CN115661143B - 用于MiniLED晶圆缺陷的快速检测系统 - Google Patents
用于MiniLED晶圆缺陷的快速检测系统 Download PDFInfo
- Publication number
- CN115661143B CN115661143B CN202211603748.1A CN202211603748A CN115661143B CN 115661143 B CN115661143 B CN 115661143B CN 202211603748 A CN202211603748 A CN 202211603748A CN 115661143 B CN115661143 B CN 115661143B
- Authority
- CN
- China
- Prior art keywords
- image
- miniled
- column pixel
- pixel point
- wafer
- 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
-
- 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
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及用于MiniLED晶圆缺陷的快速检测系统。该系统获得MiniLED晶圆局部表面图像的边缘二值图在霍夫空间中的霍夫空间二值图像。在霍夫空间二值图像中获得多组列像素点序列对,选择最大第一优选度的列像素点序列对作为最优列像素点序列对。进而通过第二优选度对每条最优列像素点序列进行筛选,获得最终分割点。根据霍夫空间中的分割点在MiniLED晶圆局部表面图像中的直线信息进行图像分割,获得晶粒图像,对晶粒图像进行模板匹配,获得检测结果。本发明通过在霍夫空间中的准确筛选,获得分割效果优秀的分割点对图像进行分割,进而提高检测结果的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及用于MiniLED晶圆缺陷的快速检测系统。
背景技术
对于MiniLED晶圆产品而言,在晶圆产品上均匀分布有多个晶粒,在晶圆产品生产过程中,需要对产品上的每个晶圆都进行缺陷检测,即需要对晶圆产品进行高精度检测。为了提高检测的精度和效率,通常采用计算机视觉的算法去对晶圆产品图像进行模板匹配,进而识别缺陷。在实际检测过程中,为了提高图像分辨率需要调控相机来采集晶圆上的局部图像,但是对于MiniLED晶圆产品而言,其局部图像也包含大量的晶粒信息,进而使得逐点进行模板匹配时计算量较大,因此需要将局部图像中的单个晶粒分割出来,进而逐个将单个晶粒图像与模板图像进行匹配。在现有技术中,考虑到晶圆上晶粒的均匀阵列分布,因此采用霍夫直线检测算法识别局部图像中的边缘直线,进而将单个晶粒图像分割出来,但是因为局部图像中直线信息较多,现有技术仅通过预设阈值对直线信息进行筛选,若图像中存在较多噪声信息会导致最终直线检测出现较大误差,进而影响单个晶粒图像的分割效果,导致对MiniLED晶圆检测效果较差。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种用于MiniLED晶圆缺陷的快速检测系统,所采用的技术方案具体如下:
本发明提出了一种用于MiniLED晶圆缺陷的快速检测系统,所述系统包括:
特征图像获取模块,用于获得MiniLED晶圆局部表面图像的边缘二值图;将所述边缘二值图转换至霍夫空间中,获得霍夫空间二值图像;
第一筛选模块,用于根据所述霍夫空间的横轴上预设周期步长遍历整个所述霍夫空间二值图像,获得至少两组列像素点序列对;根据每组所述列像素点序列对中的亮度信息量获得第一优选度,以最大第一优选度对应的所述列像素点序列对作为最优列像素点序列对;
第二筛选模块,用于根据每条最优列像素点序列中的像素值极大值将对应的所述最优列像素点序列分为至少两个子序列;根据每个所述子序列的出现频数和对应的所述像素值极大值获得第二优选度;以最大第二优选度对应的所述子序列所关联的所述像素值极大值对应像素点作为霍夫空间中的分割点;
目标图像分割模块,用于根据所述分割点在所述边缘二值图中对应的直线信息对MiniLED晶圆局部表面图像进行分割,获得至少两个晶粒图像;
检测模块,用于对每个所述晶粒图像进行检测,获得缺陷晶圆信息。
进一步地,所述根据每组所述列像素点序列对中的亮度信息量获得第一优选度包括:
