CN104700085A - 一种基于模板匹配的芯片定位方法 - Google Patents
一种基于模板匹配的芯片定位方法 Download PDFInfo
- Publication number
- CN104700085A CN104700085A CN201510104012.3A CN201510104012A CN104700085A CN 104700085 A CN104700085 A CN 104700085A CN 201510104012 A CN201510104012 A CN 201510104012A CN 104700085 A CN104700085 A CN 104700085A
- Authority
- CN
- China
- Prior art keywords
- chip
- template
- image block
- pixel
- 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 Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于模板匹配的芯片定位方法,具体包括以下步骤:步骤一,制作模板;步骤二,对待定位图片进行预处理,增大背景与芯片基体的对比度;步骤三,对预处理后的图片进行图像分割,得到blob块,利用blob块的面积和blob块对应的最小外接矩形的边长信息排除存在连晶、缺损缺陷的芯片;获取剩下的blob块的最小外接矩形的中心位置坐标,以及短边与水平方向的夹角;步骤四,根据步骤三得出的中心位置坐标和夹角,在待定位图片上采用模板匹配芯片,定位出芯片的位置和角度。本方法主要适用于芯片制造过程中对芯片的定位,采用先筛选再匹配的方法能快速准确定位出合格芯片的位置,排除掉带有连晶、缺损缺陷的芯片。
Description
技术领域
本发明属于图像处理技术领域,更具体地,涉及一种基于模板匹配的芯片定位方法。
背景技术
在芯片制造过程中由于切割不良而导致产出的芯片中含有带连晶、缺损缺陷的芯片,影响芯片质量,需要对芯片进行定位,找出合格芯片,排除带连晶、缺损缺陷的芯片。现有技术中一般采用普适性模板匹配的方法来定位芯片,目前已经有的普适性匹配方法分为三类:基于灰度值的匹配方法、基于几何特征的匹配算法和基于梯度方向的匹配方法;其中基于灰度值的匹配方法在图像边缘模糊的情况下,也能较高精度地匹配出目标,但是该方法对光源的稳定性及均匀性要求很高;基于几何特征的匹配算法,包含基于几何基元以及包含基于特征角点的方法,对图像质量要求高,容易受到噪声干扰;直接运用基于梯度方向的匹配算法来定位芯片由于具有一定的容错能力,会把缺陷误当作成噪声,不能准确排除带连晶或缺损的缺陷芯片。
以上所述的方法都是普适性的方法,目前还没有针对芯片定位的模板匹配方法,普适性的模板匹配方法没有考虑芯片的特点和芯片制造工艺的要求,不能将带连晶或缺损的缺陷芯片排除掉。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于模板匹配的芯片定位方法,其目的在于通过模板逐步筛选待定位图片上的二值图像块(blob块)找出合格芯片对应的区域,然后在该区域内用模板参数匹配,定位出合格芯片的位置和角度;这种先筛选后匹配的方法能快速定位出合格芯片。
为实现上述目的,按照本发明的一个方面,提供了一种基于模板匹配的芯片定位方法,包括制作匹配模板过程和模板匹配定位过程,具体如下:
(1)采集待定位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;旋转多次直到遍历初始模板与拟匹配的芯片之间在水平方向的角度差;其中初始模板是指在待定位的图片上选取的一个旋平的合格芯片的图片;在本发明里,主要从切割工艺的角度判断芯片是否合格;选择轮廓清晰、内部电极边缘清晰且电极金线边缘清晰的合格芯片的图片作为初始模板;
(2)获取初始模板的面积、边长参数、像素点的梯度方向和梯度值以及模板匹配特征;并提取所有匹配模板的梯度方向和梯度值,完成模板制作;其中模板匹配特征是指每个匹配模板上其梯度值超过预设阈值的像素点的梯度方向;在模板匹配特征提取时,尽可能的选取集中在芯片基体与背景交界边缘、芯片发光区与芯片电极交界的边缘和芯片发光区与金线交界的边缘的像素点上提取梯度方向;
(3)对待定位的图片进行预处理以增加芯片基体与背景之间的对比度;对预处理后的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;
(4)以初始模板面积为基准在二值图像块中筛选出与初始模板面积匹配的二值图像块,称之为第一二值图像块;
