CN116977340B - 基于光学信息的led半导体封装点胶缺陷检测方法 - Google Patents
基于光学信息的led半导体封装点胶缺陷检测方法 Download PDFInfo
- Publication number
- CN116977340B CN116977340B CN202311239014.4A CN202311239014A CN116977340B CN 116977340 B CN116977340 B CN 116977340B CN 202311239014 A CN202311239014 A CN 202311239014A CN 116977340 B CN116977340 B CN 116977340B
- Authority
- CN
- China
- Prior art keywords
- information
- dispensing
- pixel
- domain
- obtaining
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 64
- 239000004065 semiconductor Substances 0.000 title claims abstract description 44
- 230000003287 optical effect Effects 0.000 title claims abstract description 25
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004891 communication Methods 0.000 claims description 57
- 230000004927 fusion Effects 0.000 claims description 40
- 230000000877 morphologic effect Effects 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 14
- 239000003292 glue Substances 0.000 claims description 8
- 238000004026 adhesive bonding Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 239000000853 adhesive Substances 0.000 claims 1
- 230000001070 adhesive effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 11
- 239000000463 material Substances 0.000 abstract description 10
- 238000005538 encapsulation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000084 colloidal system Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及材料缺陷检测技术领域，具体涉及一种基于光学信息的LED半导体封装点胶缺陷检测方法。该方法利用光学手段获得的X射线图像中的信息获得点胶内部密度信息，可见光表面图像中的信息获得点胶表面的形态信息。利用形态信息和密度信息的差异对缺陷特征进行初次增强，利用两种图像中连通域的面积差异进行二次增强，使得封装点胶气泡缺陷区域的特征更为明显。能够简单快速的识别出封装点胶气泡缺陷区域。本发明利用光学信息的特征对LED半导体封装点胶的气泡缺陷进行特征增强，实现快速高效的缺陷检测过程。
Description
技术领域
本发明涉及材料缺陷检测技术领域，具体涉及一种基于光学信息的LED半导体封装点胶缺陷检测方法。
背景技术
封装点胶是LED半导体生产供艺之一，在LED半导体封装的过程中，点胶的质量直接影响到LED半导体的工作能力。封装点胶过程中，点胶气泡为一种常见缺陷。点胶气泡缺陷会导致封装结果内部结构不均匀，影响最后封装的质量，导致产品外观和性能均会受到影响。
因此在封装点胶工艺完成后需要对产品进行缺陷检测，现有技术中，可利用X射线获取产品内部的情况，根据X射线图像的反馈确定缺陷区域。但是X射线图像展现出的信息具有局限性，因为X射线图像信息仅能表示某个位置的密度信息，会出现大量误识别的现象，导致缺陷检测不准确。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于光学信息的LED半导体封装点胶缺陷检测方法，所采用的技术方案具体如下：
本发明提出了一种基于光学信息的LED半导体封装点胶缺陷检测方法，所述方法包括：
获得LED半导体封装点胶表面的X射线图像；根据附带可见光光源的相机获得LED半导体封装点胶表面的可见光表面图像；所述X射线图像与所述可见光表面图像等大，且像素点存在对应关系；
根据所述X射线图像中像素点像素值信息分割出背景区域和点胶阴影区域；获得所有所述点胶阴影区域的多个第一连通域；以所述第一连通域内的平均像素值作为所述第一连通域内每个像素点的密度信息；
获得所述可见光表面图像中对应的所述点胶阴影区域的多个第二连通域；以所述第二连通域内的平均像素值作为凸起程度；获得所述第二连通域内每个角点的曲率，所述角点外的其他像素点的曲率为一；以所述曲率作为所述凸起程度的权重，获得所述第二连通域内每个像素点的形态信息；
根据对应像素点的所述形态信息与所述密度信息的信息差异获得第一融合系数；所述第一融合系数与所述信息差异呈正比；以所述第一融合系数作为所述第一连通域中对应像素点的权重去调整像素值，获得第一增强图像；将所述X射线图像中的所述第一连通域与所述可见光表面图像中的所述第二连通域进行匹配，以所述第二连通域与对应的第一连通域的面积比作为所述第一连通域内像素点的第二融合系数；以所述第二融合系数作为所述第一增强图像中对应像素点的权重去调整像素值，获得第二增强图像；
根据所述第二增强图像中的像素值进行阈值分割，获得封装点胶气泡缺陷区域。
进一步地，所述根据所述X射线图像中像素点像素值信息分割出背景区域和点胶阴影区域包括：
利用双阈值分割法对所述X射线图像进行阈值分割，获得所述背景区域的像素点和所述点胶阴影区域的像素点。
进一步地，所述获得所有所述点胶阴影区域内的多个第一连通域包括：
获得所述点胶阴影区域内每个像素点的梯度信息，所梯度信息包括梯度幅值和梯度方向；以所述梯度信息和像素点的坐标信息构成梯度特征向量，获得相邻像素点的所述梯度特征向量的欧氏距离，根据所述欧氏距离进行密度聚类，获得多个所述第一连通域。
进一步地，所述获得所述第二连通域内每个角点的曲率包括：
获取所述第二连通域的轮廓边缘；利用曲率尺度空间算法获得所述轮廓边缘上每个角点的所述曲率。
进一步地，所述根据对应像素点的所述形态信息与所述密度信息的信息差异获得第一融合系数包括：
根据第一融合系数公式获得所述第一融合系数，所述第一融合系数公式包括：
，
其中，αK(k)为第K个所述第一连通域内第k个像素点的所述第一融合系数，Rk为第K个所述第一连通域内第k个像素点在对应的所述第二连通域内的所述形态信息，Gk为第K个所述第一连通域内第k个像素点对应的密度信息，U为量纲平衡系数。
进一步地，所述根据所述第二增强图像中的像素值进行阈值分割，获得封装点胶气泡缺陷区域包括：
将所述第二增强图像中像素值大于预设阈值的像素点作为点胶气泡缺陷像素点，获得所述封装点胶气泡缺陷区域。
进一步地，所述获得所述可见光表面图像中对应的所述点胶阴影区域的多个第二连通域之后还包括：
设置灰度阈值，当第二连通域内的平均像素值大于灰度阈值时认为是凸起，否则认为是凹陷，将认为是凹陷的第二连通域剔除。
进一步地，所述灰度阈值设置为150。
进一步地，所述判断阈值通过大津阈值法进行获取。
进一步地，所述将所述X射线图像中的所述第一连通域与所述可见光表面图像中的所述第二连通域进行匹配包括：
通过第一连通域和第二连通域之间中心点欧氏距离的大小计算匹配结果，欧氏距离最小的为最优匹配结果。
本发明具有如下有益效果：
本发明实施例在X射线图像的基础上获得点胶区域内第一连通域，并根据像素值大小表征第一连通域中的密度信息。利用可见光图像表征每个点胶区域每个位置的形态信息。根据形态信息和密度信息对X射线图像进行第一次增强，进一步利用匹配的第一连通域和第二连通域的面积差异对X射线图像中的信息进行进一步增强。通过两次图像增强获得气泡缺陷特征明显的第二增强图像，根据第二增强图像获得准确的封装点胶气泡缺陷区域。
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基于光学信息的LED半导体封装点胶缺陷检测方法流程图。
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基于光学信息的LED半导体封装点胶缺陷检测方法，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基于光学信息的LED半导体封装点胶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基于光学信息的LED半导体封装点胶缺陷检测方法流程图，该方法包括：
步骤S1：获得LED半导体封装点胶表面的X射线图像；根据附带可见光光源的相机获得LED半导体封装点胶表面的可见光表面图像。
在本发明实施例中，利用X射线光源在封装点胶工艺完成后的产品上打光并获得X射线图像，考虑到封装点胶工艺的工作区域在LED半导体表面，所以封装点胶的密度和下方半导体材料的密度会影响固定X射线的成像和检测精度，因此将X射线的检测精度设置为0.35um。
封装点胶产品表面的胶体密度决定着X射线图像中的信息强弱，即密度越大图像中对应位置的像素值越大。
在本发明实施例中，利用附带可见光光源的相机获得led半导体封装点胶表面的可见光表面图像。需要说明的是，获取X射线图像和获取可见光表面图像的两个相机均处于同一位置，以使X射线图像与可见光表面图像等大。
因为X射线图像代表的是产品封装区域的内部信息，因此当某个位置出现气泡缺陷时，导致点胶内部出现气泡，厚度发生变化，但是因为密度没有发生变化，导致X射线图像中的信息并没有发生变化。因此X射线图像中的像素值信息仅能够判断某些位置是否出现胶体缺失，某个位置漏点胶等缺陷，无法识别出气泡缺陷。可见光表面图像为封装产品表面的信息，能够根据光学原理，获得点胶区域的形态特征，因此需要将X射线图像和可见光表面图像结合分析，增强气泡缺陷区域的特征。
步骤S2：根据X射线图像中像素点像素值信息分割出背景区域和点胶阴影区域；获得所有点胶阴影区域的多个第一连通域；以第一连通域内的平均像素值作为第一连通域内每个像素点的密度信息。
优选的，利用双阈值分割法对X射线图像进行阈值分割，获得背景区域的像素点和点胶阴影区域的像素点。其中背景区域为LED半导体材料的信息，点胶阴影区域为进行封装点胶的位置区域。
考虑到X射线图像的呈现特点，将半导体自身的厚度造成的图像灰度去除。封装点胶于半导体材料而言，X射线穿透胶体的能力应更强，因此胶体区域的灰度范围应介于薄厚半导体所形成的灰度范围之间。因此利用双阈值分割法对X射线图像进行分割，需要说明的是，为了提高双阈值分割算法的精度，可根据封装点胶在图像中的先验位置的基础上对双阈值分割算法的双阈值大小进行设定，具体设定值可根据具体点胶材料和半导体材料设置，在此不做限定。
在封装点胶过程中，不同点胶参数或者环境因素都会造成不同的点胶区域存在不同的密度信息及形状。因此获得所以点胶阴影区域的多个第一连通域。每个第一连通域中均为像素值相似的像素点集合，具体获取第一连通域的方法包括：
获得点胶阴影区域内每个像素点的梯度信息，所梯度信息包括梯度幅值和梯度方向；以梯度信息和像素点的坐标信息构成梯度特征向量，获得相邻像素点的梯度特征向量的欧氏距离，根据欧氏距离进行密度聚类，获得多个第一连通域。
在本发明实施例中，利用方向梯度直方图算法获取每个像素点的梯度信息。对欧氏距离进行密度聚类时，最小密度范围设置为[0，5]。利用梯度信息进行连通域分析的优点在于，能够识别出梯度较大的边缘信息，从而将大范围的梯度较小且相似的连续像素点分为一个连通域。
因为第一连通域内所有的像素点的像素值信息相似，因此以第一连通域内的平均像素值作为第一连通域内每个像素点位置处的密度信息。
需要说明的是，X射线图像中的密度信息并不能直接用于识别气泡特征，当一个点胶区域出现气泡时，在X射线图像中的像素值并不会发生变化。因此需要进一步结合可见光表面图像的分析结果。
步骤S3：获得可见光表面图像中对应的点胶阴影区域的多个第二连通域；以第二连通域内的平均像素值作为凸起程度；获得第二连通域内每个角点的曲率，角点外的其他像素点的曲率为一；以曲率作为凸起程度的权重，获得第二连通域内每个像素点的形态信息。
可见光表面图像表示的为半导体表面的图像特征，包括半导体材料颜色、点胶颜色、点胶轮廓等特征。因为可见光表面图像中的特征丰富，因此难以简单获得点胶区域，又因为可见光表面图像与X射线图像等大且像素点一一对应，因此步骤S2中获得的点胶阴影区域在可见光表面图像中对应的区域仍能够表示点胶区域。因此获得可见光表面图像中对应点胶阴影区域的多个第二连通域，第二连通域为相似像素值的像素点集合。
需要说明的是，可见光表面图像和X射线图像在进行图像分析前都需要进行去噪、灰度化等图像预处理操作，图像预处理为本领域技术人员熟知的现有技术，在此不做赘述。
正常的点胶区域应是平整均匀的，如果发生气泡缺陷，点胶内部的气泡会使得点胶表面造成凸起鼓包，从而使点胶内部结构不稳定，影响封装质量。因为可见光表面图像是通过可见光光源的照射下拍摄的，因此对于凸起区域会存在光源反射的现象，导致图像中局部区域变亮，像素值变大。因此可利用可见光表面图像获取半导体表面点胶的形态信息。
需要说明的是，第二连通域获取方法与第一连通域的获取方法相同，在此不做赘述。
以第二连通域内的平均像素值作为该区域的凸起程度，即像素值越大，说明该位置的凸起程度越大。需要说明的是，可设置一个灰度阈值，当第二连通域内的平均像素值大于该灰度阈值时认为是凸起，反之则认为是凹陷，在本发明实施例中，灰度阈值设置为150。需要说明的是，凹陷区域会导致点胶的厚度变小，密度变小，因此可直接在X射线图像中对凹陷区域进行识别，本发明实施例针对的为气泡造成的凸起区域，在此不对凹陷区域识别进行赘述，即可将认为是凹陷的第二连通域剔除。
气泡在点胶内部产生的位置是随机的，因此气泡缺陷的点胶不仅厚度会发生变化，形态也会发生不规则的变化。因此获得第二连通域内每个角点的曲率，角点越多，曲率越大，说明当前第二连通域形状越不规则，越受到气泡的影响，需要说明的是，因为后续是对X射线图像中每个像素点进行增强，因此对于不是角点的像素点，默认曲率为一。获取曲率的方法包括：
获取第二连通域的轮廓边缘。利用曲率尺度空间算法获得轮廓边缘上每个角点的曲率。
在本发明实施例中，利用canny算子提取第二连通域的轮廓边缘，曲率尺度空间算法为本领域技术人员熟知的现有技术在此不作赘述。
以曲率作为凸起程度的权重，获得第二连通域内每个像素点的形态信息。在本发明实施例中，为了调整数据数值，将曲率加一后作为权重与凸起程度相乘，获得形态信息。
形态信息表示了气泡对点胶的形态影响程度，有利于后续对X射线图像中的气泡缺陷区域进行针对性的增强。
步骤S4：根据对应像素点的形态信息与密度信息的信息差异获得第一融合系数；第一融合系数与信息差异呈正比；以第一融合系数作为第一连通域中对应像素点的权重去调整像素值，获得第一增强图像；将X射线图像中的第一连通域与可见光表面图像中的第二连通域进行匹配；以第二连通域与匹配的第一连通域的面积比作为第一连通域内像素点的第二融合系数；以第二融合系数作为第一增强图像中对应像素点的权重去调整像素值，获得第二增强图像。
结合X射线图像和可见光表面图像可对X射线图像中缺失的缺陷区域进行增强，使其与其他区域产生明显的差别。因为X射线图像与可见光表面图像中的像素点一一对应，因此根据对应像素点的形态信息和密度信息的信息差异可获得第一融合系数。信息差异越大，说明X射线图像中对应的位置越为识别不出的气泡缺陷区域，具体获得第一融合系数的方法包括：
根据第一融合系数公式获得第一融合系数，第一融合系数公式包括：
，
其中，αK(k)为第K个所述第一连通域内第k个像素点的所述第一融合系数，Rk为第K个所述第一连通域内第k个像素点在对应的所述第二连通域内的所述形态信息，Gk为第K个所述第一连通域内第k个像素点对应的密度信息，U为量纲平衡系数。量纲平衡系数可根据半导体材料及点胶的具体颜色特征进行设置，在此不做限定。
由第一融合系数公式可看出，因为有了量纲平衡系数的平衡，可直接根据信息差异判断X射线图像中对应像素点位置的状态：当信息差异为0时，第一融合系数为1，说明此处位置的像素点为正常像素点，即在后续融合过程中不对该像素点进行处理；当信息差异为负数时，第一融合系数小于1，说明此处位置的像素点为凹陷区域像素点，因为本发明实施例并不以凹陷区域作为重点，因此利用小于1的第一融合系数可以减少对应位置处的像素值，削弱其特征；当信息差异为正数时，此时第一融合系数大于1，说明此处位置的像素点为气泡形成的凸起区域像素点，在后续增强操作中需要对其进行增强。
以第一融合系数作为第一连通域中对应像素点的权重去调整像素值，获得第一增强图像。即第一增强图像中的像素值为第一融合系数与第一连通域中像素点的原始像素值相乘。
因为X射线图像与可见光表面图像存在对应关系，因此第一连通域与第二连通域也应存在对应关系。第二连通域为点胶的表面视觉信息，第一连通域为内部的密度信息，当气泡缺陷导致点胶区域轮廓发生扩张时，第二连通域的面积会增大，但是第一连通域并不会发生变化，因此第二连通域与对应匹配的第一连通域的面积比可作为第一连通域内像素点的第二融合系数，利用第二融合系数作为第一增强图像中对应像素点的权重去调整像素值，获得第二增强图像。
在本发明实施例中，通过第一连通域和第二连通域之间中心点欧氏距离的大小计算匹配结果，即欧氏距离最小的为最优匹配对。
步骤S5：根据第二增强图像中的像素值进行阈值分割，获得封装点胶气泡缺陷区域。
第二增强图像经过两次图像增强后，其中的气泡缺陷区域的像素点的像素值被大大增强，导致与其他正常像素点产生了明显的差异，因此可直接利用阈值分割的方法，将第二增强图像中像素值大于预设判断阈值的像素点作为点胶气泡缺陷像素点，获得封装点胶气泡缺陷区域。需要说明的是，该判断阈值可根据具体实施场景下的半导体材料及点胶的颜色信息进行具体设置，在此不做限定，在本发明一个实施例中，该判断阈值可通过大津阈值法进行自动获取。
获得封装点胶气泡缺陷区域后，工作人员能够精准的对缺陷区域进行修复处理，并可根据缺陷的数量判断是否是生产工艺出现问题，从而增加了产品的良品率。
综上所述，本发明实施例利用光学手段获得的X射线图像中的信息获得点胶内部密度信息，可见光表面图像中的信息获得点胶表面的形态信息。利用形态信息和密度信息的差异对缺陷特征进行初次增强，利用两种图像中连通域的面积差异进行二次增强，使得封装点胶气泡缺陷区域的特征更为明显。能够简单快速的识别出封装点胶气泡缺陷区域。本发明实施例利用光学信息的特征对LED半导体封装点胶的气泡缺陷进行特征增强，实现快速高效的缺陷检测过程。
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。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于光学信息的LED半导体封装点胶缺陷检测方法，其特征在于，所述方法包括：
获得LED半导体封装点胶表面的X射线图像；根据附带可见光光源的相机获得LED半导体封装点胶表面的可见光表面图像；所述X射线图像与所述可见光表面图像等大，且像素点存在对应关系；
根据所述X射线图像中像素点像素值信息分割出背景区域和点胶阴影区域；获得所有所述点胶阴影区域的多个第一连通域；以所述第一连通域内的平均像素值作为所述第一连通域内每个像素点的密度信息；
获得所述可见光表面图像中对应的所述点胶阴影区域的多个第二连通域；以所述第二连通域内的平均像素值作为凸起程度；获得所述第二连通域内每个角点的曲率，所述角点外的其他像素点的曲率为一；以所述第二连通域内每个像素点的曲率作为所述凸起程度的权重，获得所述第二连通域内每个像素点的形态信息；
根据对应像素点的所述形态信息与所述密度信息的信息差异获得第一融合系数；所述第一融合系数与所述信息差异呈正比；以所述第一融合系数作为所述第一连通域中对应像素点的权重去调整像素值，获得第一增强图像；将所述X射线图像中的所述第一连通域与所述可见光表面图像中的所述第二连通域进行匹配，以所述第二连通域与匹配的第一连通域的面积比作为所述第一连通域内像素点的第二融合系数；以所述第二融合系数作为所述第一增强图像中对应像素点的权重去调整像素值，获得第二增强图像；
根据所述第二增强图像中的像素值进行阈值分割，获得封装点胶气泡缺陷区域。
2.根据权利要求1所述的一种基于光学信息的LED半导体封装点胶缺陷检测方法，其特征在于，所述根据所述X射线图像中像素点像素值信息分割出背景区域和点胶阴影区域包括：
利用双阈值分割法对所述X射线图像进行阈值分割，获得所述背景区域的像素点和所述点胶阴影区域的像素点。
3.根据权利要求1所述的一种基于光学信息的LED半导体封装点胶缺陷检测方法，其特征在于，所述获得所有所述点胶阴影区域内的多个第一连通域包括：
获得所述点胶阴影区域内每个像素点的梯度信息，所梯度信息包括梯度幅值和梯度方向；以所述梯度信息和像素点的坐标信息构成梯度特征向量，获得相邻像素点的所述梯度特征向量的欧氏距离，根据所述欧氏距离进行密度聚类，获得多个所述第一连通域。
4.根据权利要求1所述的一种基于光学信息的LED半导体封装点胶缺陷检测方法，其特征在于，所述获得所述第二连通域内每个角点的曲率包括：
获取所述第二连通域的轮廓边缘；利用曲率尺度空间算法获得所述轮廓边缘上每个角点的所述曲率。
5.根据权利要求1所述的一种基于光学信息的LED半导体封装点胶缺陷检测方法，其特征在于，所述根据对应像素点的所述形态信息与所述密度信息的信息差异获得第一融合系数包括：
根据第一融合系数公式获得所述第一融合系数，所述第一融合系数公式包括：
；
其中，αK(k)为第K个所述第一连通域内第k个像素点的所述第一融合系数，Rk为第K个所述第一连通域内第k个像素点在对应的所述第二连通域内的所述形态信息，Gk为第K个所述第一连通域内第k个像素点对应的密度信息，U为量纲平衡系数。
6.根据权利要求1所述的一种基于光学信息的LED半导体封装点胶缺陷检测方法，其特征在于，所述根据所述第二增强图像中的像素值进行阈值分割，获得封装点胶气泡缺陷区域包括：
将所述第二增强图像中像素值大于预设判断阈值的像素点作为点胶气泡缺陷像素点，获得所述封装点胶气泡缺陷区域。
7.根据权利要求1所述的一种基于光学信息的LED半导体封装点胶缺陷检测方法，其特征在于，所述获得所述可见光表面图像中对应的所述点胶阴影区域的多个第二连通域之后还包括：
设置灰度阈值，当第二连通域内的平均像素值大于灰度阈值时认为是凸起，否则认为是凹陷，将认为是凹陷的第二连通域剔除。
8.根据权利要求7所述的一种基于光学信息的LED半导体封装点胶缺陷检测方法，其特征在于，所述灰度阈值设置为150。
9.根据权利要求6所述的一种基于光学信息的LED半导体封装点胶缺陷检测方法，其特征在于，所述判断阈值通过大津阈值法进行获取。
10.根据权利要求1所述的一种基于光学信息的LED半导体封装点胶缺陷检测方法，其特征在于，所述将所述X射线图像中的所述第一连通域与所述可见光表面图像中的所述第二连通域进行匹配包括：
通过第一连通域和第二连通域之间中心点欧氏距离的大小计算匹配结果，欧氏距离最小的为最优匹配结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311239014.4A CN116977340B (zh) | 2023-09-25 | 2023-09-25 | 基于光学信息的led半导体封装点胶缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311239014.4A CN116977340B (zh) | 2023-09-25 | 2023-09-25 | 基于光学信息的led半导体封装点胶缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116977340A CN116977340A (zh) | 2023-10-31 |
| CN116977340B true CN116977340B (zh) | 2024-04-19 |
Family
ID=88480041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311239014.4A Active CN116977340B (zh) | 2023-09-25 | 2023-09-25 | 基于光学信息的led半导体封装点胶缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116977340B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0540018A2 (en) * | 1991-11-01 | 1993-05-05 | Fuji Electric Co., Ltd. | A cylindrical container inner surface tester based on an image processing technology |
| CN102332157A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种消除阴影的方法 |
| CN112819772A (zh) * | 2021-01-28 | 2021-05-18 | 南京挥戈智能科技有限公司 | 一种高精度快速图形检测识别方法 |
-
2023
- 2023-09-25 CN CN202311239014.4A patent/CN116977340B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0540018A2 (en) * | 1991-11-01 | 1993-05-05 | Fuji Electric Co., Ltd. | A cylindrical container inner surface tester based on an image processing technology |
| CN102332157A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种消除阴影的方法 |
| CN112819772A (zh) * | 2021-01-28 | 2021-05-18 | 南京挥戈智能科技有限公司 | 一种高精度快速图形检测识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 梁礼明 ; 黄朝林 ; 石霏 ; 吴健 ; 江弘九 ; 陈新建 ; .融合形状先验的水平集眼底图像血管分割.计算机学报.2016,(07),第250-264页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116977340A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115791822A (zh) | 晶圆表面缺陷的视觉检测算法及检测系统 | |
| CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
| CN114494045B (zh) | 一种基于机器视觉的大型直齿轮几何参数测量系统及方法 | |
| CN105865329B (zh) | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 | |
| CN117764986B (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
| CN109829906A (zh) | 一种基于方向场与纹理特征的工件缺陷检测与分类方法 | |
| CN115690105B (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
| CN116740070A (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| CN114494179A (zh) | 一种基于图像识别的手机背部破损点检测方法及系统 | |
| CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
| CN112734761A (zh) | 工业品图像边界轮廓提取方法 | |
| CN104574312A (zh) | 标靶图像求圆心的方法和装置 | |
| CN116958125B (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
| CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
| CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
| CN115527049A (zh) | 一种引线框架引脚间距的高精度测量方法 | |
| CN116523923A (zh) | 一种电池外壳缺陷识别方法 | |
| CN116740072A (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
| CN115274486B (zh) | 一种半导体表面缺陷识别方法 | |
| CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN116977340B (zh) | 基于光学信息的led半导体封装点胶缺陷检测方法 | |
| CN107507130A (zh) | 一种快速的qfn芯片引脚图像获取与放大方法 | |
| Chen et al. | Robust dislocation defects region segmentation for polysilicon wafer image with random texture background | |
| CN113763404A (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |