CN117036314A - 一种高密度柔性ic基板氧化区域检测方法 - Google Patents
一种高密度柔性ic基板氧化区域检测方法 Download PDFInfo
- Publication number
- CN117036314A CN117036314A CN202311042527.6A CN202311042527A CN117036314A CN 117036314 A CN117036314 A CN 117036314A CN 202311042527 A CN202311042527 A CN 202311042527A CN 117036314 A CN117036314 A CN 117036314A
- Authority
- CN
- China
- Prior art keywords
- classifier
- image
- region
- features
- classification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000000758 substrate Substances 0.000 title claims abstract description 31
- 230000003647 oxidation Effects 0.000 title claims abstract description 14
- 238000007254 oxidation reaction Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 53
- 238000012360 testing method Methods 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012567 pattern recognition method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011426 transformation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高密度柔性IC基板氧化区域检测方法，涉及柔性IC基板检测技术领域，步骤一、图像采集及预处理：使用高精度相机对柔性IC基板表面进行图像采集，并对采集到的图像进行预处理；步骤二、区域分割及特征提取：采用图像分割算法，将预处理后的图像分割为若干个区域，然后对图像进行提取特征；步骤三、区域分类：将提取到的特征输入到分类器中，将其归为氧化区域或非氧化区域，进行分类。本发明基于图像处理和机器学习的区域检测方法配合使用，排除了检测结果受外界因素的影响，使得数据的质量更加精细，利用图像处理和机器学习技术，降低检测过程对检测人员的要求，相较于传统检测方法，更加节省人工和成本。
Description
技术领域
本发明涉及柔性IC基板检测技术领域，具体涉及一种高密度柔性IC基板氧化区域检测方法。
背景技术
高密度柔性IC基板是现代电子设备领域中的一种重要材料，具有高密度、柔韧性、轻薄等特点，在柔性IC基板的制备过程中，基板表面可能会出现氧化区域，因此需要检测和识别这些区域，而高密度柔性IC基板的氧化区域检测是保证其质量和性能的重要步骤之一，现代电子设备中使用的高密度柔性IC基板，其特点在于其高密度和柔性，表面易受到损伤，直接影响其使用寿命和可靠性，因此在生产过程中需要及时检测表面是否存在氧化区域。
针对现有技术存在以下问题：传统的检测方法主要依赖于人工观察，需要大量工作人员，缺乏效率，并且人工观察检测，检测结果会受到检测人员的主观因素影响，易出现误判或误差，缺乏客观性，传统检测方法的测量精度主要受人员技能和专业度等因素的影响，其结果可能存在偏差，精度难以保证的问题。
发明内容
本发明目的在于提供一种高密度柔性IC基板氧化区域检测方法，以解决上述背景技术中提出的问题。
为解决上述技术问题，本发明所采用的技术方案是：
一种高密度柔性IC基板氧化区域检测方法，包括以下步骤：
步骤一、图像采集及预处理：使用高精度相机对柔性IC基板表面进行图像采集，并对采集到的图像进行预处理；
步骤二、区域分割及特征提取：采用图像分割算法，将预处理后的图像分割为若干个区域，然后对图像进行提取特征；
步骤三、区域分类：将提取到的特征输入到分类器中，将其归为氧化区域或非氧化区域，进行分类；
步骤四、检验修正及结果输出：将分类器输出的结果与真实情况进行对比，对分类结果进行检查和修正，判断哪些区域存在误分类和漏检，将检测结果输出给控制系统，进行自动化控制和监控。
本发明技术方案的进一步改进在于：所述步骤一中，采集时需注意光线的角度、亮度和白平衡等因素，以获得清晰、准确的图像，预处理包括去噪、灰度化、平滑、二值化、增强和校正；
去噪主要采用中值滤波器、高斯滤波器算法去除图像中的噪点；
将图像灰度化是为了便于后续处理中区分不同区域；
平滑操作使用均值滤波器、高斯滤波器平滑算法；
二值化将图像分为黑白两种颜色，便于进行后续处理，提升图像质量；
增强是为了获取更加清晰的目标特征；
校正针对图像采集时可能出现的图像畸变和变形，根据图像特征进行校正，例如进行图像扭曲校正。
本发明技术方案的进一步改进在于：所述步骤二具体包括有，采用阈值法、区域生长、分水岭算法、基于图论的方法中的适合方法对图像进行区域分割；
分割完成后，对分割的区域进行去除噪声、填补空洞、合并分割结果的操作，提高分割的准确性和稳定性；
根据需求对分割后的区域进行形态学分析，分析其计算面积、周长、外接矩形、重心、方向参数，描述区域的形态特征；
依照特征提取方法进行区域特征类型的选择；
用PCA降维、LDA分类的方法，将提取得到的特征转换为特征向量；
对特征进行筛选和分类，根据实际需求对提取得到的特征向量进行筛选，去除冗余特征和噪声特征，将筛选后的特征向量使用机器学习或模式识别方法进行分类，实现图像检索、目标识别应用。
本发明技术方案的进一步改进在于：所述特征类型包括纹理特征、颜色特征、形状特征；特征提取方法包括统计方法、图像拟合方法、小波变换、局部二值模式。
本发明技术方案的进一步改进在于：所述步骤三具体包括有，将获取的区域特征进行归一化、降维的预处理，以便提高分类器的识别性能，应用的方向为训练集和测试集；
在区域分割的基础上，采用各种特征提取的方法获取区域的特征；
根据所获取的特征情况，通过逐步回归或L1正则化方法选择最优的特征或特征组合以提高分类精度，并减小特征空间的大小以提高分类速度；
选择适合所提取的特征的分类器进行训练；
采用评估度量指标(分类准确率、精度、召回率、F1 score)对分类器训练结果进行评估，并通过改变模型参数，提高分类精度，在保证模型泛化能力的前提下，达到更好的识别效果；
完成分类器的训练后，将新的区域图像输入到分类模型中，进行预测与分类。
本发明技术方案的进一步改进在于：所述步骤四的检验修正分为两个阶段：训练集上的验证和测试集上的验证；
在训练集上的验证中，测试分类器在训练集上的准确性和泛化能力；
在测试集上的验证中，测试分类器对未见过的数据的准确性和泛化能力。
本发明技术方案的进一步改进在于：所述步骤四具体包括有，将数据集按照一定比例分成训练集和测试集，一般采用70/30或80/20的比例；
对训练集和测试集中的每张图像进行特征提取，得到对应的特征向量；
对特征向量进行标准化处理，使其具有相同的尺度和统计特性；
将标准化后的训练集输入到分类器中进行训练，调整分类器的权重；
训练集上的验证：将训练集输入到训练好的分类器中，测试分类器在训练集上的准确率；
测试集上的验证：将测试集输入到训练好的分类器中，测试分类器在测试集上的准确率；
结果输出：输出分类器在训练集和测试集上的准确率，并根据实际需求输出分类结果；
模型优化：如果分类器在测试集上的表现不够理想，则需要对其进行优化，一般采用调整分类器参数、增加数据量、使用更具表征性的特征方法。
本发明技术方案的进一步改进在于：所述分类器评估度量指标从训练集和测试集上计算指标来评价分类器的性能，假设分类器将一组N个样本分类为正例或负例，并将正确分类的正例数、负例数和错误分类的正例数、负例数分别表示为TP(True Positive)、TN(True Negative)、FP(False Positive)、FN(False Negative)，指标的具体计算公式如下：
分类准确率(Accuracy)＝(TP+TN)/N；
精度(Precision)＝TP/(TP+FP)；
召回率(Recall)＝TP/(TP+FN)；
F1 Score＝2*Precision*Recall/(Precision+Recall)。
由于采用了上述技术方案，本发明相对现有技术来说，取得的技术进步是：
1、本发明提供一种高密度柔性IC基板氧化区域检测方法，基于图像处理和机器学习的区域检测方法配合使用，排除了检测结果受外界因素的影响，使得数据的质量更加精细，利用图像处理和机器学习技术，降低检测过程对检测人员的要求，相较于传统检测方法，更加节省人工和成本。
2、本发明提供一种高密度柔性IC基板氧化区域检测方法，利用高精度相机及图像采集方法的配合，可有效提高氧化区域的检测精度，避免人工检测的主观性和误判问题，而且机械化作业，大大提高了检测效率，减少了需要的人力资源和时间成本。
3、本发明提供一种高密度柔性IC基板氧化区域检测方法，采用计算机程序与人工配合的方式进行高密度柔性IC基板氧化区域的检测，以非人工实施的方式对图像进行处理，结果是可重复的，不受人工操作的影响，且基于机器学习的方法具有自适应性，可根据不同的数据集和实际情况自动调整算法，提高了检测方法的适应性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明一种高密度柔性IC基板氧化区域检测方法的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1，如图1所示，本发明提供了一种高密度柔性IC基板氧化区域检测方法，包括以下步骤：
步骤一、图像采集及预处理：使用高精度相机对柔性IC基板表面进行图像采集，并对采集到的图像进行预处理，采集时需注意光线的角度、亮度和白平衡等因素，以获得清晰、准确的图像，预处理包括去噪、灰度化、平滑、二值化、增强和校正；去噪主要采用中值滤波器、高斯滤波器算法去除图像中的噪点；将图像灰度化是为了便于后续处理中区分不同区域；平滑操作使用均值滤波器、高斯滤波器平滑算法；二值化将图像分为黑白两种颜色，便于进行后续处理，提升图像质量；增强是为了获取更加清晰的目标特征；校正针对图像采集时可能出现的图像畸变和变形，根据图像特征进行校正，例如进行图像扭曲校正；
步骤二、区域分割及特征提取：采用图像分割算法，将预处理后的图像分割为若干个区域，然后对图像进行提取特征，采用阈值法、区域生长、分水岭算法、基于图论的方法中的适合方法对图像进行区域分割；分割完成后，对分割的区域进行去除噪声、填补空洞、合并分割结果的操作，提高分割的准确性和稳定性；根据需求对分割后的区域进行形态学分析，分析其计算面积、周长、外接矩形、重心、方向参数，描述区域的形态特征；依照特征提取方法进行区域特征类型的选择；用PCA降维、LDA分类的方法，将提取得到的特征转换为特征向量；对特征进行筛选和分类，根据实际需求对提取得到的特征向量进行筛选，去除冗余特征和噪声特征，将筛选后的特征向量使用机器学习或模式识别方法进行分类，实现图像检索、目标识别应用，特征类型包括纹理特征、颜色特征、形状特征；特征提取方法包括统计方法、图像拟合方法、小波变换、局部二值模式；
步骤三、区域分类：将提取到的特征输入到分类器中，将其归为氧化区域或非氧化区域，进行分类，将获取的区域特征进行归一化、降维的预处理，以便提高分类器的识别性能，应用的方向为训练集和测试集；在区域分割的基础上，采用各种特征提取的方法获取区域的特征；根据所获取的特征情况，通过逐步回归或L1正则化方法选择最优的特征或特征组合以提高分类精度，并减小特征空间的大小以提高分类速度；选择适合所提取的特征的分类器进行训练，可使用传统的分类器，如支持向量机、K近邻、朴素贝叶斯，也可以使用深度学习模型进行训练，如卷积神经网络(CNN)；采用评估度量指标(分类准确率、精度、召回率、F1 score)对分类器训练结果进行评估，并通过改变模型参数，提高分类精度，在保证模型泛化能力的前提下，达到更好的识别效果；完成分类器的训练后，将新的区域图像输入到分类模型中，进行预测与分类；
步骤四、检验修正及结果输出：将分类器输出的结果与真实情况进行对比，对分类结果进行检查和修正，判断哪些区域存在误分类和漏检，将检测结果输出给控制系统，进行自动化控制和监控，检验修正分为两个阶段：训练集上的验证和测试集上的验证；在训练集上的验证中，测试分类器在训练集上的准确性和泛化能力；在测试集上的验证中，测试分类器对未见过的数据的准确性和泛化能力，将数据集按照一定比例分成训练集和测试集，一般采用70/30或80/20的比例；对训练集和测试集中的每张图像进行特征提取，得到对应的特征向量；对特征向量进行标准化处理，使其具有相同的尺度和统计特性；将标准化后的训练集输入到分类器中进行训练，调整分类器的权重；训练集上的验证：将训练集输入到训练好的分类器中，测试分类器在训练集上的准确率；测试集上的验证：将测试集输入到训练好的分类器中，测试分类器在测试集上的准确率；结果输出：输出分类器在训练集和测试集上的准确率，并根据实际需求输出分类结果；模型优化：如果分类器在测试集上的表现不够理想，则需要对其进行优化，一般采用调整分类器参数、增加数据量、使用更具表征性的特征方法；
进一步的，分类器评估度量指标从训练集和测试集上计算指标来评价分类器的性能，假设分类器将一组N个样本分类为正例或负例，并将正确分类的正例数、负例数和错误分类的正例数、负例数分别表示为TP(True Positive)、TN(True Negative)、FP(FalsePositive)、FN(False Negative)，指标的具体计算公式如下：
分类准确率(Accuracy)＝(TP+TN)/N；
精度(Precision)＝TP/(TP+FP)；
召回率(Recall)＝TP/(TP+FN)；
F1 Score＝2*Precision*Recall/(Precision+Recall)；
一般训练集上的分类准确率高于测试集上的分类准确率，进行分类器性能评价时，需要关注测试集上的性能表现，判断分类器的泛化能力是否足够好。
实施例2，如图1所示，在实施例1的基础上，本发明提供一种技术方案：优选的，图像采集及预处理涉及到去噪、图像灰度化、平滑、二值化、增强和校正；
进一步的，图像去噪采用平均值滤波、中值滤波、高斯滤波方法，平均值滤波法采用图像中某一像素邻域内像素的平均值代替该像素值，其计算公式为：
I(x,y)＝(1/k^2)*∑∑I(i,j)(i,j)∈N(x,y)；
其中N(x,y)表示以(x,y)为中心的k*k像素邻域，I(i,j)表示像素(i,j)的灰度值，k为窗口大小；
进一步的，图像灰度化用于灰度化将彩色图像转化为灰度图像，其计算公式如下：
$$I(i,j)＝0.299R(i,j)+0.587G(i,j)+0.114B(i,j),$$；
其中$R(i,j)$、$G(i,j)$、$B(i,j)$分别表示像素$(i,j)$位置的红色、绿色和蓝色分量；
进一步的，图像平滑过程采用卷积平滑法，高斯平滑是最常用的方法之一，其计算公式为：
I(x,y)＝(1/(2πσ^2))*∑∑I(i,j)*exp(-[(x-i)^2+(y-j)^2]/(2σ^2))(i,j)∈N(x,y)；
其中N(x,y)表示以(x,y)为中心的k*k像素邻域，σ为高斯核的标准差进一步的，图像二值化使用大津法，其计算步骤为：
对灰度值进行直方图统计；
计算灰度直方图的归一化直方图；
将灰度值划分成两个区间：前景区间和背景区间，并计算前景像素和背景像素的平均灰度值；
计算在每个灰度值分界线下方的方差，并将其相加；
找到使总方差最小的分界线；
进一步的，图像增强过程采用直方图均衡化、对数变换、伽马变换方法，直方图均衡化法将图像的像素灰度值分布拉伸到整个灰度级范围内，其计算公式为：
s＝T(r)＝floor((L-1)*∑j＝0^rP(k))；
其中，r为像素的灰度值，P(k)为灰度直方图，L为像素灰度级别数；
进一步的，图像校正过程采用图像旋转、仿射变换和透视变换方法，最常用的是仿射变换，其计算公式为：
x'＝a11*x+a12*y+b1，y'＝a21*x+a22*y+b2；
其中(x,y)代表原始图像中的像素坐标，(x',y')代表校正后的图像中的像素坐标，a11,a12,a21和a22代表仿射变换矩阵的元素，b1和b2代表平移量。
实施例3，如图1所示，在实施例1-2的基础上，本发明提供一种技术方案：优选的，特征类型中纹理特征采用统计法或结构法进行计算，统计法主要通过统计某个像素附近的像素值或梯度来反映纹理特征；结构法则通过构建纹理结构模型来描述纹理特征，常见的纹理特征包括有灰度共生矩阵特征(GLCM)、Gabor滤波器特征，其具体计算公式如下：
灰度共生矩阵特征(GLCM)：
$$\begin{aligned}
\text{Contrast}&；＝\sum{i,j＝1}^N(i-j)^2p{i,j}\
\text{Energy}&；＝\sum{i,j＝1}^Np{i,j}^2\
\text{Homogeneity}&；＝\sum{i,j＝1}^N\dfrac{p{i,j}}{1+(i-j)^2}\\end{aligned}$$；
其中，$N$为灰度级别数，$p_{i,j}$为相邻像素$i$和$j$的概率密度。
Gabor滤波器特征：
$$f(x,y,m,n)＝|G(x,y,\theta,m,n)*I(x,y)|$$；
其中，$G(x,y,\theta,m,n)$为Gabor滤波核，$I(x,y)$为图像，$m$表示频率，$\theta$表示方向，$n$表示相位
进一步的，颜色特征则将图像按照颜色空间划分成若干个区域，统计每个区域内相应颜色通道(如RGB、HSV通道)的像素值，形成颜色特征向量，其具体计算公式为：
$$(hi){i＝1}^N$$；
其中，$N$为颜色类别数，$h_i$为第$i$个颜色类别的像素数量
更进一步的，形状特征采用多项式、傅里叶描述子方法进行计算，常见的形状特征包括边缘、轮廓，其具有计算公式如下：
$$\begin{aligned}
X&；＝\dfrac{\sum{i＝1}^n(i-\bar{x})^2}{n}\
Y&＝\dfrac{\sum{i＝1}^n(i-\bar{y})^2}{n}\
S&；＝\dfrac{\sum{i＝1}^n(xi-\bar{x})(y_i-\bar{y})}{n}\
\end{aligned}$$；
其中，$n$为顶点数，$(xi,yi)$为第$i$个顶点坐标，$\bar{x},\bar{y}$分别为顶点横坐标和纵坐标的平均值。
傅里叶描述子特征：
$$ak＝\dfrac{1}{n}\sum{i＝1}^n[xi\cos(k\thetai)+yi\sin(k\thetai)]$$；
其中，$n$为轮廓点数，$(xi,yi)$为第$i$个轮廓点坐标，$\theta_i$为第$i$个轮廓点对应的极角；
在将区域分类特征输入到分类器中时，将其转换为一个特征向量，并配上相应的标签，具体表现为，将不同特征的特征向量在水平方向进行拼接，生成一个综合的特征向量，并将其和标签一起输入到分类器中进行训练和预测；
在训练过程中，分类器根据输入的训练数据不断调整其自身的权重，以适应不同的分类任务；在预测时，分类器根据输入的测试数据和训练得到的模型权重，计算出该测试数据属于各个类别的概率分布，并输出概率最大的类别作为分类结果。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种高密度柔性IC基板氧化区域检测方法，其特征在于：包括以下步骤：
步骤一、图像采集及预处理：使用高精度相机对柔性IC基板表面进行图像采集，并对采集到的图像进行预处理；
步骤二、区域分割及特征提取：采用图像分割算法，将预处理后的图像分割为若干个区域，然后对图像进行提取特征；
步骤三、区域分类：将提取到的特征输入到分类器中，将其归为氧化区域或非氧化区域，进行分类；
步骤四、检验修正及结果输出：将分类器输出的结果与真实情况进行对比，对分类结果进行检查和修正，判断哪些区域存在误分类和漏检，将检测结果输出给控制系统，进行自动化控制和监控。
2.根据权利要求1所述的一种高密度柔性IC基板氧化区域检测方法，其特征在于：所述步骤一中，采集时需注意光线的角度、亮度和白平衡因素，以获得清晰、准确的图像，预处理包括去噪、灰度化、平滑、二值化、增强和校正；
去噪主要采用中值滤波器、高斯滤波器算法去除图像中的噪点；
将图像灰度化是为了便于后续处理中区分不同区域；
平滑操作使用均值滤波器、高斯滤波器平滑算法；
二值化将图像分为黑白两种颜色，便于进行后续处理，提升图像质量；
增强是为了获取更加清晰的目标特征；
校正针对图像采集时可能出现的图像畸变和变形，根据图像特征进行校正，例如进行图像扭曲校正。
3.根据权利要求1所述的一种高密度柔性IC基板氧化区域检测方法，其特征在于：所述步骤二具体包括有，采用阈值法、区域生长、分水岭算法、基于图论的方法中的适合方法对图像进行区域分割；
分割完成后，对分割的区域进行去除噪声、填补空洞、合并分割结果的操作，提高分割的准确性和稳定性；
根据需求对分割后的区域进行形态学分析，分析其计算面积、周长、外接矩形、重心、方向参数，描述区域的形态特征；
依照特征提取方法进行区域特征类型的选择；
用PCA降维、LDA分类的方法，将提取得到的特征转换为特征向量；
对特征进行筛选和分类，根据实际需求对提取得到的特征向量进行筛选，去除冗余特征和噪声特征，将筛选后的特征向量使用机器学习或模式识别方法进行分类，实现图像检索、目标识别应用。
4.根据权利要求3所述的一种高密度柔性IC基板氧化区域检测方法，其特征在于：所述特征类型包括纹理特征、颜色特征、形状特征；特征提取方法包括统计方法、图像拟合方法、小波变换、局部二值模式。
5.根据权利要求1所述的一种高密度柔性IC基板氧化区域检测方法，其特征在于：所述步骤三具体包括有，将获取的区域特征进行归一化、降维的预处理，以便提高分类器的识别性能，应用的方向为训练集和测试集；
在区域分割的基础上，采用各种特征提取的方法获取区域的特征；
根据所获取的特征情况，通过逐步回归或L1正则化方法选择最优的特征或特征组合以提高分类精度，并减小特征空间的大小以提高分类速度；
选择适合所提取的特征的分类器进行训练；
采用评估度量指标(分类准确率、精度、召回率、F1 score)对分类器训练结果进行评估，并通过改变模型参数，提高分类精度，在保证模型泛化能力的前提下，达到更好的识别效果；
完成分类器的训练后，将新的区域图像输入到分类模型中，进行预测与分类。
6.根据权利要求5所述的一种高密度柔性IC基板氧化区域检测方法，其特征在于：所述步骤四的检验修正分为两个阶段：训练集上的验证和测试集上的验证；
在训练集上的验证中，测试分类器在训练集上的准确性和泛化能力；
在测试集上的验证中，测试分类器对未见过的数据的准确性和泛化能力。
7.根据权利要求6所述的一种高密度柔性IC基板氧化区域检测方法，其特征在于：所述步骤四具体包括有，将数据集按照一定比例分成训练集和测试集，一般采用70/30或80/20的比例；
对训练集和测试集中的每张图像进行特征提取，得到对应的特征向量；
对特征向量进行标准化处理，使其具有相同的尺度和统计特性；
将标准化后的训练集输入到分类器中进行训练，调整分类器的权重；
训练集上的验证：将训练集输入到训练好的分类器中，测试分类器在训练集上的准确率；
测试集上的验证：将测试集输入到训练好的分类器中，测试分类器在测试集上的准确率；
结果输出：输出分类器在训练集和测试集上的准确率，并根据实际需求输出分类结果；
模型优化：如果分类器在测试集上的表现不够理想，则需要对其进行优化，一般采用调整分类器参数、增加数据量、使用更具表征性的特征方法。
8.根据权利要求5所述的一种高密度柔性IC基板氧化区域检测方法，其特征在于：所述分类器评估度量指标从训练集和测试集上计算指标来评价分类器的性能，假设分类器将一组N个样本分类为正例或负例，并将正确分类的正例数、负例数和错误分类的正例数、负例数分别表示为TP(True Positive)、TN(True Negative)、FP(False Positive)、FN(FalseNegative)，指标的具体计算公式如下：
分类准确率(Accuracy)＝(TP+TN)/N；
精度(Precision)＝TP/(TP+FP)；
召回率(Recall)＝TP/(TP+FN)；
F1 Score＝2*Precision*Recall/(Precision+Recall)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311042527.6A CN117036314A (zh) | 2023-08-18 | 2023-08-18 | 一种高密度柔性ic基板氧化区域检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311042527.6A CN117036314A (zh) | 2023-08-18 | 2023-08-18 | 一种高密度柔性ic基板氧化区域检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117036314A true CN117036314A (zh) | 2023-11-10 |
Family
ID=88638872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311042527.6A Pending CN117036314A (zh) | 2023-08-18 | 2023-08-18 | 一种高密度柔性ic基板氧化区域检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117036314A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117636055A (zh) * | 2023-12-12 | 2024-03-01 | 北京易恒盈通科技有限公司 | 一种数字信息的云存储方法及系统 |
-
2023
- 2023-08-18 CN CN202311042527.6A patent/CN117036314A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117636055A (zh) * | 2023-12-12 | 2024-03-01 | 北京易恒盈通科技有限公司 | 一种数字信息的云存储方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
| CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
| CN109255344B (zh) | 一种基于机器视觉的数显式仪表定位与读数识别方法 | |
| CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
| CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
| CN109523529B (zh) | 一种基于surf算法的输电线路缺陷识别方法 | |
| CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
| CN107610114A (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
| CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
| Percannella et al. | A classification-based approach to segment HEp-2 cells | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
| CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
| CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
| CN111259893A (zh) | 一种基于深度学习的智能工具管理方法 | |
| CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 | |
| CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
| CN110175614A (zh) | 一种印刷电路板过孔内壁质量的检测方法 | |
| CN110689003A (zh) | 低照度成像车牌识别方法、系统、计算机设备及存储介质 | |
| CN116823725A (zh) | 一种基于支持向量机的航空发动机叶片表面缺陷检测方法 | |
| CN115830585A (zh) | 一种基于图像增强的港口集装箱号识别方法 | |
| CN117934467A (zh) | 基于图像处理的钛金属焊接质量检测方法及系统 | |
| CN113989196A (zh) | 一种基于视觉的耳机硅胶垫圈的外观缺陷检测方法 | |
| CN113743421A (zh) | 一种水稻叶片花青素显色区域分割及定量分析的方法 | |
| CN116309561B (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 |
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 |