CN104677914A - 一种芯片连晶缺陷识别方法 - Google Patents
一种芯片连晶缺陷识别方法 Download PDFInfo
- Publication number
- CN104677914A CN104677914A CN201510104034.XA CN201510104034A CN104677914A CN 104677914 A CN104677914 A CN 104677914A CN 201510104034 A CN201510104034 A CN 201510104034A CN 104677914 A CN104677914 A CN 104677914A
- Authority
- CN
- China
- Prior art keywords
- chip
- picture
- image block
- template
- bianry image
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种芯片连晶缺陷识别方法,该发明主要用于在芯片制造过程中识别含连晶缺陷的不合格芯片;包括三个步骤:步骤一,对采集到的芯片图片进行模板匹配,定位出芯片的位置,根据芯片的位置,对图片进行截取;步骤二,对截取获得的图片进行预处理,增大芯片基体与背景的差别;步骤三、对经过预处理的图片进行分割,获取blob块,对blob块进行特征分析:首先以面积为基准判断出是否含连晶缺陷;对面积正常的blob块,获取其blob块最小外接矩形的中心点以及四边中点的位置,以中心点以及四边中点位置信息为基准识别blob块对应的芯片是否含连晶缺陷;本发明提供的芯片连晶缺陷方法在的识别率上有很大的提高。
Description
技术领域
本发明属于图像处理技术领域,更具体地,涉及一种芯片连晶缺陷识别方法。
背景技术
现有技术中有很多针对芯片缺陷识别的方法,但是并没有针对芯片连晶缺陷的识别方法,将芯片缺陷识别方法应用到连晶缺陷识别上,有一定的效果,但是很难满足现代芯片制造业对芯片缺陷的识别率及误判率的要求。比如根据二值图像块矩形度的识别方法,虽然在识别速度较快,但是它对芯片连晶缺陷的误判率较高,达不到芯片制造业对芯片缺陷识别率及误判率的要求。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种芯片连晶缺陷识别方法,其目的在于根据芯片对应的二值图像块(blob块)的最小外接矩形的四边中点位置与该芯片理想的四边中点位置进行对比的方式来识别芯片连晶缺陷,提高芯片制造过程中对芯片连晶缺陷的识别率。
为实现上述目的,按照本发明的一个方面,提供了一种芯片连晶缺陷识别方法,包括以下步骤:
(1)采集排列有待识别芯片的图片并根据图片获取初始模板,以预设步长旋转初始模板,每旋转一次获取一个匹配模板,多次旋转初始模板直到遍历初始模板与拟识别的芯片之间在水平方向的角度差;其中,初始模板是指在所述图片上选取的一个旋平的合格芯片的图片;在本发明里,主要从切割工艺上判断芯片是否合格,在原始芯片图片上选择一个轮廓清晰、内部电极边缘清晰且电极金线边缘清晰的旋平的合格芯片图片作为初始模板;
(2)获取初始模板的面积及其最小外接矩形的边长参数;获取所有模板的梯度方向,完成模板制作;
(3)采用匹配模板的梯度方向对待识别的芯片图片进行模板匹配,获取匹配上的芯片在图片上的像素坐标;其中,像素坐标为芯片中心点坐标;
(4)在所述待识别的图片上以芯片中心位置为中心,根据模板边长进行图片截取,获取独立的芯片基体图片;在本发明中以模板边长的1.5倍为边长进行图片截取;
(5)对所述芯片基体图片进行预处理以增加芯片基体与背景的对比度;
(6)对经过预处理的芯片基体图片采用灰度阈值分割方法进行图像分割,获取二值图像块;
(7)以模板面积为基准对二值图像块进行识别:面积与模板面积匹配的二值图像块为合格二值图像块,面积与模板面积不匹配的二值图像块对应的芯片为含连晶缺陷的芯片;
(8)以芯片在图片上的四边中点及中心点坐标的理想值为基准对合格二值图像块进行识别:最小外接矩形四边中点坐标与中心点坐标超出基准阈值范围的二值图像块所对应的芯片为含连晶缺陷的芯片;最小外接矩形四边中点坐标与中心点坐标在基准阈值范围内的二值图像块所对应的芯片为不含连晶缺陷的芯片。
优选的,所述步骤(5)对芯片基体图片进行预处理的过程具体为:根据式(1)以像素的平均值为基准调整像素的原始值,获得像素增强值以增加芯片基体与背景之间的对比度;
其中,i、j分别表示待定位图片上像素点(i,j)的横纵坐标;r(i,j)表示点(i,j)的像素原始值;表示以点(i,j)为中心预设边长范围内的所有点的像素的平均值;C为增强系数;s(i,j)表示经过处理后点(i,j)的像素增强值。
优选的,步骤(8)根据最小外接矩形参数进行连晶缺陷识别的过程具体如下:
(8.1)获取合格二值图像块的最小外接矩形的边长值、中心点坐标和四边中点的坐标;
