CN113012125A - 基于图像识别的半导体cp设备自动化针卡校对方法及系统 - Google Patents
基于图像识别的半导体cp设备自动化针卡校对方法及系统 Download PDFInfo
- Publication number
- CN113012125A CN113012125A CN202110281425.4A CN202110281425A CN113012125A CN 113012125 A CN113012125 A CN 113012125A CN 202110281425 A CN202110281425 A CN 202110281425A CN 113012125 A CN113012125 A CN 113012125A
- Authority
- CN
- China
- Prior art keywords
- pin card
- equipment
- picture
- contour
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000004065 semiconductor Substances 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000005286 illumination Methods 0.000 claims abstract description 43
- 238000001914 filtration Methods 0.000 claims abstract description 31
- 238000003708 edge detection Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000001915 proofreading effect Effects 0.000 claims abstract description 8
- 239000013256 coordination polymer Substances 0.000 claims abstract 25
- 230000008569 process Effects 0.000 claims description 21
- 230000008030 elimination Effects 0.000 claims description 10
- 238000003379 elimination reaction Methods 0.000 claims description 10
- JICJBGPOMZQUBB-UHFFFAOYSA-N 7-[(3-chloro-6-methyl-5,5-dioxido-6,11-dihydrodibenzo[c,f][1,2]thiazepin-11-yl)amino]heptanoic acid Chemical compound O=S1(=O)N(C)C2=CC=CC=C2C(NCCCCCCC(O)=O)C2=CC=C(Cl)C=C21 JICJBGPOMZQUBB-UHFFFAOYSA-N 0.000 claims description 5
- 229960005138 tianeptine Drugs 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 102100032202 Cornulin Human genes 0.000 claims 2
- 101000920981 Homo sapiens Cornulin Proteins 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 12
- 238000012015 optical character recognition Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于图像识别的半导体CP设备自动化针卡校对方法及系统。该方法包括:识别针卡报错信息步骤如下:实时监控CP设备的画面中是否弹出针卡报错信息;当识别到针卡报错信息时,进入自动针卡校对步骤;自动针卡校对步骤如下:进入针卡校对操作界面后,对CP设备当前的光照模式进行OCR识别;当识别到光照模式为非Coaxial模式时,则将CP设备的光照模式调整为Coaxial模式;采集CP设备当前的显示器画面截图;对该显示器画面截图进行灰度化处理、二值化处理和干扰过滤处理、进一步去干扰处理、Sobel算子边缘检测、轮廓查找和轮廓过滤,从而计算出目标针尖点的坐标位置;指令控制CP设备点击到目标针尖点的坐标位置,完成自动针卡校对。
Description
技术领域
本发明涉及半导体测试技术领域,特别涉及一种基于图像识别的半导体CP设备自动化针卡校对方法及系统。
背景技术
CP测试机(晶圆测试机)在半导体芯片生产加工厂和封装测试厂中均有广泛的使用。工厂中大多数CP机台在自动化作业过程中,部分步骤工序比如Recipe Download(配方下载)、Lot load(生产批号加载)、Needle Mark(针卡校对),不能完全依靠设备自身完成,而需要人工介入手动操作,导致自动化水平不高,工作效率有待提高。
对于配方下载工序和生产批号加载工序,目前已有相应的研究成果可以实现该工序的程序自动化操作。但是对于针卡校对,目前仍然主要是采用人工手动校对的形式,这种方式存在一些缺陷:针卡校对工序采用人为操作而其他工序采用程序自动化操作,那么这种在软件自动化过程中加入人为强行操作可能会导致运行异常;在一些特殊情况与场景下,针卡校对成功率不能达到100%;若机器换其他探针卡后可能需要重新设定参数将白色针尖点调整出来,操作繁琐。
鉴于上述情况,本发明旨在解决CP机台原本需要人工介入的针卡校对工序步骤所带来的自动化水平不高、效率低的问题。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于图像识别的半导体CP设备自动化针卡校对方法及系统,以通过图像处理算法、文字识别、远程控制来实现针卡校对工序步骤的自动化处理。
为实现达到上述目的,本发明采用如下技术方案:
本发明提供一种基于图像识别的半导体CP设备自动化针卡校对方法,具有这样的特征,包括:识别针卡报错信息步骤和自动针卡校对步骤,
识别针卡报错信息步骤如下:步骤一,实时监控CP设备的画面中是否弹出针卡报错信息;步骤二,当识别到针卡报错信息时,进入自动针卡校对步骤;
自动针卡校对步骤如下:步骤三,进入针卡校对操作界面后,对CP设备当前的光照模式进行OCR识别;步骤四,当识别到光照模式为非Coaxial模式时,则将CP设备的光照模式调整为Coaxial模式;步骤五,采集CP设备当前的显示器画面截图;步骤六,对显示器画面截图进行灰度化处理;步骤七,对步骤六处理后的图片进行二值化处理和干扰过滤处理;步骤八,对步骤七处理后的图片进行进一步去干扰处理;步骤九,对步骤八处理后的图片进行Sobel算子边缘检测,区分出准心和针尖点;步骤十,对步骤九处理后的图片进行轮廓查找和轮廓过滤,计算出目标针尖点的坐标位置;步骤十一,指令控制CP设备点击到目标针尖点的坐标位置上,即完成自动针卡校对。
在本发明提供的基于图像识别的半导体CP设备自动化针卡校对方法中,还可以具有这样的特征:其中,步骤一中,通过OpenCV软件中模板匹配算法,将CP设备的当前画面与标准针卡报错信息模板的进行匹配,当画面匹配时,则认定监控CP设备的画面中弹出有针卡报错信息。
在本发明提供的基于图像识别的半导体CP设备自动化针卡校对方法中,还可以具有这样的特征:其中,步骤三中,通过CRNN网络对CP设备当前的光照模式进行OCR识别,CRNN网络所使用的训练样本基于针卡校对操作界面的字符。
在本发明提供的基于图像识别的半导体CP设备自动化针卡校对方法中,还可以具有这样的特征:其中,针卡校对操作界面用于表示光照模式的字符分为三种:Oblique、Coaxial、Oblique+Coaxial;当识别到Oblique或Oblique+Coaxial字符时,则认为CP设备当前的光照模式为非Coaxial模式。
在本发明提供的基于图像识别的半导体CP设备自动化针卡校对方法中,还可以具有这样的特征:其中,步骤七中的干扰过滤处理为:在经过二值化模块处理后,使用轮廓查找查找出二值化后的所有轮廓,再通过轮廓点计算每个轮廓的最小外接矩形的面积,将计算出的轮廓面积与事先预设的值进行比对,若最小外接矩形的面积超出预设值的正负15%,则直接去掉该轮廓;步骤八中的进一步去干扰处理为:使用Opencv的掩模模块,对设备界面的左上方区域直接进行掩模操作。
在本发明提供一种用于实现上述基于图像识别的半导体CP设备自动化针卡校对方法的系统,其特征在于,该系统包括:针卡报错信息识别模块,用于实时监控CP设备的画面中是否弹出针卡报错信息;光照模式OCR识别模块,用于对CP设备当前的光照模式进行OCR识别;光照模式调整模块,用于调整CP设备的光照模式;灰度化处理模块,用于对图片进行灰度化处理;二值化处理模块,用于对图片进行二值化处理;干扰过滤处理模块,用于对图片进行干扰过滤处理;进一步去干扰处理模块,用于对图片进行进一步去干扰处理;Sobel算子边缘检测模块,用于对图片中目标进行Sobel算子边缘检测;轮廓查找模块,用于对图片中目标进行轮廓查找;轮廓过滤模块,用于对图片中目标进行轮廓过滤;指令控制点击模块,用于指令控制CP设备进行坐标位置的点击。
本发明的作用和效果:
一、本发明的基于图像识别的半导体CP设备自动化针卡校对方法及系统应用在半导体代工厂加工车间中,更换产品或者制程后只要锁上晶圆容器Cassette后就可以自动运行,大幅提高了晶圆测试过程的自动化程度。
二、相较于目前的多个设备可能需要一个或多个生产助理来操作,然而RecipeTrack in(制程工序跟踪)、Needle Mark(针卡校对)、Testprogram setting(测试程序设定)等操作频繁又繁琐,难免存在忙不过来的情况,当使用本本发明的基于图像识别的半导体CP设备自动化针卡校对方法及系统后进行算法软件自动操作后,生产助理可以从这些机械的工作中解放出来,提高了整体生产效率。
三、本发明通过图像处理算法,文字识别、远程控制的一整套方案实现的自动化,其对针在CP测试机的生产测试过程意义重大,不仅能够提升效率,而且能够大幅度的降低人为操作失误的风险。
四、本发明本发明的基于图像识别的半导体CP设备自动化针卡校对方法中算法部分基于传统视觉方案,使用OpenCV技术作为实现基础,避免机器学习方案需要样本和训练数据的问题,而且算法移植性强,可移植到ARM处理器等及成本设备上,具有应用范围广的特点。
附图说明
图1是本发明实施例中的基于图像识别的半导体CP设备自动化针卡校对方法的流程图;
图2是CP设备的画面中弹出针卡报错信息时的界面图;
图3是针卡报错信息的示意图;
图4是本发明实施例中的CRNN网络进行字符识别的原理图;
图5(a)是本发明实施例中的图片在Oblique光照模式的示意图,图5(b)是图片Coaxial光照模式下的示意图;
图6是本发明实施例中的图片灰度化后的示意图;
图7是本发明实施例中的图片二值化及干扰过滤处理后的示意图;
图8是本发明实施例中的图片进一步去干扰处理后的示意图;
图9是本发明实施例中的图片Sobel算子边缘检测区分出准心和针尖点的示意图;
图10是本发明实施例中的图片进行轮廓查找和轮廓过滤计算出目标针尖点坐标位置的示意图;
图11是本发明实施例中的点击到目标针尖点的坐标位置上成功完成针卡校对后的示意图;
图12是人工手动操作与采用了本发明基于图像识别的半导体CP设备自动化针卡校对方法来实施针卡校对工序的程序自动化操作的整体流程效率对比图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明的基于图像识别的半导体CP设备自动化针卡校对方法作具体阐述。
<实施例>
本实施例提供一种基于图像识别的半导体CP设备自动化针卡校对系统,该系统为计算机程序控制执行的软件系统。该系统包括针卡报错信息识别模块、光照模式OCR识别模块、光照模式调整模块、灰度化处理模块、二值化处理模块、干扰过滤处理模块、进一步去干扰处理模块、Sobel算子边缘检测模块、轮廓查找模块、轮廓过滤模块、指令控制点击模块。针卡报错信息识别模块用于实时监控CP设备的画面中是否弹出针卡报错信息。光照模式OCR识别模块用于对CP设备当前的光照模式进行OCR识别。光照模式调整模块用于调整CP设备的光照模式。灰度化处理模块用于对图片进行灰度化处理。二值化处理模块用于对图片进行二值化处理。干扰过滤处理模块用于对图片进行干扰过滤处理。进一步去干扰处理模块用于对图片进行进一步去干扰处理。Sobel算子边缘检测模块用于对图片进行Sobel算子边缘检测。轮廓查找模块用于对图片进行轮廓查找。轮廓过滤模块用于对图片进行轮廓过滤。指令控制点击模块用于指令控制CP设备进行坐标位置的点击。
如图1所示,本实施例中还提供一种通过上述系统实行的基于图像识别的半导体CP设备自动化针卡校对方法,该方法包括识别针卡报错信息步骤和自动针卡校对步骤:
识别针卡报错信息步骤如下:
步骤一,实时监控CP设备的画面中是否弹出针卡报错信息窗口。
在生产制造过程中CP设备运行后,系统通过针卡报错信息识别模块对监控CP设备的画面进行实时监控。该监控过程中通过OpenCV软件中模板匹配算法实时将CP设备的当前画面与标准针卡报错信息模板的进行匹配,当画面匹配时,则认定监控CP设备的画面中弹出有针卡报错信息。图2中示意了CP设备的画面中弹出针卡报错信息时的界面图。图3中标号A所指的虚线框区域内即为针卡报错信息(Set CROSS MARK on needle positionandpush<DATE IN>SW.!!),当CP设备的画面中弹出针卡报错信息窗口时,该针卡报错信息窗口中必定会出现虚线框区域内的内容,以该虚线框区域图像作为标准针卡报错信息模板,当前画面中有与标准针卡报错信息模板相匹配的图像画面时,即表示识别到针卡报错信息。
步骤二,当识别到针卡报错信息时,进入自动针卡校对步骤。
自动针卡校对步骤如下:
步骤三,对CP设备当前的光照模式进行OCR识别。
在本步骤中通过光照模式OCR识别模块对CP设备当前的光照模式进行OCR识别(光学字符识别):使用CRNN网络(卷积递归神经网络)进行OCR识别,CRNN网络所使用的训练样本基于针卡校对操作界面的字符。针卡校对操作界面用于表示光照模式的字符分为三种:Oblique、Coaxial、Oblique+Coaxial,参阅图4,图中Character RecognitionFor CRNN表示CRNN网络进行字符识别:当识别到界面中的“Oblique”字符时,识别结果认为CP设备当前的光照模式为Oblique模式;当识别到界面中的“Coaxia”字符时,识别结果认为CP设备当前的光照模式为Coaxia模式;当识别到界面中的“Oblique+Coaxial”字符时,识别结果认为CP设备当前的光照模式为Oblique+Coaxial模式。其中光照模式为Oblique或Oblique+Coaxial模式时,视为非Coaxial模式。
测试验证:CRNN使用训练的样本全部基于设备界面上的字符,通过测试发现准确率在99%以上。
步骤四,当识别到光照模式为非Coaxial模式时,则光照模式调整模块将CP设备的光照模式调整为Coaxial模式。
此步骤实现的效果:不管设备的光照模式被调节成了什么值,系统都能够正确的将光照模式调整为后续Opencv算法(灰度化处理、二值化处理和干扰过滤处理、进一步去干扰处理、轮廓查找、轮廓过滤均通过Opencv算法实现)需要的最佳光照模式(Coaxial模式)。
图5示意了Oblique模式和Coaxial模式下图片情况。
步骤五,采集CP设备当前的显示器画面截图。
步骤六,如图6所示,通过灰度化处理模块对显示器画面截图进行灰度化处理。
步骤七,如图7所示,通过二值化处理模块对步骤六处理后的图片进行二值化处理和干扰过滤处理。此处干扰过滤的步骤为:在经过二值化模块处理后,使用轮廓查找查找出二值化后的所有轮廓,再通过轮廓点计算每个轮廓的最小外接矩形的面积,将计算出的轮廓面积与事先预设的值进行比对,若最小外接矩形的面积超出预设值的正负15%,则直接去掉该轮廓。
步骤八,如图8所示,通过干扰过滤处理模块对步骤七处理后的图片进行进一步去干扰处理。此处需要进一步去掉无用的干扰,步骤为:使用Opencv的掩模模块,对设备界面的左上方区域直接进行掩模操作。
步骤九,Sobel算子边缘检测模块对步骤八处理后的图片进行Sobel算子边缘检测,Sobel算子边缘检测可以区分出图像中亮度变化明显的点,如图9所示,图片中准心(Cross)和针尖点(Needle tip)是亮度明显点,可区分出准心和针尖点。
步骤十,通过轮廓查找模块和轮廓过滤模块对步骤九处理后的图片进行轮廓查找和轮廓过滤,计算出目标针尖点的坐标位置。如图10所示,本步骤标示出了该情况下目标针尖点的坐标位置为x坐标为175,y坐标为186。
步骤十一,如图11所示,系统根据步骤十返回的坐标点位置,通过kvm over ip硬件设备同时发送鼠标移动和单机命令,使设备将针卡校队界面上的鼠标点击到目标针尖点的坐标位置上,即完成自动针卡校对。系统在成功完成针卡自动校对后界面会显示“Successfully”标示。
<应用及效果验证>
采用本发明的基于图像识别的半导体CP设备自动化针卡校对方法来实施针卡校对工序,并且配方下载工序步骤、生产批号加载工序步骤也采用程序自动化来实现,构成一个整体程序自动化流程。将该程序自动化流程与人工手动操作流程进行时效均值对比,图12中示意了两者效率对比情况。
从图12的数据可看出,本发明的采用本发明的基于图像识别的半导体CP设备自动化针卡校对方法来实施针卡校对工序仅需不到40秒时间即可,而采用人工手动操作仅实施针卡校对工序则需要耗时大约80秒。而从整个流程效率对比来看,整个程序自动化的流程总耗时仅需要大约80秒,而整个人工手动操的流程总耗时则需要大约160秒。由此可见,本发明的基于图像识别的半导体CP设备自动化针卡校对方法对于提高生产测试的工作效率具有显著效果。
上述实施例仅为本发明的优选实施例,并不用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (6)
1.一种基于图像识别的半导体CP设备自动化针卡校对方法,其特征在于,包括:识别针卡报错信息步骤和自动针卡校对步骤,
所述识别针卡报错信息步骤如下:
步骤一,实时监控CP设备的画面中是否弹出针卡报错信息;
步骤二,当识别到针卡报错信息时,进入所述自动针卡校对步骤;
所述自动针卡校对步骤如下:
步骤三,进入针卡校对操作界面后,对CP设备当前的光照模式进行OCR识别;
步骤四,当识别到光照模式为非Coaxial模式时,则将CP设备的光照模式调整为Coaxial模式;
步骤五,采集CP设备当前的显示器画面截图;
步骤六,对显示器画面截图进行灰度化处理;
步骤七,对步骤六处理得到图片进行二值化处理和干扰过滤处理;
步骤八,对步骤七处理后的图片进行进一步去干扰处理;
步骤九,对步骤八处理后的图片进行Sobel算子边缘检测,区分出准心和针尖点;
步骤十,对步骤九处理后的图片进行轮廓查找和轮廓过滤,计算出目标针尖点的坐标位置;
步骤十一,指令控制CP设备点击到所述目标针尖点的坐标位置上,即完成自动针卡校对。
2.如权利要求1所述的基于图像识别的半导体CP设备自动化针卡校对方法,其特征在于:
其中,所述步骤一中,通过OpenCV软件中模板匹配算法,将CP设备的当前画面与标准针卡报错信息模板的进行匹配,当画面匹配时,则认定监控CP设备的画面中弹出有针卡报错信息。
3.如权利要求1所述的基于图像识别的半导体CP设备动化针卡校对方法,其特征在于:
其中,所述步骤三中,通过CRNN网络对CP设备当前的光照模式进行OCR识别,
所述CRNN网络所使用的训练样本基于针卡校对操作界面的字符。
4.如权利要求3所述的基于图像识别的半导体CP设备自动化针卡校对方法,其特征在于:
其中,针卡校对操作界面的用于表示光照模式的字符分为三种:Oblique、Coaxial、Oblique+Coaxial;
当识别到Oblique或Oblique+Coaxial字符时,则认为CP设备当前的光照模式为所述非Coaxial模式。
5.如权利要求1所述的基于图像识别的半导体CP设备自动化针卡校对方法,其特征在于:
其中,步骤七中的所述干扰过滤处理为:在经二值化处理后,通过轮廓查找查找出二值化后的所有轮廓,再通过轮廓点计算每个轮廓的最小外接矩形的面积,将计算出的轮廓面积与事先预设的值进行比对,若最小外接矩形的面积超出预设值的正负15%,则直接去掉该轮廓;步骤八中的所述进一步去干扰处理为:使用Opencv的掩模模块,对设备界面的左上方区域直接进行掩模操作。
6.一种用于实现如权利要求1~5中任意一项所述的基于图像识别的半导体CP设备自动化针卡校对方法的系统,其特征在于,包括:
针卡报错信息识别模块,用于实时监控CP设备的画面中是否弹出针卡报错信息;
光照模式OCR识别模块,用于对CP设备当前的光照模式进行OCR识别;
光照模式调整模块,用于调整CP设备的光照模式;
灰度化处理模块,用于对图片进行灰度化处理;
二值化处理模块,用于对图片进行二值化处理;
干扰过滤处理模块,用于对图片进行干扰过滤处理;
进一步去干扰处理模块,用于对图片进行进一步去干扰处理;
Sobel算子边缘检测模块,用于对图片进行Sobel算子边缘检测;
轮廓查找模块,用于对图片进行轮廓查找;
轮廓过滤模块,用于对图片进行轮廓过滤;
指令控制点击模块,用于指令控制CP设备进行坐标位置的点击。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110281425.4A CN113012125B (zh) | 2021-03-16 | 2021-03-16 | 基于图像识别的半导体cp设备自动化针卡校对方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110281425.4A CN113012125B (zh) | 2021-03-16 | 2021-03-16 | 基于图像识别的半导体cp设备自动化针卡校对方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113012125A true CN113012125A (zh) | 2021-06-22 |
CN113012125B CN113012125B (zh) | 2024-02-09 |
Family
ID=76408389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110281425.4A Active CN113012125B (zh) | 2021-03-16 | 2021-03-16 | 基于图像识别的半导体cp设备自动化针卡校对方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012125B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487632A (zh) * | 2021-07-16 | 2021-10-08 | 中国科学院自动化研究所 | 用于配液机器人的安瓿瓶瓶颈检测系统、方法及设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4929893A (en) * | 1987-10-06 | 1990-05-29 | Canon Kabushiki Kaisha | Wafer prober |
US5644245A (en) * | 1993-11-24 | 1997-07-01 | Tokyo Electron Limited | Probe apparatus for inspecting electrical characteristics of a microelectronic element |
WO2008078405A1 (ja) * | 2006-12-26 | 2008-07-03 | Tokyo Electron Limited | プローブ検査装置、位置ずれ補正方法、情報処理装置、情報処理方法及びプログラム |
CN105528198A (zh) * | 2014-09-29 | 2016-04-27 | 北大方正集团有限公司 | 操作界面识别方法及装置 |
CN106796246A (zh) * | 2014-02-24 | 2017-05-31 | 布鲁克纳米公司 | 自动扫描探针显微镜系统中的精密探针部署 |
CN109541426A (zh) * | 2018-11-21 | 2019-03-29 | 中国科学院苏州纳米技术与纳米仿生研究所南昌研究院 | 一种晶圆测试中测试仪自动读取参数的方法 |
CN109786278A (zh) * | 2019-03-01 | 2019-05-21 | 上海华力微电子有限公司 | 一种探针卡的针尖的智能检测及处理方法 |
JP2019161185A (ja) * | 2018-03-16 | 2019-09-19 | 株式会社東京精密 | プローバ |
CN110260818A (zh) * | 2019-07-02 | 2019-09-20 | 吉林大学 | 一种基于双目视觉的电子连接器鲁棒检测方法 |
CN111443320A (zh) * | 2019-01-17 | 2020-07-24 | 均豪精密工业股份有限公司 | 探针自我校正系统及其方法 |
CN112053966A (zh) * | 2019-06-06 | 2020-12-08 | 中芯长电半导体(江阴)有限公司 | Cp探针机及其调节方法 |
-
2021
- 2021-03-16 CN CN202110281425.4A patent/CN113012125B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4929893A (en) * | 1987-10-06 | 1990-05-29 | Canon Kabushiki Kaisha | Wafer prober |
US5644245A (en) * | 1993-11-24 | 1997-07-01 | Tokyo Electron Limited | Probe apparatus for inspecting electrical characteristics of a microelectronic element |
WO2008078405A1 (ja) * | 2006-12-26 | 2008-07-03 | Tokyo Electron Limited | プローブ検査装置、位置ずれ補正方法、情報処理装置、情報処理方法及びプログラム |
CN106796246A (zh) * | 2014-02-24 | 2017-05-31 | 布鲁克纳米公司 | 自动扫描探针显微镜系统中的精密探针部署 |
CN105528198A (zh) * | 2014-09-29 | 2016-04-27 | 北大方正集团有限公司 | 操作界面识别方法及装置 |
JP2019161185A (ja) * | 2018-03-16 | 2019-09-19 | 株式会社東京精密 | プローバ |
CN109541426A (zh) * | 2018-11-21 | 2019-03-29 | 中国科学院苏州纳米技术与纳米仿生研究所南昌研究院 | 一种晶圆测试中测试仪自动读取参数的方法 |
CN111443320A (zh) * | 2019-01-17 | 2020-07-24 | 均豪精密工业股份有限公司 | 探针自我校正系统及其方法 |
CN109786278A (zh) * | 2019-03-01 | 2019-05-21 | 上海华力微电子有限公司 | 一种探针卡的针尖的智能检测及处理方法 |
CN112053966A (zh) * | 2019-06-06 | 2020-12-08 | 中芯长电半导体(江阴)有限公司 | Cp探针机及其调节方法 |
CN110260818A (zh) * | 2019-07-02 | 2019-09-20 | 吉林大学 | 一种基于双目视觉的电子连接器鲁棒检测方法 |
Non-Patent Citations (3)
Title |
---|
SHIN BONGHUN,ET AL.: "High-Speed Probe Card Analysis Using Real-time Machine Vision and Image Restoration Technique", 《UWSPACE》 * |
周向;何伟;何涛;熊健;: "一种基于机器视觉的瓷砖定位分割方法", 《中国陶瓷》, no. 07 * |
袁帅;董再励;缪磊;王志迁;许可;: "基于数学形态学方法的AFM探针建模研究", 《仪器仪表学报》, no. 5 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487632A (zh) * | 2021-07-16 | 2021-10-08 | 中国科学院自动化研究所 | 用于配液机器人的安瓿瓶瓶颈检测系统、方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113012125B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11763443B2 (en) | Method for monitoring manufacture of assembly units | |
CN113221889B (zh) | 一种芯片字符抗干扰识别方法及装置 | |
CN112053318A (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
US20210216062A1 (en) | System and Method for Intelligently Monitoring the Production Line | |
TWI833010B (zh) | 影像辨識裝置、影像辨識方法及其電腦程式產品 | |
CN114842275B (zh) | 电路板缺陷判别方法、训练方法、装置、设备及存储介质 | |
CN115841488B (zh) | 一种基于计算机视觉的pcb板的检孔方法 | |
CN115661160B (zh) | 一种面板缺陷检测方法及系统及装置及介质 | |
CN112362679A (zh) | 影像辨识装置、影像辨识方法及其计算机程序产品 | |
CN115908420A (zh) | 印刷电路板的缺陷检测方法、装置、设备及存储介质 | |
CN113256598A (zh) | 一种用于芯片生产的视觉检测系统 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN115239626A (zh) | 缺陷检测方法、光学检测设备、电子设备以及存储介质 | |
CN113012125A (zh) | 基于图像识别的半导体cp设备自动化针卡校对方法及系统 | |
CN114022436B (zh) | 一种印制电路板的检测方法、装置及检测设备 | |
US20220292661A1 (en) | Automated inspection system and operating method thereof | |
CN111060518A (zh) | 一种基于实例分割的冲压件缺陷识别方法 | |
CN112308816B (zh) | 影像辨识装置、影像辨识方法及其存储介质 | |
CN113034620A (zh) | 校正方法、校正装置、计算机可读存储介质及计算机设备 | |
CN106501278B (zh) | 基于旋转不变纹理特征的灯管表面瑕疵分类方法及系统 | |
CN115330997A (zh) | 基于YOLOv4神经网络的控制箱装配缺陷检测方法、装置及介质 | |
CN114913119A (zh) | 一种半导体晶圆检测工艺中的自动探针状态识别方法 | |
CN113933309A (zh) | 一种复测aoi机台检盲孔孔内不良的方法 | |
CN112380134A (zh) | 一种基于图像识别的WebUI自动化测试方法 | |
JP3829280B2 (ja) | 外観検査装置 |
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 |