CN116777875A - 一种花篮内硅片位置在线视觉检测的方法 - Google Patents
一种花篮内硅片位置在线视觉检测的方法 Download PDFInfo
- Publication number
- CN116777875A CN116777875A CN202310751585.XA CN202310751585A CN116777875A CN 116777875 A CN116777875 A CN 116777875A CN 202310751585 A CN202310751585 A CN 202310751585A CN 116777875 A CN116777875 A CN 116777875A
- Authority
- CN
- China
- Prior art keywords
- silicon wafer
- image
- contour
- grid
- cutting
- 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
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 239
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 238
- 239000010703 silicon Substances 0.000 title claims abstract description 238
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000000007 visual effect Effects 0.000 title claims abstract description 15
- 235000012431 wafers Nutrition 0.000 claims abstract description 228
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000005520 cutting process Methods 0.000 claims description 59
- 230000007547 defect Effects 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 15
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000000379 polymerizing effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 abstract description 6
- 238000005452 bending Methods 0.000 abstract description 4
- 238000009827 uniform distribution Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
一种花篮内硅片位置在线视觉检测的方法，属于视觉检测技术领域，本发明针对花篮中硅片分布不均匀和单侧拍摄所存在的检测盲区问题，提出多相机多角度直立拍摄方案；针对花篮有杆面硅片图像，提出多段检测的方案；针对因重力造成硅片弯曲的问题，提出小宽度局部检测方案。本发明保证了花篮硅片特征的完全采集，保证了拍摄的图像硅片间距分布均匀；保证了准确提取每张硅片的整体轮廓特征；保证了硅片轮廓厚度、间距判断的准确性；整体通过优化视觉算法处理，提升了检测性能。
Description
技术领域
本发明属于视觉检测技术领域，具体涉及的是一种花篮内硅片位置在线视觉检测的方法。
背景技术
在太阳能硅片生产过程中，通过自动化设备将硅片自动传送于特制的花篮中，由于传送带运行过程不稳定，通常会出现以下几种缺陷：
1、双片：两张硅片放置在同一个卡槽内并紧贴在一起；
2、带液：两张正常放置的硅片因带液导致中部粘连在一起；
3、错齿：单张硅片放置在不同的卡槽内；
4、缺片：单一卡槽内无硅片。
为了不影响产品的质量，所以需要将有问题的硅片检出并剔除。目前花篮内硅片检测的方法通常将花篮横向放置，然后相机光源安装在花篮顶部垂直拍摄并进行图像采集，在每个相机视场内对花篮中硅片的特征进行提取，该方案存在以下不足：
