CN114677683B - 应用于光通信激光器芯片显微字符识别的背景预处理方法 - Google Patents
应用于光通信激光器芯片显微字符识别的背景预处理方法 Download PDFInfo
- Publication number
- CN114677683B CN114677683B CN202210354883.0A CN202210354883A CN114677683B CN 114677683 B CN114677683 B CN 114677683B CN 202210354883 A CN202210354883 A CN 202210354883A CN 114677683 B CN114677683 B CN 114677683B
- Authority
- CN
- China
- Prior art keywords
- character recognition
- dirt
- character
- area
- outer frame
- 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
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种应用于光通信激光器芯片显微字符识别的背景预处理方法,属于图像处理领域。包括:步骤1:获取激光器芯片的图像;步骤2:通过矩形框对图像中的字符区域进行框定;步骤3:将框定的字符区域通过内框和外框进行划分;通过脏污或缺陷同字符背景的灰度值差异以及其形态学差异来检测内框与外框之间的区域内是否存在脏污或缺陷;步骤4:若存在脏污或缺陷,则将脏污或缺陷去除后,再送入字符识别网络进行字符识别;步骤5:若不存在脏污或缺陷,则直接送入字符识别网络进行字符识别。本发明能够对字符区域中的背景脏污或缺陷进行有效去除,能够避免较大的误检或漏检,提高了芯片字符识别的准确率和效率。
Description
技术领域
本发明涉及光电子半导体芯片的微观视觉检测领域,尤其涉及应用于光通信激光器芯片显微字符识别的背景预处理方法。
背景技术
目前,随着通信容量和通信带宽的不断发展,以及各种光电子半导体技术的不断进步,光电子半导体芯片如激光器芯片(DFB、FP、VECSEL等)变得越来越小以便于进行集成和封装成各种形式的光通信器件;随着5G通信,FTTR及数据中心的高速发展,对通信速率也变得越来越高。光电子激光器芯片作为光纤通信系统中最为关键的核心芯片,其性能和质量的可靠稳定性将变得越来越重要。
智能制造和人工智能的不断发展为制造的信息化,智能化和可追溯性赋予了强大的能力。半导体光电子芯片由于其在技术、应用和价格方面的重要性,需要在整个光器件的生产制造过程中能够做到质量追溯和过程控制。如激光器芯片的各项关键参数如光功率,消光比,斜效率,中心波长,交叉点以及边模抑制比等关键信息需要和每个芯片一一关联和对应起来。而光电子半导体外观芯片上的字符信息的准确识别是做好质量控制和过程追溯的关键所在和重要保证。芯片表面的字符识别信息就可以作为芯片的唯一标识和各项芯片的光电参数信息和数据库一一关联对应起来,做到信息化管控;从而可以做到有效的质量管控和过程追溯,避免造成重大的损失;也可以以此进一步进行工艺和过程的优化和升级。
现有技术中采用截取出的字符区域直接进行字符识别,识别精度在98%左右,并且随着时间的推移,识别精度会不稳定,不稳定的原因可能是图像获取识别的老化或者获取图像时周围环境光线的改变。
发明内容
本发明的目的在于克服现有技术的不足,提供一种应用于光通信半导体激光器芯片上字符识别区域内脏污和缺陷的预处理办法,以提高字符识别的准确率,效率和稳定性。
本发明的目的是通过以下技术方案来实现的:
应用于光通信激光器芯片显微字符识别的背景预处理方法,包括以下步骤:
步骤1:连续获取激光器芯片的图像;
步骤2:通过训练好的字符识别模型识别出芯片图像中字符所在区域,采用矩形框对字符所在区域进行框定,该矩形框尺寸大于字符区域尺寸的1.5倍到2倍;
步骤3:识别框定的字符区域内是否存在脏污或缺陷;
步骤301:将框定的字符区域通过内框和外框进行划分,其中内框为包含当前芯片字符区域的最小矩形框,外框为步骤2中的矩形框;
步骤302:计算当前芯片图像之前的连续A张芯片图像中的内框和外壳之间区域的平均灰度值B,将C×B作为分割阈值,C为平均灰度值的加权系数;若当前芯片图像中内框和外壳的平均灰度值小于阈值,则认为内框和外框之间存在脏污或缺陷;
步骤4:若存在脏污或缺陷,首先计算内框和外壳之间的区域的连通域,将连通域内的认为是脏污或缺陷区,采用其他区域的灰度值替换脏污或缺陷区的灰度值,再将外框内图像送入字符识别网络进行字符识别;若不存在脏污或缺陷,则直接将外框内图像送入字符识别网络进行字符识别。
进一步的,所述获取激光器芯片的图像时,采用稳定性高的照明系统提供稳定的光场,以保证图片背景灰度值的稳定。
进一步的,所述对字符背景的平均灰度值的监控步骤具体为:对于字符背景灰度值均值进行监控,发现其变化波动大于阈值或是其变化在短时间内大于阈值的非线性变化时,向用户发出提示信息。
本发明采用截取外框图像,分割内外框区域,去除内外框之间的脏污或缺陷,最后采用外框内整个区域进行字符识别;相比于传统的只采用内框图域对图像进行识别提高了识别准确率达到99.62%,相比于传统识别方法提升了1个多百分点;并且采用实时的平均灰度值与分割阈值相互关联,提升了识别准确率的稳定性;本发明计算量小,具有实时性。
附图说明
图1为图像字符区域定位及识别流程图。
图2为字符区域的内外框示意图。
图3为缺陷脏污数据示例图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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作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。
实施例1,如图1所示,应用于光通信激光器芯片显微字符识别的背景预处理方法,包括以下步骤:
步骤1:获取激光器芯片的图像;
步骤2:通过矩形框对图像中的字符区域进行框定;
步骤3:识别框定的字符区域内是否存在脏污或缺陷;
其中,步骤3包括以下子步骤:
步骤301:将框定的字符区域通过内框和外框进行划分;
步骤302:通过脏污或缺陷同字符背景的灰度值差异以及其形态学差异来检测内框与外框之间的区域内是否存在脏污或缺陷。
其中,如图2所示,内框为刚好包含芯片字符区域的矩形框,外框为包含整个字符信息区块的矩形框。
步骤4:若存在脏污或缺陷,则将脏污或缺陷去除后,再送入字符识别网络进行字符识别;
其中,步骤4中的去除脏污或缺陷的具体过程为:根据形态学,以及脏污或缺陷特征连通域情况,采用腐蚀或爆炸的图像处理手段,将确定的脏污或缺陷区域的灰度值自动转化为除脏污或缺陷区域以外的内框与外框之间区域的灰度均值。
步骤5:若不存在脏污或缺陷,则直接送入字符识别网络进行字符识别。
其中,所述获取激光器芯片的图像时,采用稳定性高的照明系统提供稳定的光场,以保证图片背景灰度值的稳定。
其中,还包括对字符背景的平均灰度值的监控步骤,通过所述平均灰度值来指导自动改变缺陷或脏污的分割阈值。假设由环境所致的光场噪声理想不变的情况下,按照缺陷检测算法机制,对缺陷或是脏污信息的区分判断取决于灰度阈值大小的设置。
其中,所述对字符背景的平均灰度值的监控步骤具体为:对于字符背景灰度值均值进行监控,发现其变化出现较大波动或是其变化在短时间内属于严重非线性变化时,向用户发出提示信息。
本发明的目的在于提供一种应用于光通信半导体激光器芯片上字符识别区域内脏污和缺陷的预处理办法,以提高字符识别的准确率和效率。根据大量的实验样本可以看出,影响字符识别的脏污或缺陷会出现在字符区域检测框的内的两个位置,如图2所示,一是字符的内框A内,二是外框B与内框A之间。其中脏污或缺陷出现在内框A中,目前还不好去除,本方法只适用于出现在外框B和内框A之间的脏污和缺陷。经过实际验证,由于大部分的脏污和缺陷都是出现在外框A和内框B之间,所以本发明所采用的去除方法在原来较高且稳定的识别准确率的基础上不仅使我们的识别准确率提高了约一个百分点而且还稳定的优于99.62%。
图3展示了本发明具体实施过程中缺陷脏污数据示例图;本发明方法是在字符区域被筐定后首先进行字符识别区域内脏污和缺陷的判断,对于没有脏污和缺陷的图片直接送入字符识别框架,对于有脏污和缺陷的图片进行经过预处理算法之后再送入字符识别的框架。从而提高字符识别的准确率。
在本实施例中,需要说明的是本发明采用了脏污或缺陷同字符背景的灰度值差异以及其形态学差异来具体识别定位脏污和缺陷的,因此本方案对照明光场的稳定性要求较高,因为光场的稳定性直接决定背景的灰度值。所以为了保证灰度值的稳定,对字符背景的平均灰度值进行了监控,由该平均灰度值来指导自动改变缺陷脏污的分割阈值。该分割阈值的合理设定相当关键,其准确性直接决定具有脏污缺陷的字符的识别的准确率。需要注意的是,提高阈值会使得检测缺陷更加容易,但对字符的漏检率(即false报警)上升;降低阈值会减小漏检率,但对于缺陷的检测效果会变差。此处,可为用户提供光源阈值变化较大时候的提示及阈值用户自行设置的接口,以便能够避免较大的误检和漏检,同时提高能够适应不同环境的灵活性。
本发明需要说明的是,其不仅可以用于光通信半导体激光器芯片的微观检测领域,通过修改软件算法还可以满足其他任何半导体芯片字符识别缺陷脏污的预处理方法的需求。
Claims (3)
1.应用于光通信激光器芯片显微字符识别的背景预处理方法,其特征在于,该方法包括以下步骤:
步骤1:连续获取激光器芯片的图像;
步骤2:通过训练好的字符识别模型识别出芯片图像中字符所在区域,采用矩形框对字符所在区域进行框定,该矩形框尺寸大于字符区域尺寸的1.5倍到2倍;
步骤3:识别框定的字符区域内是否存在脏污或缺陷;
步骤301:将框定的字符区域通过内框和外框进行划分,其中内框为包含当前芯片字符区域的最小矩形框,外框为步骤2中的矩形框;
步骤302:计算当前芯片图像之前的连续A张芯片图像中的内框和外框之间区域的平均灰度值B,将C×B作为分割阈值,C为平均灰度值的加权系数;若当前芯片图像中内框和外框的平均灰度值小于阈值,则认为内框和外框之间存在脏污或缺陷;
步骤4:若存在脏污或缺陷,首先计算内框和外框之间的区域的连通域,将连通域内的认为是脏污或缺陷区,采用其他区域的灰度值替换脏污或缺陷区的灰度值,再将外框内图像送入字符识别网络进行字符识别;若不存在脏污或缺陷,则直接将外框内图像送入字符识别网络进行字符识别。
2.如权利要求1所述的应用于光通信激光器芯片显微字符识别的背景预处理方法,其特征在于,所述获取激光器芯片的图像时,采用稳定性高的照明系统提供稳定的光场,以保证图片背景灰度值的稳定。
3.如权利要求1所述的应用于光通信激光器芯片显微字符识别的背景预处理方法,其特征在于,还包括对字符背景的平均灰度值的监控步骤,具体为:对于字符背景灰度值均值进行监控,发现其变化波动大于阈值或是其变化在短时间内大于阈值的非线性变化时,向用户发出提示信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210354883.0A CN114677683B (zh) | 2022-04-06 | 2022-04-06 | 应用于光通信激光器芯片显微字符识别的背景预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210354883.0A CN114677683B (zh) | 2022-04-06 | 2022-04-06 | 应用于光通信激光器芯片显微字符识别的背景预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114677683A CN114677683A (zh) | 2022-06-28 |
CN114677683B true CN114677683B (zh) | 2023-04-25 |
Family
ID=82078843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210354883.0A Active CN114677683B (zh) | 2022-04-06 | 2022-04-06 | 应用于光通信激光器芯片显微字符识别的背景预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114677683B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982921A (zh) * | 2020-05-21 | 2020-11-24 | 北京安视中电科技有限公司 | 孔缺陷的检测方法、装置、传送平台及存储介质 |
CN113221889A (zh) * | 2021-05-25 | 2021-08-06 | 中科芯集成电路有限公司 | 一种芯片字符抗干扰识别方法及装置 |
CN114004204A (zh) * | 2021-10-28 | 2022-02-01 | 上海交通大学 | 基于计算机视觉的表格结构重建与文字提取方法和系统 |
CN114004858A (zh) * | 2021-11-19 | 2022-02-01 | 清华大学 | 基于机器视觉识别航空线缆表面编码的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100369049C (zh) * | 2005-02-18 | 2008-02-13 | 富士通株式会社 | 灰度字符的精确分割装置及方法 |
-
2022
- 2022-04-06 CN CN202210354883.0A patent/CN114677683B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982921A (zh) * | 2020-05-21 | 2020-11-24 | 北京安视中电科技有限公司 | 孔缺陷的检测方法、装置、传送平台及存储介质 |
CN113221889A (zh) * | 2021-05-25 | 2021-08-06 | 中科芯集成电路有限公司 | 一种芯片字符抗干扰识别方法及装置 |
CN114004204A (zh) * | 2021-10-28 | 2022-02-01 | 上海交通大学 | 基于计算机视觉的表格结构重建与文字提取方法和系统 |
CN114004858A (zh) * | 2021-11-19 | 2022-02-01 | 清华大学 | 基于机器视觉识别航空线缆表面编码的方法及装置 |
Non-Patent Citations (3)
Title |
---|
yijun zhu等.chip surface character recognition based on improved LeNet-5 convolutional neural network.2020 39th chinese control conference.2020,7142-7147. * |
乔有田 ; .基于数学形态学和灰度跳变特征的车牌定位方法.工业控制计算机.2015,(第02期),77-78. * |
郭晓峰 ; 王耀南 ; 毛建旭 ; .基于几何特征的IC芯片字符分割与识别方法.智能系统学报.2020,第15卷(第01期),144-151. * |
Also Published As
Publication number | Publication date |
---|---|
CN114677683A (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105894036A (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
WO2020007118A1 (zh) | 显示屏外围电路检测方法、装置、电子设备及存储介质 | |
CN110763685B (zh) | Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置 | |
CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
CN112270659A (zh) | 一种动力电池极片表面缺陷快速检测方法和系统 | |
CN111415343A (zh) | 一种基于人工智能的片式多层陶瓷电容六面外观检测方法 | |
CN109378279A (zh) | 晶圆检测方法及晶圆检测系统 | |
CN114463389B (zh) | 一种运动目标检测方法以及检测系统 | |
CN114677683B (zh) | 应用于光通信激光器芯片显微字符识别的背景预处理方法 | |
CN115937097A (zh) | 基于人工智能的工业机器人视觉图像识别系统 | |
CN114758125A (zh) | 基于深度学习的齿轮表面缺陷检测方法与系统 | |
CN108537815B (zh) | 一种视频图像前景分割方法和装置 | |
CN117078603A (zh) | 基于改进的yolo模型的半导体激光芯片损伤探测方法和系统 | |
CN112347866A (zh) | 基于机器视觉实现附件组装防呆检测处理的系统及其方法 | |
CN110647086A (zh) | 一种基于运行大数据分析的智能运维监控系统 | |
CN111191077A (zh) | 一种视频内容识别自动分类的算法 | |
CN115761644A (zh) | 基于深度学习和帧差法的输电导线异物检测方法 | |
CN114241190A (zh) | 一种芯片生产智能化管控系统及方法 | |
CN113065416A (zh) | 集成于变电站视频监控装置的渗漏监测装置及方法、介质 | |
CN110211085B (zh) | 一种图像融合质量评价方法和系统 | |
Ford | Quantitative comparison of shot boundary detection metrics | |
CN110196152A (zh) | 基于机器视觉的大型景观灯组的故障诊断方法与系统 | |
TWI793901B (zh) | 煙霧偵測系統以及煙霧偵測方法 | |
CN112949362B (zh) | 人员信息标注方法、装置及电子设备 | |
CN114898256A (zh) | 目标对象检测方法、装置及计算机存储介质 |
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 |