CN111307814A - 一种基于图像处理的硅块杂质检测方法 - Google Patents
一种基于图像处理的硅块杂质检测方法 Download PDFInfo
- Publication number
- CN111307814A CN111307814A CN201911212551.3A CN201911212551A CN111307814A CN 111307814 A CN111307814 A CN 111307814A CN 201911212551 A CN201911212551 A CN 201911212551A CN 111307814 A CN111307814 A CN 111307814A
- Authority
- CN
- China
- Prior art keywords
- gray
- points
- spots
- value
- image
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于图像处理的硅块杂质检测方法,它包括以下步骤:步骤1)图像采集:使用光源对硅块进行照射,并采集穿透过的光线,获得硅块内部图像;步骤2)查找灰斑:对采集的图像进行处理,找到灰斑;步骤3)鉴别灰斑:对找到的灰斑进行鉴别,剔除不是杂质原因形成的灰斑;由步骤1)、步骤2)、步骤3)最终获得硅块内部图像中杂质点的数量、坐标和大小信息;步骤4)结果处理:进一步统计得出杂质密度,杂质点分布,杂质点总面积,确定该硅块的处理方式。本发明是为了提高硅块杂质检测的准确性、客观性、高效性而提供的一种基于图像处理的硅块杂质检测方法。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及硅块内部杂质检测的图像处理技术,具体涉及一种用于硅块内部杂质检测的检测方法。
背景技术
在光伏行业中,多晶硅块是制造太阳能电池片的中间产品,多晶硅块的主要成分是纯硅,但也可能存在碳化硅和氮化硅等杂质,在对多晶硅块进行机械加工的时候,这些杂质会造成较大干扰,导致合格率降低。另外,这些杂质也会降低最终制造出的电池片的光电转化效率。因此,在多晶硅块流入后续工序之前,需要使用红外探测仪获取到其内部图像,根据图像中的杂质来确定对应硅块的等级和处理方法。综上所述,对硅块红外图像中杂质点的判断,是控制生产品质的重要环节,附图中的图1和图2分别是红外图像的整体和局部图片。
目前行业使用的是肉眼检查红外图像的方式,该方式主要存在两方面缺陷:
一方面,由图1及图2可以看出,在整张图像上,杂质点的大小很小,且图像中存在其它干扰项,检测员需要将图像放大后仔细观察才能进行判断,耗时耗力;
另一方面,特别是在杂质点数量较多的情况下,不同人员对同一张图片上杂质点的数量,大小,密度,位置分布等信息的判断是感性的,不同人员的判断存在差异,而且存在误判的可能性。
发明内容
本发明是为了提高硅块杂质检测的准确性、客观性、高效性而提供的一种基于图像处理的硅块杂质检测方法。
为解决上述技术问题,本发明提出如下技术方案:
一种基于图像处理的硅块杂质检测方法,它包括以下步骤:
步骤1)图像采集:使用光源对硅块进行照射,并采集穿透过的光线,获得硅块内部图像;
步骤2)查找灰斑:对采集的图像进行处理,找到灰斑;
步骤3)鉴别灰斑:对找到的灰斑进行鉴别,剔除不是杂质原因形成的灰斑;
由步骤1)、步骤2)、步骤3)最终获得硅块内部图像中杂质点的数量、坐标和大小信息;
步骤4)结果处理:进一步统计得出杂质密度,杂质点分布,杂质点总面积,确定该硅块的处理方式。
在步骤1)中,使用红外光源对硅块进行照射,光源对面的图像采集设备采集到穿透过的光线并生成灰度图上传到连接的图像处理设备,以获得硅块内部图像。
在步骤2)中,具体包括以下步骤:
