CN116012292A - 一种基于机器视觉的晶圆外观缺陷检测方法 - Google Patents
一种基于机器视觉的晶圆外观缺陷检测方法 Download PDFInfo
- Publication number
- CN116012292A CN116012292A CN202211465459.XA CN202211465459A CN116012292A CN 116012292 A CN116012292 A CN 116012292A CN 202211465459 A CN202211465459 A CN 202211465459A CN 116012292 A CN116012292 A CN 116012292A
- Authority
- CN
- China
- Prior art keywords
- image
- communication
- communication area
- value
- threshold
- 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
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
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明公开了一种基于机器视觉的晶圆外观缺陷检测方法,包括以下步骤:S1.图像采集,将晶圆图像转换为灰度图像;S2.预处理,对图像进行均值滤波,然后进行下采样,分别进行顶帽运算和黑帽运算;S3.缺陷提取及判定:对图像采用阈值进行阈值化,得到二值图;对二值图进行连通区域计算得到若干连通区域,计算连通区域与周围背景的平均灰度差;将连通区域拟合得到直线,计算连通区域的边缘点到直线距离的标准差;将得到的连通区域之间进行斜率的判定,当两条连通区域的斜率一致,并且比较靠近,则将其合并为一条连通区域;计算连通区域的长度,若大于阈值,则判定该连通区域为刮伤。本发明可提高检测效率,且通过综合判定,准确性高。
Description
技术领域
本发明涉及晶圆检测技术领域,具体为一种基于机器视觉的晶圆外观缺陷检测方法。
背景技术
晶圆的衬底材料一般有蓝宝石衬底、碳化硅衬底及硅衬底三种,其中蓝宝石衬底应用最为广泛。但是制作过程中由于各种因素会出现刮伤、小坑、气泡等缺陷,因此在制造流水线的终检工序中,必须要对成品进行检验。
机器视觉法通过采集晶圆图像,用算法来分析图像和测量缺陷。机器视觉法不会产生疲劳效应,可实现非接触式的长时间快速在线缺陷检测。利用机器视觉法替代传统的人工视觉法,为晶圆缺陷检测研究带来一种全新的思路。因此研究基于机器视觉的缺陷自动检测方法成了目前晶圆外观检测一个重要发展方向。
公开号为CN108648168A发明申请公开了IC晶圆表面缺陷检测方法,通过标准图像和待测图像进行空间位置上的对准,得到差影图像,再找出待测图像与标准图像的不同之处,采用最大类间方差方法对差影图像进行图像二值化处理,然后采用形态学方法处理,得到缺陷图像,对于缺陷图像,通过闭合边界轮廓的分段数来判定缺陷,但是通过分段数进行判定容易产生判定偏差。
公开号为CN114910480A的发明申请公开了一种基于机器视觉的晶圆表面缺陷检测方法,采用无监督学习分类模型进行晶圆表面缺陷检测,检测过程复杂。
发明内容
本发明的目的在于提供一种基于机器视觉的晶圆外观缺陷检测方法,以提高检测效率和检测的准确性。为实现上述目的,本发明采用以下技术方案:
本发明公开了一种基于机器视觉的晶圆外观缺陷检测方法,包括以下步骤:
S1.图像采集
采集晶圆图像,将晶圆图像转换为灰度图像,将灰度图像边缘的黑色外部区域去除后得到待检测区域的图像P。
S2.预处理
对图像P进行均值滤波,然后进行下采样,得到图像S,对图像S分别进行顶帽运算和黑帽运算得到图像T1和T2。
S3.缺陷提取及判定
将图像T1和图像T2分别进行缺陷提取及判定,所述缺陷至少包括刮伤不良缺陷;
a11.对图像采用阈值μ1进行阈值化,得到二值图B1;其中,所述阈值μ1是顶帽运算或黑帽运算后二值化的阈值。
