CN116485832A - 用于废硅片回收的不均布流体杂质边缘精准检测方法 - Google Patents

Abstract

本申请涉及图像处理技术领域，提供了一种用于废硅片回收的不均布流体杂质边缘精准检测方法，该方法分析获得废硅片图像中每个像素点的位置分布程度；对废硅片图像中的所有像素点进行DBSCAN聚类，得到多个聚类类别；然后根据像素点所属的聚类类别的灰度分布特征和边缘分布情况，对应获得像素点的局部高亮特征和不规则纹理分布影响特征；获得像素点的校正权重；根据像素点的校正权重，进行自适应亚像素边缘检测，得到亚像素边缘。本申请避免了废硅片在进行亚像素边缘检测过程中会受到多晶硅片表面不规律的纹理和流体杂质的影响导致亚像素边缘获取不准确的问题，计算得到的亚像素边缘结果更加准确。

Description

用于废硅片回收的不均布流体杂质边缘精准检测方法

技术领域

本申请涉及图像处理技术领域，尤其涉及一种用于废硅片回收的不均布流体杂质边缘精准检测方法。

背景技术

多晶硅片是一种半导体材料，由许多小的单晶硅片组成，在太阳能、电子和半导体产业中有着广泛的应用。废硅片是在半导体生产过程中被切割或者加工后剩余的废料硅片。硅的开采与提炼过程耗能严重、不可持续；另外，若废硅片未妥善处理，会对土壤、水源等环节造成污染，因此对于废硅片的回收可以实现资源再利用、保护环境、降低生产成本等，具有一定的经济价值和环保意义。

废硅片在生产、加工和运输过程中可能会受到流体杂质的污染，流体杂质包括油污、有机溶剂、硅片腐蚀光刻胶等。因此在废硅片回收过程中，需要将废硅片上的流体杂质进行检测，以便提高再利用质量，防止环境污染。传统的废硅片流体杂质检测是根据Canny边缘检测得到流体杂质的边缘分布，但是受到多晶硅片表面有着不规则的纹理和流体杂质分布不均匀的影响，导致无法得到准确的流体杂质边缘。为了准确获取精细边缘往往还采用亚像素边缘检测方法通过对亚像素边缘进行定位得到流体杂质的边缘分布，但这同样会受到多晶硅片表面不规律的纹理和流体杂质的影响，使得亚像素边缘获取不准确。

发明内容

本申请提供了一种用于废硅片回收的不均布流体杂质边缘精准检测方法，以得到准确的流体杂质边缘。

根据本申请实施例的第一方面，提供了一种用于废硅片回收的不均布流体杂质边缘精准检测方法，所述方法包括：

采集获得废硅片图像；

对废硅片图像进行Canny边缘检测，得到多个边缘像素点；

计算边缘像素点表征为阴影区域分布的特征程度，获得阴影区域分布的边缘像素点；

分析阴影区域分布的边缘像素点，获得废硅片图像中每个像素点的位置分布程度；

对废硅片图像中的所有像素点进行DBSCAN聚类，得到多个聚类类别；

根据像素点所属的聚类类别的灰度分布特征，获得像素点的局部高亮特征；

根据像素点所属的聚类类别的边缘分布情况，获得像素点的不规则纹理分布影响特征；

根据像素点的阴影分布程度、像素点的局部高亮特征和像素点的不规则纹理分布影响特征，获得像素点的校正权重；

根据像素点的校正权重，进行自适应亚像素边缘检测，得到亚像素边缘。

在本发明的一些实施例中，所述方法还包括：

分析不同废硅片得到的亚像素边缘，得到亚像素点边缘构成的连通域形状和连通域的灰度均值；

将所述连通域形状和所述连通域的灰度均值输入到神经网络模型中，进行杂质的识别。

在本发明的一些实施例中，计算边缘像素点表征为阴影区域分布的特征程度，获得阴影区域分布的边缘像素点，包括：

第个边缘像素点与最近的边缘像素点相连接，得到对应的边缘像素点曲线；

以废硅片图像行方向为0°，根据曲线的起始点和终点相连的直线确定的方向，获 取曲线方向的走向；

计算边缘像素点表征为阴影区域分布的特征程度，计算方法为：

式中，表示第个边缘像素点表征为阴影区域分布的特征程度，表示第个 边缘像素点与其具有关联的边缘像素点的数量，表示第个边缘像素点的窗口内 的根据方向为的直线分割开的像素点中灰度均值较小的那一面的灰度均值；表 示废硅片图像中最小的灰度值；表示第个边缘像素点中第个关联边缘像素点的窗口内的根据方向为的直线分割开的像素点中灰度均值较小的那一面的灰度均 值；表示以自然常数为底数的指数函数；表示第个边缘像素点邻域 信息权重值；

判断是否大于等于第二预设阈值，若是，则表明该边缘像素点为阴影区域分布 的边缘像素点。

在本发明的一些实施例中，第个边缘像素点与最近的边缘像素点相连接，得到对 应的边缘像素点曲线，包括：

第个边缘像素点与最近的边缘像素点相连接，计算相邻边缘像素点的斜率值的 变化情况，其中边缘像素点的斜率值为相连边缘像素点曲线的斜率值，表示前一个边缘像素点的斜率值，表示后一个边缘像素点的斜率值，表示以自 然常数为底数的指数函数；

判断斜率值的变化情况是否大于等于第一预设阈值，若是，继续链接最近的边缘像素点，得到对应的边缘像素点曲线；否则停止继续连接。

在本发明的一些实施例中，分析阴影区域分布的边缘像素点，获得废硅片图像中每个像素点的位置分布程度，包括：

分析阴影区域分布的边缘像素点，获得废硅片图像中每个像素点的阴影分布程度，计算方法为：

式中，表示第个像素点的阴影分布程度；表示第像素点的灰度值，表示 距离最近的第个的阴影区域分布点的灰度值，表示距离最近的第个的阴影区域 分布点的阴影区域分布的特征程度，表示softmax归一化函数；

根据像素点的阴影分布程度，获得废硅片图像中每个像素点的位置分布程度，计算方法为：

式中，表示第的距离最近的第个的阴影区域分布点直线的倾斜角 度。

在本发明的一些实施例中，所述像素点的局部高亮特征，计算方法为：

式中，第个表示像素点的局部高亮特征，表示第个像素点的灰度值；表示第个像素点所属类别的像素点的灰度值最大值；表示第个像素点与 其所属类别的像素点的灰度值最大值对应的像素点之间的欧式距离均值。

在本发明的一些实施例中，所述像素点的不规则纹理分布影响特征，计算方法为：

式中，表示第个像素点的不规则纹理分布影响特征；表示第个像素点所属类 别的边缘像素点的个数，表示第个像素点所属类别的第个边缘像素点的链码序列值，表示第个像素点所属类别的第个边缘像素点的链码序列值。

在本发明的一些实施例中，所述像素点的校正权重，计算方法为：

式中，表示第个像素点的线性归一化后的位置分布程度值；表示第个像素 点的局部高亮特征；表示第个像素点的不规则纹理分布影响特征。

由以上实施例可见，本申请实施例提供的用于废硅片回收的不均布流体杂质边缘精准检测方法，具有的有益效果如下：

本案基于亚像素边缘检测结果来获取准确的流体杂质边缘。其中通过Canny边缘检测得到的初始边缘，根据不同阴影区域的分布来表征不同位置的废硅片的位置分布了来获取废硅片的位置分布程度来表征废硅片受到的光照的影响，并结合受到不同光照影响程度，综合分析每个像素点的的局部高亮特征以及不规则纹理分布影响特，进而得到每个像素点的校正权重。避免了废硅片在进行亚像素边缘检测过程中会受到多晶硅片表面不规律的纹理和流体杂质的影响导致亚像素边缘获取不准确的问题，计算得到的亚像素边缘结果更加准确。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请实施例提供的一种用于废硅片回收的不均布流体杂质边缘精准检测方法基本流程示意图；

图2为本申请实施例提供的一种获得阴影区域分布的边缘像素点方法基本流程示意图；

图3为本申请实施例提供的一种获得废硅片图像中每个像素点的位置分布程度方法基本流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面将结合附图，对本实施例提供的用于废硅片回收的不均布流体杂质边缘精准检测方法进行详细介绍。

图1为本申请实施例提供的一种用于废硅片回收的不均布流体杂质边缘精准检测方法基本流程示意图。如图1所示，该方法具体包括如下步骤：

步骤100：采集获得废硅片图像。

由于多晶硅片本身呈现深色，并且流体杂质的颜色也呈现深色，并且废硅片之间是无序的堆叠在一起的，因此在废硅片的流体杂质检测过程中通过光源打光来采集废硅片图像。废硅片图像采集系统包括光源、支架、置物台、高清工业相机等，通过设置的废硅片图像采集系统来采集获得废硅片图像。

步骤200：对废硅片图像进行Canny边缘检测，得到多个边缘像素点。

首先对采集的废硅片图像进行Canny边缘检测，得到多个边缘像素点，边缘像素点中存在为阴影区域的边缘、废硅片边缘以及对应的废硅片表面的不规则的纹理边缘等多种边缘像素点。

步骤300：计算边缘像素点表征为阴影区域分布的特征程度，获得阴影区域分布的边缘像素点。

废硅片之间是无序堆叠的，对应的即为废硅片图像中废硅片的姿势或位置分布程度不同，进而造成了光照影响程度不同，以及阴影区域的分布不同。而采集的废硅片图像中，不同姿势或倾斜程度的废硅片之间会产生不同的阴影区域，由于阴影区域仅为不同废硅片边缘造成的而非纹理造成的，因此本申请首先通过计算由Canny边缘检测得到的初始边缘像素点为阴影区域分布的特征程度，判断边缘像素点是否属于阴影区域，获得阴影区域分布的边缘像素点和阴影区域分布，进而根据不同阴影区域的分布来表征不同位置的废硅片的位置分布。

图2为本申请实施例提供的一种获得阴影区域分布的边缘像素点方法基本流程示意图，如图2所示，在本发明的一些实施例中，计算边缘像素点表征为阴影区域分布的特征程度，获得阴影区域分布的边缘像素点，包括：

步骤301：第个边缘像素点与最近的边缘像素点相连接，得到对应的边缘像素点 曲线。

第个边缘像素点与最近的边缘像素点相连接，计算相邻边缘像素点的斜率值的 变化情况，其中边缘像素点的斜率值为相连边缘像素点曲线的斜率值，表示前一个边缘像素点的斜率值，表示后一个边缘像素点的斜率值，表示以自 然常数为底数的指数函数。判断斜率值的变化情况是否大于等于第一预设阈值，若是，继续 连接最近的边缘像素点，得到对应的边缘像素点曲线，则对应的曲线上边缘像素点即为与 第个边缘像素点具有关联的边缘像素点；否则停止继续连接。其中，本申请的一些实施例 中可以设定为0.35，第一预设阈值可根据实施者具体实施情况而定，本申请给出的为经验 参考值。

步骤302：以废硅片图像行方向为0°，根据曲线的起始点和终点相连的直线确定的 方向，获取曲线方向的走向。

步骤303：计算边缘像素点表征为阴影区域分布的特征程度，计算方法为：

式中，表示第个边缘像素点表征为阴影区域分布的特征程度，表示第个 边缘像素点与其具有关联的边缘像素点的数量，表示第个边缘像素点的窗口内 的根据方向为的直线分割开的像素点中灰度均值较小的那一面的灰度均值；表 示废硅片图像中最小的灰度值；表示第个边缘像素点中第个关联边缘像素点的窗口内的根据方向为的直线分割开的像素点中灰度均值较小的那一面的灰度均 值；表示以自然常数为底数的指数函数；表示第个边缘像素点邻域 信息权重值。

若第个边缘像素点的邻域信息权重值越小，表明该边缘像素点的邻域灰度值变 化更接近于阴影区域；若边缘像素点与其关联点的邻域中接近阴影区域的灰度值分布越接 近，则该边缘像素点的阴影区域分布的特征程度就越大。

步骤304：判断是否大于等于第二预设阈值，若是，则表明该边缘像素点为阴影 区域分布的边缘像素点。

第二预设阈值可根据实施者具体实施情况而定，本申请给出的为经验参考值。在 本申请的一些实施例中，设置第二预设阈值为0.58，判断是否大于等于第二预设阈值 0.58，若是，则表明该边缘像素点为阴影区域分布的边缘像素点；否则该边缘像素点不是阴 影区域分布的边缘像素点。

步骤400：分析阴影区域分布的边缘像素点，获得废硅片图像中每个像素点的位置分布程度。

阴影区域分布最近之间的点直线相连，该阴影区域分布点直线的特征程度即为直线上点的阴影区域分布的特征程度的均值。通过计算废硅片图像中每个像素点与其距离最近5个的阴影区域分布点的特征以及阴影区域分布点直线相连的角度特征为废硅片图像中所有像素点进行位置分布程度的分配。

图3为本申请实施例提供的一种获得废硅片图像中每个像素点的位置分布程度方法基本流程示意图，如图3所示，在本发明的一些实施例中，分析阴影区域分布的边缘像素点，获得废硅片图像中每个像素点的位置分布程度，包括以下步骤：

步骤401：分析阴影区域分布的边缘像素点，获得废硅片图像中每个像素点的阴影分布程度。

废硅片图像中每个像素点的阴影分布程度，计算方法为：

式中，表示第个像素点的阴影分布程度；表示第像素点的灰度值，表示 距离最近的第个的阴影区域分布点的灰度值，表示距离最近的第个的阴影区域 分布点的阴影区域分布的特征程度，表示softmax归一化函数。

步骤402：根据像素点的阴影分布程度，获得废硅片图像中每个像素点的位置分布程度。

废硅片图像中每个像素点的位置分布程度，计算方法为：

式中，表示第的距离最近的第个的阴影区域分布点直线的倾斜角 度。其中，角度在0-180°范围内，若角度大于90度，则；若角度小于 90度，则，其中为直线的角度。

需要说明的是，位置分布程度根据废硅片图像中每个像素点最近的5个阴影区域分布点的阴影分布程度来表征，若像素点的灰度值与阴影区域分布的像素点的灰度值接近，则表示分配阴影分布程度时，就越接近该阴影区域分布点。同时阴影区域分布点的直线的分布角度体现在分倾斜分布角度，若分倾斜分布角度越大，则表明像素点的位置分布程度就越大，其中本申请采用L2范数特征组合的方式得到位置分布程度。

步骤500：对废硅片图像中的所有像素点进行DBSCAN聚类，得到多个聚类类别。

对废硅片图像中的所有像素点进行DBSCAN聚类，将像素点的灰度值相似、位置分布程度相似的像素点进行聚类分析，其中minPts为5，半径为6，即以灰度值、位置分布程度为聚类条件进行聚类得到的结果，该方法为公知技术，在本案中不再赘述。至此得到废硅片图像中多个聚类类别。

步骤600：根据像素点所属的聚类类别的灰度分布特征，获得像素点的局部高亮特征。

其中流体杂质本身分布特征表征的为流体杂质局部高亮特征，流体杂质局部高亮 特征为同一个类别上像素点的灰度分布特征来表征。本申请以第个像素点为例进行分析， 计算第个像素点到其所属类别中灰度值最大的像素点越接近，则该像素点的局部高亮特 征越明显，对应的该像素点表征的流体杂质本身分布特征较大，其中第个像素点的局部高 亮特征的计算方法为：

式中，第个表示像素点的局部高亮特征，表示第个像素点的灰度值；表示第个像素点所属类别的像素点的灰度值最大值；表示第个像素点与 其所属类别的像素点的灰度值最大值对应的像素点之间的欧式距离均值。

步骤700：根据像素点所属的聚类类别的边缘分布情况，获得像素点的不规则纹理分布影响特征。

废硅片本身的不规则纹理相较于流体杂质的形态区别：流体杂质属于光滑圆润 的，而废硅片的不规则纹理属于硅片上的分块状的，可以理解为不规则的纹理相较于流体 杂质在边缘分布上是较为尖锐的，因此同样以第个像素点所属整个类别的边缘分布情况， 其中采用8-链码的方式生成对应的边缘序列，其中边缘序列变化的越尖锐，则表明边缘序 列中连续的链码数值相差较大，因此第个像素点的不规则纹理分布影响特征的计算方 法为：

式中，表示第个像素点的不规则纹理分布影响特征；表示第个像素点所属类 别的边缘像素点的个数，表示第个像素点所属类别的第个边缘像素点的链码序列值，表示第个像素点所属类别的第个边缘像素点的链码序列值。

步骤800：根据像素点的阴影分布程度、像素点的局部高亮特征和像素点的不规则纹理分布影响特征，获得像素点的校正权重。

根据步骤400得到的每个像素点的位置分布程度，位置分布程度体现的废硅片的位置特征，同样该特征表征的为废硅片受到的光照的影响，其中受到光照影响越大，表面流体杂质由于光照造成的局部高亮（流体杂质凸起）的程度就越大，则废硅片像素点的所表征的校正权重更受到流体杂质本身分布特征的影响；若受到光照影响越小，废硅片像素点的所表征的校正权重更受到废硅片本身的不规则纹理的影响。

根据像素点的阴影分布程度、像素点的局部高亮特征和像素点的不规则纹理分布 影响特征，获得像素点的校正权重，综合计算得到，第个像素点的校正权重的计算方法 的计算方法为：

式中，表示第个像素点的校正权重；表示第个像素点的线性归一化后的位 置分布程度值，其中，在废硅片图像中像素点所属类别内进行线性归一化；表示第个像 素点的局部高亮特征；表示第个像素点的不规则纹理分布影响特征。

步骤900：根据像素点的校正权重，进行自适应亚像素边缘检测，得到亚像素边缘。

根据上述步骤计算得到每个像素点的校正权重值，在进行亚像素边缘检测过程中，通过Canny边缘检测得到的初始边缘中每个像素点的3×3邻域范围内的所有像素点的校正权重值进行分析，对得到邻域内像素点的校正权重值进行线性归一化处理，去除小于0.3的像素点后重新计算梯度幅值和方向，进而得到亚像素边缘检测结果，得到亚像素边缘，其中亚像素边缘检测为公知技术，在本案中不再赘述。

步骤1000：分析不同废硅片得到的亚像素边缘，得到亚像素点边缘构成的连通域形状和连通域的灰度均值；

步骤1100：将所述连通域形状和所述连通域的灰度均值输入到神经网络模型中，进行杂质的识别。

根据废硅片图像中得到的亚像素边缘形状以及废硅片图像的灰度值特征，输入到神经网络模型中，进行杂质的识别。其中使用的神经网络模型为DNN网络，数据集为采集的废硅片图像以及对应的特征结果，采用人工标注的方式进行标注，网络的损失函数为交叉熵函数。

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。

需要说明的是，除非另有规定和限定，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，而不一定要求或暗示这些实体或操作之间存在任何这种实际的关系或顺序。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电路结构、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物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。另外，本文使用的术语“和\或”包括一个或多个相关的所列项目的任一的和所有的组合。

本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (8)

1.一种用于废硅片回收的不均布流体杂质边缘精准检测方法，其特征在于，所述方法包括：

采集获得废硅片图像；

对废硅片图像进行Canny边缘检测，得到多个边缘像素点；

计算边缘像素点表征为阴影区域分布的特征程度，获得阴影区域分布的边缘像素点；

分析阴影区域分布的边缘像素点，获得废硅片图像中每个像素点的位置分布程度；

对废硅片图像中的所有像素点进行DBSCAN聚类，得到多个聚类类别；

根据像素点所属的聚类类别的灰度分布特征，获得像素点的局部高亮特征；

根据像素点所属的聚类类别的边缘分布情况，获得像素点的不规则纹理分布影响特征；

根据像素点的阴影分布程度、像素点的局部高亮特征和像素点的不规则纹理分布影响特征，获得像素点的校正权重；

根据像素点的校正权重，进行自适应亚像素边缘检测，得到亚像素边缘。

2.根据权利要求1所述的用于废硅片回收的不均布流体杂质边缘精准检测方法，其特征在于，所述方法还包括：

分析不同废硅片得到的亚像素边缘，得到亚像素点边缘构成的连通域形状和连通域的灰度均值；

将所述连通域形状和所述连通域的灰度均值输入到神经网络模型中，进行杂质的识别。

3.根据权利要求1所述的用于废硅片回收的不均布流体杂质边缘精准检测方法，其特征在于，计算边缘像素点表征为阴影区域分布的特征程度，获得阴影区域分布的边缘像素点，包括：

第个边缘像素点与最近的边缘像素点相连接，得到对应的边缘像素点曲线；

以废硅片图像行方向为0°，根据曲线的起始点和终点相连的直线确定的方向，获取曲线方向的走向；

计算边缘像素点表征为阴影区域分布的特征程度，计算方法为：

式中，表示第/>个边缘像素点表征为阴影区域分布的特征程度，/>表示第/>个边缘像素点与其具有关联的边缘像素点的数量，/>表示第/>个边缘像素点的/>窗口内的根据方向为/>的直线分割开的像素点中灰度均值较小的那一面的灰度均值；/>表示废硅片图像中最小的灰度值；/>表示第/>个边缘像素点中第/>个关联边缘像素点的3×3窗口内的根据方向为/>的直线分割开的像素点中灰度均值较小的那一面的灰度均值；/>表示以自然常数为底数的指数函数；/>表示第/>个边缘像素点邻域信息权重值；

判断是否大于等于第二预设阈值，若是，则表明该边缘像素点为阴影区域分布的边缘像素点。

4.根据权利要求3所述的用于废硅片回收的不均布流体杂质边缘精准检测方法，其特征在于，第个边缘像素点与最近的边缘像素点相连接，得到对应的边缘像素点曲线，包括：

第个边缘像素点与最近的边缘像素点相连接，计算相邻边缘像素点的斜率值的变化情况/>，其中边缘像素点的斜率值为相连边缘像素点曲线的斜率值，/>表示前一个边缘像素点的斜率值，/>表示后一个边缘像素点的斜率值，/>表示以自然常数为底数的指数函数；

判断斜率值的变化情况是否大于等于第一预设阈值，若是，继续链接最近的边缘像素点，得到对应的边缘像素点曲线；否则停止继续连接。

5.根据权利要求1所述的用于废硅片回收的不均布流体杂质边缘精准检测方法，其特征在于，分析阴影区域分布的边缘像素点，获得废硅片图像中每个像素点的位置分布程度，包括：

分析阴影区域分布的边缘像素点，获得废硅片图像中每个像素点的阴影分布程度，计算方法为：

式中，表示第/>个像素点的阴影分布程度；/>表示第/>像素点的灰度值，/>表示距离最近的第/>个的阴影区域分布点的灰度值，/>表示距离最近的第/>个的阴影区域分布点的阴影区域分布的特征程度，/>表示softmax归一化函数；

根据像素点的阴影分布程度，获得废硅片图像中每个像素点的位置分布程度，计算方法为：

式中，表示第/>的距离最近的第/>个的阴影区域分布点直线的倾斜角度。

6.根据权利要求1所述的用于废硅片回收的不均布流体杂质边缘精准检测方法，其特征在于，所述像素点的局部高亮特征，计算方法为：

式中，第/>个表示像素点的局部高亮特征，/>表示第/>个像素点的灰度值；/>表示第/>个像素点所属类别的像素点的灰度值最大值；/>表示第/>个像素点与其所属类别的像素点的灰度值最大值对应的像素点之间的欧式距离均值。

7.根据权利要求1所述的用于废硅片回收的不均布流体杂质边缘精准检测方法，其特征在于，所述像素点的不规则纹理分布影响特征，计算方法为：

式中，表示第/>个像素点的不规则纹理分布影响特征；/>表示第/>个像素点所属类别的边缘像素点的个数，/>表示第/>个像素点所属类别的第/>个边缘像素点的链码序列值，表示第/>个像素点所属类别的第/>个边缘像素点的链码序列值。

8.根据权利要求1所述的用于废硅片回收的不均布流体杂质边缘精准检测方法，其特征在于，所述像素点的校正权重，计算方法为：

式中，表示第/>个像素点的线性归一化后的位置分布程度值；/>表示第/>个像素点的局部高亮特征；/>表示第/>个像素点的不规则纹理分布影响特征。