(8.2)根据模板边长值和步骤(3)中所获取的匹配上的芯片在图片上的像素坐标值,获取芯片在图片上的四边中点及中心点坐标的理想值;
(8.3)以芯片在图片上的四边中点及中心点坐标的理想值为基准对合格二值图像块进行识别:通过比对芯片四边中点位置及中心点理想值与二值图像块最小外接矩形相应的四边中点及中心点位置实现:与理想值相比,最小外接矩形四边中点坐标与中心点坐标超出基准阈值范围的二值图像块所对应的芯片为含连晶缺陷的芯片;最小外接矩形四边中点坐标与中心点坐标在基准阈值范围内的二值图像块所对应的芯片为不含连晶缺陷的芯片。
优选的,步骤(7)中,若二值图像块面积超出模板面积的正负10%,则表明该二值图像块对应的芯片含连晶缺陷。
优选的,步骤(8)中的基准阈值范围取模板相应边边长的正负10%。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)由于本发明采用的预处理步骤提高了芯片基体与图片背景的对比度,提高了识别效率;另一方面,在步骤(8)利用芯片对应二值图像块的最小外接矩形四边中点位置和芯片实际四边中点位置进行对比的方式,提高了本发明提供的方法对芯片连晶缺陷的识别率;
(2)由于本发明采用的灰度阈值图像分割方法算法复杂度低,使得本发明提供的芯片连晶缺陷识别方法具有较快的识别速度;在4G内存,Pentium(R)Dual-Core,主频2.94GHz,型号为E6500的CPU下,用本发明提供的方法判断单颗芯片是否含连晶缺陷的时间在2ms以下;
(3)在本发明的优选方案里,取模板面积正负10%的范围为二值图像块面积判断基准,是实际芯片制造工艺中积累的最佳取值范围,在该范围取值既可达到芯片制造工艺对识别率的要求,又提高了识别效率。
附图说明
图1是本发明提供的芯片连晶缺陷识别方法的流程图;
图2为实施例1采集到的芯片图片;
图3为实施例1采用的匹配模板;
图4为实施例1显示匹配的结果示意图;
图5为实施例1经过连晶缺陷识别后的结果示意图;
在所有附图中,相同的附图标记用来表示相同的元件或结构,其中,1指的是合格的芯片,2指的是连晶缺陷的芯片,3、4、5、6表示含连晶缺陷的芯片,7、8、9、10指的是含连晶缺陷的芯片。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示是本发明提供的芯片连晶缺陷识别方法的流程图:制作模板,对采集到的图片进行模板匹配;然后根据匹配的位置截取图片;对截取到的图片进行预处理;然后对预处理获取到的图片进行图像分割获取blob块,通过blob块分析识别出含连晶缺陷的芯片。
以下结合具体的实施例1来具体阐述本发明提供的芯片连晶缺陷识别方法:
(1)采集排列有待识别LED芯片的图片,如图2所示;在该图片上选择一个轮廓清晰、内部电极边缘清晰、电极金线边缘清晰的旋平的芯片作为初始模板;在拟匹配的芯片角度的30度内,以0.2度为旋转步长,每旋转0.2度制作一个模板,同时提取每个模板的梯度方向特征;
(2)如图3所示是实施例1中选取的初始模板;获取初始模板的面积AT及模板的边长lT,wT,其中lT为长边边长,wT为短边边长;各参数具体值如下表1所示;
表1初始模板参数列表
模板参数 | 具体值及单位 |
面积AT | 4347像素 |
长边边长lT | 69像素 |
短边边长wT | 63像素 |
(3)采用匹配模板的梯度方向对待识别的图片进行模板匹配,获取匹配上的芯片在图片上的像素坐标;其中,像素坐标包括芯片中心点位置参数(xi,yi)和芯片四边中点坐标;表2对应图4里被匹配上的芯片中心点的位置参数,排序方式按照图4中有白色边框标识的芯片从上到下,从左到右的顺序。
表2图4里被匹配上的芯片的中心点位置参数
序号 | Row xi | Column yi |
1 | 76.46 | 105.94 |
2 | 78.65 | 286.92 |
3 | 79.82 | 378.48 |
4 | 81.71 | 469.14 |
5 | 82.58 | 560.78 |
6 | 174.50 | 104.01 |
7 | 177.61 | 284.98 |
8 | 178.73 | 376.24 |
9 | 179.86 | 467.00 |
10 | 180.21 | 558.47 |
11 | 272.00 | 102.00 |
12 | 275.54 | 282.76 |
13 | 276.66 | 374.86 |
14 | 277.61 | 465.88 |
15 | 277.03 | 556.98 |
16 | 369.18 | 101.00 |
17 | 373.95 | 280.91 |
18 | 373.77 | 372.98 |
19 | 375.21 | 463.90 |
20 | 375.52 | 554.87 |
(4)在待识别的图片上以芯片中心点为中心,以模板边长的1.5倍对图片进行截取,获取独立的芯片基体图片;
(5)对截取到的独立芯片基体图片进行预处理以增加芯片基体与背景的对比度:根据式(1)以像素的平均值为基准调整像素的原始值,获得像素增强值,
其中,i、j分别表示待定位图片上像素点(i,j)的横纵坐标;r(i,j)表示点(i,j)的像素原始值;表示表示模板大小31×31的像素的平均值;C为预设常数,在实施例1中取为5,s(i,j)表示点(i,j)经过处理后的像素增强值;若某像素值r(i,j)>=200,在预处理时,令r(i,j)=200;
(6)对经过预处理的芯片基体图片采用灰度阈值分割方法进行图像分割,获取blob块;
(7)以模板面积为基准对blob块进行识别:获取blob块的面积Ai,比较Ai与模板面积AT,若Ai≤AT*1.15,则认为该blob块合格blob,若Ai>AT*1.15,则该blob块对应的芯片存在连晶缺陷;
(8)以芯片在图片上的四边中点的理想值为基准对合格blob块进行识别,具体如下:
(8.1)获取合格blob块的最小外接矩形的边长值lci,wci、中心点坐标(xci,yci);由于在芯片制造过程中,芯片选择角度在正负10度以内,由此可以根据最小外接矩形的中心位置(xci,yci)及边长(lci,wci)获取blob最小外接矩形四边中点的位置,具体为:
最小外接矩形左边缘的中心位置(水平方向):xlci=xci-lci;
最小外接矩形右边缘的中心位置(水平方向):xrci=xci+lci;
最小外接矩形上边缘的中心位置(竖直方向):yuci=yci-wci;
最小外接矩形下边缘的中心位置(竖直方向):ydci=yci+wci。
(8.2)根据匹配得到的芯片的中心位置(xi,yi)与模板的边长lT,wT,获取芯片四边中心位置理想值xtlci,xtrci,ytuci,ytdci;
(8.3)以芯片四边中心位置理想值为基准对合格blob块进行识别,将芯片四边中心位置理想值与blob块最小外接矩形相应边的值进行比对,具体如下:
若xtlci-xlci>0.1*lT,表明该芯片存在连晶缺陷;
若xrci-xtrci>0.1*lT,表明该芯片存在连晶缺陷;
若ytuci-yuci>0.1*wT,表明该芯片存在连晶缺陷;
若ydci-ytdci>0.1*wT,表明该芯片存在连晶缺陷。
如果芯片对应的blob块的最小外接矩形的参数不满足以上四个条件,则表明该芯片不存在连晶缺陷。如图5所示的,白色边框标识的即为实施例1中识别出来的含连晶缺陷的芯片。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种芯片连晶缺陷识别方法,其特征在于,所述识别方法具体如下:
(1)采集排列有待识别芯片的图片并根据图片获取初始模板,以预设步长旋转初始模板,每旋转一次获取一个匹配模板,多次旋转初始模板直到遍历初始模板与拟识别的芯片之间在水平方向的角度差;其中,初始模板是指在所述图片上选取的一个旋平的合格芯片的图片;
(2)获取初始模板的面积及其最小外接矩形的边长参数;获取所有模板的梯度方向,完成模板制作;
(3)采用匹配模板的梯度方向对待识别的芯片图片进行模板匹配,获取匹配上的芯片在图片上的像素坐标;其中,像素坐标为芯片中心点坐标;
(4)在所述待识别的图片上以芯片中心位置为中心,根据模板边长进行图片截取,获取独立的芯片基体图片;
(5)对所述芯片基体图片进行预处理以增加芯片基体与背景的对比度;
(6)对经过预处理的芯片基体图片采用灰度阈值分割方法进行图像分割,获取二值图像块;
(7)以模板面积为基准对所述二值图像块进行识别:面积与模板面积匹配的二值图像块为合格二值图像块,面积与模板面积不匹配的二值图像块对应的芯片为含连晶缺陷的芯片;
(8)以芯片在图片上的四边中点及中心点坐标的理想值为基准对合格二值图像块进行识别,通过比对芯片四边中心位置理想值与二值图像块最小外接矩形相应的四边中点位置实现:与理想值相比,最小外接矩形四边中点坐标与中心点坐标超出基准阈值范围的二值图像块所对应的芯片为含连晶缺陷的芯片;最小外接矩形四边中点坐标与中心点坐标在基准阈值范围内的二值图像块所对应的芯片为不含连晶缺陷的芯片。
2.如权利要求1所述的芯片定位方法,其特征在于,所述步骤(5)具体为:根据式(1)以像素的平均值为基准调整像素的原始值,获得像素增强值以增加芯片基体与背景之间的对比度;
其中,i、j分别表示待定位图片上像素点(i,j)的横纵坐标,r(i,j)表示点(i,j)的像素原始值;表示以点(i,j)为中心预设边长范围内的所有点的像素的平均值;C为增强系数;s(i,j)表示经过处理后点(i,j)的像素增强值。
3.如权利要求1或2所述的芯片定位方法,其特征在于,所述步骤(8)具体如下:
(8.1)获取合格二值图像块的最小外接矩形的边长值、中心点坐标和四边中点的坐标;
(8.2)根据模板边长值和步骤(3)中所获取的匹配上的芯片在图片上的像素坐标值,获取芯片在图片上的四边中点及中心点坐标的理想值;
(8.3)以芯片在图片上的四边中点及中心点坐标的理想值为基准对合格二值图像块进行识别:通过比对芯片四边中心位置理想值与二值图像块最小外接矩形相应的四边中点位置实现:与理想值相比,最小外接矩形四边中点坐标与中心点坐标超出基准阈值范围的二值图像块所对应的芯片为含连晶缺陷的芯片;最小外接矩形四边中点坐标与中心点坐标在基准阈值范围内的二值图像块所对应的芯片为不含连晶缺陷的芯片。
