CN108961218B - 太阳能硅片晶花提取方法 - Google Patents

太阳能硅片晶花提取方法 Download PDF

Info

Publication number
CN108961218B
CN108961218B CN201810592654.6A CN201810592654A CN108961218B CN 108961218 B CN108961218 B CN 108961218B CN 201810592654 A CN201810592654 A CN 201810592654A CN 108961218 B CN108961218 B CN 108961218B
Authority
CN
China
Prior art keywords
image
crystal
flowers
small window
refer
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
Application number
CN201810592654.6A
Other languages
English (en)
Other versions
CN108961218A (zh
Inventor
吴寅
陈维龙
吴慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Viswit Technologies Co ltd
Original Assignee
Wuxi Viswit Technologies Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Viswit Technologies Co ltd filed Critical Wuxi Viswit Technologies Co ltd
Priority to CN201810592654.6A priority Critical patent/CN108961218B/zh
Publication of CN108961218A publication Critical patent/CN108961218A/zh
Application granted granted Critical
Publication of CN108961218B publication Critical patent/CN108961218B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了太阳能硅片晶花提取方法，包括样本图像收集、样本图像分类、有晶花样本图像粗定位、有晶花样本图像背景构造、图像相减和晶花提取步骤，本发明采用卷积神经网络对硅片样本图像进行分类，识别率高，在硅片的晶花提取过程中采用背景构造，再将原始图像和背景图像相减来提取晶花区域，能够对晶花区域提取更精确，提高硅片的检测效率。

