CN116596905A - 一种集成电路芯片表面缺陷检测方法 - Google Patents
一种集成电路芯片表面缺陷检测方法 Download PDFInfo
- Publication number
- CN116596905A CN116596905A CN202310611343.0A CN202310611343A CN116596905A CN 116596905 A CN116596905 A CN 116596905A CN 202310611343 A CN202310611343 A CN 202310611343A CN 116596905 A CN116596905 A CN 116596905A
- Authority
- CN
- China
- Prior art keywords
- preset
- window
- ratio
- preset window
- difference
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012163 sequencing technique Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种集成电路芯片表面缺陷检测方法。该方法获得集成电路芯片的图像;对图像中每个像素点设置预设窗口,在预设窗口中设定至少两个预设方向,获取预设方向上相邻像素点的相邻颜色差异;将预设方向上相邻颜色差异组合为差异矩阵,进而获取差异灰度共生矩阵;根据差异灰度共生矩阵获取低频成分占比值;将预设窗口中的低频成分占比值排序获得一个序列;根据序列中相邻元素的差异,获取方向生长度;根据方向生长度筛选出最优预设窗口;调节最优预设窗口内的像素值,获得增强图像,对增强图像进行分割,获得缺陷区域。本发明通过确定每个像素点的最优预设窗口,使得对缺陷区域的获取更准确。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种集成电路芯片表面缺陷检测方法。
背景技术
集成电路芯片产业是当今发展最迅速、科技含量最高的产业之一,重要性不言而喻,所以对集成电路芯片进行缺陷检测,筛选出缺陷产品,保证出厂集成电路芯片的可靠性。
传统生产过程中对集成电路芯片表面的缺陷检测主要依靠人工,但人工检测的准确性较低,受外界影响因素较大,且随着劳动时间的增加,准确率会逐渐下降。随着生产技术的不断进步,集成电路芯片的生产速度越来越快,传统的人工检测已经无法满足生产需求。
图像处理技术是一种无损检测技术,已经广泛应用于钢板缺陷检测、木板缺陷检测、纺织品缺陷检测等多个领域。现有方法通过自适应对比度增强算法或高斯滤波等窗口滤波方法对集成电路芯片图像中的缺陷区域进行处理时,窗口尺寸为固定预设值,若窗口的设置不合理,则会导致低频部分与高频部分不能明显的区分开,进而无法对像素点进行准确操作,导致缺陷区域不能被准确的识别,使得缺陷检测不准确。
发明内容
为了解决窗口设置的不合理,导致缺陷检测不准确的技术问题,本发明的目的在于提供一种集成电路芯片表面缺陷检测方法,所采用的技术方案具体如下:
本发明提出了一种集成电路芯片表面缺陷检测方法,方法包括:
获得集成电路芯片的图像;
在所述图像中对每个像素点设置不同尺寸的预设窗口,在每个所述预设窗口中设定至少两个预设方向,获取所述预设方向上的相邻两个像素点在不同颜色分量图像中的通道值差异作为相邻颜色差异;
将每个所述预设方向上的所述相邻颜色差异组合为每个所述预设方向对应的差异矩阵,根据所述差异矩阵获取差异灰度共生矩阵;
根据每个所述差异灰度共生矩阵的行、列和元素,获取对应所述预设方向的低频成分占比值;将每个所述预设窗口中的所有所述低频成分占比值进行排序获得一个序列;
根据所述序列中相邻元素之间的差异,获取所述预设窗口的方向生长度;根据所述方向生长度筛选出每个像素点的最优预设窗口;
对所述最优预设窗口内的像素点进行像素值调节,获得增强图像,对所述增强图像进行分割,获得缺陷区域。
进一步地,所述相邻颜色差异的获取方法,包括:
在预设窗口中的任意一个预设方向上获取相邻像素点之间每个颜色分量的通道值比值,设置通道值比值区间,根据在所述通道值比值区间中的所述通道值比值的数量确定对应预设方向下相邻像素点之间的相邻颜色差异;不同所述数量对应不同的所述相邻颜色差异。
进一步地,所述低频成分占比值的获取方法,包括:
