CN109191433A - 柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法 - Google Patents
柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法 Download PDFInfo
- Publication number
- CN109191433A CN109191433A CN201810858023.4A CN201810858023A CN109191433A CN 109191433 A CN109191433 A CN 109191433A CN 201810858023 A CN201810858023 A CN 201810858023A CN 109191433 A CN109191433 A CN 109191433A
- Authority
- CN
- China
- Prior art keywords
- copper foil
- foil surface
- image
- surface roughness
- roughness
- 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.)
- Pending
Links
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 121
- 230000003746 surface roughness Effects 0.000 title claims abstract description 61
- 239000000758 substrate Substances 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 22
- 239000010949 copper Substances 0.000 title claims abstract description 22
- 238000003384 imaging method Methods 0.000 title claims abstract description 18
- 239000011889 copper foil Substances 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000004040 coloring Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 210000004218 nerve net Anatomy 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 241000817702 Acetabula Species 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 239000011888 foil Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229940127554 medical product Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007788 roughening Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法，该方法采用柔性IC基板显微成像系统及铜箔表面粗糙度Ra检测分析系统。其中，铜箔表面粗糙度Ra检测分析包括建立训练样本库、分割铜箔表面、提取图像特征、训练神经网络、计算铜箔表面粗糙度Ra模块。本发明利用神经网络建立图像纹理特征与铜箔表面粗糙度的关系，输入待检测的铜箔表面纹理特征参数，从而计算得到铜箔表面粗糙度Ra。本发明方法为非接触式检测方法，避免对铜箔表面的损伤，解决了柔性IC基板覆铜表面粗糙度Ra的快速检测难题。
Description
技术领域
本发明属于柔性IC基板工艺制造质量检测技术领域，特别涉及一种柔性IC基板铜箔表面粗糙度Ra的显微成像检测方法。
背景技术
随着柔性电路板在智能手机、平板电脑和液晶显示屏，以及军工产品、航空航天产品、医疗产品和汽车产品领域的应用越来越广泛，柔性IC基板的制造工艺要求越来越高，对柔性IC基板制造工艺中的质量管控也越来越严格。
柔性电路板最常用的导体层是铜箔，因此覆铜技术是柔性IC基板制造的重要工艺，其主要性能指标有表面粗糙度、铜箔厚度和质量电阻系数等。其中，铜箔的表面粗糙度对铜面与干膜、湿膜和防焊油墨的结合力大小有重要的影响。表面粗糙度过小，导致附着力不足，后续工艺或使用中易发生浮离和掉油墨现象；反之表面粗糙度过大，附着力太强，除膜又比较麻烦；若铜箔表面极度不均匀，则会造成局部结合力好，星星点点的粗糙部位结合力差，从而发生其他镀层与铜箔表面分层问题。覆铜前除油、清洗等工艺以及覆铜后的粗化等工艺的不完善均会导致铜箔表面粗糙度过大过小和不均匀的状况。随着近年来精密电子的快速发展，柔性电路板的线路要求越来越精细，对铜箔表面粗糙度的管控显得越来越重要。
