CN114742823A - 一种物体表面划痕智能检测方法 - Google Patents
一种物体表面划痕智能检测方法 Download PDFInfo
- Publication number
- CN114742823A CN114742823A CN202210554988.0A CN202210554988A CN114742823A CN 114742823 A CN114742823 A CN 114742823A CN 202210554988 A CN202210554988 A CN 202210554988A CN 114742823 A CN114742823 A CN 114742823A
- Authority
- CN
- China
- Prior art keywords
- scratch
- image
- image sample
- detected
- analysis model
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011179 visual inspection 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
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,尤其涉及一种物体表面划痕智能检测方法,本发明基于异或操作提取出标准图像和待检测图像的像素差异区域,进而得到差异性特征图,由于通过异或操作所提取出的图像只是差异性的特征图;故该差异性特征图就可能包含非划痕的差异性特征,因此本申请基于划痕图像样本集建立神经网络模型,基于神经网络模型识别出差异性特征图中的图像是否为划痕;实现了芯片划痕的精确检测。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种物体表面划痕智能检测方法。
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容易出现表面缺陷,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环境中进行操作。
故本发明拟提供一种物体表面划痕智能检测方法,实现芯片表面划痕的智能检测。
发明内容
为了解决上述现有技术中存在的问题,本发明拟提供了一种物体表面划痕智能检测方法,实现芯片表面划痕的智能检测。
一种物体表面划痕智能检测方法,包括以下步骤:
步骤1:获取标准图像样本,将标准图像样本储存至数据库中;
步骤2:通过摄像机获取待检测图像样本,并对待检测图像样本进行预处理;
步骤3:基于异或操作提取出标准图像与待检测图像的像素差异区域,并基于像素差异区域生成差异性特征图;
步骤4:获取划痕图像样本集,并基于所获取的划痕图像样本集以及神经网络模型建立划痕分析模型;
步骤5:基于建立的划痕分析模型对差异性特征图进行分析,确定差异性特征图是否为真。
本发明基于异或操作提取出标准图像和待检测图像的像素差异区域,进而得到差异性特征图,由于通过异或操作所提取出的图像只是差异性的特征图;故该差异性特征图就可能包含非划痕的差异性特征,因此本申请基于划痕图像样本集建立神经网络模型,基于神经网络模型识别出差异性特征图中的图像是否为划痕;实现了芯片划痕的精确检测。
优选的,所述步骤1包括以下步骤:
所述步骤1中将标准图像样本进行灰度化,并将灰度化后的标准样本储存至数据库中。
优选的,步骤2中的预处理包括以下步骤:
对待检测图像样本进行灰度化处理;
对经过灰度化处理的待检测图像样本进行几何变换,使得待检测图样样本与标准图像样本几何对应;
对几何变换后的待检测图像进行图像增强操作。
优选的,所述灰度化处理基于摄像机获取的待检测图像样本中的三分量亮度的平均值得到一个灰度值,进行灰度化操作。
优选的,所述步骤2中基于邻域去噪算法对图像进行增强操作。
优选的,所述步骤4包括以下步骤:
步骤4.1:获取划痕图像样本集,将划痕图像样本集分给训练集和测试集;
步骤4.2:基于训练集对划痕分析模型进行训练,得到训练完成的划痕分析模型;
步骤4.3:基于测试集对划痕分析模型进行测试,测试结果不满足预定条件的继续训练,满足的则保存划痕分析模型。
本发明的有益效果包括:
本发明基于异或操作提取出标准图像和待检测图像的像素差异区域,进而得到差异性特征图,由于通过异或操作所提取出的图像只是差异性的特征图;故该差异性特征图就可能包含非划痕的差异性特征,因此本申请基于划痕图像样本集建立神经网络模型,基于神经网络模型识别出差异性特征图中的图像是否为划痕;实现了芯片划痕的精确检测。
附图说明
图1为本发明的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面结合附图1对本发明的实施例作进一步的详细说明:
一种物体表面划痕智能检测方法,包括以下步骤:
步骤1:获取标准图像样本,将标准图像样本储存至数据库中;
所述步骤1中将标准图像样本进行灰度化,并将灰度化后的标准样本储存至数据库中。
步骤2:通过摄像机获取待检测图像样本,并对待检测图像样本进行预处理;
步骤2中的预处理包括以下步骤:
对待检测图像样本进行灰度化处理;
对经过灰度化处理的待检测图像样本进行几何变换,使得待检测图样样本与标准图像样本几何对应;所述灰度化处理基于摄像机获取的待检测图像样本中的三分量亮度的平均值得到一个灰度值,进行灰度化操作。
对几何变换后的待检测图像进行图像增强操作。所述步骤2中基于邻域去噪算法对图像进行增强操作。
通过对图像进行增强操作,改善图像质量、丰富信息量,加强图像判读和识别效果。
步骤3:基于异或操作提取出标准图像与待检测图像的像素差异区域,并基于像素差异区域生成差异性特征图;
步骤4:获取划痕图像样本集,并基于所获取的划痕图像样本集以及神经网络模型建立划痕分析模型;
所述步骤4包括以下步骤:
步骤4.1:获取划痕图像样本集,将划痕图像样本集分给训练集和测试集;
步骤4.2:基于训练集对划痕分析模型进行训练,得到训练完成的划痕分析模型;
步骤4.3:基于测试集对划痕分析模型进行测试,测试结果不满足预定条件的继续训练,满足的则保存划痕分析模型。
步骤5:基于建立的划痕分析模型对差异性特征图进行分析,确定差异性特征图是否为真。
本发明基于异或操作提取出标准图像和待检测图像的像素差异区域,进而得到差异性特征图,由于通过异或操作所提取出的图像只是差异性的特征图;故该差异性特征图就可能包含非划痕的差异性特征,因此本申请基于划痕图像样本集建立神经网络模型,基于神经网络模型识别出差异性特征图中的图像是否为划痕;实现了芯片划痕的精确检测。
以上所述实施例仅表达了本申请的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请技术方案构思的前提下,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。
Claims (6)
1.一种物体表面划痕智能检测方法,其特征在于,包括以下步骤:
步骤1:获取标准图像样本,将标准图像样本储存至数据库中;
步骤2:通过摄像机获取待检测图像样本,并对待检测图像样本进行预处理;
步骤3:基于异或操作提取出标准图像与待检测图像的像素差异区域,并基于像素差异区域生成差异性特征图;
步骤4:获取划痕图像样本集,并基于所获取的划痕图像样本集以及神经网络模型建立划痕分析模型;
步骤5:基于建立的划痕分析模型对差异性特征图进行分析,确定差异性特征图是否为真。
2.根据权利要求1所述的一种物体表面划痕智能检测方法,其特征在于,所述步骤1包括以下步骤:
所述步骤1中将标准图像样本进行灰度化,并将灰度化后的标准样本储存至数据库中。
3.根据权利要求1所述的一种物体表面划痕智能检测方法,其特征在于,步骤2中的预处理包括以下步骤:
对待检测图像样本进行灰度化处理;
对经过灰度化处理的待检测图像样本进行几何变换,使得待检测图样样本与标准图像样本几何对应;
对几何变换后的待检测图像进行图像增强操作。
4.根据权利要求3所述的一种物体表面划痕智能检测方法,其特征在于,所述灰度化处理基于摄像机获取的待检测图像样本中的三分量亮度的平均值得到一个灰度值,进行灰度化操作。
5.根据权利要求3所述的一种物体表面划痕智能检测方法,其特征在于,所述步骤2中基于邻域去噪算法对图像进行增强操作。
6.根据权利要求1所述的一种物体表面划痕智能检测方法,其特征在于,所述步骤4包括以下步骤:
步骤4.1:获取划痕图像样本集,将划痕图像样本集分给训练集和测试集;
步骤4.2:基于训练集对划痕分析模型进行训练,得到训练完成的划痕分析模型;
步骤4.3:基于测试集对划痕分析模型进行测试,测试结果不满足预定条件的继续训练,满足的则保存划痕分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210554988.0A CN114742823A (zh) | 2022-05-19 | 2022-05-19 | 一种物体表面划痕智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210554988.0A CN114742823A (zh) | 2022-05-19 | 2022-05-19 | 一种物体表面划痕智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742823A true CN114742823A (zh) | 2022-07-12 |
Family
ID=82287829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210554988.0A Pending CN114742823A (zh) | 2022-05-19 | 2022-05-19 | 一种物体表面划痕智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742823A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115020267A (zh) * | 2022-08-05 | 2022-09-06 | 启东旺晟电子科技有限公司 | 一种半导体表面缺陷检测方法 |
-
2022
- 2022-05-19 CN CN202210554988.0A patent/CN114742823A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115020267A (zh) * | 2022-08-05 | 2022-09-06 | 启东旺晟电子科技有限公司 | 一种半导体表面缺陷检测方法 |
CN115020267B (zh) * | 2022-08-05 | 2022-10-11 | 启东旺晟电子科技有限公司 | 一种半导体表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN110211101A (zh) | 一种铁轨表面缺陷快速检测系统及方法 | |
KR100532635B1 (ko) | 외형 검사를 위한 이미지 프로세싱 방법 | |
CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
CN101995223A (zh) | 一种芯片外观检测方法及系统 | |
CN106290392A (zh) | 一种小微轴承表面凹痕缺陷在线检测方法及其系统 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN111369516A (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
CN115330802B (zh) | 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN110232703B (zh) | 一种基于颜色和纹理信息的运动目标识别装置及方法 | |
CN109387524A (zh) | 基于线性偏振光的螺纹缺陷检测方法及装置 | |
CN107330440B (zh) | 基于图像识别的海洋状态计算方法 | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
Li et al. | The method for glass bottle defects detecting based on machine vision | |
CN114742823A (zh) | 一种物体表面划痕智能检测方法 | |
CN113139943B (zh) | 开口圆环工件外观缺陷检测方法、系统及计算机存储介质 | |
CN115753791B (zh) | 基于机器视觉的缺陷检测方法、装置以及系统 | |
CN109886912B (zh) | 一种推力轴承保持架表面缺陷检测方法 | |
CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质 | |
CN115471684A (zh) | 注塑工件模板匹配方法、电子设备及存储介质 |
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 |