4.如权利要求1至3任一项所述的芯片定位方法,其特征在于,所述步骤(7)中,若二值图像块面积超出模板面积的正负10%,则表明该二值图像块对应的芯片含连晶缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510104034.XA CN104677914B (zh) | 2015-03-10 | 2015-03-10 | 一种芯片连晶缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510104034.XA CN104677914B (zh) | 2015-03-10 | 2015-03-10 | 一种芯片连晶缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104677914A true CN104677914A (zh) | 2015-06-03 |
CN104677914B CN104677914B (zh) | 2017-03-08 |
Family
ID=53313262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510104034.XA Active CN104677914B (zh) | 2015-03-10 | 2015-03-10 | 一种芯片连晶缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104677914B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105445277A (zh) * | 2015-11-12 | 2016-03-30 | 湖北工业大学 | 一种fpc表面质量视觉智能检测方法 |
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 |
CN106383121A (zh) * | 2016-06-22 | 2017-02-08 | 深圳市联君科技股份有限公司 | 一种可自适应多品牌的视觉检测方法及系统 |
CN108956616A (zh) * | 2018-05-31 | 2018-12-07 | 南京航空航天大学 | 一种基于图像的工件缺陷检测方法 |
CN110265529A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市汇大光电科技股份有限公司 | 引脚灯制造工艺和金线检测系统 |
CN111415878A (zh) * | 2020-03-30 | 2020-07-14 | 英特尔产品(成都)有限公司 | 晶圆级自动检测方法、设备及系统 |
US20210027444A1 (en) * | 2019-07-23 | 2021-01-28 | Wistron Corp. | Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof |
CN113269743A (zh) * | 2021-05-20 | 2021-08-17 | 北京理工大学重庆创新中心 | 一种基于迭代平移核实的芯片数量检测方法 |
CN113405994A (zh) * | 2021-06-24 | 2021-09-17 | 深圳回收宝科技有限公司 | 一种缺陷检测方法及缺陷检测系统 |
TWI761806B (zh) * | 2019-07-23 | 2022-04-21 | 緯創資通股份有限公司 | 影像辨識裝置、影像辨識方法及其電腦程式產品 |
CN114897881A (zh) * | 2022-06-10 | 2022-08-12 | 合肥工业大学 | 一种基于边缘特征的晶粒缺陷检测方法 |
US11455490B2 (en) | 2019-07-23 | 2022-09-27 | Wistron Corp. | Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof |
US11521015B2 (en) | 2019-07-23 | 2022-12-06 | Wistron Corp. | Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6175417B1 (en) * | 1998-02-13 | 2001-01-16 | Micron Technology, Inc. | Method and apparatus for detecting defects in the manufacture of an electronic device |