目前，表面粗糙度的测量方法有接触式测量法和非接触式测量法两类。接触式测量法在电路板制造工艺的质量检测中使用较广，但测试速度慢且对铜箔表面具有不可逆的破坏性。非接触式测量法具有测试精度高、速度快、重复性好，且不会刮伤待测表面的优点。因此，研究基于机器视觉的非接触测量法具有重要的意义。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法，解决了柔性IC基板覆铜表面粗糙度Ra的快速检测难题。
本发明的目的至少通过如下技术方案之一实现。
本发明的一种柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法，包括：
S1.柔性IC基板显微成像：柔性IC基板由于其重量轻、易弯曲等特性，将其直接放置于设备底座进行拍摄，会导致获取的图像因柔性IC基板的物理弯曲而展现出凹凸不平的曲面现象，不能真实反映表面粗糙度。因此系统在设备底座安装吸盘装置，将柔性IC基板用吸盘固定在设备底座，采用金相显微镜对柔性IC基板进行光学放大，再运用CCD工业相机采集柔性IC基板样本图像；
S2.铜箔表面粗糙度Ra检测分析：包括建立训练样本库、分割铜箔表面、提取图像特征、训练神经网络、计算铜箔表面粗糙度Ra模块，首先将采集的柔性IC基板样本图像及相应粗糙度Ra储存在训练样本库中，然后分割铜箔表面，提取其纹理特征，利用神经网络建立图像纹理特征与铜箔表面粗糙度Ra的关系，最后输入待检测的铜箔表面纹理特征参数，从而计算得到铜箔表面粗糙度Ra；
进一步地，所述步骤S2中的铜箔表面粗糙度Ra检测分析，步骤如下：
Sa、建立训练样本库：采集大量(理论上越多越好)不同粗糙度的柔性IC基板样本图像，分割其铜箔表面并提取纹理特征参数，用触针式粗糙度仪测量相应柔性IC基板的铜箔表面粗糙度Ra，将不同粗糙度的柔性IC基板的铜箔表面纹理特征和粗糙度Ra参数保存在训练样本数据库中；
Sb、分割铜箔表面：根据铜箔表面呈黄色的颜色特征，运用彩色分割技术将铜箔表面从样本图像中分割出来；
Sc、提取图像特征：提取铜箔表面的图像纹理特征，采用灰度共生矩阵法的能量与熵值参数，Tamura纹理特征法的粗糙度与对比度；
Sd、训练神经网络：将训练样本数据库的纹理特征参数作为神经网络的输入，粗糙度Ra为输出，训练神经网络；
Se、计算铜箔表面粗糙度Ra：分割待测样本的铜箔表面，提取其纹理特征，将纹理特征输入到训练好的神经网络，输出得到铜箔表面粗糙度Ra；
进一步地，所述步骤Sb中的分割铜箔表面，步骤如下：
Sb1、对图像进行高斯平滑处理，使颜色均匀，减少噪声；
Sb2、从训练样本数据库中计算获取铜箔表面的颜色信息区间，包括色调区间[H1，H2]，饱和度区间[S1，S2]，其中H1、H2、S1、S2为给定阈值；
Sb3、将彩色样本图像从RGB空间转换为HIS空间，在HIS空间中对样本图像中的任一像素进行检测，将色调及饱和度均落在预先给定的区间中的像素分割出来；
Sb4、从分割出来的铜箔图像中提取面积最大的方形区域作为该块铜箔区域的检测样本；
进一步地，所述步骤Sc中的提取图像特征，步骤如下：
Sc1、运用灰度共生矩阵法，生成灰度共生矩阵，方法如下：
对分割出来的铜箔表面图像进行灰度化与灰度级量化处理，取图像中任意一点(x，y)及偏离它的另一点(x+a，y+b)为像素对，对应的灰度值为(g1，g2)。其中当a＝1，b＝0时，像素对是水平的，即0度扫描；当a＝0，b＝1时，像素对是垂直的，即90度扫描；当a＝1，b＝1时，像素对是右对角线的，即45度扫描；当a＝-1，b＝1时，像素对是左对角线，即135度扫描。
令点(x，y)在整个画面上移动，则会得到各种(g1，g2)值，统计(g1，g2)值出现的次数。灰度值的级数为k，则(g1，g2)的组合共有k2种，将k2种像素对灰度统计值排列成一个方阵。将像素对灰度统计值归一化为出现的概率P(g1，g2)，这样的方阵称为灰度共生矩阵。
提取灰度共生矩阵的能量特征参数ASM：
其中，G(i,j)为灰度共生矩阵的第i行，第j列元素的值；
提取灰度共生矩阵的熵值特征参数ENT：
Sc2、运用Tamura纹理特征法，提取粗糙度特征参数：
扫描图像中以点(x，y)为起始点的大小为2n×2n的矩形邻域窗口，则计算点(x，y)矩形邻域中像素的平均强度值，即：
其中，g(i,j)是位于矩形邻域窗口(i，j)处像素的灰度值，n＝0,1,···,5；
对于每个像素，分别计算它在水平和垂直方向上互不重叠的窗口之间的平均强度差，即：
En,x(x,y)＝|An(x+2n-1,y)-An(x-2n-1,y)|
En,y(x,y)＝|An(x,y+2n-1)-An(x,y-2n-1)|
其中对于每个像素，用使E值达到最大的n值来设置最佳尺寸：
Sbest(x,y)＝2n
检测样本图像大小为X×X，通过计算整幅检测样本图像中的平均值，得到粗糙度：