步骤(1)进行图像预处理:提取图像中的有效部分,去除图像周边的阴影、空白这类无效部分,提取出只包含硅块区域的图像;
步骤(2)进行图像分割:在步骤(1)的基础上,首先从一侧至另一侧提取到其每列的灰度值数据,然后将获得的每一列以N个像素点进行分割,得到多个长度为N个像素点的子列数据;
步骤(3)进行灰点的查找;
步骤(4)获取整张图片所有的灰点,并获取灰斑。
在步骤(3)中,针对步骤(2)得到的子列,获得其各个像素点的灰度值,计算这N个像素点灰度值的中位数,根据中位数确定该子列的灰度值阈值,然后将每个像素点的灰度值与灰度值阈值进行对比,记录所有低于阈值的像素点,所获得的像素点即为灰点。
在获取到整张图片所有灰点后,首先以列为单位,将同一列上所有相邻的灰点连接,连接后得到的灰点集合即为灰线,然后从一侧至另一侧遍历所有的灰线,将左右有接触部分的灰线连接,获取到的集合即为灰斑。
在步骤3)中,在剔除不是杂质原因形成的灰斑时,具体包括以下步骤:
S1)进行大小鉴别:根据灰斑的面积,长度和宽度对单个灰斑进行鉴别;首先,统计灰斑内所有点的个数,作为灰斑的面积;然后分别获取灰斑最左,最右和最上,最下的四个点坐标,分别将二者的水平距离和垂直距离作为该灰斑的宽度和长度;对于任一灰斑,若其面积,宽度或长度的值不在设定的对应区间内,就将该灰斑剔除;
S2)进行形状鉴别:根据灰斑的长宽比和倾斜度过滤掉不合条件的灰斑;
首先,由步骤S31得到的灰斑长度和宽度计算长宽比,若长度/宽度小于指定值,就将对应灰斑剔除;然后,获取到灰斑每一列中点位置的坐标,设这些点通过线性拟合得到的一次函数为y=ax+b,其中x和y分别是横坐标和纵坐标;将所有中点横坐标集合记为Xi,对应的纵坐标集合记为Yi,中点的个数记为n,使用公式:
a=[n∑(Xi*Yi)-(∑Xi*∑Yi)]/(n∑Xi^2-∑Xi*∑Xi);
b=(∑Yi)/n-a(∑Xi)/n;
得到a,b的坐标;a的绝对值越大,剔除a的绝对值大于指定值的灰斑;
S3)进行灰度鉴别:根据灰斑的平均灰度值和中心灰度值过滤掉不合条件的灰斑;
首先,计算灰斑内所有像素点的横坐标和纵坐标的均值,将获得的均值四舍五入取整后得到的坐标点作为该灰斑的中心;从灰斑中心向上下左右四个方向各扩散若干个像素点长度,得到一个像素区域;计算出这个像素区域中灰斑外所有点的灰度均值,由该均值确定平均灰度阈值g0和最小灰度阈值g1;
然后,计算灰斑内所有点的灰度均值,若灰度均值大于g0,则将该灰斑剔除;最后,由灰斑的中心向外扩散一圈,获取到一个像素大小的区域,统计该区域内灰度值小于g1的点,若这种点的个数少于指定数量,则将该灰斑剔除。
步骤4)结果处理:经由以上步骤后,图像识别系统获取到了图像中杂质点的数量,坐标和大小等信息,再进一步统计得出杂质密度,杂质点分布,杂质点总面积等信息,最终确定该硅块的处理方式。
采用上述技术方案,所带来的技术效果为:
1)本发明能得到详细的杂质信息,处理速度快,不需要人工干预,另外也能得到详细全面的杂质信息,测量精度高;
2)本发明能很好的消除设备和硅块原因造成的灰度值差异,提高灰点查找的准确性,从而提高获取的灰斑的准确性,进而提高整个硅块杂质检测的准确性;
3)本发明能很好的对找到的灰斑进行鉴别,准确的去除不符合特征的灰斑,明显提高对杂质的误判率。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为使用红外探伤测试仪获取到的硅块红外图像;
图2为硅块红外图像的局部图;
图3为本发明的工作流程图;
图4为本发明中红外检测仪的工作原理图;
图5为本发明中某一列上不同像素点的灰度值。
具体实施方式
一种基于图像处理的硅块杂质检测方法,它包括以下步骤:
步骤1)图像采集:使用光源对硅块进行照射,并采集穿透过的光线,获得硅块内部图像;
步骤2)查找灰斑:对采集的图像进行处理,找到灰斑;
步骤3)鉴别灰斑:对找到的灰斑进行鉴别,剔除不是杂质原因形成的灰斑;
由步骤1)、步骤2)、步骤3)最终获得硅块内部图像中杂质点的数量、坐标和大小信息;
步骤4)结果处理:进一步统计得出杂质密度,杂质点分布,杂质点总面积,确定该硅块的处理方式。
关于处理方式,后续将杂质特别密集的位置截除,不需要截除的,则根据上述步骤得到的杂质信息进行分级,便于后道工序针对性处理。
步骤1)图像采集
红外检测仪的工作原理如附图的图4,使用红外光源对硅块进行照射,光源对面的照相机采集到穿透过的光线并生成灰度图上传到相连接的计算机。由于不同介质对红外光的吸收和散射情况不同,在图像中会表现出明暗差异,如果硅块内部存在杂质,在图像的对应位置就会表现出如图2所示的黑点。
步骤2)查找灰斑
该步骤对采集的图像进行处理,找到其中灰度值比周围的小,也就是颜色更深的区域,这里将其称之为灰斑。具体的,步骤2)包括:
步骤(1)图像预处理
这一步骤将采集到的图像进行预处理,提取有效的部分。
从附图中的图1可以看到,硅块图像的周围还有一圈阴影,属于无效部分。由于硅块与红外检测仪的相对位置是固定的,根据这个固定位置来去除图片周边的阴影,空白等无效部分,提取出只包含硅块区域的图像。
步骤(2)图像分割
获取到上述步骤的图像后,首先从左到右提取到其每列的灰度值数据。然后将获得的每一列以50个像素点进行分割,得到多个长度为50个点的子列数据。
步骤(3)查找灰点
对于上述步骤得到的子列,其各像素点的灰度值如图5,其中实线为各像素点的灰度值。计算机首先计算这50个点灰度值的中位数,根据中位数确定该子列的灰度值阈值,如附图的图5红色虚线所示。然后将每个像素点的灰度值与灰度值阈值进行对比,记录所有低于阈值的点,称之为灰点。以图5为例,计算机会将纵坐标在16-38之间的所有点识别为灰点并记录。
步骤(4)连接灰点
获取到整张图片的所有灰点后,首先以列为单位,将同一列上所有相邻的灰点连接,连接后得到的灰点集合称为灰线。然后,从左到右遍历所有的灰线,将左右有接触部分的灰线连接,获取到的集合称为灰斑。
步骤3)鉴别灰斑
对由上述步骤找到的所有灰斑进行鉴别,剔除不是杂质原因形成的灰斑,提高杂质识别的精确度。具体步骤包括:
步骤S1)大小鉴别
该步骤根据灰斑的面积,长度和宽度对单个灰斑进行鉴别。
首先,统计灰斑内所有点的个数,作为灰斑的面积。然后分别获取灰斑最左,最右和最上,最下的四个点坐标,分别将二者的水平距离和垂直距离作为该灰斑的宽度和长度。对于任一灰斑,若其面积,宽度或长度的值不在设定的对应区间内,就将该灰斑剔除。
步骤S2)形状鉴别
该步骤根据灰斑的长宽比和倾斜度过滤掉不合条件的灰斑。
首先,由步骤S1)得到的灰斑长度和宽度计算长宽比,若长度/宽度小于1.11,就将对应灰斑剔除。然后,获取到灰斑每一列中点位置的坐标,设这些点通过线性拟合得到的一次函数为y=ax+b,其中x和y分别是横坐标和纵坐标,将所有中点横坐标集合记为xi,对应的纵坐标集合记为Yi,中点的个数记为n,使用公式:
a=[n∑(Xi*Yi)-(∑Xi*∑Yi)]/(n∑Xi^2-∑Xi*∑Xi)
b=(∑Yi)/n-a(∑Xi)/n
得到a,b的坐标,a的绝对值越大,说明灰斑整体上在左右方向越不对称,可能呈现左高右低或右高左低的状态。剔除a的绝对值大于0.3的灰斑。
步骤S3)灰度鉴别
该步骤根据灰斑的平均灰度值和中心灰度值过滤掉不合条件的灰斑
首先,计算灰斑内所有像素点的横坐标和纵坐标的均值,将获得的均值四舍五入取整后得到的坐标点作为该灰斑的中心。从灰斑中心向上下左右四个方向各扩散25个像素点长度,得到一个51*51像素大小的区域。计算出这个区域中灰斑外所有点的灰度均值,由该均值确定平均灰度阈值g0和最小灰度阈值g1。
然后,计算灰斑内所有点的灰度均值,若灰度均值大于g0,则将该灰斑剔除。最后,由灰斑的中心向外扩散一圈,获取到一个3*3像素大小的区域,统计该区域内灰度值小于g1的点,若这种点的个数少于三个,则将该灰斑剔除。
