CN116958127B - 基于图像特征的硅片质量评估方法 - Google Patents
基于图像特征的硅片质量评估方法 Download PDFInfo
- Publication number
- CN116958127B CN116958127B CN202311198136.3A CN202311198136A CN116958127B CN 116958127 B CN116958127 B CN 116958127B CN 202311198136 A CN202311198136 A CN 202311198136A CN 116958127 B CN116958127 B CN 116958127B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- image
- deformation
- silicon wafer
- gray
- 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.)
- Active
Links
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 108
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 108
- 239000010703 silicon Substances 0.000 title claims abstract description 108
- 238000001303 quality assessment method Methods 0.000 title description 2
- 230000008859 change Effects 0.000 claims abstract description 54
- 238000005286 illumination Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000013441 quality evaluation Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000003708 edge detection Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 2
- 235000012431 wafers Nutrition 0.000 description 82
- 230000006870 function Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 9
- 239000004065 semiconductor Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000764238 Isis Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 235000020061 kirsch Nutrition 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material 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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像数据处理技术领域,特别是涉及一种基于图像特征的硅片质量评估方法,包括:获取硅片的第一图像,对第一图像进行预处理得到第二图像,之后对第二图像进行边缘检测处理和边缘追踪处理,得到硅片的ROI区域,计算得到ROI区域中每个像素点对应的局部光照变化指标、形变灰度影响以及纹理随机性指标,构建边缘形变映射,通过边缘形变映射对采用显著性检测得到的每个像素点的显著值进行改进,调整显著值捕捉形变特征,然后通过阈值筛选得到形变区域的边缘,使用边缘连接算法将不连续的边缘段连接成完整的闭合边缘。最终,根据形变类型和分布,生成硅片质量评估报告,为硅片质量评估提供了定量依据。
Description
技术领域
本发明涉及图像数据处理技术领域,特别是涉及一种基于图像特征的硅片质量评估方法。
背景技术
硅片是半导体行业非常关键的基础材料,它是制造集成电路和其他半导体器件的基础。硅片的主要原料是高纯度的单晶硅,需要经过精密的加工步骤制成。其形状为圆盘状,表面极为平整光滑,这样才能进行高精度的半导体制造工艺。硅片规格通常以英寸为单位表示直径,目前主流尺寸是12英寸(约300毫米)。随着半导体工艺的不断发展,对硅片的质量要求也越来越高。高质量的硅片是实现半导体器件持续缩小、性能提升的基础,也是半导体行业获得长足发展的关键材料。硅片的制造和质量检测是这个行业的重要一环。
硅片的质量直接影响到半导体器件的良率和性能。为了保证硅片质量,需要对其进行各项检测。基于图像处理的自动化硅片检测技术可以快速获取硅片表面图像,通过算法分析提取关键质量指标,实现对缺陷、杂质等的自动检测和分类,大大提高检测效率。与传统方法相比,图像处理技术可以检测出更微小的缺陷,判断标准更精确,重复性也更好。然而在生产硅片时由于快速加热和冷却会产生温度梯度,硅片表面较为容易产生滑移、应力和热失配,会导致晶体畸变。而硅片材料本身颜色均匀,表面光洁度很高,没有明显纹理,且硅片表面形变处的角度和高度变化很小,不会产生明显的高光和阴影差异。所以在使用图像处理技术进行检测时想要检测到形变是非常困难的。
发明内容
