CN113850800B - 一种硬脆材料划切缝崩边检测方法 - Google Patents
一种硬脆材料划切缝崩边检测方法 Download PDFInfo
- Publication number
- CN113850800B CN113850800B CN202111207012.8A CN202111207012A CN113850800B CN 113850800 B CN113850800 B CN 113850800B CN 202111207012 A CN202111207012 A CN 202111207012A CN 113850800 B CN113850800 B CN 113850800B
- Authority
- CN
- China
- Prior art keywords
- scribing
- edge
- image
- cutting
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000000463 material Substances 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000003708 edge detection Methods 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 11
- 235000012431 wafers Nutrition 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
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
- 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
- G06T7/11—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
- G06T7/13—Edge detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种硬脆材料划切缝崩边检测方法，包括以下步骤：步骤1：获取待测硬脆材料划切缝视场图像；步骤2：对所述的划切缝视场图像进行处理，得到降噪预处理后的二值化图像；步骤3：根据所述的降噪预处理后的二值化图像的图像矩阵识别出划切区域；步骤4：计算所述的图像矩阵中单位像素所代表的实际宽度尺寸；步骤5：采用描点的方式得出划切缝边缘轮廓曲线；步骤6：通过峰值提取法识别并统计出划切缝崩口数量、位置及高度信息；本发明通过提取划切槽崩边边缘曲线像素点坐标参数，进而拟合边缘基准线，通过计算曲线峰值点坐标与基准线的距离所占像素数得出崩口高度数据，可以避免因工件摆放倾斜对崩口检测的影响，提高了准确性与易用性。
Description
技术领域
本发明涉及硬脆材料崩边等缺陷测量领域，尤其涉及一种硬脆材料划切缝崩边检测方法。
背景技术
随着超精密光学和IC产业的迅猛发展，对基材的加工要求和质量的把控也在逐步提高，现阶段如陶瓷、半导体晶圆、玻璃、水晶等硬脆材料的划切加工主流方式是将材料固定在薄片划切专用的膜片上，利用精密砂轮划片机通过超薄金刚石砂轮将硬脆材料先切出一定深度的槽，然后通过裂片的方式将其分离。
但是，由于硬脆材料本身的物理属性，在采用砂轮机械划切时会对材料划切缝边缘产生机械应力，引起脆性材料内部裂纹延伸，导致机械切割后材料划切缝边缘产生许多微小崩边。这些崩边缺陷不仅会影响材料的透光性，而且会导致材料的机械性能降低，影响后续工艺的进行以及产品的良品率，因此对硬脆材料划切加工后的划切缝崩边检测至关重要。
传统的工艺中，划切后的硬脆材料崩边检测主要是通过放大镜采用人工目检的方式对划切缝崩边宽度，数量等参数进行逐个统计。该方法对于切缝较多的工件检测效率极低，且人工检测时往往带有自己的主观判断，容易造成遗漏、误判现象发生，严重影响产品生产效率。
发明内容
本发明的目的在于提供一种硬脆材料划切缝崩边检测方法，以解决现有划切缝崩边检测技术中识别精度不高、效率低的问题。
为了实现上述目的，本发明采用以下技术方案：
一种硬脆材料划切缝崩边检测方法，包括以下步骤：
步骤1：获取待测硬脆材料划切缝视场图像；
步骤2：利用MATLAB对所述的划切缝视场图像进行二值化处理，得到所述的划切缝视场图像的二值化图像M1；并对所述的二值化图像M1进行降噪预处理，得到降噪预处理后的二值化图像；
步骤3：根据所述的降噪预处理后的二值化图像的图像矩阵A识别出划切区域，所述的划切区域指划切区域、崩边区域及相邻划切缝之间的未划切区域，具体的：
