学测量 |
CN106651837A (zh) * | 2016-11-14 | 2017-05-10 | 中国科学院自动化研究所 | 白玻璃板表面崩边缺陷检测方法 |
CN106651837B (zh) * | 2016-11-14 | 2019-10-15 | 中国科学院自动化研究所 | 白玻璃板表面崩边缺陷检测方法 |
CN107301637B (zh) * | 2017-05-22 | 2020-08-11 | 南京理工大学 | 近矩形平面状工业产品表面瑕疵检测方法 |
CN107301637A (zh) * | 2017-05-22 | 2017-10-27 | 南京理工大学 | 近矩形平面状工业产品表面瑕疵检测方法 |
CN107945180A (zh) * | 2017-12-26 | 2018-04-20 | 浙江大学台州研究院 | 源于抛光的石英晶片表面浅划痕的视觉检测方法 |
WO2019129160A1 (zh) * | 2017-12-29 | 2019-07-04 | 上海微电子装备(集团)股份有限公司 | 芯片崩边缺陷检测方法 |
CN109991232A (zh) * | 2017-12-29 | 2019-07-09 | 上海微电子装备(集团)股份有限公司 | 芯片崩边缺陷检测方法 |
CN109991232B (zh) * | 2017-12-29 | 2022-02-15 | 上海微电子装备(集团)股份有限公司 | 芯片崩边缺陷检测方法 |
CN108230388B (zh) * | 2018-02-06 | 2021-04-23 | 广西艾盛创制科技有限公司 | 一种白车身焊点图像的识别定位方法 |
CN108230388A (zh) * | 2018-02-06 | 2018-06-29 | 广西艾盛创制科技有限公司 | 一种白车身焊点图像的识别定位方法 |
CN110857920A (zh) * | 2018-08-24 | 2020-03-03 | 东华大学 | 一种卷装长丝的成型不良缺陷检测方法 |
CN109632808B (zh) * | 2018-12-05 | 2021-11-09 | 深圳大学 | 棱边缺陷检测方法、装置、电子设备及存储介质 |
CN109632808A (zh) * | 2018-12-05 | 2019-04-16 | 深圳大学 | 棱边缺陷检测方法、装置、电子设备及存储介质 |
CN109540904A (zh) * | 2018-12-12 | 2019-03-29 | 华侨大学 | 一种衬底表面宏观缺陷检测及分类系统 |
CN111681222A (zh) * | 2020-04-16 | 2020-09-18 | 江苏京创先进电子科技有限公司 | 一种刀痕崩边自动检测判断方法及其应用的划片机 |
CN111681222B (zh) * | 2020-04-16 | 2023-11-14 | 江苏京创先进电子科技有限公司 | 一种刀痕崩边自动检测判断方法及其应用的划片机 |
CN113077449A (zh) * | 2021-04-08 | 2021-07-06 | 仲恺农业工程学院 | 一种矩形晶片角缺陷的图像检测方法 |
CN113077449B (zh) * | 2021-04-08 | 2022-04-08 | 仲恺农业工程学院 | 一种矩形晶片角缺陷的图像检测方法 |
TWI810103B (zh) * | 2022-09-07 | 2023-07-21 | 大陸商環旭電子股份有限公司 | 料盤上晶片的檢測方法、系統、存儲介質及智能終端 |
Also Published As
Publication number | Publication date |
---|---|
CN102136061B (zh) | 2013-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102136061B (zh) | 一种矩形石英晶片缺陷自动检测分类识别方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
TWI557650B (zh) | 用於識別材料中之缺陷之系統及方法 | |
CN102288613B (zh) | 一种灰度和深度信息融合的表面缺陷检测方法 | |
CN105784713B (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
US20100119113A1 (en) | Method and apparatus for detecting objects | |
CN110146516B (zh) | 基于正交双目机器视觉的水果分级装置 | |
CN108665458A (zh) | 透明体表面缺陷提取及识别方法 | |
CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及系统 | |
CN111582294A (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN111122590B (zh) | 一种陶瓷表面缺陷检测装置及检测方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN104700423A (zh) | 一种瓶盖检测方法和装置 | |
CN113298776B (zh) | 一种金属闭式水泵叶轮外观缺陷检测方法 | |
CN210071686U (zh) | 基于正交双目机器视觉的水果分级装置 | |
CN103345632A (zh) | 一种电池尾端表面划痕缺陷检测方法 | |
Deng et al. | Defect detection of bearing surfaces based on machine vision technique | |
CN106529551B (zh) | 面向包装行业的类圆对象智能识别计数检测方法 | |
CN106651837A (zh) | 白玻璃板表面崩边缺陷检测方法 | |
CN106546185A (zh) | 一种基于机器视觉检测的轮廓质量检测方法 | |
Li et al. | A two-stage crack detection method for concrete bridges using Convolutional Neural Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130508 Termination date: 20140309 |