鉴于上述问题,本申请提供了一种基于图像特征的硅片质量评估方法,综合考虑光照变化、灰度级变化以及纹理随机性多方面信息,更加全面地揭示可能发生形变区域的边缘。通过边缘形变映射对HC算法的显著值计算进行改进,有效地实现了硅片表面形变的检测和分类,为质量评估提供了依据,增强了HC(Histogram-based Contrast)显著性检测算法的敏感性以及鲁棒性。
第一方面,本申请实施例提供了一种基于图像特征的硅片质量评估方法,包括:
获取硅片的第一图像,对第一图像进行预处理得到第二图像;
对第二图像进行边缘检测处理,得到硅片的边缘图像;对硅片的边缘图像进行边缘追踪处理,得到硅片的ROI区域;
对ROI区域进行小波变换处理,得到ROI区域对应图像的高频分量信息;基于ROI区域对应图像的高频分量信息,计算得到ROI区域中每个像素点对应的局部光照变化指标;
对ROI区域每个像素点对应的局部区域进行灰度逐级降低处理,得到每个像素点对应局部区域的灰度变化;基于每个像素点对应局部区域的灰度变化,计算得到每个像素点对应的形变灰度影响;
构建ROI区域每个像素点对应的局部区域的灰度游程矩阵;基于灰度游程矩阵,计算每个像素点对应的纹理随机性指标;
基于每个像素点对应的局部光照变化指标、形变灰度影响以及纹理随机性指标,计算得到ROI区域每个像素点对应的边缘形变映射;
基于ROI区域每个像素点对应的边缘形变映射对ROI区域采用显著性检测得到的每个像素点的显著值进行改进,得到ROI区域每个像素点改进后的显著值;基于每个像素点改进后的显著值确定硅片形变区域的形变类型和形变分布;
基于ROI区域的形变类型和形变分布对硅片质量进行评估。
在一种可能的实现方式中,获取硅片的第一图像,对第一图像进行预处理得到第二图像,包括:
将图像采集设备放置在与硅片平行的位置对硅片的表面进行图像采集,得到硅片的第一图像;
对第一图像依次进行灰度化处理、滤波去噪处理以及图像增强处理,得到第二图像。
在一种可能的实现方式中,对ROI区域进行小波变换处理,得到ROI区域对应图像的高频分量信息,包括:
对ROI区域采用Haar小波函数进行二维离散小波变换,得到ROI区域对应图像的四个频率子带,包括一个低频子带LL和三个高频子带LH、HL以及HH,其中ROI区域的每个像素点的高频分量系数值为:
其中,表示ROI区域内的像素点,和分别表示以ROI区域内的像素点为
中心构建的大小为的窗口内的像素点位置相对于以第一图像的
左上角为原点、水平方向为x轴、竖直方向为y轴构建的坐标系中相对于x轴和y轴偏移的参
数,、、分别表示三个高频子带在像素点上的系数
值。
在一种可能的实现方式中,基于ROI区域对应图像的高频分量信息,计算得到ROI区域中每个像素点对应的局部光照变化指标,包括:ROI区域中每个像素点对应的局部光照变化指标的计算公式为:
其中,表示以ROI区域内的像素点为中心构建的大小为的窗口内的窗口中心像素点的局部光照变化指标,和分
别表示以ROI区域内的像素点为中心构建的大小为的窗口内
的像素点位置相对于以第一图像的左上角为原点、水平方向为x轴、竖直方向为y轴构建的
坐标系中相对于x轴和y轴偏移的参数,为窗口边长,表示高频分量系数在位置的
值,表示归一化函数。
在一种可能的实现方式中,对ROI区域每个像素点对应的局部区域进行灰度逐级降低处理,得到每个像素点对应局部区域的灰度变化,包括:
计算ROI区域每个像素点对应的局部区域的像素灰度值差异,其中像素灰度值差异的计算公式为:
其中,表示以像素点为中心构建的大小为的窗口
内像素灰度值的差异,表示窗口内灰度值均值,表示窗口内灰度值标准差;
将窗口内像素灰度值差异与第一阈值进行比较,当窗口内像素灰度值差异大于第一阈值时,将窗口内像素进行逐级降低灰度处理,并将像素点的灰度值重新定义,直至第k次计算满足窗口内像素灰度值差异小于等于第一阈值时停止逐级降低灰度处理,其中k表示进行窗口内灰度值均值与标准差计算的次数。
在一种可能的实现方式中,当逐级降低灰度处理后满足窗口内像素灰度值差异大于等于第一阈值停止条件时,计算每个像素点对应的形变灰度影响,其中每个像素点的形变灰度影响的计算公式为:
其中,为中心像素点的形变灰度影响,k表示以像素点为中心构建
的大小为的窗口进行窗口内灰度值均值与标准差计算的次数,和分别为第n次降低灰度值范围后窗口内的最大和最小灰度值,
为第n次降低灰度值范围后窗口内的灰度值均值,表示归一化函数。
在一种可能的实现方式中,构建ROI区域每个像素点对应的局部区域的灰度游程矩阵;基于灰度游程矩阵,计算每个像素点对应的纹理随机性指标,包括:
遍历以像素点为中心的大小为的窗口内的每个像
素点,记录连续相同灰度值的像素点序列的游程长度,构建灰度游程矩阵,其中灰度游程矩
阵中每个元素表示在窗口内连续出现个灰度值为的像素点的概率;
基于灰度游程矩阵,计算每个像素点的纹理随机性指标,其中每个像素点对应的纹理随机性指标的计算公式为:
其中,表示灰度游程矩阵的熵,即纹理的随机性指标,表示归一化函
数,表示灰度级的总数目,表示游程长度的总数目,表示灰度级对应第个灰度级
对应第个游程长度的概率。
在一种可能的实现方式中,ROI区域每个像素点对应的边缘形变映射的计算公式为:
其中,表示以像素点为中心构建的大小为的
窗口内的窗口中心像素点的局部光照变化指标,为以像素点为中心构建的
大小为的窗口内的窗口中心像素点的形变灰度影响,为以
像素点为中心构建的大小为的窗口内灰度游程矩阵的熵值,
即纹理的随机性指标。
在一种可能的实现方式中,ROI区域每个像素点改进后的显著值的计算公式为:
其中,为每个像素点改进后的显著值,为对应每个像素点的边缘形变映
射,为原始显著性检测算法计算出的对应每个像素点的显著值,为归一化函
数。
在一种可能的实现方式中,基于每个像素点改进后的显著值确定硅片形变区域的形变类型和形变分布,包括:
将每个像素点改进后的显著值与第二阈值进行比较,确定硅片形变区域的边缘部分;
采用边缘连接算法对硅片形变区域的边缘部分进行处理,得到所有闭合边缘;基于所有闭合边缘,确定硅片形变区域;
根据硅片形变区域,确定硅片上形变区域的形变类型和形变分布。
第二方面,本申请实施例提供了一种电子设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现如第一方面各个可能实现的实施例。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行如第一方面各个可能实现的实施例。
本申请的有益效果在于:通过小波变换分析图像中像素点的高频信息分量,计算每个像素点的局部光照变化指标,在形变区域由于硅片表面的结构变化,光照可能会在形变边缘附近发生细微变化。因此,该指标能够有效地检测到在形变区域出现的局部光照变化,有助于定位发生形变区域的边缘;之后通过逐级降低局部图像的灰度级,并对局部灰度值进行分析构建形变灰度影响,硅片表面的纹理、结构等可能会受到形变的影响,从而导致周围像素的灰度值变化,通过形变灰度影响,能够在形变边缘附近捕捉到灰度级变化的显著性;最后计算局部图像的灰度游程矩阵的熵值,衡量局部区域的纹理随机性;将上述三个指标相结合构建边缘形变映射,综合考虑光照变化、灰度级变化以及纹理随机性多方面信息,更加全面地揭示可能发生形变区域的边缘,通过边缘形变映射对HC算法的显著值计算进行改进,有效地实现了硅片表面形变的检测和分类,为质量评估提供了依据,增强了HC算法的敏感性以及鲁棒性。
附图说明
图1是本申请实施例提供的一种基于图像特征的硅片质量评估方法的步骤流程图;
图2是本申请实施例提供的一种电子设备的结构示意图;
图3是本申请实施例提供的一种计算机可读存储介质的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明,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。基于本申请中的实施例,本领域普通技术人员所获得的所有其它实施例,都属于本申请保护的范围。
本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
需要注意,本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
参见图1所示,本申请实施例公开了一种基于图像特征的硅片质量评估方法,包括:
S11,获取硅片的第一图像,对第一图像进行预处理得到第二图像;
S12,对第二图像进行边缘检测处理,得到硅片的边缘图像;对硅片的边缘图像进行边缘追踪处理,得到硅片的ROI区域;
S13,对ROI区域进行小波变换处理,得到ROI区域对应图像的高频分量信息;基于ROI区域对应图像的高频分量信息,计算得到ROI区域中每个像素点对应的局部光照变化指标;
S14,对ROI区域每个像素点对应的局部区域进行灰度逐级降低处理,得到每个像素点对应局部区域的灰度变化;基于每个像素点对应局部区域的灰度变化,计算得到每个像素点对应的形变灰度影响;
S15,构建ROI区域每个像素点对应的局部区域的灰度游程矩阵;基于灰度游程矩阵,计算每个像素点对应的纹理随机性指标;
S16,基于每个像素点对应的局部光照变化指标、形变灰度影响以及纹理随机性指标,计算得到ROI区域每个像素点对应的边缘形变映射;
S17,基于ROI区域每个像素点对应的边缘形变映射对ROI区域采用显著性检测得到的每个像素点的显著值进行改进,得到ROI区域每个像素点改进后的显著值;基于每个像素点改进后的显著值确定硅片形变区域的形变类型和形变分布;
S18,基于ROI区域的形变类型和形变分布对硅片质量进行评估。
在上述实施例步骤中,首先采集硅片图像,即第一图像,经过预处理后通过Sobel算子进行边缘检测以及边缘追踪算法找到闭合边缘,将其作为ROI区域,基于ROI区域对应图像的高频分量信息,计算得到ROI区域中每个像素点对应的局部光照变化指标,对ROI区域每个像素点对应的局部区域进行灰度逐级降低处理,得到每个像素点对应的形变灰度影响,构建ROI区域每个像素点对应的局部区域的灰度游程矩阵,得到每个像素点对应的纹理随机性指标,通过上述三个指标构建边缘形变映射,通过边缘形变映射对采用显著性检测得到的每个像素点的显著值进行改进,调整显著值捕捉形变特征。之后,通过阈值筛选得到形变区域的边缘,使用边缘连接算法将不连续的边缘段连接成完整的闭合边缘。最终,根据形变类型和区域,生成硅片质量评估报告,为质量评估提供了定量依据。
进一步需要说明的是,对第二图像使用边缘检测算子进行边缘检测(边缘检测的算子除了使用Sobel算子,还可以使用Prewitt算子、Canny算子或Kirsch算子等,在此不对其进行具体限定),并使用边缘追踪算法寻找闭合边缘,可采用八邻域或四邻域边缘追踪算法,在此不对其进行具体限定。由于硅片表面光滑且颜色均匀,且所拍摄场景中也无其他物体,所以通过上述方法所检测到的闭合边缘只有硅片的边缘,将闭合边缘内的区域(包括边缘)设为ROI区域,后续所有分析均在ROI区域上进行,其中ROI(region of interest),为机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域。
在本申请一个可选的实施例中,获取硅片的第一图像,对第一图像进行预处理得到第二图像,包括:
将图像采集设备放置在与硅片平行的位置对硅片的表面进行图像采集,得到硅片的第一图像;
对第一图像依次进行灰度化处理、滤波去噪处理以及图像增强处理,得到第二图像。
需要说明的是,第一图像是由图像采集设备采集得到的。例如,上述图像采集设备可以使用CCD工业相机等对硅片进行采集,在此不对图像采集设备进行具体限定,在具体采集时,将CCD工业相机放置在与硅片平行的位置,采集完整的硅片表面图像。得到第一图像以后,首先对采集完成的图像进行灰度化处理,之后使用滤波处理对灰度图像进行去噪处理,去除图像中的大部分噪声,然后对经过去噪后的图像使用gamma变换进行图像增强,使图像的细节更加清晰,最终得到预处理后的第二图像。其中,滤波处理算法采用线性滤波算法或非线性滤波算法,其中线性滤波算法采用高斯滤波算法、方框滤波或均值滤波;非线性滤波算法采用中值滤波或双边滤波,在此不做具体限定,在本申请优选中值滤波;而Gamma变换就是用来图像增强,其提升了暗部细节,简单来说就是通过非线性变换,让图像从暴光强度的线性响应变得更接近人眼感受的响应,即将漂白(相机曝光)或过暗(曝光不足)的图片进行矫正,其为现有技术,在此不再做详细赘述。
在本申请一个可选的实施例中,对ROI区域进行小波变换处理,得到ROI区域对应图像的高频分量信息,包括:
对ROI区域采用Haar小波函数进行二维离散小波变换,得到ROI区域对应图像的四个频率子带,包括一个低频子带LL和三个高频子带LH、HL以及HH,其中ROI区域的每个像素点的高频分量系数值为:
其中,表示ROI区域内的像素点,和分别表示以ROI区域内的像素点为
中心构建的大小为的窗口内的像素点位置相对于以第一图像的
左上角为原点、水平方向为x轴、竖直方向为y轴构建的坐标系中相对于x轴和y轴偏移的参
数,、、分别表示三个高频子带在像素点上的系数
值。
进一步的,在本申请一个可选的实施例中,基于ROI区域对应图像的高频分量信息,计算得到ROI区域中每个像素点对应的局部光照变化指标,包括:ROI区域中每个像素点对应的局部光照变化指标的计算公式为:
其中,表示以ROI区域内的像素点为中心构建的大小为的窗口内的窗口中心像素点的局部光照变化指标,和分
别表示以ROI区域内的像素点为中心构建的大小为的窗口内
的像素点位置相对于以第一图像的左上角为原点、水平方向为x轴、竖直方向为y轴构建的
坐标系中相对于x轴和y轴偏移的参数,为窗口边长,表示高频分量系数在位置的
值,表示归一化函数。
需要说明的是,由于硅片表面光滑,且发生形变的角度或突起较小的影响,使得硅片表面没有明显的光照亮度变化。但即使光照变化微弱,硅片也可能会在形变或形变的区域产生细微的变化,因此本申请可以通过对图像中光照分布的分析,能够在形变区域找到一些微小的趋势。
具体的,首先对ROI区域使用小波变换,使用Haar小波函数进行二维离散小波变
换,将图像分为四个子带,包括低频子带LL和高频子带LH、HL以及HH,在此部分主要关注对
应图像中细节变化的高频分量信息。以原图像的左上角为原点,水平方向为x轴,竖直方向
为y轴构建坐标系,对于ROI区域内的像素点,以像素点为中心构建大小为的窗口,取经验值5,计算窗口中心的局部光照变化指标,从局部光照变化指标公式可以看出,值越大,代表该像素点位置附近的
高频细节变化较强,意味着图像在该区域内的光照变化相对较大,有明暗变化的细节区域,
反之代表区域内的光照变化相对较小。是高频分量系数
在位置的值,其意义是三个高频子带在所求像素点上的系数值
相加,为该点的总高频系数值,值越大,代表像素点具有更大的高频信息,
其光照变化越明显。对图像中ROI区域所有像素点都执行以上步骤,得到所有像素点的局部
光照变化指标。
在本申请一个可选的实施例中,对ROI区域每个像素点对应的局部区域进行灰度逐级降低处理,得到每个像素点对应局部区域的灰度变化,包括:
计算ROI区域每个像素点对应的局部区域的像素灰度值差异,其中像素灰度值差异的计算公式为:
其中,表示以像素点为中心构建的大小为的窗口
内像素灰度值的差异,表示窗口内灰度值均值,表示窗口内灰度值标准差;
将窗口内像素灰度值差异与第一阈值进行比较,当窗口内像素灰度值差异大于第一阈值时,将窗口内像素进行逐级降低灰度处理,并将像素点的灰度值重新定义,直至第k次计算满足窗口内像素灰度值差异小于等于第一阈值时停止逐级降低灰度处理,其中k表示进行窗口内灰度值均值与标准差计算的次数。
需要说明的是,灰度级是图像处理中一个非常重要的概念它代表了图像中每个像素的亮度值,一般用数字表示,数字越大,亮度越高。在本申请实施例中,需要将灰度级降低,降低图像处理的复杂度,减小存储空间,加快处理速度。
具体的,对于ROI区域内的每个像素,以像素点为中心,构建大小为的窗口,取经验值3。假设此时窗口内像素点的灰度值范围为
256,计算窗口内灰度值均值以及标准差,计算窗口内像素灰度值的差异,设
置阈值,取经验值0.1。若,则以逐级降低灰度值范围的大小,并将像素点的
灰度值重新定义。如:当灰度值范围为256时窗口内,则将灰度值范围降低为进行
第二次均值计算,此时将像素点的灰度值重新分类纳入新定义的灰度值范围中(如某两个
像素灰度值为2和4,重新定义后为1和2),若窗口内仍然,则将灰度值范围降低为
进行第三次均值计算,直至第k次计算时满足时停止。此时认为经过像素值范围减小
后所得到的这个窗口内的所有像素点的灰度值基本一致。
在本申请一个可选的实施例中,当逐级降低灰度处理后满足窗口内像素灰度值差异大于等于第一阈值停止条件时,计算每个像素点对应的形变灰度影响,其中每个像素点的形变灰度影响的计算公式为:
其中,为中心像素点的形变灰度影响,k表示以像素点为中心构建
的大小为的窗口进行窗口内灰度值均值与标准差计算的次数,和分别为第n次降低灰度值范围后窗口内的最大和最小灰度值,
为第n次降低灰度值范围后窗口内的灰度值均值,表示归一化函数。
需要说明的是,例如在第k-1次灰度值范围降级后满足了停止条件,计算中心像素的形变灰度影响,其代表了硅片形变对灰度值范围的变化程度的影响,其值越
大代表灰度值范围变化程度越大,此像素越有可能处于形变区域内,反之亦然。k表示进行
多次灰度值范围降低的次数,越大的k意味着会进行更多次的降级操作,代表了窗口内含有
与其他像素灰度值差距越大的像素,此时会随之增大;表示在第n次
灰度值范围降级后,窗口内灰度值范围的最大值最小值之差与该次降级后的灰度值范围均
值的比值,这部分衡量了灰度值范围变化的相对程度,如果越大,说
明窗口区域内的灰度值范围变化越大,会随之增大;求和公式代表了降级后灰度值
范围变化的总体相对幅度,其值越大,越大。
在本申请一个可选的实施例中,构建ROI区域每个像素点对应的局部区域的灰度游程矩阵;基于灰度游程矩阵,计算每个像素点对应的纹理随机性指标,包括:
遍历以像素点为中心的大小为的窗口内的每个像
素点,记录连续相同灰度值的像素点序列的游程长度,构建灰度游程矩阵,其中灰度游程矩
阵中每个元素表示在窗口内连续出现个灰度值为的像素点的概率;
基于灰度游程矩阵,计算每个像素点的纹理随机性指标,其中每个像素点对应的纹理随机性指标的计算公式为:
其中,表示灰度游程矩阵的熵,即纹理的随机性指标,表示归一化函
数,表示灰度级的总数目,表示游程长度的总数目,表示灰度级对应第个灰度级
对应第个游程长度的概率。
需要说明的是,灰度游程矩阵是一种表示图像中像素连续出现的方式的矩阵,它是通过对灰度图像进行游程编码得到的。在灰度图像中,每个像素点都有一个灰度值,灰度游程矩阵特征就是基于这些灰度值统计图像中连续的像素点出现的频率和出现的长度,从而得到一些特征参数。
具体的,在以为中心大小为的窗口中,遍历窗口内
的每个像素,并记录连续相同灰度值的像素序列的游程长度,构建水平方向上的灰度游程
矩阵,灰度游程矩阵中每个元素表示在窗口内连续出现个灰度值为的像素点的概
率,得到灰度游程矩阵后,计算灰度游程矩阵的熵,其中,B越大,表示窗口内纹理越随机混
乱。
在本申请一个可选的实施例中,ROI区域每个像素点对应的边缘形变映射的计算公式为:
其中,表示以像素点为中心构建的大小为的
窗口内的窗口中心像素点的局部光照变化指标,为以像素点为中心构建的
大小为的窗口内的窗口中心像素点的形变灰度影响,为以
像素点为中心构建的大小为的窗口内灰度游程矩阵的熵值,
即纹理的随机性指标。
需要说明的是,局部光照变化指标反应的是像素在高频子带上周围光照强
度发生变化大小的像素点,形变灰度影响反应的是周围灰度值发生改变的像素点,
而灰度游程矩阵熵代表了一个区域内的纹理的随机程度,将上述三个指标相结合构建边缘
形变映射,综合考虑光照变化、灰度级变化以及纹理随机性多方面信息,更加全面地揭示可
能发生形变区域的边缘。
进一步需要说明的是,由于未发生形变的硅片表面颜色一致性、光照程度的均匀
性以及纹理的平整性可以得出,越大,代表像素周围的光照强度变化越大,在形
变边缘区域会出现局部形变引起的表面几何结构变化,这会导致光照在形变边缘周围发生
剧烈变化。因此,形变边缘周围的光照变化会导致较大的值;越大代表像素周围的灰度值变化越大,在形变边缘附近,因为形变会导致硅片表面的纹理和结构变
化,周围像素的灰度值也会受到影响;越大代表以像素为中心的局部窗口内的纹理
随机性越大,在形变边缘区域,会由于形变导致纹理的变化,例如由于拉伸、压缩等操作,导
致纹理出现变形。这种纹理变形可能会导致局部区域内的纹理呈现较高的随机性,进而导
致较大的熵值B。所以在越大,代表该像素越有可能为形变区域的边缘。
在本申请一个可选的实施例中,ROI区域每个像素点改进后的显著值的计算公式为:
其中,为每个像素点改进后的显著值,为对应每个像素点的边缘形变映
射,为原始显著性检测算法计算出的对应每个像素点的显著值,为归一化函
数。
具体的,对ROI区域使用HC(Histogram-based Contrast)显著性检测,在原始的HC
算法中,每个像素点的显著值是通过局部对比度值与全局对比度平均值相乘得来的,而硅
片形变所导致的颜色、光照以及纹理的变化不能在灰度图像中能够很好地体现出来,形变
可能会导致非线性的颜色和亮度变化,从而使得基于对比度的方法难以捕捉到形变的特
征。在此对HC算法的显著值计算进行改进得到ROI区域每个像素点改进后的显著值,从改进
后的显著值的计算公式可知,通过将原始显著值放大,使得更有可能为形变边缘
的像素点的显著值更大,而像素点周围的亮度、灰度以及纹理比较均匀的像素点的显著值
则接近原始显著值,最后将其归一化到内,可以更加直观的判断每个像素点的显著值
大小。
在本申请一个可选的实施例中,归一化处理可采用线性归一化, 也称min-max归
一化,使得结果映射到之间,还可采用其他归一化处理方法,在此不做具体限定。
在本申请一个可选的实施例中,基于每个像素点改进后的显著值确定硅片形变区域的形变类型和形变分布,包括:
将每个像素点改进后的显著值与第二阈值进行比较,确定硅片形变区域的边缘部分;
采用边缘连接算法对硅片形变区域的边缘部分进行处理,得到所有闭合边缘;基于所有闭合边缘,确定硅片形变区域;
根据硅片形变区域,确定硅片上形变区域的形变类型和形变分布。
需要说明的是,设置显著值阈值,取经验值0.8,将显著值大于阈值的像素点
认为是形变区域的边缘部分,由于形变区域的复杂性以及局部显著值的波动,提取出来的
形变边缘可能为断断续续的边缘,其连接不完整。所以将其提取之后使用边缘连接算法,通
过检测边缘段之间的几何和拓扑关系将图像中的断断续续的边缘段连接成完整的闭合边
缘,边缘连接算法为现有技术,在此不对其做详细赘述。此时所得到的所有闭合边缘内部认
为是硅片表面上发生形变的区域。
在本申请实施例中,根据得到的硅片表面上发生形变的区域,可以通过人工方式或者神经网络模型方式等,得到硅片表面上形变区域的类型和分布区域,其中形变区域的类型为弯曲、扭曲、拉伸等,通过形变的类型、分布区域生成硅片质量评估报告,完成对硅片质量的评估。
参见图2所示,本申请实施例公开了一种电子设备20,包括处理器21和存储器22;其中,存储器22,用于保存计算机程序;处理器21,用于通过执行计算机程序来实现前述方法实施例提供的基于图像特征的硅片质量评估方法。
关于上述基于图像特征的硅片质量评估方法的具体过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
并且,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,存储方式可以是短暂存储或者永久存储。
另外,电子设备20还包括电源23、通信接口24、输入输出接口25和通信总线26;其中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
进一步的,本申请实施例还公开了一种计算机可读存储介质,如图3所示,用于保存计算机程序31,其中,计算机程序被处理器执行时实现前述方法实施例提供的基于图像特征的硅片质量评估方法。
关于上述基于图像特征的硅片质量评估方法的具体过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种基于图像特征的硅片质量评估方法、设备及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (5)
1.一种基于图像特征的硅片质量评估方法,其特征在于,包括:
获取所述硅片的第一图像,对所述第一图像进行预处理得到第二图像;
对所述第二图像进行边缘检测处理,得到所述硅片的边缘图像;对所述硅片的所述边缘图像进行边缘追踪处理,得到所述硅片的ROI区域;
对所述ROI区域进行小波变换处理,得到所述ROI区域对应图像的高频分量信息;基于所述ROI区域对应图像的高频分量信息,计算得到所述ROI区域中每个像素点对应的局部光照变化指标;
对所述ROI区域每个像素点对应的局部区域进行灰度逐级降低处理,得到每个像素点对应局部区域的灰度变化;基于每个像素点对应局部区域的灰度变化,计算得到每个像素点对应的形变灰度影响;
构建所述ROI区域每个像素点对应的局部区域的灰度游程矩阵,计算每个像素点对应的纹理随机性指标;
基于所述每个像素点对应的所述局部光照变化指标、所述形变灰度影响以及所述纹理随机性指标,计算得到所述ROI区域每个像素点对应的边缘形变映射;
基于所述边缘形变映射对所述ROI区域采用显著性检测得到的每个像素点的显著值进行改进,得到所述ROI区域每个像素点改进后的显著值;基于所述每个像素点改进后的显著值确定硅片形变区域的形变类型和形变分布;
基于所述ROI区域的所述形变类型和所述形变分布对硅片质量进行评估;
基于所述ROI区域对应图像的高频分量信息,计算得到所述ROI区域中每个像素点对应的局部光照变化指标,包括:所述ROI区域中每个像素点对应的局部光照变化指标的计算公式为:
其中,表示以ROI区域内的像素点/>为中心构建的大小为的窗口内的窗口中心像素点/>的局部光照变化指标,/>和/>分别表示以ROI区域内的像素点/>为中心构建的大小为/>的窗口内的像素点位置相对于以第一图像的左上角为原点、水平方向为x轴、竖直方向为y轴构建的坐标系中相对于x轴和y轴偏移的参数,/>为窗口边长,表示高频分量系数在位置/>的值,/>表示归一化函数;
对所述ROI区域每个像素点对应的局部区域进行灰度逐级降低处理,得到每个像素点对应局部区域的灰度变化,包括:
计算所述ROI区域每个像素点对应的局部区域的像素灰度值差异,其中像素灰度值差异的计算公式为:
其中,表示以像素点/>为中心构建的大小为/>的窗口内像素灰度值的差异,/>表示窗口内灰度值均值,/>表示窗口内灰度值标准差;
将窗口内像素灰度值差异与第一阈值进行比较,当窗口内像素灰度值差异大于第一阈值时,将窗口内像素进行逐级降低灰度处理,并将像素点的灰度值重新定义,直至第k次计算满足窗口内像素灰度值差异小于等于第一阈值时停止逐级降低灰度处理,其中k表示进行窗口内灰度值均值与标准差计算的次数;
当逐级降低灰度处理后满足窗口内像素灰度值差异大于等于第一阈值停止条件时,计算每个像素点对应的形变灰度影响,其中每个像素点的形变灰度影响的计算公式为:
其中,为中心像素点/>的形变灰度影响,k表示以像素点/>为中心构建的大小为/>的窗口进行窗口内灰度值均值与标准差计算的次数,和/>分别为第n次降低灰度值范围后窗口内的最大和最小灰度值,/>为第n次降低灰度值范围后窗口内的灰度值均值,/>表示归一化函数;
构建所述ROI区域每个像素点对应的局部区域的灰度游程矩阵,计算每个像素点对应的纹理随机性指标,包括:
遍历以像素点为中心的大小为/>的窗口内的每个像素点,记录连续相同灰度值的像素点序列的游程长度,构建灰度游程矩阵,其中灰度游程矩阵中每个元素/>表示在窗口内连续出现/>个灰度值为/>的像素点的概率;
基于所述灰度游程矩阵,计算每个像素点的纹理随机性指标,其中所述每个像素点对应的纹理随机性指标的计算公式为:
其中,表示灰度游程矩阵的熵,即纹理的随机性指标,/>表示归一化函数,/>表示灰度级的总数目,/>表示游程长度的总数目,/>表示灰度级对应第/>个灰度级对应第/>个游程长度的概率;
所述ROI区域每个像素点对应的边缘形变映射的计算公式为:
其中,表示以像素点/>为中心构建的大小为/>的窗口内的窗口中心像素点/>的局部光照变化指标,/>为以像素点/>为中心构建的大小为/>的窗口内的窗口中心像素点/>的形变灰度影响,/>为以像素点/>为中心构建的大小为/>的窗口内灰度游程矩阵的熵值,即纹理的随机性指标。
2.根据权利要求1所述的基于图像特征的硅片质量评估方法,其特征在于,获取所述硅片的第一图像,对所述第一图像进行预处理得到第二图像,包括:
将图像采集设备放置在与硅片平行的位置对所述硅片的表面进行图像采集,得到所述硅片的第一图像;
对所述第一图像依次进行灰度化处理、滤波去噪处理以及图像增强处理,得到第二图像。
3.根据权利要求1所述的基于图像特征的硅片质量评估方法,其特征在于,对所述ROI区域进行小波变换处理,得到所述ROI区域对应图像的高频分量信息,包括:
对所述ROI区域采用Haar小波函数进行二维离散小波变换,得到所述ROI区域对应图像的四个频率子带,包括一个低频子带LL和三个高频子带LH、HL以及HH,其中所述ROI区域的每个像素点的高频分量系数值为:
其中,表示ROI区域内的像素点,/>和/>分别表示以ROI区域内的像素点/>为中心构建的大小为/>的窗口内的像素点位置相对于以第一图像的左上角为原点、水平方向为x轴、竖直方向为y轴构建的坐标系中相对于x轴和y轴偏移的参数,、/>、/>分别表示三个高频子带在像素点/>上的系数值。
4.根据权利要求1所述的基于图像特征的硅片质量评估方法,其特征在于,所述ROI区域每个像素点改进后的显著值的计算公式为:
其中,为每个像素点改进后的显著值,/>为对应每个像素点的边缘形变映射,/>为原始显著性检测算法计算出的对应每个像素点的显著值,/>为归一化函数。
5.根据权利要求1所述的基于图像特征的硅片质量评估方法,其特征在于,基于所述每个像素点改进后的显著值确定硅片形变区域的形变类型和形变分布,包括:
将所述每个像素点改进后的显著值与第二阈值进行比较,确定硅片形变区域的边缘部分;
采用边缘连接算法对所述硅片形变区域的边缘部分进行处理,得到所有闭合边缘;基于所有所述闭合边缘,确定硅片形变区域;
根据所述硅片形变区域,确定所述硅片上形变区域的形变类型和形变分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198136.3A CN116958127B (zh) | 2023-09-18 | 2023-09-18 | 基于图像特征的硅片质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198136.3A CN116958127B (zh) | 2023-09-18 | 2023-09-18 | 基于图像特征的硅片质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116958127A CN116958127A (zh) | 2023-10-27 |
CN116958127B true CN116958127B (zh) | 2023-12-08 |
Family
ID=88454824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311198136.3A Active CN116958127B (zh) | 2023-09-18 | 2023-09-18 | 基于图像特征的硅片质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958127B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173169B (zh) * | 2023-11-02 | 2024-02-06 | 泰安金冠宏食品科技有限公司 | 基于图像处理的预制菜分选方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998041017A1 (en) * | 1997-03-12 | 1998-09-17 | Central Research Laboratories Limited | Method and apparatus for coding information |
CN107170692A (zh) * | 2017-05-02 | 2017-09-15 | 河北大学 | 一种太阳能电池片制绒质量检测方法 |
CN112767384A (zh) * | 2021-01-29 | 2021-05-07 | 华侨大学 | 一种弹力布克重在线检测系统的补偿方法和装置 |
CN114882044A (zh) * | 2022-07-12 | 2022-08-09 | 山东汇通工业制造有限公司 | 金属管件表面质量检测方法 |
CN115311284A (zh) * | 2022-10-12 | 2022-11-08 | 南通嘉鹏家居用品有限公司 | 用于玻璃纤维毡的生产质量检测方法 |
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
CN116030058B (zh) * | 2023-03-29 | 2023-06-06 | 无锡斯达新能源科技股份有限公司 | 一种用于抛光垫表面粗糙度的质量评价方法 |
CN116433672A (zh) * | 2023-06-15 | 2023-07-14 | 山东九思新材料科技有限责任公司 | 基于图像处理的硅片表面质量检测方法 |
-
2023
- 2023-09-18 CN CN202311198136.3A patent/CN116958127B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998041017A1 (en) * | 1997-03-12 | 1998-09-17 | Central Research Laboratories Limited | Method and apparatus for coding information |
EP0966837A1 (en) * | 1997-03-12 | 1999-12-29 | Central Research Laboratories Limited | Method and apparatus for coding information |
CN107170692A (zh) * | 2017-05-02 | 2017-09-15 | 河北大学 | 一种太阳能电池片制绒质量检测方法 |
CN112767384A (zh) * | 2021-01-29 | 2021-05-07 | 华侨大学 | 一种弹力布克重在线检测系统的补偿方法和装置 |
CN114882044A (zh) * | 2022-07-12 | 2022-08-09 | 山东汇通工业制造有限公司 | 金属管件表面质量检测方法 |
CN115311284A (zh) * | 2022-10-12 | 2022-11-08 | 南通嘉鹏家居用品有限公司 | 用于玻璃纤维毡的生产质量检测方法 |
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
CN116030058B (zh) * | 2023-03-29 | 2023-06-06 | 无锡斯达新能源科技股份有限公司 | 一种用于抛光垫表面粗糙度的质量评价方法 |
CN116433672A (zh) * | 2023-06-15 | 2023-07-14 | 山东九思新材料科技有限责任公司 | 基于图像处理的硅片表面质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116958127A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
Ahmed | Comparative study among Sobel, Prewitt and Canny edge detection operators used in image processing | |
CN116958127B (zh) | 基于图像特征的硅片质量评估方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
Krishnan et al. | A survey on different edge detection techniques for image segmentation | |
CN115937216B (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
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 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
Ma et al. | An automatic detection method of Mura defects for liquid crystal display | |
CN107862689A (zh) | 皮革表面明显破损自动识别方法及计算机可读存储介质 | |
CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
CN117269179B (zh) | 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 | |
Zhixin et al. | Adaptive centre extraction method for structured light stripes | |
CN116596922B (zh) | 一种太阳能热水器生产质量检测方法 | |
CN108364274B (zh) | 微纳米尺度下光学图像的无损清晰重构方法 | |
CN115008255B (zh) | 一种用于机床的刀具磨损识别方法及装置 | |
CN113674180B (zh) | 磨砂平面低对比度缺陷检测方法、装置、设备和存储介质 | |
Wang et al. | A bilateral filtering based ringing elimination approach for motion-blurred restoration image | |
CN115829967A (zh) | 一种工业金属表面缺陷图像去噪和增强方法 | |
CN115841632A (zh) | 输电线路提取方法、装置以及双目测距方法 | |
RU2405200C2 (ru) | Способ и устройство быстрого фильтрования шума цифровых изображений | |
US20160162753A1 (en) | Image processing apparatus, image processing method, and non-transitory computer-readable storage medium | |
Choudhary et al. | A novel approach for edge detection for blurry images by using digital image processing | |
Shen | On multi-edge detection | |
Vijayalakshmi et al. | Novel Pre-processing Stage for Classification of CT Scan Covid-19 Images. |
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 |