CN106409711B - 一种太阳能硅晶片缺陷检测系统及方法 - Google Patents
一种太阳能硅晶片缺陷检测系统及方法 Download PDFInfo
- Publication number
- CN106409711B CN106409711B CN201610817746.0A CN201610817746A CN106409711B CN 106409711 B CN106409711 B CN 106409711B CN 201610817746 A CN201610817746 A CN 201610817746A CN 106409711 B CN106409711 B CN 106409711B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- formula
- silicon wafer
- defect
- 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
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 107
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 107
- 239000010703 silicon Substances 0.000 title claims abstract description 107
- 230000007547 defect Effects 0.000 title claims abstract description 99
- 239000013078 crystal Substances 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims description 41
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 239000000463 material Substances 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000011109 contamination Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000005245 sintering Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000011017 operating method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000002950 deficient Effects 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 238000013467 fragmentation Methods 0.000 description 3
- 238000006062 fragmentation reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 206010027146 Melanoderma Diseases 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013083 solar photovoltaic technology Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67271—Sorting devices
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种太阳能硅晶片缺陷检测系统，包括：视觉图像采集系统、图像处理系统和分拣系统；所述视觉图像采集系统用于在硅晶片自动生产线上自动采集硅晶片的图像，所述图像处理系统用于分析采集到的硅晶片图像，并对硅晶片图像进行自动识别，并将识别的信号发送至分拣系统，分拣系统用于执行图像处理系统的信号，分拣出有缺陷的硅晶片，并将相同缺陷的硅晶片分拣至相同的分拣箱内，实现硅晶片的精准分拣。本发明还提供了一种基于本发明提供的太阳能硅晶片缺陷检测系统所进行的检测方法，能快速地传送硅晶片以及对硅晶片图像进行缺陷快速检测，满足流水线高速高精度的视觉检测要求。
Description
技术领域
本发明属于太阳能电池生产技术领域，具体涉及一种太阳能硅晶片缺陷检测系统及检测方法。
背景技术
太阳能光伏发电技术在解决边远无电地区和节约能源方面发挥着重要作用，光伏发电设备的关键设备是太阳能电池板，太阳能电池板的关键组件是硅晶片，硅晶片的好坏对发电效率有着重大的影响，硅晶片在生产过程中往往存在尺寸不合格和崩边、黑斑、隐裂等外观缺陷。
对硅晶片的传统人工检测精度低，主观性强，可重复性差，无法提供持续一致性检测结果，漏检误检率高；要运用机器视觉的方法对硅晶片进行图像检测，有必要设计一种硅晶片缺陷检测系统及方法。
申请号为CN200910183220.1的中国专利公开了“一种太阳能光伏组件电池片缺陷检测方法及检测仪”，该检测仪包括暗室，在暗室的内部设置有叠放的上抽屉和下抽屉，上抽屉与下抽屉内各设置有超白玻璃平台，在暗室的底部安装有45°角光学级高反射镜和图像采集设备，45°角光学级高反射镜与图像采集设备位于下抽屉的下方，超白玻璃平台安装有定位电极。通过光学反射的原理检测电池片上的缺陷，该检测仪检测的缺陷种类有限，精度较差，而且该检测仪只有检测功能，没有分拣功能，需要人工分拣，分拣效率低。申请号为CN201110313678.1的中国专利申请公开了“一种硅片及硅太阳电池片缺陷检测方法”，该检测方法，通过LED光源或激光器激发待测硅片或硅太阳电池片产生特定波长的发光信号，通过红外成像机构和计算机检测并处理硅片或硅太阳电池片发出的特定波长的发光信号，得到其可靠的缺陷参数数据。能方便快速地检测出硅片材料本身的缺陷、结晶缺陷、碎片、材料污染等缺陷，并且实现了无接触检测，具有结构简单、使用方便、缺陷参数检测可靠精确等优点和特点。但是该方法自动化程度低，检测数据未经过精确计算，检测结果的精度有限。
发明内容
为解决现有技术中存在的不足，本发明提供了一种太阳能硅晶片缺陷检测系统及方法，能快速地传送硅晶片以及对硅晶片图像进行缺陷快速检测，满足生产流水线上高速高精度的检测要求。
为实现上述技术方案，本发明提供了一种太阳能硅晶片缺陷检测系统，包括：视觉图像采集系统、图像处理系统和分拣系统；所述视觉图像采集系统包括上料机械臂、物料槽、物料台、工业相机、照明光源和传送皮带，所述物料槽固定在物料台台面上，上料机械臂安装在物料槽一侧，传送皮带安装在上料机械臂前方，工业相机安装在传送皮带中部的正上方，照明光源安装在工业相机的正下方；所述图像处理系统包括工控PC机、IO板卡、图像采集卡和图像处理软件，所述IO板卡、图像采集卡和图像处理软件均安装在工控PC机内，所述工业相机的信号输出端与图像采集卡的信号输入端连接，所述工控PC机通过IO板卡的信号输出端与分拣系统连接；所述分拣系统包括分拣机械臂、分拣箱和PLC，所述分拣机械臂安装在传送皮带的末端，分拣箱放置在分拣机械臂的一侧，PLC安装在物料台内置的电控柜内，所述分拣机械臂的信号输入端与PLC的信号输出端连接，PLC通过IO板卡与工控PC机连接。
优选的，所述视觉图像采集系统中的工业相机对放置在传送皮带上的硅晶片进行拍照，并将拍摄照片传输至图像处理系统中的工控PC机，所述工控PC机中的图像处理软件对拍摄照片依次进行图像预处理、图像分割和特征提取识别，然后将识别的信息传送至分拣系统中的PLC，PLC控制分拣机械臂将不同特征缺陷的硅晶片分拣至不同的分拣箱。
优选的，所述照明光源采用同轴环形光源，由于采用环形同轴的照明方式，同轴光能创建一个明视野，无透视畸变，适用于扁平、表面定位缺陷或者瑕疵的情形，可以提高工业相机采集图片的准确性。
本发明还提供了一种基于本发明提供的太阳能硅晶片缺陷检测系统所进行的检测方法，具体包括如下操作步骤：
S1、上料机械臂从物料槽中抓取硅晶片放入传送皮带上，电机控制传送皮带将待检测硅晶片送入至工业相机正下方的检测工位；
S2、PLC根据到位信号控制工业相机拍照，照明光源频闪，从而获取硅晶片图像；
S3、针对获取的硅晶片图像，图像处理软件自动测量硅晶片的几何特征值，所述的硅晶片几何特征值包括硅晶片的长度、宽度尺寸；将几何特征值与标准的特征值比较以检测硅晶片是否合格，同时在图像区域内检测硅晶片的缺陷，并根据各种缺陷的主要特征运用BP神经网络算法进行分类；
S4、经过检测工位后，工控PC机的图像处理结果通过IO板卡反馈给PLC，然后PLC控制分拣机械臂根据检测结果剔除尺寸不合格的产品，并将各种缺陷分别放入对应的分拣箱内。
优选的，所述步骤S3中，几何特征值的测量具体步骤如下：
S31、选定ROI处理区域；
S32、在选定的处理区域内查找边缘点，直到边缘点数量达到阈值或者区域扫描完毕；
S33、采用多次迭代拟合算法将多个边缘点拟合成边缘直线，所述多次迭代拟合算法包括：a)直线可以出现在图像坐标系中的任何方位，使用黑塞范式法来表示所有的直线，如公式1，为了从一系列点(ri，ci)，i＝1，……，n来拟合一条直线，用公式2式对这些点到这条直线的距离的平方和最小化处理，实际中需要引入约束条件α2+β2＝1作为拉格朗日乘子，公式2将变为公式3，当扫描到的边缘点距离比较集中时，采用公式3求取最优化解并进行迭代拟合：
αr+βc+γ＝0 公式1
b)当扫描到的边缘点距离比较松散时，由于直线距离远的那些点在最优化的过程中将会由非常大的权重，为了减少这些远离点的影响，可以为每个点引入权重wi，采用公式4进行迭代拟合：
c)权重wi按照公式5或者6计算：
τ＝2σδ 公式7
公式5和公式6中参数τ是消波因数，它定义哪些点应被视为离群值，所有距离≦τ的
点对应的权重都是1，对于距离大于τ的点，将获得一个更小的权重，此权重函数为
那些距离远的点选定了其距离值而不是平方距离值参加运算，由公式7计算得到，σδ表
示这些距离的标准偏差，由公式8计算得到；
S34、计算边缘直线到对应的边缘直线的像素距离，通过相机标定再将像素距离转换为实际距离，从而得到硅晶片的长度、宽度参数。
优选的，所述步骤S3中，在选定的处理区域运用Blob算法查找缺陷，图像区域内硅晶片的缺陷检测具体步骤如下：
S35、图像预处理：用灰度变换对选定的ROI区域进行图像预处理；
S36、图像分割：将预处理后的图像分割为构成斑点和局部背景的像素集合；
S37、用对每个区域进行连通区域提取，将目标图像聚合为目标像素或斑点的连接体，得出区域斑点的面积、周长参数。
优选的，所述步骤S3中，采用BP神经网络算法对各种缺陷进行分类，具体步骤如下：
S38、建立硅晶片常见各种缺陷的缺陷图像数据库，可以以缺陷为中心的200*200像素为单
幅缺陷图像大小，为后续的缺陷分类器设计提供了样本图像；
S39、选用Blob算法和灰度直方图方法计算图像的缺陷特征，得出的图像缺陷特征包括：
面积、周长、圆形度、区域质心、灰度均值、灰度标准差，将这一类对象的多个或多种特
性集合来形成一个一维或多维的特征向量，作为识别系统的输入；
其中Blob算法得出的图像区域描绘子中面积Aera根据公式9计算得到：
公式9中，R表示图像区域，m、n表示图像区域的m行n列，f(i，j)表示区域内点(i，
j)处的像素值；
Blob算法得出的图像区域描绘子中区域的周长P定义为边界的长度，边界的长度定义为边
界点数之和，其中，每个点是占面积为1的一个小方块，对图像的边缘像素做出标记，然
后累计边缘像素的个数，就得到了图像区域的周长；
Blob算法得出的图像区域描绘子中圆形度C根据公式10计算得到：
公式10中，P表示区域的周长，A表示区域的面积；
Blob算法得出的图像区域描绘子中区域质心(X，Y)根据公式11计算得到：
公式11中，m、n表示图像区域的m行和n列，xi、yi分别表示图像坐标系内(i，j)点的坐标值；
灰度直方图方法得出的图像区域描绘子中灰度均值M根据公式12计算得到：
公式12中，其中，L是灰度级总数，zi表示第i个灰度级，h(zi)表示直方图中统计的灰度为zi的像素个数；
灰度直方图方法得出的图像区域描绘子中灰度标准差σ是区域内所有像素灰度的标准差，灰度标准差反映了区域内灰度分布的均匀性，其计算公式如下式：
式中，f(x,y)为点(x，y)的像素值，S为区域内像素的个数，M表示区域的灰度均值；
S40、主要的缺陷特征描述子有面积、周长、圆形度、区域质心、灰度均值、灰度标准差共6种，要识别输出的缺陷种类有光污染、栅线缺失、水纹、崩边、缺角、隐裂、黑芯片、断栅、破片、材料缺陷、烧结和工艺污染，根据输入层数等于所选的主要特征数，输出层数等于输出的缺陷种类数，确定输入层、输出层数目分别为6和12，采用一般的经验公式12来确定隐层节点层数，经过多次试验确定最终的隐层节点层数为10：
公式14中，hide表示隐藏层个数，m和n分别为输入层和输出层节点数，a取1-10；
初始权值的选择通常的做法是选择(-1,1)之间的随机数，学习率n设置为0.5，动量因子a，选择经验默认值0.6，引入动量因子后可以加速网络收敛，选用公式13作为激励函数公式
公式15中y表示输入，定义域为[-∞，+∞],σ(y)表示输出，值域为[0,1]。
本发明提供的一种太阳能硅晶片缺陷检测系统及检测方法的有益效果在于：
(1)本太阳能硅晶片缺陷检测系统采用机器视觉获取图像的方法进行尺寸测量和缺陷检测，克服了传统的人工检测精度低，主观性强，可重复性差，无法提供持续一致性检测结果，漏检误检率高等不足；
(2)本太阳能硅晶片缺陷检测系统针对硅晶片这种产品，设计了同轴环形的光学照明方式，能够将常见缺陷显著的区别于背景图像，从而为缺陷检测带来了极大的便利；
(3)本太阳能硅晶片缺陷检测系统能保障硅晶片顺畅地传送到图像检测工位，还能基于图像处理方法快速地进行硅晶片尺寸测量和缺陷检测并对缺陷进行分类，能满足高速检测线上的实时性要求；
(4)本太阳能硅晶片缺陷检测方法，提供基于多次迭代拟合算法提取边缘信息的算法，能精准的定位到硅晶片的边缘直线特征，克服了传统的最小平方法拟合直线鲁棒性不高的缺点，从而显著的提高了尺寸测量结果的精度和准确性，通过Blob算法还能快速地检测出硅晶片是否存在缺陷及提取各种缺陷的主要特征，且本检测方法运用BP神经网络算法可对不同缺陷进行精确分类。
附图说明
图1是视觉检测系统结构示意图。
图2是视觉系统构成示意图。
图3为视觉检测系统总流程图。
图4为硅晶片缺陷及缺陷分类示意图Ⅰ。
图5为硅晶片缺陷及缺陷分类示意图Ⅱ。
图1中：1、上料机械臂；2、物料槽；3、物料台；4、工业相机；5、硅晶片、6、分拣机械臂；7、分拣箱；8、照明光源；9、传送皮带；10、工控PC机。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，均属于本发明的保护范围。
实施例1：一种太阳能硅晶片缺陷检测系统。
参照图1所示，一种太阳能硅晶片缺陷检测系统，包括：视觉图像采集系统、图像处理系统和分拣系统；所述视觉图像采集系统用于在硅晶片自动生产线上自动采集硅晶片的图像，所述图像处理系统用于分析采集到的硅晶片图像，并对硅晶片图像进行自动识别，并将识别的信号发送至分拣系统，分拣系统用于执行图像处理系统的信号，分拣出有缺陷的硅晶片，并将相同缺陷的硅晶片分拣至相同的分拣箱内，实现硅晶片的精准分拣。
参照图1和图2所示，所述视觉图像采集系统包括上料机械臂1、物料槽2、物料台3、工业相机4、照明光源8和传送皮带9，所述物料槽2固定在物料台3台面上，上料机械臂1安装在物料槽2一侧，传送皮带9安装在上料机械臂1前方，工业相机4安装在传送皮带9中部的正上方，照明光源8安装在工业相机4的正下方，所述图像处理系统包括工控PC机10，工控PC机10内安装有图像采集卡、图像处理软件和IO板卡，所述工控PC机10通过IO板卡的信号输出端与PLC的信号输入端连接，所述视觉图像采集系统中的上料机械臂1首先将放置在物料槽2内的硅晶片5取出放置在传送皮带9上，传送皮带9动作将硅晶片5传输至工业相机4的正下方，工业相机4对硅晶片5进行拍照，并将拍摄照片通过图像采集卡传输至图像处理系统中的工控PC机10，并通过工控PC机10中的图像处理软件对采集图像依次进行图像预处理、图像分割和特征提取识别；所述分拣系统包括分拣机械臂6、分拣箱7和PLC，所述分拣机械臂6安装在传送皮带9的末端，分拣箱7放置在分拣机械臂6的一侧，PLC安装在物料台3内置的电控柜内，所述分拣机械臂6的信号输入端与PLC的信号输出端连接，PLC通过IO板卡与工控PC机连接，所述图像处理软件对采集的图片进行预处理、分割和特征提取识别处理，然后将识别的信息传送至分拣系统中的PLC，PLC控制分拣机械臂6将不同特征的硅晶片5分拣至不同的分拣箱7。
本实施例中，所述照明光源采用同轴环形光源，由于采用环形同轴的照明方式，同轴光能创建一个明视野，无透视畸变，适用于扁平、光泽表面定位缺陷或者瑕疵的情形，可以提高工业相机采集图片的准确性。
实施例2：一种太阳能硅晶片缺陷检测方法。
参照图3所示，一种基于本发明提供的太阳能硅晶片缺陷检测系统所进行的检测方法，具体包括如下操作步骤：
S1、上料机械臂1从物料槽2中抓取硅晶片5放入传送皮带9上，电机控制传送皮带9将待检测硅晶片5送入至工业相机4正下方的检测工位；
S2、PLC根据到位信号控制工业相机4拍照，照明光源8频闪，从而获取硅晶片图像；
S3、针对获取的硅晶片图像，图像处理软件自动测量硅晶片的几何特征值，所述的硅晶片几何特征值包括硅晶片的长度、宽度尺寸；将几何特征值与标准的特征值比较以检测硅晶片是否合格，同时在图像区域内检测硅晶片的缺陷，并根据各种缺陷的主要特征运用BP神经网络算法进行分类；
S4、经过检测工位后，工控PC机10的图像处理结果通过IO板卡反馈给PLC，然后PLC控制分拣机械臂6根据检测结果剔除尺寸不合格的产品，并将各种缺陷分别放入对应的分拣箱7内。
优选的，所述步骤S3中，几何特征值的测量具体步骤如下：
S31、选定ROI处理区域；
S32、在选定的处理区域内查找边缘点，直到边缘点数量达到阈值或者区域扫描完毕；
S33、采用多次迭代拟合算法将多个边缘点拟合成边缘直线，所述多次迭代拟合算法包括：
a)直线可以出现在图像坐标系中的任何方位，使用黑塞范式法来表示所有的直线，如公式
1，为了从一系列点(ri，ci)，i＝1，……，n来拟合一条直线，用公式2式对这些点到这条直
线的距离的平方和最小化处理，实际中需要引入约束条件α2+β2＝1作为拉格朗日乘子，
公式2将变为公式3，当扫描到的边缘点距离比较集中时，采用公式3求取最优化解并进
行迭代拟合：
αr+βc+γ＝0 公式1
b)当扫描到的边缘点距离比较松散时，由于直线距离远的那些点在最优化的过程中将会由
非常大的权重，为了减少这些远离点的影响，可以为每个点引入权重wi，采用公式4进
行迭代拟合：
c)权重wi按照公式5或者6计算：
τ＝2σδ 公式7
公式5和公式6中参数τ是消波因数，它定义哪些点应被视为离群值，所有距离≦τ的
点对应的权重都是1，对于距离大于τ的点，将获得一个更小的权重，此权重函数为
那些距离远的点选定了其距离值而不是平方距离值参加运算，由公式7计算得到，σδ表
示这些距离的标准偏差，由公式8计算得到；
S34、计算边缘直线到对应的边缘直线的像素距离，通过相机标定再将像素距离转换为实际距离，从而得到硅晶片的长度、宽度参数。
优选的，所述步骤S3中，在选定的处理区域运用Blob算法查找缺陷，图像区域内硅晶片的缺陷检测具体步骤如下：
S35、图像预处理：用灰度变换对选定的ROI区域进行图像预处理；
S36、图像分割：将预处理后的图像分割为构成斑点和局部背景的像素集合；
S37、用对每个区域进行连通区域提取，将目标图像聚合为目标像素或斑点的连接体，得出区域斑点的面积、周长等参数。
优选的，所述步骤S3中，采用BP神经网络算法对各种缺陷进行分类，具体步骤如下：
S38、建立硅晶片常见各种缺陷的缺陷图像数据库，可以以缺陷为中心的200*200像素为单
幅缺陷图像大小，为后续的缺陷分类器设计提供了样本图像；
S39、选用Blob算法和灰度直方图方法计算图像的缺陷特征，得出的图像缺陷特征包括：
面积、周长、圆形度、区域质心、灰度均值、灰度标准差，将这一类对象的多个或多种特
性集合来形成一个一维或多维的特征向量，作为识别系统的输入；
其中Blob算法得出的图像区域描绘子中面积Aera根据公式9计算得到：
公式9中，R表示图像区域，m、n表示图像区域的m行n列，f(i，j)表示区域内点(i，
j)处的像素值；
Blob算法得出的图像区域描绘子中区域的周长P定义为边界的长度，边界的长度定义为边
界点数之和，其中，每个点是占面积为1的一个小方块，对图像的边缘像素做出标记，然
后累计边缘像素的个数，就得到了图像区域的周长；
Blob算法得出的图像区域描绘子中圆形度C根据公式10计算得到：
公式10中，P表示区域的周长，A表示区域的面积；
Blob算法得出的图像区域描绘子中区域质心(X，Y)根据公式11计算得到：
公式11中，m、n表示图像区域的m行和n列，xi、yi分别表示图像坐标系内(i，j)点的坐标值；
灰度直方图方法得出的图像区域描绘子中灰度均值M根据公式12计算得到：
公式12中，其中，L是灰度级总数，zi表示第i个灰度级，h(zi)表示直方图中统计的灰度为zi的像素个数；
灰度直方图方法得出的图像区域描绘子中灰度标准差σ是区域内所有像素灰度的标准差，灰度标准差反映了区域内灰度分布的均匀性，其计算公式如下式：
式中，f(x,y)为点(x，y)的像素值，S为区域内像素的个数，M表示区域的灰度均值；
S40、主要的缺陷特征描述子有面积、周长、圆形度、区域质心、灰度均值、灰度标准差共6种，要识别输出的缺陷种类有光污染、栅线缺失、水纹、崩边、缺角、隐裂、黑芯片、断栅、破片、材料缺陷、烧结和工艺污染，根据输入层数等于所选的主要特征数，输出层数等于输出的缺陷种类数，确定输入层、输出层数目分别为6和12，采用一般的经验公式12来确定隐层节点层数，经过多次试验确定最终的隐层节点层数为10：
公式14中，hide表示隐藏层个数，m和n分别为输入层和输出层节点数，a取1-10；
初始权值的选择通常的做法是选择(-1,1)之间的随机数，学习率n设置为0.5，动量因子
a，选择经验默认值0.6，引入动量因子后可以加速网络收敛，选用公式13作为激励函数公
式
公式15中y表示输入，定义域为[-∞，+∞],σ(y)表示输出，值域为[0,1]。
BP神经网络算法可以针对如图4和图5所示的光污染、栅线缺失、水纹、崩边、缺角、隐裂、黑芯片、断栅、破片、材料缺陷、烧结和工艺污染等各种硅晶片缺陷进行检测分类。
以上所述为本发明的较佳实施例而已，但本发明不应局限于该实施例和附图所公开的内容，所以凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。
Claims (5)
1.一种太阳能硅晶片缺陷检测系统，其特征在于包括：视觉图像采集系统、图像处理系统和分拣系统；
所述视觉图像采集系统包括上料机械臂、物料槽、物料台、工业相机、照明光源和传送皮带，所述物料槽固定在物料台台面上，上料机械臂安装在物料槽一侧，传送皮带安装在上料机械臂前方，工业相机安装在传送皮带中部的正上方，照明光源安装在工业相机的正下方；
所述图像处理系统包括工控PC机、IO板卡、图像采集卡和图像处理软件，所述IO板卡、图像采集卡和图像处理软件均安装在工控PC机内，所述工业相机的信号输出端与图像采集卡的信号输入端连接，所述工控PC机通过IO板卡的信号输出端与分拣系统连接；
所述分拣系统包括分拣机械臂、分拣箱和PLC，所述分拣机械臂安装在传送皮带的末端，分拣箱放置在分拣机械臂的一侧，PLC安装在物料台内置的电控柜内，所述分拣机械臂的信号输入端与PLC的信号输出端连接，PLC通过IO板卡与工控PC机连接；
使用所述太阳能硅晶片缺陷检测系统，具体包括如下操作步骤：
S1、上料机械臂从物料槽中抓取硅晶片放入传送皮带上，电机控制传送皮带将待检测硅晶片送入至工业相机正下方的检测工位；
S2、PLC根据到位信号控制工业相机拍照，照明光源频闪，从而获取硅晶片图像；
S3、针对获取的硅晶片图像，图像处理软件自动测量硅晶片的几何特征值，所述的硅晶片几何特征值包括硅晶片的长度、宽度尺寸；将几何特征值与标准的特征值比较以检测硅晶片是否合格，同时在图像区域内检测硅晶片的缺陷，并根据各种缺陷的主要特征运用BP神经网络算法进行分类；
S4、经过检测工位后，工控PC机的图像处理结果通过IO板卡反馈给PLC，然后PLC控制分拣机械臂根据检测结果剔除尺寸不合格的产品，并将各种缺陷分别放入对应的分拣箱内；所述步骤S3中，几何特征值的测量具体步骤如下：
S31、选定ROI处理区域；
S32、在选定的处理区域内查找边缘点，直到边缘点数量达到阈值或者区域扫描完毕；
S33、采用多次迭代拟合算法将多个边缘点拟合成边缘直线，所述多次迭代拟合算法包括：
a)直线出现在图像坐标系中的任何方位，使用黑塞范式法来表示所有的直线，公式1，为了从一系列点(ri，ci)，i＝1，……，n来拟合一条直线，用公式2式对这些点到这条直线的距离的平方和最小化处理，实际中需要引入约束条件α2+β2＝1作为拉格朗日乘子，公式2将变为公式3，当扫描到的边缘点距离比较集中时，采用公式3求取最优化解并进行迭代拟合：
αr+βc+γ＝0 公式1
b)当扫描到的边缘点距离比较松散时，由于直线距离远的那些点在最优化的过程中将会由非常大的权重，为了减少这些远离点的影响，为每个点引入权重wi，采用公式4进行迭代拟合：
c)权重wi按照公式5或者6计算：
τ＝2σδ 公式7
公式5和公式6中参数τ是消波因数，它定义哪些点应被视为离群值，所有距离≦τ的点对应的权重都是1，对于距离大于τ的点，将获得一个更小的权重，此权重函数为那些距离远的点选定了其距离值而不是平方距离值参加运算，由公式7计算得到，σδ表示这些距离的标准偏差，由公式8计算得到；
S34、计算边缘直线到对应的边缘直线的像素距离，通过相机标定再将像素距离转换为实际距离，从而得到硅晶片的长度、宽度参数。
2.如权利要求1所述的太阳能硅晶片缺陷检测系统，其特征在于：所述视觉图像采集系统中的工业相机对放置在传送皮带上的硅晶片进行拍照，并将拍摄照片传输至图像处理系统中的工控PC机，所述工控PC机中的图像处理软件对拍摄照片依次进行图像预处理、图像分割和特征提取识别，然后将识别的信息传送至分拣系统中的PLC，PLC控制分拣机械臂将不同特征缺陷的硅晶片分拣至不同的分拣箱。
3.如权利要求2所述的太阳能硅晶片缺陷检测系统，其特征在于：所述照明光源采用同轴环形光源。
4.如权利要求1所述的太阳能硅晶片缺陷检测系统，其特征在于：所述步骤S3中，在选定的处理区域运用Blob算法查找缺陷，图像区域内硅晶片的缺陷检测具体步骤如下：
S35、图像预处理：用灰度变换对选定的ROI区域进行图像预处理；
S36、图像分割：将预处理后的图像分割为构成斑点和局部背景的像素集合；
S37、用对每个区域进行连通区域提取，将目标图像聚合为目标像素或斑点的连接体，得出区域斑点的面积、周长参数。
5.如权利要求4所述的太阳能硅晶片缺陷检测系统，其特征在于：所述步骤S3中，采用BP神经网络算法对各种缺陷进行分类，具体步骤如下：
S38、建立硅晶片常见各种缺陷的缺陷图像数据库，以缺陷为中心的200*200像素为单幅缺陷图像大小，为后续的缺陷分类器设计提供了样本图像；
S39、选用Blob算法和灰度直方图方法计算图像的缺陷特征，得出的图像缺陷特征包括：面积、周长、圆形度、区域质心、灰度均值、灰度标准差，将这一类对象的多个或多种特性集合来形成一个一维或多维的特征向量，作为识别系统的输入；
其中Blob算法得出的图像区域描绘子中面积Aera根据公式9计算得到：
公式9中，R表示图像区域，m、n表示图像区域的m行n列，f(i，j)表示区域内点(i，j)处的像素值；
Blob算法得出的图像区域描绘子中区域的周长P定义为边界的长度，边界的长度定义为边界点数之和，其中，每个点是占面积为1的一个小方块，对图像的边缘像素做出标记，然后累计边缘像素的个数，就得到了图像区域的周长；
Blob算法得出的图像区域描绘子中圆形度C根据公式10计算得到：
公式10中，P表示区域的周长，A表示区域的面积；
Blob算法得出的图像区域描绘子中区域质心(X，Y)根据公式11计算得到：
公式11中，m、n表示图像区域的m行和n列，xi、yi分别表示图像坐标系内(i，j)点的坐标值；
灰度直方图方法得出的图像区域描绘子中灰度均值M根据公式12计算得到：
公式12中，其中，L是灰度级总数，zi表示第i个灰度级，h(zi)表示直方图中统计的灰度为zi的像素个数；
灰度直方图方法得出的图像区域描绘子中灰度标准差σ是区域内所有像素灰度的标准差，灰度标准差反映了区域内灰度分布的均匀性，其计算公式如下式：
式中，f(x,y)为点(x，y)的像素值，S为区域内像素的个数，M表示区域的灰度均值；
S40、主要的缺陷特征描述子有面积、周长、圆形度、区域质心、灰度均值、灰度标准差共6种，要识别输出的缺陷种类有光污染、栅线缺失、水纹、崩边、缺角、隐裂、黑芯片、断栅、破片、材料缺陷、烧结和工艺污染，根据输入层数等于所选的主要特征数，输出层数等于输出的缺陷种类数，确定输入层、输出层数目分别为6和12，采用一般的经验公式12来确定隐层节点层数，经过多次试验确定最终的隐层节点层数为10：
公式14中，hide表示隐藏层个数，m和n分别为输入层和输出层节点数，a取1-10；
初始权值的选择通常的做法是选择(-1,1)之间的随机数，学习率n设置为0.5，动量因子
a，选择经验默认值0.6，引入动量因子后加速网络收敛，选用公式13作为激励函数公式
公式15中y表示输入，定义域为[-∞，+∞],σ(y)表示输出，值域为[0,1]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610817746.0A CN106409711B (zh) | 2016-09-12 | 2016-09-12 | 一种太阳能硅晶片缺陷检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610817746.0A CN106409711B (zh) | 2016-09-12 | 2016-09-12 | 一种太阳能硅晶片缺陷检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106409711A CN106409711A (zh) | 2017-02-15 |
| CN106409711B true CN106409711B (zh) | 2019-03-12 |
Family
ID=57999578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610817746.0A Active CN106409711B (zh) | 2016-09-12 | 2016-09-12 | 一种太阳能硅晶片缺陷检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106409711B (zh) |
Families Citing this family (61)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102293789B1 (ko) * | 2016-10-17 | 2021-08-24 | 케이엘에이 코포레이션 | 검사 관련 알고리즘을 설정하는데 사용되는 트레이닝 세트의 최적화 |
| CN106839986B (zh) * | 2017-03-24 | 2023-07-21 | 中国计量大学 | 一种基于机器视觉和机器学习的双工位载带检测系统 |
| CN107024480A (zh) * | 2017-04-12 | 2017-08-08 | 浙江硕和机器人科技有限公司 | 一种立体图像采集装置 |
| CN107081275B (zh) * | 2017-04-26 | 2018-05-04 | 麦特达因（苏州）汽车部件有限公司 | 一种基于机器视觉的装配间隙距离检测系统及其检测方法 |
| CN107121436B (zh) * | 2017-04-27 | 2018-06-01 | 亚洲硅业（青海）有限公司 | 一种硅料品质的智能鉴别方法及鉴别装置 |
| CN106971957A (zh) * | 2017-05-31 | 2017-07-21 | 成都福誉科技有限公司 | 一种太阳能硅片的表面缺陷分选设备 |
| CN107104069A (zh) * | 2017-05-31 | 2017-08-29 | 成都福誉科技有限公司 | 一种太阳能硅片的送料机构 |
| CN106992128A (zh) * | 2017-05-31 | 2017-07-28 | 成都福誉科技有限公司 | 一种太阳能硅片的表面缺陷检测装置 |
| US10360671B2 (en) * | 2017-07-11 | 2019-07-23 | Kla-Tencor Corporation | Tool health monitoring and matching |
| CN107545565B (zh) * | 2017-07-27 | 2021-10-15 | 广西师范大学 | 一种太阳能网版检测方法 |
| US10713534B2 (en) * | 2017-09-01 | 2020-07-14 | Kla-Tencor Corp. | Training a learning based defect classifier |
| CN107490584B (zh) * | 2017-09-16 | 2020-06-09 | 河北工业大学 | 一种太阳能电池片el测试断栅缺陷检测方法 |
| CN107768282A (zh) * | 2017-09-19 | 2018-03-06 | 合肥流明新能源科技有限公司 | 一种用于晶体硅光伏组件的电池片分选方法 |
| CN107764832A (zh) * | 2017-09-29 | 2018-03-06 | 青海黄河上游水电开发有限责任公司光伏产业技术分公司 | 光伏组件的隐裂缺陷检测方法 |
| CN108172525B (zh) * | 2017-12-11 | 2020-09-18 | 中建材浚鑫科技有限公司 | 一种光伏层压件堆栈装置及其堆栈方法 |
| CN107966972A (zh) * | 2017-12-14 | 2018-04-27 | 杭州电子科技大学 | 一种全自动智能光伏电池检测与分拣设备的控制系统 |
| 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 |
| CN108188039A (zh) * | 2018-01-15 | 2018-06-22 | 苏州工业园区服务外包职业学院 | 一种水果自动分拣系统及方法 |
| CN108492291B (zh) * | 2018-03-12 | 2022-07-22 | 苏州天准科技股份有限公司 | 一种基于cnn分割的太阳能光伏硅片瑕疵检测系统及方法 |
| CN108254383B (zh) * | 2018-03-23 | 2024-02-27 | 河南鑫宇光科技股份有限公司 | 一种高精度光纤适配器视觉检测设备 |
| DK3801932T3 (da) * | 2018-06-07 | 2023-10-02 | Wilco Ag | Inspektionsproces og system |
| TWI787296B (zh) * | 2018-06-29 | 2022-12-21 | 由田新技股份有限公司 | 光學檢測方法、光學檢測裝置及光學檢測系統 |
| CN109003918B (zh) * | 2018-07-05 | 2020-06-30 | 汕头大学 | 一种芯片主动遍历匹配方法 |
| CN110717881A (zh) * | 2018-07-12 | 2020-01-21 | 长鑫存储技术有限公司 | 晶圆缺陷识别方法、装置、存储介质和终端设备 |
| CN108982514A (zh) * | 2018-07-12 | 2018-12-11 | 常州大学 | 一种铸件表面缺陷仿生视觉检测系统 |
| CN109142393A (zh) * | 2018-09-03 | 2019-01-04 | 佛亚智能装备（苏州）有限公司 | 一种缺陷分类方法、装置及系统 |
| CN109225941B (zh) * | 2018-10-10 | 2021-03-19 | 常熟理工学院 | 内螺纹攻丝情况自动检测与分拣系统及方法 |
| CN109324061B (zh) * | 2018-10-11 | 2023-09-22 | 广东德尔智慧工厂科技有限公司 | 一种锂电池极片的毛刺检测装置和方法 |
| CN111077164A (zh) * | 2018-10-20 | 2020-04-28 | 杭州纤纳光电科技有限公司 | 一种基于机器视觉的钙钛矿薄膜质量检测装置及方法 |
| 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 |
| CN109886990B (zh) * | 2019-01-29 | 2021-04-13 | 理光软件研究所（北京）有限公司 | 一种基于深度学习的图像分割系统 |
| CN110400315B (zh) * | 2019-08-01 | 2020-05-05 | 北京迈格威科技有限公司 | 一种缺陷检测方法、装置及系统 |
| WO2021066984A1 (en) * | 2019-09-30 | 2021-04-08 | Applied Materials, Inc. | Conveyor inspection system, substrate rotator, and test system having the same |
| CN111307814B (zh) * | 2019-11-29 | 2022-10-04 | 宜昌南玻硅材料有限公司 | 一种基于图像处理的硅块杂质检测方法 |
| CN110992336A (zh) * | 2019-12-02 | 2020-04-10 | 东莞西尼自动化科技有限公司 | 基于图像处理和人工智能的小样本缺陷检测方法 |
| CN111141754A (zh) * | 2019-12-30 | 2020-05-12 | 上海感图网络科技有限公司 | 一种基于ai视觉用于晶片检测的装置及方法 |
| CN111146108A (zh) * | 2020-01-10 | 2020-05-12 | 上海应用技术大学 | 太阳能电池板的断栅缺陷检测装置和方法 |
| CN111229648A (zh) * | 2020-01-19 | 2020-06-05 | 青岛滨海学院 | 基于机器视觉的太阳能电池板瑕疵检测系统及检测方法 |
| CN111289538B (zh) * | 2020-02-25 | 2023-08-29 | 青岛滨海学院 | 基于机器视觉的pcb板元件检测系统及检测方法 |
| CN111415381A (zh) * | 2020-02-27 | 2020-07-14 | 刘杰 | 区块链式即时信号处理平台 |
| CN111650210B (zh) * | 2020-06-11 | 2021-10-22 | 深圳市信宇人科技股份有限公司 | 高速高精度锂离子电池极片的毛刺检测方法及检测系统 |
| TWI770614B (zh) * | 2020-09-22 | 2022-07-11 | 南亞科技股份有限公司 | 機台監控系統與機台監控方法 |
| CN112232399B (zh) * | 2020-10-10 | 2022-04-15 | 南京埃斯顿机器人工程有限公司 | 基于多特征融合机器学习的汽车座椅缺陷检测方法 |
| CN112767304B (zh) * | 2020-12-04 | 2023-02-28 | 浙江大学山东工业技术研究院 | 一种基于视觉的太阳花模组位置和方向检测方法 |
| CN112767396B (zh) * | 2021-04-07 | 2021-07-20 | 深圳中科飞测科技股份有限公司 | 缺陷的检测方法、装置和计算机可读存储介质 |
| CN113155193B (zh) * | 2021-04-19 | 2022-12-13 | 上海磐盟电子材料有限公司 | 一种基于云计算的晶圆片智能检测分类方法、装置和系统 |
| CN113706461A (zh) * | 2021-07-19 | 2021-11-26 | 浙江中新电力工程建设有限公司配电分公司 | 一种基于图像识别的绝缘毯微缺陷识别系统 |
| CN113706468B (zh) * | 2021-07-27 | 2024-09-13 | 河北光兴半导体技术有限公司 | 基于bp神经网络的玻璃缺陷检测方法 |
| CN113406092B (zh) * | 2021-08-18 | 2022-01-11 | 阿里巴巴（中国）有限公司 | 数字化生产检测系统、方法、装置、设备及存储介质 |
| CN113723266B (zh) * | 2021-08-25 | 2022-11-22 | 贵州航天林泉电机有限公司 | 一种无刷电机冲片筛选系统及方法 |
| CN113770060A (zh) * | 2021-10-08 | 2021-12-10 | 苏州云灵智能科技有限公司 | 一种基于机器视觉的烟盒外包装分拣设备及其方法 |
| WO2023126689A1 (en) * | 2021-12-29 | 2023-07-06 | Harish Kumar | System and method for defect detection of a cell in an electric vehicle battery |
| CN114527131A (zh) * | 2021-12-30 | 2022-05-24 | 镇江苏仪德科技有限公司 | 一种原料硅片的内外部缺陷在线检测设备及检测方法 |
| CN114466183B (zh) * | 2022-02-21 | 2024-09-24 | 江东电子材料有限公司 | 基于特征光谱的铜箔瑕疵检测方法、装置和电子设备 |
| CN114813768A (zh) * | 2022-05-18 | 2022-07-29 | 南京威杰新材料有限公司 | 一种用于改性颗粒塑料的外观污点检测方法 |
| CN114701083B (zh) * | 2022-06-06 | 2022-08-05 | 广东高景太阳能科技有限公司 | 一种硅片切割原料处理方法、系统、介质及设备 |
| CN115100168B (zh) * | 2022-07-07 | 2024-08-20 | 天津大学 | 一种晶圆背封膜下亚表面缺陷检测系统及其方法 |
| CN115343293A (zh) * | 2022-08-10 | 2022-11-15 | 北京东土科技股份有限公司 | 基于机器视觉的阴极板检测控制系统及生产线 |
| CN115656214A (zh) * | 2022-09-07 | 2023-01-31 | 环旭电子股份有限公司 | 一种料盘上芯片的检测方法、系统、存储介质及智能终端 |
| CN115753813B (zh) * | 2022-11-01 | 2023-10-31 | 太原国科半导体光电研究院有限公司 | 检测晶圆缺陷的方法、装置、系统、存储介质及电子设备 |
| CN116741655B (zh) * | 2023-08-14 | 2023-12-08 | 福建鲲曜科技有限公司 | 硅片上料检测方法、装置、设备、介质及硅片上料系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009127572A1 (de) * | 2008-04-14 | 2009-10-22 | Nanophotonics Ag | Inspektionssystem und -verfahren für die optische untersuchung von objektoberflächen, insbesondere von waferoberflächen |
| CN101576508A (zh) * | 2009-05-27 | 2009-11-11 | 华南理工大学 | 芯片外观缺陷自动检测装置及检测方法 |
| CN103831253A (zh) * | 2014-02-17 | 2014-06-04 | 南京航空航天大学 | 基于dsp机器视觉的太阳能硅片表面检测装置及方法 |
| CN103913468A (zh) * | 2014-03-31 | 2014-07-09 | 湖南大学 | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 |
| CN104889074A (zh) * | 2015-06-19 | 2015-09-09 | 镇江苏仪德科技有限公司 | 镀膜后硅片缺陷检测分选设备 |
-
2016
- 2016-09-12 CN CN201610817746.0A patent/CN106409711B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009127572A1 (de) * | 2008-04-14 | 2009-10-22 | Nanophotonics Ag | Inspektionssystem und -verfahren für die optische untersuchung von objektoberflächen, insbesondere von waferoberflächen |
| CN101576508A (zh) * | 2009-05-27 | 2009-11-11 | 华南理工大学 | 芯片外观缺陷自动检测装置及检测方法 |
| CN103831253A (zh) * | 2014-02-17 | 2014-06-04 | 南京航空航天大学 | 基于dsp机器视觉的太阳能硅片表面检测装置及方法 |
| CN103913468A (zh) * | 2014-03-31 | 2014-07-09 | 湖南大学 | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 |
| CN104889074A (zh) * | 2015-06-19 | 2015-09-09 | 镇江苏仪德科技有限公司 | 镀膜后硅片缺陷检测分选设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106409711A (zh) | 2017-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106409711B (zh) | 一种太阳能硅晶片缺陷检测系统及方法 | |
| CN106733701B (zh) | 马铃薯多级联合智能缺陷检测系统及检测方法 | |
| CN102288613B (zh) | 一种灰度和深度信息融合的表面缺陷检测方法 | |
| CN113030108A (zh) | 一种基于机器视觉的涂层缺陷检测系统与方法 | |
| CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
| CN110689011A (zh) | 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法 | |
| CN206022316U (zh) | 一种太阳能硅晶片缺陷自动检测设备 | |
| Tao et al. | Weak scratch detection and defect classification methods for a large-aperture optical element | |
| CN108332689A (zh) | 一种检测表面粗糙度和表面损伤的光学测量系统及方法 | |
| CN101105459A (zh) | 一种空瓶瓶口缺陷的检测方法及装置 | |
| CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
| CN110146516A (zh) | 基于正交双目机器视觉的水果分级装置 | |
| CN113077450B (zh) | 基于深度卷积神经网络的樱桃分级检测方法及系统 | |
| CN110208269A (zh) | 一种玻璃表面异物与内部异物区分的方法及系统 | |
| CN110554052A (zh) | 一种人造板表面缺陷检测方法及其系统 | |
| CN109693140A (zh) | 一种智能化柔性生产线及其工作方法 | |
| Guo et al. | Research of the machine vision based PCB defect inspection system | |
| CN111558542A (zh) | 一种陶瓷瓦表面质量在线检测分拣系统及方法 | |
| CN116091505B (zh) | 一种蓝宝石衬底自动缺陷检测分类的方法和系统 | |
| CN210775265U (zh) | 一种人造板表面缺陷检测系统 | |
| CN109557098A (zh) | 基于机器视觉的金属表面检测系统 | |
| CN114529536A (zh) | 一种实木质量检测方法 | |
| CN109701890A (zh) | 磁瓦表面缺陷检测与分拣方法 | |
| CN116843615B (zh) | 一种基于柔性光路的引线框架智能全检方法 | |
| Lin et al. | Defect detection system for optical element surface based on machine vision |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20191217 Address after: Room A107, research building a, high tech think tank center, Nanhai software technology park, Shishan town, Nanhai District, Foshan City, Guangdong Province (application for residence) Patentee after: Guangdong fozhixin microelectronics technology research Co.,Ltd. Address before: 528200 industry think tank City, Foshan hi tech Zone, Guangdong Patentee before: FOSHAN NANHAI GUANGDONG TECHNOLOGY University CNC EQUIPMENT COOPERATIVE INNOVATION INSTITUTE |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A solar silicon wafer defect detection system and method Effective date of registration: 20201224 Granted publication date: 20190312 Pledgee: Guangdong Nanhai Rural Commercial Bank branch branch of Limited by Share Ltd. Pledgor: Guangdong fozhixin microelectronics technology research Co.,Ltd. Registration number: Y2020980009995 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20190312 Pledgee: Guangdong Nanhai Rural Commercial Bank branch branch of Limited by Share Ltd. Pledgor: Guangdong Xinhua Microelectronics Technology Co.,Ltd.|Guangdong fozhixin microelectronics technology research Co.,Ltd. Registration number: Y2020980009995 |