步骤4)结果处理
经由以上步骤后,图像识别系统获取到了图像中杂质点的数量,坐标和大小等信息,再进一步统计得出杂质密度,杂质点分布,杂质点总面积等信息,最终确定该硅块的处理方式,并使用弹窗的方式进行提醒;一方面将详细信息输出为表格文件储存在计算机硬盘内,便于后续的复查和追溯。
一种硅块红外图像中查找灰点的方法,它包括以下步骤:
步骤(1)进行图像预处理:提取图像中的有效部分,去除图像周边的阴影、空白这类无效部分,提取出只包含硅块区域的图像;
步骤(2)进行图像分割:在步骤(1)的基础上,首先从一侧至另一侧提取到其每列的灰度值数据,然后将获得的每一列以N个像素点进行分割,得到多个长度为N个像素点的子列数据;
步骤(3)进行灰点的查找,针对步骤(2)得到的子列,获得其各个像素点的灰度值,计算这N个像素点灰度值的中位数,根据中位数确定该子列的灰度值阈值,然后将每个像素点的灰度值与灰度值阈值进行对比,记录所有低于阈值的像素点,所获得的像素点即为灰点。
在灰点的查找中,查找灰点的关键在于其灰度值较周边低,而由于设备自身原因,硅块红外图像中有一条条完全垂直的深色格栅,如附图的图2所示,这导致图像在水平方向上的灰度值变化较大,而在垂直方向上,由于硅块头尾部电阻率差异,对红外光的吸收程度不同,故图像在垂直方向上也有灰度值变化,但该变化相对平稳,如附图中的图1所示。
由于上述的原因,本发明以列为单位查找灰度值低的点,先将每一列分为50个像素点大小的子列,然后在每个子列中查找灰度值低的点,从而消除了设备和硅块原因造成的灰度值差异,提高灰点查找的准确性,这种算法简单有效,对内存的占用小,可以做到快速,准确地识别图像中的灰点。
在硅块的红外图像中,除了杂质点的颜色较深外,硅块内部的微裂纹,微晶,外部的表面磨痕,污渍等等因素都会造成局部颜色的深浅不一。因此,直接将找到的灰点视为杂质,会导致误判的几率增加。多晶硅块是硅料融化后由下至上冷却结晶形成的,由于其生产工艺的原因,内部杂质有以下特点:
1.相较于上面提到的微裂纹等因素,杂质的体积更小;
2.杂质一般呈现橄榄球形,纵向长度大于横向宽度;
3.杂质左右两端基本处于同一高度;
4.在红外图像中,杂质的颜色一般是最深的,尤其是杂质的中心位置,灰度值只有周边非杂质区域灰度值的三分之一。
因此,针对上述的这些特点,现提出一种硅块红外图像中鉴别灰斑的方法,去除不满足以上特点的灰斑,经大量数据测试验证,本系统对杂质的误判率在0.4%以下,能够满足实际需求。
一种硅块红外图像中鉴别灰斑的方法,它包括以下步骤:
S1)进行大小鉴别:根据灰斑的面积,长度和宽度对单个灰斑进行鉴别;首先,统计灰斑内所有点的个数,作为灰斑的面积;然后分别获取灰斑最左,最右和最上,最下的四个点坐标,分别将二者的水平距离和垂直距离作为该灰斑的宽度和长度;对于任一灰斑,若其面积,宽度或长度的值不在设定的对应区间内,就将该灰斑剔除;
S2)进行形状鉴别:根据灰斑的长宽比和倾斜度过滤掉不合条件的灰斑;
首先,由步骤S31得到的灰斑长度和宽度计算长宽比,若长度/宽度小于指定值,就将对应灰斑剔除;然后,获取到灰斑每一列中点位置的坐标,设这些点通过线性拟合得到的一次函数为y=ax+b,其中x和y分别是横坐标和纵坐标;将所有中点横坐标集合记为Xi,对应的纵坐标集合记为Yi,中点的个数记为n,使用公式:
a=[n∑(Xi*Yi)-(∑Xi*∑Yi)]/(n∑Xi^2-∑Xi*∑Xi);
b=(∑Yi)/n-a(∑Xi)/n;
得到a,b的坐标;a的绝对值越大,剔除a的绝对值大于指定值的灰斑.
S3)进行灰度鉴别:根据灰斑的平均灰度值和中心灰度值过滤掉不合条件的灰斑;
