CN117058153B - 基于电子元器件的二极管质量识别方法 - Google Patents
基于电子元器件的二极管质量识别方法 Download PDFInfo
- Publication number
- CN117058153B CN117058153B CN202311324722.8A CN202311324722A CN117058153B CN 117058153 B CN117058153 B CN 117058153B CN 202311324722 A CN202311324722 A CN 202311324722A CN 117058153 B CN117058153 B CN 117058153B
- Authority
- CN
- China
- Prior art keywords
- roi
- region
- texture
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000007547 defect Effects 0.000 claims abstract description 111
- 239000011521 glass Substances 0.000 claims abstract description 49
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 230000004992 fission Effects 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000002950 deficient Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000002146 bilateral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 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
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于电子元器件的二极管质量识别方法。该方法包括:获取每个图像块的第一特征和第二特征;将图像块的第一特征和第二特征进行拼接得到每个图像块的区域描述子;获取每个小区域的纹理评价指标;基于每个ROI区域中每两个图像块的区域描述子之间的相似度的方差、各小区域的纹理评价指标的均值和方差获得每个ROI区域的纹理裂变度;获取每个ROI区域中的特征点,基于每两个相邻的特征点之间连线的斜率和长度得到每个ROI区域的特征点分布扭曲度;基于每个ROI区域的纹理裂变度和特征点分布扭曲度获取每个ROI区域的缺陷类型。本发明能够准确识别出二极管玻壳的缺陷类型。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于电子元器件的二极管质量识别方法。
背景技术
二极管是一种具有两个电极,且只允许电流由单一方向流过的半导体电子元器件,二极管在电路中能够发挥维持信号幅度,续流,保护电路等重要作用,二极管的质量好坏关系到电路的安全运行和人身安全,只有保证投入使用的二极管质量是达标的,才能够有效降低使用风险。
玻壳是应用于二极管封装的重要材料,由于玻壳本身较脆的问题,一旦生产工艺操作不当,就会产生气线、裂纹、内壁污点等缺陷,严重影响二极管的使用性能。目前对二极管玻壳的检测识别方法主要为机器视觉质检,现有的利用机器视觉的技术进行检测时,都仅仅通过灰度特征对图像进行分割,进而达到对二极管玻壳的缺陷进行检测的目的,但未结合更多的信息,因此会造成检测不准确的问题,不能精确的识别出缺陷的类型。
发明内容
为了解决上述现有的利用机器视觉的技术进行检测时,都仅仅通过灰度特征对图像进行分割,进而达到对二极管玻壳的缺陷进行检测的目的,但未结合更多的信息,因此会造成检测不准确的问题,不能精确的识别出缺陷的类型的问题,本发明的目的在于提供一种基于电子元器件的二极管质量识别方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于电子元器件的二极管质量识别方法:
获取二极管玻壳的表面图像;利用预设尺寸的滑动窗口在表面图像上进行滑动获得ROI区域;
将每个ROI区域均匀划分为至少两个图像块,将每个图像块均匀划分为至少两个小区域;获取每个小区域的纹理特征值;每个图像块中各小区域的纹理特征值的平均值,为每个图像块的第一特征;
基于图像块中各小区域的HOG特征向量获得图像块的第二特征;将图像块的第一特征和第二特征进行拼接得到每个图像块的区域描述子;
获取每个小区域的纹理评价指标;基于每个ROI区域中每两个图像块的区域描述子之间的相似度、各小区域的纹理评价指标获得每个ROI区域的纹理裂变度;
获取每个ROI区域中的特征点,基于每两个相邻的特征点之间连线的斜率和长度得到每个ROI区域的特征点分布扭曲度;基于每个ROI区域的纹理裂变度和特征点分布扭曲度获取每个ROI区域的缺陷类型。
优选地,利用预设尺寸的滑动窗口在表面图像上进行滑动获得ROI区域,包括:获得每个滑动窗口内像素点的灰度均值和表面图像的像素点的灰度均值;若一个滑动窗口内像素点的灰度均值小于表面图像的像素点的灰度均值,则该滑动窗口包围的区域为ROI区域。
优选地,获取每个小区域的纹理特征值,包括:获取每个小区域中各像素点的LBP值,各像素点的LBP值的平均值为每个小区域的纹理特征值。
优选地,获取每个小区域的纹理评价指标,包括:获取每个小区域的灰度共生矩阵,灰度共生矩阵中对角线上的所有元素的和与所有非对角线的元素的和的比值为每个小区域的纹理评价指标。
优选地,每个ROI区域的纹理裂变度为:其中,/>表示第m个ROI区域的纹理裂变度;/>表示自然常数;/>表示第m个ROI区域中每两个图像块的区域描述子之间的相似度的方差;/>表示第m个ROI区域中各小区域的纹理评价指标的方差;/>表示第m个ROI区域中各小区域的纹理评价指标的均值。
优选地,获取每个ROI区域中的特征点,包括:利用canny边缘检测算法获取每个ROI区域内的缺陷区域,利用ERT特征点定位算法对缺陷区域进行处理得到每个ROI区域中的特征点。
优选地,每个ROI区域的特征点分布扭曲度为:其中,/>表示第m个ROI区域的特征点分布扭曲度;/>表示第m个ROI区域内特征点的数量;/>表示第i+2个特征点与第i+1个特征点之间连线的斜率;/>示第i+1个特征点与第i个特征点之间连线的斜率;/>表示第i+2个特征点与第i+1个特征点之间连线的长度;/>表示第i+1个特征点与第i个特征点之间连线的长度;/>表示常数系数,取值范围为正数。
优选地,基于每个ROI区域的纹理裂变度和特征点分布扭曲度获取每个ROI区域的缺陷类型,包括:设定第一阈值,若ROI区域的纹理裂变度大于第一阈值,则ROI区域的缺陷类型为裂纹缺陷;获得非裂纹缺陷的ROI区域,设定第二阈值,若非裂纹缺陷的ROI区域的特征点分布扭曲度小于第二阈值,则非裂纹缺陷的ROI区域的缺陷类型为污点缺陷,若非裂纹缺陷的ROI区域的特征点分布扭曲度大于或等于第二阈值,则非裂纹缺陷的ROI区域的缺陷类型为破损缺陷。
本发明实施例至少具有如下有益效果:本发明利用滑动窗口在二极管玻壳的表面图像进行滑动获得ROI区域, 其中筛选出的ROI区域是包含缺陷的区域,这样能够使得后续的分析更加方便;进一步的,对ROI区域进行更加精细的划分得到图像块,再对图像块进行划分得到小区域,这样能够更加精细化的提取ROI区域的特征;通过对图像块各个小区域的纹理特征值和小区域的HOG特征向量进行分析,得到每个图像块的区域描述子,准确的提取了每个图像块的特征;另外还获得了每个小区域的纹理评价指标,进而结合每个ROI区域中各图像块的区域描述子,得到ROI区域的纹理裂变度,从图像的纹理上提取了ROI区域的特征,同时对ROI区域中的相邻的特征点进行分析得到每个ROI区域的特征点分布扭曲度,提取的是缺陷的形状特征;最后,基于每个ROI区域中图像块的区域描述子、纹理裂变度和特征点分布扭曲度获得每个ROI区域的缺陷类型,结合了缺陷的多个特征,避免了只使用灰度特征对二极管玻壳进行缺陷检测不准确的问题,使得检测的结果更加准确。
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为本发明实施例提供的一种基于电子元器件的二极管质量识别方法的方法流程图。
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电子元器件的二极管质量识别方法,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电子元器件的二极管质量识别方法的具体方案。
实施例
本发明的主要应用场景为:由于二极管的玻壳在生产过程中会产生不同类型的缺陷,而不同的缺陷的特征是不相同的,因此通过拍摄二极管的玻壳的表面的图像,进而对图像进行分析提取缺陷的特征,从而对二极管玻壳的表面的缺陷进行分类,获得不同的缺陷的类型。
请参阅图1,其示出了本发明实施例提供的一种基于电子元器件的二极管质量识别方法的方法流程图,该方法包括以下步骤:
步骤S1,获取二极管玻壳的表面图像;利用预设尺寸的滑动窗口在表面图像上进行滑动获得ROI区域。
在二极管封装现场安装工业CCD相机,用于获取二极管玻壳图像,但是由于二极管的体积较小,如果放低工业相机,那么当二极管玻壳靠近工业相机镜头时,会造成畸变现象,采集的图像不能准确反映二极管玻壳的质量,因此工业CCD相机需要搭配远心镜头使用,其次在二极管玻壳器件下方安装背光面光源,防止光源对缺陷处的分布不均影响后续图像处理。采集得到二极管玻壳表面图像后,需要进行去噪处理,常见的图像去噪技术包括中值滤波去噪、双边滤波去噪等,本发明利用双边滤波去噪技术对采集的二极管玻壳图像进行去噪处理,在消除噪声影响的同时保留更多的图像边缘信息,双边滤波去噪为公知技术,具体实现过程不再详细赘述,在进行降噪后还需要将降噪后的二极管玻壳的图像灰度化得到二极管玻壳的表面图像,其中灰度化为现有技术,在此不再过多赘述。至此,得到预处理后的二极管玻壳的表面图像。
本发明主要针对影响二极管玻壳质量的三种缺陷类型,分别包括裂纹、壳壁破损、内壁污点;分析三种类型的缺陷在二极管玻壳的表面图像中的特点,裂纹缺陷主要发生在玻壳的切割过程中,由于切割导致壳壁受力不均从而造成壳壁出现裂纹,裂纹缺陷的形状并不规则,形态各异。在二极管玻壳的表面图像中裂纹区域的平均灰度值低于玻壳区域的平均灰度值。壳壁破损主要是由于玻壳在生产运输过程中由于外力挤压、磕碰或机械划伤造成的,在获取的二极管玻壳的表面图像中,壳壁破损区域边缘处光线会发生多个角度的折射,造成壳壁裂纹区域与无缺陷区域内的像素灰度值之间存在较大变化。壳壁破损处的灰度值低于二极管玻壳的表面图像的平均灰度值,同时会破坏玻壳的表面图像的灰度值分布的均匀性。内壁污点是二极管玻壳生产过程中由于振动等原因遗留在二极管玻壳内部的固体物质,内壁污点的外形多为点状黑斑,在获取的二极管玻壳的表面图像中,出现内壁污点的区域亮度较低,灰度值也较低。
进一步的,对于裂纹、壳壁破损、内壁污点三种质量缺陷,经过上述的灰度的特征能够的区分二极管玻壳是正常的二极管玻壳还是存在缺陷的二极管玻壳,但是很难保证对三种缺陷之间也能得到精准的识别结果,例如有两个区域都是灰度值低于正常玻壳图像的灰度值,无法直接判断区域对应的是壳壁裂纹还是内壁污点,因此还需要根据缺陷区域的特征进行精准区分。本发明考虑相应的图像特征构建一种用于质量缺陷区域检测的区域描述子,实现对上述三种二极管玻壳质量缺陷的识别分类。
因此,需要筛选出出现缺陷的区域,然后再提取区域的特征,根据缺陷的特征实现对缺陷的类型进行识别。由于表面图像为灰度图,因此当二极管玻壳出现缺陷时,表面图像的灰度值就会发生变化,因此可以提取处表面图像中灰度值发生变化的区域,得到包含缺陷的区域。
由此设定预设尺寸的滑动窗口,优选地,本实施例中预设尺寸为5*5,在滑动过程中,以表面图像中每个像素点作为滑动窗口的中心进行滑动,其中滑动的步长为1;需要说明的是,实施者在具体的实施过程中,可以根据具体的情况对滑动窗口的预设尺寸和滑动的步长进行调整。由此,利用滑动窗口遍历表面图像。
当滑动窗口在表面图像上进行滑动时,计算每个滑动窗口内像素点的灰度值的均值,记为,同时,还要计算获得整个表面图像中的像素点的灰度值的均值,记为/>。若一个滑动窗口内像素点的灰度均值小于表面图像的像素点的灰度均值,用公式表示为:/>则该滑动窗口包围的区域是包含缺陷的,因此将该窗口包围的区域记为ROI区域,也即是感兴趣区域;如果ROI区域中包含玻壳缺陷区域,那么ROI区域内像素点之间的梯度方向变化频率较快,像素点之间的灰度值同样存在较大的差异,裂纹缺陷和壳壁破损是受到外力影响产生的,因此这两种类型的缺陷对应的缺陷区域受到的外力影响的程度是不同的,反映到二极管玻壳的表面图像中,呈现出裂纹区域内的像素点相对集中,区域内部到边缘逐渐从清晰到暗淡的特点。
遍历整幅二极管玻壳的表面图像,根据上述判断滑动窗口包围的区域是否为ROI区域的条件得到每个二极管玻壳的表面图像上所有的ROI区域,接下来就需要对所有的ROI区域进行进一步的分析。
步骤S2,将每个ROI区域均匀划分为至少两个图像块,将每个图像块均匀划分为至少两个小区域;获取每个小区域的纹理特征值;每个图像块中各小区域的纹理特征值的平均值,为每个图像块的第一特征。
在步骤S1得到二极管玻壳的表面图像中所有的ROI区域后,需要对这些ROI区域进行分析提取特征用于后续识别ROI区域为何种缺陷。
进一步的,为了更加方便且精细化的提取特征,需要将ROI区域进行进一步的划分,由于本发明实施例中的ROI区域是一个5*5的正方形,因此可以将其均匀的划分为4个大小相同的图像块,具体为:5*5的ROI区域可以看作一个5*5的矩阵,第一行的第一个元素到第一行的第四个元素,第一列的第一个元素到第一列的第四个元素,第四行的第一个元素到第四行的第四个元素,第四列的第一个元素到第四列的第四个元素分别对应的是第一个图像块的四个边缘上的像素点;
第一行的第二个元素到第一行的第五个元素,第二列的第一个元素到第二列的第四个元素,第四行的第二个元素到第四行的第五个元素,第五列的第一个元素到第五列的第四个元素分别对应的是第二个图像块的四个边缘上的像素点;
第二行的第一个元素到第二行的第四个元素,第一列的第二个元素到第一列的第五个元素,第五行的第一个元素到第五行的第四个元素,第四列的第二个元素到第四列的第五个元素分别对应的是第三个图像块的四个边缘上的像素点;
第二行的第二个元素到第二行的第五个元素,第二列的第二个元素到第二列的第五个元素,第五行的第二个元素到第五行的第五个元素,第五列的第二个元素到第五列的第五个元素分别对应的是第四个图像块的四个边缘上的像素点;至此,可以一个ROI区域包含的四个图像块,这四个图像块都是4*4大小的,分别位于图像块的左上角,右上角,左下角和右下角。其中图像块Fig是一个ROI区域中的任意一个图像块。
进一步的,对每个图像块再进行划分,划分方法与将ROI区域划分为图像块的方法一致,只不过图像块的尺寸为4*4,因此可以将图像块划分为四个3*3的小区域,也是分别位于图像块的左上角,右上角,左下角和右下角。将这四个小区域分别记为小区域A,小区域B、小区域C和小区域D。
最后,获得每个小区域中每个像素点的LBP值,LBP值反应了一个像素点周围的其他像素点的灰度变化,需要说明的是,获得每个像素点的LBP值为公知技术,在此不在进行详细的阐述,根据每个小区域内的像素点的LBP值得到每个小区域的纹理特征值;获得每个小区域中各像素点的LBP值的平均值为每个小区域的纹理特征值,用公式表示为:其中,/>表示小区域A的纹理特征值;/>表示小区域A中的像素点的数量;/>表示小区域A中第q个像素点对应的LBP值;通过每个小区域的纹理特征值可以体现每个小区域的纹理变化情况。结合图像块中每个小区域的纹理特征值得到每个图像块的第一特征,具体为:每个图像块中各小区域的纹理特征值的平均值,为每个图像块的第一特征,用公式表示:/>其中,/>表示一个图像块的第一特征;、/>、/>和/>分别表示小区域A、小区域B、小区域C和小区域D的纹理特征值。至此可以获得每个ROI区域中每个图像块的第一特征,用于后续的分析。步骤S3,基于图像块中各小区域的HOG特征向量获得图像块的第二特征;将图像块的第一特征和第二特征进行拼接得到每个图像块的区域描述子。
步骤S2中获得了每个图像块的第一特征,结合第一特征和图像块中的其他特征构建每个图像块的区域描述子,用于表征二极管玻壳的表面图像上ROI区域内的缺陷分布,获取ROI区域内图像块的区域描述子的具体过程如下:
在一副图像中,局部区域的表象和形状能够被梯度或边缘的方向密度分布很好地描述,而HOG特征向量就能很好的进行描述,而且HOG特征已经被广泛应用于图像识别中,因此获得每个小区域的HOG特征向量,需要说明的是,获得HOG特征向量为公知技术,在此不再进行详细的阐述。至此可以获得每个图像块中四个小区域的HOG特征向量,分别记为、、/>和/>,表示小区域A,小区域B、小区域C和小区域D的HOG特征向量。
进一步的,获得根据一个图像块中的四个小区域的HOG特征向量获得图像块的第二特征,图像块中各小区域的HOG特征向量的均值为图像块的第二特征,用公式表示:其中,/>为图像块/>的第二特征,第二特征是一个向量;/>,/>,/>,/>分别是图像块Fig分成的4个小区域A,B,C,D对应的HOG特征向量。第一特征是一个值,而第二特征是一个向量,在本实施例中,一个的HOG特征向量是一个表征梯度方向的特征向量,且一个小区域的特征向量是9维的,因此需要可以将一个图像块的第一特征和第二特征进行拼接,得到每个图像块的区域描述子QY,区域描述子也是一个向量。
步骤S4,获取每个小区域的纹理评价指标;基于每个ROI区域中每两个图像块的区域描述子之间的相似度、各小区域的纹理评价指标获得每个ROI区域的纹理裂变度。
对于二极管玻壳上的裂纹缺陷和玻壳破损缺陷,两种缺陷区域的边缘规则程度都是相对较低的,需要根据缺陷区域内部的特征进行区分,裂纹区域的不规则边缘体现在裂纹区域的纹理变化是不固定的,裂纹从一个受力点或者一个受力面向周围蔓延,这就导致裂纹缺陷区域的纹理在其所在区域中表现出纹理粗细不均匀,纹理变化快的特点,由此认为玻壳上包含裂纹缺陷的ROI区域分割成不同图像块后,每个图像块包含裂纹缺陷的不同位置,这些图像块对应的区域描述子两两之间的相似度是相对较低的,且相似度的方差是比较大的,表征每个图像块内的纹理复杂度较高。
首先构建纹理评价指标P,用于表征小区域中的纹理分布,计算小区域A对应的纹理评价指标,获取每个小区域的灰度共生矩阵,灰度共生矩阵中对角线上的所有元素的和与所有非对角线的元素的和的比值为每个小区域的纹理评价指标,用公式表示为:其中,/>是小区域A对应的灰度共生矩阵中对角线上的第n个元素,n的取值范围是[1,N],N是小区域A对应的灰度共生矩阵中对角线上的元素的数量,/>是小区域A对应的灰度共生矩阵中非对角线上的第m个元素,m的取值范围是[1,M],M小区域A对应的灰度共生矩阵中非对角线上的元素的数量,其中一个矩阵中对角线有两条。
纹理评价指标反映了小区域A中的纹理分布特点,/>的值越小,纹理变化越快,灰度共生矩阵反映的是图像的纹理信息,对于纹理变化缓慢的图像,其灰度共生矩阵对角线上的元素的值较大,对角线上元素的值比较大,是因为纹理相同的像素点对应的灰度值是比较接近的;而对于纹理变化较快的图像,其灰度共生矩阵对角线上的元素的数值较小,对角线两侧的元素的数值较大,也即是非对角线的元素的值比较大,这是因为纹理不同的像素点对应的灰度值存在较大差异,由此提取出了小区域的纹理特征。
进一步的,计算一个ROI区域中任意两个图像块的区域描述子的相似度,其中本发明实施例中的相似度指的是余弦相似度,需要说明的是,余弦相似度的计算方法为公知技术,在此不再进行赘述;然后计算每个ROI区域的纹理裂变度:/>其中,/>表示第m个ROI区域的纹理裂变度;/>表示自然常数,e的大小取经验值2.72;/>表示第m个ROI区域中每两个图像块的区域描述子之间的相似度的方差;/>表示第m个ROI区域中各小区域的纹理评价指标的方差;/>表示第m个ROI区域中各小区域的纹理评价指标的均值。
纹理裂变度反映了ROI区域中缺陷区域内缺陷的分布特点,如果ROI区域中各图像块的区域描述子的相似度较低,相似度的分布方差较大,ROI区域的纹理裂变度就比较大,该ROI区域为裂纹缺陷的可能性就比较大;/>能够用来表征ROI区域的纹理的粗细的均匀程度,/>的值越大,ROI区域的纹理裂变度就比较大,ROI区域内纹理粗细的越不均匀,ROI区域内对应裂纹缺陷的可能性就越高。
至此,获得所有ROI区域的纹理裂变度,根据ROI区域的纹理裂变度可以判断ROI区域是否为裂纹缺陷。
步骤S5,获取每个ROI区域中的特征点,基于每两个相邻的特征点之间连线的斜率和长度得到每个ROI区域的特征点分布扭曲度;基于每个ROI区域的纹理裂变度和特征点分布扭曲度获取每个ROI区域的缺陷类型。
观察三种质量缺陷的特征,相较于内壁污点,裂纹和壳壁破损缺陷区域形状的不规则度更高,也就是说对于任意一个缺陷区域,如果缺陷区域的形状规则度越高,就越有可能是内壁污点缺陷区域。利用canny边缘检测算法获取每个ROI区域内的缺陷区域,利用ERT特征点定位算法对每个ROI区域内的缺陷区域进行处理得到每个ROI区域对应的特征点,因为划分的ROI区域非常小,因此在本发明实施例中,认为一个ROI区域内包含的缺陷区域的数量至多有一个,因此每个ROI区域内的缺陷区域的特征点也即是每个ROI区域的特征点,此处基于特征点的离散度构建特征点分布扭曲度M,特征点的离散度用于表征每个质量缺陷区域的外形特征,计算ROI区域的特征点分布扭曲度:/>其中,/>表示第m个ROI区域的特征点分布扭曲度;/>表示第m个ROI区域内特征点的数量;/>表示第i+2个特征点与第i+1个特征点之间连线的斜率;/>示第i+1个特征点与第i个特征点之间连线的斜率;/>表示第i+2个特征点与第i+1个特征点之间连线的长度;/>表示第i+1个特征点与第i个特征点之间连线的长度;/>表示常数系数,取值范围为正数,优选地,在本实施例中取值为1,是为了防止分母为0。
其中,的值越小,/>的值越大,缺陷区域的边缘变化的越剧烈,说明缺陷区域的不规则程度越大,特征点分布扭曲度/>,越有可能是破损缺陷。特征点分布扭曲度越小/>时,ROI区域的缺陷越可能是内壁污点缺陷。/>表示的是相邻的三个特征点之间的连线的斜率的差异,/>表示的是相邻的三个特征点之间连线的长度的差异。需要说明的是,这里指的相邻的特征点是在空间上相邻,将一个ROI区域内的所有特征点利用直线首尾相连,会形成一个闭合的区域,特征点就是闭合的区域边缘上的点。
设定第一阈值和第二阈值/>,优选地,本实施例中,第一阈值的取值为/>,e表示自然常数,第二阈值的取值为5,需要说明的是,第一和第二阈值的取值都是经验值,实施者可以根据具体的情况对第一和第二阈值的取值进行调整。然后基于每个ROI区域的纹理裂变度和特征点分布扭曲度获取每个ROI区域的缺陷类型。
若ROI区域的纹理裂变度大于第一阈值,则ROI区域的缺陷类型为裂纹缺陷;获得除了缺陷类型为裂纹缺陷的其他ROI区域,也即是非裂纹缺陷的ROI区域;若非裂纹缺陷的ROI区域的特征点分布扭曲度小于第二阈值,则非裂纹缺陷的ROI区域的缺陷类型为污点缺陷,若非裂纹缺陷的ROI区域的特征点分布扭曲度大于或等于第二阈值,则非裂纹缺陷的ROI区域的缺陷类型为破损缺陷。
得到每个ROI区域对应的缺陷种类,如果二极管的玻壳图像中存在缺陷,说明二极管不能正常使用,此二极管的质量识别结果是不合格,认为玻壳图像中没有缺陷的二极管的质量识别结果是合格的。
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。且上述对本说明书特定实施例进行了描述。另外,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 (6)
1.一种基于电子元器件的二极管质量识别方法,其特征在于,该方法包括:
获取二极管玻壳的表面图像;利用预设尺寸的滑动窗口在表面图像上进行滑动获得ROI区域;
将每个ROI区域均匀划分为至少两个图像块,将每个图像块均匀划分为至少两个小区域;获取每个小区域的纹理特征值;每个图像块中各小区域的纹理特征值的平均值,为每个图像块的第一特征;
基于图像块中各小区域的HOG特征向量获得图像块的第二特征;将图像块的第一特征和第二特征进行拼接得到每个图像块的区域描述子;
获取每个小区域的纹理评价指标;基于每个ROI区域中每两个图像块的区域描述子之间的相似度、各小区域的纹理评价指标获得每个ROI区域的纹理裂变度;
获取每个ROI区域中的特征点,基于每两个相邻的特征点之间连线的斜率和长度得到每个ROI区域的特征点分布扭曲度;基于每个ROI区域的纹理裂变度和特征点分布扭曲度获取每个ROI区域的缺陷类型;
所述每个ROI区域的纹理裂变度为:其中,/>表示第m个ROI区域的纹理裂变度;/>表示自然常数;/>表示第m个ROI区域中每两个图像块的区域描述子之间的相似度的方差;/>表示第m个ROI区域中各小区域的纹理评价指标的方差;/>表示第m个ROI区域中各小区域的纹理评价指标的均值;
所述每个ROI区域的特征点分布扭曲度为:其中,/>表示第m个ROI区域的特征点分布扭曲度;/>表示第m个ROI区域内特征点的数量;/>表示第i+2个特征点与第i+1个特征点之间连线的斜率;/>示第i+1个特征点与第i个特征点之间连线的斜率;/>表示第i+2个特征点与第i+1个特征点之间连线的长度;/>表示第i+1个特征点与第i个特征点之间连线的长度;/>表示常数系数,取值范围为正数。
2.根据权利要求1所述的一种基于电子元器件的二极管质量识别方法,其特征在于,所述利用预设尺寸的滑动窗口在表面图像上进行滑动获得ROI区域,包括:获得每个滑动窗口内像素点的灰度均值和表面图像的像素点的灰度均值;若一个滑动窗口内像素点的灰度均值小于表面图像的像素点的灰度均值,则该滑动窗口包围的区域为ROI区域。
3.根据权利要求1所述的一种基于电子元器件的二极管质量识别方法,其特征在于,所述获取每个小区域的纹理特征值,包括:获取每个小区域中各像素点的LBP值,各像素点的LBP值的平均值为每个小区域的纹理特征值。
4.根据权利要求1所述的一种基于电子元器件的二极管质量识别方法,其特征在于,所述获取每个小区域的纹理评价指标,包括:获取每个小区域的灰度共生矩阵,灰度共生矩阵中对角线上的所有元素的和与所有非对角线的元素的和的比值为每个小区域的纹理评价指标。
5.根据权利要求1所述的一种基于电子元器件的二极管质量识别方法,其特征在于,所述获取每个ROI区域中的特征点,包括:利用canny边缘检测算法获取每个ROI区域内的缺陷区域,利用ERT特征点定位算法对缺陷区域进行处理得到每个ROI区域中的特征点。
6.根据权利要求1所述的一种基于电子元器件的二极管质量识别方法,其特征在于,所述基于每个ROI区域的纹理裂变度和特征点分布扭曲度获取每个ROI区域的缺陷类型,包括:若ROI区域的纹理裂变度大于第一阈值,则ROI区域的缺陷类型为裂纹缺陷;获得非裂纹缺陷的ROI区域,若非裂纹缺陷的ROI区域的特征点分布扭曲度小于第二阈值,则非裂纹缺陷的ROI区域的缺陷类型为污点缺陷,若非裂纹缺陷的ROI区域的特征点分布扭曲度大于或等于第二阈值,则非裂纹缺陷的ROI区域的缺陷类型为破损缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324722.8A CN117058153B (zh) | 2023-10-13 | 2023-10-13 | 基于电子元器件的二极管质量识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324722.8A CN117058153B (zh) | 2023-10-13 | 2023-10-13 | 基于电子元器件的二极管质量识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117058153A CN117058153A (zh) | 2023-11-14 |
CN117058153B true CN117058153B (zh) | 2023-12-19 |
Family
ID=88657661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311324722.8A Active CN117058153B (zh) | 2023-10-13 | 2023-10-13 | 基于电子元器件的二极管质量识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058153B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641336A (zh) * | 2022-12-23 | 2023-01-24 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的空调用钣金件缺陷识别方法 |
CN116385450A (zh) * | 2023-06-07 | 2023-07-04 | 昆山恒光塑胶股份有限公司 | 基于图像处理的ps片材抗耐磨性检测方法 |
-
2023
- 2023-10-13 CN CN202311324722.8A patent/CN117058153B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641336A (zh) * | 2022-12-23 | 2023-01-24 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的空调用钣金件缺陷识别方法 |
CN116385450A (zh) * | 2023-06-07 | 2023-07-04 | 昆山恒光塑胶股份有限公司 | 基于图像处理的ps片材抗耐磨性检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117058153A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114627111B (zh) | 一种纺织品缺陷检测识别装置 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
Kuo et al. | Automated optical inspection system for surface mount device light emitting diodes | |
US10330608B2 (en) | Systems and methods for wafer surface feature detection, classification and quantification with wafer geometry metrology tools | |
CN114943739B (zh) | 一种铝管质量检测方法 | |
KR101477665B1 (ko) | 불균일한 텍스쳐 표면의 불량 검출방법 | |
CN115020267A (zh) | 一种半导体表面缺陷检测方法 | |
CN116740058B (zh) | 一种固态硬盘配套晶圆的质量检测方法 | |
CN117132844B (zh) | 一种基于图像处理的光伏板裂纹与划痕的分类方法 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
KR101867015B1 (ko) | 글라스 결함 검사 장치, 검사 방법 및 검사 시스템 | |
CN115272256A (zh) | 亚像素级传感光纤路径高斯提取方法及系统 | |
CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
TW201512649A (zh) | 偵測晶片影像瑕疵方法及其系統與電腦程式產品 | |
CN116952155A (zh) | 一种电子五金件加工用视觉检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117152129B (zh) | 一种电池盖板的表面缺陷视觉检测方法及系统 | |
CN117058153B (zh) | 基于电子元器件的二极管质量识别方法 | |
CN117274251B (zh) | 基于图像数据的药品生产过程中药片质量检测方法 | |
KR20140122938A (ko) | 패널 검사 방법 및 장치 | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
KR100940301B1 (ko) | 마크 분할 검사 방법 | |
CN116309561A (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
US7679737B2 (en) | Method, system and apparatus of inspection |
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 |