CN116228768A - 一种电子元器件表面划痕检测方法 - Google Patents

一种电子元器件表面划痕检测方法 Download PDF

Info

Publication number
CN116228768A
CN116228768A CN202310511304.3A CN202310511304A CN116228768A CN 116228768 A CN116228768 A CN 116228768A CN 202310511304 A CN202310511304 A CN 202310511304A CN 116228768 A CN116228768 A CN 116228768A
Authority
CN
China
Prior art keywords
gray level
gray
sliding
image
scratch
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.)
Granted
Application number
CN202310511304.3A
Other languages
English (en)
Other versions
CN116228768B (zh
Inventor
姬忠勇
李殿雨
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.)
Jining Zhongdali Electrical Equipment Co ltd
Jining Technician College
Original Assignee
Jining Zhongdali Electrical Equipment 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 Jining Zhongdali Electrical Equipment Co ltd filed Critical Jining Zhongdali Electrical Equipment Co ltd
Priority to CN202310511304.3A priority Critical patent/CN116228768B/zh
Publication of CN116228768A publication Critical patent/CN116228768A/zh
Application granted granted Critical
Publication of CN116228768B publication Critical patent/CN116228768B/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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/30164—Workpiece; Machine component
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (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，具体涉及一种电子元器件表面划痕检测方法，该方法包括：获取电子元器件的芯片表面图像及其灰度图像，获取特征值共生矩阵及其角二阶矩，并获取第一高斯滤波半径，获取划痕方向，计算划痕宽度并获取第二高斯滤波半径，将第一高斯滤波半径与第二高斯滤波半径的均值作为最优高斯滤波半径，以最优高斯滤波半径对目标灰度图像进行高斯滤波处理得到去噪图像，根据去噪图像确定划痕区域，本发明通过最优高斯滤波半径对灰度图像进行滤波处理，然后利用滤波处理后的图像进行边缘检测，从而提高划痕区域边缘的检测精度，进而确定准确的划痕区域。

