CN116664664B - 用于检测衬底暗线长度的方法、电子设备及存储介质 - Google Patents

Abstract

本披露公开了一种用于检测衬底暗线长度的方法、电子设备及存储介质。该方法包括：基于衬底检测图像进行锐化处理，以获得锐化图像；从所述锐化图像中提取出初步暗线区域；提取所述初步暗线区域中的暗线轮廓；基于所述暗线轮廓提取暗线骨架；对所述暗线骨架进行累计概率霍夫变换，以获得暗线线段；以及对所述暗线线段的长度进行检测，以获得暗线长度。本披露实施例能够通过暗线区域的初步定位、暗线轮廓提取和暗线骨架提取等步骤，精准定位出衬底暗线缺陷，并精准测量出暗线长度。该过程无需生产人员对阈值进行实时的适应性调整，系统能够自动化生成准确的暗线长度，降低了生产人员的操作难度，提高了衬底暗线长度的检测效率。

Description

用于检测衬底暗线长度的方法、电子设备及存储介质

技术领域

本披露一般涉及图像处理技术领域。更具体地，本披露涉及一种用于检测衬底暗线长度的方法、电子设备及存储介质。

背景技术

由半导体单晶材料制造而成的晶圆的衬底层可以采用硅、碳化硅、蓝宝石及氮化硅等材料进行制备，衬底制备完成后可以直接进入晶圆制造环节以生产半导体器件，也可以在衬底上进行外延工艺以加工生产外延片。外延工艺是指在经过切、磨、抛等加工步骤后的单晶衬底上生长一层新单晶的过程，新单晶可以与衬底为同一材料，也可以是不同材料。由于新生单晶层按衬底晶相延伸生长，故而被称之为外延层，生长有外延层的衬底则被称为外延片。

受到新生单晶层的生长环境以及外延工艺精度等因素的影响，在外延片边缘上往往会产生形如黑色条状的缺陷，也称为暗线缺陷。该暗线的长度是生产人员评估衬底产品质量的标准，因此为了保障衬底产品质量的稳定性，需要提供准确的暗线长度数据，以辅助生产人员进行衬底生产质量的评判。

然而，现有技术所采用的基于局部自动阈值的提取方法，一方面会受到衬底外延本身厚度不均的影响，会产生定焦不准而导致暗线成像模糊的问题，另一方面会受到光源均一性的影响，导致不同位置的暗线成像过曝或过暗。因此，在使用该方法时，需要对局部自适应阈值的偏移值进行精准调参，提高了生产人员的操作难度。

有鉴于此，亟需提供一种衬底暗线长度的检测方案，以便实现简化阈值偏移的调参过程，实现更加简便高效的暗线长度检测。

发明内容

为了至少解决如上所提到的一个或多个技术问题，本披露在多个方面中提出了衬底暗线长度的检测方案。

在第一方面中，本披露提供一种用于检测衬底暗线长度的方法包括：基于衬底检测图像进行锐化处理，以获得锐化图像；从锐化图像中提取出初步暗线区域；提取初步暗线区域中的暗线轮廓；基于暗线轮廓提取暗线骨架；对暗线骨架进行累计概率霍夫变换，以获得暗线线段；以及对暗线线段的长度进行检测，以获得暗线长度。

在一些实施例中，其中基于衬底检测图像进行锐化，以获得锐化图像包括：提取衬底检测图像中的红色通道图像；以及对红色通道图像进行锐化处理，以获得锐化图像。

在一些实施例中，其中锐化处理包括：计算待锐化图像的黑帽图像，其中待锐化图像包括衬底检测图像或红色通道图像；以及将待锐化图像减去黑帽图像，以获得锐化图像。

在一些实施例中，其中将待锐化图像减去黑帽图像，以获得锐化图像包括：将待锐化图像更新为待锐化图像减去黑帽图像所得的差值图像；以及循环执行锐化处理，直至锐化处理的执行次数达到预设次数后，将最后一次执行锐化处理所得的差值图像作为锐化图像。

在一些实施例中，其中基于暗线轮廓提取暗线骨架包括：根据预设尺寸范围从暗线轮廓中筛选出去噪暗线轮廓，其中预设尺寸范围包括预设面积和/或预设长度；以及提取去噪暗线轮廓的暗线骨架。

在一些实施例中，其中从锐化图像中提取出初步暗线区域包括：对锐化图像进行二值化处理，以得到二值化锐化图像；以及遍历二值化锐化图像的像素点，以将灰度值为0的区域确定为初步暗线区域。

在一些实施例中，其中基于暗线轮廓提取暗线骨架包括：逐一地访问暗线轮廓中的所有像素点；对于访问的当前像素点，判断其邻域像素点是否满足第一标记条件或第二标记条件；响应于邻域像素点满足第一标记条件或第二标记条件，标记当前像素点；判断所有像素点是否已访问完毕；响应于未访问完毕，继续访问当前像素点的下一像素点后再次判断其邻域像素点是否满足第一标记条件或第二标记条件；响应于已访问完毕，判断被标记的像素点的数量是否为0；响应于被标记的像素点的数量不为0，将被标记的像素点删除后再次逐一地访问所有未删除的像素点；以及响应于被标记的像素点的数量为0，将所有未删除的像素点确定为暗线骨架。

在一些实施例中，其中第一标记条件包括：灰度值为255的邻域像素点的数量在预设范围内，邻域像素点按照预设顺序形成的灰度值序列中包含预设数量的预设子序列，上邻域像素点、右邻域像素点和下邻域像素点三者的灰度值乘积为0，以及右邻域像素点、下邻域像素点和左邻域像素点三者的灰度值乘积为0；其中第二标记条件包括：灰度值为255的邻域像素点的数量在预设范围内，邻域像素点按照预设顺序形成的灰度值序列中包含预设数量的预设子序列，上邻域像素点、右邻域像素点和左邻域像素点三者的灰度值乘积为0，以及上邻域像素点、下邻域像素点和左邻域像素点三者的灰度值乘积为0。

在第二方面中，本披露提供一种电子设备包括：处理器；以及存储器，其存储有用于检测衬底暗线长度的程序指令，当程序指令由处理器执行时，使得设备实现根据第一方面任意一项的方法。

在第三方面中，本披露提供一种计算机可读存储介质，其上存储有用于检测衬底暗线长度的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如第一方面任意一项的方法。

通过如上所提供的用于检测衬底暗线长度的方法，本披露实施例通过暗线区域的初步定位、暗线轮廓提取和暗线骨架提取，从锐化后的衬底检测图像中提取出能够表征暗线缺陷的暗线骨架，并通过累计概率霍夫变换识别出暗线骨架中的直线部分，从而精准定位出衬底中的暗线缺陷，并为长度测量提供可靠、清晰的测量依据。该过程无需生产人员对阈值进行实时的适应性调整，系统能够自动化生成准确的暗线长度，降低了生产人员的操作难度，提高了衬底暗线长度的检测效率。

附图说明

通过参考附图阅读下文的详细描述，本披露示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本披露的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1示出了本披露一些实施例的衬底暗线长度的检测方法的示例性流程图；

图2示出了本披露一些实施例的二值化锐化图像的示意图；

图3示出了本披露一些实施例的锐化处理方法的示例性流程图；

图4示出了本披露一些实施例的暗线骨架提取方法的示例性流程图；

图5示出了本披露一些实施例的邻域像素点的示意图；

图6示出了本披露实施例的电子设备的示例性结构框图。

具体实施方式

下面将结合本披露实施例中的附图，对本披露实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本披露一部分实施例，而不是全部的实施例。基于本披露中的实施例，本领域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，都属于本披露保护的范围。

应当理解，本披露的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本披露说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本披露。如在本披露说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本披露说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当... 时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

下面结合附图来详细描述本披露的具体实施方式。

示例性应用场景

受到新生单晶层的生长环境以及外延工艺精度等因素的影响，在外延片边缘上往往会产生形如黑色条状的缺陷，也称为暗线缺陷。

该暗线的长度是生产人员评估衬底产品质量的标准，在半导体产品的生产环节，生产人员需要对衬底进行暗线缺陷检测，并测量暗线长度，从而区分良品和不良品，并基于暗线长度对良品和不良品进行进一步的分类，以保证产品质量的稳定性。

现有技术通常采用基于局部自动阈值的提取方法，这种方法一方面会受到衬底外延本身厚度不均的影响，产生定焦不准而导致暗线成像模糊的问题，另一方面还会受到光源均一性的影响，导致不同位置的暗线成像过曝或过暗。为了提高该方法的准确度，该方法要求生产人员对局部自适应阈值的偏移值进行精准调参，进一步提高了操作难度。

示例性应用方案

有鉴于此，本披露实施例提供了一种衬底暗线长度的检测方案，其通过暗线区域的初步定位、暗线轮廓提取和暗线骨架提取等步骤，无需手动对阈值进行精准调参，就能够从锐化后的衬底检测图像中提取出表征暗线缺陷的暗线骨架，进而基于暗线骨架的直线部分测量出暗线长度数据。

图1示出了本披露一些实施例的衬底暗线长度的检测方法100的示例性流程图。如图1所示，在步骤S101中，基于衬底检测图像进行锐化处理，以获得锐化图像。

在图像处理中，通过锐化处理能够补偿衬底检测图像的轮廓，增加像素之间的对比度，尤其是增强衬底检测图像的边缘及灰度跳变的部分，使衬底检测图像中的暗线边缘变得清晰。在实际应用时，锐化处理可以采用Sobel算子和Laplacian算子等工具来提取衬底检测图像中的高频分量，也可以非锐化掩模算法来实现图像的锐化处理。

非锐化掩模算法的原理是对原图像先做一个高斯模糊，然后用原图像减去该高斯模糊所得图像，然后再把像素值范围统一到0-255的RGB像素值范围内。非锐化掩模算法可以去除一些细小的干扰细节和噪声，相较于直接使用卷积锐化算子能够得到更加真实可信的图像锐化结果。

基于非锐化掩模算法的原理，本披露的一些实施例设计了一种锐化处理方法，其先提取衬底检测图像中的低频，再通过差值运算来提取出衬底检测图像中的高频，从而完成衬底检测图像的锐化。示例性地，在本实施例中，可以先对衬底检测图像进行黑帽处理，以得到衬底检测图像的黑帽图像，该黑帽图像即为衬底检测图像中的低频，再用衬底检测图像减去该黑帽图像，进而得到衬底检测图像的高频，即衬底检测图像进行锐化处理后生成的锐化图像。

由于锐化处理的目的在于增加像素之间的对比度，从而达到突出边缘的效果，而红色通道图像相对于蓝色通道图像和绿色通道图像而言，像素之间的对比度更高，红色通道图像中暗线更加清晰可见。因此，在一些实施例中，可以先提取衬底检测图像中的红色通道图像，再在红色通道图像的基础上提取低频，接着通过作差提取出红色通道图像中的高频。

示例性地，在一些实施例中，可以通过如下步骤获取衬底检测图像的锐化图像：首先，提取衬底检测图像中的红色通道图像，接着，计算红色通道图像的黑帽图像，之后，将红色通道图像减去其黑帽图像，获取锐化图像。

需要说明的是，在另一些实施例中，提取出的红色通道图像也可以与其他锐化处理方式结合，例如：在提取衬底检测图像中的红色通道图像之后，利用Sobel算子和Laplacian算子等工具对红色通道图像进行锐化处理，以获得锐化图像。

可以理解的是，上述对于红色通道图像的锐化处理工具的描述仅是本披露中的一些示例，其不构成对本披露的唯一限定。在实际应用时，也可以采用其他方式对提取出的红色通道图像进行锐化处理，此处不再展开赘述。

在步骤S102中，从锐化图像中提取出初步暗线区域。步骤S102的目的在于对暗线进行初步定位，从而减少后续暗线提取步骤中所需处理的工作量。在本实施例中，可以对锐化图像进行二值化处理，以得到二值化锐化图像，图2示出了本披露一些实施例的二值化锐化图像200的示意图，接着，遍历二值化锐化图像中的所有像素点，以将灰度值为0的区域确定为初步暗线区域，即图2中的白色区域。

在步骤S103中，提取初步暗线区域中的暗线轮廓。如图2所示，步骤S102所得的二值化锐化图像中既包括点状的白色区域，也包括条状的白色区域。在实际应用中，点状白色区域以及一些短小的条状白色区域是衬底的部分区域存在起伏、不平整而导致的，而并非是本披露所需检测的形如条状的暗线缺陷，因此需要通过后续处理将其中这类白色区域筛除。

在本实施例中，首先通过步骤S103来提取初步暗线区域中的暗线轮廓，根据暗线轮廓可以识别出每一点状白色区域和条状白色区域的尺寸，包括面积或最长边的长度，进而利用预设尺寸范围对其进行筛选，从而滤除干扰项。

在步骤S104中，基于暗线轮廓提取暗线骨架。在实际应用时，可以采用Zhang-Suen并行迭代法等算法来实施暗线骨架的提取。示例性地，通过预设筛选规则对二值化图像进行腐蚀，从形状的边界同时向轮廓内部进行迭代筛选，进而形成单像素宽度的暗线骨架。

在一些实施例中，步骤S104可以基于去除干扰后的暗线轮廓进行骨架提取，示例性地，根据预设尺寸范围从暗线轮廓中筛选出去噪暗线轮廓，提取去噪暗线轮廓的暗线骨架。其中，预设尺寸范围包括预设面积和/或预设长度，若某一暗线轮廓所框选的面积小于预设面积和/或某一暗线轮廓最长边的长度小于预设长度，则将该暗线轮廓视作干扰项，将其从暗线轮廓中删去，余下的暗线轮廓即为去噪暗线轮廓。

在步骤S105中，对暗线骨架进行累计概率霍夫变换，以获得暗线线段。需要说明的是，霍夫变换是一种使用表决方式的参数估计技术，其原理是利用图像空间和霍夫参数空间的线-点对偶性，把图像空间中的检测问题转换到参数空间中进行。霍夫变换可以作为一种特征提取技术，用于隔离图像中特定形状的特征，例如从黑白图像中检测线段特征。

累计概率霍夫变换（PPHT，Progressive Probabilistic Hough Transform)是改进后的直线提取算法，其采用随机取样点的映射方法，映射和直线的检测交替进行。如果一部分像素点完成映射，对应的映射参数能确定一条直线，则删除其余待处理点集。该算法减少了运算量，能够实现更快速的直线检测。

在步骤S106中，对暗线线段的长度进行检测，以获得暗线长度。在本实施例中，通过步骤S103和步骤S104已经将点状或短小线段形状的干扰项去除，再通过步骤S105可以将曲线状的干扰项去除，从而使得步骤S106测量的是尺寸满足要求且呈直线形状的暗线缺陷的长度。

需要说明的是，衬底检测图像中的暗线缺陷的数量可能为多条，此时步骤S106可以针对每一条暗线均检测出一个对应的暗线长度。在实际生产环节中，生产人员可以针对多个暗线长度中的峰值、多个暗线长度的均值和/或标准差等统计结果进行产品质量的评估。

前文任一实施例示出的衬底暗线长度的检测方法可以通过暗线区域的初步定位、暗线轮廓提取和暗线骨架提取等步骤，从锐化后的衬底检测图像中提取出表征暗线缺陷的暗线骨架，并通过累计概率霍夫变换识别出暗线线段，进而实现暗线长度的测量。在上述过程中，无需生产人员对阈值进行实时的适应性调整，降低了生产人员的操作难度，提高了衬底暗线长度的检测效率。

在一些实施例中，生产人员仅需预先设置好预设尺寸范围，即可完成干扰项的剔除，相较于现有技术中调整阈值偏移值的要求，本披露实施例提供的检测方法的操作难度更低。

为了进一步提高锐化图像中像素之间的对比度，进而实现更加精准高效的暗线骨架提取，本披露在一些实施例设计了一种锐化处理方法，其原理是先提取衬底检测图像中的低频，再通过作差来提取出衬底检测图像中的高频，从而完成衬底检测图像的锐化。进一步地，在该原理的基础上，本披露通过多次迭代的操作来增强像素之间的对比度。

图3示出了本披露一些实施例的锐化处理方法300的示例性流程图。可以理解，锐化处理方法是前述步骤S101中的一种具体实现，因此前文结合图1描述的特征可以类似地应用于此。

如图3所示，在步骤S301中，计算待锐化图像的黑帽图像。在实际应用时，可以采用OpenCV中的形态学操作函数morphology Ex( )以及参数MORPH_BLACKHAT来实现黑帽运算。

需要说明的是，在一些实施例中，该待锐化图像即为衬底检测图像。在另一些实施例中，为了增强锐化图像的对比度，可以先提取衬底检测图像的红色通道图像，接着将红色通道图像作为待锐化图像，以执行上述步骤S301。

在步骤S302中，将待锐化图像更新为待锐化图像减去黑帽图像所得的差值图像。在本实施例中，将待锐化图像减去黑帽图像，得到的差值图像即为经过一次锐化处理所得的锐化图像。为了进一步得到高度锐化的图像，可以对得到的锐化图像再次进行锐化处理，通过多次循环来提高最终得到的锐化图像的对比度。

在步骤S303中，将锐化处理的执行次数加一。在执行锐化处理的伊始，可以将执行次数的初始值设置为0，每执行一次待锐化图像与黑帽图像的差值计算，就将执行次数的数值加一，以对执行的锐化处理计数。

在步骤S304中，判断锐化处理的执行次数是否达到预设次数。

若判断结果为是，则执行步骤S305；

若判断结果为否，则返回执行步骤S301。

在本实施例中，预设次数的数值可以依据实际情况进行设置，例如，可以将预设次数设置为8。

在步骤S305中，将最后一次执行锐化处理所得的差值图像作为锐化图像。以预设次数为8的情况为例，当锐化处理反复执行8次后，第8次作差所得的差值图像即为最终输出的锐化图像。

可以理解，图3示出的锐化处理方法通过循环执行锐化处理，并且以锐化处理的执行次数作为循环终止条件，将执行了预设次数的锐化处理所得图像作为最终输出的锐化图像，以此提升锐化图像中像素之间的对比度。

前文实施例中的锐化处理方法，为本披露所示的衬底暗线长度的检测方法的暗线骨架提取步骤提供了可靠的预处理数据。进一步地，本披露的一些实施例提供了如下所示的一种暗线骨架提取方法，其可以直接应用至图1所示的衬底暗线长度的检测方法，也可以与前文实施例中的锐化处理方法相结合后，再应用至衬底暗线长度的检测方法，从而实现更加精准的骨架提取，有利于后续暗线长度的检测。

图4示出了本披露一些实施例的暗线骨架提取方法400的示例性流程图。可以理解，暗线骨架提取方法是前述步骤S104中的一种具体实现，因此前文结合图1描述的特征可以类似地应用于此。

如图4所示，在步骤S401中，逐一地访问暗线轮廓中的所有像素点。在本实施例中，暗线轮廓中的所有像素点可以随机形成一个访问次序，按照该访问次序逐点访问。

在步骤S402中，对于访问的当前像素点，判断其邻域像素点是否满足第一标记条件或第二标记条件。

若判断结果为是，则执行步骤S403之后，再执行步骤S404；

若判断结果为否，则直接执行步骤S404。

进一步地，第一标记条件包括：在当前像素点的邻域像素点中，灰度值为255的邻域像素点的数量在预设范围内，邻域像素点按照预设顺序形成的灰度值序列中包含预设数量的预设子序列，上邻域像素点、右邻域像素点和下邻域像素点三者的灰度值乘积为0，以及右邻域像素点、下邻域像素点和左邻域像素点三者的灰度值乘积为0。

第二标记条件包括：在当前像素点的邻域像素点中，灰度值为255的邻域像素点的数量在预设范围内，邻域像素点按照预设顺序形成的灰度值序列中包含预设数量的预设子序列，上邻域像素点、右邻域像素点和左邻域像素点三者的灰度值乘积为0，以及上邻域像素点、下邻域像素点和左邻域像素点三者的灰度值乘积为0。

为了便于理解，本实施例的图5示出了本披露一些实施例的邻域像素点500的示意图，如图5所示，P0表示访问的当前像素点，P1至P8为P0的邻域像素点。假设P1和P3的灰度值为255，其他邻域像素点的灰度值为0，则说明在当前像素点的邻域像素点中，灰度值为255的邻域像素点的数量为2。在实际应用时，可以将第一标记条件和第二标记条件中的预设范围设置为[2,6]。

在本实施例中，假设预设顺序为P1至P7，则依据P1至P7的灰度值，可以形成一个灰度值序列，仍以上述P1和P3的灰度值为255，其他邻域像素点的灰度值为0的情况为例，所形成的灰度值序列为{255,0,255,0,0,0,0}，若预设子序列的长度为2，则该灰度值序列可以拆分成{255,0}、{0,255}、{255,0}、{0,0}、{0,0}和{0,0}。假设预设子序列为{0,255}，则该灰度值序列中包含有1个预设子序列。在实际应用时，可以将第一标记条件和第二标记条件中的预设数量设置为1。

根据P1至P8相对于P0的位置，可以确定的是，P1为上邻域像素点，P3为右邻域像素点，P5为下邻域像素点以及P7为左邻域像素点。仍以上述P1和P3的灰度值为255，其他邻域像素点的灰度值为0的情况为例，此时上邻域像素点、右邻域像素点和下邻域像素点三者的灰度值乘积为0，且右邻域像素点、下邻域像素点和左邻域像素点三者的灰度值乘积也为0。

以上是针对第一标记条件，结合图5所作的解释说明。第二标记条件与第一标记条件存在重叠的子条件，第二标记条件与第一标记条件的区别在于，第二标价条件中判断灰度值乘积时，所针对的邻域像素点的位置不同，因此，上述对于第一标记条件的解释说明可以作为第二标记条件的参考，此处不再赘述。

在步骤S403中，标记当前像素点。在实际应用时，可以通过标记当前像素点的坐标，也可以在当前像素点中设置一个标签，从而达到标记像素点的目的。

在步骤S404中，判断所有像素点是否已访问完毕。

若判断结果为是，则执行步骤S405；

若判断结果为否，则直接执行步骤S407。

在本实施例中，若访问的当前像素点满足第一标记条件或第二标记条件，则在完成标记步骤后，查询访问进度；若访问的当前像素点不满足第一标记条件和第二标记条件，则对当前像素点不做任何操作，直接查询访问进度。

当访问的当前像素点已经是访问次序中的最后一位时，说明所有像素点均已访问完毕，此时需要通过被标记的像素点的数量来判断是否存在待处理的像素点。当访问的当前像素点并非访问次序中的最后一位时，说明仍有未访问的像素点，则按照访问次序继续访问当前像素点的下一像素点，直至访问到访问次序中的最后一位。

在步骤S405中，判断被标记的像素点的数量是否为0。

若判断结果为是，则执行步骤S408；

若判断结果为否，则执行步骤S406后返回步骤S401。

在步骤S406中，将被标记的像素点删除。假设在步骤S405中，识别到被标记的像素点的数量不为0，说明仍存在待处理的像素点，则将被标记的像素点删除，此时暗线轮廓中的像素点集合被更新，形成了新的暗线轮廓的像素点集合，以这一新的像素点集合为访问对象，再次返回步骤S401进行新一轮的像素点筛除，经过多轮筛除，像素点的数量逐渐减少，最终可以得到构成暗线骨架的最小像素点集合。

在步骤S407中，访问当前像素点的下一像素点。在本实施例中，下一像素点指的是步骤S401中访问次序所指示的位于当前像素点下一次序的像素点。

在步骤S408中，将所有未删除的像素点确定为暗线骨架。假设在步骤S405中，识别到被标记的像素点的数量为0，说明已经不存在待处理的像素点，继而说明暗线骨架已经提取完毕，因此，剩余未删除的像素点构成了暗线骨架。

需要进一步说明的是，图4所示的暗线骨架提取方法可以直接基于步骤S103提取到的暗线轮廓执行。在另一些实施例中，也可以在步骤S103提取到暗线轮廓之后，对该暗线轮廓进行去噪，例如根据预设尺寸范围从暗线轮廓中筛选出去噪暗线轮廓，接着，再通过图4所示的暗线骨架提取方法从去噪暗线轮廓中提取出暗线骨架。

综上，本披露实施例提供了一种衬底暗线长度的检测方法，其无需生产人员对阈值进行实时的适应性调整，通过计算机自动完成暗线区域的初步定位、暗线轮廓提取和暗线骨架提取等步骤，进而从锐化后的衬底检测图像中提取出表征暗线缺陷的暗线骨架，并通过累计概率霍夫变换识别出暗线线段，以实现暗线长度的测量。该方法降低了生产人员的操作难度，提高了衬底暗线长度的检测效率。

与前述功能性实施例相对应地，本披露实施例中还提供了一种如图6所示的电子设备。图6示出了本披露实施例的电子设备600的示例性结构框图。

图6所示的电子设备600，包括：处理器610；以及存储器620，存储器620上存储有用于检测衬底暗线长度的程序指令，当所述程序指令由所述处理器610来执行时，使得所述电子设备实现如前文所述的任一项方法。

在图6的电子设备600中，仅示出了与本实施例有关的组成元素。因此，对于本领域普通技术人员而言显而易见的是：电子设备600还可以包括与图6中所示的组成元素不同的常见组成元素。

处理器610可以控制电子设备600的操作。例如，处理器610通过执行电子设备600上的存储器620中存储的程序，来控制电子设备600的操作。处理器610可以由电子设备600中提供的中央处理单元(CPU)、应用处理器(AP)、人工智能处理器芯片（IPU）等来实现。然而，本披露不限于此。在本实施方式中，处理器610可以按任何适当的方式实现。例如，处理器610可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（ApplicationSpecific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式等等。

存储器620可以用于存储电子设备600中处理的各种数据、指令的硬件。例如，存储器620可以存储电子设备600中的处理过的数据和待处理的数据。存储器620可存储处理器610已处理或要处理的数据集。此外，存储器620可以存储要由电子设备600驱动的应用、驱动程序等。例如：存储器620可以存储与将由处理器610执行的图像锐化、骨架提取等有关的各种程序。存储器620可以是DRAM，但是本披露不限于此。存储器620可以包括易失性存储器或非易失性存储器中的至少一种。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、相变RAM(PRAM)、磁性RAM(MRAM)、电阻RAM(RRAM)、铁电RAM (FRAM)等。易失性存储器可以包括动态RAM(DRAM)、静态RAM(SRAM)、同步DRAM(SDRAM)、 PRAM、MRAM、RRAM、铁电RAM(FeRAM)等。在实施例中，存储器620可以包括硬盘驱动器(HDD)、固态驱动器(SSD)、高密度闪存(CF)、安全数字(SD)卡、微安全数字(Micro-SD)卡、迷你安全数字(Mini-SD)卡、极限数字(xD)卡、高速缓存（caches）或记忆棒中的至少一项。

综上，本说明书实施方式提供的电子设备600的存储器620和处理器610实现的具体功能，可以与本说明书中的前述实施方式相对照解释，并能够达到前述实施方式的技术效果，这里便不再赘述。

或者，本披露还可以实施为一种非暂时性机器可读存储介质（或计算机可读存储介质、或机器可读存储介质），其上存储有用于检测衬底暗线长度的计算机程序指令（或计算机程序、或计算机指令代码），当所述计算机程序指令（或计算机程序、或计算机指令代码）被电子设备（或电子设备、服务器等）的处理器执行时，使所述处理器执行根据本披露的上述方法的各个步骤的部分或全部。

虽然本文已经示出和描述了本披露的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式来提供。本领域技术人员可以在不偏离本披露思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本披露的过程中，可以采用对本文所描述的本披露实施例的各种替代方案。所附权利要求书旨在限定本披露的保护范围，并因此覆盖这些权利要求范围内的等同或替代方案。

Claims (8)

1.一种用于检测衬底暗线长度的方法，其特征在于，包括：

基于衬底检测图像进行锐化处理，以获得锐化图像；

从所述锐化图像中提取出初步暗线区域；

提取所述初步暗线区域中的暗线轮廓；

基于所述暗线轮廓提取暗线骨架；

逐一地访问所述暗线轮廓中的所有像素点；

对于访问的当前像素点，判断其邻域像素点是否满足第一标记条件或第二标记条件；其中第一标记条件包括：灰度值为255的邻域像素点的数量在预设范围内，所述邻域像素点按照预设顺序形成的灰度值序列中包含预设数量的预设子序列，上邻域像素点、右邻域像素点和下邻域像素点三者的灰度值乘积为0，以及右邻域像素点、下邻域像素点和左邻域像素点三者的灰度值乘积为0；其中第二标记条件包括：灰度值为255的邻域像素点的数量在预设范围内，所述邻域像素点按照预设顺序形成的灰度值序列中包含预设数量的预设子序列，上邻域像素点、右邻域像素点和左邻域像素点三者的灰度值乘积为0，以及上邻域像素点、下邻域像素点和左邻域像素点三者的灰度值乘积为0；

响应于所述邻域像素点满足第一标记条件或第二标记条件，标记当前像素点；

判断所有像素点是否已访问完毕；

响应于未访问完毕，继续访问当前像素点的下一像素点后再次判断其邻域像素点是否满足第一标记条件或第二标记条件；

响应于已访问完毕，判断被标记的像素点的数量是否为0；

响应于被标记的像素点的数量不为0，将被标记的像素点删除后再次逐一地访问所有未删除的像素点；

响应于被标记的像素点的数量为0，将所有未删除的像素点确定为所述暗线骨架；

对所述暗线骨架进行累计概率霍夫变换，以获得暗线线段；以及

对所述暗线线段的长度进行检测，以获得暗线长度。

2. 根据权利要求1所述的方法，其特征在于，其中基于衬底检测图像进行锐化，以获得锐化图像包括：

提取衬底检测图像中的红色通道图像；以及

对所述红色通道图像进行锐化处理，以获得锐化图像。

3. 根据权利要求1或2所述的方法，其特征在于，其中所述锐化处理包括：

计算待锐化图像的黑帽图像，其中所述待锐化图像包括衬底检测图像或红色通道图像；以及

将所述待锐化图像减去所述黑帽图像，以获得所述锐化图像。

4. 根据权利要求3所述的方法，其特征在于，其中将所述待锐化图像减去所述黑帽图像，以获得所述锐化图像包括：

将所述待锐化图像更新为所述待锐化图像减去所述黑帽图像所得的差值图像；以及

循环执行所述锐化处理，直至所述锐化处理的执行次数达到预设次数后，将最后一次执行锐化处理所得的差值图像作为所述锐化图像。

5. 根据权利要求1所述的方法，其特征在于，其中基于所述暗线轮廓提取暗线骨架包括：

根据预设尺寸范围从所述暗线轮廓中筛选出去噪暗线轮廓，其中所述预设尺寸范围包括预设面积和/或预设长度；以及

提取所述去噪暗线轮廓的暗线骨架。

6. 根据权利要求1所述的方法，其特征在于，其中从所述锐化图像中提取出初步暗线区域包括：

对所述锐化图像进行二值化处理，以得到二值化锐化图像；以及

遍历所述二值化锐化图像的像素点，以将灰度值为0的区域确定为所述初步暗线区域。

7. 一种电子设备，其特征在于，包括：

处理器；以及

存储器，其存储有用于检测衬底暗线长度的程序指令，当所述程序指令由所述处理器执行时，使得所述设备实现根据权利要求1-6任意一项所述的方法。

8.一种计算机可读存储介质，其上存储有用于检测衬底暗线长度的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如权利要求1-6任意一项所述的方法。