提取对比度特征参数，首先计算峰度α4：
其中，μ4四次矩，σ4是方差σ2的平方；
整个图像区域中的对比度为：
进一步地，所述步骤Sd中的训练神经网络，步骤如下：
Sd1、建立神经网络，确定神经网络层数N，输入层、输出层节点个数n1、n2，第i层隐藏层节点个数hi，其中i＝N-2；
Sd2、将训练样本数据库的纹理特征参数(ASM、ENT、Fcrs、Fcon)作为神经网络的输入，由于输出节点数有限，故先将粗糙度Ra进行量化，将量化后的粗糙度Ra作为输出，训练神经网络；
进一步地，所述步骤Se中的计算铜箔表面粗糙度Ra，步骤如下：
Se1、采集待检测柔性IC基板的显微图像；
Se2、根据颜色特征分割柔性IC基板的显微图像的铜箔表面，提取图像检测样本；
Se3、提取铜箔检测样本表面的纹理特征；
Se4、将纹理特征参数输入训练好的神经网络，输出得到铜箔表面粗糙度Ra。
与现有技术相比，本发明具有如下优点和技术效果：本发明采用柔性IC基板显微成像系统及铜箔表面粗糙度Ra检测分析系统，本发明的方法为非接触式检测方法，避免对铜箔表面的损伤，解决了柔性IC基板覆铜表面粗糙度Ra的快速检测难题。
附图说明
图1为实施例中检测系统及检测算法示意图。
具体实施方式
下面结合实施例及附图对本发明的实施作进一步详细的描述，但本发明的实施方式和保护不限于此，需指出的是，以下若有未特别详细说明之过程或参数，均是本领域技术人员可参照现有技术理解或实现的。
实施例
本实施例公开了一种柔性IC基板覆铜表面粗糙度Ra的显微成像检测系统及方法，包括：
S1.柔性IC基板显微成像系统：柔性IC基板由于其重量轻、易弯曲等特性，将其直接放置于设备底座进行拍摄，会导致获取的图像因柔性IC基板的物理弯曲而展现出凹凸不平的曲面现象，不能真实反映表面粗糙度。因此系统在设备底座安装吸盘装置，将柔性IC基板用吸盘固定在设备底座，采用金相显微镜对柔性IC基板进行光学放大，放大倍率固定，再运用CCD工业相机采集柔性IC基板样本图像；
在本实施例中金相显微镜的物镜放大倍率固定值为20倍。
S2.铜箔表面粗糙度Ra检测分析系统：包括建立训练样本库、分割铜箔表面、提取图像特征、训练神经网络、计算铜箔表面粗糙度Ra模块，首先将采集的柔性IC基板样本图像及相应粗糙度Ra储存在训练样本库中，然后分割铜箔表面，提取其纹理特征，利用神经网络建立图像纹理特征与铜箔表面粗糙度Ra的关系，最后输入待检测的铜箔表面纹理特征参数，从而计算得到铜箔表面粗糙度Ra；
所述步骤S2中的铜箔表面粗糙度Ra检测分析系统，步骤如下：
Sa、建立训练样本库：采集大量不同粗糙度的柔性IC基板样本图像，分割其铜箔表面并提取纹理特征参数，用触针式粗糙度仪测量相应柔性IC基板的铜箔表面粗糙度Ra，将不同粗糙度的柔性IC基板的铜箔表面纹理特征和粗糙度Ra参数保存在训练样本数据库中；
本实施例中，训练样本库包含了80张柔性IC基板图像与其铜箔表面粗糙度Ra。
Sb、分割铜箔表面：根据铜箔表面呈黄色的颜色特征，运用彩色分割技术将铜箔表面从样本图像中分割出来；
Sc、提取图像特征：提取铜箔表面的图像纹理特征，采用灰度共生矩阵法的能量与熵值参数，Tamura纹理特征法的粗糙度与对比度；
Sd、训练神经网络：将训练样本数据库的纹理特征参数作为神经网络的输入，粗糙度Ra为输出，训练神经网络；
Se、计算铜箔表面粗糙度Ra：分割待测样本的铜箔表面，提取其纹理特征，将纹理特征输入到训练好的神经网络，输出得到铜箔表面粗糙度Ra；
所述步骤Sb中的分割铜箔表面，步骤如下：
Sb1、对图像进行高斯平滑处理，使颜色均匀，减少噪声；
Sb2、从训练样本数据库中计算获取铜箔表面的颜色信息区间，包括色调区间[H1，H2]，饱和度区间[S1，S2]，其中H1、H2、S1、S2为给定阈值，依铜箔表面颜色而不同。
Sb3、将彩色样本图像从RGB空间转换为HIS空间，在HIS空间中对样本图像中的任一像素进行检测，将色调及饱和度均落在预先给定的区间中的像素分割出来；
Sb4、从分割出来的铜箔图像中提取面积最大的方形区域作为该块铜箔区域的检测样本；
作为举例，所述步骤Sc中的提取图像特征，步骤如下：
Sc1、运用灰度共生矩阵法，生成灰度共生矩阵，方法如下：
对分割出来的铜箔表面图像进行灰度化与灰度级量化处理，取图像中任意一点(x，y)及偏离它的另一点(x+a，y+b)为像素对，对应的灰度值为(g1，g2)。其中当a＝1，b＝0时，像素对是水平的，即0度扫描；当a＝0，b＝1时，像素对是垂直的，即90度扫描；当a＝1，b＝1时，像素对是右对角线的，即45度扫描；当a＝-1，b＝1时，像素对是左对角线，即135度扫描。
令点(x，y)在整个画面上移动，则会得到各种(g1，g2)值，统计(g1，g2)值出现的次数。灰度值的级数为k，则(g1，g2)的组合共有k2种，将k2种像素对灰度统计值排列成一个方阵。将像素对灰度统计值归一化为出现的概率P(g1，g2)，构成灰度共生矩阵：
提取灰度共生矩阵的能量特征参数ASM：
其中，G(i,j)为灰度共生矩阵的第i行，第j列元素的值；
提取灰度共生矩阵的熵值特征参数ENT：
在本实施例中，灰度级数k为16，a＝1，b＝0；
Sc2、运用Tamura纹理特征法，提取粗糙度特征参数：
扫描图像中以点(x，y)为起始点的大小为2n×2n的矩形邻域窗口，则计算点(x，y)矩形邻域中像素的平均强度值，即：
其中，g(i,j)是位于矩形邻域窗口(i，j)处像素的灰度值，n＝0,1,···,5；
对于每个像素，分别计算它在水平和垂直方向上互不重叠的窗口之间的平均强度差，即：
En,x(x,y)＝|An(x+2n-1,y)-An(x-2n-1,y)|
En,y(x,y)＝|An(x,y+2n-1)-An(x,y-2n-1)|
其中对于每个像素，用使E值达到最大的n值来设置最佳尺寸：
Sbest(x,y)＝2n
检测样本图像大小为X×X，通过计算整幅检测样本图像中的平均值，得到粗糙度：
提取对比度特征参数，首先计算峰度α4：
其中，μ4四次矩，σ4是方差σ2的平方；
整个图像区域中的对比度为：
本实施例中，n＝3；
所述步骤Sd中的训练神经网络，步骤如下：
Sd1、建立神经网络，确定神经网络层数N，输入层、输出层节点个数n1、n2，第i层隐藏层节点个数hi，其中i＝N-2；
本实施例中，神经网络层数N＝3，分别为输入层、输出层和隐藏层；输入节点个数为n1＝4，n2＝10，隐藏层节点个数h1＝12；
Sd2、将训练样本数据库的纹理特征参数(ASM、ENT、Fcrs、Fcon)作为神经网络的输入，由于输出节点数有限，故先将粗糙度Ra进行量化，将量化后的粗糙度Ra作为输出，训练神经网络；
所述步骤Se中的计算铜箔表面粗糙度Ra，步骤如下：
Se1、采集待检测柔性IC基板的显微图像；
Se2、根据颜色特征分割柔性IC基板的显微图像的铜箔表面，提取图像检测样本；
Se3、提取铜箔检测样本表面的纹理特征；
Se4、将纹理特征参数输入训练好的神经网络，输出得到铜箔表面粗糙度Ra。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法，其特征在于，包括：
S1.柔性IC基板显微成像：将柔性IC基板用吸盘固定在设备底座，采用金相显微镜对柔性IC基板进行光学放大，再运用CCD工业相机采集柔性IC基板样本图像；
S2.铜箔表面粗糙度Ra检测分析：包括建立训练样本库、分割铜箔表面、提取图像特征、训练神经网络、计算铜箔表面粗糙度Ra模块，首先将采集的柔性IC基板样本图像及相应粗糙度Ra储存在训练样本库中，然后分割铜箔表面，提取其纹理特征，利用神经网络建立图像纹理特征与铜箔表面粗糙度Ra的关系，最后输入待检测的铜箔表面纹理特征参数，从而计算得到铜箔表面粗糙度Ra。
2.根据权利要求1所述的柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法，其特征在于，所述步骤S2中的铜箔表面粗糙度Ra检测分析包括：
Sa、建立训练样本库：采集适量多不同粗糙度的柔性IC基板样本图像，分割其铜箔表面并提取纹理特征参数，用触针式粗糙度仪测量相应柔性IC基板的铜箔表面粗糙度Ra，将不同粗糙度的柔性IC基板的铜箔表面纹理特征和粗糙度Ra参数保存在训练样本数据库中；
Sb、分割铜箔表面：根据铜箔表面呈黄色的颜色特征，运用彩色分割技术将铜箔表面从样本图像中分割出来；
Sc、提取图像特征：提取铜箔表面的图像纹理特征，采用灰度共生矩阵法的能量与熵值参数，Tamura纹理特征法的粗糙度与对比度；
Sd、训练神经网络：将训练样本数据库的纹理特征参数作为神经网络的输入，粗糙度Ra为输出，训练神经网络；
Se、计算铜箔表面粗糙度Ra：分割待测样本的铜箔表面，提取其纹理特征，将纹理特征输入到训练好的神经网络，输出得到铜箔表面粗糙度Ra。
3.根据权利要求2所述的柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法，其特征在于，所述步骤Sb中的分割铜箔表面，步骤如下：
Sb1、对图像进行高斯平滑处理；
Sb2、从训练样本数据库中计算获取铜箔表面的颜色信息区间，包括色调区间[H1，H2]，饱和度区间[S1，S2]，其中H1、H2、S1、S2为设定阈值；
Sb3、将彩色样本图像从RGB空间转换为HIS空间，在HIS空间中对样本图像中的任一像素进行检测，将色调及饱和度均落在预先给定的区间中的像素分割出来；
Sb4、从分割出来的铜箔图像中提取面积最大的方形区域作为该块铜箔区域的检测样本。
4.根据权利要求2所述的柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法，其特征在于，所述步骤Sc中的提取图像特征具体包括：
Sc1、运用灰度共生矩阵法，生成灰度共生矩阵：
对分割出来的铜箔表面图像进行灰度化与灰度级量化处理，在图像上的直角坐标系xy中，取图像中任意一点(x，y)及偏离它的另一点(x+a，y+b)为像素对，对应的灰度值为(g1，g2)；令点(x，y)在整个像画面上移动，则会得到各种(g1，g2)值，统计(g1，g2)值出现的次数；灰度值的级数为k，则(g1，g2)的组合共有k2种，将k2种像素对灰度统计值排列成一个方阵；将像素对灰度统计值归一化为出现的概率P(g1，g2)，所述方阵称为灰度共生矩阵；