Description

一种电子元器件表面划痕检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种电子元器件表面划痕检测方法。
背景技术
随着制造业技术的快速变革，行业对于电子元器件的需求量不断增加，其中电子元器件的重要器件之一为芯片，芯片在生产制造过程中会对其进行蚀刻、切割、焊接等一系列的加工工序，由于工序的复杂性和随机性，生产出的芯片表面可能会出现划痕缺陷，对于其他电子元器件轻微的划痕可能不影响其使用性，但是对于金属芯片，任何划痕都会影响芯片的存取功能，故对于芯片上划痕的检测十分重要。
现有检测技术是使用阈值分割或者边缘检测对划痕进行检测的，但是边缘检测往往受到图像的品质影响，如果图像中存在较多噪声点，需要对噪声点进行良好的去除，才能保证后续的边缘检测的准确性。
然而，现有去噪技术多为高斯滤波去噪，然而高斯滤波去噪过程中，均采用经验值设定一个固定的高斯滤波半径，由于缺陷大小不同，在利用固定的高斯核半径对不同大小的缺陷进行滤波处理时不同大小的缺陷受到平滑影响程度不同，故使得在利用去噪后的图像进行边缘检测时对缺陷的边缘检测不够准确，从而影响缺陷区域的识别的精准度。
因此，需要提供一种电子元器件表面划痕检测方法，予以解决上述问题。
发明内容
本发明提供一种电子元器件表面划痕检测方法，以解决现有的边缘检测的精度问题。
本发明的一种电子元器件表面划痕检测方法采用如下技术方案：
获取电子元器件的芯片表面图像及其灰度图像；
对灰度图像进行灰度量化得到目标灰度图像，获取目标灰度图像的不同方向下的灰度共生矩阵，根据不同方向下的灰度共生矩阵获取目标灰度图像的纹理特征的特征值共生矩阵，获取特征值共生矩阵的角二阶矩，根据角二阶矩获取第一高斯滤波半径；
计算目标灰度图像不同方向下的灰度共生矩阵对应的自相关值，根据所有自相关值中的最大自相关值确定划痕方向；
在目标灰度图像内设定滑窗，滑窗沿目标灰度图像从左到右、从上到下方向开始滑动，并计算滑窗与其相邻滑窗之间的灰度差，当灰度差大于预设的灰度差阈值时，将滑窗滑动方向调整为沿垂直划痕方向滑动，直至沿垂直划痕方向滑动时的灰度差大于预设的灰度差阈值时，结束滑动；
获取滑窗沿垂直划痕方向滑动时直至沿垂直划痕方向开始滑动到结束滑动时的滑窗数量，并根据滑窗数量、滑窗尺寸及滑窗的滑动方向确定划痕宽度并作为第二高斯滤波半径；
将第一高斯滤波半径与第二高斯滤波半径的均值作为最优高斯滤波半径，以最优高斯滤波半径对目标灰度图像进行高斯滤波处理得到去噪图像，对去噪图像进行边缘检测获得划痕的边缘线，并确定划痕区域。
优选的，对灰度图像进行灰度量化得到目标灰度图像的步骤包括：
获取灰度图像的灰度直方图；
对灰度直方图进行均衡化得到均衡化灰度直方图；
获取均衡化灰度直方图中的灰度级进行压缩得到目标灰度图像。
优选的，根据不同方向下的灰度共生矩阵获取目标灰度图像的纹理特征的特征值共生矩阵的步骤包括：
获取不同方向下的目标灰度图像的灰度共生矩阵；
将所有方向下的灰度共生矩阵中对应位置的频数求均值；
将均值作为纹理特征的特征值并得到特征值共生矩阵。
优选的，根据特征值共生矩阵的灰度对的频数与灰度级的个数计算特征值共生矩阵的角二阶矩。
优选的，根据角二阶矩获取第一高斯滤波半径的步骤包括：
获取角二阶矩的倒数；
将不超过角二阶矩的倒数的最大整数作为第一高斯滤波半径。
优选的，计算目标灰度图像不同方向下的灰度共生矩阵对应的自相关值的公式：
Figure SMS_1
式中，
Figure SMS_2
表示第
Figure SMS_3
个方向的灰度共生矩阵的自相关值，
Figure SMS_4
取
Figure SMS_5
；
Figure SMS_6
表示第
Figure SMS_7
个方向的灰度共生矩阵的第
Figure SMS_8
个灰度级的值；
Figure SMS_9
表示第
Figure SMS_10
个方向的灰度共生矩阵的第
Figure SMS_11
个灰度级值；
K表示灰度级的总数量；
Figure SMS_12
表示第
Figure SMS_13
个方向的灰度共生矩阵的灰度对（
Figure SMS_14
）的频数；
Figure SMS_15
表示第
Figure SMS_16
个方向的灰度共生矩阵中的第
Figure SMS_17
行频数的均值；
Figure SMS_18
表示第
Figure SMS_19
个方向的灰度共生矩阵中的第
Figure SMS_20
列频数的均值；
Figure SMS_21
表示第
Figure SMS_22
个方向的灰度共生矩阵中的第
Figure SMS_23
行频数的方差；
Figure SMS_24
表示第
Figure SMS_25
个方向的灰度共生矩阵中的第
Figure SMS_26
列频数的方差。
优选的，将所有自相关值中的最大自相关值对应的方向作为划痕方向，其中，当最大自相关值大于1个，则将所有最大自相关值对应的方向求均值得到均值方向作为划痕方向。
优选的，计算滑窗滑动过程中滑窗与其相邻滑窗之间的灰度差，根据灰度差及预设的灰度差阈值确定目标滑窗及目标滑窗数量的步骤包括：
灰度差包括：第一灰度差和第二灰度差；
将每个滑窗内所有像素点的灰度值的和值与其相邻的前一个滑窗的所有像素点的灰度值的和值的比值作为第一灰度差；
将每个滑窗内所有像素点的灰度值的和值与其相邻的后一个滑窗的所有像素点的灰度值的和值的比值作为第二灰度差；
获取第一灰度差和第二灰度差都大于灰度差阈值的滑窗；
直至第一灰度差和第二灰度差都小于灰度差阈值时，得到所有第一灰度差和第二灰度差都大于灰度差阈值的滑窗数量。
优选的，根据滑窗数量、滑窗尺寸及滑窗的滑动方向确定划痕宽度的步骤包括：
当滑窗的滑动方向以沿目标灰度图像从左到右、从上到下为滑动方向时，将滑窗的边长与滑窗数量的乘积作为划痕宽度；
当滑窗的滑动方向以沿划痕方向为滑动方向时，计算滑窗的边长与滑窗数量的乘积，将乘积与滑动方向的余弦值的比值作为划痕宽度。
本发明的有益效果是：本发明的一种电子元器件表面划痕检测方法，通过灰度共生矩阵对灰度图像中的纹理的粗细进行初步计算得到第一高斯滤波半径，根据纹理确定的高斯滤波半径，其在滤波去噪时更准确，更能保留划痕边缘，其次，结合灰度图像中像素的分布情况，从而获得划痕方向，进而得到划痕的划痕宽度，以划痕的宽度作为第二高斯滤波半径，即进一步提高了滤波去噪时的准确性，最后，根据第一高斯滤波半径和第二高斯滤波半径相结合确定最优高斯滤波半径，根据最优高斯滤波半径对灰度图像进行滤波处理，进而使得利用最优高斯滤波半径进行滤波处理后的图像进行边缘检测，从而提高划痕区域边缘的检测精度，进而确定准确的划痕区域。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种电子元器件表面划痕检测方法的实施例的结构示意图。
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。
由于高斯滤波器的大小影响划痕的检测效果，小的滤波器产生的模糊效果较小，有利于检测细小且突出的细线；大的滤波器产生的模糊效果较大，有利于较宽较平滑的边缘检测，故，需要分析划痕在芯片上的分布情况，来确定一个最优的高斯滤波半径，以及提升后续边缘检测的准确性。
本发明的一种电子元器件表面划痕检测方法的实施例，如图1所示，该方法包括：
S1、获取电子元器件的芯片表面图像及其灰度图像。
具体的，在传送带正上方设置工业相机，工业相机的摄像头朝向传送带，使用工业相机采集传送带上的电子元器件的芯片RGB图像，对芯片RGB图像进行语义分割去除芯片上印刷的字体，将字体对应区域的像素值设定为0，将其余区域的像素值保持不变，获得芯片表面图像，对芯片表面图像进行灰度化处理得到芯片的灰度图像。
S2、对灰度图像进行灰度量化得到目标灰度图像，获取目标灰度图像的不同方向下的灰度共生矩阵，根据不同方向下的灰度共生矩阵获取目标灰度图像的纹理特征的特征值共生矩阵，获取特征值共生矩阵的角二阶矩，根据角二阶矩获取第一高斯滤波半径；
具体的，在灰度图像内芯片表面正常时为纯黑的像素点，当有划痕时，划痕边缘会出现泛白的像素点，使得划痕区域的像素值高于正常区域的像素值，故，使用灰度共生矩阵分析芯片的灰度图像的纹理情况，根据纹理情况可以初步判断出灰度图像中是否存在划痕以及划痕的大小方向，即根据灰度图像粗细程度和灰度均一程度初步确定了第一高斯滤波半径，即获得的第一高斯滤波半径只是一个粗略的高斯滤波半径，故，首先对灰度图像进行灰度量化得到目标灰度图像，获取目标灰度图像的不同方向下的灰度共生矩阵，根据不同方向下的灰度共生矩阵获取目标灰度图像的纹理特征的特征值共生矩阵，获取特征值共生矩阵的角二阶矩，根据角二阶矩获取第一高斯滤波半径。
具体的，该对灰度图像进行灰度量化得到目标灰度图像的具体步骤包括：获取灰 度图像的灰度直方图；对灰度直方图进行均衡化得到均衡化灰度直方图；获取均衡化灰度 直方图中的灰度级进行压缩得到目标灰度图像，其中，需要说明的是，在实际应用中，一幅 灰度图像的灰度级一般为256级，在计算由灰度共生矩阵推导出的纹理特征时，要求灰度图 像的灰度级远小于256，主要是因为灰度共生矩阵的计算量由灰度图像的灰度级和灰度图 像的大小来确定，故计算灰度共生矩阵时，在不影响纹理特征的前提下往往先将灰度图像 的灰度级压缩到较小的范围，一般取8级或16级，以便减小共生矩阵的尺寸，本实施例将灰 度图像的灰度级压缩为8个灰度级，具体的，压缩后的灰度级为
Figure SMS_27
，
Figure SMS_28
表 示第i个灰度级。
具体的，获取目标灰度图像的不同方向下的灰度共生矩阵，根据不同方向下的灰度共生矩阵获取目标灰度图像的纹理特征的特征值共生矩阵的步骤包括：其中，本实施例以0°、45°、90°、135°四个方向获取目标灰度图像的灰度共生矩阵，得到0°、45°、90°、135°四个方向对应的灰度共生矩阵，然后将0°、45°、90°、135°四个方向对应的灰度共生矩阵对应位置的频数求均值；将均值作为纹理特征的特征值并得到特征值共生矩阵，需要说明的是，若是不对0°、45°、90°、135°四个方向综合，则在每一个方向上都可以得到多类特征，这样得到的纹理特征过于繁多，不利于使用，故对这四个方向的特征值取平均值，将四个方向的平均值作为最终特征值的特征值共生矩阵。
具体的，获取特征值共生矩阵的角二阶矩步骤包括：根据特征值共生矩阵的灰度对的频数与灰度级的个数计算特征值共生矩阵的角二阶矩，计算特征值共生矩阵的角二阶矩的公式为：
Figure SMS_29
其中，
Figure SMS_30
表示特征值共生矩阵的角二阶矩；
Figure SMS_31
表示特征值共生矩阵中灰度对
Figure SMS_32
的频数；
Figure SMS_33
表示特征值共生矩阵中的灰度级总数。
需要说明的是，特征值共生矩阵的角二阶距ASM的值又称能量特征值，反映了灰度图像中灰度分布均匀程度和纹理粗细程度，如果特征值共生矩阵的所有值均相等，则ASM值小；相反，如果其中一些值大而其他值小，则角二阶矩ASM的值大，当特征值共生矩阵中元素集中分布时，此时角二阶矩ASM的值大，角二阶矩ASM的值大表明灰度图像中是较均一和规则变化的纹理模式，对于本实施例的划痕检测来说，划痕是集中分布在一条线上的，所有划痕区域的像素灰度值与正常区域的像素灰度值差异程度相似，所以当芯片上存在划痕时，对应灰度图像的特征值共生矩阵的角二阶矩ASM的值会较大；反之当芯片不存在划痕时，说明灰度图像的特征值共生矩阵的所有值均相等，则ASM值较小。
具体的，根据角二阶矩获取第一高斯滤波半径的步骤包括：由于芯片的灰度图像 的特征值共生矩阵的角二阶矩ASM的值较大时，是认为芯片上是有划痕的，且随着角二阶矩 ASM的值越大表明芯片的灰度图像中的纹理越细小，边缘越尖锐；反之当芯片的灰度图像大 时，说明图像中的纹理较粗，边缘较平滑，而当芯片的灰度图像中的纹理越粗时，在对灰度 图像进行滤波处理时需要的模糊程度较大，即对应的第一高斯滤波半径也应越大；反之纹 理越细时，在对灰度图像进行滤波处理时需要的模糊程度较小，即对应的第一高斯滤波半 径也应越小，所以根据芯片的灰度图像的特征值共生矩阵的角二阶矩ASM的值即可求出芯 片的灰度图像中纹理区域对应的粗略的半径值，即先获取芯片的灰度图像的特征值共生矩 阵的角二阶矩ASM的值的倒数；将不超过角二阶矩的倒数的最大整数作为第一高斯滤波半 径，即第一高斯滤波半径
Figure SMS_34
。
S3、即计算目标灰度图像不同方向下的灰度共生矩阵对应的自相关值，根据所有自相关值中的最大自相关值确定划痕方向。
具体的，使用滑窗来获取划痕区域，为了快速确定划痕区域，需要对滑窗的滑动方向进行约束，故先使用灰度共生矩阵的自相关特征值来获得划痕纹理的大致走向，即根据下式计算目标灰度图像在对应方向上的自相关值；
Figure SMS_35
式中，
Figure SMS_36
表示第
Figure SMS_37
个方向的灰度共生矩阵的自相关值，本实施例
Figure SMS_38
取
Figure SMS_39
；
Figure SMS_40
表示第
Figure SMS_41
个方向的灰度共生矩阵的第
Figure SMS_42
个灰度级的值；
Figure SMS_43
表示第
Figure SMS_44
个方向的灰度共生矩阵的第
Figure SMS_45
个灰度级值；
K表示灰度级的总数量；
Figure SMS_46
表示第
Figure SMS_47
个方向的灰度共生矩阵的灰度对（
Figure SMS_48
）的频数；
Figure SMS_49
表示第
Figure SMS_50
个方向的灰度共生矩阵中的第
Figure SMS_51
行频数的均值；
Figure SMS_52
表示第
Figure SMS_53
个方向的灰度共生矩阵中的第
Figure SMS_54
列频数的均值；
Figure SMS_55
表示第
Figure SMS_56
个方向的灰度共生矩阵中的第
Figure SMS_57
行频数的方差；
Figure SMS_58
表示第
Figure SMS_59
个方向的灰度共生矩阵中的第
Figure SMS_60
列频数的方差；
需要说明的是，自相关反映了图像纹理的一致性，如果图像中有水平方向纹理，则水平方向灰度共生矩阵的自相关值大于其余方向的灰度共生矩阵的自相关值，它度量的是灰度共生矩阵的元素在行或列方向上的相似程度，因此，自相关值的大小反映了灰度图像中局部灰度的相关性。
故根据自相关值确定灰度图像中的划痕方向，具体的，将所有自相关值中的最大自相关值对应的方向作为划痕方向，其中，当最大自相关值大于1个，则将所有最大自相关值对应的方向求均值得到均值方向作为划痕方向，需要说明的是要得到划痕宽度，则必须垂直划痕方向进行检测才能得到划痕方向。
S4、在目标灰度图像内设定滑窗，滑窗沿目标灰度图像从左到右、从上到下方向开始滑动，并计算滑窗与其相邻滑窗之间的灰度差，当灰度差大于预设的灰度差阈值时，将滑窗滑动方向调整为沿垂直划痕方向滑动，直至沿垂直划痕方向滑动时的灰度差大于预设的灰度差阈值时，结束滑动；获取滑窗沿垂直划痕方向滑动时直至沿垂直划痕方向开始滑动到结束滑动时的滑窗数量，并根据滑窗数量、滑窗尺寸及滑窗的滑动方向确定划痕宽度，并作为第二高斯滤波半径。
具体的，本实施例，设定滑窗的尺寸为
Figure SMS_61
的滑窗，初始滑动方向为从图像的最左上角开始自左向右、自上向下开始滑动，每滑动一个滑窗长度的步长计算滑窗与其相邻滑窗之间的灰度差，当灰度差大于预设的灰度差阈值时，将滑窗滑动方向调整为沿垂直划痕方向滑动，直至沿垂直划痕方向滑动时的灰度差大于预设的灰度差阈值时，结束滑动。
具体的，由于芯片自身是黑色且灰度均一的，故如果不存在划痕则每次滑动前后的滑窗区域的像素灰度无差异，反之，当出现划痕时，则前一滑窗与后一滑窗之间灰度值便然存在灰度差异，故通过计算每个滑窗与前后两个相邻滑窗间灰度差，并结合设定的灰度差阈值来确定划痕像素点，从而为后续确定划痕宽度做准备，其中，计算每个滑窗与前后两个相邻滑窗间灰度差的公式：
Figure SMS_62
式中，
Figure SMS_63
表示当前滑窗中的第
Figure SMS_64
个像素点的灰度值；
Figure SMS_65
表示当前滑窗的前一个滑窗中的第
Figure SMS_66
个像素点的灰度值；
Figure SMS_67
表示当前滑窗的后一个滑窗中的第
Figure SMS_68
个像素点的灰度值；
Figure SMS_69
表示当前滑窗与其前一个滑窗的灰度差；
Figure SMS_70
表示当前滑窗与其后一个滑窗的灰度差；
需要说明的是，当两个灰度差都接近于1时，说明三个滑窗滑过的区域为相同区 域，如果，划痕很宽时，那么滑窗在划痕内部前后滑过的区域间的灰度差也很小，故相同区 域可能为正常区域可能为划痕区域，故还不能对其进行判断，但是对于划痕，其是会存在划 痕边缘的，即滑窗总会滑到划痕的边缘区域，边缘区域的灰度值与前后两个滑窗区域之间 总会存在灰度差，故本实施例设定灰度差阈值，取经验值0.8，在当前滑窗与其前一个滑窗 的灰度差
Figure SMS_71
且当前滑窗与其后一个滑窗的灰度差
Figure SMS_72
时，本实施例认为当 前滑窗包含了划痕的边缘，即当前滑窗所在区域为划痕边缘。
具体的，获取滑窗沿垂直划痕方向滑动时直至沿垂直划痕方向开始滑动到结束滑动时的滑窗数量，并根据滑窗数量、滑窗尺寸及滑窗的滑动方向确定划痕宽度的步骤包括：
需要说明的是，本实施例只需要沿垂直划痕方向滑过一次划痕，就结束滑动，因为，芯片作为非常精密的器件，划痕的产生原因往往是在进行半自动化的机器切割时造成的，故芯片表面的划痕数量较小且划痕方向较为规则统一，不会太过于杂乱无章，故，本实施例认为，划痕的宽度是一致的，即当滑窗沿垂直划痕方向滑过一次划痕，就结束滑动，将这条划痕的划痕宽度作为芯片上划痕的划痕宽度进行后续分析。
其中，灰度差包括：第一灰度差和第二灰度差；将每个滑窗内所有像素点的灰度值 的和值与其相邻的前一个滑窗的所有像素点的灰度值的和值的比值作为第一灰度差；将每 个滑窗内所有像素点的灰度值的和值与其相邻的后一个滑窗的所有像素点的灰度值的和 值的比值作为第二灰度差；将第一灰度差和第二灰度差都大于灰度差阈值的滑窗作为目标 滑窗；直至第一灰度差和第二灰度差都小于灰度差阈值时，得到所有第一灰度差和第二灰 度差都大于灰度差阈值的滑窗数量，即需要说明的是，根据当前滑窗与其前一个滑窗的灰 度差、当前滑窗与其后一个滑窗的灰度差及灰度差阈值判断目标灰度图像中的包含划痕的 滑窗，在本实施例中将包含划痕的滑窗作为目标滑窗，可以得到目标滑窗沿垂直划痕方向 开始滑动到结束滑动时的目标滑窗数量，即该部分目标滑窗反映了走过划痕宽度方向的长 度，故以此来确定划痕宽度，由于设定的滑窗尺寸为
Figure SMS_73
，故，当垂直划痕方向为0°或者90° 时，则说明当前划痕是竖直或水平的，那么滑窗沿着垂直划痕方向滑动时，经过的路线也为 水平或竖直，则此时划痕宽度就是滑窗的数量，故划痕宽度
Figure SMS_74
，当垂直划痕方向不是 0°或者不是90°时，说明划痕为非竖直和非水平的状态，是其他倾斜角度，故滑窗沿着垂直 划痕方向滑动时，经过的路线也是一条非竖直、非水平的直线，则此时划痕的直径不再是滑 窗的数量，而是所有滑窗的对角线的长度，故划痕宽度
Figure SMS_75
=
Figure SMS_76
，其中，
Figure SMS_77
表示垂直划痕方 向。
需要说明的是，由于，使用灰度共生矩阵只能分析出灰度图像中各灰度对之间的频数，根据这一频数反映图像纹理的灰度不均一程度，无法反映出图像中纹理的具体位置以及纹理区域的具体面积大小，且纹理区域的直径直接影响高斯半径的取值，故需要根据划痕区域的直径缩小第一高斯滤波半径的范围，从而精确确定最优高斯滤波半径。
S5、将第一高斯滤波半径与第二高斯滤波半径的均值作为最优高斯滤波半径，以最优高斯滤波半径对目标灰度图像进行高斯滤波处理得到去噪图像，对去噪图像进行边缘检测获得划痕的边缘线，并确定划痕区域。
具体的，由于芯片划痕的产生原因往往是都与半自动化的机器切割时造成的，故芯片表面的划痕数量较小且划痕方向较为规则统一，不会太过于杂乱无章，划痕内部的直径不会发生较大变化，故当滑窗获取到一条划痕宽度后停止滑动，以一条划痕的划痕宽度来进行后续处理，故将第一高斯滤波半径与第二高斯滤波半径的均值作为最优高斯滤波半径。
需要说明的是，将第一高斯滤波半径与第二高斯滤波半径的均值作为最优高斯滤波半径是因为高斯滤波半径是根据灰度共生矩阵的能量特征值获得的粗略半径，该高斯滤波半径相较于划痕宽度较大；虽然整条划痕的绝大多数区域都是均匀宽的，但是划痕的开始端与结束端的宽度还是较窄一些的，所以可能存在获得的半径小于划痕最宽处的半径，故对第一高斯滤波半径与第二高斯滤波半径取均值作为最终的半径大小。
具体的，以最优高斯滤波半径对目标灰度图像进行高斯滤波处理得到去噪图像， 对去噪图像进行边缘检测获得划痕的边缘线，并确定划痕区域的步骤包括：使用sobel算子 计算去噪图像上每个像素点水平和垂直方向上的梯度，使用canny边缘检测获取图像中的 强梯度点，并对强梯度点的最大梯度方向进行保留，其余梯度方向提出，顺着强梯度像素点 的最大梯度方向搜索满足梯度阈值
Figure SMS_78
的像素点进行标记，阈值根据图像自身特征设定，最终 将满足阈值的像素点进行标记为1，最后获得划痕缺陷的边缘线。
综上所述，本发明提供的一种电子元器件表面划痕检测方法，通过灰度共生矩阵对灰度图像中的纹理的粗细进行初步计算得到第一高斯滤波半径，根据纹理确定的高斯滤波半径，其在滤波去噪时更准确，更能保留划痕边缘，其次，结合灰度图像中像素的分布情况，从而获得划痕方向，进而得到划痕的划痕宽度，以划痕的宽度作为第二高斯滤波半径，即进一步提高了滤波去噪时的准确性，最后，根据第一高斯滤波半径和第二高斯滤波半径相结合确定最优高斯滤波半径，根据最优高斯滤波半径对灰度图像进行滤波处理，进而使得利用最优高斯滤波半径进行滤波处理后的图像进行边缘检测，从而提高划痕区域边缘的检测精度，进而确定准确的划痕区域。
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 (9)

1.一种电子元器件表面划痕检测方法，其特征在于，的步骤包括：该方法包括：
获取电子元器件的芯片表面图像及其灰度图像；
对灰度图像进行灰度量化得到目标灰度图像，获取目标灰度图像的不同方向下的灰度共生矩阵，根据不同方向下的灰度共生矩阵获取目标灰度图像的纹理特征的特征值共生矩阵，获取特征值共生矩阵的角二阶矩，根据角二阶矩获取第一高斯滤波半径；
计算目标灰度图像不同方向下的灰度共生矩阵对应的自相关值，根据所有自相关值中的最大自相关值确定划痕方向；
在目标灰度图像内设定滑窗，滑窗沿目标灰度图像从左到右、从上到下方向开始滑动，并计算滑窗与其相邻滑窗之间的灰度差，当灰度差大于预设的灰度差阈值时，将滑窗滑动方向调整为沿垂直划痕方向滑动，直至沿垂直划痕方向滑动时的灰度差大于预设的灰度差阈值时，结束滑动；
获取滑窗沿垂直划痕方向滑动时直至沿垂直划痕方向开始滑动到结束滑动时的滑窗数量，并根据滑窗数量、滑窗尺寸及滑窗的滑动方向确定划痕宽度并作为第二高斯滤波半径；
将第一高斯滤波半径与第二高斯滤波半径的均值作为最优高斯滤波半径，以最优高斯滤波半径对目标灰度图像进行高斯滤波处理得到去噪图像，对去噪图像进行边缘检测获得划痕的边缘线，并确定划痕区域。
2.根据权利要求1所述的一种电子元器件表面划痕检测方法，其特征在于，对灰度图像进行灰度量化得到目标灰度图像的步骤包括：
获取灰度图像的灰度直方图；
对灰度直方图进行均衡化得到均衡化灰度直方图；
获取均衡化灰度直方图中的灰度级进行压缩得到目标灰度图像。
3.根据权利要求1所述的一种电子元器件表面划痕检测方法，其特征在于，根据不同方向下的灰度共生矩阵获取目标灰度图像的纹理特征的特征值共生矩阵的步骤包括：
获取不同方向下的目标灰度图像的灰度共生矩阵；
将所有方向下的灰度共生矩阵中对应位置的频数求均值；
将均值作为纹理特征的特征值并得到特征值共生矩阵。
4.根据权利要求1所述的一种电子元器件表面划痕检测方法，其特征在于，根据特征值共生矩阵的灰度对的频数与灰度级的个数计算特征值共生矩阵的角二阶矩。
5.根据权利要求1所述的一种电子元器件表面划痕检测方法，其特征在于，根据角二阶矩获取第一高斯滤波半径的步骤包括：
获取角二阶矩的倒数；
将不超过角二阶矩的倒数的最大整数作为第一高斯滤波半径。
6.根据权利要求1所述的一种电子元器件表面划痕检测方法，其特征在于，计算目标灰度图像不同方向下的灰度共生矩阵对应的自相关值的公式：
Figure QLYQS_1
/>
式中，
Figure QLYQS_2
表示第/>
Figure QLYQS_3
个方向的灰度共生矩阵的自相关值，/>
Figure QLYQS_4
取/>
Figure QLYQS_5
；
Figure QLYQS_6
表示第/>
Figure QLYQS_7
个方向的灰度共生矩阵的第/>
Figure QLYQS_8
个灰度级的值；
Figure QLYQS_9
表示第/>
Figure QLYQS_10
个方向的灰度共生矩阵的第/>
Figure QLYQS_11
个灰度级值；
K表示灰度级的总数量；
Figure QLYQS_12
表示第/>
Figure QLYQS_13
个方向的灰度共生矩阵的灰度对（/>
Figure QLYQS_14
）的频数；
Figure QLYQS_15
表示第/>
Figure QLYQS_16
个方向的灰度共生矩阵中的第/>
Figure QLYQS_17
行频数的均值；
Figure QLYQS_18
表示第/>
Figure QLYQS_19
个方向的灰度共生矩阵中的第/>
Figure QLYQS_20
列频数的均值；
Figure QLYQS_21
表示第/>
Figure QLYQS_22
个方向的灰度共生矩阵中的第/>
Figure QLYQS_23
行频数的方差；
Figure QLYQS_24
表示第/>
Figure QLYQS_25
个方向的灰度共生矩阵中的第/>
Figure QLYQS_26
列频数的方差。
7.根据权利要求1所述的一种电子元器件表面划痕检测方法，其特征在于，将所有自相关值中的最大自相关值对应的方向作为划痕方向，其中，当最大自相关值大于1个，则将所有最大自相关值对应的方向求均值得到均值方向作为划痕方向。
8.根据权利要求1所述的一种电子元器件表面划痕检测方法，其特征在于，计算滑窗滑动过程中滑窗与其相邻滑窗之间的灰度差，根据灰度差及预设的灰度差阈值确定目标滑窗及目标滑窗数量的步骤包括：
灰度差包括：第一灰度差和第二灰度差；
将每个滑窗内所有像素点的灰度值的和值与其相邻的前一个滑窗的所有像素点的灰度值的和值的比值作为第一灰度差；
将每个滑窗内所有像素点的灰度值的和值与其相邻的后一个滑窗的所有像素点的灰度值的和值的比值作为第二灰度差；
获取第一灰度差和第二灰度差都大于灰度差阈值的滑窗；
直至第一灰度差和第二灰度差都小于灰度差阈值时，得到所有第一灰度差和第二灰度差都大于灰度差阈值的滑窗数量。
9.根据权利要求1所述的一种电子元器件表面划痕检测方法，其特征在于，根据滑窗数量、滑窗尺寸及滑窗的滑动方向确定划痕宽度的步骤包括：
当滑窗的滑动方向以沿目标灰度图像从左到右、从上到下为滑动方向时，将滑窗的边长与滑窗数量的乘积作为划痕宽度；
当滑窗的滑动方向以沿划痕方向为滑动方向时，计算滑窗的边长与滑窗数量的乘积，将乘积与滑动方向的余弦值的比值作为划痕宽度。
CN202310511304.3A 2023-05-09 2023-05-09 一种电子元器件表面划痕检测方法 Active CN116228768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310511304.3A CN116228768B (zh) 2023-05-09 2023-05-09 一种电子元器件表面划痕检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310511304.3A CN116228768B (zh) 2023-05-09 2023-05-09 一种电子元器件表面划痕检测方法

Publications (2)

Publication Number Publication Date
CN116228768A true CN116228768A (zh) 2023-06-06
CN116228768B CN116228768B (zh) 2023-07-21

Family

ID=86587668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310511304.3A Active CN116228768B (zh) 2023-05-09 2023-05-09 一种电子元器件表面划痕检测方法

Country Status (1)

Country Link
CN (1) CN116228768B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757972A (zh) * 2023-08-23 2023-09-15 山东鑫成源服装有限公司 一种抗光影噪声影响的织物缺陷检测方法
CN116843689A (zh) * 2023-09-01 2023-10-03 山东众成菌业股份有限公司 一种菌盖表面破损检测方法
CN117291922A (zh) * 2023-11-27 2023-12-26 浙江日井泵业股份有限公司 一种不锈钢多级泵叶轮缺陷视觉检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110026804A1 (en) * 2009-08-03 2011-02-03 Sina Jahanbin Detection of Textural Defects Using a One Class Support Vector Machine
CN106296665A (zh) * 2016-07-29 2017-01-04 北京小米移动软件有限公司 卡片图像模糊检测方法和装置
CN110930313A (zh) * 2018-09-19 2020-03-27 北京图森未来科技有限公司 在fpga中实现图像双边滤波的方法和装置、fpga
CN113298859A (zh) * 2021-05-26 2021-08-24 中国科学院地理科学与资源研究所 一种基于无人机影像的作物氮肥变量管理方法
CN115100201A (zh) * 2022-08-25 2022-09-23 淄博齐华制衣有限公司 一种阻燃纤维材料的混纺缺陷检测方法
CN115147414A (zh) * 2022-09-01 2022-10-04 南通三信塑胶装备科技股份有限公司 一种双极型功率晶体管表面击穿缺陷检测方法
CN115170484A (zh) * 2022-06-22 2022-10-11 复旦大学 一种激光增材制造工件表面缺陷的表征与分类方法
CN115222741A (zh) * 2022-09-20 2022-10-21 江苏昱恒电气有限公司 一种电缆表面缺陷检测方法
CN115393657A (zh) * 2022-10-26 2022-11-25 金成技术股份有限公司 基于图像处理的金属管材生产异常识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110026804A1 (en) * 2009-08-03 2011-02-03 Sina Jahanbin Detection of Textural Defects Using a One Class Support Vector Machine
CN106296665A (zh) * 2016-07-29 2017-01-04 北京小米移动软件有限公司 卡片图像模糊检测方法和装置
CN110930313A (zh) * 2018-09-19 2020-03-27 北京图森未来科技有限公司 在fpga中实现图像双边滤波的方法和装置、fpga
CN113298859A (zh) * 2021-05-26 2021-08-24 中国科学院地理科学与资源研究所 一种基于无人机影像的作物氮肥变量管理方法
CN115170484A (zh) * 2022-06-22 2022-10-11 复旦大学 一种激光增材制造工件表面缺陷的表征与分类方法
CN115100201A (zh) * 2022-08-25 2022-09-23 淄博齐华制衣有限公司 一种阻燃纤维材料的混纺缺陷检测方法
CN115147414A (zh) * 2022-09-01 2022-10-04 南通三信塑胶装备科技股份有限公司 一种双极型功率晶体管表面击穿缺陷检测方法
CN115222741A (zh) * 2022-09-20 2022-10-21 江苏昱恒电气有限公司 一种电缆表面缺陷检测方法
CN115393657A (zh) * 2022-10-26 2022-11-25 金成技术股份有限公司 基于图像处理的金属管材生产异常识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MENGKUN LI ET AL.: "A Method of Surface Defect Detection of Irregular Industrial Products Based on Machine Vision", 《WIRELESS COMMUNICATIONS AND MOBILE COMPUTING》, pages 1 - 10 *
赵好好: "高分辨率遥感图像城市道路绿化覆盖频谱分析与信息提取研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, pages 028 - 7 *
陈济楠: "基于机器视觉的电子元器件表面缺陷检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 135 - 826 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757972A (zh) * 2023-08-23 2023-09-15 山东鑫成源服装有限公司 一种抗光影噪声影响的织物缺陷检测方法
CN116757972B (zh) * 2023-08-23 2023-10-24 山东鑫成源服装有限公司 一种抗光影噪声影响的织物缺陷检测方法
CN116843689A (zh) * 2023-09-01 2023-10-03 山东众成菌业股份有限公司 一种菌盖表面破损检测方法
CN116843689B (zh) * 2023-09-01 2023-11-21 山东众成菌业股份有限公司 一种菌盖表面破损检测方法
CN117291922A (zh) * 2023-11-27 2023-12-26 浙江日井泵业股份有限公司 一种不锈钢多级泵叶轮缺陷视觉检测方法
CN117291922B (zh) * 2023-11-27 2024-01-30 浙江日井泵业股份有限公司 一种不锈钢多级泵叶轮缺陷视觉检测方法

Also Published As

Publication number Publication date
CN116228768B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN116228768B (zh) 一种电子元器件表面划痕检测方法
CN116309570B (zh) 一种钛合金棒材质量检测方法及系统
CN107678192B (zh) 一种基于机器视觉的Mura缺陷检测方法
CN116452598B (zh) 基于计算机视觉的车桥生产质量快速检测方法及系统
CN108876768B (zh) 导光板暗影缺陷检测方法
CN115690105B (zh) 一种基于计算机视觉的铣刀划痕检测方法
CN115222733A (zh) 基于图像识别的金属构件表面缺陷检测方法
CN109801286B (zh) 一种lcd导光板的表面缺陷检测方法
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
CN115272303B (zh) 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统
CN112991287B (zh) 一种基于全卷积神经网络的自动压痕测量方法
CN115096206B (zh) 一种基于机器视觉的零件尺寸高精度测量方法
CN116165216B (zh) 一种液晶显示屏微划伤瑕疵3d检测方法、系统及计算设备
CN115082477B (zh) 一种基于去反光效果的半导体晶圆加工质量检测方法
CN112200808A (zh) 一种基于局部基尼系数的带钢表面缺陷检测方法
CN116993742A (zh) 基于机器视觉的镍合金轧制缺陷检测方法
CN116612112B (zh) 一种水桶表面缺陷视觉检测方法
CN108805854B (zh) 一种复杂环境下药片快速计数与完整性检测方法
CN116612125B (zh) 基于人工智能的食药品胶囊质量检测方法
CN116563298B (zh) 基于高斯拟合的十字线中心亚像素检测方法
CN117274113A (zh) 基于图像增强的碎硅片清洗效果视觉检测方法
CN113284096B (zh) 一种基于高频信息与轮廓信息的药盒内药板的计数方法
CN111445435A (zh) 一种基于多区块小波变换的无参考图像质量评价方法
Kong et al. Detection of water-stains defects in TFT-LCD based on machine vision
CN109949245B (zh) 十字激光检测定位方法、装置、存储介质及计算机设备

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230825

Address after: 272500 south of west section of Quanhe Avenue, Wenshang County Economic Development Zone, Jining City, Shandong Province

Patentee after: Jining zhongdali Electrical Equipment Co.,Ltd.

Patentee after: JINING TECHNICIAN College

Address before: 272500 south of west section of Quanhe Avenue, Wenshang County Economic Development Zone, Jining City, Shandong Province

Patentee before: Jining zhongdali Electrical Equipment Co.,Ltd.