JP2002181718A (ja) * | 2000-12-14 | 2002-06-26 | Dainippon Printing Co Ltd | ホログラムシートの検査方法及び検査装置 |
US20100202706A1 (en) * | 2009-02-12 | 2010-08-12 | Maria Gabrani | Ic layout pattern matching and classification system and method |
CN102937595A (zh) * | 2012-11-13 | 2013-02-20 | 浙江省电力公司电力科学研究院 | 一种pcb板检测方法、装置及系统 |
CN102938077A (zh) * | 2012-10-25 | 2013-02-20 | 渭南师范学院 | 基于双阈值二值化的在线式aoi图像检索方法 |
-
2015
- 2015-03-10 CN CN201510104034.XA patent/CN104677914B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6175417B1 (en) * | 1998-02-13 | 2001-01-16 | Micron Technology, Inc. | Method and apparatus for detecting defects in the manufacture of an electronic device |
JP2002181718A (ja) * | 2000-12-14 | 2002-06-26 | Dainippon Printing Co Ltd | ホログラムシートの検査方法及び検査装置 |
US20100202706A1 (en) * | 2009-02-12 | 2010-08-12 | Maria Gabrani | Ic layout pattern matching and classification system and method |
CN102938077A (zh) * | 2012-10-25 | 2013-02-20 | 渭南师范学院 | 基于双阈值二值化的在线式aoi图像检索方法 |
CN102937595A (zh) * | 2012-11-13 | 2013-02-20 | 浙江省电力公司电力科学研究院 | 一种pcb板检测方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
朱铮涛,张宏: "基于特征点的形状匹配技术及其算法实现", 《计算机工程与设计》 * |
王平,白秀玲: "基于改进模板匹配的芯片缺陷检测方法", 《微计算机信息(测控自动化)》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105445277A (zh) * | 2015-11-12 | 2016-03-30 | 湖北工业大学 | 一种fpc表面质量视觉智能检测方法 |
CN105445277B (zh) * | 2015-11-12 | 2018-02-06 | 湖北工业大学 | 一种fpc表面质量视觉智能检测方法 |
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 |
CN106383121A (zh) * | 2016-06-22 | 2017-02-08 | 深圳市联君科技股份有限公司 | 一种可自适应多品牌的视觉检测方法及系统 |
CN106383121B (zh) * | 2016-06-22 | 2019-11-05 | 深圳市联君科技股份有限公司 | 一种可自适应多品牌的视觉检测方法及系统 |
CN108956616A (zh) * | 2018-05-31 | 2018-12-07 | 南京航空航天大学 | 一种基于图像的工件缺陷检测方法 |
CN110265529A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市汇大光电科技股份有限公司 | 引脚灯制造工艺和金线检测系统 |
US20210027444A1 (en) * | 2019-07-23 | 2021-01-28 | Wistron Corp. | Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof |
TWI761806B (zh) * | 2019-07-23 | 2022-04-21 | 緯創資通股份有限公司 | 影像辨識裝置、影像辨識方法及其電腦程式產品 |
US11423531B2 (en) * | 2019-07-23 | 2022-08-23 | Wistron Corp. | Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof |
US11455490B2 (en) | 2019-07-23 | 2022-09-27 | Wistron Corp. | Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof |
US11521015B2 (en) | 2019-07-23 | 2022-12-06 | Wistron Corp. | Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof |
CN111415878A (zh) * | 2020-03-30 | 2020-07-14 | 英特尔产品(成都)有限公司 | 晶圆级自动检测方法、设备及系统 |
CN111415878B (zh) * | 2020-03-30 | 2023-09-12 | 英特尔产品(成都)有限公司 | 晶圆级自动检测方法、设备及系统 |
CN113269743A (zh) * | 2021-05-20 | 2021-08-17 | 北京理工大学重庆创新中心 | 一种基于迭代平移核实的芯片数量检测方法 |
CN113405994A (zh) * | 2021-06-24 | 2021-09-17 | 深圳回收宝科技有限公司 | 一种缺陷检测方法及缺陷检测系统 |
CN114897881A (zh) * | 2022-06-10 | 2022-08-12 | 合肥工业大学 | 一种基于边缘特征的晶粒缺陷检测方法 |
CN114897881B (zh) * | 2022-06-10 | 2024-06-07 | 合肥工业大学 | 一种基于边缘特征的晶粒缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104677914B (zh) | 2017-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104677914A (zh) | 一种芯片连晶缺陷识别方法 | |
CN108765371B (zh) | 一种病理切片中非常规细胞的分割方法 | |
CN108648182B (zh) | 一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法 | |
CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
CN108694393A (zh) | 一种基于深度卷积的证件图像文本区域提取方法 | |
CN103336946B (zh) | 一种基于双目立体视觉的成簇状番茄识别方法 | |
CN104700085A (zh) | 一种基于模板匹配的芯片定位方法 | |
CN104636721B (zh) | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 | |
CN107610129B (zh) | 一种基于cnn的多模态鼻咽部肿瘤联合分割方法 | |
CN104574327B (zh) | 一种乳腺图像处理方法和装置 | |
CN110059697A (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN106651882A (zh) | 一种基于机器视觉的燕窝杂质识别与检测方法及装置 | |
CN102956035A (zh) | 用于乳腺x线图像中提取乳腺区域的预处理方法及系统 | |
CN105354533B (zh) | 一种基于词袋模型的卡口无牌车辆车型识别方法 | |
CN102073872B (zh) | 基于图像的寄生虫虫卵形状识别方法 | |
CN116912255B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
CN103530644A (zh) | 条纹织物组织结构自动识别方法 | |
CN106127735A (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
CN107256633A (zh) | 一种基于单目摄像头三维估计的车型分类方法 | |
CN117808806B (zh) | 基于图像特征分析的饲料生产质量精细化检测方法 | |
CN111582276A (zh) | 一种基于多特征融合的寄生虫虫卵的识别方法及系统 | |
CN112258532B (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
CN104504692B (zh) | 基于区域对比度的图像中显著对象的提取方法 | |
CN109816667A (zh) | 一种基于ct影像的肺结节分割方法 | |
CN106485714B (zh) | 三维影像分割系统及其分割方法 |
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 |