提取灰度共生矩阵的能量特征参数ASM：
其中，G(i，j)为灰度共生矩阵的第i行，第j列元素的值；
提取灰度共生矩阵的熵值特征参数ENT：
Sc2、运用Tamura纹理特征法，提取粗糙度特征参数：
扫描图像中以点(x，y)为起始点的大小为2n×2n的矩形邻域窗口，则计算点(x，y)矩形邻域中像素的平均强度值An(x，y)，即：
其中，g(i，j)是位于矩形邻域窗口(i，j)处像素的灰度值，n＝0，1，…，5；
对于每个像素，分别计算它在水平x轴方向和垂直y轴方向上互不重叠的窗口之间的平均强度差，即：
En，x(x，y)＝|An(x+2n-1，y)-An(x-2n-1，y)|
En，y(x，y)＝|An(x，y+2n-1)-An(x，y-2n-1)|
其中对于每个像素，用使E值达到最大的n值来设置最佳尺寸：
Sbest(x，y)＝2n
检测样本图像大小为X×X，通过计算整幅检测样本图像中的平均值，得到粗糙度：
提取对比度特征参数，首先计算峰度α4：
其中，μ4四次矩，σ4是方差σ2的平方；
整个图像区域中的对比度为：
5.根据权利要求2所述的柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法，其特征在于，所述步骤Sd中的训练神经网络，步骤如下：
Sd1、建立神经网络，确定神经网络层数N，输入层、输出层节点个数n1、n2，第i层隐藏层节点个数hi，其中i＝N-2；
Sd2、将训练样本数据库的纹理特征参数(ASM、ENT、Fcrs、Fcon)作为神经网络的输入，由于输出节点数有限，故先将粗糙度Ra进行量化，将量化后的粗糙度Ra作为输出，训练神经网络。
6.根据权利要求2所述的柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法，其特征在于，所述步骤Se中的计算铜箔表面粗糙度Ra，步骤如下：
Se1、采集待检测柔性IC基板的显微图像；
Se2、根据颜色特征分割柔性IC基板的显微图像的铜箔表面，提取图像检测样本；
Se3、提取铜箔检测样本表面的纹理特征；
Se4、将纹理特征参数输入训练好的神经网络，输出得到铜箔表面粗糙度Ra。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810858023.4A CN109191433A (zh) | 2018-07-31 | 2018-07-31 | 柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810858023.4A CN109191433A (zh) | 2018-07-31 | 2018-07-31 | 柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109191433A true CN109191433A (zh) | 2019-01-11 |
Family
ID=64937537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810858023.4A Pending CN109191433A (zh) | 2018-07-31 | 2018-07-31 | 柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109191433A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111157962A (zh) * | 2020-01-15 | 2020-05-15 | 东方红卫星移动通信有限公司 | 一种oth雷达图像粗糙度的干扰抑制自适应优化方法 |
| CN113034482A (zh) * | 2021-04-07 | 2021-06-25 | 山东大学 | 基于机器视觉和机器学习的表面粗糙度检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05143717A (ja) * | 1991-09-25 | 1993-06-11 | Mitsubishi Heavy Ind Ltd | 地合計測方法 |
| CN104346775A (zh) * | 2013-08-02 | 2015-02-11 | 南京理工大学 | 一种提取图像局部纹理粗糙度的方法 |
-
2018
- 2018-07-31 CN CN201810858023.4A patent/CN109191433A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05143717A (ja) * | 1991-09-25 | 1993-06-11 | Mitsubishi Heavy Ind Ltd | 地合計測方法 |
| CN104346775A (zh) * | 2013-08-02 | 2015-02-11 | 南京理工大学 | 一种提取图像局部纹理粗糙度的方法 |
Non-Patent Citations (4)
| Title |
|---|
| 吕斯俊: "基于显微视觉的柔性基板检测系统及关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 张建: "基于图像法的工件表面粗糙度检测系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 汪庆花: "基于激光散斑图纹理空域滤波的表面粗糙度测量方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 陈苏婷等: "基于激光散斑成像的零件表面粗糙度建模", <<物理学报>> * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111157962A (zh) * | 2020-01-15 | 2020-05-15 | 东方红卫星移动通信有限公司 | 一种oth雷达图像粗糙度的干扰抑制自适应优化方法 |
| CN113034482A (zh) * | 2021-04-07 | 2021-06-25 | 山东大学 | 基于机器视觉和机器学习的表面粗糙度检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110108348B (zh) | 基于运动放大光流跟踪的薄壁件微幅振动测量方法及系统 | |
| CN110431404A (zh) | 表面缺陷检查方法及表面缺陷检查装置 | |
| CN105547834B (zh) | 基于双目视觉的快速应力应变曲线测量系统的测量方法 | |
| CN102184878B (zh) | 一种用于晶圆对准的模板图像质量反馈方法 | |
| CN108537788B (zh) | 迷彩伪装效果评测方法及装置、计算机设备及存储介质 | |
| CN112964724B (zh) | 一种多目标多区域视觉检测方法及检测系统 | |
| CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
| CN110544231A (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
| CN103389310A (zh) | 一种基于辐射标定的亚像素光学元件损伤在线检测方法 | |
| Liu et al. | Printed circuit board defect detection based on MobileNet-Yolo-Fast | |
| CN109191433A (zh) | 柔性IC基板覆铜表面粗糙度Ra的显微成像检测方法 | |
| CN109658403B (zh) | 一种彩色电润湿显示单元缺陷识别方法及其装置 | |
| CN110287862A (zh) | 基于深度学习的防偷拍检测方法 | |
| CN108320310B (zh) | 基于图像序列的空间目标三维姿态估计方法 | |
| CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
| CN102543793A (zh) | 一种用于晶圆聚焦的图像质量反馈系统和方法 | |
| Xie et al. | A golden-template self-generating method for patterned wafer inspection | |
| CN111639708B (zh) | 图像处理方法、装置、存储介质及设备 | |
| CN116612071A (zh) | 一种具有重复元件的大幅面pcb面板精确定位方法 | |
| CN113487569B (zh) | 基于频域和空域结合的复杂背景图像缺陷检测方法及系统 | |
| CN114758158A (zh) | 一种pcb电路板的质检方法及系统 | |
| Gao et al. | Development of OLED panel defect detection system through improved Otsu algorithm | |
| Chen et al. | Depth estimation of light field data from pinhole-masked DSLR cameras | |
| CN113393513B (zh) | 电影银幕穿孔测量方法、测量装置及计算设备 | |
| CN117848208A (zh) | 一种智慧监理便携式检测设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |