CN113781402B - 芯片表面划痕缺陷的检测方法、装置和计算机设备 - Google Patents

芯片表面划痕缺陷的检测方法、装置和计算机设备 Download PDF

Info

Publication number
CN113781402B
CN113781402B CN202110953595.2A CN202110953595A CN113781402B CN 113781402 B CN113781402 B CN 113781402B CN 202110953595 A CN202110953595 A CN 202110953595A CN 113781402 B CN113781402 B CN 113781402B
Authority
CN
China
Prior art keywords
image
value
salient
clustering
pixels
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
Application number
CN202110953595.2A
Other languages
English (en)
Other versions
CN113781402A (zh
Inventor
赵玥
罗军
王小强
罗道军
唐锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Electronic Product Reliability and Environmental Testing Research Institute
Original Assignee
China Electronic Product Reliability and Environmental Testing Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Electronic Product Reliability and Environmental Testing Research Institute filed Critical China Electronic Product Reliability and Environmental Testing Research Institute
Priority to CN202110953595.2A priority Critical patent/CN113781402B/zh
Publication of CN113781402A publication Critical patent/CN113781402A/zh
Application granted granted Critical
Publication of CN113781402B publication Critical patent/CN113781402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种芯片表面划痕缺陷的检测方法、装置、计算机设备和存储介质。方法包括：获取待检测芯片的原始图像，对原始图像进行预处理，得到预处理图像；根据预处理图像中各像素之间的相似性，对各像素进行聚类，得到多个超像素；根据多个超像素，对预处理图像进行显著性分析，得到显著图像；对显著图像进行阈值分割，以将包含芯片表面划痕的目标前景图像与目标背景图像分离；其中，目标前景图像为检测得到的芯片表面划痕图像。采用本方法对芯片表面划痕的检测准确度高，鲁棒性强。

Description

芯片表面划痕缺陷的检测方法、装置和计算机设备
技术领域
本申请涉及芯片技术领域，特别是涉及一种芯片表面划痕缺陷的检测方法、装置、计算机设备和存储介质。
背景技术
随着现代电子产业的快速发展和广泛使用，芯片的需求量不断上升。但是，芯片在生产和运输过程中易出现一些表面缺陷，会影响其后续的工作性能。传统检测手段多以人工目检为主，不仅检测效率低，精度差，还易受到人为主观因素的影响，难以满足现代工业的实际检测需求。
计算机视觉作为人工智能技术的一个重要分支，可代替人眼进行检测识别，即通过视觉模块(相机、镜头和光源)获取图像，然后传输到计算机中进行处理和分析，最后根据图像检测和识别的结果进行后续操作。基于计算机视觉的检测方法不仅具有非接触、无损、可靠性强、检测效率高、精度高以及成本低等优势，还可以在一些人工无法满足的场合或危险工作环境中进行操作。
然而，现有的计算机图像处理方法通常是基于阈值分割和形态学来进行处理，容易造成误检，存在检测准确率低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高检测准确性的芯片表面划痕缺陷的检测方法、装置、计算机设备和存储介质。
一种芯片表面划痕缺陷的检测方法，所述方法包括：获取待检测芯片的原始图像，对所述原始图像进行预处理，得到预处理图像；根据所述预处理图像中各像素之间的相似性，对各像素进行聚类，得到多个超像素；根据所述多个超像素，对所述预处理图像进行显著性分析，得到显著图像；对所述显著图像进行阈值分割，以将包含芯片表面划痕的目标前景图像与目标背景图像分离；其中，所述目标前景图像为检测得到的芯片表面划痕图像。
在其中一个实施例中，所述对所述原始图像进行预处理，得到预处理图像，包括：对所述原始图像进行灰度化处理，得到灰度图像；对所述灰度图像的对比度进行增强处理，得到增强图像；对所述增强图像进行降噪处理，得到预处理图像。
在其中一个实施例中，所述根据所述预处理图像中各像素之间的相似性，对各像素进行聚类，得到多个超像素，包括：按照预设的超像素个数，在所述预处理图像中均匀设置多个聚类中心；确定各聚类中心的邻域，并计算每个聚类中心的邻域内所有像素点的梯度，将各聚类中心移动至相应邻域中梯度最小值对应的图像位置；在以聚类中心为中心的预设范围内进行搜索，为搜索到的各像素点分配聚类标签，并计算所述搜索到的各像素点与相应更新后的聚类中心的距离；其中，所述聚类标签表示相应的像素点所属的聚类中心；将距离最小值对应的像素点更新为相应的邻域内新的聚类中心；返回至所述在以聚类中心为中心的预设范围内进行搜索的步骤并继续执行，直至各聚类中心不再发生变化时，得到多个超像素。
在其中一个实施例中，所述计算各聚类中心的邻域内各像素点与相应的聚类中心的距离，包括：确定所述预处理图像中各像素点的多维特征向量；其中，所述多维特征向量包括相应的像素点的三维颜色分量和二维坐标分量；基于所述三维颜色分量计算像素点与相应的聚类中心的颜色距离，并基于所述二维坐标分量计算像素点与相应的聚类中心的和空间距离；基于所述颜色距离和空间距离，确定像素点与相应的聚类中心的距离。
在其中一个实施例中，所述根据所述多个超像素，对所述预处理图像进行显著性分析，得到显著图像，包括：计算各超像素的颜色均值和均值坐标；基于各超像素的颜色均值和均值坐标，计算每两个超像素之间的颜色相似性和坐标距离，并基于所述颜色相似性和坐标距离，确定各超像素的第一显著值；在所述预处理图像中划定目标区域，并确定所述目标区域的中心坐标；基于所述中心坐标与各超像素的均值坐标的差异，计算各超像素的第二显著值；基于所述第一显著值与第二显著值，确定显著图像。
在其中一个实施例中，所述基于所述第一显著值与第二显著值，确定显著图像，包括：基于所述第一显著值与第二显著值，确定目标显著值，并基于所述目标显著值得到初始显著图像；根据所述初始显著图像，建立以各超像素为节点、相邻的两个超像素的连接关系为边的连通图；根据相邻的两个超像素的颜色均值的差异，确定两个相邻节点之间的权重；根据初始显著图像和所述权重，确定显著性损失函数；以最小化显著性损失函数为目标，对所述权重进行更新，得到最终的显著图像。
在其中一个实施例中，所述对所述显著图像进行阈值分割，以将包含芯片表面划痕的前景图像与背景图像分离，包括：确定当次的分割阈值；基于所述当次的分割阈值将所述显著图像分割为当次的前景图像和背景图像，并计算所述当次的前景图像与背景图像的类间方差；调整分割阈值得到与下一次分割所对应的当次的分割阈值，并返回所述基于所述当次的分割阈值将所述显著图像分割为当次的前景图像和背景图像的步骤继续执行，直至达到预设次数时停止，将所得到的多个类间方差中的最大值所对应的分割阈值作为目标分割阈值；基于所述目标分割阈值对所述显著图像进行分割，得到目标前景图像和目标背景图像。
一种芯片表面划痕缺陷的检测装置，所述装置包括：预处理模块，用于获取待检测芯片的原始图像，对所述原始图像进行预处理，得到预处理图像；处理模块，用于根据所述预处理图像中各像素之间的相似性，对各像素进行聚类，得到多个超像素；所述处理模块，还用于根据所述多个超像素，对所述预处理图像进行显著性分析，得到显著图像；所述处理模块，还用于对所述显著图像进行阈值分割，以将包含芯片表面划痕的目标前景图像与目标背景图像分离；其中，所述目标前景图像为检测得到的芯片表面划痕图像。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
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时实现上述的方法的步骤。
上述芯片表面划痕缺陷的检测方法、装置、计算机设备和存储介质，通过获取待检测芯片的原始图像，对原始图像进行预处理，得到预处理图像，能够消除原始图像光照不均和对比度低对后续检测步骤的影响，同时消除了噪声干扰，使得后续检测结果更加准确；再依据各像素之间的相似性，对预处理图像中的各像素进行聚类得到多个超像素，增强了目标区域像素之间特征的一致性，并削弱了目标区域与背景区域的相关性，提高了后续阈值分割的准确性和抗干扰性。再根据多个超像素，对预处理图像进行显著性分析，得到显著图像，使划痕区域和背景区域的对比度增大，划痕的显著图更加突出，有利于提供后续的阈值分割的准确性。最后对显著图像进行自动阈值分割，将包含芯片表面划痕的目标前景图像与目标背景图像分离，得到划痕图像，实现了芯片表面划痕的自动检测，并且检测准确率高，抗干扰性强，检测性能优越。
附图说明
图1为一个实施例中芯片表面划痕缺陷的检测方法的流程示意图；
图2A为一个实施例中对原始图像进行预处理的流程示意图；
图2B为一个实施例中对原始图像进行预处理的效果示意图；
图3为一个实施例中对各像素进行聚类的流程示意图；
图4为一个实施例中计算各像素点与相应的聚类中心的距离的流程示意图；
图5为一个实施例中对预处理图像进行显著性分析的流程示意图；
图6为一个实施例中确定显著图像的流程示意图；
图7为一个实施例中对显著图像进行阈值分割的流程示意图；
图8为另一个实施例中芯片表面划痕缺陷的检测方法的流程示意图；
图9A为一个实施例中利用芯片表面划痕缺陷的检测方法进行图像处理后各图像的示意图；
图9B为另一个实施例中利用芯片表面划痕缺陷的检测方法进行图像处理后各图像的示意图；
图10为一个实施例中芯片表面划痕缺陷的检测装置的结构框图；
图11为一个实施例中计算机设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
目前的划痕缺陷检测方法主要是基于阈值分割的方式，对芯片缺陷图像进行二值化处理，以分离出划痕位置。但是，由于阈值分割仅使用图像的阈值，没有考虑其他的图像特征，因此对于目标和背景之间不存在明显像素差异(即对比度低的缺陷区域)的图像分割效果差，易受到噪声干扰和光照条件的影响。而芯片上的划痕区域属于小尺寸目标，具有较少的像素，使得阈值分割方法很难全面检测这些小尺寸目标的全部像素，因此背景和目标间的二值化过程变得困难，导致划痕缺陷的检测性能下降。同时，基于阈值分割的方式通常选取一个固定的阈值或准则，对于阈值的选取非常敏感，阈值的变化会直接影响图像特征参数的数值，且阈值法只考虑像素灰度值本身的特征，没有考虑图像的空间特征，容易造成误分割。在实际应用中，划痕区域的像素点一般存在颜色不均、模糊以及灰度直方图重叠等现象，这种单一准则下的阈值分割算法对于实际应用的鲁棒性不强。
有鉴于此，本申请提供一种芯片表面划痕缺陷的检测方法、装置、计算机设备及存储介质，通过对预处理后的芯片表面图像进行聚类，获得一定数量的内部像素点特征相似且空间位置相近的超像素，并根据超像素的显著性进行自适应阈值分割，不仅能够更加精准和高效地从图像背景中分割出划痕区域，还能有效抑制低对比度对缺陷检测的干扰，对芯片表面划痕的检测性能高，鲁棒性强。
在一个实施例中，如图1所示，提供了一种芯片表面划痕缺陷的检测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S102，获取待检测芯片的原始图像，对原始图像进行预处理，得到预处理图像。
具体地，终端获取由硬件设备采集的待检测芯片的原始图像，其中，硬件设备例如为摄像机等。由于图像硬件采集环境的限制，通常，原始图像可能存在例如光照不均、图像不清晰、图像信息丢失等问题。因此，在对原始图像作进一步处理之前，还需要对原始图像进行预处理，以提高检测的准确性。因此，终端在获取原始图像后，对该原始图像进行预处理，得到预处理图像。
在一些实施例中，如图2A所示，对原始图像进行预处理，得到预处理图像的步骤，包括：
步骤S202，对原始图像进行灰度化处理，得到灰度图像。具体地，终端利用图像灰度化处理方式对原始图像进行灰度化处理，得到灰度图像。其中，图像灰度化处理方式包括但不限于灰度分量法、最大值法、平均值法、以及加权平均法等中的一种或多种。经过灰度化处理的图像便于存储，也能提高处理效率。
步骤S204，对灰度图像的对比度进行增强处理，得到增强图像。具体地，为避免光照因素在阈值分割时产生不利影响，终端对灰度图像的对比度进行增强处理，得到增强图像，从而增强图像的清晰度，并消除光照不均对图像的影响。在一些实施例中，终端可以采用直方图增强对输入的图像亮度进行处理，提升图像整体的光照效果。
示例性地，本申请实施例中终端采用自适应直方图均衡化(Adaptive HistogramEqualization，AHE)方法来提升图像的对比度，以达到图像增强的目的。终端通过利用AHE算法计算图像的局部直方图，然后重新分布亮度来改变图像对比度，不仅消除光照不均对原始图像的影响，还解决了在增强处理时由于整体亮度的提升导致局部图像细节变得模糊的问题。
步骤S206，对增强图像进行降噪处理，得到预处理图像。具体地，由于图像中可能存在大量噪声，对后续图像处理的准确度造成影响，因此，终端对增强图像进行降噪处理，得到预处理图像。在一些实施例中，终端利用滤波处理方式对增强图像进行降噪处理，其中，滤波处理方式包括均值滤波、中值滤波、高斯滤波、以及双边滤波等中的一种或多种。
示例性地，本申请实施例中终端利用中值滤波的方式对增强图像进行降噪处理，例如，终端利用卷积模板为3×3的中值滤波器对增强图像进行滤波降噪，由此可以在有效平滑噪声的同时保护好芯片表面划痕的边界信息。
在一个具体的示例中，如图2B所示，横坐标为0～255的灰度值范围，纵坐标为某一灰度值的像素个数。终端可以利用例如AHE方法和直方图增强方法对灰度化后的包含芯片表面划痕的原图进行增强处理，处理后分别得到AHE均衡后图和直方图均衡后图。在图2B中可见，经过增强处理后的AHE均衡后直方图和直方图均衡后直方图相较于原图直方图而言，亮度分布更加均匀，消除了光照不均对原图的影响。
上述实施例中，通过对原始采集的图像进行预处理，能够有效地消除原始图像光照不均和对比度低对后续检测步骤的影响，同时消除了噪声干扰，使得后续检测结果更加准确。
步骤S104，根据预处理图像中各像素之间的相似性，对各像素进行聚类，得到多个超像素。
其中，超像素是指图像中局部的、具有一致性的、能够保持一定图像局部结构特征的子区域。超像素聚类就是将像素聚合成超像素的处理过程。由于芯片表面划痕图像受到采集环境和划痕特征的影响，导致划痕区域和背景区域的像素对比度很低，没有明确的像素分界，由此导致后续图像分割的效果差，容易造成过分割。因此，在图像分割之前，利用超像素聚类方法对图像进行处理，将图像划分成颜色、纹理以及亮度相近的不规则超像素块，用少量的超像素表示图像中大量的像素特征，考虑了像素间的空间联系，能够避免造成过分割、边界轮廓间断、以及图像区域结构性差的缺陷。其中，两个像素的相似性可由它们的向量距离来度量，距离越大，相似性越小；反之，距离越小，相似性越大。
具体地，终端根据预处理图像中各个像素之间的向量距离所表征的相似性，将各像素分别聚类成多个超像素。示例性地，本申请实施例中终端使用简单线性迭代聚类(Simple Linear Iterativeclustering，SLIC)算法对预处理后的图像进行计算，生成紧凑整齐、大小均匀、对目标边界具有较好的贴合效果的超像素，具有良好的鲁棒性和适应性。
在一些实施例中，如图3所示，根据预处理图像中各像素之间的相似性，对各像素进行聚类，得到多个超像素的步骤，包括：
步骤S302，按照预设的超像素个数，在预处理图像中均匀设置多个聚类中心。
步骤S304，确定各聚类中心的邻域，并计算每个聚类中心的邻域内所有像素点的梯度，将各聚类中心移动至相应邻域中梯度最小值对应的图像位置。
步骤S306，在以聚类中心为中心的预设范围内进行搜索，为搜索到的各像素点分配聚类标签，并计算搜索到的各像素点与相应更新后的聚类中心的距离；其中，聚类标签表示相应的像素点所属的聚类中心。
步骤S308，将距离最小值对应的像素点更新为相应的邻域内新的聚类中心。
步骤S310，返回至在以聚类中心为中心的预设范围内进行搜索的步骤并继续执行，直至各聚类中心不再发生变化时，得到多个超像素。
具体地，终端先将预处理图像从RGB颜色空间转换至CIE-LAB颜色空间，其中每个像素在CIE-LAB颜色空间下的颜色值(L，a，b)和坐标(x,y)构成了一个五维向量V(L,a,b,x,y)。终端先初始化聚类中心(也称种子点)，即，按照预设的超像素个数，在预处理图像内均匀设置多个聚类中心。其中，超像素个数可以根据图像的大小预先设置。例如，假设图像内共有N个像素点，预先设置的超像素个数为K个，则每个超像素的大小为N/K，每个相邻的聚类中心的距离(即步长)近似为然后，终端确定各个聚类中心的邻域。邻域指的是以聚类中心为中心的n×n大小的区域，通常，n可以取值为3。在确定各个聚类中心的邻域后，终端计算每个聚类中心的邻域内包含的所有像素点的梯度，并将各聚类中心移动至其各自对应的邻域内、梯度最小值对应的图像位置，由此完成聚类中心的初始化。其中，梯度可以由如下公式进行计算：
G(x,y)＝[V(x+1,y)-V(x-1,y)]2+[V(x,y+1)-V(x,y-1)]2
其中，G(x，y)为坐标为(x，y)的像素点对应的梯度值；x和y分别表示横坐标与纵坐标。
其中，根据梯度值移动聚类中心的目的是为了避免聚类中心落在梯度较大的轮廓边界上，进而影响后续聚类效果。在移动各聚类中心后，终端在以聚类中心为中心的预设范围内进行搜索，为搜索到的各像素点分配聚类标签，从而将某一聚类中心的邻域内的全部像素点分配至该聚类中心对应的聚类中。例如，将预设范围设置为2S×2S，由此可以加速收敛。其中，聚类标签表示相应的像素点属于哪一个聚类中心。
在为每个像素分配聚类标签以表示其所属的聚类中心后，对于每个聚类中心，终端计算其与预设范围内搜索到的各像素点之间的距离，并将距离最小值对应的像素点更新为相应的邻域内新的聚类中心。在对每个聚类中心均进行一轮更新后，终端返回至在以聚类中心为中心的预设范围内进行搜索的步骤并继续执行，由此反复迭代，直至各聚类中心不再发生变化，最终得到多个超像素。
上述实施例中，利用超像素聚类方法把具有相似特征的像素点聚类或分组到一起，无需根据图像设定阈值，使得图像细节丰富且易于观察，提高了后续图像分割的准确性。同时，划痕图像的超像素比单个像素携带更多的信息，由于十几万个像素被组合成几百个超像素，因此极大地提高了图像处理效率，节省了运行时间和内存开销。
在一些实施例中，如图4所示，计算各聚类中心的邻域内各像素点与相应的聚类中心的距离的步骤，包括：
步骤S402，确定预处理图像中各像素点的多维特征向量；其中，多维特征向量包括相应的像素点的三维颜色分量和二维坐标分量。
步骤S404，基于三维颜色分量计算像素点与相应的聚类中心的颜色距离，并基于二维坐标分量计算像素点与相应的聚类中心的和空间距离。
步骤S406，基于颜色距离和空间距离，确定像素点与相应的聚类中心的距离。
具体地，终端在将预处理图像从RGB空间转换至CIE-LAB空间时，即可同时确定预处理图像中的每个像素点在CIE-LAB颜色空间下的多维特征向量，该多维特征向量通常为5维特征向量V(L，a，b，x,y)，其中包括了像素点的三维颜色分量(L,a,b)和二维坐标分量(x,y)。由此，终端可以基于三维颜色分量计算像素点与相应的聚类中心的颜色距离，并基于二维坐标分量计算像素点与相应的聚类中心的和空间距离。
例如，终端可以利用如下公式计算像素点与相应的聚类中心的颜色距离：
其中，dc代表颜色距离；(li,ai,bi)表示聚类中心i的三维颜色分量；(lj,aj,bj)表示第j个像素的三维颜色分量。
又如，终端可以利用如下公式计算像素点与相应的聚类中心的空间距离：
其中，ds代表空间距离；(xi,yi)表示聚类中心i的二维坐标分量；(xj,yj)表示第j个像素的二维坐标分量。
由此，终端可以基于计算得到的颜色距离和空间距离，确定像素点与相应的聚类中心的距离。例如，终端可以利用如下公式计算像素点与相应的聚类中心的距离：
其中，D′为像素点与相应的聚类中心的距离；Ns是类内最大空间距离；Nc为最大的颜色距离，通常随图像和聚类不同而不同，因此通常取一个固定常数m代替。由此，最终的距离可以由如下公式表示：
上述实施例中，利用像素点在CIE-LAB颜色空间内的颜色分量和坐标分量，分别计算颜色距离和坐标距离，能够有效评估各聚类中心的邻域内各像素点与相应的聚类中心的距离，为后续聚类的准确性提供了保障。
在一些实施例中，在超像素聚类的过程中，可能会出现多连通情况、超像素尺寸过小、单个像素被切割成多个不连续超像素等情况。这些情况均可以通过增强连通性解决，通过将不连续及尺寸过小的超像素重新分配给邻近的超像素，并将遍历过的像素点分配给相应的聚类标签，直到所有像素点遍历完毕。
步骤S106，根据多个超像素，对预处理图像进行显著性分析，得到显著图像。
其中，图像的显著性是衡量图像中目标(即划痕)区别于背景的一种度量。现有技术中主要使用自下而上的数据驱动型显著性检测方法，通常存在整个目标区域(即划痕区域)没有被统一的标记出来，或者背景区域没有被有效的抑制的问题，以及存在远离中心的显著区域(即划痕区域)被抑制，或者靠近中心的背景区域被错误加强的问题。此外，现有技术通常会单独地计算每个图像像素，而忽略邻近像素之间的关联。因此，本申请实施例中通过对图像进行显著性分析，可以有效计算超像素的显著性值，随后利用每个区域的平均显著性值与自适应阈值之间的关系确定芯片表面图像的划痕区域，由此，能够有效将划痕区域从背景中分割出来，提高了芯片表面划痕的检测效率且不需要人机交互，同时提高了芯片表面划痕的检测精度。
具体地，终端根据聚类得到的多个超像素，对划分成多个超像素的预处理图像进行显著性分析，得到显著图像。示例性地，终端利用GR(Graph Regularized)模型对超像素处理后的图像进行显著性分析。在一些实施例中，如图5所示，根据多个超像素，对预处理图像进行显著性分析，得到显著图像的步骤，包括：
步骤S502，计算各超像素的颜色均值和均值坐标。
步骤S504，基于各超像素的颜色均值和均值坐标，计算每两个超像素之间的颜色相似性和坐标距离，并基于颜色相似性和坐标距离，确定各超像素的第一显著值。
步骤S506，在预处理图像中划定目标区域，并确定目标区域的中心坐标。
步骤S508，基于中心坐标与各超像素的均值坐标的差异，计算各超像素的第二显著值。
步骤S510，基于第一显著值与第二显著值，确定显著图像。
具体地，终端分别计算每个超像素的颜色均值和均值坐标。示例性地，对于每个超像素i，终端计算其在CIE-Lab空间下的颜色均值ci和已经归一化到[0，1]的平均坐标pi，由此，可以计算每个超像素的颜色相似性和坐标距离。基于每个超像素的颜色相似性和坐标距离，终端可以计算得到每个超像素的第一显著值，例如，终端可以利用如下公式进行计算得到第一显著值Sco(i)：
其中，‖ci-cj‖部分表示超像素i和超像素j的颜色相似性，颜色差异越大，对应值越大，最终显著值越大；乘号后半部分表示超像素i和超像素j间的距离，距离越远则对应值越小，同时减弱前面颜色差异的权重；σp为权重。
为了解决显著区域可能远离图像中心的问题，终端可以计算一个包含感兴趣区域的凸包(convex hull)来估计显著区域，并用凸包的中心坐标(x0，y0)代替传统算法中的图像中心坐标。具体地，终端在预处理图像中划定目标区域(即凸包)，并获取目标区域的中心坐标，基于该中心坐标(x0，y0)与各超像素的均值坐标的差异，计算各超像素的第二显著值。此时，终端可以利用如下公式计算得到第二显著值Sce(i)：
其中，xi，yi分别为超像素i归一化到[0，1]后的水平坐标均值和垂直坐标均值；σx和σy均为权重，并且令σx＝σy。上式可简单理解为距离显著中心越远，其显著性越低；相反，越靠近显著区域中心，显著值越高。
最终，终端将第一显著值与第二显著值进行整合，从而得到显著图像。
上述实施例中，分别通过计算图像的两种显著值，能够使得划痕区域和背景区域的对比度增大，划痕的显著图更加突出，有利于提供后续的阈值分割的准确性。
为了进一步考虑图像像素之间的关联关系，提高显著图像的准确性，在一些实施例中，如图6所示，基于第一显著值与第二显著值，确定显著图像的步骤，包括：
步骤S602，基于第一显著值与第二显著值，确定目标显著值，并基于目标显著值得到初始显著图像。
步骤S604，根据初始显著图像，建立以各超像素为节点、相邻的两个超像素的连接关系为边的连通图。
步骤S606，根据相邻的两个超像素的颜色均值的差异，确定两个相邻节点之间的权重。
步骤S608，根据初始显著图像和权重，确定显著性损失函数。
步骤S610，以最小化显著性损失函数为目标，对权重进行更新，得到最终的显著图像。
具体地，终端基于计算得到的第一显著值和第二显著值，计算得到目标显著值，并基于目标显著值得到初始显著图像。例如终端利用如下公式进行计算，得到初始显著图像Sin(i)：
Sin(i)＝Sco(i)×Sce(i)
根据所得到的初始显著图像，终端建立以各超像素为节点、相邻的两个超像素的连接关系为边的连通图G＝(V，E)，其中节点V(nodes)为超像素，边E(Edges)为两相邻超像素的连接关系。根据相邻的两个超像素的颜色均值的差异，终端可以计算得到两个相邻节点(即两个相邻超像素)之间的权重。例如，终端利用如下公式计算两节点之间的权重ωij：
其中，ci和cj对应超像素i和超像素j在CIE-Lab颜色空间中的颜色均值；σω为权重；ωij∈W，W为节点之间的所有权重的矩阵。
由此，终端根据得到的初始显著图像和计算得到的权重，可以定义显著性损失函数(Saliency Cost Function)为：
其中，S(i)和S(j)为最终的显著图中对应节点i、j的显著值；λ为正则化参数，λ越小，表明初始的显著图越重要，λ越大，表明相邻节点之间的关系越重要。等式右边的第一项为约束项，意味着一个好的显著图不能和初始显著图Sin(i)相差太多；第二项为平滑约束项，意味着一个好的显著图中相邻超像素之间差距不能太大。则最终的显著图S*(显著性损失函数的最优解)可以通过最小化损失函数得到：
S*＝μ(D-W+μI)-1Sin
其中，D为对角矩阵；dii为对角矩阵D中的元素值，dii＝∑jωij；I为图像像素值。
由此，终端以最小化显著性损失函数为目标，对显著性损失函数求最优解，并对权重进行更新，从而最优解，并将该最优解作为最终的显著图像。
上述实施例中，通过基于图的算法对显著图像进行进一步优化，得到最终的显著图像，进一步考虑了图像像素之间的关联关系，提高了显著图像的准确性。
步骤S108，对显著图像进行阈值分割，以将包含芯片表面划痕的目标前景图像与目标背景图像分离；其中，目标前景图像为检测得到的芯片表面划痕图像。
芯片划痕区域分割是根据颜色、纹理、轮廓等特征将表面图像中的像素分类为划痕与背景两个相互独立的像素子区域，同一子区域内的像素具有相似的图像特征，不同子区域内像素的图像特征具有较大差异，从而将感兴趣的划痕像素区域从背景图像中分离出来。然而，受到复杂的采集环境影响，通常会在表面图像上产生反光、阴影等干扰因素，导致难以获取稳定的图像特征。此外，图像采集过程中还往往会存在图像背景纹理复杂、噪声干扰多及多尺度混杂等问题，所以普通算法难以很好地将划痕与背景分离出来。现有算法通常是基于阈值分割和形态学处理进行的，这类算法不仅对噪声敏感，还会出现过分割现象，检测结果极不准确。
因此，具体地，终端利用设定的阈值对显著图像进行阈值分割，从而将包含芯片表面划痕的目标前景图像(即目标区域)与目标背景图像(即背景区域)分离，所得到的目标前景图像即为检测得到的芯片表面划痕图像。
在一些实施例中，如图7所示，对显著图像进行阈值分割，以将包含芯片表面划痕的前景图像与背景图像分离的步骤，包括：
步骤S702，确定当次的分割阈值。
步骤S704，基于当次的分割阈值将显著图像分割为当次的前景图像和背景图像，并计算当次的前景图像与背景图像的类间方差。
步骤S706，调整分割阈值得到与下一次分割所对应的当次的分割阈值，并返回基于当次的分割阈值将显著图像分割为当次的前景图像和背景图像的步骤继续执行，直至达到预设次数时停止，将所得到的多个类间方差中的最大值所对应的分割阈值作为目标分割阈值。
步骤S708，基于目标分割阈值对显著图像进行分割，得到目标前景图像和目标背景图像。
具体地，终端确定分割阈值th的取值范围(例如为0～255)，并确定当次的分割阈值th1。基于当次的分割阈值th1，将所得到的显著图像分割为当次的前景图像c1和背景图像c2，例如，将灰度值大于阈值th1的像素归为背景图像c2，将灰度值小于阈值th1的像素归为前景图像c1。然后，终端计算当次的前景图像与背景图像的类间方差。其中，类间方差基于前景图像中像素个数占比、前景图像平均灰度、全图图像平均灰度、背景图像像素个数占比、以及背景图像平均灰度计算得到。例如，终端可以利用如下公式计算类间方差g：
g＝ω0ω1(μ0-μ1)2
其中，ω0为前景图像的像素点数占全图图像的比例；μ0为前景图像平均灰度；ω1为背景图像像素点数占全图图像的比例；μ1为背景图像平均灰度。
然后，终端对分割阈值th进行调整，得到与下一次分割所对应的当次的分割阈值th2，并返回基于当次的分割阈值将显著图像分割为当次的前景图像和背景图像的步骤继续执行，直至达到预设次数时停止(例如遍历0～255的取值范围中的全部256个取值)，将所得到的多个类间方差中的最大值所对应的分割阈值作为目标分割阈值。最终，终端基于目标分割阈值对显著图像进行分割，得到目标前景图像和目标背景图像，该目标前景图像即为检测得到的芯片表面划痕图像。
上述实施例中，相较于传统的OTSU算法存在的对噪声敏感且无法去除噪声干扰的缺陷，基于超像素聚类和显著性分析后的图像阈值分割，对于噪声具有较好的抑制作用，且能够获取准确的划痕位置信息，检测性能更强。
在一个具体的示例中，如图8所示，上述芯片表面划痕的检测方法包括：首先进行图像采集，并对采集得到的原始图像进行图像预处理(包括图像增强和图像滤波等)，以增强对比度并去除噪声干扰。其次，对滤波后的芯片表面图像，采用简单线性迭代聚类模型，使用超像素聚类算法，将将图像粒化为一定数量的内部像素点特征相似、空间位置相近的超像素，并判断聚类效果是否良好；若聚类效果不佳，则重复迭代执行超像素分割的步骤，直至聚类效果良好；接着，计算上述超像素在CIE-LAB空间上的颜色均值及位置(坐标)信息，定义超像素的显著性，并进行显著性分析，计算每个超像素的显著性值；最后，根据OTSU阈值分割及超像素显著性提取划痕区域。例如图9A所示，终端对图像进行灰度化处理和AHE增强处理后的图像如图(a)所示，对增强图像进行中值滤波处理后的图像如图(b)所示，对滤波后的图像进行超像素聚类后的图像如图(c)所示，最终通过OTSU阈值分割得到的划痕图像如图(d)所示。
在一个具体的示例中，如图9B所示，终端对图(a)所示的原图进行超像素聚类后，得到的图像如图(b)所示，可见芯片表面划痕区域被很好地划分出来。若直接对原图进行显著性分析，得到的显著图如图(c)所示，可见划痕与背景的区别并不明显，导致后续阈值分割的结果不准确，进而会导致检测结果不准确。而利用本申请所提供的方法，在超像素聚类后进行显著性分析，得到的显著图如图(d)、图(e)、以及图(f)所示，可见划痕与背景的区别显著，由此后续阈值分割的结果也更为准确。其中，图(d)为在整个超像素图像上进行显著性分析得到的显著图像全图，图(e)为在边缘超像素图像上进行显著性分析的得到的边缘显著图像，图(f)为在局部超像素图像上进行显著性分析的得到的局部显著图像。
上述芯片表面划痕的检测方法，通过获取待检测芯片的原始图像，对原始图像进行预处理，得到预处理图像，能够消除原始图像光照不均和对比度低对后续检测步骤的影响，同时消除了噪声干扰，使得后续检测结果更加准确；再依据各像素之间的相似性，对预处理图像中的各像素进行聚类得到多个超像素，增强了目标区域像素之间特征的一致性，并削弱了目标区域与背景区域的相关性，提高了后续阈值分割的准确性和抗干扰性；再根据多个超像素，对预处理图像进行显著性分析，得到显著图像，使划痕区域和背景区域的对比度增大，划痕的显著图更加突出，有利于提供后续的阈值分割的准确性；最后对显著图像进行自动阈值分割，将包含芯片表面划痕的目标前景图像与目标背景图像分离，得到划痕图像，实现了芯片表面划痕的自动检测，且检测准确率高，抗干扰性强，检测性能优越。
应该理解的是，虽然图1-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图10所示，提供了一种芯片表面划痕的检测装置，包括：预处理模块1001和处理模块1002，其中：
预处理模块1001，用于获取待检测芯片的原始图像，对原始图像进行预处理，得到预处理图像。
处理模块1002，用于根据预处理图像中各像素之间的相似性，对各像素进行聚类，得到多个超像素。
处理模块1002，还用于根据多个超像素，对预处理图像进行显著性分析，得到显著图像。
处理模块1002，还用于对显著图像进行阈值分割，以将包含芯片表面划痕的目标前景图像与目标背景图像分离；其中，目标前景图像为检测得到的芯片表面划痕图像。
在一个实施例中，预处理模块还用于对原始图像进行灰度化处理，得到灰度图像；对灰度图像的对比度进行增强处理，得到增强图像；对增强图像进行降噪处理，得到预处理图像。
在一个实施例中，处理模块还用于按照预设的超像素个数，在预处理图像中均匀设置多个聚类中心；确定各聚类中心的邻域，并计算每个聚类中心的邻域内所有像素点的梯度，将各聚类中心移动至相应邻域中梯度最小值对应的图像位置；在以聚类中心为中心的预设范围内进行搜索，为搜索到的各像素点分配聚类标签，并计算搜索到的各像素点与相应更新后的聚类中心的距离；其中，聚类标签表示相应的像素点所属的聚类中心；将距离最小值对应的像素点更新为相应的邻域内新的聚类中心；返回至在以聚类中心为中心的预设范围内进行搜索的步骤并继续执行，直至各聚类中心不再发生变化时，得到多个超像素。
在一个实施例中，处理模块还用于确定预处理图像中各像素点的多维特征向量；其中，多维特征向量包括相应的像素点的三维颜色分量和二维坐标分量；基于三维颜色分量计算像素点与相应的聚类中心的颜色距离，并基于二维坐标分量计算像素点与相应的聚类中心的和空间距离；基于颜色距离和空间距离，确定像素点与相应的聚类中心的距离。
在一个实施例中，处理模块还用于计算各超像素的颜色均值和均值坐标；基于各超像素的颜色均值和均值坐标，计算每两个超像素之间的颜色相似性和坐标距离，并基于颜色相似性和坐标距离，确定各超像素的第一显著值；在预处理图像中划定目标区域，并确定目标区域的中心坐标；基于中心坐标与各超像素的均值坐标的差异，计算各超像素的第二显著值；基于第一显著值与第二显著值，确定显著图像。
在一个实施例中，处理模块还用于基于第一显著值与第二显著值，确定目标显著值，并基于目标显著值得到初始显著图像；根据初始显著图像，建立以各超像素为节点、相邻的两个超像素的连接关系为边的连通图；根据相邻的两个超像素的颜色均值的差异，确定两个相邻节点之间的权重；根据初始显著图像和权重，确定显著性损失函数；以最小化显著性损失函数为目标，对权重进行更新，得到最终的显著图像。
在一个实施例中，处理模块还用于确定当次的分割阈值；基于当次的分割阈值将显著图像分割为当次的前景图像和背景图像，并计算当次的前景图像与背景图像的类间方差；调整分割阈值得到与下一次分割所对应的当次的分割阈值，并返回基于当次的分割阈值将显著图像分割为当次的前景图像和背景图像的步骤继续执行，直至达到预设次数时停止，将所得到的多个类间方差中的最大值所对应的分割阈值作为目标分割阈值；基于目标分割阈值对显著图像进行分割，得到目标前景图像和目标背景图像。
关于芯片表面划痕缺陷的检测装置的具体限定可以参见上文中对于芯片表面划痕缺陷的检测方法的限定，在此不再赘述。上述芯片表面划痕缺陷的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种芯片表面划痕缺陷的检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种芯片表面划痕缺陷的检测方法，其特征在于，所述方法包括：
获取待检测芯片的原始图像，对所述原始图像进行灰度化处理，得到灰度图像；通过自适应直方图均衡化AHE方法对所述灰度图像的对比度进行增强处理，得到增强图像；对所述增强图像进行降噪处理，得到预处理图像；
根据所述预处理图像中各像素之间的相似性，对各像素进行聚类，得到多个超像素；
根据所述多个超像素，对所述预处理图像进行显著性分析，得到显著图像；
对所述显著图像进行阈值分割，以将包含芯片表面划痕的目标前景图像与目标背景图像分离；其中，所述目标前景图像为检测得到的芯片表面划痕图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述预处理图像中各像素之间的相似性，对各像素进行聚类，得到多个超像素，包括：
按照预设的超像素个数，在所述预处理图像中均匀设置多个聚类中心；
确定各聚类中心的邻域，并计算每个聚类中心的邻域内所有像素点的梯度，将各聚类中心移动至相应邻域中梯度最小值对应的图像位置；
在以聚类中心为中心的预设范围内进行搜索，为搜索到的各像素点分配聚类标签，并计算所述搜索到的各像素点与相应更新后的聚类中心的距离；其中，所述聚类标签表示相应的像素点所属的聚类中心；
将距离最小值对应的像素点更新为相应的邻域内新的聚类中心；
返回至所述在以聚类中心为中心的预设范围内进行搜索的步骤并继续执行，直至各聚类中心不再发生变化时，得到多个超像素。
3.根据权利要求2所述的方法，其特征在于，所述计算各聚类中心的邻域内各像素点与相应的聚类中心的距离，包括：
确定所述预处理图像中各像素点的多维特征向量；其中，所述多维特征向量包括相应的像素点的三维颜色分量和二维坐标分量；
基于所述三维颜色分量计算像素点与相应的聚类中心的颜色距离，并基于所述二维坐标分量计算像素点与相应的聚类中心的和空间距离；
基于所述颜色距离和空间距离，确定像素点与相应的聚类中心的距离。
4.根据权利要求1所述的方法，其特征在于，所述根据所述多个超像素，对所述预处理图像进行显著性分析，得到显著图像，包括：
计算各超像素的颜色均值和均值坐标；
基于各超像素的颜色均值和均值坐标，计算每两个超像素之间的颜色相似性和坐标距离，并基于所述颜色相似性和坐标距离，确定各超像素的第一显著值；
在所述预处理图像中划定目标区域，并确定所述目标区域的中心坐标；
基于所述中心坐标与各超像素的均值坐标的差异，计算各超像素的第二显著值；
基于所述第一显著值与第二显著值，确定显著图像。
5.根据权利要求4所述的方法，其特征在于，所述基于所述第一显著值与第二显著值，确定显著图像，包括：
基于所述第一显著值与第二显著值，确定目标显著值，并基于所述目标显著值得到初始显著图像；
根据所述初始显著图像，建立以各超像素为节点、相邻的两个超像素的连接关系为边的连通图；
根据相邻的两个超像素的颜色均值的差异，确定两个相邻节点之间的权重；
根据初始显著图像和所述权重，确定显著性损失函数；
以最小化显著性损失函数为目标，对所述权重进行更新，得到最终的显著图像。
6.根据权利要求1所述的方法，其特征在于，所述对所述显著图像进行阈值分割，以将包含芯片表面划痕的前景图像与背景图像分离，包括：
确定当次的分割阈值；
基于所述当次的分割阈值将所述显著图像分割为当次的前景图像和背景图像，并计算所述当次的前景图像与背景图像的类间方差；
调整分割阈值得到与下一次分割所对应的当次的分割阈值，并返回所述基于所述当次的分割阈值将所述显著图像分割为当次的前景图像和背景图像的步骤继续执行，直至达到预设次数时停止，将所得到的多个类间方差中的最大值所对应的分割阈值作为目标分割阈值；
基于所述目标分割阈值对所述显著图像进行分割，得到目标前景图像和目标背景图像。
7.一种芯片表面划痕缺陷的检测装置，其特征在于，所述装置包括：
预处理模块，用于对原始图像进行灰度化处理，得到灰度图像；通过自适应直方图均衡化AHE方法对所述灰度图像的对比度进行增强处理，得到增强图像；对所述增强图像进行降噪处理，得到预处理图像；
处理模块，用于根据所述预处理图像中各像素之间的相似性，对各像素进行聚类，得到多个超像素；
所述处理模块，还用于根据所述多个超像素，对所述预处理图像进行显著性分析，得到显著图像；
所述处理模块，还用于对所述显著图像进行阈值分割，以将包含芯片表面划痕的目标前景图像与目标背景图像分离；其中，所述目标前景图像为检测得到的芯片表面划痕图像。
8.根据权利要求7所述的装置，其特征在于，所述处理模块还用于：
按照预设的超像素个数，在所述预处理图像中均匀设置多个聚类中心；
确定各聚类中心的邻域，并计算每个聚类中心的邻域内所有像素点的梯度，将各聚类中心移动至相应邻域中梯度最小值对应的图像位置；
在以聚类中心为中心的预设范围内进行搜索，为搜索到的各像素点分配聚类标签，并计算所述搜索到的各像素点与相应更新后的聚类中心的距离；其中，所述聚类标签表示相应的像素点所属的聚类中心；
将距离最小值对应的像素点更新为相应的邻域内新的聚类中心；
返回至所述在以聚类中心为中心的预设范围内进行搜索的步骤并继续执行，直至各聚类中心不再发生变化时，得到多个超像素。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一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时实现权利要求1至6中任一项所述的方法的步骤。
CN202110953595.2A 2021-08-19 2021-08-19 芯片表面划痕缺陷的检测方法、装置和计算机设备 Active CN113781402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110953595.2A CN113781402B (zh) 2021-08-19 2021-08-19 芯片表面划痕缺陷的检测方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110953595.2A CN113781402B (zh) 2021-08-19 2021-08-19 芯片表面划痕缺陷的检测方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN113781402A CN113781402A (zh) 2021-12-10
CN113781402B true CN113781402B (zh) 2024-03-26

Family

ID=78838423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110953595.2A Active CN113781402B (zh) 2021-08-19 2021-08-19 芯片表面划痕缺陷的检测方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN113781402B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332026A (zh) * 2021-12-29 2022-04-12 深圳市前海研祥亚太电子装备技术有限公司 一种铭牌表面划痕缺陷的视觉检测方法及装置
CN114549497B (zh) * 2022-02-28 2022-11-29 扬州市恒邦机械制造有限公司 基于图像识别的走台板表面缺陷检测方法及人工智能系统
CN114299066B (zh) * 2022-03-03 2022-05-31 清华大学 基于显著性特征预提取与图像分割的缺陷检测方法和装置
CN115018817A (zh) * 2022-06-30 2022-09-06 京东方科技集团股份有限公司 划痕检测方法、装置、电子设备和可读存储介质
CN114926463B (zh) * 2022-07-20 2022-09-27 深圳市尹泰明电子有限公司 一种适用于芯片电路板的生产质量检测方法
CN115082431B (zh) * 2022-07-20 2023-01-06 惠州威尔高电子有限公司 一种pcb板表面缺陷检测方法
CN114937039B (zh) * 2022-07-21 2022-10-25 阿法龙(山东)科技有限公司 一种钢管缺陷智能检测方法
CN115063431B (zh) * 2022-08-19 2022-11-11 山东远盾网络技术股份有限公司 一种基于图像处理的汽车零部件质量溯源方法
CN115424178B (zh) * 2022-09-05 2023-07-14 兰州大学 一种提高路面裂缝数据识别的增强方法
CN115205289B (zh) * 2022-09-15 2022-12-06 山东雅满家生物质科技有限公司 基于视觉的软木地板原材料分级方法
CN115222743B (zh) * 2022-09-21 2022-12-09 山东汇智家具股份有限公司 基于视觉的家具表面喷漆缺陷检测方法
CN115511907B (zh) * 2022-11-24 2023-03-24 深圳市晶台股份有限公司 一种用于led屏幕的划痕检测方法
CN116075148B (zh) * 2023-03-14 2023-06-20 四川易景智能终端有限公司 一种基于人工智能的pcba板生产线智能监管系统
CN115984280A (zh) * 2023-03-20 2023-04-18 广东仁懋电子有限公司 基于igbt器件的表痕分析方法、装置、设备及介质
CN116363140B (zh) * 2023-06-02 2023-08-25 山东鲁玻玻璃科技有限公司 一种中硼硅玻璃缺陷的检测方法、系统、装置及存储介质
CN117274241B (zh) * 2023-11-17 2024-02-09 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置
CN117589792B (zh) * 2024-01-18 2024-05-10 江苏时代新能源科技有限公司 收尾位置检测方法、装置、计算机设备和存储介质
CN118014991B (zh) * 2024-04-08 2024-06-14 青岛山大齐鲁医院（山东大学齐鲁医院（青岛）） 基于机器视觉的瘢痕轮廓快速检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107256547A (zh) * 2017-05-26 2017-10-17 浙江工业大学 一种基于显著性检测的表面裂纹识别方法
CN109325484A (zh) * 2018-07-30 2019-02-12 北京信息科技大学 基于背景先验显著性的花卉图像分类方法
CN109559316A (zh) * 2018-10-09 2019-04-02 浙江工业大学 一种改进的基于超像素的图论分割方法
CN110689564A (zh) * 2019-08-22 2020-01-14 浙江工业大学 一种基于超像素聚类的牙弓线绘制方法
CN110717896A (zh) * 2019-09-24 2020-01-21 东北大学 基于显著性标签信息传播模型的板带钢表面缺陷检测方法
CN111695482A (zh) * 2020-06-04 2020-09-22 华油钢管有限公司 一种管道缺陷识别方法
CN111882516A (zh) * 2020-02-19 2020-11-03 南京信息工程大学 一种基于视觉显著性和深度神经网络的图像质量评价方法
CN112101182A (zh) * 2020-09-10 2020-12-18 哈尔滨市科佳通用机电股份有限公司 一种基于改进slic方法的铁路货车地板破损故障识别方法
CN112668643A (zh) * 2020-12-28 2021-04-16 武汉工程大学 一种基于格式塔法则的半监督显著性检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107256547A (zh) * 2017-05-26 2017-10-17 浙江工业大学 一种基于显著性检测的表面裂纹识别方法
CN109325484A (zh) * 2018-07-30 2019-02-12 北京信息科技大学 基于背景先验显著性的花卉图像分类方法
CN109559316A (zh) * 2018-10-09 2019-04-02 浙江工业大学 一种改进的基于超像素的图论分割方法
CN110689564A (zh) * 2019-08-22 2020-01-14 浙江工业大学 一种基于超像素聚类的牙弓线绘制方法
CN110717896A (zh) * 2019-09-24 2020-01-21 东北大学 基于显著性标签信息传播模型的板带钢表面缺陷检测方法
CN111882516A (zh) * 2020-02-19 2020-11-03 南京信息工程大学 一种基于视觉显著性和深度神经网络的图像质量评价方法
CN111695482A (zh) * 2020-06-04 2020-09-22 华油钢管有限公司 一种管道缺陷识别方法
CN112101182A (zh) * 2020-09-10 2020-12-18 哈尔滨市科佳通用机电股份有限公司 一种基于改进slic方法的铁路货车地板破损故障识别方法
CN112668643A (zh) * 2020-12-28 2021-04-16 武汉工程大学 一种基于格式塔法则的半监督显著性检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于视觉显著性的轴承表面缺陷检测算法的研究;兰叶深 等;计算机与信息技术;第46-48页 *

Also Published As

Publication number Publication date
CN113781402A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN113781402B (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
CN109522908B (zh) 基于区域标签融合的图像显著性检测方法
CN107833220B (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN110766679B (zh) 镜头脏污检测方法、装置及终端设备
CN110544258B (zh) 图像分割的方法、装置、电子设备和存储介质
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN110717489B (zh) Osd的文字区域的识别方法、装置及存储介质
CN108537239B (zh) 一种图像显著性目标检测的方法
CN111415363B (zh) 一种图像边缘识别方法
CN111161222B (zh) 一种基于视觉显著性的印刷辊筒缺陷检测方法
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
US20170178341A1 (en) Single Parameter Segmentation of Images
EP2733666A1 (en) Method for superpixel life cycle management
KR20220139292A (ko) 문자 분할 방법, 장치 및 컴퓨터 판독 가능 저장 매체
CN116503388B (zh) 缺陷检测方法、装置及存储介质
CN113781406B (zh) 电子元器件的划痕检测方法、装置及计算机设备
CN112991283A (zh) 基于超像素的柔性ic基板线宽检测方法、介质和设备
CN111242957A (zh) 一种数据处理方法、装置及计算机存储介质和电子设备
CN111709964A (zh) 一种pcba目标边缘检测方法
CN117635615B (zh) 基于深度学习实现冲孔模具的缺陷检测方法及系统
CN112288780B (zh) 多特征动态加权的目标跟踪算法
Mukherjee et al. A hybrid algorithm for disparity calculation from sparse disparity estimates based on stereo vision
Dai et al. Robust and accurate moving shadow detection based on multiple features fusion
Cheng et al. Power pole detection based on graph cut
CN113538500B (zh) 图像分割方法、装置、电子设备和存储介质

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