CN111028202B - Led芯片的x射线气泡缺陷图像处理方法、设备、存储介质及系统 - Google Patents
Led芯片的x射线气泡缺陷图像处理方法、设备、存储介质及系统 Download PDFInfo
- Publication number
- CN111028202B CN111028202B CN201911113191.1A CN201911113191A CN111028202B CN 111028202 B CN111028202 B CN 111028202B CN 201911113191 A CN201911113191 A CN 201911113191A CN 111028202 B CN111028202 B CN 111028202B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- bubble
- gray
- chip
- 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 58
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 3
- 229910001385 heavy metal Inorganic materials 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供LED芯片的X射线气泡缺陷图像处理方法,包括如下步骤:获取图像、图像预处理、图像增强、获得气泡缺陷图像。本发明还涉及LED芯片的X射线气泡缺陷图像处理系统、存储介质以及电子设备。该方法通过获取图像、图像预处理、图像增强以及阈值选取方法,避免了人为调节参数的繁琐流程,可以快速、准确的检测出气泡缺陷,提高检测效率并具有很好的实用性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及LED芯片的X射线气泡缺陷图像处理方法、电子设备、存储介质及系统。
背景技术
LED芯片现在已经越来越广泛的应用于照明、医疗及通信领域。随着LED芯片功率的提高,其封装焊接质量对于其发光效率有着至关重要的影响。目前芯片和基板的焊接工艺还不能完全避免气泡的产生,气泡的面积占比是衡量LED芯片工艺是否合格的一个重要指标。现有的气泡检测技术主要采用X射线对LED芯片进行透射成像,对获得的X射线图像采用基于阈值的方法进行气泡区域的分割。这类方法的一个很大的问题在于单一阈值很难达到满意的效果,多阈值很难做到自适应选取,对于不同的图像区域需要人为调整阈值,来达到一个比较好的气泡检测效果。针对这一问题,我们提出了一种新的LED芯片的X射线气泡缺陷图像处理方法。
发明内容
为了克服现有技术的不足,本发明提供LED芯片的X射线气泡缺陷图像处理方法。本发明通过图像预处理、增强以及阈值选取的方法,解决上述技术问题。
本发明提供LED芯片的X射线气泡缺陷图像处理方法,包括如下步骤:
获取图像,获取待检测的LED芯片的X射线图像;
图像预处理,对获取的所述LED芯片的X射线图像进行预处理,以提取所述LED芯片的X射线图像中的芯片区域图像;
获得气泡缺陷图像,对所述芯片区域图像进行第一次分割处理,获得若干候选气泡区域;对若干所述候选气泡区域进行筛选,得到由若干候选气泡区域组成的候选气泡区域集;对所述候选气泡区域集中的每个所述候选气泡区域进行扩展,得到扩展区域;在所述扩展区域内进行气泡的第二次分割处理,得到最终的气泡缺陷图像。
优选地,在步骤图像预处理中还包括如下步骤:
灰度翻转,对所述LED芯片的X射线图像进行灰度翻转,得到灰度翻转图像;
获取灰度值,计算所述灰度翻转图像的灰度直方图,获取所述灰度直方图上最大的图像峰值,以所述最大的图像峰值为基准,并获取与其两侧最接近的波谷对应的图像灰度值,分别记为第一灰度值与第二灰度值;
双阈值分割,对所述灰度翻转图像进行双阈值分割,当所述灰度翻转图像上的像素值大于第一灰度值且小于第二灰度值时,标记当前像素为前景;否则标记为背景;
获取芯片区域的位置,对标记为前景的像素进行聚类并计算得出连通域面积最大的类,计算所述连通域面积最大的类图像区域的最大内接矩形,得到芯片区域的位置;
获取芯片区域图像,从所述LED芯片的X射线图像中截取与所述芯片区域的位置相对应的像素,得到芯片区域图像。
优选地,在步骤获得气泡缺陷图像与图像预处理之间还包括:
图像增强,计算以所述芯片区域图像中的每个像素为中心,边长为其n倍的正方形邻域内的图像的平均灰度值,记为Ia;所述芯片区域图像中的每个像素的原始灰度值,记为I0;所述芯片区域图像中的每个像素增强后的像素值,记为I1,其计算公式如下:
I1=2*I0-Ia;
对增强后的所述芯片区域图像进行灰度值归一化处理。
优选地,在步骤获得气泡缺陷图像中还包括:
计算所述芯片区域图像的灰度直方图,并计算其最大类间方差灰度值,记为第三灰度值,当所述芯片区域图像中的像素值大于第三灰度值时,标记当前像素为前景;当所述芯片区域图像中的像素值小于等于第三灰度值时,标记当前像素为背景;
对标记为前景的所述芯片区域图像的像素进行聚类,并计算得出每一类像素对应的中心坐标与连通域面积,获取每一个连通域对应的最小外接矩形区域即所述候选气泡区域。
优选地,在步骤获得气泡缺陷图像中还包括:
筛选方法,计算每一个所述候选气泡区域所对应的连通域面积,当所述连通域面积小于等于设定的气泡面积阈值,剔除当前所述候选气泡区域;当所述连通域面积大于设定的气泡面积阈值,将当前所述候选气泡区域放入候选气泡区域集中。
优选地,保持所述候选气泡区域集中的每一个候选气泡区域的中心坐标不变,将其最小外接矩形的长度与宽度分别扩展n倍,计算扩展后的所述候选气泡区域内的图像的一维交叉熵阈值;当所述LED芯片的X射线图像与所述候选气泡区域的图像的灰度分布之间的交叉熵取最小值时,所述一维交叉熵阈值为最优阈值;
当扩展后的所述候选气泡区域的像素值大于所述最优阈值时,标记当前像素为前景;否则记为背景;
对标记为前景的像素进行聚类,聚类后的连通区域即为所述最终的气泡缺陷图像。
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行LED芯片的X射线气泡缺陷图像处理方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行LED芯片的X射线气泡缺陷图像处理方法。
LED芯片的X射线气泡缺陷图像处理系统,包括获取图像模块、图像预处理模块以及获得气泡缺陷图像模块;其中,
所述获取图像模块用于获取待检测的LED芯片的X射线图像;
所述图像预处理模块用于对获取的所述LED芯片的X射线图像进行预处理,以提取所述LED芯片的X射线图像中的芯片区域图像;
所述获得气泡缺陷图像模块用于对所述芯片区域图像进行第一次分割处理,获得若干候选气泡区域;对若干所述候选气泡区域进行筛选,得到由若干候选气泡区域组成的候选气泡区域集;对所述候选气泡区域集中的每个所述候选气泡区域进行扩展,得到扩展区域;在所述扩展区域内进行气泡的第二次分割处理,得到最终的气泡缺陷图像。
优选地,还包括图像增强模块,
所述图像增强模块用于计算以所述芯片区域图像中的每个像素为中心,边长为其n倍的正方形邻域内的图像的平均灰度值,记为Ia;所述芯片区域图像中的每个像素的原始灰度值,记为I0;所述芯片区域图像中的每个像素增强后的像素值,记为I1,其计算公式如下:
I1=2*I0-Ia;
对增强后的所述芯片区域图像进行灰度值归一化处理;
所述图像预处理模块包括灰度翻转单元、获取灰度值单元、双阈值分割单元、获取芯片区域的位置单元以及获取芯片区域图像单元;
所述获得气泡缺陷图像模块包括筛选方法单元,所述筛选方法单元用于计算每一个所述候选气泡区域所对应的连通域面积,当所述连通域面积小于等于设定的气泡面积阈值,剔除当前所述候选气泡区域;当所述连通域面积大于设定的气泡面积阈值,将当前所述候选气泡区域放入候选气泡区域集中。
相比现有技术,本发明的有益效果在于:
本发明公开了LED芯片的X射线气泡缺陷图像处理方法及系统、存储介质、电子设备,该方法通过获取图像、图像预处理、图像增强以及阈值选取方法,避免了人为调节参数的繁琐流程,可以快速、准确的检测出气泡缺陷,提高检测效率并具有很好的实用性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的LED芯片的X射线气泡缺陷图像处理方法的整体流程图;
图2为本发明的LED芯片的X射线气泡缺陷图像处理方法的图像预处理的流程图;
图3为应用本发明待检测的LDE芯片的X射线图像;
图4为应用本发明的图像增强处理后的LED芯片区域图像;
图5为应用本发明检测出的气泡区域;
图6为本发明的LED芯片的X射线气泡缺陷图像处理系统的模块图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本发明提供LED芯片的X射线气泡缺陷图像处理方法,如图1、图2所示,包括如下步骤:
S1、获取图像,获取待检测的LED芯片的X射线图像。在一个实施例中,利用X射线对LED芯片进行透射成像以获得待检测的LED芯片的X射线图像。
S2、图像预处理,对获取的LED芯片的X射线图像进行预处理后得到芯片区域图像。图像预处理包括如下步骤:
S21、灰度翻转,对LED芯片的X射线图像进行灰度翻转,得到灰度翻转图像。在一个实施例中,对加载的LED芯片的X射线图像进行灰度翻转,由于LED芯片是焊接在基板上,且芯片以及基板的材质都是以铜、金等重金属元素为主,重金属对X射线的衰减作用非常明显,故重金属对应的区域在灰度翻转后都是高亮区。
S22、获取灰度值,计算灰度翻转图像的灰度直方图,获取灰度直方图上最大的图像峰值,以最大的图像峰值为基准,并获取与其两侧最接近的波谷对应的图像灰度值,分别记为第一灰度值与第二灰度值。在一个实施例中,对翻转后的X射线图像,计算其灰度直方图,在灰度直方图上寻找最大的图像峰值,以此峰值为参考,向左搜寻得到最临近的波谷对应的图像灰度值即第一灰度值,向右搜索得到其最临近的波谷对应的图像灰度值即第二灰度值。
S23、双阈值分割,对灰度翻转图像进行双阈值分割,当灰度翻转图像上的像素值大于第一灰度值且小于第二灰度值时,标记当前像素为前景;否则标记为背景。在一个实施例中,对翻转后的X射线图像,进行双阈值分割,对像素值大于第一灰度值且小于第二灰度值的像素进行标记,标记为前景,标签为1;不满足条件的像素标记为背景,标签为0。
S24、获取芯片区域的位置,对标记为前景的像素进行聚类并计算得出连通域面积最大的类,计算连通域面积最大的类图像区域的最大内接矩形,得到芯片区域的位置。在一个实施例中,对标记为前景的像素进行聚类,计算得出连通域面积最大的类,对该类图像区域计算其最大内接矩形,得到芯片区域的位置。
S25、获取芯片区域图像,从LED芯片的X射线图像中截取与芯片区域的位置相对应的像素,得到芯片区域图像。在一个实施例中,从原始的LED芯片的X射线图像中截取对应区域内的像素,得到芯片区域图像。
S4、获得气泡缺陷图像,对芯片区域图像进行第一次分割处理,获得若干候选气泡区域;对若干候选气泡区域进行筛选,得到由若干候选气泡区域组成的候选气泡区域集;对候选气泡区域集中的每个所述候选气泡区域进行扩展,得到扩展区域;在扩展区域内进行气泡的第二次分割处理,得到最终的气泡缺陷图像。在一个实施例中,计算芯片区域图像的灰度直方图,并计算其最大类间方差灰度值,记为第三灰度值,当芯片区域图像中的像素值大于第三灰度值时,标记当前像素为前景;当芯片区域图像中的像素值小于等于第三灰度值时,标记当前像素为背景;对标记为前景的芯片区域图像的像素进行聚类,并计算得出每一类像素对应的中心坐标与连通域面积,获取每一个连通域对应的最小外接矩形区域即候选气泡区域。在一个实施例中,第一次分割处理为气泡粗分割处理,将芯片区域图像计算其灰度直方图,计算其最大类间方差阈值即第三灰度值,将像素值大于第三灰度值的像素标记为前景,标签设为1;将像素值小于等于第三灰度值的像素标记为背景,标签设为0。
对标记为前景的像素进行聚类,计算得出每一类像素对应的中心坐标和连通域面积,取每一个连通域对应的最小外接矩形区域作为候选气泡区域。
具体地,筛选方法,计算每一个候选气泡区域所对应的连通域面积,当连通域面积小于等于设定的气泡面积阈值,剔除当前候选气泡区域;当连通域面积大于设定的气泡面积阈值,将当前候选气泡区域放入候选气泡区域集中;保持候选气泡区域集中的每一个候选气泡区域的中心坐标不变,将其最小外接矩形的长度与宽度分别扩展n倍,计算扩展后的候选气泡区域内的图像的一维交叉熵阈值;当LED芯片的X射线图像与候选气泡区域的图像的灰度分布之间的交叉熵取最小值时,一维交叉熵阈值为最优阈值,当扩展后的候选气泡区域的像素值大于最优阈值时,标记当前像素为前景;否则记为背景;对标记为前景的像素进行聚类,聚类后的连通区域即为最终的气泡缺陷图像。在一个实施例中,第二次分割处理为精细分割处理,对每一个候选气泡区域计算其对应的连通域面积,如果连通域面积小于设定的气泡面积阈值,则剔除当前的候选气泡区域;对于连通域面积大于等于设定的气泡面积阈值的将当前的候选气泡区域放入一个候选气泡区域集中,对候选气泡区域集中的每一个候选气泡区域保持其中心坐标不变,将其最小外接矩形的长度和宽度分别扩展n倍,优选扩展一倍,形成一个更大的矩形区域,对更大的矩形区域内的图像计算其一维交叉熵阈值t。具体的计算过程如下:
对于原图像灰度分布P即LED芯片的X射线图像以及分割后的图像灰度分布Q,可得:
H={h0,h1,…hL-1};
P={P1,P2…Pn},Pi=ihi;
Q={μ1,μ2};
其中,H为灰度直方图,N为图像像素点总和,L为图像灰度级,μ1,μ2代表分割后图像区域的平均灰度,根据交叉熵公式,可得出P,Q之间的交叉熵表达式:
使D最小的t即为一维交叉熵的最优阈值。
对扩展后的候选气泡区域内的像素进行阈值分割,像素值小于t的像素标记为前景,标签为1;否则标记为背景,标签为0。
对标记为前景的像素进行聚类,聚类后的连通区域即为最终的气泡缺陷区域。
在一个实施例中,在步骤S4与S2之间还包括:
S3、图像增强,计算以芯片区域图像中的每个像素为中心,边长为其n倍的正方形邻域内的图像的平均灰度值,记为Ia;芯片区域图像中的每个像素的原始灰度值,记为I0;芯片区域图像中的每个像素增强后的像素值,记为I1,其计算公式如下:
I1=2*I0-Ia;
对增强后述芯片区域图像进行灰度值归一化处理。在本实施例中,对在步骤S2中提取出的芯片区域图像进行增强,具体地,对图像中的每个像素计算以其为中心,优选边长为5的一个正方形邻域内的图像灰度均值Ia通过上述公式计算每个像素增强后的像素值。
通过本发明的方法对待检测的LED芯片的气泡缺陷的检测,如图3-5所示,图3为待检测的LDE芯片的X射线图像;图4为图像增强处理后的LED芯片区域图像;图5为检测出的气泡区域。
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行LED芯片的X射线气泡缺陷图像处理方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行LED芯片的X射线气泡缺陷图像处理方法。
LED芯片的X射线气泡缺陷图像处理系统,如图6所示,LED芯片的X射线气泡缺陷图像处理系统,包括获取图像模块、图像预处理模块以及获得气泡缺陷图像模块;其中,
获取图像模块用于获取待检测的LED芯片的X射线图像;
图像预处理模块用于对获取的LED芯片的X射线图像进行预处理,以提取LED芯片的X射线图像中的芯片区域图像;
获得气泡缺陷图像模块用于对芯片区域图像进行第一次分割处理,获得若干候选气泡区域;对若干候选气泡区域进行筛选,得到由若干候选气泡区域组成的候选气泡区域集;对候选气泡区域集中的每个候选气泡区域进行扩展,得到扩展区域;在扩展区域内进行气泡的第二次分割处理,得到最终的气泡缺陷图像。
进一步地,还包括图像增强模块,
图像增强模块用于计算以芯片区域图像中的每个像素为中心,边长为其n倍的正方形邻域内的图像的平均灰度值,记为Ia;芯片区域图像中的每个像素的原始灰度值,记为I0;芯片区域图像中的每个像素增强后的像素值,记为I1,其计算公式如下:
I1=2*I0-Ia;
对增强后的芯片区域图像进行灰度值归一化处理;
图像预处理模块包括灰度翻转单元、获取灰度值单元、双阈值分割单元、获取芯片区域的位置单元以及获取芯片区域图像单元;
获得气泡缺陷图像模块包括筛选方法单元,筛选方法单元用于计算每一个候选气泡区域所对应的连通域面积,当连通域面积小于等于设定的气泡面积阈值,剔除当前候选气泡区域;当连通域面积大于设定的气泡面积阈值,将当前候选气泡区域放入候选气泡区域集中。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (9)
1.LED芯片的X射线气泡缺陷图像处理方法,其特征在于,包括如下步骤:
获取图像,获取待检测的LED芯片的X射线图像;
图像预处理,对获取的所述LED芯片的X射线图像进行预处理,以提取所述LED芯片的X射线图像中的芯片区域图像;在步骤图像预处理中还包括如下步骤:
灰度翻转,对所述LED芯片的X射线图像进行灰度翻转,得到灰度翻转图像;
获取灰度值,计算所述灰度翻转图像的灰度直方图,获取所述灰度直方图上最大的图像峰值,以所述最大的图像峰值为基准,并获取与其两侧最接近的波谷对应的图像灰度值,分别记为第一灰度值与第二灰度值;
双阈值分割,对所述灰度翻转图像进行双阈值分割,当所述灰度翻转图像上的像素值大于第一灰度值且小于第二灰度值时,标记当前像素为前景;否则标记为背景;
获取芯片区域的位置,对标记为前景的像素进行聚类并计算得出连通域面积最大的类,计算所述连通域面积最大的类图像区域的最大内接矩形,得到芯片区域的位置;
获取芯片区域图像,从所述LED芯片的X射线图像中截取与所述芯片区域的位置相对应的像素,得到芯片区域图像;
获得气泡缺陷图像,对所述芯片区域图像进行第一次分割处理,获得若干候选气泡区域;对若干所述候选气泡区域进行筛选,得到由若干候选气泡区域组成的候选气泡区域集;对所述候选气泡区域集中的每个所述候选气泡区域进行扩展,得到扩展区域;在所述扩展区域内进行气泡的第二次分割处理,得到最终的气泡缺陷图像。
2.如权利要求1所述的LED芯片的X射线气泡缺陷图像处理方法,其特征在于,在步骤获得气泡缺陷图像与图像预处理之间还包括:
图像增强,计算以所述芯片区域图像中的每个像素为中心,边长为其n倍的正方形邻域内的图像的平均灰度值,记为Ia;所述芯片区域图像中的每个像素的原始灰度值,记为I0;所述芯片区域图像中的每个像素增强后的像素值,记为I1,其计算公式如下:
I1=2*I0-Ia;
对增强后的所述芯片区域图像进行灰度值归一化处理。
3.如权利要求1所述的LED芯片的X射线气泡缺陷图像处理方法,其特征在于,在步骤获得气泡缺陷图像中还包括:
计算所述芯片区域图像的灰度直方图,并计算其最大类间方差灰度值,记为第三灰度值,当所述芯片区域图像中的像素值大于第三灰度值时,标记当前像素为前景;当所述芯片区域图像中的像素值小于等于第三灰度值时,标记当前像素为背景;
对标记为前景的所述芯片区域图像的像素进行聚类,并计算得出每一类像素对应的中心坐标与连通域面积,获取每一个连通域对应的最小外接矩形区域即所述候选气泡区域。
4.如权利要求1所述的LED芯片的X射线气泡缺陷图像处理方法,其特征在于,在步骤获得气泡缺陷图像中还包括:
筛选方法,计算每一个所述候选气泡区域所对应的连通域面积,当所述连通域面积小于等于设定的气泡面积阈值,剔除当前所述候选气泡区域;当所述连通域面积大于设定的气泡面积阈值,将当前所述候选气泡区域放入候选气泡区域集中。
5.如权利要求4所述的LED芯片的X射线气泡缺陷图像处理方法,其特征在于,保持所述候选气泡区域集中的每一个候选气泡区域的中心坐标不变,将其最小外接矩形的长度与宽度分别扩展n倍,计算扩展后的所述候选气泡区域内的图像的一维交叉熵阈值;当所述LED芯片的X射线图像与所述候选气泡区域的图像的灰度分布之间的交叉熵取最小值时,所述一维交叉熵阈值为最优阈值;
当扩展后的所述候选气泡区域的像素值大于所述最优阈值时,标记当前像素为前景;否则记为背景;
对标记为前景的像素进行聚类,聚类后的连通区域即为所述最终的气泡缺陷图像。
6.一种电子设备,其特征在于,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行如权利要求1所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1所述的方法。
8.LED芯片的X射线气泡缺陷图像处理系统,其特征在于,包括获取图像模块、图像预处理模块以及获得气泡缺陷图像模块;其中,
所述获取图像模块用于获取待检测的LED芯片的X射线图像;
所述图像预处理模块用于对获取的所述LED芯片的X射线图像进行预处理,以提取所述LED芯片的X射线图像中的芯片区域图像;图像预处理中还包括如下步骤:
灰度翻转,对所述LED芯片的X射线图像进行灰度翻转,得到灰度翻转图像;
获取灰度值,计算所述灰度翻转图像的灰度直方图,获取所述灰度直方图上最大的图像峰值,以所述最大的图像峰值为基准,并获取与其两侧最接近的波谷对应的图像灰度值,分别记为第一灰度值与第二灰度值;
双阈值分割,对所述灰度翻转图像进行双阈值分割,当所述灰度翻转图像上的像素值大于第一灰度值且小于第二灰度值时,标记当前像素为前景;否则标记为背景;
获取芯片区域的位置,对标记为前景的像素进行聚类并计算得出连通域面积最大的类,计算所述连通域面积最大的类图像区域的最大内接矩形,得到芯片区域的位置;
获取芯片区域图像,从所述LED芯片的X射线图像中截取与所述芯片区域的位置相对应的像素,得到芯片区域图像;
所述获得气泡缺陷图像模块用于对所述芯片区域图像进行第一次分割处理,获得若干候选气泡区域;对若干所述候选气泡区域进行筛选,得到由若干候选气泡区域组成的候选气泡区域集;对所述候选气泡区域集中的每个所述候选气泡区域进行扩展,得到扩展区域;在所述扩展区域内进行气泡的第二次分割处理,得到最终的气泡缺陷图像。
9.如权利要求8所述的LED芯片的X射线气泡缺陷图像处理系统,其特征在于,还包括图像增强模块,
所述图像增强模块用于计算以所述芯片区域图像中的每个像素为中心,边长为其n倍的正方形邻域内的图像的平均灰度值,记为Ia;所述芯片区域图像中的每个像素的原始灰度值,记为I0;所述芯片区域图像中的每个像素增强后的像素值,记为I1,其计算公式如下:
I1=2*I0-Ia;
对增强后的所述芯片区域图像进行灰度值归一化处理;
所述图像预处理模块包括灰度翻转单元、获取灰度值单元、双阈值分割单元、获取芯片区域的位置单元以及获取芯片区域图像单元;
所述获得气泡缺陷图像模块包括筛选方法单元,所述筛选方法单元用于计算每一个所述候选气泡区域所对应的连通域面积,当所述连通域面积小于等于设定的气泡面积阈值,剔除当前所述候选气泡区域;当所述连通域面积大于设定的气泡面积阈值,将当前所述候选气泡区域放入候选气泡区域集中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113191.1A CN111028202B (zh) | 2019-11-14 | 2019-11-14 | Led芯片的x射线气泡缺陷图像处理方法、设备、存储介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113191.1A CN111028202B (zh) | 2019-11-14 | 2019-11-14 | Led芯片的x射线气泡缺陷图像处理方法、设备、存储介质及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111028202A CN111028202A (zh) | 2020-04-17 |
CN111028202B true CN111028202B (zh) | 2021-07-13 |
Family
ID=70201398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911113191.1A Active CN111028202B (zh) | 2019-11-14 | 2019-11-14 | Led芯片的x射线气泡缺陷图像处理方法、设备、存储介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028202B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362306B (zh) * | 2021-06-07 | 2023-01-31 | 中山大学 | 一种基于深度学习的封装芯片缺陷检测方法 |
CN113673526A (zh) * | 2021-07-23 | 2021-11-19 | 浙江大华技术股份有限公司 | 气泡检测方法、终端及计算机可读存储介质 |
CN114387223B (zh) * | 2021-12-22 | 2024-04-26 | 广东正业科技股份有限公司 | 一种芯片缺陷视觉检测方法及设备 |
CN115601367B (zh) * | 2022-12-15 | 2023-04-07 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN115984267B (zh) * | 2023-03-20 | 2023-07-25 | 青岛鼎信通讯科技有限公司 | 一种适用于超声水表的注塑气泡检测方法 |
CN117115197B (zh) * | 2023-08-09 | 2024-05-17 | 幂光新材料科技(上海)有限公司 | 一种led灯珠电路板设计数据智能处理方法及系统 |
CN117409007B (zh) * | 2023-12-15 | 2024-04-12 | 深圳市什方智造科技有限公司 | 一种电池加热膜贴合度的确定方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100061631A1 (en) * | 2008-09-10 | 2010-03-11 | Yusuke Omori | Image processing method and apparatus for face image |
CN105510364A (zh) * | 2015-12-30 | 2016-04-20 | 苏州科耐视智能科技有限公司 | 基于x射线的工业部件缺陷的无损检测系统及其检测方法 |
CN107228860A (zh) * | 2017-06-28 | 2017-10-03 | 北京因时机器人科技有限公司 | 一种基于图像旋转周期特性的齿轮缺陷检测方法 |
CN108037138A (zh) * | 2017-12-23 | 2018-05-15 | 陕西科技大学 | 一种用于检测纸张双面缺陷的纸病检测系统及检测方法 |
CN109001212A (zh) * | 2018-07-17 | 2018-12-14 | 五邑大学 | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903275B (zh) * | 2014-04-23 | 2017-02-22 | 贵州大学 | 利用小波融合算法改进图像分割效果的方法 |
CN109084957B (zh) * | 2018-08-31 | 2024-03-19 | 华南理工大学 | 光伏太阳能晶硅电池片的缺陷检测和颜色分选方法及其系统 |
-
2019
- 2019-11-14 CN CN201911113191.1A patent/CN111028202B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100061631A1 (en) * | 2008-09-10 | 2010-03-11 | Yusuke Omori | Image processing method and apparatus for face image |
CN105510364A (zh) * | 2015-12-30 | 2016-04-20 | 苏州科耐视智能科技有限公司 | 基于x射线的工业部件缺陷的无损检测系统及其检测方法 |
CN107228860A (zh) * | 2017-06-28 | 2017-10-03 | 北京因时机器人科技有限公司 | 一种基于图像旋转周期特性的齿轮缺陷检测方法 |
CN108037138A (zh) * | 2017-12-23 | 2018-05-15 | 陕西科技大学 | 一种用于检测纸张双面缺陷的纸病检测系统及检测方法 |
CN109001212A (zh) * | 2018-07-17 | 2018-12-14 | 五邑大学 | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
Automated optical inspection system for surface mount device light emitting diodes;Kuo Chung-Feng Jeffrey 等;《JOURNAL OF INTELLIGENT MANUFACTURING》;20161031;第641-655页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111028202A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028202B (zh) | Led芯片的x射线气泡缺陷图像处理方法、设备、存储介质及系统 | |
CN108805023B (zh) | 一种图像检测方法、装置、计算机设备及存储介质 | |
CN106778788B (zh) | 对图像进行美学评价的多特征融合方法 | |
US9916666B2 (en) | Image processing apparatus for identifying whether or not microstructure in set examination region is abnormal, image processing method, and computer-readable recording device | |
TW201740316A (zh) | 圖像文字的識別方法和裝置 | |
CN110930390B (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
US8983199B2 (en) | Apparatus and method for generating image feature data | |
CN108186051B (zh) | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统 | |
CN108830149B (zh) | 一种目标细菌的检测方法及终端设备 | |
JPH11110561A (ja) | 画像情報処理装置 | |
Harb et al. | Improved image magnification algorithm based on Otsu thresholding | |
CN104504703A (zh) | 一种基于片式元器件smt焊点彩色图像分割方法 | |
Bora et al. | A new efficient color image segmentation approach based on combination of histogram equalization with watershed algorithm | |
CN108171696B (zh) | 一种胎盘检测方法及装置 | |
CN110246139B (zh) | 基于双阈值的浮游生物原位图像roi快速提取方法 | |
JP2015204023A (ja) | 被写体検出装置、被写体検出方法及びプログラム | |
CN110084818B (zh) | 动态下采样图像分割方法 | |
CN108564534A (zh) | 一种基于检索的图像对比度调整方法 | |
MUSTAFA et al. | A comparative study of automated segmentation methods for cell nucleus detection | |
Hussain et al. | Automatic mass detection in mammograms using multiscale spatial weber local descriptor | |
Jin et al. | A color image segmentation method based on improved K-means clustering algorithm | |
CN108109120B (zh) | 一种点阵二维码的光照补偿方法及装置 | |
CN115619813A (zh) | Sem图像前景提取方法、装置、计算机设备及存储介质 | |
CN112258534B (zh) | 一种超声图像中小脑蚓部的定位及分割方法 | |
Cherepkova et al. | Enhancing dermoscopy images to improve melanoma detection |
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 |