CN115578389B - 一种沟槽mos器件的缺陷检测方法 - Google Patents
一种沟槽mos器件的缺陷检测方法 Download PDFInfo
- Publication number
- CN115578389B CN115578389B CN202211568037.5A CN202211568037A CN115578389B CN 115578389 B CN115578389 B CN 115578389B CN 202211568037 A CN202211568037 A CN 202211568037A CN 115578389 B CN115578389 B CN 115578389B
- Authority
- CN
- China
- Prior art keywords
- initial
- segmentation threshold
- threshold
- defect
- gradient
- 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
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
- G06T7/10—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种沟槽MOS器件的缺陷检测方法,属于图像处理技术领域,该方法步骤包括:获取沟槽MOS器件表面的灰度图像;利用阈值分割算法对灰度图像进行阈值分割获得多个初始缺陷区域,同时获得初始分割阈值;利用全部初始缺陷区域和正常区域的灰度差值、全部初始缺陷区域和正常区域的面积比值,确定初始分割阈值的修正程度;根据初始分割阈值的修正程度,确定初始分割阈值的修正参数;利用初始分割阈值的修正参数对初始分割阈值进行修正,得到最终分割阈值;本发明根据初始缺陷区域的面积占比和初始缺陷区域边缘灰度的变化,对初始分割阈值进行修正,得到最终分割阈值,使对缺陷区域的分割更加准确。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种沟槽MOS器件的缺陷检测方法。
背景技术
沟槽MOS器件一般包括多个MOS管单元,MOS管单元位于MOS器件的外壳内部,MOS器件的外壳是通过注塑工艺进行一体化封装的,表面容易产生放射纹缺陷,往往发生在当熔料进入到模腔内,流体前端停止发展的方向,在注塑充模过程中流体前端不能同随后的熔料紧密结合在一起,就会产生放射纹裂纹,而一旦MOS器件的外壳出现放射性裂纹就会影响产品质量,因此在MOS器件外壳注塑完成后,需要识别MOS器件外壳是否存在缺陷。
发明内容
本发明提供一种沟槽MOS器件的缺陷检测方法,根据初始缺陷区域的面积占比和初始缺陷区域边缘灰度的变化,对初始分割阈值进行修正,得到最终分割阈值,使对缺陷区域的分割更加准确。
本发明的一种沟槽MOS器件的缺陷检测方法采用如下技术方案:
获取沟槽MOS器件表面的灰度图像;
利用阈值分割算法对灰度图像进行阈值分割获得多个初始缺陷区域,同时获得初始分割阈值,将灰度图像内除多个初始缺陷区域之外的区域记作正常区域;
利用全部初始缺陷区域和正常区域的灰度差值、全部初始缺陷区域和正常区域的面积比值,确定初始分割阈值的修正程度;
当初始分割阈值的修正程度满足修正条件时,获取垂直于每个初始缺陷区域每个边缘像素点的每条垂线,选取每个初始缺陷区域每条垂线上与边缘像素点相邻且连续并且梯度幅值不为零的像素点作为筛选后像素点,由每条垂线对应筛选后像素点的梯度幅值组成梯度幅值序列;
根据所有梯度幅值序列中每个梯度幅值序列中包含梯度幅值的个数、所有梯度幅值序列中每个梯度幅值序列中包含梯度幅值的平均值、全部初始缺陷区域内包含像素点的第一灰度均值、正常区域内包含像素点的第二灰度均值、初始分割阈值的修正程度,确定初始分割阈值的修正参数;
利用初始分割阈值的修正参数对初始分割阈值进行修正,得到最终分割阈值;利用最终分割阈值对灰度图像进行阈值分割,得到最终缺陷区域。
进一步地,确定初始分割阈值的修正程度的步骤包括:
将全部初始缺陷区域内包含的像素点总数量,与正常区域内包含的像素点总数量的第一比值,作为初始缺陷区域和正常区域的面积比值;
将全部初始缺陷区域内包含像素点的第一灰度均值,与正常区域内包含像素点的第二灰度均值的差值,作为初始缺陷区域和正常区域的灰度差值;
计算出初始缺陷区域和正常区域的面积比值与灰度差值的第一乘积,将归一化后的第一乘积负值作为初始分割阈值的修正程度。
进一步地,修正条件为大于预设修正程度阈值,当初始分割阈值的修正程度大于预设修正程度阈值时,满足修正条件;当初始分割阈值的修正程度小于或等于预设修正程度阈值时,不满足修正条件,将初始分割阈值作为最终分割阈值。
进一步地,获取垂直于每个初始缺陷区域每个边缘像素点的每条垂线的步骤包括:
获取每个初始缺陷区域的外轮廓线;
选取任一初始缺陷区域任一边缘像素点作为目标缺陷区域的目标像素点;
过目标缺陷区域的目标像素点作目标缺陷区域外轮廓线的切线,过目标像素点作该切线的垂线,得到垂直于目标缺陷区域目标像素点的垂线,同理得到垂直于每个初始缺陷区域每个边缘像素点的每条垂线。
进一步地,选取每个初始缺陷区域每条垂线上与边缘像素点相邻且连续并且梯度幅值不为零的像素点作为筛选后像素点的步骤包括:
计算出每个初始缺陷区域每条垂线上所有像素点的梯度幅值;
从每条垂线上的边缘像素点开始双向搜索,搜索与边缘像素点相邻且连续的并且梯度幅值均不为零的像素点,当搜索到梯度幅值为零的像素点时停止搜索,将搜索到的全部像素点作为筛选后像素点。
进一步地,所有梯度幅值序列中每个梯度幅值序列中包含梯度幅值的平均值的计算步骤包括:
计算出所有梯度幅值序列中每个梯度幅值序列中包含的所有梯度幅值和值;
将所有梯度幅值序列中每个梯度幅值序列中包含的所有梯度幅值和值,与对应梯度幅值序列中包含梯度幅值个数的第二比值,作为所有梯度幅值序列中每个梯度幅值序列中包含梯度幅值的平均值。
进一步地,初始分割阈值的修正参数的计算公式为:
其中,表示初始分割阈值的修正参数;/>表示自然常数;/>表示全部初始缺陷区域内包含像素点的第一灰度均值;/>表示正常区域内包含像素点的第二灰度均值;/>表示第一灰度均值与第二灰度均值差值的绝对值;/>表示所有梯度幅值序列中第/>个梯度幅值序列中包含梯度幅值的个数;/>表示所有梯度幅值序列总个数;/>表示所有梯度幅值序列中第/>个梯度幅值序列中包含梯度幅值的平均值;/>表示初始分割阈值的修正程度。/>
进一步地,利用初始分割阈值的修正参数对初始分割阈值进行修正,得到最终分割阈值的步骤包括:
将初始分割阈值的修正参数与初始分割阈值的第二乘积,作为最终分割阈值。
本发明的有益效果是:
本发明提供的一种沟槽MOS器件的缺陷检测方法,利用阈值分割算法确定出灰度图像的初始分割阈值,在确定初始分割阈值后,根据初始缺陷区域和正常区域的灰度差值、初始缺陷区域和正常区域的面积比值来确定初始分割阈值的修正程度,在对图像进行阈值分割时,理论上只有当缺陷区域与正常区域的面积相似且像素点的灰度差异较大时得到的分割阈值才是最准确的,而当缺陷区域与正常区域的面积相差较大且灰度差异不明显时,利用阈值分割算法得到的初始分割阈值就是不准确的。
当初始分割阈值的修正程度满足修正条件时,才需要对初始分割阈值进行修正,初始分割阈值的修正主要是根据初始缺陷区域边缘像素点的灰度变化来对初始分割阈值进行修正,因为初始缺陷区域与正常区域的灰度差异越大,分割的准确程度越高;因此缺陷区域边缘灰度变化的越明显,需要的修正参数越小;而缺陷区域边缘灰度变化越小,需要的修正参数越大,而根据边缘梯度进行修正的主要是因为梯度的大小是对灰度变化过程的描述,梯度越大,说明灰度变化的越剧烈,因此在计算修正参数的时候根据边缘像素点的梯度大小来反映缺陷区域与正常区域的灰度变化关系,根据缺陷区域与正常区域的灰度变化关系来确定初始分割阈值的修正参数;在得到初始分割阈值的修正参数后利用初始分割阈值的修正参数对初始分割阈值进行修正,得到最终分割阈值,利用最终分割阈值对灰度图像进行阈值分割,得到最终缺陷区域,实现了对缺陷区域的准确分割。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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为本发明的一种沟槽MOS器件的缺陷检测方法的实施例总体步骤的示意图;
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,所描述的实施例仅仅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。
本发明的一种沟槽MOS器件的缺陷检测方法的实施例,如图1所示,该方法包括:
S1、获取沟槽MOS器件表面的灰度图像。
本发明的主要目的是对沟槽MOS器件塑料外壳表面产生的放射纹缺陷进行缺陷检测,因为需要采集沟槽MOS器件表面图像,而在采集图像的过程中,因为沟槽MOS器件塑料外壳会产生发光,因此在采集图像的时候保证光照均匀,并且使用高清相机进行拍摄,对采集得到的图像进行灰度化处理,获得沟槽MOS器件表面的灰度图像。在这里,本发明使用加权平均值法对采集得到的沟槽MOS器件表面RGB图像进行灰度化处理,此技术为现有公知技术,在此不再赘述。
S2、利用阈值分割算法对灰度图像进行阈值分割获得多个初始缺陷区域,同时获得初始分割阈值,将灰度图像内除多个初始缺陷区域之外的区域记作正常区域。
本发明的目的是检测沟槽MOS器件在注塑过程中产生的放射纹缺陷,因此需要对沟槽MOS器件的表面图像进行分割,本发明使用阈值分割算法(大津法)对图像进行分割,/>是一种对图像进行全局自适应阈值来进行二值化的方法,它按图像的灰度特性,将图像分为前景和背景两个部分,因为方差是灰度分布均匀性的一种度量,目标区域和背景区域的类间方差越大,说明构成图像两部分的差别越大,即说明当前目标区域和背景区域的分割越好,因此我们可以认为当所取阈值使得类间方差最大时,分割结果最好,此时的阈值就是/>的结果。
在使用阈值分割算法进行阈值分割的时候,当目标区域与背景区域面积相差不大时,能够有效地对图像进行分割,当图像中的目标与背景的面积相差很大时,表现为直方图没有明显的双峰,或者两个峰的大小相差很大,分割效果不佳,或者目标与背景的灰度有较大的重叠时也不能准确的将目标与背景分开,分割的阈值会更加倾向于面积较大的一侧,使得图像过度分割,获得目标区域不准确,在本发明中,因为放射纹缺陷占总体面积的比值较小,并且灰度值较大,表现在灰度直方图中灰度较大的波峰像素点的数量占比较少,因此得到的分割阈值会比实际的分割阈值小,会造成对放射纹缺陷分割不准确。
如图2所示,为本发明中初始分割阈值与准确的分割阈值为/>的示意图,因为灰度直方图中双峰的差异很大,导致使用阈值分割算法获得的分割阈值为/>,则在图像分割的时候会过度分割,使得检测得到的缺陷区域扩大,因此需要对得到的初始分割阈值进行修正。
S3、利用全部初始缺陷区域和正常区域的灰度差值、全部初始缺陷区域和正常区域的面积比值,确定初始分割阈值的修正程度。
确定初始分割阈值的修正程度的步骤包括:将全部初始缺陷区域内包含的像素点总数量,与正常区域内包含的像素点总数量的第一比值,作为初始缺陷区域和正常区域的面积比值;将全部初始缺陷区域内包含像素点的第一灰度均值,与正常区域内包含像素点的第二灰度均值的差值,作为初始缺陷区域和正常区域的灰度差值;计算出初始缺陷区域和正常区域的面积比值与灰度差值的第一乘积,将归一化后的第一乘积负值作为初始分割阈值的修正程度。
本发明在获取全部初始缺陷区域和正常区域后,先获取全部初始缺陷区域内包含的像素点总数量,将全部初始缺陷区域内包含的像素点总数量作为全部初始缺陷区域的面积,同时获取正常区域内包含的像素点总数量,将正常区域内包含的像素点总数量作为正常区域的面积;在根据全部初始缺陷区域和正常区域的面积确定分割阈值的修正程度时,理论上只有当缺陷区域与正常像素区域的面积相似且像素点的灰度差异较大时得到的分割阈值才是最准确的,但是通常只需要两个区域的面积差异不是太大,所获得的分割阈值就是相对准确的,因此在进行初始分割阈值的修正程度的确定时,需要根据实际的分割情况来确定修正程度。
由于实际的缺陷区域的边缘是一个渐变的过程,因此才会存在过度分割的情况,需要利用全部初始缺陷区域和正常区域的灰度差值、全部初始缺陷区域和正常区域的面积比值,确定初始分割阈值的修正程度,初始分割阈值的修正程度的计算公式如下:
其中,表示初始分割阈值的修正程度;/>表示自然常数;/>表示全部初始缺陷区域内包含的像素点总数量;/>表示正常区域内包含的像素点总数量;/>表示全部初始缺陷区域内包含的像素点总数量与正常区域内包含的像素点总数量的比值;/>越小,对初始分割阈值的修正程度越大;/>表示全部初始缺陷区域内包含像素点的第一灰度均值;/>表示正常区域内包含像素点的第二灰度均值;/>表示第一灰度均值与第二灰度均值差值的绝对值;/>越小,对初始分割阈值的修正程度越大;/>表示归一化的过程,并且随着/>减小,需要修正的程度增大。
在初始分割阈值的修正程度的计算公式中,若全部初始缺陷区域与正常区域的面积比值越小,灰度差异越小,在利用阈值分割算法进行阈值分割时,会在分割时更加偏向面积较大的正常区域,会将正常区域的许多像素点划归到初始缺陷区域,则在进行otsu阈值分割的时候越不准确,因此需要对初始分割阈值进行修正的修正程度越大,根据初始分割阈值的修正程度对初始缺陷区域的分割效果进行评价,初始分割阈值的修正程度越大,对初始缺陷区域的分割效果越不好。
S4、当初始分割阈值的修正程度满足修正条件时,获取垂直于每个初始缺陷区域每个边缘像素点的每条垂线,选取每个初始缺陷区域每条垂线上与边缘像素点相邻且连续并且梯度幅值不为零的像素点作为筛选后像素点,由每条垂线对应筛选后像素点的梯度幅值组成梯度幅值序列。
修正条件为大于预设修正程度阈值:当初始分割阈值的修正程度大于预设修正程度阈值时,满足修正条件;当初始分割阈值的修正程度小于或等于预设修正程度阈值时,不满足修正条件,将初始分割阈值作为最终分割阈值。
获取垂直于每个初始缺陷区域每个边缘像素点的每条垂线的步骤包括:获取每个初始缺陷区域的外轮廓线;选取任一初始缺陷区域任一边缘像素点作为目标缺陷区域的目标像素点;过目标缺陷区域的目标像素点作目标缺陷区域外轮廓线的切线,过目标像素点作该切线的垂线,得到垂直于目标缺陷区域目标像素点的垂线,同理得到垂直于每个初始缺陷区域每个边缘像素点的每条垂线。
选取每个初始缺陷区域每条垂线上与边缘像素点相邻且连续并且梯度幅值不为零的像素点作为筛选后像素点的步骤包括:计算出每个初始缺陷区域每条垂线上所有像素点的梯度幅值;从每条垂线上的边缘像素点开始双向搜索,搜索与边缘像素点相邻且连续的并且梯度幅值均不为零的像素点,当搜索到梯度幅值为零的像素点时停止搜索,将搜索到的全部像素点作为筛选后像素点。
当初始分割阈值的修正程度满足修正条件时,需要对初始分割阈值进行修正,根据得到的初始分割阈值的修正程度对初始分割阈值进行修正,初始分割阈值的修正主要是根据边缘像素点的灰度变化进行修正,因为缺陷区域与正常像素区域的灰度差异越大,分割的准确程度越高;因此缺陷区域边缘灰度变化的越明显,需要的修正参数越小;而缺陷区域边缘灰度变化越小,需要的修正参数越大,而根据边缘梯度进行修正的主要是因为梯度的大小是对灰度变化过程的描述,梯度越大,说明灰度变化的越剧烈,因此在计算修正程度的时候根据边缘像素点的梯度大小来反映缺陷区域与正常像素区域的灰度变化关系。
S5、根据所有梯度幅值序列中每个梯度幅值序列中包含梯度幅值的个数、所有梯度幅值序列中每个梯度幅值序列中包含梯度幅值的平均值、全部初始缺陷区域内包含像素点的第一灰度均值、正常区域内包含像素点的第二灰度均值、初始分割阈值的修正程度,确定初始分割阈值的修正参数。
所有梯度幅值序列中每个梯度幅值序列中包含梯度幅值的平均值的计算步骤包括:计算出所有梯度幅值序列中每个梯度幅值序列中包含的所有梯度幅值和值;将所有梯度幅值序列中每个梯度幅值序列中包含的所有梯度幅值和值,与对应梯度幅值序列中包含梯度幅值个数的第二比值,作为所有梯度幅值序列中每个梯度幅值序列中包含梯度幅值的平均值。
初始分割阈值的修正参数的计算公式为:
其中,表示初始分割阈值的修正参数;/>表示自然常数;/>表示全部初始缺陷区域内包含像素点的第一灰度均值;/>表示正常区域内包含像素点的第二灰度均值;/>表示第一灰度均值与第二灰度均值差值的绝对值;/>表示所有梯度幅值序列中第/>个梯度幅值序列中包含梯度幅值的个数;/>表示所有梯度幅值序列总个数;/>表示所有梯度幅值序列中第/>个梯度幅值序列中包含梯度幅值的平均值;/>表示归一化的过程,并且随着/>减小整体数值变大;/>表示初始分割阈值的修正程度,在这里乘/>的目的是因为修正程度越大,说明缺陷区域与正常区域的灰度差异越小,缺陷区域与正常区域的面积比值越小,需要的修正参数越大,因此根据修正程度对修正参数进行调整,才能使得修正参数更符合缺陷区域与正常区域的灰度变化情况。
在初始分割阈值的修正参数的计算公式中,通过边缘像素点的灰度与梯度的变化,得到分割阈值的修正参数。因为灰度差异越小,说明需要修正的程度越大,而边缘的平均梯度越大,说明像素点的灰度变化越大,边缘越宽分割得到的边缘像素点的初始分割阈值越具有不确定性,因此根据梯度的大小来确定分割阈值的修正参数,本发明利用初始分割阈值的修正参数对初始分割阈值进行修正。
S6、利用初始分割阈值的修正参数对初始分割阈值进行修正,得到最终分割阈值;利用最终分割阈值对灰度图像进行阈值分割,得到最终缺陷区域。
利用初始分割阈值的修正参数对初始分割阈值进行修正,得到最终分割阈值的步骤包括:将初始分割阈值的修正参数与初始分割阈值的第二乘积,作为最终分割阈值。
最终分割阈值的计算公式如下:
本发明提供一种沟槽MOS器件的缺陷检测方法,根据图像的分割区域边缘灰度的变化,对初始分割阈值进行修正,得到修正后的最终分割阈值,而修正参数是对分割阈值过度分割程度的描述,过度分割程度越大,修正参数需要修正的程度越大,能够有效的克服因为前景区域与背景区域面积相差较大时,造成的过度分割的情况,使得图像分割更加准确。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种沟槽MOS器件的缺陷检测方法,其特征在于,该方法包括:
获取沟槽MOS器件表面的灰度图像;
利用阈值分割算法对灰度图像进行阈值分割获得多个初始缺陷区域,同时获得初始分割阈值,将灰度图像内除多个初始缺陷区域之外的区域记作正常区域;
利用全部初始缺陷区域和正常区域的灰度差值、全部初始缺陷区域和正常区域的面积比值,确定初始分割阈值的修正程度;
初始分割阈值的修正程度的计算公式如下:
其中,表示初始分割阈值的修正程度;/>表示自然常数;/>表示全部初始缺陷区域内包含的像素点总数量;/>表示正常区域内包含的像素点总数量;/>表示全部初始缺陷区域内包含的像素点总数量与正常区域内包含的像素点总数量的比值;/>越小,对初始分割阈值的修正程度越大;/>表示全部初始缺陷区域内包含像素点的第一灰度均值;/>表示正常区域内包含像素点的第二灰度均值;/>表示第一灰度均值与第二灰度均值差值的绝对值;越小,对初始分割阈值的修正程度越大;/>表示归一化的过程,并且随着减小,需要修正的程度增大;
当图像中的缺陷区域与正常区域的面积相差较大,并且缺陷区域与正常区域的灰度有较大的重叠时,即当初始分割阈值的修正程度满足修正条件时,获取垂直于每个初始缺陷区域每个边缘像素点的每条垂线,选取每个初始缺陷区域每条垂线上与边缘像素点相邻且连续并且梯度幅值不为零的像素点作为筛选后像素点,由每条垂线对应筛选后像素点的梯度幅值组成梯度幅值序列;
根据所有梯度幅值序列中每个梯度幅值序列中包含梯度幅值的个数、所有梯度幅值序列中每个梯度幅值序列中包含梯度幅值的平均值、全部初始缺陷区域内包含像素点的第一灰度均值、正常区域内包含像素点的第二灰度均值、初始分割阈值的修正程度,确定初始分割阈值的修正参数;
初始分割阈值的修正参数的计算公式为:
其中,表示初始分割阈值的修正参数;/>表示自然常数;/>表示全部初始缺陷区域内包含像素点的第一灰度均值;/>表示正常区域内包含像素点的第二灰度均值;/>表示第一灰度均值与第二灰度均值差值的绝对值;/>表示所有梯度幅值序列中第/>个梯度幅值序列中包含梯度幅值的个数;/>表示所有梯度幅值序列总个数;/>表示所有梯度幅值序列中第/>个梯度幅值序列中包含梯度幅值的平均值;/>表示初始分割阈值的修正程度;/>
利用初始分割阈值的修正参数对初始分割阈值进行修正,得到最终分割阈值;利用最终分割阈值对灰度图像进行阈值分割,得到最终缺陷区域;
利用初始分割阈值的修正参数对初始分割阈值进行修正,得到最终分割阈值的步骤包括:将初始分割阈值的修正参数与初始分割阈值的第二乘积,作为最终分割阈值。
2.根据权利要求1所述的一种沟槽MOS器件的缺陷检测方法,其特征在于,确定初始分割阈值的修正程度的步骤包括:
将全部初始缺陷区域内包含的像素点总数量,与正常区域内包含的像素点总数量的第一比值,作为初始缺陷区域和正常区域的面积比值;
将全部初始缺陷区域内包含像素点的第一灰度均值,与正常区域内包含像素点的第二灰度均值的差值,作为初始缺陷区域和正常区域的灰度差值;
计算出初始缺陷区域和正常区域的面积比值与灰度差值的第一乘积,将归一化后的第一乘积负值作为初始分割阈值的修正程度。
3.根据权利要求1所述的一种沟槽MOS器件的缺陷检测方法,其特征在于,修正条件为大于预设修正程度阈值,当初始分割阈值的修正程度大于预设修正程度阈值时,满足修正条件;当初始分割阈值的修正程度小于或等于预设修正程度阈值时,不满足修正条件,将初始分割阈值作为最终分割阈值。
4.根据权利要求1所述的一种沟槽MOS器件的缺陷检测方法,其特征在于,获取垂直于每个初始缺陷区域每个边缘像素点的每条垂线的步骤包括:
获取每个初始缺陷区域的外轮廓线;
选取任一初始缺陷区域任一边缘像素点作为目标缺陷区域的目标像素点;
过目标缺陷区域的目标像素点作目标缺陷区域外轮廓线的切线,过目标像素点作该切线的垂线,得到垂直于目标缺陷区域目标像素点的垂线,同理得到垂直于每个初始缺陷区域每个边缘像素点的每条垂线。
5.根据权利要求1所述的一种沟槽MOS器件的缺陷检测方法,其特征在于,选取每个初始缺陷区域每条垂线上与边缘像素点相邻且连续并且梯度幅值不为零的像素点作为筛选后像素点的步骤包括:
计算出每个初始缺陷区域每条垂线上所有像素点的梯度幅值;
从每条垂线上的边缘像素点开始双向搜索,搜索与边缘像素点相邻且连续的并且梯度幅值均不为零的像素点,当搜索到梯度幅值为零的像素点时停止搜索,将搜索到的全部像素点作为筛选后像素点。
6.根据权利要求1所述的一种沟槽MOS器件的缺陷检测方法,其特征在于,所有梯度幅值序列中每个梯度幅值序列中包含梯度幅值的平均值的计算步骤包括:
计算出所有梯度幅值序列中每个梯度幅值序列中包含的所有梯度幅值和值;
将所有梯度幅值序列中每个梯度幅值序列中包含的所有梯度幅值和值,与对应梯度幅值序列中包含梯度幅值个数的第二比值,作为所有梯度幅值序列中每个梯度幅值序列中包含梯度幅值的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211568037.5A CN115578389B (zh) | 2022-12-08 | 2022-12-08 | 一种沟槽mos器件的缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211568037.5A CN115578389B (zh) | 2022-12-08 | 2022-12-08 | 一种沟槽mos器件的缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115578389A CN115578389A (zh) | 2023-01-06 |
CN115578389B true CN115578389B (zh) | 2023-03-28 |
Family
ID=84590766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211568037.5A Active CN115578389B (zh) | 2022-12-08 | 2022-12-08 | 一种沟槽mos器件的缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578389B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205911B (zh) * | 2023-04-27 | 2023-07-18 | 济南市莱芜区综合检验检测中心 | 基于机器视觉的皮革制体育用品外观缺陷检测方法 |
CN116823924B (zh) * | 2023-08-24 | 2023-12-12 | 杭州百子尖科技股份有限公司 | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 |
CN117173188B (zh) * | 2023-11-03 | 2024-01-26 | 泸州通鑫显示科技有限公司 | 一种玻璃瘢痕识别方法 |
CN117197141B (zh) * | 2023-11-07 | 2024-01-26 | 山东远盾网络技术股份有限公司 | 一种汽车零部件表面缺陷检测方法 |
CN117237396B (zh) * | 2023-11-16 | 2024-02-06 | 山东华盛中天工程机械有限责任公司 | 基于图像特征的钢轨螺栓锈蚀区域分割方法 |
CN117291924B (zh) * | 2023-11-27 | 2024-02-09 | 惠州市鑫晖源科技有限公司 | 基于机器视觉的主机电源外观质量检测方法 |
CN117314949B (zh) * | 2023-11-28 | 2024-02-20 | 山东远硕上池健康科技有限公司 | 基于人工智能的人员伤情检测鉴定方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294158A (zh) * | 2022-09-26 | 2022-11-04 | 江苏万森绿建装配式建筑有限公司 | 一种基于机器视觉的热连轧带钢图像分割方法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101373479A (zh) * | 2008-09-27 | 2009-02-25 | 华中科技大学 | 一种乳腺x线摄片计算机图像检索方法及系统 |
CN111754538B (zh) * | 2019-06-29 | 2022-07-29 | 浙江大学 | Usb表面缺陷检测的阈值分割方法 |
CN112488234B (zh) * | 2020-12-10 | 2022-04-29 | 武汉大学 | 一种基于注意力池化的端到端组织病理图像分类方法 |
CN115018828B (zh) * | 2022-08-03 | 2022-10-25 | 深圳市尹泰明电子有限公司 | 一种电子元器件的缺陷检测方法 |
CN115187602A (zh) * | 2022-09-13 | 2022-10-14 | 江苏骏利精密制造科技有限公司 | 基于图像处理的注塑件缺陷检测方法及系统 |
-
2022
- 2022-12-08 CN CN202211568037.5A patent/CN115578389B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294158A (zh) * | 2022-09-26 | 2022-11-04 | 江苏万森绿建装配式建筑有限公司 | 一种基于机器视觉的热连轧带钢图像分割方法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115578389A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578389B (zh) | 一种沟槽mos器件的缺陷检测方法 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN115631173B (zh) | 一种复合薄膜缺陷识别方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN115546203B (zh) | 基于图像数据算法的生产监测分析方法 | |
CN115272321B (zh) | 一种基于机器视觉的纺织品缺陷检测方法 | |
CN110443278B (zh) | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 | |
CN115439481A (zh) | 基于图像处理的除氧器焊接质量检测方法 | |
CN114187289B (zh) | 一种基于计算机视觉的塑料制品缩坑检测方法及系统 | |
CN115908411A (zh) | 基于视觉检测的混凝土养护质量分析方法 | |
CN108961307B (zh) | 基于核相关滤波跟踪的圆形目标尺度自适应跟踪方法 | |
CN114494179A (zh) | 一种基于图像识别的手机背部破损点检测方法及系统 | |
CN114882026B (zh) | 基于人工智能的传感器外壳缺陷检测方法 | |
CN107230207A (zh) | 轮胎的检测方法及系统 | |
CN115187602A (zh) | 基于图像处理的注塑件缺陷检测方法及系统 | |
CN115049736B (zh) | 用于电缆表面缺陷精准定位的方法 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN112308854A (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
CN110749598A (zh) | 一种融合颜色、形状和纹理特征的蚕茧表面缺陷检测方法 | |
CN117237368A (zh) | 一种桥梁裂缝检测方法及系统 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN117197141A (zh) | 一种汽车零部件表面缺陷检测方法 | |
CN115953409A (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 |
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 |