步骤3.1：通过MATLAB读取所述的降噪预处理后的二值化图像的图像矩阵A识别出的划切区域，所述的划切区域及崩边区域为黑色，其元素值为0，所述的未划切区域为白色，其元素值为1；
步骤3.2：通过调用MATLAB中find函数找出所述的图像矩阵A中行向量元素累加不为0的行向量行号Ki，其中Ki为所述的未划切区域位于所述的图像矩阵A中所处的行号范围，i为行号，通过Ki即可确定每条划切缝的宽度方向所代表的图像矩阵A中黑色像素的个数N的值；
步骤4：根据步骤3识别出的每条划切缝的宽度方向所代表的图像矩阵A中黑色像素的个数N的值，以及实际划切时设置划切缝宽度B计算出所述的图像矩阵A中单位像素所代表的实际宽度尺寸b，计算公式为：
b＝B/N；
步骤5：通过MATLAB提取所述的图像矩阵A中的划切缝边缘轮廓矩阵BW，得出边缘曲线像素点坐标参数(xj,yj)，进而采用描点的方式得出划切缝边缘轮廓曲线F(xj,yj)，其中j为边缘曲线像素点序号；
步骤6：根据步骤5中所述的划切缝边缘轮廓曲线F(xj,yj)，通过峰值提取法识别并统计出划切缝崩口数量、位置及高度信息，具体的：
步骤6.1：根据步骤5中所述的边缘曲线像素点坐标参数(xj,yj)，通过最小二乘法进行线性拟合直线，拟合后的直线方程为：
Y＝kx+b1
并使所述的拟合直线通过步骤5中所述的划切缝边缘轮廓曲线F(xj,yj)最下方点作为划切缝边缘基准线，基准线直线方程为：
Y2＝kx+b2
步骤6.2：通过MATLAB中的峰值提取函数识别并统计划切缝崩口数量n、崩口位置(xm,ym)及崩口高度H信息，其中，m为崩口序号，所述的峰值提取函数调用MATLAB中的findpeaks函数，设置峰值提取最小间隔为2个像素，最小峰值突出度为1个像素，findpeaks函数返回值为所述的划切缝边缘轮廓曲线F (xj,yj)的峰值点的纵坐标的值ymax，峰值点个数即为崩口数量n，峰值点坐标即为崩口位置(xm,ym)，每一个峰值点坐标(xm,ym)与所述的划切缝边缘基准线之间距离所占的像素数即为像素崩口高度h，即对应的第m个崩口高度H＝h*B/N。
步骤1中所述的获取待测硬脆材料划切缝视场图像中含有一条划切缝。
步骤2中所述的对所述的二值化图像M1进行降噪预处理的过程为：调用 MATLAB中的bwareaopen函数去除所述的二值化图像中连通区域面积小于阈值 H的噪点，调用方式为M1＝bwareaopen(M1,H)，其中，H为面积阈值，H的值为50～100。
步骤5中所述的采用描点的方式得出划切缝边缘轮廓曲线F(xj,yj)的方法为：
步骤5.1：调用MATLAB中的sobel算子边缘检测函数，将sobel算子边缘检测函数的卷积因子Gx和Gy与图像矩阵A作如下卷积运算：
即Gx＝(-1)*f(x-1,y-1)+0*f(x,y-1)+1*f(x+1,y-1)+(-2)*f(x-1,y)+ 0*f(x,y)+2*f(x+1,y) +(-1)*f(x-1,y+1)+0*f(x,y+1)+1*f(x+1,y+1)＝[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x -1,y-1)+2*f(x-1,y)+f(x-1,y+1)]；
Gy＝1*f(x-1,y-1)+2*f(x,y-1)+1*f(x+1,y-1)+0*f(x-1,y)0*f(x,y)+0*f(x+1,y) +(-1)*f(x-1,y+1)+(-2)*f(x,y+1)+(-1)*f(x+1,y+1)＝[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]-[f (x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]；
其中，其中f(a,b),表示图像矩阵A的(a,b)点的灰度值；
步骤5.2：设置灰度阈值Q，若图像矩阵A中(a,b)点的像素值G大于H，则表示该点为边缘点，若图像矩阵A中(a,b)点的像素值G小于H，则表示该点为非边缘点，其中
与现有技术相比，本发明的有益效果为：
本发明通过降噪预处理可以将划切缝视场图像的二值化图像中的划痕及水渍等噪点去除，显著提高识别的准确性，避免出现误判；
本发明通过提取划切槽崩边边缘曲线像素点坐标参数(xj,yj)，进而采用最小二乘法拟合边缘基准线，通过计算曲线峰值点坐标与基准线的距离所占像素数，进一步得出崩口高度数据H，该方法可以避免因工件摆放倾斜对崩口高度检测的影响，提高了方法的准确性与易用性。
本发明通过图像矩阵参数化识别出划切缝轮廓曲线，识别精度高，对于不明显的崩口缺陷特征也能精准识别；
本发明的方法可通过编写计算机程序自动实现划切缝崩边检测，相较于人工目检的方式，检测效率及精度明显提高。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。；
图2为实施例中硅晶圆片划切缝视场图像示意图；
图3为图2降噪预处理后的二值化图像示意图；
图4为实施例中提取的划切缝边缘轮廓曲线示意图；
图5为实施例中划切缝崩边高度检测示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示：本发明所述的一种硬脆材料划切缝崩边检测方法，包括以下步骤：
步骤1：获取待测硬脆材料划切缝视场图像，优选的，可采用相机拍摄具有一条或者多条完整的硬脆材料划切缝的视场图像；为了提高划切缝崩边检测精度，优选的，视场图像中只具有一条完整的硬脆材料划切缝；
步骤2：利用MATLAB对所述的划切缝视场图像进行二值化处理，得到所述的划切缝视场图像的二值化图像M1；并对所述的二值化图像M1进行降噪预处理，得到降噪预处理后的二值化图像；优选的，对所述的二值化图像M1进行降噪预处理的过程为：调用MATLAB中的bwareaopen函数去除所述的二值化图像中连通区域面积小于阈值H的噪点，调用方式为M1＝bwareaopen(M1,H)，其中， H为面积阈值，H的值为50～100；优选的，可依次选用取图像像素为8邻域和4 邻域方式各去一次噪点，更优选的，可将上述处理过的图像取反后用相同的方法再次去噪，去噪完成后再取反还原图像；
步骤3：根据所述的降噪预处理后的二值化图像的图像矩阵A识别出划切区域，所述的划切区域指划切区域、崩边区域及相邻划切缝之间的未划切区域，具体的：
步骤3.1：通过MATLAB读取所述的降噪预处理后的二值化图像的图像矩阵A识别出的划切区域，所述的划切区域及崩边区域为黑色，其元素值为0，所述的未划切区域为白色，其元素值为1；
步骤3.2：通过调用MATLAB中find函数找出所述的图像矩阵A中行向量元素累加不为0的行向量行号Ki，其中Ki为所述的未划切区域位于所述的图像矩阵A中所处的行号范围，i为行号，通过Ki即可确定每条划切缝的宽度方向所代表的图像矩阵A中黑色像素的个数N的值；
步骤4：根据步骤3识别出的每条划切缝的宽度方向所代表的图像矩阵A中黑色像素的个数N的值，以及实际划切时设置划切缝宽度B计算出所述的图像矩阵A中单位像素所代表的实际宽度尺寸b，计算公式为：
b＝B/N；
步骤5：通过MATLAB提取所述的图像矩阵A中的划切缝边缘轮廓矩阵BW，得出边缘曲线像素点坐标参数(xj,yj)，进而采用描点的方式得出划切缝边缘轮廓曲线F(xj,yj)，其中j为边缘曲线像素点序号；
采用描点的方式得出划切缝边缘轮廓曲线F(xj,yj)的方法为：
步骤5.1：调用MATLAB中的sobel算子边缘检测函数，将sobel算子边缘检测函数的卷积因子Gx和Gy与图像矩阵A作如下卷积运算：
即Gx＝(-1)*f(x-1,y-1)+0*f(x,y-1)+1*f(x+1,y-1)+(-2)*f(x-1,y)+ 0*f(x,y)+2*f(x+1,y) +(-1)*f(x-1,y+1)+0*f(x,y+1)+1*f(x+1,y+1)＝[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x -1,y-1)+2*f(x-1,y)+f(x-1,y+1)]；
Gy＝1*f(x-1,y-1)+2*f(x,y-1)+1*f(x+1,y-1)+0*f(x-1,y)0*f(x,y)+0*f(x+1,y) +(-1)*f(x-1,y+1)+(-2)*f(x,y+1)+(-1)*f(x+1,y+1)＝[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]-[f (x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]；
其中，其中f(a,b),表示图像矩阵A的(a,b)点的灰度值；
步骤5.2：设置灰度阈值Q，若图像矩阵A中(a,b)点的像素值G大于H，则表示该点为边缘点，若图像矩阵A中(a,b)点的像素值G小于H，则表示该点为非边缘点，其中
步骤6：根据步骤5中所述的划切缝边缘轮廓曲线F(xj,yj)，通过峰值提取法识别并统计出划切缝崩口数量、位置及高度信息，具体的：
步骤6.1：根据步骤5中所述的边缘曲线像素点坐标参数(xj,yj)，通过最小二乘法进行线性拟合直线，拟合后的直线方程为：
Y＝kx+b1
并使所述的拟合直线通过步骤5中所述的划切缝边缘轮廓曲线F(xj,yj)最下方点作为划切缝边缘基准线，基准线直线方程为：
Y2＝kx+b2
步骤6.2：通过MATLAB中的峰值提取函数识别并统计划切缝崩口数量n、崩口位置(xm,ym)及崩口高度H信息，其中，m为崩口序号，所述的峰值提取函数调用MATLAB中的findpeaks函数，设置峰值提取最小间隔为2个像素，最小峰值突出度为1个像素，findpeaks函数返回值为所述的划切缝边缘轮廓曲线F (xj,yj)的峰值点的纵坐标的值ymax，峰值点个数即为崩口数量n，峰值点坐标即为崩口位置(xm,ym)，每一个峰值点坐标(xm,ym)与所述的划切缝边缘基准线之间距离所占的像素数即为像素崩口高度h，即对应的第m个崩口高度H＝h*B/N。
实施例：
为了便于本领域技术人员进一步理解本发明的技术方案，下面将以具体实施例对本发明的技术方案做进一步描述：
本实施例采用硅晶圆超薄砂轮划切，在精密砂轮划片机上使用超薄砂轮划切 6英寸单晶硅晶圆片，设置划切深度h＝0.3mm和相邻划切缝间隔Δ＝1mm，划切次数50次，划切缝宽度B与超薄砂轮厚度t一致为0.05mm。
步骤1：调整相机放大倍数以及视场光源拍摄硅晶圆片划切缝视场图像如图 2所示，拍摄时调整相机使得视场内仅有一条划切缝；
步骤2：利用MATLAB对相机拍摄的划切缝视场图像进行二值化处理，得到划切缝视场图像的二值化图像M1；并对二值化图像M1进行降噪预处理，得到降噪预处理后的二值化图像；优选的，对二值化图像M1进行降噪预处理的过程为：调用MATLAB中的bwareaopen函数去除二值化图像中连通区域面积小于阈值H的噪点，调用方式为M1＝bwareaopen(M1,H)，其中，H为面积阈值，H的值为50～100；降噪预处理的过程可以去除二值化图像中的水渍即其他短小划痕等噪点；降噪预处理后的二值化图像如图3所示；
步骤3：根据所述的降噪预处理后的二值化图像的图像矩阵A识别出划切区域，所述的划切区域指划切区域、崩边区域及相邻划切缝之间的未划切区域，具体的：
步骤3.1：通过MATLAB读取所述的降噪预处理后的二值化图像的图像矩阵A识别出的划切区域，所述的划切区域及崩边区域为黑色，其元素值为0，所述的未划切区域为白色，其元素值为1；
步骤3.2：通过调用MATLAB中find函数找出所述的图像矩阵A中行向量元素累加不为0的行向量行号Ki，其中Ki为所述的未划切区域位于所述的图像矩阵A中所处的行号范围，i为行号，通过Ki即可确定每条划切缝的宽度方向所代表的图像矩阵A中黑色像素的个数N的值；
步骤4：根据步骤3识别出的每条划切缝的宽度方向所代表的图像矩阵A中黑色像素的个数N的值，以及实际划切时设置划切缝宽度B计算出所述的图像矩阵A中单位像素所代表的实际宽度尺寸b，计算公式为：
b＝B/N；
步骤5：通过MATLAB提取所述的图像矩阵A中的划切缝边缘轮廓矩阵BW，得出边缘曲线像素点坐标参数(xj,yj)，进而采用描点的方式得出划切缝边缘轮廓曲线F(xj,yj)，其中j为边缘曲线像素点序号；划切缝边缘轮廓曲线如图4 所示；
采用描点的方式得出划切缝边缘轮廓曲线F(xj,yj)的方法为：
步骤5.1：调用MATLAB中的sobel算子边缘检测函数，将sobel算子边缘检测函数的卷积因子Gx和Gy与图像矩阵A作如下卷积运算：
即Gx＝(-1)*f(x-1,y-1)+0*f(x,y-1)+1*f(x+1,y-1)+(-2)*f(x-1,y)+ 0*f(x,y)+2*f(x+1,y) +(-1)*f(x-1,y+1)+0*f(x,y+1)+1*f(x+1,y+1)＝[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x -1,y-1)+2*f(x-1,y)+f(x-1,y+1)]；
Gy＝1*f(x-1,y-1)+2*f(x,y-1)+1*f(x+1,y-1)+0*f(x-1,y)0*f(x,y)+0*f(x+1,y) +(-1)*f(x-1,y+1)+(-2)*f(x,y+1)+(-1)*f(x+1,y+1)＝[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]-[f (x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]；
其中，其中f(a,b),表示图像矩阵A的(a,b)点的灰度值；
步骤5.2：设置灰度阈值Q，若图像矩阵A中(a,b)点的像素值G大于H，则表示该点为边缘点，若图像矩阵A中(a,b)点的像素值G小于H，则表示该点为非边缘点，其中
步骤6：根据步骤5中所述的划切缝边缘轮廓曲线F(xj,yj)，通过峰值提取法识别并统计出划切缝崩口数量、位置及高度信息，划切缝崩口图像如图5 所示，具体的：
步骤6.1：根据步骤5中所述的边缘曲线像素点坐标参数(xj,yj)，通过最小二乘法进行线性拟合直线，拟合后的直线方程为：
Y＝kx+b1
并使所述的拟合直线通过步骤5中所述的划切缝边缘轮廓曲线F(xj,yj)最下方点作为划切缝边缘基准线，基准线直线方程为：
Y2＝kx+b2
步骤6.2：通过MATLAB中的峰值提取函数识别并统计划切缝崩口数量n、崩口位置(xm,ym)及崩口高度H信息，其中，m为崩口序号，所述的峰值提取函数调用MATLAB中的findpeaks函数，设置峰值提取最小间隔为2个像素，最小峰值突出度为1个像素，findpeaks函数返回值为所述的划切缝边缘轮廓曲线F (xj,yj)的峰值点的纵坐标的值ymax，峰值点个数即为崩口数量n，峰值点坐标即为崩口位置(xm,ym)，每一个峰值点坐标(xm,ym)与所述的划切缝边缘基准线之间距离所占的像素数即为像素崩口高度h，即对应的第m个崩口高度H＝h*B/N。
本发明所述的一种硬脆材料划切缝崩边检测方法的有益效果为：
本发明通过降噪预处理可以将划切缝视场图像的二值化图像中的划痕及水渍等噪点去除，显著提高识别的准确性，避免出现误判；
本发明通过图像矩阵参数化识别出划切缝轮廓曲线，识别精度高，对于不明显的崩口缺陷特征也能精准识别；
本发明的方法可通过编写计算机程序自动实现划切缝崩边检测，相较于人工目检的方式，检测效率及精度明显提高。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (2)
1.一种硬脆材料划切缝崩边检测方法，其特征在于，包括以下步骤：
步骤1：获取待测硬脆材料划切缝视场图像；
步骤2：利用MATLAB对所述的划切缝视场图像进行二值化处理，得到所述的划切缝视场图像的二值化图像M1；并对所述的二值化图像M1进行降噪预处理，得到降噪预处理后的二值化图像；步骤2中所述的对所述的二值化图像M1进行降噪预处理的过程为：调用MATLAB中的bwareaopen函数去除所述的二值化图像中连通区域面积小于阈值H的噪点，调用方式为M1＝bwareaopen(M1,H)，其中，H为面积阈值，H的值为50～100；
步骤3：根据所述的降噪预处理后的二值化图像的图像矩阵A识别出划切区域，所述的划切区域指划切区域、崩边区域及相邻划切缝之间的未划切区域，具体的：
步骤3.1：通过MATLAB读取所述的降噪预处理后的二值化图像的图像矩阵A识别出的划切区域，所述的划切区域及崩边区域为黑色，其元素值为0，所述的未划切区域为白色，其元素值为1；
步骤3.2：通过调用MATLAB中find函数找出所述的图像矩阵A中行向量元素累加不为0的行向量行号Ki，其中Ki为所述的未划切区域位于所述的图像矩阵A中所处的行号范围，i为行号，通过Ki即可确定每条划切缝的宽度方向所代表的图像矩阵A中黑色像素的个数N的值；
步骤4：根据步骤3识别出的每条划切缝的宽度方向所代表的图像矩阵A中黑色像素的个数N的值，以及实际划切时设置划切缝宽度B计算出所述的图像矩阵A中单位像素所代表的实际宽度尺寸b，计算公式为：
b＝B/N；
步骤5：通过MATLAB提取所述的图像矩阵A中的划切缝边缘轮廓矩阵BW，得出边缘曲线像素点坐标参数(xj,yj)，进而采用描点的方式得出划切缝边缘轮廓曲线F(xj,yj)，其中j为边缘曲线像素点序号；
步骤5中所述的采用描点的方式得出划切缝边缘轮廓曲线F(xj,yj)的方法为：
步骤5.1：调用MATLAB中的sobel算子边缘检测函数，将sobel算子边缘检测函数的卷积因子Gx和Gy与图像矩阵A作如下卷积运算：
即Gx＝(-1)*f(x-1,y-1)+0*f(x,y-1)+1*f(x+1,y-1)+(-2)*f(x-1,y)+0*f(x,y)+2*f(x+1,y)
+(-1)*f(x-1,y+1)+0*f(x,y+1)+1*f(x+1,y+1)＝[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]；
Gy＝1*f(x-1,y-1)+2*f(x,y-1)+1*f(x+1,y-1)+0*f(x-1,y)0*f(x,y)+0*f(x+1,y)
+(-1)*f(x-1,y+1)+(-2)*f(x,y+1)+(-1)*f(x+1,y+1)＝[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]；
其中，其中f(a,b),表示图像矩阵A的(a,b)点的灰度值；
步骤5.2：设置灰度阈值Q，若图像矩阵A中(a,b)点的像素值G大于H，则表示该点为边缘点，若图像矩阵A中(a,b)点的像素值G小于H，则表示该点为非边缘点，其中
步骤6：根据步骤5中所述的划切缝边缘轮廓曲线F(xj,yj)，通过峰值提取法识别并统计出划切缝崩口数量、位置及高度信息，具体的：
步骤6.1：根据步骤5中所述的边缘曲线像素点坐标参数(xj,yj)，通过最小二乘法进行线性拟合直线，拟合后的直线方程为：
Y＝kx+b1
并使所述的拟合直线通过步骤5中所述的划切缝边缘轮廓曲线F(xj,yj)最下方点作为划切缝边缘基准线，基准线直线方程为：
Y2＝kx+b2
步骤6.2：通过MATLAB中的峰值提取函数识别并统计划切缝崩口数量n、崩口位置(xm,ym)及崩口高度H信息，其中，m为崩口序号，所述的峰值提取函数调用MATLAB中的findpeaks函数，设置峰值提取最小间隔为2个像素，最小峰值突出度为1个像素，findpeaks函数返回值为所述的划切缝边缘轮廓曲线F(xj,yj)的峰值点的纵坐标的值ymax，峰值点个数即为崩口数量n，峰值点坐标即为崩口位置(xm,ym)，每一个峰值点坐标(xm,ym)与所述的划切缝边缘基准线之间距离所占的像素数即为像素崩口高度h，即对应的第m个崩口高度H＝h*B/N。
2.根据权利要求1所述的一种硬脆材料划切缝崩边检测方法，其特征在于：步骤1中所述的获取待测硬脆材料划切缝视场图像中含有一条或多条划切缝。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111207012.8A CN113850800B (zh) | 2021-10-15 | 2021-10-15 | 一种硬脆材料划切缝崩边检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111207012.8A CN113850800B (zh) | 2021-10-15 | 2021-10-15 | 一种硬脆材料划切缝崩边检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113850800A CN113850800A (zh) | 2021-12-28 |
| CN113850800B true CN113850800B (zh) | 2024-04-30 |
Family
ID=78978674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111207012.8A Active CN113850800B (zh) | 2021-10-15 | 2021-10-15 | 一种硬脆材料划切缝崩边检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113850800B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115035303B (zh) * | 2022-06-17 | 2024-04-26 | 郑州磨料磨具磨削研究所有限公司 | 一种电镀有色cBN砂轮的磨料浓度检测方法 |
| CN114988679B (zh) * | 2022-08-08 | 2022-10-25 | 启东市云鹏玻璃机械有限公司 | 一种玻璃切割机床智能走刀控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104036470A (zh) * | 2014-07-02 | 2014-09-10 | 厦门美图之家科技有限公司 | 一种消除二值化噪点的图像增强方法 |
| CN104463792A (zh) * | 2014-11-12 | 2015-03-25 | 迪堡金融设备有限公司 | 一种用于去除二值化图像中噪点的方法及其装置 |
| CN107248148A (zh) * | 2017-06-14 | 2017-10-13 | 上海晔芯电子科技有限公司 | 图像降噪方法及系统 |
| WO2019041590A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 任意角度的边缘检测方法 |
| WO2019041412A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 基于热成像的关脉识别方法 |
| CN110264459A (zh) * | 2019-06-24 | 2019-09-20 | 江苏开放大学（江苏城市职业学院） | 一种土壤裂缝特征信息提取方法 |
-
2021
- 2021-10-15 CN CN202111207012.8A patent/CN113850800B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104036470A (zh) * | 2014-07-02 | 2014-09-10 | 厦门美图之家科技有限公司 | 一种消除二值化噪点的图像增强方法 |
| CN104463792A (zh) * | 2014-11-12 | 2015-03-25 | 迪堡金融设备有限公司 | 一种用于去除二值化图像中噪点的方法及其装置 |
| CN107248148A (zh) * | 2017-06-14 | 2017-10-13 | 上海晔芯电子科技有限公司 | 图像降噪方法及系统 |
| WO2019041590A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 任意角度的边缘检测方法 |
| WO2019041412A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 基于热成像的关脉识别方法 |
| CN110264459A (zh) * | 2019-06-24 | 2019-09-20 | 江苏开放大学（江苏城市职业学院） | 一种土壤裂缝特征信息提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113850800A (zh) | 2021-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113850800B (zh) | 一种硬脆材料划切缝崩边检测方法 | |
| CN108230324B (zh) | 磁瓦表面微缺陷视觉检测方法 | |
| CN109449093B (zh) | 晶圆检测方法 | |
| CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
| CN115375686B (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
| CN103646893A (zh) | 晶圆缺陷检测方法 | |
| CN113537301B (zh) | 基于模板自适应匹配瓶体标签的缺陷检测方法 | |
| CN109816627B (zh) | 平面玻璃元件油墨区弱小缺陷目标检测方法 | |
| CN115063429B (zh) | 一种用于机械配件的质量检测方法 | |
| CN111551568A (zh) | 一种基于机器视觉的镜片缺陷检测与分类方法 | |
| CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
| CN105184792B (zh) | 一种圆锯片磨损量在线测量方法 | |
| JP2009074952A (ja) | 外観検査方法 | |
| CN109883396B (zh) | 一种基于图像处理技术的水准泡刻线宽度测量方法 | |
| CN117495856B (zh) | 基于深度学习的晶圆表面检测方法、装置、设备和介质 | |
| CN111507961B (zh) | 缺陷判断训练方法及其的系统及缺陷判断方法及其的系统 | |
| CN111192261A (zh) | 一种镜片疵病类型识别的方法 | |
| CN108416790A (zh) | 一种用于工件破损率的检测方法 | |
| CN111476792A (zh) | 一种板带钢图像轮廓的提取方法 | |
| Zhao et al. | Robust and automatic measurement of grinding-induced subsurface damage in optical glass K9 based on digital image processing | |
| CN111062939B (zh) | 一种带钢表面快速质量甄别与缺陷特征自动提取方法 | |
| KR102600923B1 (ko) | 마스크 생산 라인에서 마스크 필터의 정형 및 비정형 이물질 자동 판별을 위한 교차상관관계 기반 영상 처리 방법 | |
| CN111257326B (zh) | 一种金属加工区域提取方法 | |
| JP4799426B2 (ja) | 輪郭部の欠け検査方法およびその装置 | |
| CN112388391B (zh) | 一种车削刀具置换方法 |
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 |