CN109978824B - 一种透明薄膜缺陷形态测量方法及系统 - Google Patents
一种透明薄膜缺陷形态测量方法及系统 Download PDFInfo
- Publication number
- CN109978824B CN109978824B CN201910122114.6A CN201910122114A CN109978824B CN 109978824 B CN109978824 B CN 109978824B CN 201910122114 A CN201910122114 A CN 201910122114A CN 109978824 B CN109978824 B CN 109978824B
- Authority
- CN
- China
- Prior art keywords
- defect
- transparent film
- space
- image
- sample
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 212
- 238000000691 measurement method Methods 0.000 title claims abstract description 12
- 229920006395 saturated elastomer Polymers 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000000877 morphologic effect Effects 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 239000010408 film Substances 0.000 claims description 86
- 238000005259 measurement Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 7
- 239000010409 thin film Substances 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 abstract description 12
- 238000007689 inspection Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229920006254 polymer film Polymers 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
-
- 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
- G06T2207/30121—CRT, LCD or plasma display
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种透明薄膜缺陷形态测量方法及系统，所述方法包括以下步骤：在透明薄膜的缺陷饱和图像空间使用嵌入分析得到关于缺陷形态参数的流行空间；在流行空间中建立回归模型并进行样本训练；将待测透明薄膜使用同样的映射投影到流行空间，并利用回归模型得到缺陷形态。由于在低维的空间使用支持向量回归以建立饱和成像与缺陷形态参数的关系，把这种回归关系应用于新的缺陷饱和成像样本即可估测缺陷形态，满足了自动化识别缺陷的需求，又极大提高了质检效率。
Description
技术领域
本发明涉及缺陷形态测量技术领域，尤其涉及的是一种透明薄膜缺陷形态测量方法及系统。
背景技术
作为薄膜晶体管液晶显示面板(TFT-LCD)的核心组件之一，偏光片广泛应用于电脑、手机、数码相机、电视机等产品的显示屏幕中。偏光片厚度一般约为0.3mm左右，由6层透明聚合物薄膜组成。偏光片在生产和运输过程中，容易产生异物、划痕、污迹、灰尘、气泡、凸凹点、残胶等外观缺陷。这些外观缺陷可能存在于任何一层薄膜，直接降低液晶面板质量等级，甚至不合格。所以每一片偏光片在贴附之前，都需要测量外观缺陷。
现有技术中，在生产偏光片过程中，在1分钟内走过10m甚至30m的偏光片。激光共聚焦为代表的体视显微镜，可以得到目标的深度/高度信息，但测量范围非常小，用于偏光片内部缺陷测量则需要预先知道缺陷准确位置，因此采用显微镜观测缺陷，虽然可以获得较精确的缺陷形态，但是速度慢，效率低，无法用于工业自动测量。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种透明薄膜缺陷形态测量方法及系统，旨在解决现有技术中缺陷测量效率低的问题。
本发明解决技术问题所采用的技术方案如下：
一种透明薄膜缺陷形态测量方法，其中，包括以下步骤：
在样本透明薄膜的缺陷饱和图像空间使用嵌入分析得到关于缺陷形态参数的流行空间；
在流行空间中建立回归模型并进行样本训练；
将待测透明薄膜投影到流行空间，并利用回归模型得到缺陷形态并输出。
所述透明薄膜缺陷形态测量方法，其中，所述在样本透明薄膜的特征空间使用嵌入分析得到关于缺陷形态参数的流行空间步骤具体包括：
使用共聚焦显微镜对样本透明薄膜的缺陷部位进行测量得到共聚焦图像；
采用拟合平面差分操作，校正样本透明薄膜的共聚焦图像、饱和图像的背景；
采用高斯平滑操作对样本透明薄膜的共聚焦图像、饱和图像进行降噪。
所述透明薄膜缺陷形态测量方法，其中，所述在样本透明薄膜的特征空间使用嵌入分析得到关于缺陷形态参数的流行空间步骤还包括：
根据若干个透明膜的共聚焦图像获得缺陷形态，并形成缺陷形态参数标签集L；
根据样本透明薄膜得到相应的饱和图像，并形成缺陷饱和图像空间X；
建立投影模型Y＝P(X,L)，并在缺陷饱和图像空间X中通过嵌入分析寻找关于缺陷形态参数的流行空间Y；
其中，缺陷饱和图像空间
xi表示第i个图像，D为图像维度，n是样本数量；缺陷形态参数标签集/>
li表示第i个缺陷形态参数；流行空间
yi表示第i个嵌入特征；其中d为降维后的维度，且d＜＜D；P(·)表示线性或非线性的投影函数。
所述透明薄膜缺陷形态测量方法，其中，所述在流行空间中建立回归模型并进行样本训练步骤具体包括：
采用支持向量回归方法在流行空间Y中对嵌入特征yi与缺陷形态参数li进行拟合得到回归函数。
所述透明薄膜缺陷形态测量方法，其中，所述嵌入分析为主成分分析、等度量映射、局部线性嵌入或拉普拉斯特征映射。
一种透明薄膜缺陷形态测量系统，其中，包括：处理器，以及与所述处理器连接的存储器，
所述存储器存储有透明薄膜缺陷形态测量程序，所述透明薄膜缺陷形态测量程序被所述处理器执行时实现以下步骤：
在样本透明薄膜的缺陷饱和图像空间使用嵌入分析得到关于缺陷形态参数的流行空间；
在流行空间中建立回归模型并进行样本训练；
将待测透明薄膜投影到流行空间，并利用回归模型得到缺陷形态并输出。
所述透明薄膜缺陷形态测量系统，其中，所述透明薄膜缺陷形态测量程序被所述处理器执行时，还实现以下步骤：
使用共聚焦显微镜对样本透明薄膜的缺陷部位进行测量得到共聚焦图像；
采用拟合平面差分操作，校正样本透明薄膜的共聚焦图像、饱和图像的背景；
采用高斯平滑操作对样本透明薄膜的共聚焦图像、饱和图像进行降噪。
所述透明薄膜缺陷形态测量系统，其中，所述透明薄膜缺陷形态测量程序被所述处理器执行时，还实现以下步骤：
根据若干个透明膜的共聚焦图像获得缺陷形态，并形成缺陷形态参数标签集L；
根据样本透明薄膜得到相应的饱和图像，并形成缺陷饱和图像空间X；
建立投影模型Y＝P(X,L)，并在缺陷饱和图像空间X中通过嵌入分析寻找关于缺陷形态参数的流行空间Y；
其中，缺陷饱和图像空间
xi表示第i个图像，D为图像维度，n是样本数量；缺陷形态参数标签集/>
li表示第i个缺陷形态参数；流行空间
yi表示第i个嵌入特征；其中d为降维后的维度，且d＜＜D；P(·)表示线性或非线性的投影函数。
所述透明薄膜缺陷形态测量系统，其中，所述透明薄膜缺陷形态测量程序被所述处理器执行时，还实现以下步骤：
采用支持向量回归方法在流行空间Y中对嵌入特征yi与缺陷形态参数li进行拟合得到回归函数。
所述透明薄膜缺陷形态测量系统，其中，所述嵌入分析为主成分分析、等度量映射、局部线性嵌入或拉普拉斯特征映射。
有益效果：由于在低维的空间使用支持向量回归以建立饱和成像与缺陷形态参数的关系，把这种回归关系应用于新的缺陷饱和成像样本即可估测缺陷形态，满足了自动化识别缺陷的需求，又极大提高了质检效率。
附图说明
图1是本发明透明薄膜缺陷形态测量方法较佳实施例的流程图。
图2是本发明中黑白条纹结构光下缺陷区域成像图。
图3是本发明中缺陷的饱和图像。
图4是本发明中缺陷的三维图。
图5是本发明中缺陷的俯视图。
图6是本发明中缺陷的侧视图。
图7是本发明中透明薄膜缺陷形态测量系统的较佳实施例功能原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。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。
请同时参阅图1-图6，本发明提供了一种透明薄膜缺陷形态测量方法的一些实施例。
本发明以偏光片为例进行说明，其它透明薄膜也适用于本发明方法，本发明用于测量偏光片内部微细透明缺陷。由于样本量极其有限，原始高维空间中包含大量冗余信息及噪声信息，本发明中的流行空间具体指低维流行空间。
如图1所示，本发明的一种透明薄膜缺陷形态测量方法，包括以下步骤：
步骤S100、在样本透明薄膜的缺陷饱和图像空间使用嵌入分析得到关于缺陷形态参数的低维流行空间。
具体地，步骤S100包括以下步骤：
步骤S110、使用共聚焦显微镜对样本透明薄膜的缺陷部位进行测量得到共聚焦图像。
步骤S120、采用拟合平面差分操作，校正样本透明薄膜的共聚焦图像、饱和图像的背景。
步骤S130、采用高斯平滑操作对样本透明薄膜的共聚焦图像、饱和图像进行降噪。
如图3-图6所示，在其他条件不变的情况下，饱和图像的亮度随缺陷深度的变化具有一定的规律性，这一规律意味着从图像的亮度等信息推断缺陷的深度是可行的。
共聚焦显微镜的共聚焦图像可以获得精确的缺陷形态(也就是说，这里的缺陷形态是缺陷的真实形态)，但是，每个缺陷样品测量时间约为60s，因此使用这类测量仪器单次测量面积小，测量效率低，无法满足产品高效全检需求。而获得饱和图像速度快，但是无法获得准确的缺陷形态。因此，需要建立共聚焦图像和饱和图像之间一一对应的关系。当然，本发明的其它实施例中，可以采用其它方式获得精确的缺陷形态。
偏光片的微细缺陷可以近似为微平凸透镜模型，本发明采用结构光(具体为黑白条纹结构光)照明提高偏光片上凹凸点缺陷的成像对比度，提高测量准确度。调整光源强度、曝光时间、相机增益的值，增强微细缺陷的成像效果(提升对比度)，如图2所示，在黑条纹中能够准确测量到这类微细透缺陷。
无论是饱和图像还是共聚焦图像都受到噪声影响，一定的图像预处理是必要的。图像主要受加性噪声污染，包括背景以及高斯噪声等，另外一些噪声区域是由于样本上的手工标记或灰尘等引起。可以通过拟合平面差分以及高斯平滑等操作来校正背景和降噪。预处理有效滤除大部分干扰噪声。
具体地，步骤S100还包括以下步骤：
步骤S140、根据若干个透明膜的共聚焦图像获得缺陷形态，并形成缺陷形态参数标签集L。
偏光片缺陷的宽度、深度等是缺陷形态的重要属性。浅而宽的内部凸凹点缺陷，会在一定时间内缓慢恢复，此类缺陷并不一定影响产品质量——有些透明凸凹点在偏光片粘贴到玻璃之后，会自动消失，不影响显示屏质量，也就是说，在粘贴力、吸附力的促进下，浅而宽的内部凸凹点缺陷可以更快消失；反之，窄而深的压痕，则始终是缺陷，也就是说，要将窄而深的缺陷测量出来。因此，如图6所示，缺陷形态参数主要是指缺陷的宽度W、深度H。当然还可以是形状等其它参数。
步骤S150、根据样本透明薄膜得到相应的饱和图像，并形成缺陷饱和图像空间X。
要从饱和成像图像中获得缺陷的宽度、深度等属性信息。考虑到饱和图像本身以及特征向量的维度巨大，相反由于偏光片缺陷获取困难，我们的样本量极其有限，原始高维空间中，包含大量冗余信息及噪声信息，机器学习所得模型容易出现过学习情况，泛化能力低。缓解这一维度灾难问题的有效途径是在高维空间中采用一个低维嵌入。低维流行中的变量就是所期望的信息，例如偏光片的折射率、缺陷宽度、深度、形状等。以下以深度和宽度进行说明，也就是说，缺陷形态参数为深度或宽度。
步骤S150、建立投影模型Y＝P(X,L)，并在缺陷饱和图像空间X中通过嵌入分析寻找关于缺陷形态参数的低维流行空间Y。
其中，缺陷饱和图像空间
xi表示第i个图像，D为图像维度，n是样本数量；缺陷形态参数标签集/>
li表示第i个缺陷形态参数；低维流行空间
yi表示第i个嵌入特征；其中d为降维后的维度，且d＜＜D，＜＜表示远小于；P(·)表示线性或非线性的投影函数，该投影函数可以通过非监督或监督学习的方法来找到。
由于样本量比较小，可行的降维和流行嵌入方法包括主成分分析(PCA)、等度量映射(Isomap)、局部线性嵌入(LLE)、拉普拉斯特征映射(LE)等。PCA是一种线性降维方法，它将数据在目标空间中沿着方差最大化的方向映射。尽管这是一种非监督降维方法，由于它被经常使用，因此在此处参与降维的对比。Isomap是多维标度(multidimensionalscaling，MDS)的一种非线性推广，使样本之间在低维空间中的距离和在测地距离空间中的距离保持尽量相等。LLE是一种用局部线性反映全局的非线性降维方法，它能够使降维后的数据较好地保持原有的流行结构。与LLE类似，Laplacian特征映射(LE)的基本思想也是寻找一种关系，使得相邻的点在低维空间中尽可能靠近。
分别使用PCA、ISOMAP、LLE、LE方法对采集到的113组饱和图像以及缺陷深度、宽度实施数据降维。在总共113个缺陷深度、宽度标记的样本中，数据点的位置是一致的，因为此处都使用了无监督的降维方式，不同的只是数据点的标记值。
无论是二维还是三维的可视化，尽管数据量较小，每种算法的结果在深度值上都有一定的流行趋势和结构，这种清晰的判别模式可以为回归器带来很好的效果。
步骤S200、在低维流行空间中建立回归模型并进行样本训练。
具体地，步骤S200具体包括：
采用支持向量回归方法在低维流行空间Y中对嵌入特征yi与缺陷形态参数li进行拟合得到回归函数。
为了预测新样本的缺陷深度等信息，可在流行空间中寻找一个回归函数来描述嵌入特征yi与深度li的关系。一个典型的回归方法是多项式模型，线性模型过于简单，而三次及以上的模型容易出现过拟合，因此二次模型是一个典型的选择，例如，估计深度为
其中w0、w1、w2分别为偏置以及一次、二次系数向量，可以通过最小二乘等方法最小化真实深度与估计深度之间的距离而获得，即/>
min(·)表示取最小操作，∥∥表示取向量积操作。但是最小二乘等方法容易受噪声干扰，且最小化的是经验风险函数，尤其是本发明的小样本问题，极易导致过拟合问题，最终推广能力差。
为了更鲁棒地回归缺陷形态，支持向量回归(SVR)是一个较好的选择，SVR是一种结合VC维度和最小化结构风险的统计学习理论。给定训练样本集
SVR的基本思想是寻找一个函数f(·)，使得/>
与/>
尽可能接近。而基于ε-insensitve损失函数的SVR能容忍f(yi)与li之间最多有ε的偏差，因此SVR对局外点敏感度低，适合于我们的小样本情况。
分别针对缺陷深度和缺陷宽度，在不同维度的输入下，PCA、ISOMAP、LLE、LE降维算法与支持向量回归结合的性能指标的对比结果一致的反映了以下几点规律。无论是缺陷深度还是宽度从2到20维，四种组合方法的平均绝对误差均呈下降趋势，这是因为维度越多包含的判别信息越丰富。相反地，从60维开始，由于维度的提高，信息过度冗余将引起模型回归性能下降，四种组合方法的平均绝对误差呈缓慢上升趋势。在我们应用中，上述规律表明，数据降维到20至60维区间是比较理想的。另一方面，四种方法的绝对误差标准差都处于下降的趋势，超过20维时，四种方法的误差标准差都比较小而稳定。
对比这四种组合方法的性能，在估计缺陷深度时，Isomap+SVR相对其他三种方法具有较大的优势，缺陷深度平均绝对误差可小至1.5μm。在估计缺陷宽度时，Isomap+SVR稍微好于LLE+SVR以及LE+SVR，但相对于PCA+SVR仍具有较大优势，平均绝对误差可小至12μm。
步骤S300、将待测透明薄膜投影到低维流行空间，并利用回归模型得到缺陷形态并输出。
对于待测透明薄膜，可以利用P(·)投影到低维流行空间，然后在低维流行空间中，利用回归模型找到相应的缺陷形态，具体地，找到相应的缺陷形态参数，例如，凹凸点的深度和宽度。通过对缺陷形态参数做出判断，判断出偏光片是否合格。
值得说明的是，本发明将缺陷三维形态的直接测量问题转化为通过缺陷二维成像来估测的问题。其基本思想是在微细透明缺陷上采集饱和成像数据，集成共聚焦显微镜测量数据建立标记的数据集，在该集上进行降维，在低维的空间使用支持向量回归以建立饱和成像与缺陷形态参数的关系，把这种回归关系应用于新的缺陷饱和成像样本即可估测缺陷形态。在判别子空间中，实验数据流行可视化清晰反映了缺陷形态的变化模式。在评估回归模型的性能中发现，缺陷深度平均相对误差达到3.64％，而缺陷宽度平均相对误差达到1.96％，在Matlab平台上的计算时间小于0.01s。相对于共聚焦等精确测量仪器，这一估测方法满足了自动化识别缺陷的需求，又极大提高了质检效率，为偏光片生产商的智能、绿色制造提供了新思路。
本发明还提供了一种透明薄膜缺陷形态测量系统的较佳实施例：
如图7所示，本发明实施例所述一种透明薄膜缺陷形态测量系统，包括：处理器10，以及与所述处理器10连接的存储器20，
所述存储器20存储有透明薄膜缺陷形态测量程序，所述透明薄膜缺陷形态测量程序被所述处理器10执行时实现以下步骤：
在样本透明薄膜的缺陷饱和图像空间使用嵌入分析得到关于缺陷形态参数的低维流行空间；
在低维流行空间中建立回归模型并进行样本训练；
将待测透明薄膜投影到低维流行空间，并利用回归模型得到缺陷形态并输出，具体如上所述。
所述透明薄膜缺陷形态测量程序被所述处理器10执行时，还实现以下步骤：
使用共聚焦显微镜对样本透明薄膜的缺陷部位进行测量得到共聚焦图像；
采用拟合平面差分操作，校正样本透明薄膜的共聚焦图像、饱和图像的背景；
采用高斯平滑操作对样本透明薄膜的共聚焦图像、饱和图像进行降噪，具体如上所述。
所述透明薄膜缺陷形态测量程序被所述处理器10执行时，还实现以下步骤：
根据若干个透明膜的共聚焦图像获得缺陷形态，并形成缺陷形态参数标签集L；
根据样本透明薄膜得到相应的饱和图像，并形成缺陷饱和图像空间X；
建立投影模型Y＝P(X,L)，并在缺陷饱和图像空间X中通过嵌入分析寻找关于缺陷形态参数的低维流行空间Y；
其中，缺陷饱和图像空间
xi表示第i个图像，D为图像维度，n是样本数量；缺陷形态参数标签集/>
li表示第i个缺陷形态参数；低维流行空间
yi表示第i个嵌入特征；其中d为降维后的维度，且d＜＜D；P(·)表示线性或非线性的投影函数，具体如上所述。
所述透明薄膜缺陷形态测量程序被所述处理器10执行时，还实现以下步骤：
采用支持向量回归方法在低维流行空间Y中对嵌入特征yi与缺陷形态参数li进行拟合得到回归函数。
所述嵌入分析为主成分分析、等度量映射、局部线性嵌入或拉普拉斯特征映射，具体如上所述。
综上所述，本发明所提供的一种透明薄膜缺陷形态测量方法及系统，所述方法包括以下步骤：在样本透明薄膜的缺陷饱和图像空间使用嵌入分析得到关于缺陷形态参数的低维流行空间；在低维流行空间中建立回归模型并进行样本训练；将待测透明薄膜投影到低维流行空间，并利用回归模型得到缺陷形态。由于在低维的空间使用支持向量回归以建立饱和成像与缺陷形态参数的关系，把这种回归关系应用于新的缺陷饱和成像样本即可估测缺陷形态，满足了自动化识别缺陷的需求，又极大提高了质检效率。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种透明薄膜缺陷形态测量方法，其特征在于，包括以下步骤：
在样本透明薄膜的缺陷饱和图像空间使用嵌入分析得到关于缺陷形态参数的流行空间；
在流行空间中建立回归模型并进行样本训练；
将待测透明薄膜使用同样的映射投影到流行空间，并利用回归模型得到缺陷形态并输出；
所述在样本透明薄膜的特征空间使用嵌入分析得到关于缺陷形态参数的流行空间步骤具体包括：
使用共聚焦显微镜对样本透明薄膜的缺陷部位进行测量得到共聚焦图像；
采用拟合平面差分操作，校正样本透明薄膜的共聚焦图像、饱和图像的背景；
采用高斯平滑操作对样本透明薄膜的共聚焦图像、饱和图像进行降噪；
所述在样本透明薄膜的特征空间使用嵌入分析得到关于缺陷形态参数的流行空间步骤还包括：
根据若干个透明膜的共聚焦图像获得缺陷形态，并形成缺陷形态参数标签集L；
根据样本透明薄膜得到相应的饱和图像，并形成缺陷饱和图像空间X；
建立投影模型
，并在缺陷饱和图像空间X中通过嵌入分析寻找关于缺陷形态参数的流行空间Y；
其中，缺陷饱和图像空间
，xi表示第i个图像，D为图像维度，n是样本数量；缺陷形态参数标签集/>
，li表示第i个缺陷形态参数；流行空间
，yi表示第i个嵌入特征；其中d为降维后的维度，且/>
，/>
表示远小于；/>
表示线性或非线性的投影函数，所述样本透明薄膜的缺陷为微平凸透镜模型，所述缺陷形态参数包括宽度和深度。
2.根据权利要求1所述透明薄膜缺陷形态测量方法，其特征在于，所述在流行空间中建立回归模型并进行样本训练步骤具体包括：
采用支持向量回归方法在流行空间Y中对嵌入特征yi与缺陷形态参数li进行拟合得到回归函数。
3.根据权利要求1所述透明薄膜缺陷形态测量方法，其特征在于，所述嵌入分析为主成分分析、等度量映射、局部线性嵌入或拉普拉斯特征映射。
4.一种透明薄膜缺陷形态测量系统，其特征在于，包括：处理器，以及与所述处理器连接的存储器，
所述存储器存储有透明薄膜缺陷形态测量程序，所述透明薄膜缺陷形态测量程序被所述处理器执行时实现以下步骤：
在样本透明薄膜的缺陷饱和图像空间使用嵌入分析得到关于缺陷形态参数的流行空间；
在流行空间中建立回归模型并进行样本训练；
将待测透明薄膜使用同样的映射投影到流行空间，并利用回归模型得到缺陷形态并输出；
所述透明薄膜缺陷形态测量程序被所述处理器执行时，还实现以下步骤：
使用共聚焦显微镜对样本透明薄膜的缺陷部位进行测量得到共聚焦图像；
采用拟合平面差分操作，校正样本透明薄膜的共聚焦图像、饱和图像的背景；
采用高斯平滑操作对样本透明薄膜的共聚焦图像、饱和图像进行降噪；
所述透明薄膜缺陷形态测量程序被所述处理器执行时，还实现以下步骤：
根据若干个透明膜的共聚焦图像获得缺陷形态，并形成缺陷形态参数标签集L；
根据样本透明薄膜得到相应的饱和图像，并形成缺陷饱和图像空间X；
建立投影模型
，并在缺陷饱和图像空间X中通过嵌入分析寻找关于缺陷形态参数的流行空间Y；
其中，缺陷饱和图像空间
，xi表示第i个图像，D为图像维度，n是样本数量；缺陷形态参数标签集/>
，li表示第i个缺陷形态参数；流行空间
，yi表示第i个嵌入特征；其中d为降维后的维度，且/>
，/>
表示远小于；/>
表示线性或非线性的投影函数，所述样本透明薄膜的缺陷为微平凸透镜模型，所述缺陷形态参数包括宽度和深度。
5.根据权利要求4所述透明薄膜缺陷形态测量系统，其特征在于，所述透明薄膜缺陷形态测量程序被所述处理器执行时，还实现以下步骤：
采用支持向量回归方法在流行空间Y中对嵌入特征yi与缺陷形态参数li进行拟合得到回归函数。
6.根据权利要求5所述透明薄膜缺陷形态测量系统，其特征在于，所述嵌入分析为主成分分析、等度量映射、局部线性嵌入或拉普拉斯特征映射。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910122114.6A CN109978824B (zh) | 2019-02-19 | 2019-02-19 | 一种透明薄膜缺陷形态测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910122114.6A CN109978824B (zh) | 2019-02-19 | 2019-02-19 | 一种透明薄膜缺陷形态测量方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109978824A CN109978824A (zh) | 2019-07-05 |
| CN109978824B true CN109978824B (zh) | 2023-07-07 |
Family
ID=67077056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910122114.6A Active CN109978824B (zh) | 2019-02-19 | 2019-02-19 | 一种透明薄膜缺陷形态测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109978824B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI770817B (zh) * | 2021-02-09 | 2022-07-11 | 鴻海精密工業股份有限公司 | 瑕疵檢測方法、電子裝置及存儲介質 |
| CN117095245A (zh) * | 2023-10-19 | 2023-11-21 | 阿法龙(山东)科技有限公司 | 一种基于深度学习的无缝钢管小样本学习方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102590221A (zh) * | 2012-02-24 | 2012-07-18 | 深圳大学 | 一种偏光片的外观缺陷检测系统及检测方法 |
| CN103048041B (zh) * | 2012-12-20 | 2014-11-26 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
| CN103234767B (zh) * | 2013-04-21 | 2016-01-06 | 苏州科技学院 | 基于半监督流形学习的非线性故障检测方法 |
| CN104574408A (zh) * | 2015-01-16 | 2015-04-29 | 东华大学 | 基于形状特征提取的工业透明薄膜包装检测方法及装置 |
| TWI603074B (zh) * | 2015-07-03 | 2017-10-21 | 元智大學 | 光學薄膜缺陷辨識方法及其系統 |
| CN105136821B (zh) * | 2015-08-21 | 2017-11-10 | 深圳大学 | 一种用于检测偏光片内部缺陷的成像仿真方法及其系统 |
| CN106200047B (zh) * | 2016-08-29 | 2019-03-22 | 武汉精测电子集团股份有限公司 | 一种基于GPU的TFT-LCD Mura缺陷检测的方法 |
| CN106951669B (zh) * | 2017-05-19 | 2019-01-22 | 北京航空航天大学 | 一种基于视觉认知的滚动轴承变工况故障诊断方法 |
-
2019
- 2019-02-19 CN CN201910122114.6A patent/CN109978824B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109978824A (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101578711B1 (ko) | 결함 검출 방법 | |
| TWI664586B (zh) | 透過瑕疵複數光場之透明基板瑕疵檢測方法 | |
| CN110858899B (zh) | 一种摄像机机芯光轴中心和视场角的测量方法及系统 | |
| CN111612737B (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
| CN109978824B (zh) | 一种透明薄膜缺陷形态测量方法及系统 | |
| CN116577351B (zh) | 基于图像数据的液晶玻璃基板偏光片质量检测方法 | |
| CN109767425B (zh) | 机器视觉光源均匀性评估装置及方法 | |
| WO2020019352A1 (zh) | 检测摄像头模组的方法、设备、系统、机器可读存储介质 | |
| CN108088381B (zh) | 一种基于图像处理的非接触式微小间隙宽度测量方法 | |
| CN103217108B (zh) | 一种眼镜架几何参数检测方法 | |
| CN111257338B (zh) | 镜面、类镜面物体表面缺陷检测方法 | |
| CN105573047A (zh) | 一种侦测掩膜图形保真度的系统及方法 | |
| CN112161586A (zh) | 一种基于编码棋盘格的线结构光视觉传感器标定方法 | |
| CN114693583A (zh) | 基于光场相机的缺陷分层检测方法和系统及检测产线 | |
| Deng et al. | Vison-based 3D shape measurement system for transparent microdefect characterization | |
| CN116740048A (zh) | 一种基于融合目标检测技术的锂电池表面缺陷检测方法 | |
| Ali et al. | Application of machine vision in improving safety and reliability for gear profile measurement | |
| CN116485787B (zh) | 一种数据线成型外模外观缺陷检测方法 | |
| Maestro-Watson et al. | Deflectometric data segmentation for surface inspection: a fully convolutional neural network approach | |
| Pradana et al. | A portable surface roughness measurement system using laser speckle imaging based on GLCM | |
| JP4842376B2 (ja) | 表面検査装置及び方法 | |
| CN115655151B (zh) | 基于彩色相位测量偏折术的手机后盖板检测装置及方法 | |
| CN114926417B (zh) | 高密度柔性fpc表面弱划痕的显微成像检测方法及系统 | |
| Jiang et al. | Segmentation of shallow scratches image using an improved multi-scale line detection approach | |
| CN114486916A (zh) | 基于机器视觉的手机玻璃盖板缺陷检测方法 |
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 |