首先,计算灰斑内所有像素点的横坐标和纵坐标的均值,将获得的均值四舍五入取整后得到的坐标点作为该灰斑的中心;从灰斑中心向上下左右四个方向各扩散若干个像素点长度,得到一个像素区域;计算出这个像素区域中灰斑外所有点的灰度均值,由该均值确定平均灰度阈值g0和最小灰度阈值g1;
然后,计算灰斑内所有点的灰度均值,若灰度均值大于g0,则将该灰斑剔除;最后,由灰斑的中心向外扩散一圈,获取到一个像素大小的区域,统计该区域内灰度值小于g1的点,若这种点的个数少于指定数量,则将该灰斑剔除。
Claims (9)
1.一种基于图像处理的硅块杂质检测方法,其特征在于,它包括以下步骤:
步骤1)图像采集:使用光源对硅块进行照射,并采集穿透过的光线,获得硅块内部图像;
步骤2)查找灰斑:对采集的图像进行处理,找到灰斑;
步骤3)鉴别灰斑:对找到的灰斑进行鉴别,剔除不是杂质原因形成的灰斑;
由步骤1)、步骤2)、步骤3)最终获得硅块内部图像中杂质点的数量、坐标和大小信息;
步骤4)结果处理:进一步统计得出杂质密度,杂质点分布,杂质点总面积,确定该硅块的处理方式。
2.根据权利要求1所述的基于图像处理的硅块杂质检测方法,其特征在于,在步骤1)中,使用红外光源对硅块进行照射,光源对面的图像采集设备采集到穿透过的光线并生成灰度图上传到连接的图像处理设备,以获得硅块内部图像。
3.根据权利要求1所述的基于图像处理的硅块杂质检测方法,其特征在于,在步骤2)中,具体包括以下步骤:
步骤(1)进行图像预处理:提取图像中的有效部分,去除图像周边的阴影、空白这类无效部分,提取出只包含硅块区域的图像;
步骤(2)进行图像分割:在步骤(1)的基础上,首先从一侧至另一侧提取到其每列的灰度值数据,然后将获得的每一列以N个像素点进行分割,得到多个长度为N个像素点的子列数据;
步骤(3)进行灰点的查找;
步骤(4)获取整张图片所有的灰点,并获取灰斑。
4.根据权利要求3所述的基于图像处理的硅块杂质检测方法,其特征在于:在步骤(3)中,针对步骤(2)得到的子列,获得其各个像素点的灰度值,计算这N个像素点灰度值的中位数,根据中位数确定该子列的灰度值阈值,然后将每个像素点的灰度值与灰度值阈值进行对比,记录所有低于阈值的像素点,所获得的像素点即为灰点。
5.根据权利要求3或4所述的基于图像处理的硅块杂质检测方法,其特征在于:在获取到整张图片所有灰点后,首先以列为单位,将同一列上所有相邻的灰点连接,连接后得到的灰点集合即为灰线,然后从一侧至另一侧遍历所有的灰线,将左右有接触部分的灰线连接,获取到的集合即为灰斑。
6.根据权利要求1至4其中之一所述的基于图像处理的硅块杂质检测方法,其特征在于,在步骤3)中,在剔除不是杂质原因形成的灰斑时,具体包括以下步骤:
S1)进行大小鉴别:根据灰斑的面积,长度和宽度对单个灰斑进行鉴别;首先,统计灰斑内所有点的个数,作为灰斑的面积;然后分别获取灰斑最左,最右和最上,最下的四个点坐标,分别将二者的水平距离和垂直距离作为该灰斑的宽度和长度;对于任一灰斑,若其面积,宽度或长度的值不在设定的对应区间内,就将该灰斑剔除;
S2)进行形状鉴别:根据灰斑的长宽比和倾斜度过滤掉不合条件的灰斑;
首先,由步骤S31得到的灰斑长度和宽度计算长宽比,若长度/宽度小于指定值,就将对应灰斑剔除;然后,获取到灰斑每一列中点位置的坐标,设这些点通过线性拟合得到的一次函数为y=ax+b,其中x和y分别是横坐标和纵坐标;将所有中点横坐标集合记为Xi,对应的纵坐标集合记为Yi,中点的个数记为n,使用公式:
a=[n∑(Xi*Yi)-(∑Xi*∑Yi)]/(n∑Xi^2-∑Xi*∑Xi);
b=(∑Yi)/n-a(∑Xi)/n;
得到a,b的坐标;a的绝对值越大,剔除a的绝对值大于指定值的灰斑.
S3)进行灰度鉴别:根据灰斑的平均灰度值和中心灰度值过滤掉不合条件的灰斑;
首先,计算灰斑内所有像素点的横坐标和纵坐标的均值,将获得的均值四舍五入取整后得到的坐标点作为该灰斑的中心;从灰斑中心向上下左右四个方向各扩散若干个像素点长度,得到一个像素区域;计算出这个像素区域中灰斑外所有点的灰度均值,由该均值确定平均灰度阈值g0和最小灰度阈值g1;
然后,计算灰斑内所有点的灰度均值,若灰度均值大于g0,则将该灰斑剔除;最后,由灰斑的中心向外扩散一圈,获取到一个像素大小的区域,统计该区域内灰度值小于g1的点,若这种点的个数少于指定数量,则将该灰斑剔除。
7.根据权利要求1所述的基于图像处理的硅块杂质检测方法,其特征在于:在步骤4)中,在图像识别系统获取到了图像中杂质点的数量,坐标和大小等信息后,再进一步统计得出杂质密度,杂质点分布,杂质点总面积等信息,最终确定该硅块的处理方式。
8.一种硅块红外图像中查找灰点的方法,它包括以下步骤:
步骤(1)进行图像预处理:提取图像中的有效部分,去除图像周边的阴影、空白这类无效部分,提取出只包含硅块区域的图像;
步骤(2)进行图像分割:在步骤(1)的基础上,首先从一侧至另一侧提取到其每列的灰度值数据,然后将获得的每一列以N个像素点进行分割,得到多个长度为N个像素点的子列数据;
步骤(3)进行灰点的查找,针对步骤(2)得到的子列,获得其各个像素点的灰度值,计算这N个像素点灰度值的中位数,根据中位数确定该子列的灰度值阈值,然后将每个像素点的灰度值与灰度值阈值进行对比,记录所有低于阈值的像素点,所获得的像素点即为灰点。
9.一种硅块红外图像中鉴别灰斑的方法,它包括以下步骤:
S1)进行大小鉴别:根据灰斑的面积,长度和宽度对单个灰斑进行鉴别;首先,统计灰斑内所有点的个数,作为灰斑的面积;然后分别获取灰斑最左,最右和最上,最下的四个点坐标,分别将二者的水平距离和垂直距离作为该灰斑的宽度和长度;对于任一灰斑,若其面积,宽度或长度的值不在设定的对应区间内,就将该灰斑剔除;
S2)进行形状鉴别:根据灰斑的长宽比和倾斜度过滤掉不合条件的灰斑;
首先,由步骤S31得到的灰斑长度和宽度计算长宽比,若长度/宽度小于指定值,就将对应灰斑剔除;然后,获取到灰斑每一列中点位置的坐标,设这些点通过线性拟合得到的一次函数为y=ax+b,其中x和y分别是横坐标和纵坐标;将所有中点横坐标集合记为Xi,对应的纵坐标集合记为Yi,中点的个数记为n,使用公式:
a=[n∑(Xi*Yi)-(∑Xi*∑Yi)]/(n∑Xi^2-∑Xi*∑Xi);
b=(∑Yi)/n-a(∑Xi)/n;
得到a,b的坐标;a的绝对值越大,剔除a的绝对值大于指定值的灰斑;
S3)进行灰度鉴别:根据灰斑的平均灰度值和中心灰度值过滤掉不合条件的灰斑;
首先,计算灰斑内所有像素点的横坐标和纵坐标的均值,将获得的均值四舍五入取整后得到的坐标点作为该灰斑的中心;从灰斑中心向上下左右四个方向各扩散若干个像素点长度,得到一个像素区域;计算出这个像素区域中灰斑外所有点的灰度均值,由该均值确定平均灰度阈值g0和最小灰度阈值g1;
然后,计算灰斑内所有点的灰度均值,若灰度均值大于g0,则将该灰斑剔除;最后,由灰斑的中心向外扩散一圈,获取到一个像素大小的区域,统计该区域内灰度值小于g1的点,若这种点的个数少于指定数量,则将该灰斑剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212551.3A CN111307814B (zh) | 2019-11-29 | 2019-11-29 | 一种基于图像处理的硅块杂质检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212551.3A CN111307814B (zh) | 2019-11-29 | 2019-11-29 | 一种基于图像处理的硅块杂质检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111307814A true CN111307814A (zh) | 2020-06-19 |
CN111307814B CN111307814B (zh) | 2022-10-04 |
Family
ID=71144744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911212551.3A Active CN111307814B (zh) | 2019-11-29 | 2019-11-29 | 一种基于图像处理的硅块杂质检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111307814B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113109352A (zh) * | 2021-04-07 | 2021-07-13 | 桂林电子科技大学 | 一种基于机器视觉的生丝质量检测方法及装置 |
CN113465678A (zh) * | 2021-07-12 | 2021-10-01 | 安徽富信半导体科技有限公司 | 一种半导体元件抽样检测装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011062279A1 (ja) * | 2009-11-20 | 2011-05-26 | 独立行政法人産業技術総合研究所 | 欠陥を検査する方法、欠陥の検査を行ったウエハまたはそのウエハを用いて製造された半導体素子、ウエハまたは半導体素子の品質管理方法及び欠陥検査装置 |
CN103592311A (zh) * | 2013-11-26 | 2014-02-19 | 英利集团有限公司 | 用于探测硅块内部缺陷的红外探测装置及探测方法 |
CN104237244A (zh) * | 2013-08-27 | 2014-12-24 | 天威新能源控股有限公司 | 一种硅锭质量的检测方法 |
CN105158277A (zh) * | 2015-10-08 | 2015-12-16 | 吴礼刚 | 一种大截面大厚度红外玻璃内部缺陷检测装置 |
CN106409711A (zh) * | 2016-09-12 | 2017-02-15 | 佛山市南海区广工大数控装备协同创新研究院 | 一种太阳能硅晶片缺陷检测系统及方法 |
CN107727662A (zh) * | 2017-09-28 | 2018-02-23 | 河北工业大学 | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 |
-
2019
- 2019-11-29 CN CN201911212551.3A patent/CN111307814B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011062279A1 (ja) * | 2009-11-20 | 2011-05-26 | 独立行政法人産業技術総合研究所 | 欠陥を検査する方法、欠陥の検査を行ったウエハまたはそのウエハを用いて製造された半導体素子、ウエハまたは半導体素子の品質管理方法及び欠陥検査装置 |
CN104237244A (zh) * | 2013-08-27 | 2014-12-24 | 天威新能源控股有限公司 | 一种硅锭质量的检测方法 |
CN103592311A (zh) * | 2013-11-26 | 2014-02-19 | 英利集团有限公司 | 用于探测硅块内部缺陷的红外探测装置及探测方法 |
CN105158277A (zh) * | 2015-10-08 | 2015-12-16 | 吴礼刚 | 一种大截面大厚度红外玻璃内部缺陷检测装置 |
CN106409711A (zh) * | 2016-09-12 | 2017-02-15 | 佛山市南海区广工大数控装备协同创新研究院 | 一种太阳能硅晶片缺陷检测系统及方法 |
CN107727662A (zh) * | 2017-09-28 | 2018-02-23 | 河北工业大学 | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113109352A (zh) * | 2021-04-07 | 2021-07-13 | 桂林电子科技大学 | 一种基于机器视觉的生丝质量检测方法及装置 |
CN113465678A (zh) * | 2021-07-12 | 2021-10-01 | 安徽富信半导体科技有限公司 | 一种半导体元件抽样检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111307814B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110286126B (zh) | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 | |
CN105784713B (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
CN109115800B (zh) | 一种产品毛刺的快速检测及长度精确测量方法 | |
CN111307814B (zh) | 一种基于图像处理的硅块杂质检测方法 | |
CN102136061A (zh) | 一种矩形石英晶片缺陷自动检测分类识别方法 | |
CN100351039C (zh) | 一种静态刀具图像的精密测量方法 | |
CN107478657A (zh) | 基于机器视觉的不锈钢表面缺陷检测方法 | |
CN108960237B (zh) | 一种指针式油位计读数识别方法 | |
CN115375686B (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN111274939B (zh) | 基于单目摄像头的道路路面坑洼破损自动提取方法 | |
CN102288613A (zh) | 一种灰度和深度信息融合的表面缺陷检测方法 | |
CN113362285A (zh) | 一种钢轨表面伤损细粒度图像分类与检测方法 | |
CN115861320B (zh) | 一种汽车零件加工信息智能检测方法 | |
CN101639941B (zh) | Cb法微核图像中双核淋巴细胞的准确快速提取方法 | |
CN106780473A (zh) | 一种磁环缺陷多目视觉检测方法及系统 | |
CN111862055B (zh) | 一种基于图像处理的水准泡车削空腔缺陷检测方法 | |
CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
CN115311283B (zh) | 一种玻璃拉管缺陷检测方法及系统 | |
CN116012292A (zh) | 一种基于机器视觉的晶圆外观缺陷检测方法 | |
CN109961065A (zh) | 一种海面舰船目标检测方法 | |
CN112036391B (zh) | 一种基于页岩气田生产站场的电子巡检方法及系统 | |
CN110059679B (zh) | 一种基于近红外图像的饲料原料中污染物非目标检测方法 | |
WO2023134251A1 (zh) | 一种基于聚类的光条提取方法及装置 | |
CN113409302B (zh) | 一种基于oct图像的玉米籽粒早期霉变识别方法 | |
CN110827272B (zh) | 一种基于图像处理的轮胎x光图像缺陷检测方法 |
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 |