获取所述差异灰度共生矩阵中任意一个元素的横坐标与纵坐标,将所述横坐标与所述纵坐标的乘积作为第一值;
将第一值进行归一化处理后的结果作为对应坐标中的元素的权重;
将所述权重与对应坐标中的元素的乘积作为元素低频度;
将灰度共生矩阵中的所有元素低频度进行累加的结果作为第一结果;
将灰度共生矩阵中的所有元素进行累加的结果作为第二结果;
将第一结果与第二结果的比值作为低频成分占比值。
进一步地,所述序列的获取方法,包括:
将所述低频成分占比值按照所述预设方向的大小进行排序,获得一个序列。
进一步地,所述方向生长度的获取方法,包括:
获取所述序列中任意相邻的两个元素作为一个匹配对,将一种匹配对中的最大值与最小值的比值作为第一比值;
将第一比值与常数1的差值作为低频差异度;
获取低频差异度在Sigmoid函数中的映射值;
计算每个序列中的映射值的均值作为对应预设窗口的方向生长度。
进一步地,所述根据所述方向生长度获取每个像素点的最优预设窗口的方法,包括:
设定最小的预设窗口与最大的预设窗口,根据设定步长依次调整预设窗口,获取每次调整后的预设窗口对应的方向生长度,将最小的方向生长度对应的预设窗口作为最优预设窗口。
进一步地,所述对所述最优预设窗口内的像素点进行像素值调节的方法,包括:
通过自适应对比度增强算法对所述最优预设窗口内的像素点进行像素值调节。
进一步地,所述对所述增强图像进行分割的方法,包括:
使用大津阈值分割算法对所述增强图像进行分割,获得缺陷区域。
本发明具有如下有益效果:
对图像中的每个像素点设置不同尺寸的预设窗口,在每个预设窗口中设定至少两个预设方向,获取预设方向上相邻两个像素点的相邻颜色差异,局部分析预设方向上像素值的变化情况,将每个预设方向上的相邻颜色差异组合为每个预设方向对应的差异矩阵,进而获取差异灰度共生矩阵,方便快速计算出整体预设方向上像素点的变化情况即每个预设方向的低频成分占比值,初步判断预设方向上存在缺陷的可能性;将每个预设窗口中的低频成分占比值进行排序获得一个序列,整体分析预设窗口中像素点的变化情况,因此,根据序列获取预设窗口的方向生长度,确定预设窗口中的低频部分与高频部分,根据低频部分与高频部分的占比初步判断像素点的预设窗口设置的是否合理,能否将预设窗口中的高频部分清晰的划分出来;进而根据方向生长度获取每个像素点的最优预设窗口,使得预设窗口更合理,对像素点的处理更准确;通过对最优预设窗口内的像素点进行处理,使得缺陷区域的像素点更明显,获得增强图像,使得图像中的细节更清晰,进而对增强图像进行分割处理后,准确的获得图像中的缺陷区域。
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集成电路芯片表面缺陷检测方法的流程示意图。
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集成电路芯片表面缺陷检测方法,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集成电路芯片表面缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种集成电路芯片表面缺陷检测方法的流程示意图,该方法包括以下步骤:
步骤S1:获得集成电路芯片的图像。
使用CCD相机在每个集成电路芯片的正上方拍摄采集,获得每个集成电路芯片的图像。
步骤S2:在图像中对每个像素点设置不同尺寸的预设窗口,在每个预设窗口中设定至少两个预设方向,获取预设方向上的相邻两个像素点在不同颜色分量图像中的通道值差异作为相邻颜色差异。
具体的,本发明实施例中图像的颜色空间为RGB,以图像中的每个像素点为中心,设定一个预设窗口,本发明实施例设定的预设窗口大小为31×31,实施者可根据实际情况进行自行设定。RGB颜色空间下的分量图像分别为R、G、B三个通道下的R分量图像、G分量图像和B分量图像。为了更清晰的分析预设窗口中的实际情况,在每个预设窗口中设置不同的预设方向,分析预设方向上像素点的变化情况,进而确实预设窗口中整体像素点的分布情况,初步判断每个预设窗口中是否存在缺陷。本发明实施例在每个预设窗口中设置了6个不同的预设方向,分别为0°、arctan(1/2)、arctan2、90°、-arctan2、-arctan(1/2),实施者可根据实际情况进行自行设定。
对每个预设方向进行分析,首先要确定每个预设方向上的相邻的两个像素点之间的差异,进而获取每个预设方向上的像素点的变化,根据像素点的变化预判预设方向上是否存在缺陷。
优选地,获取每个预设方向上的相邻的两个像素点之间的差异即相邻颜色差异的方法为,在获取预设窗口中的任意一个预设方向上相邻像素点之间每个颜色分量的通道值比值,设置通道值比值区间,根据在通道值比值区间中的通道值比值的数量确定对应预设方向下相邻像素点之间的相邻颜色差异;不同数量对应不同的相邻颜色差异。
作为一个示例,任意选取一个预设窗口作为目标窗口,选取目标窗口中的任意一个预设方向作为目标方向,获取在目标方向上的相邻两个像素点之间的RGB值的差异即相邻颜色差异。在本发明实施例中,考虑到目标窗口内的目标方向上的最后一个像素点不存在下一个相邻的像素点,因此,目标方向上的最后一个像素点不进行处理,即不获取该像素点对应的相邻颜色差异。选取目标方向上相邻的两个像素点分别记为像素点a与像素点b,获取像素点a的RGB值为(r1,g1,b1),像素点b的RGB值为(r2,g2,b2),获取每个分量图像中像素点a与像素点b对应的通道值之间的比值作为通道值比值,分析像素点a与像素点b之间的RGB值的变化情况。分别获取像素点a与像素点b在R分量图像、G分量图像、B分量图像中对应的通道值之间的比值即通道值比值的公式分别为:
式中,result_r为像素点a与像素点b在R分量图像中对应的通道值之间的比值即R通道下的通道值比值;result_g为像素点a与像素点b在G分量图像中对应的通道值之间的比值即G通道下的通道值比值;result_b为像素点a与像素点b在B分量图像中对应的通道值之间的比值即B通道下的通道值比值;r1为像素点a在R分量图像中对应的通道值;r2为像素点b在R分量图像中对应的通道值;g1为像素点a在G分量图像中对应的通道值;g2为像素点b在G分量图像中对应的通道值;b1为像素点a在B分量图像中对应的通道值;b2为像素点b在B分量图像中对应的通道值。
需要说明的是,当result_r、result_g、result_b越接近1时,说明像素点a与像素点b之间的颜色越相同,像素点a与像素点b之间的变化越小。
本发明实施例对通道值比值的误差范围取10%,因此,像素点a与像素点b对应的result_r、result_g、result_b的取值范围均在[0.9,1.1],即通道值比值区间为[0.9,1.1]。计算出的result_r、result_g、result_b中,若三个值均在[0.9,1.1]范围内,则将相邻颜色差异记为3;若两个值在[0.9,1.1]范围内,则将相邻颜色差异记为2;若一个值在[0.9,1.1]范围内,则将相邻颜色差异记为1;若三个值均不在[0.9,1.1]范围内,则将相邻颜色差异记为0。至此,确定像素点a与像素点b之间的相邻颜色差异。
根据获取像素点a与像素点b之间的相邻颜色差异的方法,获取每个预设窗口中的每个预设方向上的相邻两个像素点之间的相邻颜色差异。
步骤S3:将每个预设方向上的相邻颜色差异组合为每个预设方向对应的差异矩阵,根据差异矩阵获取差异灰度共生矩阵。
具体的,以步骤S2中的目标窗口为例,获取目标窗口中的所有像素点在0°、arctan(1/2)、arctan2、90°、-arctan2、-arctan(1/2)六个预设方向上的相邻颜色差异,将每个预设方向上的相邻颜色差异根据对应目标窗口中像素点的位置确定相邻颜色差异构成的矩阵作为差异矩阵,进而获取每个预设方向的差异矩阵。其中,差异矩阵中的元素为0、1、2、3这四个数值,可以反映每个预设方向上RGB值的变化。为了更直观地反映预设方向上RGB值的变化情况,准确分析目标窗口中的缺陷区域,本发明实施例获取每个差异矩阵的差异灰度共生矩阵。因为,差异矩阵中的元素种类为4个,所以,差异灰度共生矩阵为四阶。每个预设窗口有六个预设方向,一个预设方向对应一个差异矩阵,一个差异矩阵对应一个差异灰度共生矩阵,因此,每个预设窗口对应六个四阶差异灰度共生矩阵。
其中,灰度共生矩阵为公知技术,在此不再进行过多赘述。
步骤S4:根据每个差异灰度共生矩阵的行、列和元素,获取对应预设方向的低频成分占比值;将每个预设窗口中的所有低频成分占比值进行排序获得一个序列。
具体的,根据获取的差异灰度共生矩阵,整体分析预设窗口中的低频部分,当低频部分占比越小时,说明预设窗口中的低频部分越少,高频部分越多。预设窗口中的低频部分与高频部分划分的越明显,预设窗口的中心点进行自适应调节越准确。
本发明实施例根据差异灰度共生矩阵获取每个预设方向上的低频成分占比值,根据低频成分占比值,整体分析预设窗口中的像素值的变化情况,确定预设窗口大小是否合理。
优选地,获取低频成分占比值的方法为,获取差异灰度共生矩阵中任意一个元素的横坐标与纵坐标,将横坐标与纵坐标的乘积作为第一值;将第一值进行归一化处理后的结果作为对应坐标中的元素的权重;将权重与对应坐标中的元素的乘积作为元素低频度;将灰度共生矩阵中的所有元素低频度进行累加的结果作为第一结果;将灰度共生矩阵中的所有元素进行累加的结果作为第二结果;将第一结果与第二结果的比值作为低频成分占比值。
作为一个示例,任意选取一个差异灰度共生矩阵作为目标灰度共生矩阵,在目标灰度共生矩阵中,坐标值的大小反映了预设方向上RGB的变化程度,当坐标值越小时,说明对应相邻像素点之间的RGB差异越大;当坐标值越大时,说明对应相邻像素点之间的RGB变化越小。因此,根据目标灰度共生矩阵中每个元素的坐标,获取每个元素对应的低频成分的权重。以目标灰度共生矩阵中的第(i,j)个元素为例,获取第(i,j)个元素的权重pij的公式为:
式中,pij为目标灰度共生矩阵中的第(i,j)个元素的权重;i为目标灰度共生矩阵中的第(i,j)个元素的横坐标;j为目标灰度共生矩阵中的第(i,j)个元素的纵坐标;r为目标灰度共生矩阵的总行数;c为目标灰度共生矩阵的总列数。
需要说明的是,i与j越小,说明对应的相邻像素点之间的RGB值变化越大,相邻像素点之间的差异越大,因此,相邻的两个像素点可能一个为低频部分,一个为高频部分,pij越小,i与j可以为0;在本发明实施例中,r与c为已知数据均为4;因此,pij越小,说明第(i,j)个元素对应的相邻元素为低频部分的可能性越小。
需要说明的是,在其他实施例中也可选择其他对第一值归一化的方法,例如函数映射、极差标准化等方法,在此不做限度。
根据获取目标灰度共生矩阵中的第(i,j)个元素的权重的方法,获取目标灰度共生矩阵中的每个元素的权重。
根据目标灰度共生矩阵中每个元素和对应的权重获取对应预设方向的低频成分占比值,获取目标灰度共生矩阵对应预设方向的低频成分占比值的公式为:
式中,G为目标灰度共生矩阵对应预设方向的低频成分占比值;i为目标灰度共生矩阵中的第(i,j)个元素的横坐标;j为目标灰度共生矩阵中的第(i,j)个元素的纵坐标;r为目标灰度共生矩阵的总行数;c为目标灰度共生矩阵的总列数;pij为目标灰度共生矩阵中的第(i,j)个元素的权重;Mij为目标灰度共生矩阵中的第(i,j)个元素的元素值。
需要说明的是,pij越大,说明对应的相邻两个像素点的相邻颜色差异越大即相邻两个像素点之间的RGB变化越小,G越大;因此,G越大,说明目标灰度共生矩阵对应的预设方向上的像素点的RGB变化越小,间接反映出目标灰度共生矩阵对应的预设方向上存在缺陷区域的可能性越小。
根据获取目标灰度共生矩阵对应的预设方向的低频成分占比值的方法,获取每个差异灰度共生矩阵对应的预设方向的低频成分占比值。
当缺陷区域很规则贯穿某一个预设方向时,只对预设方向上的像素点进行像素值的变化分析,会被规则的缺陷区域所误导,导致不能准确的获取预设窗口中的整体变化情况,因此,本发明实施例将每个预设窗口中的低频成分占比值按照预设方向的大小进行排序,获得一个序列,从而将预设方向联系起来,获取预设方向之间的像素点的变化情况,准确分析整体预设窗口中的像素点的分布情况。
作为一个示例,以步骤S2中的目标窗口为例,获取目标窗口在0°、arctan(1/2)、arctan2、90°、-arctan2、-arctan(1/2)六个预设方向的低频成分占比值分别为:G1,G2,G3,G4,G5,G6。将G1,G2,G3,G4,G5,G6根据预设方向的角度沿着逆时针从小到大进行排序,获得目标窗口对应的序列为:A={G1,G2,G3,G4,G5,G6}。
根据获取目标窗口对应序列的方法,获取每个预设窗口对应的序列。
步骤S5:根据序列中相邻元素之间的差异,获取预设窗口的方向生长度;根据方向生长度筛选出每个像素点的最优预设窗口。
具体的,根据每个预设窗口对应的序列,获取每个预设窗口内的整体RGB值的变化情况作为每个预设窗口的方向生长度,根据方向生长度确定最合理的预设窗口大小。
优选地,获取方向生长度的方法为,获取序列中任意相邻的两个元素作为一个匹配对,将一种匹配对中的最大值与最小值的比值作为第一比值。例如序列为[1,2,3,4],1和4作为序列端点,仅包含一个相邻元素,2和3各自对应两个相邻元素,即一共可获得6个匹配对,因为6个匹配对中包含相同的匹配对,相同的匹配对为同种匹配对,即该序列具有3种匹配对。将第一比值与常数1的差值作为低频差异度;获取低频差异度在Sigmoid函数中的映射值;计算每个序列中的映射值的均值作为对应预设窗口的方向生长度。
作为一个示例,以步骤S2中的目标窗口为例,获取目标窗口对应序列中任意相邻的两个元素作为一种匹配对,根据匹配对中两个元素的大小即相邻两个预设方向上低频成分占比值的大小,获取匹配对的低频差异度的公式为:
式中,s(k)为目标窗口对应序列中第k种匹配对的低频差异度;Gk+1为目标窗口对应序列中第k+1个元素即第k+1个低频成分占比值;Gk为目标窗口对应序列中第k个元素即第k个低频成分占比值;max为取最大值函数;min为取最小值函数。
需要说明的是,第一比值越小,说明相邻两个预设方向上的低频成分占比值越接近,间接反映出目标窗口中存在缺陷的可能性越小,当目标窗口中不存在缺陷时,第一比值/>越趋近于1且稍大于1,s(k)越趋近于0且大于0;当目标窗口中存在缺陷时,目标窗口对应序列的第一比值/>会存在较大的差异,当某一个预设方向上存在缺陷时,对应的低频成分占比值会骤降,导致对应的第一比值远远大于1,s(k)越大;因此,s(k)越大,匹配对之间的差异越大,目标窗口中越可能存在缺陷区域。
根据低频差异度获取目标窗口的方向生长度的公式为;
式中,DRL为目标窗口的方向生长度;m为目标窗口对应序列中元素的数量;e为自然常数;s(k)为目标窗口对应序列中第k种匹配对的低频差异度。
需要说明的是,当目标窗口中不存在缺陷时,目标窗口对应序列的所有s(k)均趋近于0且大于0,映射值越趋近于0,DRL也趋近于0且大于0;当目标窗口中存在缺陷时,目标窗口对应序列的s(k)会存在至少两个远大于0的值,由于Sigmoid函数在0到1的区间内的值变化敏感,当s(k)特别大时,DRL的变化程度越来越小,但DRL整体是越来越大;因此,s(k)与DRL成正比例关系;m在本发明实施例中为定值6。
根据获取目标窗口的方向生长度的方法,获取每个预设窗口的方向生长度。
本发明实施例为了准确的识别集成电路芯片的图像中的缺陷区域,使得在对图像中的缺陷区域进行分割或识别时的准确率更高,对图像中窗口大小选择上存在一定的要求,当窗口内像素点的灰度值分布不均匀时,窗口中的低频部分和高频部分所占比重较为接近,计算得到的窗口中的像素值的均值,距离窗口中的低频部分和高频部分可能都比较远,直接使用像素值的均值作为低频部分,将其余部分作为高频部分进行增强,可能会将低频部分也进行增强,甚至对低频部分的增强要大于对高频部分的增强,最终导致增强效果不理想,达不到预期。另一方面,集成电路芯片比较小,拍摄的图像也比较小,所以使用较大的窗口可能不太合适。且集成电路芯片表面的缺陷类型较多,如果窗口大小不合适,低频部分和高频部分无法准确区分,就无法准确的对高频部分进行增强,因此,窗口大小的选择至关重要。
优选地,获取最优预设窗口的方法为,设定最小的预设窗口与最大的预设窗口,根据设定步长依次调整预设窗口,获取每次调整后的预设窗口对应的方向生长度,将最小的方向生长度对应的预设窗口作为最优预设窗口。
本发明实施例将最小的预设窗口设置为31×31,将最大的预设窗口设置为51×51,每次调整预设窗口的步长为2,每调整一次预设窗口都有对应的方向生长度,在最小的预设窗口和最大的预设窗口范围内选取最小的方向生长度对应的预设窗口作为最优预设窗口,若最小的方向生长度有多个,则选取最小的方向生长度对应的所有预设窗口中的最大的预设窗口作为最优预设窗口。进而获取图像中每个像素点对应的最优预设窗口。
步骤S6:对最优预设窗口内的像素点进行像素值调节,获得增强图像,对增强图像进行分割,获得缺陷区域。
具体的,最优预设窗口对应低频部分最大,本发明实施例通过自适应对比度增强算法对最优预设窗口对应像素点的像素值进行调节,使得最优预设窗口对应像素点的效果增强,图像中的细节更清晰,缺陷区域识别的更准确。其中,自适应对比度增强算法的核心思想是为了避免低频部分的干扰,采用局部的增强方法,可有效增强低对比度图像的梯度。
需要说明的是,自适应对比度增强算法为本领域技术人员熟知的技术手段,自适应对比度增强算法是将图像分为两部分进行分别处理,完成之后重组得到输出图,即将一幅图像分成两个部分:一是低频部分,可以通过图像的低通滤波获得;二是高频部分,可以由原图减去低频部分得到。本发明实施例中第一部分是将集成电路芯片的灰度图像进行均值滤波平滑处理后,得到低频部分;第二部分是通过集成电路芯片的灰度图像减去低频部分图像,得到的结果称为高频部分。对高频部分图像进行增强,将第一、第二部分的图像进行重新组合,得到算法的输出结图。
自适应对比度增强算法的主要步骤如下:
(1)计算以集成电路芯片的灰度图像中第i行第j列像素点为中心,窗口大小为(2n+1)×(2n+1)内所有像素点的灰度值的均值及方差。
(2)对高频部分进行增强。
一般使用全局标准差与局部标准差的比值作为增益系数,将均值近似的部分认为是背景部分,与均值做差的部分则认为是高频细节部分,像素点的新的灰度值的获取公式如下:
式中,f(i,j)为集成电路芯片的灰度图像中第i行第j列的像素点的灰度值经过增强后得到的新灰度值,D为常数,经验选择为全局标准差,mx(i,j)为以集成电路芯片的灰度图像中第i行第j列像素点为中心,窗口大小为(2n+1)×(2n+1)内所有像素点的灰度值的均值,σx(i,j)为局部标准差,即窗口内像素点的灰度值的标准差。
根据像素点的新灰度值,使得高频部分与均值之间的差异更大,即灰度差更大,反映到图像中代表着细节部分更加清晰。需要说明的是,因为自适应对比度增强算法为本领域技术人员熟知的技术手段,因此具体实现细节不再赘述。
通过自适应对比度增强算法对图像中的像素点进行处理后,获取增强图像,使用大津阈值分割算法对增强图像进行分割,准确的获得图像中的缺陷区域。
至此,本发明完成。
综上所述,本发明实施例获得集成电路芯片的图像;对图像中每个像素点设置预设窗口,在预设窗口中设定至少两个预设方向,获取预设方向上相邻像素点的相邻颜色差异;将预设方向上相邻颜色差异组合为差异矩阵,进而获取差异灰度共生矩阵;根据差异灰度共生矩阵获取低频成分占比值;将预设窗口中的低频成分占比值排序获得一个序列;根据序列中相邻元素的差异,获取方向生长度;根据方向生长度筛选出最优预设窗口;调节最优预设窗口内的像素值,获得增强图像,对增强图像进行分割,获得缺陷区域。本发明通过确定每个像素点的最优预设窗口,使得对缺陷区域的获取更准确。
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 (8)
1.一种集成电路芯片表面缺陷检测方法,其特征在于,该方法包括以下步骤:
获得集成电路芯片的图像;
在所述图像中对每个像素点设置不同尺寸的预设窗口,在每个所述预设窗口中设定至少两个预设方向,获取所述预设方向上的相邻两个像素点在不同颜色分量图像中的通道值差异作为相邻颜色差异;
将每个所述预设方向上的所述相邻颜色差异组合为每个所述预设方向对应的差异矩阵,根据所述差异矩阵获取差异灰度共生矩阵;
根据每个所述差异灰度共生矩阵的行、列和元素,获取对应所述预设方向的低频成分占比值;将每个所述预设窗口中的所有所述低频成分占比值进行排序获得一个序列;
根据所述序列中相邻元素之间的差异,获取所述预设窗口的方向生长度;根据所述方向生长度筛选出每个像素点的最优预设窗口;
对所述最优预设窗口内的像素点进行像素值调节,获得增强图像,对所述增强图像进行分割,获得缺陷区域。
2.如权利要求1所述的一种集成电路芯片表面缺陷检测方法,其特征在于,所述相邻颜色差异的获取方法,包括:
在预设窗口中的任意一个预设方向上获取相邻像素点之间每个颜色分量的通道值比值,设置通道值比值区间,根据在所述通道值比值区间中的所述通道值比值的数量确定对应预设方向下相邻像素点之间的相邻颜色差异;不同所述数量对应不同的所述相邻颜色差异。
3.如权利要求1所述的一种集成电路芯片表面缺陷检测方法,其特征在于,所述低频成分占比值的获取方法,包括:
获取所述差异灰度共生矩阵中任意一个元素的横坐标与纵坐标,将所述横坐标与所述纵坐标的乘积作为第一值;
将第一值进行归一化处理后的结果作为对应坐标中的元素的权重;
将所述权重与对应坐标中的元素的乘积作为元素低频度;
将灰度共生矩阵中的所有元素低频度进行累加的结果作为第一结果;
将灰度共生矩阵中的所有元素进行累加的结果作为第二结果;
将第一结果与第二结果的比值作为低频成分占比值。
4.如权利要求1所述的一种集成电路芯片表面缺陷检测方法,其特征在于,所述序列的获取方法,包括:
将所述低频成分占比值按照所述预设方向的大小进行排序,获得一个序列。
5.如权利要求1所述的一种集成电路芯片表面缺陷检测方法,其特征在于,所述方向生长度的获取方法,包括:
获取所述序列中任意相邻的两个元素作为一个匹配对,将一种匹配对中的最大值与最小值的比值作为第一比值;
将第一比值与常数1的差值作为低频差异度;
获取低频差异度在Sigmoid函数中的映射值;
计算每个序列中的映射值的均值作为对应预设窗口的方向生长度。
6.如权利要求1所述的一种集成电路芯片表面缺陷检测方法,其特征在于,所述根据所述方向生长度获取每个像素点的最优预设窗口的方法,包括:
设定最小的预设窗口与最大的预设窗口,根据设定步长依次调整预设窗口,获取每次调整后的预设窗口对应的方向生长度,将最小的方向生长度对应的预设窗口作为最优预设窗口。
7.如权利要求1所述的一种集成电路芯片表面缺陷检测方法,其特征在于,所述对所述最优预设窗口内的像素点进行像素值调节的方法,包括:
通过自适应对比度增强算法对所述最优预设窗口内的像素点进行像素值调节。
8.如权利要求1所述的一种集成电路芯片表面缺陷检测方法,其特征在于,所述对所述增强图像进行分割的方法,包括:
使用大津阈值分割算法对所述增强图像进行分割,获得缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310611343.0A CN116596905A (zh) | 2023-05-29 | 2023-05-29 | 一种集成电路芯片表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310611343.0A CN116596905A (zh) | 2023-05-29 | 2023-05-29 | 一种集成电路芯片表面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596905A true CN116596905A (zh) | 2023-08-15 |
Family
ID=87607968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310611343.0A Pending CN116596905A (zh) | 2023-05-29 | 2023-05-29 | 一种集成电路芯片表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596905A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805313A (zh) * | 2023-08-21 | 2023-09-26 | 山东大拇指喷雾设备有限公司 | 一种喷雾机喷头的缺陷检测方法 |
CN117058143A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市合成快捷电子科技有限公司 | 一种电路板引脚智能检测方法及系统 |
CN117765051A (zh) * | 2024-01-10 | 2024-03-26 | 济宁市市政园林养护中心 | 一种园林绿化养护监测预警系统及方法 |
CN117876367A (zh) * | 2024-03-11 | 2024-04-12 | 惠州威尔高电子有限公司 | 一种用于电路板印刷的曝光优化方法 |
CN117876367B (zh) * | 2024-03-11 | 2024-06-07 | 惠州威尔高电子有限公司 | 一种用于电路板印刷的曝光优化方法 |
-
2023
- 2023-05-29 CN CN202310611343.0A patent/CN116596905A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805313A (zh) * | 2023-08-21 | 2023-09-26 | 山东大拇指喷雾设备有限公司 | 一种喷雾机喷头的缺陷检测方法 |
CN116805313B (zh) * | 2023-08-21 | 2023-12-01 | 山东大拇指喷雾设备有限公司 | 一种喷雾机喷头的缺陷检测方法 |
CN117058143A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市合成快捷电子科技有限公司 | 一种电路板引脚智能检测方法及系统 |
CN117058143B (zh) * | 2023-10-12 | 2024-01-26 | 深圳市合成快捷电子科技有限公司 | 一种电路板引脚智能检测方法及系统 |
CN117765051A (zh) * | 2024-01-10 | 2024-03-26 | 济宁市市政园林养护中心 | 一种园林绿化养护监测预警系统及方法 |
CN117765051B (zh) * | 2024-01-10 | 2024-06-07 | 济宁市市政园林养护中心 | 一种园林绿化养护监测预警系统及方法 |
CN117876367A (zh) * | 2024-03-11 | 2024-04-12 | 惠州威尔高电子有限公司 | 一种用于电路板印刷的曝光优化方法 |
CN117876367B (zh) * | 2024-03-11 | 2024-06-07 | 惠州威尔高电子有限公司 | 一种用于电路板印刷的曝光优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116596905A (zh) | 一种集成电路芯片表面缺陷检测方法 | |
CN115187548A (zh) | 一种基于人工智能的机械零件缺陷检测方法 | |
CN114842027A (zh) | 基于灰度共生矩阵的织物疵点分割方法和系统 | |
US20060159333A1 (en) | Image defect inspection method, image defect inspection apparatus, and appearance inspection apparatus | |
US7336815B2 (en) | Image defect inspection method, image defect inspection apparatus, and appearance inspection apparatus | |
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 | |
CN112330628A (zh) | 一种金属工件表面缺陷图像检测方法 | |
CN112465743B (zh) | 一种周期性结构质量检测方法 | |
CN110781913B (zh) | 一种拉链布带缺陷检测方法 | |
CN116912248B (zh) | 基于计算机视觉的不规则五金件表面缺陷检测方法 | |
CN117252882B (zh) | 一种气缸盖质量检测方法及系统 | |
CN114612345B (zh) | 一种基于图像处理的光源检测方法 | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及系统 | |
US6577775B1 (en) | Methods and apparatuses for normalizing the intensity of an image | |
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 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN108550140B (zh) | 一种面向图像集的置信度一致性增强质量评价方法 | |
CN115049651B (zh) | 一种钣金冲压异常检测方法 | |
US6714670B1 (en) | Methods and apparatuses to determine the state of elements | |
CN109961432A (zh) | 一种滤布破损的检测方法和系统 | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及系统 | |
CN117557820A (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN116883412B (zh) | 一种石墨烯远红外电热设备故障检测方法 | |
JP2002090308A (ja) | 画像処理を用いた鋼材表面の劣化度評価システム | |
CN114088714A (zh) | 一种谷物颗粒表面规则度的检测方法 |
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 |