a12.对二值图B1进行连通区域计算得到若干连通区域A51,计算连通区域A51与周围背景的平均灰度差;若平均灰度差大于设定值,则继续进行步骤S33的筛选,若平均灰度差小于设定值,则判定不存在缺陷,结束流程。
a13.将连通区域A51拟合得到直线,计算连通区域A51的边缘点到直线距离的标准差,若标准差小于设定阈值L1,则标记其为连通区域A52。
a14.将得到的连通区域A52之间进行斜率的判定,当两条连通区域A52的斜率一致,并且比较靠近,则将其合并为一条连通区域A53。
a15.计算连通区域A53的长度,若大于阈值L2,则判定该连通区域A53为刮伤,计算刮伤的数量。
S4.将图像T1和T2判定得到的缺陷进行合并,即得到最终的晶圆外观缺陷。
进一步的,所述缺陷还包括抛光不良缺陷;计算连通区域A53的个数,若个数大于阈值N1,则判定该晶圆存在抛光不良缺陷。
其中,所述阈值μ1的取值范围为3-20,阈值L2取值为300像素,阈值L1的取值为1像素,阈值N1为20个。
优选的,步骤S33中,将连通区域A51通过以下拟合直线方程拟合得到直线:
其中,xi,yi为第i个边缘点的X轴坐标和Y轴坐标,n为边缘点个数。
连通区域A51的边缘点到直线距离的标准差σ的计算公式如下:
其中,LK为第k个边缘点到拟合直线的距离,n为边缘点个数。
优选的,所述连通区域计算采用两遍扫描法:
(1)从图像左上角开始遍历像素点,找到第一个像素为255的点,设定label=1。
(2)当该像素的左邻像素和上邻像素为无效值时,给该像素置一个新的label值,label++,记录集合。
(3)当该像素的左邻像素或者上邻像素有一个为有效值时,将有效值像素的label赋给该像素的label值。
(4)当该像素的左邻像素和上邻像素都为有效值时,选取其中较小的label值赋给该像素的label值。
(5)对每个点的label进行更新,更新为其对于其集合中最小的label。
完成扫描后,图像中具有相同label值的像素就组成了同一个连通区域。
优选的,所述缺陷还包括小坑不良缺陷;其提取及判定步骤如下:
a31.对图像T1或T2采用阈值μ2进行阈值化,得到二值图B2;其中,所述阈值μ2是顶帽运算或黑帽运算后二值化的阈值。
a32.对二值图B2进行连通区域计算得到若干连通区域A61。
a33.计算连通区域A61的中间与外圈的平均灰度,以及中间黑色连通区域的圆度,若中间黑色连通区域的圆度>0.7,且中间的平均灰度<30,外圈的平均灰度>220,则标记其为连通区域A62。
a34.计算连通区域A62的面积,若大于预先设定阈值S1,则判定该连通区域为小坑,该晶圆存在小坑不良缺陷。
进一步的,连通区域A61的中间的平均灰度grey(A61),外圈的平均灰度grey(ΔA61),以及中间黑色连通区域的圆度YD的计算公式如下:
其中f(x,y)为图中坐标(x,y)的灰度值,A表示区域面积,P表示区域周长,满足以上公式的连通区域标记为连通区域A62。
所述阈值μ2的取值范围为3-20,所述阈值S1为50平方像素。
进一步的,所述缺陷还包括气泡不良缺陷;其提取及判定步骤如下:
a41.对图像采用阈值μ3进行阈值化,得到二值图B3;其中,所述阈值μ3是顶帽运算或黑帽运算后二值化的阈值。
a42.对二值图B3进行连通区域计算得到若干连通区域A71。
a43.计算连通区域A71的平均灰度,若平均灰度>240,则标记其为连通区域A72。
a44.计算连通区域A72的面积,若大于预先设定阈值S2,则判定该连通区域为气泡,该晶圆存在气泡不良缺陷。
优选的,所述连通区域A71的平均灰度grey(A71)的计算公式如下:
其中f(x,y)为图中坐标(x,y)的灰度值。
所述阈值μ3的取值范围为3-20,所述阈值S2为500平方像素。
进一步的,步骤a14中,判定两条连通区域是否靠近的方法为:分别取两条连通区域的中点P1和P2,测量P1与P2的距离d,若距离d满足下式,则判定两条连通区域靠近;
其中xP1、xP2分别为P1点和P2点的X轴坐标,yP1、yP2分别为P1点和P2点的Y轴坐标。
由于采用了上述结构,本发明具有以下有益效果:
1、本发明通过灰度图像采用连通区域计算进行缺陷的提取和判定,计算更加简化,可提高检测效率。且通过计算连通区域的平均灰度差、边缘点到拟合直线距离的标准差、斜率判定,通过综合判定,从而提取的连通区域为刮伤,通过综合判定,准确性高。
2、本发明通过顶帽运算和黑帽运算得到两张图像,分别进行提取与判定,最后将判定的缺陷进行合并,判定更加精准。
3、本发明可综合进行刮伤不良、抛光不良、小坑不良、气泡不良的缺陷提取及判定,从而实现缺陷分类,提高检测的精准性,便于后期生产返工。
附图说明
图1是步骤S1中采集的晶圆图像。
图2是均值滤波后的图像。
图3是对二值图B1进行连通区域计算得到若干连通区域A51的图像。
图4是将连通区域进行合并后得到的连通区域A53的图像。
图5是检测结果显示。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步详细的描述。
本发明中的阈值是指在机器图像处理软件中的差值,是两个像素之间的差值,
实施例一
本实施例公开了一种基于机器视觉的晶圆外观缺陷检测方法,可以对晶圆进行刮伤不良的缺陷检测。
本实施例包括以下步骤:
S1.图像采集
如图1所示,采集晶圆图像,将晶圆图像转换为灰度图像。将灰度图像边缘的黑色外部区域去除后得到待检测区域的图像P。
S2.预处理
对图像P进行均值滤波,然后进行下采样,得到图像S。对图像S分别进行顶帽运算和黑帽运算得到图像T1和T2。
S3.缺陷提取及判定
将图像T1和T2分别进行缺陷提取及判定,所述缺陷至少包括刮伤不良缺陷;
a11.对图像采用阈值μ1进行阈值化,得到二值图B1,如图2所示。其中,阈值μ1是顶帽运算或黑帽运算后二值化的阈值。阈值μ1的取值范围为3-20,阈值μ1根据相机、光源等因素进行综合考量。
S32.对二值图B1进行连通区域计算得到若干连通区域A51,如图3所示。计算连通区域A51与周围背景的平均灰度差。
连通区域计算采用两遍扫描法,包括以下步骤:
(1)从图像左上角开始遍历像素点,找到第一个像素为255的点,设定label=1。
(2)当该像素的左邻像素和上邻像素为无效值时,给该像素置一个新的label值,label++,记录集合。
(3)当该像素的左邻像素或者上邻像素有一个为有效值时,将有效值像素的label赋给该像素的label值。
(4)当该像素的左邻像素和上邻像素都为有效值时,选取其中较小的label值赋给该像素的label值。
(5)对每个点的label进行更新,更新为其对于其集合中最小的label。
完成扫描后,图像中具有相同label值的像素就组成了同一个连通区域。
a13.将连通区域A51拟合得到直线,计算连通区域A51的边缘点到直线距离的标准差,若标准差小于设定阈值L1,则标记其为连通区域A52。L1的取值为1,即当标准差小于1像素,认为连通区域A51为直线,则标记为连通区域A52,否则,当标准差大于1像素,则认为该连通区域A51不是直线。
连通区域A51通过以下拟合直线方程拟合得到直线:
其中,xi,yi为第i个边缘点的X轴坐标和Y轴坐标,n为边缘点个数。
连通区域A51的边缘点到直线距离的标准差σ的计算公式如下:
其中,LK为第k个边缘点到拟合直线的距离,n为边缘点个数。
a14.将得到的连通区域A52之间进行斜率的判定,当两条连通区域A52的斜率一致,并且比较靠近,则将其合并为一条连通区域A53。如图4所示。
判定两条连通区域是否靠近的方法为:在图像上建立X-Y轴从标系,分别取两条连通区域的中点P1和P2,测量P1与P2的距离d,若距离d满足下式,则判定两条连通区域靠近;
其中xP1、xP2分别为P1点和P2点的X轴坐标,yP1、yP2分别为P1点和P2点的Y轴坐标。
a15.计算连通区域A53的长度,若大于阈值L2,即则判定该连通区域A53为刮伤。本实施例中,阈值L2取值为300像素,即连通区域A53的长度大于300像素,则晶圆存在刮伤不良缺陷。
对图像T2重复步骤a11-a15的判定,得到图像T2的不良缺陷。
S4.将图像T1和图像T2判定得到的缺陷进行合并,即得到最终的晶圆外观缺陷。
如图5所示,本实施例中,通过图像T1检测得到的不良缺陷为刮伤1条,通过图像T2检测得到的结果为0条刮伤,则将两个图像的检测结果合并,得到最终的检测结果,在晶圆的图示方框区域内存在刮伤缺陷,刮伤条数为1条。
实施例二
本实施例公开了一种基于机器视觉的晶圆外观缺陷检测方法,可以对晶圆进行刮伤不良、抛光不良、小坑不良、气泡不良的缺陷检测。
本实施例在实施例一的对晶圆进行刮伤不良的基础上继续进行以下步骤的检测。
a2.抛光不良缺陷检测
计算连通区域A53的个数,若个数大于阈值N1,则判定该晶圆存在抛光不良缺陷。
本实施例中阈值N1为20个。即当连通区域A53的个数大于20,则判定晶圆抛光不良。
a3.小坑不良缺陷检测。
在机器视觉成像系统中,小坑成像为中间黑外圈白,并且是趋近于圆形。其提取及判定步骤如下:
a31.对图像T1或T2采用阈值μ2进行阈值化,得到二值图B2。其中,阈值μ2是顶帽运算或黑帽运算后二值化的阈值。阈值μ2的取值范围为3-20,阈值μ2根据相机、光源等因素进行综合考量。
a32.对二值图B2进行连通区域计算得到若干连通区域A61。
a33.计算连通区域A61的中间与外圈的平均灰度,以及中间黑色连通区域的圆度,若中间黑色连通区域的圆度>0.7,且中间的平均灰度<30,外圈的平均灰度>220,则标记其为连通区域A62。
连通区域A61的中间的平均灰度grey(A61),外圈的平均灰度grey(ΔA61),以及中间黑色连通区域的圆度YD的计算公式如下:
其中f(x,y)为图中坐标(x,y)的灰度值,A表示区域面积,P表示区域周长,满足以上公式的连通区域标记为连通区域A62。
a34.计算连通区域A62的面积,若大于预先设定阈值S1,则判定该连通区域为小坑,该晶圆存在小坑不良缺陷。本实施例中阈值S1为50平方像素,即连通区域A62的面积大于50平方像素时,则判定该连通区域为小坑。像素也叫分辨率,是指可以显示出的水平和垂直像素的数组。平方像素即一个平方的像素点数。
a4.气泡不良缺陷
在机器视觉成像系统中,判定原理为:成像为白色,平均灰度>240,面积>500为气泡。
其提取及判定步骤如下:
a41.对图像T1或T2采用阈值μ3进行阈值化,得到二值图B3。其中,阈值μ3是顶帽运算或黑帽运算后二值化的阈值。阈值μ3的取值范围为3-20,阈值μ2根据相机、光源等因素进行综合考量。
a42.对二值图B3进行连通区域计算得到若干连通区域A71。
a43.计算连通区域A71的平均灰度,若平均灰度>240,则标记其为连通区域A72。连通区域A71的平均灰度grey(A71)的计算公式如下:
其中f(x,y)为图中坐标(x,y)的灰度值;
a44.计算连通区域A72的面积,若大于预先设定阈值S2,则判定该连通区域为气泡,该晶圆存在气泡不良缺陷。本实施例中阈值S2为500平方像素,即连通区域A72的面积大于500,则判定该连通区域为气泡。
在上述步骤中,对晶圆进行刮伤不良、抛光不良、小坑不良、气泡不良的缺陷检测的顺序可以任意调换。
S4.将图像T1和图像T2判定得到的缺陷进行合并,即得到最终的晶圆外观缺陷。
可以先对图像T1进行所有类别的缺陷检测,然后再对图像T2进行所有类别缺陷检测,最后进行缺陷的合并。也可以在某一种缺陷时,对图像T1和图像T2进行缺陷检测,再换另一种缺陷,对两个图像分别检测,直至所有的缺陷类型检测完毕,最后再进行缺陷的合并。
比如,通过图像T1检测得到的不良缺陷为刮伤1条,小坑2个,气泡1个,通过图像T2检测得到的不良缺陷为刮伤2条,小坑1个,则将两个图像的检测结果合并,得到最终的检测结果为:存在刮伤不良、小坑不良和气泡不良,刮伤条数为3条,小坑数量为3个,气泡数量为1个。
本发明检测方法尤其适用于以蓝宝石衬底的晶圆外观缺陷检测,检测效率高,实用性好。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的晶圆外观缺陷检测方法,其特征在于,包括以下步骤:
S1.图像采集
采集晶圆图像,将晶圆图像转换为灰度图像,将灰度图像边缘的黑色外部区域去除后得到待检测区域的图像P;
S2.预处理
对图像P进行均值滤波,然后进行下采样,得到图像T,对图像S分别进行顶帽运算和黑帽运算得到图像T1和T2;
S3.缺陷提取及判定
将图像T1和图像T2分别进行缺陷提取及判定,所述缺陷至少包括刮伤不良缺陷;
a11.对图像采用阈值μ1进行阈值化,得到二值图B1;其中,所述阈值μ1是顶帽运算或黑帽运算后二值化的阈值;
a12.对二值图B1进行连通区域计算得到若干连通区域A51,计算连通区域A51与周围背景的平均灰度差;若平均灰度差大于设定值,则继续进行步骤S33的筛选,若平均灰度差小于设定值,则判定不存在缺陷,结束流程;
a13.将连通区域A51拟合得到直线,计算连通区域A51的边缘点到直线距离的标准差,若标准差小于设定阈值L1,则标记其为连通区域A52;
a14.将得到的连通区域A52之间进行斜率的判定,当两条连通区域A52的斜率一致,并且比较靠近,则将其合并为一条连通区域A53;
a15.计算连通区域A53的长度,若大于阈值L2,则判定该连通区域A53为刮伤,计算刮伤的数量;
S4.将图像T1和图像T2判定得到的缺陷进行合并,即得到最终的晶圆外观缺陷。
2.如权利要求1所述的基于机器视觉的晶圆外观缺陷检测方法,其特征在于:所述缺陷还包括抛光不良缺陷:
a2:计算连通区域A53的个数,若个数大于阈值N1,则判定该晶圆存在抛光不良缺陷。
3.如权利要求2所述的基于机器视觉的晶圆外观缺陷检测方法,其特征在于:所述阈值μ1的取值范围为3-20,阈值L2取值为300像素,阈值L1的取值为1像素,阈值N1为20个。
5.如权利要求1所述的基于机器视觉的晶圆外观缺陷检测方法,其特征在于:所述连通区域计算采用两遍扫描法:
(1)从图像左上角开始遍历像素点,找到第一个像素为255的点,设定label=1;
(2)当该像素的左邻像素和上邻像素为无效值时,给该像素置一个新的label值,label++,记录集合;
(3)当该像素的左邻像素或者上邻像素有一个为有效值时,将有效值像素的label赋给该像素的label值;
(4)当该像素的左邻像素和上邻像素都为有效值时,选取其中较小的label值赋给该像素的label值;
(5)对每个点的label进行更新,更新为其对于其集合中最小的label;
完成扫描后,图像中具有相同label值的像素就组成了同一个连通区域。
6.如权利要求1所述的基于机器视觉的晶圆外观缺陷检测方法,其特征在于:所述缺陷还包括小坑不良缺陷;其提取及判定步骤如下:
a31.对图像采用阈值μ2进行阈值化,得到二值图B2;其中,所述阈值μ2是顶帽运算或黑帽运算后二值化的阈值;
a32.对二值图B2进行连通区域计算得到若干连通区域A61;
a33.计算连通区域A61的中间与外圈的平均灰度,以及中间黑色连通区域的圆度,若中间黑色连通区域的圆度>0.7,且中间的平均灰度<30,外圈的平均灰度>220,则标记其为连通区域A62;
a34.计算连通区域A62的面积,若大于预先设定阈值S1,则判定该连通区域为小坑,该晶圆存在小坑不良缺陷。
8.如权利要求1所述的基于机器视觉的晶圆外观缺陷检测方法,其特征在于:所述缺陷还包括气泡不良缺陷;其提取及判定步骤如下:
a41.对图像采用阈值μ3进行阈值化,得到二值图B3;其中,所述阈值μ3是顶帽运算或黑帽运算后二值化的阈值;
a42.对二值图B3进行连通区域计算得到若干连通区域A71;
a43.计算连通区域A71的平均灰度,若平均灰度>240,则标记其为连通区域A72;
a44.计算连通区域A72的面积,若大于预先设定阈值S2,则判定该连通区域为气泡,该晶圆存在气泡不良缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211465459.XA CN116012292A (zh) | 2022-11-22 | 2022-11-22 | 一种基于机器视觉的晶圆外观缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211465459.XA CN116012292A (zh) | 2022-11-22 | 2022-11-22 | 一种基于机器视觉的晶圆外观缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116012292A true CN116012292A (zh) | 2023-04-25 |
Family
ID=86021933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211465459.XA Pending CN116012292A (zh) | 2022-11-22 | 2022-11-22 | 一种基于机器视觉的晶圆外观缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012292A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958714A (zh) * | 2023-09-20 | 2023-10-27 | 信熙缘(江苏)智能科技有限公司 | 晶圆背损伤缺陷的自动识别方法 |
CN117541531A (zh) * | 2023-09-28 | 2024-02-09 | 苏州梅曼智能科技有限公司 | 一种基于人工智能的晶圆视觉检测监管反馈系统 |
-
2022
- 2022-11-22 CN CN202211465459.XA patent/CN116012292A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958714A (zh) * | 2023-09-20 | 2023-10-27 | 信熙缘(江苏)智能科技有限公司 | 晶圆背损伤缺陷的自动识别方法 |
CN116958714B (zh) * | 2023-09-20 | 2023-12-01 | 信熙缘(江苏)智能科技有限公司 | 晶圆背损伤缺陷的自动识别方法 |
CN117541531A (zh) * | 2023-09-28 | 2024-02-09 | 苏州梅曼智能科技有限公司 | 一种基于人工智能的晶圆视觉检测监管反馈系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
WO2020248439A1 (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
CN105334219B (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
CN101995223B (zh) | 一种芯片外观检测方法及系统 | |
CN116012292A (zh) | 一种基于机器视觉的晶圆外观缺陷检测方法 | |
CN108665458B (zh) | 透明体表面缺陷提取及识别方法 | |
CN108345881B (zh) | 一种基于计算机视觉的文档质量检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN113034464B (zh) | 一种多背景下的液晶显示器缺陷视觉实时检测方法 | |
CN116993744B (zh) | 一种基于阈值分割的焊缝缺陷检测方法 | |
CN110763700A (zh) | 一种半导体元器件缺陷检测方法和设备 | |
CN114897881B (zh) | 一种基于边缘特征的晶粒缺陷检测方法 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
Fu et al. | Medicine glass bottle defect detection based on machine vision | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN112419225B (zh) | 一种基于引脚分割的sop型芯片检测方法及系统 | |
CN109886912B (zh) | 一种推力轴承保持架表面缺陷检测方法 | |
CN115829981A (zh) | 一种退役轴承端面损伤的视觉检测方法 |
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 |