Description

太阳能硅片晶花提取方法
技术领域：
本发明属于太阳能硅片检测领域，特别涉及太阳能硅片晶花提取方法。
背景技术：
在大规模生产太阳能硅片过程中，由于生产工艺的影响，部分硅片表面会产生颜色深浅不同的花纹(又称晶花)，用户常常要求厂家对不同花纹的硅片进行分类供应，由于一天的硅片生产量相当大，同时硅片极易碎，人工检测往往效率低下，检测不精确，且成本高。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容：
本发明的目的在于提供太阳能硅片晶花提取方法，从而克服上述现有技术中的缺陷。
为实现上述目的，本发明采用的技术方案如下：
太阳能硅片晶花提取方法，包括以下步骤：
1)样本图像分类，采用卷积神经网络对收集的样本图像进行训练，并将收集的样本图像按照有晶花和无晶花进行分类；
2)有晶花的样本图像粗定位，将获取的步骤1)有晶花的样本图像以交叠窗口的样式分割成若干个小窗口，将每个小窗口图像传入神经网络进行识别，识别结果分为有晶花和无晶花两种，对于有晶花的地方，神经网络记录对应的小窗口的位置信息；
3)采用高斯滤波器对步骤2)经过粗定位的样本图像进行频域滤波；
4)构造背景图像
首先，根据公式：
Figure GDA0003068280250000021
x＝0,1,2,...,M-1；y＝0,1,2,...,N-1；
u＝0,1,2,...,M-1；v＝0,1,2,....,N-1；
Figure GDA0003068280250000022
其中M指图像的宽度，N指图像的高度，x、y为空间域采样值，u、v为频率采样值，f(x，y)指图像像素值，C(u，v)指离散余弦变换系数，对步骤3)的有晶花样本图像进行离散余弦变化，获得离散余弦变换系数；
其次，根据公式：
Figure GDA0003068280250000023
其中C(u，v)指离散余弦变换系数，
对步骤3)的有晶花样本图像的u和v方向进行滤波使步骤3)晶花区域特征更明显；
最后，根据公式：
Figure GDA0003068280250000024
其中M指图像的宽度，N指图像的高度，x、y为空间域采样值，u、v为频率采样值，f(x，y)指图像像素值，C(u，v)指离散余弦变换系数，对步骤3)的有晶花的样本图像进行二维离散余弦反变化从而构造出无缺陷的背景图像；
5)晶花区域精确定位
采用若干个小窗口对步骤3)滤波后的图像进行扫描，统计每个小窗口的灰度均值和方差；
采用若干个小窗口对步骤4)构造的背景图像进行扫描，统计每个小窗口的灰度均值和方差；
将步骤3)每个小窗口的灰度均值和方差与步骤4)每个小窗口的灰度均值和方差进行对比，并计算出对应的每个小窗口的灰度差，该灰度差的数值与预先设定的灰度差的数值进行比较，当该灰度差的数值大于预先设定的灰度差的数值时，该小窗口对应的位置即为晶花区域的精确位置；
6)晶花提取
对步骤5)的经精确定位的晶花区域采用图像形态学进行提取并计算面积，同时对晶花区域的位置信息及晶花区域的面积进行记录。
进一步的，步骤1)所述的样本图像的像素为300万像素-600万像素。
进一步的，步骤5)所述的小窗口的大小为200*200像素-500*500像素。
采用本发明的技术方案的有益效果是：
本发明采用卷积神经网络对硅片样本图像进行分类，识别率高，在硅片的晶花提取过程中采用背景构造，再将原始图像和背景图像相减来提取晶花区域，能够对晶花区域提取更精确，提高硅片的检测效率。
附图说明：
图1为本发明的太阳能硅片晶花提取方法的流程图；
图2为本发明的太阳能硅片的有晶花样本经滤波后的原始图像；
图3为本发明的太阳能硅片的有晶花样本的图像构造的背景图像；
图4为本发明的太阳能硅片的有晶花样本的原始图像与背景图像相减后的图像。
具体实施方式：
下面对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
如图1-4所示，太阳能硅片晶花提取方法，包括以下步骤：
1)样本图像分类，采用卷积神经网络对收集的样本图像进行训练，样本图像的大小为2568*1936像素，并将收集的样本图像按照有晶花和无晶花进行分类；
2)有晶花的样本图像粗定位，将获取的步骤1)有晶花的样本图像以交叠窗口的样式分割成若干个小窗口，每个小窗口为250*250像素，将每个小窗口图像传入神经网络进行识别，识别结果分为有晶花和无晶花两种，对于有晶花的地方，神经网络记录对应的小窗口的位置信息；
3)采用高斯滤波器对步骤2)经过粗定位的样本图像进行频域滤波；
4)构造背景图像
首先，根据公式：
Figure GDA0003068280250000041
x＝0,1,2,...,M-1；y＝0,1,2,...,N-1；
u＝0,1,2,...,M-1；v＝0,1,2,....,N-1；
Figure GDA0003068280250000051
其中M指图像的宽度，N指图像的高度，x、y为空间域采样值，u、v为频率采样值，f(x，y)指图像像素值，C(u，v)指离散余弦变换系数，对步骤3)的有晶花样本图像进行离散余弦变化，获得离散余弦变换系数；
其次，根据公式：
Figure GDA0003068280250000052
其中C(u，v)指离散余弦变换系数，
采用高斯滤波器对步骤3)的有晶花样本图像的u和v方向进行滤波使步骤3)晶花区域特征更明显；
最后，根据公式：
Figure GDA0003068280250000053
其中M指图像的宽度，N指图像的高度，x、y为空间域采样值，u、v为频率采样值，f(x，y)指图像像素值，C(u，v)指离散余弦变换系数，对步骤3)的有晶花的样本图像进行二维离散余弦反变化从而构造出无缺陷的背景图像；
5)晶花区域精确定位
采用若干个小窗口对步骤3)滤波后的图像进行扫描，统计每个小窗口的灰度均值和方差；
采用若干个小窗口对步骤4)构造的背景图像进行扫描，统计每个小窗口的灰度均值和方差；
将步骤3)每个小窗口的灰度均值和方差与步骤4)每个小窗口的灰度均值和方差进行对比，并计算出对应的每个小窗口的灰度差，该灰度差的数值与预先设定的灰度差的数值进行比较，当该灰度差的数值大于预先设定的灰度差的数值时，该小窗口对应的位置即为晶花区域的精确位置；
6)晶花提取
对步骤5)的经精确定位的晶花区域采用图像形态学进行提取并计算面积，同时对晶花区域的位置信息及晶花区域的面积进行记录。
进一步的，步骤5)所述的小窗口的大小为200*200像素-500*500像素。
本发明采用卷积神经网络对硅片样本图像进行分类，识别率高，在硅片的晶花提取过程中采用背景构造，再将原始图像和背景图像相减来提取晶花区域，能够对晶花区域提取更精确，提高硅片的检测效率。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (3)

1.太阳能硅片晶花提取方法，其特征在于：包括以下步骤：
1)样本图像分类，采用卷积神经网络对收集的样本图像进行训练，并将收集的样本图像按照有晶花和无晶花进行分类；
2)有晶花的样本图像粗定位，将获取的步骤1)有晶花的样本图像以交叠窗口的样式分割成若干个小窗口，将每个小窗口图像传入神经网络进行识别，识别结果分为有晶花和无晶花两种，对于有晶花的地方，神经网络记录对应的小窗口的位置信息；
3)采用高斯滤波器对步骤2)经过粗定位的样本图像进行频域滤波；
4)构造背景图像
首先，根据公式：
Figure FDA0003068280240000011
x＝0,1,2,...,M-1；y＝0,1,2,...,N-1；
u＝0,1,2,...,M-1；v＝0,1,2,....,N-1；
Figure FDA0003068280240000012
其中M指图像的宽度，N指图像的高度，x、y为空间域采样值，u、v为频率采样值，f(x，y)指图像像素值，C(u，v)指离散余弦变换系数，对步骤3)滤波后的样本图像进行离散余弦变化，获得离散余弦变换系数；
其次，根据公式：
Figure FDA0003068280240000013
其中C(u，v)指离散余弦变换系数，
对步骤3)滤波后的样本图像的u和v方向进行滤波使步骤3)晶花位置特征更明显；
最后，根据公式：
Figure FDA0003068280240000021
其中M指图像的宽度，N指图像的高度，x、y为空间域采样值，u、v为频率采样值，f(x，y)指图像像素值，C(u，v)指离散余弦变换系数，对步骤3)滤波后的样本图像进行二维离散余弦反变化从而构造出无缺陷的背景图像；
5)晶花区域精确定位
采用若干个小窗口对步骤3)滤波后的图像进行扫描，统计每个小窗口的灰度均值和方差；
采用若干个小窗口对步骤4)构造的背景图像进行扫描，统计每个小窗口的灰度均值和方差；
将步骤3)每个小窗口的灰度均值和方差与步骤4)每个小窗口的灰度均值和方差进行对比，并计算出对应的每个小窗口的灰度差，该灰度差的数值与预先设定的灰度差的数值进行比较，当该灰度差的数值大于预先设定的灰度差的数值时，该小窗口对应的位置即为晶花区域的精确位置；
6)晶花提取
对步骤5)的经精确定位的晶花区域采用图像形态学进行提取并计算面积，同时对晶花区域的位置信息及晶花区域的面积进行记录。
2.根据权利要求1所述的太阳能硅片晶花提取方法，其特征在于：步骤1)所述的样本图像的像素为300万像素-600万像素。
3.根据权利要求1所述的太阳能硅片晶花提取方法，其特征在于：步骤5)所述的小窗口的大小为200*200像素-500*500像素。
CN201810592654.6A 2018-06-11 2018-06-11 太阳能硅片晶花提取方法 Active CN108961218B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810592654.6A CN108961218B (zh) 2018-06-11 2018-06-11 太阳能硅片晶花提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810592654.6A CN108961218B (zh) 2018-06-11 2018-06-11 太阳能硅片晶花提取方法

Publications (2)

Publication Number Publication Date
CN108961218A CN108961218A (zh) 2018-12-07
CN108961218B true CN108961218B (zh) 2021-07-02

Family

ID=64488179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810592654.6A Active CN108961218B (zh) 2018-06-11 2018-06-11 太阳能硅片晶花提取方法

Country Status (1)

Country Link
CN (1) CN108961218B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110431407B (zh) * 2019-06-20 2020-08-25 长江存储科技有限责任公司 多晶硅表征方法
CN110969163B (zh) * 2019-12-20 2024-08-02 山东华尚电气有限公司 一种检测图像中文本信息的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160054151A (ko) * 2014-11-05 2016-05-16 한밭대학교 산학협력단 웨이블릿 변환에서 마스크 필터링을 이용한 얼룩 결함 자동 검출 시스템 및 방법
CN107845090A (zh) * 2017-10-27 2018-03-27 中国科学院物理研究所 一种硅片检测方法和硅片检测装置
CN108038486A (zh) * 2017-12-05 2018-05-15 河海大学 一种文字检测方法
CN108038464A (zh) * 2017-12-22 2018-05-15 新疆大学 一种新的hog特征维吾尔族人脸图像识别算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102306730B1 (ko) * 2016-12-28 2021-09-30 썬에디슨 세미컨덕터 리미티드 고유 게터링 및 게이트 산화물 무결성 수율을 갖도록 규소 웨이퍼들을 처리하는 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160054151A (ko) * 2014-11-05 2016-05-16 한밭대학교 산학협력단 웨이블릿 변환에서 마스크 필터링을 이용한 얼룩 결함 자동 검출 시스템 및 방법
CN107845090A (zh) * 2017-10-27 2018-03-27 中国科学院物理研究所 一种硅片检测方法和硅片检测装置
CN108038486A (zh) * 2017-12-05 2018-05-15 河海大学 一种文字检测方法
CN108038464A (zh) * 2017-12-22 2018-05-15 新疆大学 一种新的hog特征维吾尔族人脸图像识别算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于太阳能电池板表面花纹的分类识别系统;陈韶冬等;《光电技术应用》;20171031;第32卷(第5期);第52-56页 *

Also Published As

Publication number Publication date
CN108961218A (zh) 2018-12-07

Similar Documents

Publication Publication Date Title
CN108230264B (zh) 一种基于ResNet神经网络的单幅图像去雾方法
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN109507192B (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN103020965B (zh) 一种基于显著性检测的前景分割方法
CN109871884B (zh) 一种融合多特征的支持向量机面向对象遥感影像分类方法
CN111368825B (zh) 一种基于语义分割的指针定位方法
CN108961218B (zh) 太阳能硅片晶花提取方法
CN106023134B (zh) 一种钢材晶粒的自动晶界提取方法
CN106097256B (zh) 一种基于图像盲去模糊的视频图像模糊度检测方法
CN107301420A (zh) 一种基于显著性分析的热红外影像目标探测方法
CN107256547A (zh) 一种基于显著性检测的表面裂纹识别方法
CN103942555B (zh) 一种植物氮素含量丰缺图像检测方法
CN107610074B (zh) 一种提高遥感图像质量的方法
CN115311507B (zh) 基于数据处理的建筑板材分类方法
CN102289806B (zh) 一种利用多尺度形态学特征的图像清晰度度量方法
CN103293168A (zh) 基于视觉显著性的水果表面缺陷检测方法
CN113657335A (zh) 基于hsv颜色空间的矿相识别方法
CN112861654A (zh) 一种基于机器视觉的名优茶采摘点位置信息获取方法
KR100887183B1 (ko) 얼굴인식 전처리장치 및 방법과 이를 이용한얼굴인식시스템
CN106203536B (zh) 一种织物疵点的特征提取及检测方法
CN115330868A (zh) 一种基于深度学习与深度信息融合的葡萄采摘方法
CN114612399A (zh) 一种用于手机外观标记的图片识别系统及方法
TWI498830B (zh) 不均勻光線下的車牌辨識方法及系統
CN110349129B (zh) 一种高密度柔性ic基板外观缺陷检测方法
CN113744263B (zh) 一种小尺寸马赛克陶瓷表面缺陷快速检测的方法

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