(5)以初始模板边长为基准在第一二值图像块中筛选出其最小外接矩形边长与初始模板边长匹配的二值图像块,称之为第二二值图像块;所述第二二值图像块在待定位的图片上对应的区域即为目标区域;
(6)根据第二二值图像块的最小外接矩形中心点及最小外接矩形短边与水平方向的夹角在所述目标区域里匹配出合格芯片对应的区域;在第二二值图像块最小外接矩形中心点位置正负5个像素以内且最小外接矩形的短边与水平方向的夹角在正负5度以内的范围即合格芯片对应的区域;
(7)用模板匹配特征在所述合格芯片对应的区域去匹配对应像素点的梯度方向,遍历所述区域,直到找出与模板相关程度最大且相关程度值大于0.75的点的坐标和模板的旋转角度,即为合格芯片中心点的坐标与合格芯片的角度,由此定位出合格芯片。
优选的,在步骤(1)中,预设的步长在0到1度范围内选取,根据精度要求确定,选择适当的步长在保证精度的同时降低匹配复杂度。
优选的,步骤(3)中的预处理过程具体为: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,预处理过程中预设的边长范围为20至40像素,用该像素范围内的所有点的像素的平均值去均衡原始像素可在最大程度上增加芯片基体与背景之间的对比度。
优选的,预处理过程中,增强系数C在0到10之间取值,根据光源亮度及芯片种类确定。
优选的,步骤(4)具体为:比较二值图像块面积与初始模板面积,保留其面积大于模板面积85%小于模板面积115%的二值图像块,即第一二值图像块;将第一二值图像块的面积限定在模板面积的正负15%范围以内,可最大程度的筛选出合格芯片,避免误判。
优选的,步骤(5)具体为:以初始模板边长为基准在第一二值图像块中筛选出其最小外接矩形边长在初始模板对应的边长90%~110%范围内的二值图像块,即为第二二值图像块;将第二二值图像块的外接矩形边长限定在模板相应边长的正负10%范围内,进一步的缩小了筛选范围,提高了定位精度,同时也降低了梯度匹配的复杂度。
优选的,步骤(7)中,选取在最小外接矩形的短边与水平方向的夹角正负5度范围内的模板的模板匹配特征去做匹配,定位出合格芯片。
优选的,步骤(2)中,所述梯度值的预设阈值为0到40,在该范围取梯度值可将拟选取梯度方向的像素点全部限制芯片基体与背景的交界处、芯片电极与发光区的边缘上或电极金线与发光区的边缘上,增强芯片基体与背景的区分度,避免噪声干扰。
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)由于在制作模板时仅选取了特征点的梯度方向作为匹配特征,因此对噪声以及光照条件的变化有很好的适应性,使得本发明提供的芯片定位方法具有很高的抗干扰能力而且鲁棒性好;
(2)由于本发明采用了预处理的步骤,根据芯片基体与背景存在较大对比度这一特征,定位出合格芯片的潜在位置,而且排除掉了含连晶、缺损缺陷的芯片,大大缩小了拟匹配的区域,提高了芯片定位效率,降低了芯片定位的复杂度;
(3)由于本发明采用了先用模板参数筛选,然后用模板匹配特征去匹配的方法,极大的缩小了模板匹配的区域,提高了芯片定位效率;另一方面,相比于直接运用基于梯度方向的匹配算法来定位芯片的现有技术,由于在匹配之前有前置的二次筛选过程,极大的降低了把缺陷误当作成噪声所造成的误判可能性,提高了定位准确度。
附图说明
图1为本发明方法的流程图;
图2为实施例1中的原始LED芯片图片;
图3为实施例1中选取的模板图片;
图4为实施例1中原始LED芯片图片经过预处理后的图片;
图5为实施例1中对图4进行灰度阈值分割后的结果图;
图6为实施例1中对图5分割后得到的blob块经过筛选后剩下的blob块;
图7为实施例1中经过筛选后的blob块在原始图LED芯片图片上对应的区域;
图8为模板匹配的结果;
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-存在缺损缺陷的芯片,2-存在连晶缺陷的芯片。
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所示为本发明提供的芯片定位方法的流程图,具体包括模板制作和模板匹配定位两个主要步骤;其中,芯片定位步骤包括以下几个子步骤:图像的预处理以提高芯片基体与背景的对比度;图像分割及blob块分析,筛选出可能存在合格芯片的区域及芯片可能的角度;对筛选后的保留的blob块进行模板匹配定位。
图2所示为实施例1中原始LED芯片图片,以下以实施例1为例,说明本发明提供的芯片定位方法的具体实施过程:
(1)采集待定位的原始LED芯片图片,如图2所示;在待定位的原始LED芯片图片上选择一个轮廓清晰、内部电极边缘清晰且金线边缘清晰的旋平的合格芯片作为初始模板,如图3所示是实施例1中选取的模板图片;获取模板的面积AT和模板的边长,其中,lT为长边边长,wT短边边长,各参数值如下表1所示:
表1初始模板参数列表
模板参数 | 参数值 |
面积AT | 4347像素 |
长边边长lT | 69像素 |
短边边长wT | 63像素 |
(2)获取初始模板图像像素的梯度方向和梯度值,选取对应梯度值超过预设阈值的梯度方向作为模板匹配特征,使模板匹配特征集中在芯片基体与背景的边缘上,获取初始模板图像像素的梯度值G与梯度方向θ(-π<θ≤π)的方法具体如下:
采用Gx表示该像素在水平方向的梯度值,采用Gy表示该像素在竖直方向的梯度值;梯度值梯度方向角θ具体如下取值:
若Gx>0,则
若Gx<0并且Gy<0,则
若Gx<0并且Gy>0,则
若Gx=0并且Gy>0,则
若Gx=0并且Gy<0,则
若G<Constant,则表明该点不是特征点;
其中,Constant为梯度值的阈值,在实施例1里预设Constant=20;
(3)通过旋转初始模板制作更多的模板: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,直到遍历30度;根据以上步骤(2)的方法提取所有模板的梯度方向和梯度值,完成模板制作;在每个模板中选取梯度值大于Constant的像素点的梯度方向特征作为模板匹配特征;
(4)对图2所示的待定位的原始LED芯片图片进行预处理,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,
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;表示表示模板大小为30×30的像素的平均值;C为增强系数,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;特别的,若某像素值r(i,j)>=200,在预处理时令r(i,j)=200,以将整体像素值控制在合适范围内;
图4所示为图2经过预处理后的图像,通过对比图4与图2发现,经过预处理的图片上芯片基体变亮,背景变暗,预处理后的图片中芯片基体与背景的对比度得到明显提高;
(5)图像分割及blob分析:采用灰度阈值分割方法,利用芯片基体与背景在灰度上的差异,选取灰度阈值为70,通过将图4中的像素点灰度与灰度阈值进行比较,对图4进行图像分割;然后经过开运算和区域填充,得到多个blob块,分割后结果如图5所示,图5上白色色块为分割出来的blob块;结合图2与图5对比分析发现,blob块覆盖的区域几乎都含LED芯片;
(6)获取图5中各blob块的面积Ai,以模板的面积AT为基准进行初步筛选,排除掉Ai小于0.85*AT或面积大于1.15*AT的blob块;
(7)对经过步骤(6)筛选后保留的blob块进一步筛选:获取保留的每个blob块对应的最小外接矩形的边长,其中长边为li,短边为wi;对应的最小外接矩形的中心位置像素坐标(xi,yj),短边与水平方向的夹角αi,根据边长约束条件排除部分blob块,具体的:将li<90%lT或wi<90%wT或li>110%lT或wi>110%wT的blob块排除,其中,lT和wT为模板的边长;筛选出来的blob块如图6所示;
(8)经步骤(7)筛选后剩下的blob块在待定位的原始芯片图片上对应的区域为合格芯片潜在的分布区域;芯片的中心位置在以(xi,yj)为圆心,半径为5个像素的区域内,芯片的匹配角度在αi的正负5度之内;
表2为图6中blob块位置坐标(xi,yi)及其短边与水平方向夹角(逆时针方向为正)αi;排序方式按照图6中各blob从上倒下,从左到右的顺序编序号:
表2图6中Blob块的位置及角度参数
序号 | Row xi | Column yi | 角度αi(度) |
1 | 69 | 89 | 0 |
2 | 71.49 | 360.49 | 1.1 |
3 | 72.41 | 451.42 | 0.88 |
4 | 72.01 | 542.48 | 0.91 |
5 | 165.61 | 87.50 | 0.99 |
6 | 167.5 | 359 | 0 |
7 | 168 | 450 | 0 |
8 | 168.09 | 541.41 | 0.94 |
9 | 262 | 86 | 0 |
10 | 264.44 | 357.33 | 1.27 |
11 | 264.47 | 448.49 | 0.94 |
12 | 263.92 | 539.54 | 1.01 |
13 | 358.88 | 85.47 | 1.22 |
14 | 359.5 | 357 | 0 |
15 | 359.5 | 447 | 0 |