首先，盛放硅片的花篮三面有杆，通过花篮卡槽来固定硅片，当花篮横向放置时，硅片处于直立状态。由于卡槽宽度大于硅片厚度，硅片在直立状态下会随机倒向卡槽的某一侧，所以在视场中硅片的横向分布是不均匀的，在检测时，这种不均匀分布会对异常的检出造成不利影响；
其次，该方案中相机只对花篮的单侧进行单次拍摄，但是由于硅片的多种异常情况会交错出现，一侧显示正常的硅片，在另一侧可能存在异常，如错齿时，花篮一侧硅片正常放置，另一侧则出现单张硅片放置在不同的卡槽的现象，所以单侧拍摄势必存在检测盲区。
发明内容
为了克服现有技术中的不足，本发明解决的问题为：1、硅片分布不均匀对检测精度的影响，2、单侧拍摄存在的检测盲区问题，3、新提出方案的算法设计问题。针对以上问题，本发明提供一种花篮内硅片位置在线视觉检测的方法。
本发明的设计构思为：
1)、对花篮中硅片分布不均匀和单侧拍摄所存在的检测盲区问题，提出多相机多角度直立拍摄方案。当花篮横向放置时，硅片处于直立状态，且硅片在直立状态下会随机倒向卡槽的某一侧，所以在视场中硅片的横向分布是不均匀的，故提出将花篮直立放置，通过调整相机拍摄角度、距离和间距，将花篮硅片的整体特征合理分配到多个相机视场内的方案。以多相机中某一相机的拍摄为例，在花篮直立状态下，首先拍摄花篮有杆面硅片，然后通过特制底座旋转机构将花篮旋转90°后，再次进行拍摄，从而保证了花篮硅片特征的完全采集，并保证拍摄的图像硅片间距分布均匀；
2)、对花篮有杆面硅片图像，提出多段检测的方案。以多相机中某一相机的拍摄为例，在花篮直立状态下、拍摄花篮有杆面硅片时，发现花篮杆的存在将导致硅片图像被分成多段，不易于提取准确的整体硅片图像轮廓特征，故提出多段检测的方法，对因花篮杆分割成的上、中、下三段硅片轮廓分别进行检测判断，并将多段检测判断分类排序，从而保证了准确提取每张硅片的整体轮廓特征；
3)、对因重力造成硅片弯曲的问题，提出一种小宽度局部检测方案。由于重力影响，硅片放置在花篮中时会出现少量弯曲，影响计算硅片厚度、间距判断。故通过一种小宽度局部图像Alocal对硅片的厚度、间距特征进行判断的方式，以解决因重力影响检测的问题。
总之，采用花篮直立竖放，相机光源安装在侧部垂直进行拍摄的方式，此时硅片在花篮中横向放置，受重力影响所有硅片均靠在卡槽底部，在视场中呈现均匀分布，从而降低了不均匀分布带来的不利影响；在此基础上特制花篮底座旋转机构，一次拍摄后将其旋转90°，再次进行拍摄，对两侧硅片的视觉采集结果分别进行检测和综合判断，从而消除了检测盲区。
本发明通过以下技术方案予以实现：一种花篮内硅片位置在线视觉检测的方法，包括以下步骤：
S1、图像预处理
S1-1、拍摄图像：
首先，将花篮沿竖直方向安装在旋转底座上，硅片沿水平方向插装于花篮的卡槽中，至少三个相机沿花篮的长度方向等间距布置，相机正对花篮任一侧的侧面，并且相邻相机拍摄的图像存在交叠区域，光源的位置与相机的位置同侧设置；
然后，依据花篮内硅片的尺寸，调整相机光圈，校准相机焦距，调整相机拍摄的参数，使所有相机均能清晰呈现花篮中硅片的图像；
最后，全部相机同时拍摄正对花篮侧面的第一组图像，然后旋转底座带动花篮旋转90°，全部相机再次同时拍摄正对花篮另一侧面的第二组图像；
S1-2、仿射变换：
采用仿射变换的方式分别对步骤S1-1拍摄的两组图像进行处理，使两组图像的矩形区域效果呈现最佳状态；
S1-3、切割图像：
首先，手动选取步骤S1-2仿射变换后矩形花篮硅片图像中的对角切割点，采用对角点方式进行切割，使切割图像包含硅片的整体轮廓，得到切割整体图像Aglobal，切割整体图像Aglobal中左上切割点坐标为(x1，y1)、右下切割点坐标为(x2，y2)；
其次，对切割整体图像Aglobal进行局部固定区域选取，设切割局部图像Alocal中左上切割点坐标为(x3，y3)、右下切割点坐标为(x4，y4)，切割局部图像Alocal中切割点的坐标通过式(1)～式(4)确定：
x3＝x1； 式(1)
x4＝x2； 式(3)
得到切割局部图像Alocal；
S1-4、对步骤S1-3获得的切割整体图像Aglobal进行预处理，提取硅片轮廓；
S1-4-1、对切割整体图像Aglobal进行高斯滤波操作，得到消除背景干扰、去阴影杂质后的图像Assr；
S1-4-2、对图像Assr进行图像梯度运算，计算图像的边缘信息，然后再次进行高斯滤波操作，对每一个像素点进行滤波处理，去除噪声，并进行图像边缘检测，获取图像的边缘，得到边缘图像Aimgc；
S1-4-3、对切割整体图像Aglobal进行如下操作：
首先，依据式(5)计算切割整体图像Aglobal的尺寸size为：
size＝int(min(Aglobal.shape)/400+1)； 式(5)
式(5)中，Aglobal.shape表示切割整体图像Aglobal的形状信息，包括切割整体图像Aglobal的长度和宽度；
其次，进行图像形态学处理，返回指定形状和尺寸的结构元素kernal；
再次，进行闭运算，对边缘图像Aimgc依次进行膨胀操作；
最后，进行腐蚀操作，将边缘检测获得的离散轮廓线聚合成硅片特征，得到膨胀腐蚀后的图像Aimgclose；
S1-4-4、在整个图像Aimgclose中寻找硅片的轮廓图像，且只检测图像中硅片的外轮廓，并存储所有的轮廓点，记轮廓信息为contours，其中相邻的两个点的像素位置差不超过1；
S1-5、对切割局部图像Alocal预处理，提取硅片分布曲线：
S1-5-1、采用光照均衡算法使切割局部图像Alocal亮度均衡，得到实验所需要的光照均衡图像Ae；
S1-5-2、图像的对比度增加0.5，滤波参数设置为10～30，使提取特征呈现最佳识别效果的图像At；
S1-5-3、对图像At再次进行高斯滤波处理，得到图像Ac；设置像素值的阈值为0～225，然后对图像Ac像素值的阈值进行判断，获取二值化后的理想边缘图像，并转化为评估曲线curve；
S2、搜索区域识别
S2-1、确定网格线：
根据相机拍摄花篮硅片的位置，设置网格数grid_num等于硅片间隔数i，i的取值范围为0～33，划分的网格线为gridline，且宽度为gridline_w，采用式(6)计算网格线宽度：
gridline_w＝(grid_stopx-grid_startx)/grid_num； 式(6)
式(6)中，grid_startx表示网格起点横坐标，grid_stopx表示网格终点横坐标；
通过网格的起点重复添加新对象，获取所有网格线并进行排序，利用式(7)计算所有网格线的位置坐标：
gridline[i+1]_startx＝int(gridline_w*(i+1)+grid_startx)； 式(7)
式(7)中，i的取值范围为0～33；
S2-2、基于切割整体图像Aglobal进行硅片轮廓特征识别：
S2-2-1、从步骤S1-4-4提取的硅片轮廓信息contours中循环提取单个硅片轮廓contour，并计算硅片轮廓信息contours中最长的轮廓长度和最短的轮廓长度、以及单个硅片轮廓contour的最小外接矩形rect[i]，然后进行检测判断：预设硅片高度阈值为400，若单个硅片轮廓contour的高度小于预设硅片高度阈值，则剔除；若单个硅片轮廓contour的高度大于或者等于预设硅片高度阈值，则认为是硅片轮廓特征，进行后续步骤；
S2-2-2、获取硅片轮廓最小外接矩形四个顶点的坐标并取整，采用分段式识别硅片轮廓的方式，按坐标升序进行排序，将硅片轮廓的上、下中心点坐标一一对应排列；
S2-2-3、计算硅片轮廓检测特征up_data和down_data；
S2-3、基于切割局部图像Alocal进行硅片分布曲线识别：
S2-3-1、在图中网格线gridline内进行区域搜索，对其区域内硅片轮廓的矩形宽度进行识别，提取硅片分布曲线curve中为1区段的起点和终点，采用式(8)计算硅片轮廓矩形区域的宽度：
length＝end_point-start_point； 式(8)
式(8)中length表示硅片轮廓的宽度，start_point表示硅片轮廓起点的坐标，end_point表示硅片轮廓终点的坐标；
S2-3-2、计算硅片分布曲线检测特征segment_data；
S3、检测判断
S3-1、基于切割整体图像Aglobal和硅片轮廓检测特征进行硅片缺陷判断：
根据步骤S2-2-3确定的硅片轮廓特征up_data和down_data进行硅片缺陷判断：对网格线gridline内的区域进行检测，判断网格内硅片轮廓矩形上、下中心点的个数，以此判断硅片是否出现缺片或者错齿缺陷，循环判断单组图像中的每一个网格区域；
S3-2、基于局部图和硅片分布曲线特征进行硅片缺陷判断：
根据步骤S2-3-2确定的硅片分布曲线特征segment_data进行硅片缺陷判断：对网格线gridline内的区域进行检测，判断网格内硅片轮廓矩形的宽度，以此判断硅片是否出现双片、带液、双片或者带液缺陷；
S3-3、基于两角度图像综合分析判断：
重复步骤S3-1和步骤S3-2，对两组硅片图像分别进行检测，将两组硅片图像综合分析判断，消除检测盲区。
与现有技术相比本发明的有益效果为：
1、将花篮直立竖放，通过调整相机拍摄角度、距离和间距，将花篮硅片的整体特征合理分配到多个相机的视场内。以多相机中某一相机的拍摄为例，且拍摄花篮有杆面硅片，可见花篮中硅片间距分布均匀，通过特制花篮底座旋转机构将其旋转90°后，再次进行拍摄，从而保证了花篮硅片特征的完全采集，并保证拍摄的图像硅片间距分布均匀；
2、采取对切割后的整体图像Aglobal进行预处理，且由于花篮杆的存在，将花篮硅片图像分割成上、中、下三段分别进行检测判断，并且将多段检测判断分类排序，从而保证了准确提取每张硅片的整体轮廓特征；
3、通过一种小宽度局部图像Alocal对硅片轮廓的厚度、间距特征进行判断的方式，解决由于重力影响，且单张硅片尺寸大、厚度薄，放置在花篮中时会出现少量弯曲的问题，从而保证了硅片轮廓厚度、间距判断的准确性；
4、整体通过优化视觉算法处理，提升了检测性能。
附图说明
图1为相机、光源、花篮硅片简易构架图；
图2为本发明流程图；
图3为计算硅片轮廓检测特征流程图；
图4为计算硅片分布曲线检测特征流程图；
图5为检测结果判断流程图。
图6为实验检测结果图。
具体实施方式
为使本发明的目的、特征和优点能够更为明显易懂，下面对本发明的具体实施方式做详细的说明。
本发明是一种基于在线式花篮硅片检测的视觉算法，需要达到的实现要求如下：在太阳能硅片生产线上，能实时检测出花篮中硅片是否出现异常的情况，并对异常情况进行判断。
基于上述视觉系统及生产厂家的需求，本发明具体实现花篮内硅片位置在线视觉检测的方法，包括以下步骤：
S1、图像预处理
S1-1、拍摄图像：
首先，将花篮沿竖直方向安装在旋转底座上，硅片沿水平方向插装于花篮的卡槽中，至少三个相机沿花篮的长度方向等间距布置，相机正对花篮任一侧的侧面，并且相邻相机拍摄的图像存在交叠区域，光源的位置与相机的位置同侧设置；
然后，依据花篮内硅片的尺寸，调整相机光圈，校准相机焦距，调整相机拍摄的参数(例如曝光时间、增益和对比度等)，使所有相机均能清晰呈现花篮中硅片的图像；
最后，全部相机同时拍摄正对花篮侧面的第一组图像，然后旋转底座带动花篮旋转90°，全部相机再次同时拍摄正对花篮另一侧面的第二组图像，所述第一组图像与第二组图像的处理和检测方式相同，仅需在最终检测结果输出阶段进行综合分析；
S1-2、仿射变换：
采用仿射变换的方式分别对步骤S1-1拍摄的两组图像进行处理，使两组图像的矩形区域效果呈现最佳状态；由于花篮是直立竖放，且旋转时有轻微不稳定性，所以1#相机、2#相机、3#相机拍摄花篮硅片的矩形区域图像呈现偏差，为解决该问题，采用仿射变换的方式，使花篮硅片图像的矩形区域效果呈现最佳状态；
S1-3、切割图像：
由于1#相机、2#相机、3#相机将花篮中硅片进行了分段拍摄，每个位置相机的图像存在交叠，因此需要通过切割图像将硅片合理分配到三个相机的视野中。以1#相机拍摄的单张图像为例：
首先，为了提取硅片的整体轮廓图，将仿射变换后的矩形图像进一步切割，切割方式如下：手动选取步骤S1-2仿射变换后矩形花篮硅片图像中的对角切割点，采用对角点方式进行切割，使切割图像包含硅片的整体轮廓，得到切割整体图像Aglobal，切割整体图像Aglobal中左上切割点坐标为(x1，y1)、右下切割点坐标为(x2，y2)；
其次，对切割整体图像Aglobal进行局部固定区域选取，以便提取硅片的分布曲线，进而计算花篮中硅片的厚度、位置和两硅片的间距值。切割点选取方式如下：设切割局部图像Alocal中左上切割点坐标为(x3，y3)、右下切割点坐标为(x4，y4)，切割局部图像Alocal中切割点的坐标通过式(1)～式(4)确定：
x3＝x1； 式(1)
x4＝x2； 式(3)
得到切割局部图像Alocal；
S1-4、对步骤S1-3获得的切割整体图像Aglobal进行预处理，提取硅片轮廓：
S1-4-1、对切割整体图像Aglobal进行高斯滤波操作，得到消除背景干扰、去阴影杂质后的图像Assr；
S1-4-2、对图像Assr进行图像梯度运算，计算图像的边缘信息，然后再次进行高斯滤波操作，对每一个像素点进行滤波处理，去除噪声，并进行图像边缘检测，获取图像的边缘，得到边缘图像Aimgc；
S1-4-3、对切割整体图像Aglobal进行如下操作：
首先，依据式(5)计算切割整体图像Aglobal的尺寸size为：
size＝int(min(Aglobal.shape)/400+1)； 式(5)
式(5)中，Aglobal.shape表示切割整体图像Aglobal的形状信息，包括切割整体图像Aglobal的长度和宽度；
其次，进行图像形态学处理，返回指定形状和尺寸的结构元素kernal；
再次，进行闭运算，对边缘图像Aimgc依次进行膨胀操作；
最后，进行腐蚀操作，将边缘检测获得的离散轮廓线聚合成硅片特征，得到膨胀腐蚀后的图像Aimgclose；
S1-4-4、在整个图像Aimgclose中寻找硅片的轮廓图像，且只检测图像中硅片的外轮廓，并存储所有的轮廓点，记轮廓信息为contours，其中相邻的两个点的像素位置差不超过1；
S1-5、对切割局部图像Alocal预处理，提取硅片分布曲线：
S1-5-1、通过切割局部图像Alocal，会发现其中切割的硅片图像因光源光照角度的不同，图像的亮度是不均衡的，很难区分硅片的厚度、位置，以及计算硅片间距值，为了更好的解决该问题，采用光照均衡算法使切割局部图像Alocal亮度均衡，得到实验所需要的光照均衡图像Ae；
S1-5-2、由于图像Ae中动态范围很大导致切割图像暗区的细节不能清楚呈现，所以提出在增加切割图像Ae暗区细节的同时又不损失亮区细节的一种方法，对低频能量进行压制，对高频能量进行提高，图像的对比度增加0.5，滤波参数设置为10～30，使提取特征呈现最佳识别效果的图像At；
S1-5-3、对图像At再次进行高斯滤波处理，得到图像Ac；设置像素值的阈值为0～255，然后对图像Ac像素值的阈值进行判断，获取二值化后的理想边缘图像，并转化为评估曲线curve；
S2、搜索区域识别
S2-1、确定网格线：
根据相机拍摄花篮硅片的位置，设置网格数grid_num等于硅片间隔数i，i的取值范围为0～33，划分的网格线为gridline，且宽度为gridline_w，采用式(6)计算网格线宽度：
gridline_w＝(grid_stopx-grid_startx)/grid_num； 式(6)
式(6)中，grid_startx表示网格起点横坐标，grid_stopx表示网格终点横坐标；
通过网格的起点重复添加新对象，获取所有网格线并进行排序，利用式(7)计算所有网格线的位置坐标：
gridline[i+1]_startx＝int(gridline_w*(i+1)+grid_startx)； 式(7)
式(7)中，i的取值范围为0～33；
S2-2、基于切割整体图像Aglobal进行硅片轮廓特征识别：
S2-2-1、从步骤S1-4-4提取的硅片轮廓信息contours中循环提取单个硅片轮廓contour，并计算硅片轮廓信息contours中最长的轮廓长度和最短的轮廓长度、以及单个硅片轮廓contour的最小外接矩形rect[i]，然后进行检测判断：预设硅片高度阈值为400，若单个硅片轮廓contour的高度小于预设硅片高度阈值，则剔除；若单个硅片轮廓contour的高度大于或者等于预设硅片高度阈值，则认为是硅片轮廓特征，进行后续步骤；
S2-2-2、获取硅片轮廓最小外接矩形四个顶点的坐标并取整，一方面，由于四个顶点坐标排序是不规则的，很难区分上、下顶点坐标，故需对它进行排序，提取出正确的顶点坐标；另一方面，由于拍摄的硅片图像是花篮有杆面，固定杆将硅片轮廓分成了上、中、下三段，故采用分段式识别硅片轮廓的方式，但计算得到的上、下段硅片轮廓中心点的坐标可能并不是一一对应排序，则对其按坐标升序进行排序，将硅片轮廓的上、下中心点坐标一一对应排列，以便后续对硅片特征的提取；
S2-2-3、计算硅片轮廓检测特征up_data和down_data；
S2-3、基于切割局部图像Alocal进行硅片分布曲线识别：
S2-3-1、在图中网格线gridline内进行区域搜索，对其区域内硅片轮廓的矩形宽度进行识别，提取硅片分布曲线curve中为1区段的起点和终点，采用式(8)计算硅片轮廓矩形区域的宽度：
length＝end_point-start_point； 式(8)
式(8)中length表示硅片轮廓的宽度，start_point表示硅片轮廓起点的坐标，end_point表示硅片轮廓终点的坐标；
S2-3-2、计算硅片分布曲线检测特征segment_data；
S3、检测判断
S3-1、基于切割整体图像Aglobal和硅片轮廓检测特征进行硅片缺陷判断：
根据步骤S2-2-3确定的硅片轮廓特征up_data和down_data进行硅片缺陷判断：以1#相机为例，对网格线gridline内的区域进行检测，判断网格内硅片轮廓矩形上、下中心点的个数，以此判断硅片是否出现缺片或者错齿缺陷，循环判断单组图像中的每一个网格区域；
S3-2、基于局部图和硅片分布曲线特征进行硅片缺陷判断：
根据步骤S2-3-2确定的硅片分布曲线特征segment_data进行硅片缺陷判断：以1#相机为例，对网格线gridline内的区域进行检测，判断网格内硅片轮廓矩形的宽度，以此判断硅片是否出现双片、带液、双片或者带液缺陷；
S3-3、基于两角度图像综合分析判断：
为了解决相机对花篮硅片单侧拍摄存在的检测盲区问题，本发明通过特制花篮底座旋转机构，将其旋转90°后，再次进行拍摄，重复步骤S3-1和步骤S3-2，对两组硅片图像分别进行检测，将两组硅片图像综合分析判断，消除检测盲区。
以上所述，仅为本发明的具体实施方式，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。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (1)
1.一种花篮内硅片位置在线视觉检测的方法，其特征在于，包括以下步骤：
S1、图像预处理
S1-1、拍摄图像：
首先，将花篮沿竖直方向安装在旋转底座上，硅片沿水平方向插装于花篮的卡槽中，至少三个相机沿花篮的长度方向等间距布置，相机正对花篮任一侧的侧面，并且相邻相机拍摄的图像存在交叠区域，光源的位置与相机的位置同侧设置；
然后，依据花篮内硅片的尺寸，调整相机光圈，校准相机焦距，调整相机拍摄的参数，使所有相机均能清晰呈现花篮中硅片的图像；
最后，全部相机同时拍摄正对花篮侧面的第一组图像，然后旋转底座带动花篮旋转90°，全部相机再次同时拍摄正对花篮另一侧面的第二组图像；
S1-2、仿射变换：
采用仿射变换的方式分别对步骤S1-1拍摄的两组图像进行处理，使两组图像的矩形区域效果呈现最佳状态；
S1-3、切割图像：
首先，手动选取步骤S1-2仿射变换后矩形花篮硅片图像中的对角切割点，采用对角点方式进行切割，使切割图像包含硅片的整体轮廓，得到切割整体图像Aglobal，切割整体图像Aglobal中左上切割点坐标为(x1，y1)、右下切割点坐标为(x2，y2)；
其次，对切割整体图像Aglobal进行局部固定区域选取，设切割局部图像Alocal中左上切割点坐标为(x3，y3)、右下切割点坐标为(x4，y4)，切割局部图像Alocal中切割点的坐标通过式(1)～式(4)确定：
x3＝x1； 式(1)
x4＝x2； 式(3)
得到切割局部图像Alocal；
S1-4、对步骤S1-3获得的切割整体图像Aglobal进行预处理，提取硅片轮廓；
S1-4-1、对切割整体图像Aglobal进行高斯滤波操作，得到消除背景干扰、去阴影杂质后的图像Assr；
S1-4-2、对图像Assr进行图像梯度运算，计算图像的边缘信息，然后再次进行高斯滤波操作，对每一个像素点进行滤波处理，去除噪声，并进行图像边缘检测，获取图像的边缘，得到边缘图像Aimgc；
S1-4-3、对切割整体图像Aglobal进行如下操作：
首先，依据式(5)计算切割整体图像Aglobal的尺寸size为：
size＝int(min(Aglobal.shape)/400+1)； 式(5)
式(5)中，Aglobal.shape表示切割整体图像Aglobal的形状信息，包括切割整体图像Aglobal的长度和宽度；
其次，进行图像形态学处理，返回指定形状和尺寸的结构元素kernal；
再次，进行闭运算，对边缘图像Aimgc依次进行膨胀操作；
最后，进行腐蚀操作，将边缘检测获得的离散轮廓线聚合成硅片特征，得到膨胀腐蚀后的图像Aimgclose；
S1-4-4、在整个图像Aimgclose中寻找硅片的轮廓图像，且只检测图像中硅片的外轮廓，并存储所有的轮廓点，记轮廓信息为contours，其中相邻的两个点的像素位置差不超过1；
S1-5、对切割局部图像Alocal预处理，提取硅片分布曲线：
S1-5-1、采用光照均衡算法使切割局部图像Alocal亮度均衡，得到实验所需要的光照均衡图像Ae；
S1-5-2、图像的对比度增加0.5，滤波参数设置为10～30，使提取特征呈现最佳识别效果的图像At；
S1-5-3、对图像At再次进行高斯滤波处理，得到图像Ac；设置像素值的阈值为0～255，然后对图像Ac像素值的阈值进行判断，获取二值化后的理想边缘图像，并转化为评估曲线curve；
S2、搜索区域识别
S2-1、确定网格线：
根据相机拍摄花篮硅片的位置，设置网格数grid_num等于硅片间隔数i，i的取值范围为0～33，划分的网格线为gridline，且宽度为gridline_w，采用式(6)计算网格线宽度：
gridline_w＝(grid_stopx-grid_startx)/grid_num； 式(6)
式(6)中，grid_startx表示网格起点横坐标，grid_stopx表示网格终点横坐标；
通过网格的起点重复添加新对象，获取所有网格线并进行排序，利用式(7)计算所有网格线的位置坐标：
gridline[i+1]_startx＝int(gridline_w*(i+1)+grid_startx)； 式(7)
式(7)中，i的取值范围为0～33；
S2-2、基于切割整体图像Aglobal进行硅片轮廓特征识别：
S2-2-1、从步骤S1-4-4提取的硅片轮廓信息contours中循环提取单个硅片轮廓contour，并计算硅片轮廓信息contours中最长的轮廓长度和最短的轮廓长度、以及单个硅片轮廓contour的最小外接矩形rect[i]，然后进行检测判断：预设硅片高度阈值为400，若单个硅片轮廓contour的高度小于预设硅片高度阈值，则剔除；若单个硅片轮廓contour的高度大于或者等于预设硅片高度阈值，则认为是硅片轮廓特征，进行后续步骤；
S2-2-2、获取硅片轮廓最小外接矩形四个顶点的坐标并取整，采用分段式识别硅片轮廓的方式，按坐标升序进行排序，将硅片轮廓的上、下中心点坐标一一对应排列；
S2-2-3、计算硅片轮廓检测特征up_data和down_data；
S2-3、基于切割局部图像Alocal进行硅片分布曲线识别：
S2-3-1、在图中网格线gridline内进行区域搜索，对其区域内硅片轮廓的矩形宽度进行识别，提取硅片分布曲线curve中为1区段的起点和终点，采用式(8)计算硅片轮廓矩形区域的宽度：
length＝end_point-start_point； 式(8)
式(8)中length表示硅片轮廓的宽度，start_point表示硅片轮廓起点的坐标，end_point表示硅片轮廓终点的坐标；
S2-3-2、计算硅片分布曲线检测特征segment_data；
S3、检测判断
S3-1、基于切割整体图像Aglobal和硅片轮廓检测特征进行硅片缺陷判断：
根据步骤S2-2-3确定的硅片轮廓特征up_data和down_data进行硅片缺陷判断：对网格线gridline内的区域进行检测，判断网格内硅片轮廓矩形上、下中心点的个数，以此判断硅片是否出现缺片或者错齿缺陷，循环判断单组图像中的每一个网格区域；
S3-2、基于局部图和硅片分布曲线特征进行硅片缺陷判断：
根据步骤S2-3-2确定的硅片分布曲线特征segment_data进行硅片缺陷判断：对网格线gridline内的区域进行检测，判断网格内硅片轮廓矩形的宽度，以此判断硅片是否出现双片、带液、双片或者带液缺陷；
S3-3、基于两角度图像综合分析判断：
重复步骤S3-1和步骤S3-2，对两组硅片图像分别进行检测，将两组硅片图像综合分析判断，消除检测盲区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310751585.XA CN116777875A (zh) | 2023-06-25 | 2023-06-25 | 一种花篮内硅片位置在线视觉检测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310751585.XA CN116777875A (zh) | 2023-06-25 | 2023-06-25 | 一种花篮内硅片位置在线视觉检测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116777875A true CN116777875A (zh) | 2023-09-19 |
Family
ID=88012975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310751585.XA Pending CN116777875A (zh) | 2023-06-25 | 2023-06-25 | 一种花篮内硅片位置在线视觉检测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777875A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117116826A (zh) * | 2023-10-24 | 2023-11-24 | 苏州诚拓智能装备有限公司 | 一种硅片镀膜的自动供收料装置及供料方法 |
| CN118463805A (zh) * | 2024-07-08 | 2024-08-09 | 杭州利珀科技有限公司 | 一种硅片搭边视觉检测装置及方法 |
-
2023
- 2023-06-25 CN CN202310751585.XA patent/CN116777875A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117116826A (zh) * | 2023-10-24 | 2023-11-24 | 苏州诚拓智能装备有限公司 | 一种硅片镀膜的自动供收料装置及供料方法 |
| CN117116826B (zh) * | 2023-10-24 | 2024-03-01 | 苏州诚拓智能装备有限公司 | 一种硅片镀膜的自动供收料装置及供料方法 |
| CN118463805A (zh) * | 2024-07-08 | 2024-08-09 | 杭州利珀科技有限公司 | 一种硅片搭边视觉检测装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
| CN116559183B (zh) | 一种提高缺陷判定效率的方法及系统 | |
| US20130202188A1 (en) | Defect inspection method, defect inspection apparatus, program product and output unit | |
| Li et al. | Automatic saw-mark detection in multicrystalline solar wafer images | |
| CN110443278B (zh) | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 | |
| CN116777875A (zh) | 一种花篮内硅片位置在线视觉检测的方法 | |
| CN109741314A (zh) | 一种零件的视觉检测方法及系统 | |
| CN109900719B (zh) | 一种叶片表面刀纹的视觉检测方法 | |
| CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
| CN103646899B (zh) | 晶圆缺陷检测方法 | |
| CN113870257B (zh) | 印刷电路板缺陷检测分类方法、装置及计算机储存介质 | |
| CN113295698B (zh) | 一种缺陷检测方法、存储介质和检测系统 | |
| CN110766683B (zh) | 一种珍珠光洁度等级检测方法及系统 | |
| CN109540904A (zh) | 一种衬底表面宏观缺陷检测及分类系统 | |
| CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
| CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
| US20150051860A1 (en) | Automatic optical appearance inspection by line scan apparatus | |
| CN115100206A (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN107316287A (zh) | 一种矩形铁氧体磁片表面的缺陷识别方法 | |
| CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
| CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
| CN112669321B (zh) | 一种基于特征提取及算法分类的喷砂不均检测方法 | |
| CN111307814B (zh) | 一种基于图像处理的硅块杂质检测方法 | |
| CN103472064A (zh) | 一种圆明亮琢型宝石切工鉴定的方法 | |
| CN113192061A (zh) | Led封装外观检测图像的提取方法、装置、电子设备和存储介质 |
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 |