以每组所述列像素点序列对中每条列像素点序列中像素值非零的像素点的像素值均值作为每条所述列像素点序列的所述亮度信息量,以两条所述列像素点序列的亮度信息量均值作为所述第一优选度。
进一步地,所述根据每条最优列像素点序列中的像素值极大值将对应的所述最优列像素点序列分为多个子序列包括:
若每条所述最优列像素点序列中目标元素大于相邻的其他元素,则认为所述目标元素为像素值极大值元素;以所有所述像素值极大值元素、所述最优列像素点序列的初始元素和终止元素作为分割点对所述最优列像素点序列进行分割,获得多个所述子序列;每个所述子序列对应两个分割点。
进一步地,所述根据每个所述子序列的出现频数和对应的所述像素值极大值获得第二优选度包括:
以每个所述子序列关联的两个所述分割点的像素值平均值作为关联特征;以相同的所述子序列作为同种子序列,统计每种所述子序列的所述出现频数,根据所述出现频数将同种的所述子序列的所述关联特征累加,获得所述第二优选度。
进一步地,所述获得MiniLED晶圆局部表面图像的边缘二值图包括:
利用canny算子提取所述MiniLED晶圆局部表面图像中的边缘信息,获得所述边缘二值图。
进一步地,所述霍夫空间的横轴为图像坐标系下直线与横轴的角度;所述霍夫空间的纵轴为图像坐标系下原点到直线的距离。
本发明具有如下有益效果:
本发明实施例考虑到晶圆表面晶粒的均匀阵列分布,在霍夫空间中通过预设周期步长挑选多组列像素点序列对,考虑到图像中存在的噪声影响,通过第一筛选模块计算第一优选度,第一优选度考虑到了霍夫空间中的亮度信息,因此所获得的最优列像素点序列对为MiniLED晶圆局部表面图像中特征最明显的直线信息集合。进一步利用第二筛选模块中的第二优选度对每条最优列像素点序列中的子序列进行筛选,第二优选度考虑到了霍夫空间中子序列的出现频数,即进一步考虑了子序列的直线特征明显程度,进而获得霍夫空间中的分割点,利用霍夫空间中的分割点实现对MiniLED晶圆局部表面图像的有效分割,较小了图像分割误差,进而提高后续模板匹配的匹配质量,获得准确的检测结果。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种用于MiniLED晶圆缺陷的快速检测系统框图;
图2为本发明一个实施例所提供的一种MiniLED晶圆局部表面图像;
图3为本发明一个实施例所提供的一种MiniLED晶圆局部表面图像的边缘二值图;
图4为本发明一个实施例所提供的一种霍夫空间二值图像;
图5为本发明一个实施例所提供的一条最优列像素点序列的筛选结果示意图;
图6为本发明一个实施例所提供的另一条最优列像素点序列的筛选结果示意图;
图7为本发明一个实施例所提供的一种MiniLED晶圆局部表面图像中分割直线的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于MiniLED晶圆缺陷的快速检测系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于MiniLED晶圆缺陷的快速检测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于MiniLED晶圆缺陷的快速检测系统框图,该系统包括:特征图像获取模块101、第一筛选模块102、第二筛选模块103、目标图像分割模块104和检测模块105。
特征图像获取模块101用于获得MiniLED晶圆局部表面图像的边缘二值图;将所述边缘二值图转换至霍夫空间中,获得霍夫空间二值图像。
在本发明实施例中,通过高分辨率相机近距离拍摄MiniLED晶圆产品,进而获得清晰的MiniLED晶圆局部表面图像。请参阅图2,其示出了本发明一个实施例所提供的一种MiniLED晶圆局部表面图像。由图2可知,在MiniLED晶圆上存在大量晶粒,且均匀分布在晶圆表面,因此可通过直线检测的方法识别图像中的直线,进而对图像进行分割,识别出单个晶粒,通过单个晶粒的晶粒图像对模板图像进行匹配,即可获得检测结果。
为了获得MiniLED晶圆局部表面图像中的直线信息,首先需要获得MiniLED晶圆局部表面图像的边缘二值图。优选的,利用canny算子提取MiniLED晶圆局部表面图像中的边缘信息,获得所述边缘二值图。请参阅图3,其示出了本发明一个实施例所提供的一种MiniLED晶圆局部表面图像的边缘二值图,由图3可知,边缘二值图中存在大量的直线信息,不仅包括晶粒安装区域的边缘信息,还包括晶粒本身及受到光照影响产生的边缘信息,因此如果不能对边缘信息进行有效筛选,则会导致最终的分割结果变差,进而影响晶圆检测的准确性。