16 | 359.48 | 538.28 | 0.97 |
(9)芯片的匹配定位:步骤(8)获取的原始芯片图片上合格芯片对应的区域,如图7上灰色区域所示;
在图7所示的区域里,用模板匹配特征去匹配所述区域里对应点的梯度方向用150个模板逐个匹配,遍历所述区域,直到找出与模板相关程度最大且相关程度值大于0.75的点的坐标和模板的旋转角度;即为合格芯片中心点坐标(xsubpi,ysubpi)和角度θsubpi;匹配结果如图8所示,在原始芯片图像上,被匹配上的芯片用白色框标识,白色框中心的白色十字指向的中心点即为合格芯片的中心点。
从图8中可以看出,匹配上的均为合格芯片,含连晶、缺损缺陷的芯片均被排除。表3对应图8中被匹配上的芯片的位置及角度参数,对应图8上各芯片按照从左到右,从上到下的顺序编序号:
表3被匹配上的合格芯片的位置及角度参数
序号 | Row xsubpi | Column ysubpi | 角度θsubpi(度) |
1 | 69.70 | 89.84 | 0.038 |
2 | 72.14 | 360.90 | 0.036 |
3 | 72.07 | 452 | 0.46 |
4 | 72.77 | 542.96 | 0.19 |
5 | 165.83 | 88.06 | 0.18 |
6 | 168.73 | 359.67 | 0.35 |
7 | 168.68 | 451.52 | 0.59 |
8 | 168.77 | 541.71 | -0.33 |
9 | 262.09 | 86.77 | 1.04 |
10 | 263.96 | 358.18 | 0.06 |
11 | 264 | 459 | 0 |
12 | 264.10 | 541.03 | 0.24 |
13 | 358.38 | 85.95 | -1.32 |
14 | 359.82 | 357.27 | 0.49 |
15 | 360.60 | 448.08 | 0.71 |
16 | 359.98 | 539.09 | 0.25 |
通过本发明的实施例1提供的芯片定位方法,采用模板先筛选再匹配的方式,可快速的排除缺陷芯片,定位出合格芯片。
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 (9)
1.一种基于模板匹配的芯片定位方法,其特征在于,所述芯片定位方法具体如下:
(1)采集待定位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;旋转多次直到遍历初始模板与拟匹配的芯片之间在水平方向的角度差;其中初始模板是指在待定位的图片上选取一个旋平的合格芯片的图片;
(2)获取初始模板的面积、边长参数、像素点的梯度方向和梯度值以及模板匹配特征;并提取所有匹配模板的梯度方向和梯度值,完成模板制作;其中模板匹配特征是指每个匹配模板上其梯度值超过预设阈值的像素点的梯度方向;
(3)对待定位的图片进行预处理以增加芯片基体与背景之间的对比度;对预处理后的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;
(4)以初始模板面积为基准在二值图像块中筛选出与初始模板面积匹配的第一二值图像块;
(5)以初始模板边长为基准在第一二值图像块中筛选出其最小外接矩形边长与初始模板边长匹配的第二二值图像块;所述第二二值图像块在待定位的图片上对应的区域即为目标区域;
(6)根据第二二值图像块的最小外接矩形中心点及最小外接矩形短边与水平方向的夹角在所述目标区域里匹配出合格芯片对应的区域;在第二二值图像块最小外接矩形中心点位置正负5个像素以内且最小外接矩形的短边与水平方向的夹角在正负5度以内的范围即合格芯片对应的区域;
(7)用模板匹配特征在所述合格芯片对应的区域去匹配对应像素点的梯度方向,遍历所述区域,直到找出与模板相关程度最大且相关程度值大于0.75的点的坐标和模板的旋转角度,即为合格芯片中心点的坐标与合格芯片的角度,由此定位出合格芯片。
2.如权利要求1所述的芯片定位方法,其特征在于,步骤(1)中,预设的步长在0到1度范围内选取,根据精度要求确定。
3.如权利要求1所述的芯片定位方法,其特征在于,所述步骤(3)中的预处理过程具体为: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。
4.如权利要求3所述的芯片定位方法,其特征在于,所述预设的边长范围为20至40像素。
5.如权利要求3或4所述的芯片定位方法,其特征在于,预处理过程中,增强系数C在0到10之间取值。
6.如权利要求1所述的芯片定位方法,其特征在于,步骤(4)具体为:将二值图像块面积与初始模板面积进行比较,保留其面积大于模板面积85%小于模板面积115%的二值图像块。
7.如权利要求1所述的芯片定位方法,其特征在于,步骤(5)具体为:以初始模板边长为基准在第一二值图像块中筛选出其最小外接矩形边长在初始模板对应的边长90%~110%范围内的二值图像块。
8.如权利要求1所述的芯片定位方法,其特征在于,在步骤(7)中,选取在最小外接矩形的短边与水平方向的夹角正负5度范围内的模板的模板匹配特征去做匹配,定位出合格芯片。
9.如权利要求1所述的芯片定位方法,其特征在于,步骤(2)中,所述梯度值的预设阈值为0到40。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510104012.3A CN104700085B (zh) | 2015-03-10 | 2015-03-10 | 一种基于模板匹配的芯片定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510104012.3A CN104700085B (zh) | 2015-03-10 | 2015-03-10 | 一种基于模板匹配的芯片定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104700085A true CN104700085A (zh) | 2015-06-10 |
CN104700085B CN104700085B (zh) | 2018-02-27 |
Family
ID=53347184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510104012.3A Active CN104700085B (zh) | 2015-03-10 | 2015-03-10 | 一种基于模板匹配的芯片定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700085B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046271A (zh) * | 2015-06-25 | 2015-11-11 | 哈尔滨工业大学 | 基于模板匹配的melf元件定位与检测方法 |
CN106780437A (zh) * | 2016-11-11 | 2017-05-31 | 东南大学 | 一种快速qfn芯片塑封图像获取与放大方法 |
CN108335296A (zh) * | 2018-02-28 | 2018-07-27 | 中际山河科技有限责任公司 | 一种极板识别装置及方法 |
CN112085033A (zh) * | 2020-08-19 | 2020-12-15 | 浙江华睿科技有限公司 | 一种模板匹配方法、装置、电子设备及存储介质 |
CN112150541A (zh) * | 2020-09-10 | 2020-12-29 | 中国石油大学(华东) | 一种多led晶片定位算法 |
CN112184715A (zh) * | 2020-11-10 | 2021-01-05 | 武汉工程大学 | 一种bga图像的焊点理论中心计算方法 |
CN112216640A (zh) * | 2020-10-19 | 2021-01-12 | 惠州高视科技有限公司 | 一种半导体芯片定位方法和装置 |
CN112419224A (zh) * | 2020-07-17 | 2021-02-26 | 宁波智能装备研究院有限公司 | 一种球形引脚芯片定位方法及系统 |
WO2021134996A1 (zh) * | 2019-12-30 | 2021-07-08 | 研祥智能科技股份有限公司 | Led支架缺陷判定方法及系统 |
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 |
CN113305017A (zh) * | 2021-05-28 | 2021-08-27 | 柳州源创电喷技术有限公司 | 全自动阀芯综合智能检测分选方法 |
CN114187294A (zh) * | 2022-02-16 | 2022-03-15 | 常州铭赛机器人科技股份有限公司 | 基于先验信息的规则晶片定位方法 |
CN115062350A (zh) * | 2022-06-10 | 2022-09-16 | 深圳市一卓科技有限公司 | 物联网和安全芯片的关联匹配系统 |
CN115375679A (zh) * | 2022-10-24 | 2022-11-22 | 广东工业大学 | 一种缺陷芯片寻边寻点定位方法及装置 |
CN115423814A (zh) * | 2022-11-07 | 2022-12-02 | 江西兆驰半导体有限公司 | 芯片原点定位方法、装置、可读存储介质及电子设备 |
Citations (4)
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 |
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 |
-
2015
- 2015-03-10 CN CN201510104012.3A patent/CN104700085B/zh active Active
Patent Citations (4)
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 |
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 等: "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 等: "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 (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046271B (zh) * | 2015-06-25 | 2018-03-30 | 哈尔滨工业大学 | 基于模板匹配的melf元件定位与检测方法 |
CN105046271A (zh) * | 2015-06-25 | 2015-11-11 | 哈尔滨工业大学 | 基于模板匹配的melf元件定位与检测方法 |
CN106780437A (zh) * | 2016-11-11 | 2017-05-31 | 东南大学 | 一种快速qfn芯片塑封图像获取与放大方法 |
CN106780437B (zh) * | 2016-11-11 | 2019-10-11 | 东南大学 | 一种快速qfn芯片塑封图像获取与放大方法 |
CN108335296A (zh) * | 2018-02-28 | 2018-07-27 | 中际山河科技有限责任公司 | 一种极板识别装置及方法 |
CN108335296B (zh) * | 2018-02-28 | 2021-10-01 | 中际山河科技有限责任公司 | 一种极板识别装置及方法 |
WO2021134996A1 (zh) * | 2019-12-30 | 2021-07-08 | 研祥智能科技股份有限公司 | Led支架缺陷判定方法及系统 |
CN112419224A (zh) * | 2020-07-17 | 2021-02-26 | 宁波智能装备研究院有限公司 | 一种球形引脚芯片定位方法及系统 |
CN112419224B (zh) * | 2020-07-17 | 2021-08-27 | 宁波智能装备研究院有限公司 | 一种球形引脚芯片定位方法及系统 |
CN112085033A (zh) * | 2020-08-19 | 2020-12-15 | 浙江华睿科技有限公司 | 一种模板匹配方法、装置、电子设备及存储介质 |
CN112085033B (zh) * | 2020-08-19 | 2024-04-09 | 浙江华睿科技股份有限公司 | 一种模板匹配方法、装置、电子设备及存储介质 |
CN112150541A (zh) * | 2020-09-10 | 2020-12-29 | 中国石油大学(华东) | 一种多led晶片定位算法 |
CN112216640A (zh) * | 2020-10-19 | 2021-01-12 | 惠州高视科技有限公司 | 一种半导体芯片定位方法和装置 |
CN112184715B (zh) * | 2020-11-10 | 2022-07-19 | 武汉工程大学 | 一种bga图像的焊点理论中心计算方法 |
CN112184715A (zh) * | 2020-11-10 | 2021-01-05 | 武汉工程大学 | 一种bga图像的焊点理论中心计算方法 |
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 |
CN113305017A (zh) * | 2021-05-28 | 2021-08-27 | 柳州源创电喷技术有限公司 | 全自动阀芯综合智能检测分选方法 |
CN113305017B (zh) * | 2021-05-28 | 2022-11-08 | 柳州源创电喷技术有限公司 | 全自动阀芯综合智能检测分选方法 |
CN114187294A (zh) * | 2022-02-16 | 2022-03-15 | 常州铭赛机器人科技股份有限公司 | 基于先验信息的规则晶片定位方法 |
CN115062350A (zh) * | 2022-06-10 | 2022-09-16 | 深圳市一卓科技有限公司 | 物联网和安全芯片的关联匹配系统 |
CN115062350B (zh) * | 2022-06-10 | 2023-11-24 | 深圳市一卓科技有限公司 | 物联网和安全芯片的关联匹配系统 |
CN115375679A (zh) * | 2022-10-24 | 2022-11-22 | 广东工业大学 | 一种缺陷芯片寻边寻点定位方法及装置 |
CN115423814A (zh) * | 2022-11-07 | 2022-12-02 | 江西兆驰半导体有限公司 | 芯片原点定位方法、装置、可读存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104700085B (zh) | 2018-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700085A (zh) | 一种基于模板匹配的芯片定位方法 | |
WO2023134792A2 (zh) | 一种led灯芯缺陷检测方法 | |
US11915407B2 (en) | Automated system and method for clarity measurements and clarity grading | |
DE102020100684B4 (de) | Kennzeichnung von graphischen bezugsmarkierern | |
CN108876743B (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
CN114821114B (zh) | 一种基于视觉系统的坡口切割机器人图像处理方法 | |
CN103761534B (zh) | 一种用于qfp元件视觉定位的检测方法 | |
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 | |
CN106897994A (zh) | 一种基于分层图像的pcb板缺陷检测系统和方法 | |
CN107315012B (zh) | 聚晶金刚石复合片端面崩角的智能检测方法 | |
TWI497450B (zh) | 視訊物件追蹤方法 | |
CN106960208A (zh) | 一种仪表液晶数字自动切分和识别的方法及系统 | |
CN104677914A (zh) | 一种芯片连晶缺陷识别方法 | |
WO2020038312A1 (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
CN109767431A (zh) | 零件外观缺陷检测方法、装置、设备及可读存储介质 | |
CN102881017A (zh) | 一种细胞分离方法 | |
CN115546098A (zh) | 一种砂轮磨损状态识别方法、计算设备及存储介质 | |
CN112784894B (zh) | 一种岩石薄片显微图像自动标注方法 | |
CN116485801B (zh) | 基于计算机视觉的胶管质量在线检测方法及系统 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN111986802A (zh) | 一种肺腺癌病理分化等级的辅助判定系统及方法 | |
Gao et al. | Intelligent crack damage detection system in shield tunnel using combination of retinanet and optimal adaptive selection | |
Meng et al. | Defect detection of glassivation passivation parts wafer surface with random texture and different brightness | |
CA2939304A1 (en) | A pixel-based universal image info extraction models and process flow |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |