CN114998347B - 一种半导体面板角点定位方法及装置 - Google Patents

一种半导体面板角点定位方法及装置 Download PDF

Info

Publication number
CN114998347B
CN114998347B CN202210929899.XA CN202210929899A CN114998347B CN 114998347 B CN114998347 B CN 114998347B CN 202210929899 A CN202210929899 A CN 202210929899A CN 114998347 B CN114998347 B CN 114998347B
Authority
CN
China
Prior art keywords
detected
point detection
key point
detection result
positioning
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
CN202210929899.XA
Other languages
English (en)
Other versions
CN114998347A (zh
Inventor
刘海莹
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.)
Innovation Qizhi Chengdu Technology Co ltd
Original Assignee
Innovation Qizhi Chengdu Technology Co ltd
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 Innovation Qizhi Chengdu Technology Co ltd filed Critical Innovation Qizhi Chengdu Technology Co ltd
Priority to CN202210929899.XA priority Critical patent/CN114998347B/zh
Publication of CN114998347A publication Critical patent/CN114998347A/zh
Application granted granted Critical
Publication of CN114998347B publication Critical patent/CN114998347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Abstract

本申请实施例提供一种半导体面板角点定位方法及装置，包括：先获取待检测基材的待检测图像帧；再对待检测图像帧进行基于深度学习的关键点检测，得到关键点检测结果，该关键点检测结果包括目标基材中心点和四角点；然后根据关键点检测结果对待检测基材进行定位标记，确定角点信息；最后通过仿射变换算法对角点信息进行补正，得到最终的角点定位信息，能够快速定位出角点信息，计算量小，且当影像覆盖的检测物体数量多的时候定位准确度好，鲁棒性好，有利于提升角点定位效率。

Description

一种半导体面板角点定位方法及装置
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种半导体面板角点定位方法及装置。
背景技术
当前，半导体和LCD面板制造设备对于任何种类的电气和电子设备（包括个人电脑、移动电话和平板电视）的生产都是必不可少的。现有的角点定位方法，通常对待检测面板的图片进行图像分割，得到blob块，利用blob块的面积和blob块对应的最小外接矩形的边长信息排除存在连晶、缺损缺陷的芯片；然后获取剩下的blob块的最小外接矩形的中心位置坐标，以及短边与水平方向的夹角；再根据得出的中心位置坐标和夹角，在待定位图片上采用预设模板匹配芯片，定位出芯片的位置和角度。然而在实践中发现，现有方法计算量大，且当影像覆盖的检测物体数量多的时候定位准确度低，从而降低了角点定位效率。
发明内容
本申请实施例的目的在于提供一种半导体面板角点定位方法及装置，能够快速定位出角点信息，计算量小，且当影像覆盖的检测物体数量多的时候定位准确度好，鲁棒性好，有利于提升角点定位效率。
本申请实施例第一方面提供了一种半导体面板角点定位方法，包括：
获取待检测基材的待检测图像帧；
对所述待检测图像帧进行基于深度学习的关键点检测，得到关键点检测结果，该关键点检测结果包括目标基材中心点和四角点；
根据所述关键点检测结果对所述待检测基材进行定位标记，确定角点信息；
通过仿射变换算法对角点信息进行补正，得到最终的角点定位信息。
在上述实现过程中，先获取待检测基材的待检测图像帧；再对待检测图像帧进行基于深度学习的关键点检测，得到关键点检测结果，该关键点检测结果包括目标基材中心点和四角点；然后根据关键点检测结果对待检测基材进行定位标记，确定角点信息；最后通过仿射变换算法对角点信息进行补正，得到最终的角点定位信息，能够快速定位出角点信息，计算量小，且当影像覆盖的检测物体数量多的时候定位准确度好，鲁棒性好，有利于提升角点定位效率。
进一步地，所述获取待检测基材的待检测图像帧，包括：
获取待检测基材的CCD视频流；
从所述CCD视频流中抽取待检测图像帧。
进一步地，对所述待检测图像帧进行基于深度学习的关键点检测，得到关键点检测结果，包括：
对所述待检测图像帧进行卷积处理，得到卷积图像；
通过预设的残差块对所述卷积图像进行处理，得到第一处理结果；
对所述第一处理结果进行重复多尺度特征提取融合处理，得到第二处理结果；
对所述第二处理结果进行连接操作，得到连接结果；
根据所述连接结果进行热力图估计，得到初步点检测结果；
对所述初步点检测结果进行分组处理，得到关键点检测结果。
进一步地，对所述待检测图像帧进行卷积处理，得到卷积图像，包括：
通过预设的卷积模块对所述待检测图像帧进行两次卷积处理，得到卷积图像。
进一步地，对所述初步点检测结果进行分组处理，得到关键点检测结果，包括：
根据所述初步点检测结果计算中心点至四类角点的距离；
根据所述中心点至四类角点的距离，按照最近距离进行分组匹配，得到关键点检测结果。
本申请实施例第二方面提供了一种半导体面板角点定位装置，所述半导体面板角点定位装置包括：
获取单元，用于获取待检测基材的待检测图像帧；
关键点检测单元，用于对所述待检测图像帧进行基于深度学习的关键点检测，得到关键点检测结果，该关键点检测结果包括目标基材中心点和四角点；
定位标记单元，用于根据所述关键点检测结果对所述待检测基材进行定位标记，确定角点信息；
补正单元，用于通过仿射变换算法对角点信息进行补正，得到最终的角点定位信息。
在上述实现过程中，获取单元先获取待检测基材的待检测图像帧；关键点检测单元再对待检测图像帧进行基于深度学习的关键点检测，得到关键点检测结果，该关键点检测结果包括目标基材中心点和四角点；然后定位标记单元根据关键点检测结果对待检测基材进行定位标记，确定角点信息；最后补正单元通过仿射变换算法对角点信息进行补正，得到最终的角点定位信息，能够快速定位出角点信息，计算量小，且当影像覆盖的检测物体数量多的时候定位准确度好，鲁棒性好，有利于提升角点定位效率。
进一步地，所述获取单元包括：
获取子单元，用于获取待检测基材的CCD视频流；
抽取子单元，用于从所述CCD视频流中抽取待检测图像帧。
进一步地，所述关键点检测单元包括：
处理子单元，用于对所述待检测图像帧进行卷积处理，得到卷积图像；以及通过预设的残差块对所述卷积图像进行处理，得到第一处理结果；以及对所述第一处理结果进行重复多尺度特征提取融合处理，得到第二处理结果；
连接子单元，用于对所述第二处理结果进行连接操作，得到连接结果；
估计子单元，用于根据所述连接结果进行热力图估计，得到初步点检测结果；
分组子单元，用于对所述初步点检测结果进行分组处理，得到关键点检测结果。
本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的半导体面板角点定位方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项所述的半导体面板角点定位方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种半导体面板角点定位方法的流程示意图；
图2为本申请实施例提供的一种半导体面板角点定位装置的结构示意图；
图3是本申请实施例提供的一种基于深度学习的关键点检测示意图；
图4是本申请实施例提供的一种基于关键点检测的半导体面板角点定位方法的流程示意图；
图5是本申请实施例提供一种镜头失真补正的前后对比示意图；
图6是本申请实施例提供一种远近失真补正的前后对比示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本申请实施例提供了一种半导体面板角点定位方法的流程示意图。其中，该半导体面板角点定位方法包括：
S101、获取待检测基材的CCD视频流。
本申请实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本申请实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
本申请实施例中，可以通过视频采集装置获取待检测基材的CCD视频流。
本申请实施例中，待检测基材具体可以为半导体面板等具有角点特征的板块状物体。
S102、从CCD视频流中抽取待检测图像帧。
本申请实施例中，实施上述步骤S101~步骤S102，能够获取待检测基材的待检测图像帧。
S103、对待检测图像帧进行基于深度学习的关键点检测，得到关键点检测结果，该关键点检测结果包括目标基材中心点和四角点。
请一并参阅图3，图3是本申请实施例提供的一种基于深度学习的关键点检测示意图，如图3所示，关键点检测重构了grouping策略，输入图像I（形状为W*H*3）中检测出5个面板关键点位置（包括中心点和四角点）。对应转化为估计五个heatmaps热图{H1，H2,H3,H4,H5}，每个热图的尺寸为W*H；其中，W为像素的宽度，H为像素的高度。
作为一种可选的实施方式，对待检测图像帧进行基于深度学习的关键点检测，得到关键点检测结果，包括：
对待检测图像帧进行卷积处理，得到卷积图像；
通过预设的残差块对卷积图像进行处理，得到第一处理结果；
对第一处理结果进行重复多尺度特征提取融合处理，得到第二处理结果；
对第二处理结果进行连接操作，得到连接结果；
根据连接结果进行热力图估计，得到初步点检测结果；
对初步点检测结果进行分组处理，得到关键点检测结果。
在上述实施方式中，关键点估计的流程主要分为三个部分，第一部分包括如3所示的基础模块（stem），使用两个步长stride为2的3*3卷积将输入图片卷积两次使得图像的H和W降为输入图像的1/4。随后的第三个处理使用4个Basicblock或者bottleblock进行处理，起到提取特征的作用。随后得到的输出（大小为[H/4，W/4，256]）被输入到图3所示的第一模块（stage1）中。
在上述实施方式中，第二部分包括Backbone（特征提取骨干网络HRNet）。第一，先在上一阶段的基础上产生一个低分辨率的分支，然后每一个分支分别利用4个Basicblock或者bottleblock进行特征提取，最后进行重复多尺度融合得到最后的输出，随后将得到的输出（大小分别为[H/4，W/4，32]，[H/8，W/8，64]）输入到图3所示的第二模块（stage2）中。第二，首先在上一阶段的基础上产生一个低分辨率的分支，然后每一个分支分别利用4个Basicblock或者bottleblock进行特征提取，最后进行重复多尺度融合得到最后的输出。随后将得到的输出（大小分别为[H/4，W/4，32]，[H/8，W/8，64]，[H/16，W/16，128]）输入到图3所示第三模块（stage3）中。第三，首先在上一阶段的基础上产生一个低分辨率的分支，然后每一个分支分别利用4个Basicblock或者bottleblock进行特征提取，最后进行重复多尺度融合得到最后的输出，随后将得到的输出（大小分别为[H/4，W/4，32]，[H/8，W/8，64]，[H/16，W/16，128]，[H/32，W/32，256]）输入图3所示的第四模块（stage4）中。第四，首先将三个并行低分辨率子网的输出上采样到高分辨率子网的尺寸大小，然后通过简单的连接操作连接同样尺寸大小的四个分支的结果，最后将连接的结果通过1×1的卷积将通道数转变为语义分割的类别数目从而得到最后的连接结果。
在上述实施方式中，根据连接结果进行热力图估计，即估计heatmap，然后将连接的结果通过1×1的卷积将通道数转变为语义分割的类别数目从而得到初步点检测结果，映射到全分辨率的图上。
在上述实施方式中，在检测出初步点检测结果后，如何对关键点正确分组，则被描述为Grouping问题，可以通过grouping方法对初步检测结果进行处理，得到关键点检测结果。
作为进一步可选的实施方式，对待检测图像帧进行卷积处理，得到卷积图像，包括：
通过预设的卷积模块对待检测图像帧进行两次卷积处理，得到卷积图像。
作为进一步可选的实施方式，对初步点检测结果进行分组处理，得到关键点检测结果，包括：
根据初步点检测结果计算中心点至四类角点的距离；
根据中心点至四类角点的距离，按照最近距离进行分组匹配，得到关键点检测结果。
在上述实施方式中，先直接计算中心点至四类角点的距离，然后在不存在重叠拜访的情况下，匹配最近者，从而得到关键点检测结果。
在步骤S103之后，还包括以下步骤：
S104、根据关键点检测结果对待检测基材进行定位标记，确定角点信息。
S105、通过仿射变换算法对角点信息进行补正，得到最终的角点定位信息。
请一并参阅图4，图4是本申请实施例提供的一种基于关键点检测的半导体面板角点定位方法的流程示意图。如图3所示，开始检测流程，接入待检测CCD视频流，从CCD流中截取图像帧，然后获取摄像头当前时刻图像，传输至算法模块推理分析，再使用基于深度学习的关键点检测，获取面板基材中心点和四角点。再上传目标基材定位标记，然后根据角点信息，使用仿射变换进行失真补正，最后得到角点定位信息，并将该角点定位信息上传反馈至上位机。
请一并参阅图5和图6，图5是本申请实施例提供一种镜头失真补正的前后对比示意图，图6是本申请实施例提供一种远近失真补正的前后对比示意图。如图5和图6所示，使用仿射变换进行失真补正，包括镜头失真补正和远近失真补正。
本申请实施例中，实施该方法比现有基于传统计算机视觉的方案中角点检测更具备鲁棒性，可以迁移使用至多边形工业元件的定位场景中。
可见，实施本实施例所描述的半导体面板角点定位方法，能够快速定位出角点信息，计算量小，且当影像覆盖的检测物体数量多的时候定位准确度好，鲁棒性好，有利于提升角点定位效率。
实施例2
请参看图2，图2为本申请实施例提供的一种半导体面板角点定位装置的结构示意图。如图2所示，该半导体面板角点定位装置包括：
获取单元210，用于获取待检测基材的待检测图像帧；
关键点检测单元220，用于对待检测图像帧进行基于深度学习的关键点检测，得到关键点检测结果，该关键点检测结果包括目标基材中心点和四角点；
定位标记单元230，用于根据关键点检测结果对待检测基材进行定位标记，确定角点信息；
补正单元240，用于通过仿射变换算法对角点信息进行补正，得到最终的角点定位信息。
作为一种可选的实施方式，获取单元210包括：
获取子单元211，用于获取待检测基材的CCD视频流；
抽取子单元212，用于从CCD视频流中抽取待检测图像帧。
作为一种可选的实施方式，关键点检测单元220包括：
处理子单元221，用于对待检测图像帧进行卷积处理，得到卷积图像；以及通过预设的残差块对卷积图像进行处理，得到第一处理结果；以及对第一处理结果进行重复多尺度特征提取融合处理，得到第二处理结果；
连接子单元222，用于对第二处理结果进行连接操作，得到连接结果；
估计子单元223，用于根据连接结果进行热力图估计，得到初步点检测结果；
分组子单元224，用于对初步点检测结果进行分组处理，得到关键点检测结果。
作为一种可选的实施方式，处理子单元221，具体用于通过预设的卷积模块对待检测图像帧进行两次卷积处理，得到卷积图像。
作为一种可选的实施方式，分组子单元224包括：
计算模块，用于根据初步点检测结果计算中心点至四类角点的距离；
分组匹配模块，用于根据中心点至四类角点的距离，按照最近距离进行分组匹配，得到关键点检测结果。
本申请实施例中，对于半导体面板角点定位装置的解释说明可以参照实施例1中的描述，对此本实施例中不再多加赘述。
可见，实施本实施例所描述的半导体面板角点定位装置，能够快速定位出角点信息，计算量小，且当影像覆盖的检测物体数量多的时候定位准确度好，鲁棒性好，有利于提升角点定位效率。
本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例1中的半导体面板角点定位方法。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例1中的半导体面板角点定位方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (8)

1.一种半导体面板角点定位方法，其特征在于，包括：
获取待检测基材的待检测图像帧；
对所述待检测图像帧进行基于深度学习的关键点检测，得到关键点检测结果，该关键点检测结果包括目标基材中心点和四角点；
根据所述关键点检测结果对所述待检测基材进行定位标记，确定角点信息；
通过仿射变换算法对角点信息进行补正，得到最终的角点定位信息；
其中，所述对所述待检测图像帧进行基于深度学习的关键点检测，得到关键点检测结果，包括：
对所述待检测图像帧进行卷积处理，得到卷积图像；
通过预设的残差块对所述卷积图像进行处理，得到第一处理结果；
对所述第一处理结果进行重复多尺度特征提取融合处理，得到第二处理结果；
对所述第二处理结果进行连接操作，得到连接结果；
根据所述连接结果进行热力图估计，得到初步点检测结果；
对所述初步点检测结果进行分组处理，得到关键点检测结果。
2.根据权利要求1所述的半导体面板角点定位方法，其特征在于，所述获取待检测基材的待检测图像帧，包括：
获取待检测基材的CCD视频流；
从所述CCD视频流中抽取待检测图像帧。
3.根据权利要求1所述的半导体面板角点定位方法，其特征在于，对所述待检测图像帧进行卷积处理，得到卷积图像，包括：
通过预设的卷积模块对所述待检测图像帧进行两次卷积处理，得到卷积图像。
4.根据权利要求1所述的半导体面板角点定位方法，其特征在于，对所述初步点检测结果进行分组处理，得到关键点检测结果，包括：
根据所述初步点检测结果计算中心点至四类角点的距离；
根据所述中心点至四类角点的距离，按照最近距离进行分组匹配，得到关键点检测结果。
5.一种半导体面板角点定位装置，其特征在于，所述半导体面板角点定位装置包括：
获取单元，用于获取待检测基材的待检测图像帧；
关键点检测单元，用于对所述待检测图像帧进行基于深度学习的关键点检测，得到关键点检测结果，该关键点检测结果包括目标基材中心点和四角点；
定位标记单元，用于根据所述关键点检测结果对所述待检测基材进行定位标记，确定角点信息；
补正单元，用于通过仿射变换算法对角点信息进行补正，得到最终的角点定位信息；
其中，所述关键点检测单元包括：
处理子单元，用于对所述待检测图像帧进行卷积处理，得到卷积图像；以及通过预设的残差块对所述卷积图像进行处理，得到第一处理结果；以及对所述第一处理结果进行重复多尺度特征提取融合处理，得到第二处理结果；
连接子单元，用于对所述第二处理结果进行连接操作，得到连接结果；
估计子单元，用于根据所述连接结果进行热力图估计，得到初步点检测结果；
分组子单元，用于对所述初步点检测结果进行分组处理，得到关键点检测结果。
6.根据权利要求5所述的半导体面板角点定位装置，其特征在于，所述获取单元包括：
获取子单元，用于获取待检测基材的CCD视频流；
抽取子单元，用于从所述CCD视频流中抽取待检测图像帧。
7.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至4中任一项所述的半导体面板角点定位方法。
8.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至4任一项所述的半导体面板角点定位方法。
CN202210929899.XA 2022-08-04 2022-08-04 一种半导体面板角点定位方法及装置 Active CN114998347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210929899.XA CN114998347B (zh) 2022-08-04 2022-08-04 一种半导体面板角点定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210929899.XA CN114998347B (zh) 2022-08-04 2022-08-04 一种半导体面板角点定位方法及装置

Publications (2)

Publication Number Publication Date
CN114998347A CN114998347A (zh) 2022-09-02
CN114998347B true CN114998347B (zh) 2022-10-21

Family

ID=83022833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210929899.XA Active CN114998347B (zh) 2022-08-04 2022-08-04 一种半导体面板角点定位方法及装置

Country Status (1)

Country Link
CN (1) CN114998347B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115482533B (zh) * 2022-09-19 2023-06-16 北京百度网讯科技有限公司 陈列柜的拆分方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969160A (zh) * 2019-11-21 2020-04-07 合肥工业大学 一种基于深度学习的车牌图像校正、识别方法及系统
CN111754461A (zh) * 2020-05-28 2020-10-09 江苏理工学院 半导体芯片图像字符区域的定位方法、装置
CN112270278A (zh) * 2020-11-02 2021-01-26 重庆邮电大学 一种基于关键点的蓝顶房检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106783738B (zh) * 2016-12-23 2018-08-24 北京半导体专用设备研究所（中国电子科技集团公司第四十五研究所） 一种芯片不规则分布的晶圆切割方法
US11250535B1 (en) * 2019-02-08 2022-02-15 Digimarc Corporation Detecting conflicts between multiple different encoded signals within imagery, using only a subset of available image data, and robustness checks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969160A (zh) * 2019-11-21 2020-04-07 合肥工业大学 一种基于深度学习的车牌图像校正、识别方法及系统
CN111754461A (zh) * 2020-05-28 2020-10-09 江苏理工学院 半导体芯片图像字符区域的定位方法、装置
CN112270278A (zh) * 2020-11-02 2021-01-26 重庆邮电大学 一种基于关键点的蓝顶房检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"轻量化二维人体骨骼关键点检测算法综述";曾文献等;《科学技术与工程》;20220608;第22卷(第16期);第1.2.2节 *

Also Published As

Publication number Publication date
CN114998347A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN110046529B (zh) 二维码识别方法、装置及设备
CN108960211B (zh) 一种多目标人体姿态检测方法以及系统
CN106599028B (zh) 一种基于视频图像处理的书本内容搜索匹配方法
WO2019042426A1 (zh) 增强现实场景的处理方法、设备及计算机存储介质
US8897565B1 (en) Extracting documents from a natural scene image
JP5468332B2 (ja) 画像特徴点抽出方法
CN104794421A (zh) 一种qr码定位及识别方法
Lelore et al. Super-resolved binarization of text based on the fair algorithm
CN106296587B (zh) 轮胎模具图像的拼接方法
CN110443237B (zh) 证件识别方法、装置、电子设备及计算机可读存储介质
CN110009615B (zh) 图像角点的检测方法及检测装置
CN113420735B (zh) 一种轮廓提取方法、装置、设备及存储介质
CN113903024A (zh) 一种手写票据数值信息识别方法、系统、介质及装置
CN114998347B (zh) 一种半导体面板角点定位方法及装置
CN114255337A (zh) 文档图像的矫正方法、装置、电子设备及存储介质
CN111914756A (zh) 一种视频数据处理方法和装置
WO2020008629A1 (ja) 画像処理システム、画像処理方法、及びプログラム
CN112307786A (zh) 一种多个不规则二维码批量定位识别方法
CN114511865A (zh) 一种结构化信息的生成方法、装置和计算机可读存储介质
CN113627210A (zh) 条形码图像的生成方法、装置、电子设备及存储介质
CN111340040B (zh) 一种纸张字符识别方法、装置、电子设备及存储介质
WO2020008628A1 (ja) 画像処理システム、画像処理方法、及びプログラム
CN111767752B (zh) 一种二维码识别方法及装置
KR101766787B1 (ko) Gpu장치를 기반으로 하는 딥러닝 분석을 이용한 영상 보정 방법
JP6478282B2 (ja) 情報端末装置及びプログラム

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