为了对边缘二值图中的直线信息进行提取及筛选,需要将边缘二值图转换至霍夫空间中,获得霍夫空间二值图像。优选的,霍夫空间的横轴为图像坐标系下直线与横轴的角度;霍夫空间的纵轴为图像坐标系下原点到直线的距离。需要说明的是,将边缘二值图中的像素点信息转换至霍夫空间的方法为本领域技术人员熟知的技术手段,在此不做赘述。
请参阅图4,其示出了本发明一个实施例所提供的一种霍夫空间二值图像。因为边缘二值图中存在较多的直线信息,因此反映在霍夫空间中也存在较多具有高投票值的点,即在霍夫空间二值图像中存在较多高亮点,如果采用固定阈值的方法对霍夫空间二值图像中的高亮点进行筛选,则会受到图像尺度、图像角度、图像边缘噪声等多种因素影响,进而导致筛选结果较差,无法在霍夫空间中获得有效的分割点。
需要说明的是,霍夫空间二值图像中每个像素点的亮度代表霍夫空间中对应位置的投票值,投票值越大说明霍夫空间中该点在图像坐标系下的直线信息越明显。具体霍夫空间的意义为本领域技术人员熟知的技术手段在此不做赘述。
第一筛选模块102,用于根据所述霍夫空间的横轴上预设周期步长在遍历整个所示霍夫空间二值图像,获得至少两组列像素点序列对;根据每组所述列像素点序列对中的亮度信息量获得第一优选度,以最大第一优选度对应的所述列像素点序列对作为最优列像素点序列对。
由图2可知,MiniLED晶圆局部表面图像中每个晶粒的安装区域都为一个矩形,为了将晶粒区域分割出来需要检测出每个晶粒安装区域的每条边界直线,且存在两对边界直线互相平行、两对边界直线互相垂直。考虑到多个晶粒之间为均匀的阵列分布,即不同晶粒区域之间边界直线也存在垂直和平行关系。因此为了将这些边界直线准确检测出来,首先通过霍夫空间的横轴上预设周期步长在遍历整个所示霍夫空间二值图像,获得至少两组列像素点序列对。
考虑到边界直线的垂直和平行关系,在本发明实施例中,将预设周期步长设置为90°,即以霍夫空间二值图中第一列的列像素点序列开始,与第一列相隔90°的另一列的列像素点序列与其组成一个列像素点序列对,逐步遍历所有霍夫空间二值图中每列的列像素点序列,获得所有列像素点序列对。即霍夫空间中列像素点序列对中的两条列像素点序列所代表的直线互相垂直,霍夫空间中每条列像素点序列上每个像素点所代表的直线互相平行。由图4可知,本发明实施例中的霍夫空间横轴值域为[-90°,90°],即可获得90对列像素点序列对。
由图3可知,边缘二值图像中不同直线的直线信息量不同,其中晶粒区域的边界直线属于特征较强、直线信息量较多的直线信息,并且边界直线存在互相垂直的特性,因此根据每组列像素点序列对中的亮度信息量获得第一优选度,以最大第一优选度对应的所述列像素点序列对作为最优列像素点序列对,其中最优列像素点序列对所对应的霍夫空间中的横轴信息即为边缘二值图中晶粒区域边界直线与水平横轴的夹角信息。其中第一优选度的具体获得方法包括:
以每组列像素点序列对中每条列像素点序列中像素值非零的像素点的像素值均值作为每条列像素点序列的亮度信息量,以两条列像素点序列的亮度信息量均值作为第一优选度。具体表达式为:
其中,为第一优选度,/>为一条列像素点序列中的像素值非零的像素点的像素值累加值,/>为一条列像素点序列中的像素值非零的像素点的数量,/>为另一条列像素点序列中的像素值非零的像素点的像素值累加值,/>为另一条列像素点序列中的像素值非零的像素点的数量,即/>为一条列像素点序列的亮度信息量,/>为另一条列像素点序列的亮度信息量。/>
由第一优选度的计算方法可知,列像素点序列中像素值非零的像素点的像素值均值越大,说明该列的亮度信息量越大,即该列中的投票值信息越强,则在边缘二值图中对应的直线信息越强。因此计算每组列像素点序列对中每条列像素点序列的亮度信息量,以亮度信息量的均值作为第一优选度,第一优选度越大说明对应的列像素点序列对属于晶粒区域边界直线的概率越大,因此选择最大第一优选度对应的列像素点序列对作为最优列像素点序列对,最优列像素点序列对所属霍夫空间的横轴信息即为边界直线对应的斜率角度信息。
第二筛选模块103,用于根据每条最优列像素点序列中的像素值极大值将对应的最优列像素点序列分为至少两个子序列;根据每个子序列的出现频数和对应的像素值极大值获得第二优选度;以最大第二优选度对应的子序列所关联的像素值极大值对应像素点作为霍夫空间中的分割点。
因为最优列像素点序列对中还包括了大量的纵轴信息,即第一筛选模块筛选出了晶粒区域的边界直线的斜率信息,还需要进一步筛选出截距信息,进而检测出准确的边界直线。
在每条最优列像素点序列中存在多个极大值,每个极大值均可能对应一条边界直线,考虑到边界直线的平行分布特征,在对应的最优列像素点序列中的纵坐标信息也为周期性分布,因此根据每条最优列像素点序列中的像素值极大值将对应的所述最优列像素点序列分为至少两个子序列,根据每个所述子序列的出现频数和对应的所述像素值极大值获得第二优选度。即第二优选度表现了对应子序列的周期性分布的程度,第二优选度越大说明对应的子序列周期性分布越明显,因此根据最大第二优选度对应的所述子序列所关联的所述像素值极大值获得霍夫空间中的分割点。其中根据每条最优列像素点序列中的像素值极大值将对应的最优列像素点序列分为多个子序列具体包括:
若每条最优列像素点序列中目标元素大于相邻的其他元素,则认为目标元素为像素值极大值元素;以所有像素值极大值元素、最优列像素点序列的初始元素和终止元素作为分割点对最优列像素点序列进行分割,获得多个子序列,每个子序列对应两个分割点。需要说明的是,一个子序列对应的两个分割点有三种情况:一个初始元素和一个像素值极大值元素、一个终止元素和一个像素值极大值元素、两个像素值极大值元素。
以一条最优列像素点序列为例,该最优列像素点序列的表达式为:,本发明实施例考虑到计算的快捷性,将序列首位的0元素删除,获得待判断序列:/>。将待判断序列中的像素值极大值元素标记为1,其他标记为0,获得状态序列:/>。通过状态序列中的像素值极大值位置对待判断序列进行截取,获得多个子序列。
第二优选度的具体获取方法包括:
以每个子序列关联的两个分割点的像素值平均值作为关联特征;以相同的子序列作为同种子序列,统计每种子序列的出现频数,根据出现频数将同种的子序列的关联特征累加,获得第二优选度。即第二优选度的表达式为:
由第二优选度的计算方法可知,第二优选度进一步考虑到了子序列的出现频率及其对应的像素值极大值的像素值,进一步表征了子序列的周期性分布特性,反应了直线信息量。因此以最大第二优选度对应的所述子序列所关联的所述像素值极大值作为霍夫空间中的分割点。请参阅图5,其示出了本发明一个实施例所提供的一条最优列像素点序列的筛选结果示意图;请参阅图6,其示出了本发明一个实施例所提供的另一条最优列像素点序列的筛选结果示意图。由图5和图6所示,霍夫空间中的一列被分为了多个小片段,每个片段首位点即为对应的分割点。请参阅图7,其示出了本发明一个实施例所提供的一种MiniLED晶圆局部表面图像中分割直线的示意图,将图5和图6中的分割点映射至图像坐标系下,即可获得对应的分割直线。通过目标图像分割模块104根据分割点在边缘二值图中对应的直线信息对MiniLED晶圆局部表面图像进行分割,获得至少两个晶粒图像。
检测模块105,用于每个所述晶粒图像进行检测,获得缺陷晶圆信息。在本发明实施例中利用分割后的晶粒图像与模板图像进行匹配即可快速准确的获得每个晶粒的检测结果,即匹配程度越大说明对应晶粒越正常;反之匹配程度越小说明对应晶粒越异常。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (6)
1.一种用于MiniLED晶圆缺陷的快速检测系统,其特征在于,所述系统包括:
特征图像获取模块,用于获得MiniLED晶圆局部表面图像的边缘二值图;将所述边缘二值图转换至霍夫空间中,获得霍夫空间二值图像;
第一筛选模块,用于根据所述霍夫空间的横轴上预设周期步长遍历整个所述霍夫空间二值图像,获得至少两组列像素点序列对;根据每组所述列像素点序列对中两条列像素点序列的亮度信息量获得第一优选度,以最大第一优选度对应的所述列像素点序列对作为最优列像素点序列对;
第二筛选模块,用于根据每条最优列像素点序列中的像素值极大值将对应的所述最优列像素点序列分为至少两个子序列;根据每个所述子序列的出现频数和对应的所述像素值极大值获得第二优选度;以最大第二优选度对应的所述子序列所关联的所述像素值极大值对应像素点作为霍夫空间中的分割点;
目标图像分割模块,用于根据所述分割点在所述边缘二值图中对应的直线信息对MiniLED晶圆局部表面图像进行分割,获得至少两个晶粒图像;
检测模块,用于对每个所述晶粒图像进行检测,获得缺陷晶圆信息。
2.根据权利要求1所述的一种用于MiniLED晶圆缺陷的快速检测系统,其特征在于,所述根据每组所述列像素点序列对中的亮度信息量获得第一优选度包括:
以每组所述列像素点序列对中每条列像素点序列中像素值非零的像素点的像素值均值作为每条所述列像素点序列的所述亮度信息量,以两条所述列像素点序列的亮度信息量均值作为所述第一优选度。
3.根据权利要求1所述的一种用于MiniLED晶圆缺陷的快速检测系统,其特征在于,所述根据每条最优列像素点序列中的像素值极大值将对应的所述最优列像素点序列分为多个子序列包括:
若每条所述最优列像素点序列中目标元素大于相邻的其他元素,则认为所述目标元素为像素值极大值元素;以所有所述像素值极大值元素、所述最优列像素点序列的初始元素和终止元素作为分割点对所述最优列像素点序列进行分割,获得多个所述子序列;每个所述子序列对应两个分割点。
4.根据权利要求3所述的一种用于MiniLED晶圆缺陷的快速检测系统,其特征在于,所述根据每个所述子序列的出现频数和对应的所述像素值极大值获得第二优选度包括:
以每个所述子序列关联的两个所述分割点的像素值平均值作为关联特征;以相同的所述子序列作为同种子序列,统计每种所述子序列的所述出现频数,根据所述出现频数将同种的所述子序列的所述关联特征累加,获得所述第二优选度。
5.根据权利要求1所述的一种用于MiniLED晶圆缺陷的快速检测系统,其特征在于,所述获得MiniLED晶圆局部表面图像的边缘二值图包括:
利用canny算子提取所述MiniLED晶圆局部表面图像中的边缘信息,获得所述边缘二值图。
6.根据权利要求1所述的一种用于MiniLED晶圆缺陷的快速检测系统,其特征在于,所述霍夫空间的横轴为图像坐标系下直线与横轴的角度;所述霍夫空间的纵轴为图像坐标系下原点到直线的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211603748.1A CN115661143B (zh) | 2022-12-14 | 2022-12-14 | 用于MiniLED晶圆缺陷的快速检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211603748.1A CN115661143B (zh) | 2022-12-14 | 2022-12-14 | 用于MiniLED晶圆缺陷的快速检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115661143A CN115661143A (zh) | 2023-01-31 |
CN115661143B true CN115661143B (zh) | 2023-05-30 |
Family
ID=85023163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211603748.1A Active CN115661143B (zh) | 2022-12-14 | 2022-12-14 | 用于MiniLED晶圆缺陷的快速检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661143B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703898B (zh) * | 2023-08-03 | 2023-10-20 | 山东优奭趸泵业科技有限公司 | 一种精密机械轴承端面的质量检测方法 |
CN116721105B (zh) * | 2023-08-11 | 2023-10-20 | 山东淼珠生物科技有限公司 | 基于人工智能的爆珠生产异常在线检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096116A (zh) * | 2021-04-28 | 2021-07-09 | 东南大学 | 一种基于灰阶图像的医用超声设备性能的自动检测方法 |
CN115290663A (zh) * | 2022-09-30 | 2022-11-04 | 南通艾美瑞智能制造有限公司 | 基于光学检测的Mini LED晶圆外观缺陷检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100598381B1 (ko) * | 2004-06-18 | 2006-07-07 | 삼성전자주식회사 | 인-라인 타입의 자동 웨이퍼결함 분류장치 및 그 제어방법 |
CN103560098A (zh) * | 2013-11-13 | 2014-02-05 | 上海华力微电子有限公司 | 晶圆边缘厚度量测稳定性监控方法 |
US10540759B2 (en) * | 2016-11-29 | 2020-01-21 | Kla-Tencor Corporation | Bonded wafer metrology |
CN112767326B (zh) * | 2021-01-07 | 2024-03-15 | 湖南大学 | 钢轨表面缺陷检测方法、装置、设备及存储介质 |
CN115187597B (zh) * | 2022-09-09 | 2022-11-18 | 南通市昊逸阁纺织品有限公司 | 一种纺织品缺陷检测方法 |
CN115311280B (zh) * | 2022-10-12 | 2023-03-24 | 南通迪博西电子有限公司 | 一种碳化硅材质晶圆的缺陷检测方法 |
CN115452843B (zh) * | 2022-11-03 | 2023-03-14 | 惠州威尔高电子有限公司 | 一种MiniLED线路板缺陷检测系统及检测方法 |
-
2022
- 2022-12-14 CN CN202211603748.1A patent/CN115661143B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096116A (zh) * | 2021-04-28 | 2021-07-09 | 东南大学 | 一种基于灰阶图像的医用超声设备性能的自动检测方法 |
CN115290663A (zh) * | 2022-09-30 | 2022-11-04 | 南通艾美瑞智能制造有限公司 | 基于光学检测的Mini LED晶圆外观缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115661143A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115661143B (zh) | 用于MiniLED晶圆缺陷的快速检测系统 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
US20130202188A1 (en) | Defect inspection method, defect inspection apparatus, program product and output unit | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
WO2023070593A1 (zh) | 线宽测量方法、装置、计算处理设备、计算机程序及计算机可读介质 | |
US10210605B2 (en) | Method and device for detecting boundary of region on display motherboard | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN115100199A (zh) | 一种晶圆低纹理缺陷的检测方法 | |
CN115861310B (zh) | 一种床单表面纺织缺陷检测方法 | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及系统 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN114757913A (zh) | 一种显示屏缺陷检测方法 | |
CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116416268A (zh) | 基于递归二分法的锂电池极片边缘位置检测方法及装置 | |
CN114170165A (zh) | 一种芯片表面缺陷检测方法和装置 | |
CN113112396B (zh) | 导电粒子的检测方法 | |
CN112330618B (zh) | 图像偏移检测方法、设备及存储介质 | |
CN116563298B (zh) | 基于高斯拟合的十字线中心亚像素检测方法 | |
CN111161264B (zh) | 一种对含有缺陷的tft电路图像的分割方法 | |
CN112069974A (zh) | 一种识别元器件缺损的图像识别方法及其系统 | |
CN116977230A (zh) | 一种扫描电子显微镜图像优化增强方法 | |
CN115456977A (zh) | 一种晶圆缺陷检测方法、系统及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |