CN117078678A - 基于图像识别的废硅片形状检测方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及基于图像识别的废硅片形状检测方法，包括：采集废硅片表面图像并获取废硅片表面梯度图像；获取废硅片表面梯度图像的分割图像并确定边缘检测的高阈值和低阈值；根据高阈值和低阈值获取废硅片表面的初始边缘图像；根据初始边缘图像中边缘端点形成的线段长度和方向差异确定边缘端点之间的连接可行性；预设连接可行性阈值筛选连接可行端点；利用最小二乘法拟合连接可行端点及端点之间的弱像素点；连接拟合效果好的边缘端点作为最终连接边缘，获取废硅片表面的边缘分割图像；根据边缘分割图像确定废硅片表面缺陷并检测废硅片形状。本发明提高了废硅片形状检测的准确度。

Description

基于图像识别的废硅片形状检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及基于图像识别的废硅片形状检测方法。

背景技术

废硅片指的是在集成电路制造过程中，由于电路制造和加工过程的不良操作等原因，未达到要求的半导体硅晶片，这些废硅片通常需要进行重新加工或回收利用，以减少资源浪费和生产成本，但并不是所有的废硅片都可以被回收利用，需要对废硅片的形状进行检测判断是否达到回收利用标准。目前，对废硅片进行形状和检测的技术区域智能化，科技的发展提供了更高效的自动化废硅片检测手段，但由于废硅片的形状和尺寸变化多样，而且硅片表面产生的微小缺陷如崩边等不易被检测，所以可能存在检测准确性降低的问题，因此产生了提高废硅片形状检测准确性的研究需求。

硅片的崩边缺陷就是硅片边缘出现的裂纹或断裂，Canny边缘检测是硅片形状检测中常用方法之一，结合对硅片的轮廓分析可以确定废硅片形状，但是由于崩边缺陷的表现特征通常不明显，所以在边缘检测的边缘点连接过程中，一些弱边缘像素点会被忽略从而产生误差。

发明内容

为了解决上述问题，本发明提供基于图像识别的废硅片形状检测方法。

本发明的基于图像识别的废硅片形状检测方法采用如下技术方案：

本发明一个实施例提供了基于图像识别的废硅片形状检测方法，该方法包括以下步骤：

采集废硅片表面图像并进行灰度化处理，计算废硅片表面图像中每个像素点的梯度幅值，以每个像素点的梯度幅值构成的图像作为废硅片表面梯度图像；

对废硅片表面梯度图像进行分割并确定边缘分割的高阈值和低阈值；根据高阈值和低阈值获取强边缘点、弱边缘点和废硅片表面的初始边缘图像；获取废硅片表面的初始边缘图像中的边缘端点；根据边缘端点形成的线段长度和边缘端点之间的梯度方向差异确定边缘端点之间的连接可行性；预设连接可行性阈值筛选连接可行端点；

根据连接可行端点确定搜索窗口，对搜索窗口内的连接可行端点及其之间的弱边缘像素点进行拟合，得到拟合曲线；根据连接可行端点的连接可行性获取每个搜索窗口的拟合曲线的拟合优度检验值；根据拟合优度检验值筛选连接可行端点，将筛选的连接可行端点与其所在的搜索窗口内的弱边缘像素点连接获得最终连接边缘，将所有的最终连接边缘构成废硅片表面的边缘分割图像；

根据废硅片表面的边缘分割图像确定检测废硅片的形状。

优选的，所述对废硅片表面梯度图像进行分割并确定边缘分割的高阈值和低阈值，包括的具体步骤如下：

利用Ostu算法分割废硅片表面梯度图像，获得废硅片表面梯度图像的最佳分割阈值，将最佳分割阈值作为高阈值，以废硅片表面梯度图像中的最小梯度到高阈值之间形成的区间作为梯度区间，以梯度区间的最小值和最大值的均值作为低阈值，记为：

;

其中，K_min表示低阈值，t₀表示废硅片表面梯度图像中最小梯度幅值，K_max表示高阈值。

优选的，所述根据高阈值和低阈值获取强边缘点、弱边缘点和废硅片表面的初始边缘图像，包括的具体方法如下：

根据高阈值和低阈值，利用Canny边缘检测算法对废硅片表面梯度图像进行边缘检测得到初始边缘图像以及弱边缘点。

优选的，所述获取废硅片表面的初始边缘图像中的边缘端点，包括的具体步骤如下：

以废硅片表面的初始边缘图像中的每个边缘像素点为中心像素点构建3×3的窗口，当窗口内存在的边缘像素点个数等于2时，将窗口的中心像素点标记为边缘端点。

优选的，所述根据边缘端点形成的线段长度和边缘端点之间的梯度方向差异确定边缘端点之间的连接可行性，包括的具体方法如下：

;

其中，Q_α,β表示第α和第β个边缘端点的连接可行性，d_α,β表示第α和第β个边缘端点形成的线段长度，Δθ_α,β表示第α和第β个边缘端点的梯度方向的夹角，arctan()表示双曲正切函数，i表示边缘端点两两相连形成的第i条线段，l_i表示第i条线段的长度，I表示所有边缘端点两两相连形成的线段总数。

优选的，所述预设连接可行性阈值筛选连接可行端点，包括的具体方法如下：

将第α和第β个边缘端点的连接可行性记为Q_α,β，预设连接可行性阈值γ对边缘端点进行连接，若Q_α,β≥γ，则将第α和第β个端点记为连接可行端点。

优选的，所述对搜索窗口内的连接可行端点及其之间的弱边缘像素点进行拟合，得到拟合曲线，包括的具体方法如下：

将每个搜索窗口中边缘端点和弱边缘像素点作为每个搜索窗口的拟合像素点，利用最小二乘法对每个搜索窗口的拟合像素点进行拟合得到拟合曲线。

优选的，所述搜索窗口的具体步骤如下：

将任意两个连接可行端点连接，计算两个连接可行端点形成的线段长度，做两个连接可行端点形成的线段的垂直平分线，而后以连接可行端点之间的连线为对称轴，在对称轴两边的垂直平分线上分别截取连接可行端点形成的线段长度的一半，在垂直平分线上获取一条和连接可行端点形成的线段长度一致的线段，最后将连接可行端点形成的线段长度和在垂直平分线上截取的线段为对角线构建正方形窗口，将正方形窗口记为搜索窗口。

优选的，所述根据连接可行端点的连接可行性获取每个搜索窗口的拟合曲线的拟合优度检验值，包括的具体公式如下：

;

其中，R² _s表示第s个搜索窗口的拟合曲线的拟合优度检验值，Q_s表示形成的第s个搜索窗口的边缘端点的连接可行性，a表示每个搜索窗口的第a个拟合像素点，A表示每个搜索窗口的拟合像素点总数，表示第s个搜索窗口内第a个拟合像素点到拟合曲线的最短距离。

优选的，所述根据废硅片表面的边缘分割图像确定检测废硅片的形状，包括的具体步骤如下：

将废硅片表面的边缘分割图像输入到神经网络中，神经网络输出废硅片表面缺陷的边缘。

本发明的技术方案的有益效果是：增加计算梯度幅值的方向，提高获取梯度幅值的准确性和稳定性；根据现有的分割算法自适应确定边缘检测的高阈值，并根据高阈值确定低阈值，增强了边缘检测的自适应性，能够提高确定强、弱边缘点以及非边缘点的准确性；根据两个边缘端点形成的线段长度以及端点的梯度方向差异确定两个边缘端点的连接可行性，能够为后续连接强边缘像素点提供依据，利用边缘点的连接可行性调整拟合优度的检验公式，根据两个边缘端点的连接可行性调整拟合优度检验，获取更准确的拟合度结果，使连续性的若边缘像素点的连接更准确；根据现有的拟合算法对边缘端点之间的若边缘像素点进行拟合，并根据拟合效果连接若边缘像素点，防止传统的Canny边缘检测算法使连续的若边缘像素点造成边缘断裂。

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，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地介绍，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他的附图。

图1为本发明的基于图像识别的废硅片形状检测方法的步骤流程图；

图2为本发明的基于图像识别的废硅片形状检测方法的灰度化后的废硅片表面图像；

图3为本发明的基于图像识别的废硅片形状检测方法的废硅片形状检测方法的废硅片表面梯度图像；

图4为本发明的基于图像识别的废硅片形状检测方法的废硅片表面的初始边缘图像；

图5为本发明的基于图像识别的废硅片形状检测方法的连接可行端点A、B的搜索窗口示例图；

图6为本发明的基于图像识别的废硅片形状检测方法的废硅片表面的边缘分割图像。

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基于图像识别的废硅片形状检测方法，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基于图像识别的废硅片形状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基于图像识别的废硅片形状检测方法的步骤流程图，该方法包括以下步骤：

S001．采集废硅片表面图像，获取废硅片表面梯度图像。

需要说明的是，红外光的穿透能力强但无法穿透硅材料，在完整的废硅片表面，经过硅片表面反射的部分光线可以进入相机，呈现出的亮度较高；但是在硅片表面存在崩边缺陷时，则光线在缺口部分会产生漫反映，导致进入相机的光线减少，缺陷部分呈暗色。

因此在本实施例中，在检测系统的运输线上设置红外成像设备采集废硅片表面图像并进行灰度化处理。请参阅图2，其示出了本发明一个实施例提供的基于图像识别的废硅片形状检测方法的灰度化后的废硅片表面图像。

需要说明的是，为方便后续利用Canny边缘检测方法提取废硅片形状，需要获取废硅片表面梯度图像，具体计算公式如下：

；

；

其中，P_x表示像素点在水平方向的梯度幅值，P_y表示像素点在竖直方向的梯度幅值，θ表示像素点的梯度方向，θ_x和θ_y分别表示像素点的水平梯度方向和垂直梯度方向。

利用公式计算废硅片表面图像中每个像素点的梯度幅值，以每个像素点的梯度幅值作为像素点的像素值，得到废硅片表面梯度图像。请参阅图3，其示出了本发明一个实施例提供的基于图像识别的废硅片形状检测方法的废硅片表面梯度图像。

S002．根据废硅片表面梯度图像获取废硅片表面的初始边缘图像。

需要说明的是，由于边缘的表现特征，通常梯度值在边缘两侧产生峰值的概率较大，但是将较大的梯度值都保留下来可能会导致边缘信息不清晰，利用非极大值抑制处理可以细化边缘像素点后，通过高阈值和低阈值的进一步筛选，可以得到更准确的废硅片表面图像边缘。

需要说明的是，Canny边缘检测算法的高阈值和低阈值通常由经验值决定，缺少客观性，因此为降低高阈值和低阈值确定的主观因素，可以利用现有的分割算法得到分割废硅片表面梯度图像的最佳阈值，根据最佳阈值确定边缘。

利用Ostu算法确定高、低阈值：首先利用Ostu算法分割废硅片表面梯度图像获得最佳分割阈值并将最佳分割阈值作为高阈值K_max，而后根据高阈值与废硅片表面梯度图像中最小梯度构成梯度区间确定低阈值，具体计算公式如下：

;

其中，K_min表示低阈值，t₀表示废硅片表面梯度图像中最小梯度幅值，K_max表示高阈值。

根据高阈值K_max和低阈值K_min利用Canny边缘检测算法获得废硅片表面的初始边缘图像。根据Canny边缘检测算法将梯度值大于K_max的像素点记为强边缘点，将梯度值处于高、低阈值之间的像素点记为弱边缘点。请参阅图4，其示出了本发明一个实施例提供的基于图像识别的废硅片形状检测方法的废硅片表面的初始边缘图像。

至此，获取了废硅片表面的强、弱边缘点以及初始边缘图像。

S003．根据初始边缘图像确定端点的连接可行性，获取连接可行端点。

需要说明的是，传统的Canny边缘检测算法中判断弱边缘像素点是否作为边缘像素点是根据弱边缘像素点邻域是否具有强边缘像素点决定的，则当弱边缘像素点的邻域内出现的都是若边缘像素点时，会将该弱边缘像素点判定为非边缘像素点，但是当多个弱边缘像素点相邻且连续出现时，这些弱边缘像素点形成边缘的概率同样较大，将这些弱边缘像素点记为连续弱边缘像素点，但是传统的边缘像素点连接方法会忽略连续弱边缘像素点，造成边缘断裂。为尽可能保持边缘的完整，需要连接断裂的边缘。

需要进一步说明的是，连接边缘是根据边缘断裂处的边缘像素点进行连接的，因此可以将边缘断裂处的边缘像素点记为边缘端点，若两个边缘端点连接形成的线段长度越小，说明两个边缘端点之间的距离越近，则两个边缘端点的连接可行性越大，同时两个边缘端点的梯度方向差异越小，说明这两个边缘像素点的梯度方向越一致，则这两个边缘端点通过连接可形成边缘的概率就越大，即连接可行性越大。因此在本实施例中通过在初始边缘图像中判断边缘端点形成的线段长度和梯度方向差异确定两个边缘端点的连接可行性。

首先需要统计初始边缘图像中的所有边缘端点，本实施例以初始边缘图像中的每个边缘像素点为中心像素点构建3×3的窗口，对窗口内的边缘像素点个数进行如下分析：

当窗口内存在的边缘像素点个数小于2时，将窗口的中心像素点标记为孤立像素点，使其像素值为1，不参与后续计算；

当窗口内存在的边缘像素点个数等于2时，将窗口的中心像素点标记为边缘端点；

当窗口内存在的边缘像素点个数小于2时，不对窗口的中心像素点进行标记。

至此，获取了废硅片表面的初始边缘图像中的边缘端点。

而后基于所有的边缘端点，计算任意两个边缘端点之间的线段长度和边缘的梯度方向差异，从而获取边缘端点的连接可行性：

；

其中，Q_α,β表示第α和第β个边缘端点的连接可行性，d_α,β表示第α和第β个边缘端点形成的线段长度，Δθ_α,β表示第α和第β个边缘端点的梯度方向的夹角，arctan()表示双曲正切函数，i表示边缘端点两两相连形成的第i条线段，l_i表示第i条线段的长度，I表示所有边缘端点两两相连形成的线段总数。

需要说明的是，产生边缘端点的原因是边缘断裂，而边缘断裂的原因可能是不存在边缘也可能是因为边缘微弱而没有检测到，所以基于边缘断裂的局部性考虑，边缘端点之间越相近则没有检测到微弱边缘的概率越大，因此两个边缘端点之间的连接可行性就越高，本实施例构建连接可行性和边缘端点形成的线段长度之间的负相关关系；通常边缘像素点具有一致性，主要表现为边缘方向的一致性，因此边缘端点之间的连接可行性在边缘端点形成的线段长度较短的基础上需要方向一致，因此本实施例通过边缘端点的梯度方向差异量化端点的连接可行性，边缘端点的梯度方向差异越小说明连接可行性越高，构建连接可行性和边缘端点的梯度方向差异的负相关关系。

在本实施例中，通过预设连接可行性阈值γ对边缘端点进行连接，若Q_α,β≥γ，则将第α和第β个端点记为连接可行端点，连接可行端点是指连接可行性高的边缘端点。本实施例以γ=0.85为例进行说明，具体不做限定，其他实施例可根据实际情况设定。获取所有连接可行端点，根据连接可行性结果将对应的连接可行端点相互连接，记得到的连线个数为S。

至此，得到了废硅片表面的初始边缘图像的所有连接可行端点。

S004．根据连接可行端点确定最终连接边缘，获取废硅片表面的边缘分割图像。

需要说明的是，传统的边缘检测最终形成的边缘是强边缘点和弱边缘点的连接，但是对于存在连续弱边缘像素点，构成真正边缘的概率也比较高，所以需要结合边缘端点之间的弱边缘像素点的连续性进一步判断。

需要进一步说明的是，连接可行端点相连是否可以形成最终边缘，还需要考虑两个边缘端点之间的弱边缘像素点的个数以及连续性，可以利用最小二乘法对连接可行端点以及边缘端点之间的弱边缘像素点进行曲线拟合，拟合效果越好说明拟合曲线具有平滑的形状，也就是边缘端点与边缘端点之间的弱边缘像素点，两个边缘端点相连形成的最终边缘更准确，具体过程如下：

在本实施例中，首先根据筛选出的连接可行端点形成的线段长度确定搜索窗口，将任意两个连接可行端点连接，计算两个连接可行端点形成的线段长度，做两个连接可行端点形成的线段的垂直平分线，而后以连接可行端点之间的连线为对称轴，在对称轴两边的垂直平分线上分别截取连接可行端点形成的线段长度的一半，在垂直平分线上获取一条和连接可行端点形成的线段长度一致的线段，最后将连接可行端点形成的线段长度和在垂直平分线上截取的线段为对角线构建正方形窗口，将正方形窗口记为搜索窗口，记搜索窗口的个数为S。

如图5所示，为连接可行端点A和B构建的正方形窗口示意图，其中CD为线段AB的垂直平分线，且AB=CD，则根据连接可行端点A和B可以得到的搜索窗口。

将每个搜索窗口内的连接可行端点以及窗口内的所有弱边缘像素点进行拟合得到拟合曲线。将搜索窗口内连接可行端点以及窗口内的所有弱边缘像素点记为拟合像素点，至此每个搜索窗口对应一条拟合曲线。

需要说明的是，三阶贝塞尔曲线在实际生活中被广泛使用，且三阶贝塞尔曲线通常可以提供比线性或二阶曲线更平滑的拟合，因此本实施例利用最小二乘法将将每个窗口的拟合像素点拟合为一条三阶贝塞尔曲线。贝塞尔曲线为现有技术手段，本实施例不再详细赘述。

得到拟合曲线后根据每个搜索窗口中边缘端点的连接可行性获得每个拟合曲线的拟合优度检验值：

;

其中，R² _s表示第s个搜索窗口的拟合曲线的拟合优度检验值，Q_s表示形成的第s个搜索窗口的边缘端点的连接可行性，a表示每个搜索窗口的第a个拟合像素点，A表示每个搜索窗口的拟合像素点总数，表示第s个搜索窗口内第a个拟合像素点到拟合曲线的最短距离, />表示第s个搜索窗口内的所有拟合像素点到拟合曲线的最短距离的均值。

需要说明的是，构成每个搜索窗口的两个边缘端点之间的连接可行性越高，说明该搜索窗口内可形成边缘的概率越大，拟合曲线的拟合优度更高，因此Q_s与第s个搜索窗口的拟合曲线的拟合优度检验值R² _s成正比；若搜索窗口内的拟合像素点与拟合曲线之间的距离越短，说明拟合像素点拟合呈曲线的效果越高，因此本实施例构建与第s个搜索窗口的拟合曲线的拟合优度检验值的反比例关系。

需要说明的是，因为边缘端点之间的连接可行性对它们之间的弱边缘像素点连接的决定性较强，所以本实施例结合每个搜索窗口中的边缘端点连接可行性构建每个搜索窗口的拟合曲线的拟合优度检验公式，判断拟合效果并根据拟合效果获得更稳定的拟合曲线，为后续获取更准确的边缘分割图像提供依据。

在本实施例中，通过预设拟合优度检验值阈值确定最终连接边缘，由于拟合优度检验值越接近于1拟合的效果越好，说明两个边缘端点与其之间的弱边缘像素点之间形成的边缘越平滑，本实施例预设拟合优度检验值阈值ε，若R² _s≥ε，将第s个搜索窗口的拟合像素点标记出来并连接作为最终连接边缘，反之，当R² _s<ε则不连接第s个搜索窗口的拟合像素点。最后得到所有搜索窗口的最终连接边缘，所有的最终连接边缘以及初始边缘图像中的所有边缘作为废硅片表面的边缘分割图像,本实施例以ε=0.85为例进行说明，具体不做限制，其他实施例可根据实际情况进行调整。

至此，获得了废硅片表面的边缘分割图像。请参阅图6，其示出了本发明一个实施例提供的基于图像识别的废硅片形状检测方法的废硅片表面的边缘分割图像。

S005.根据废硅片表面的边缘分割图像检测废硅片形状。

获取废硅片表面的边缘分割图像后，可以根据边缘分割图像确定废硅片表面的崩边缺陷的具体位置和形态，由于崩边缺陷通常存在于废硅片的边缘区域，所以崩边缺陷会影响废硅片的形状，存在崩边缺陷的废硅片轮廓通常不完整或不规则，可以利用提取到的废硅片边缘形状描述特征，具体方法为，将废硅片表面的边缘分割图像输入到神经网络中，神经网络输出废硅片表面缺陷的边缘。统计缺陷的边缘上包含的边缘像素点数量；

本实施例中使用的神经网络为DeepLabV3，该网络是公知的。

神经网络的训练方法为：采集包含崩边缺陷的大量废硅片表面图像，利用本实施例上述步骤获得这些废硅片表面的边缘分割图像，这些边缘分割图像构成数据集，人为的标注出数据集中每个边缘分割图像上的崩边缺陷的边缘，记为边缘分割图像的标签。利用该数据集训练神经网络，训练时所使用的损失函数为交叉熵损失函数。

具体的数据集的标注以及神经网络的训练方法是公知的，本实施例不赘述其具体过程。

利用神经网络算法基于图像识别检测废硅片的形状，将废硅片表面的边缘分割图像作为输入相较于废硅片表面图像降低了神经网络的复杂度，并加快了神经网络的收敛速度，可以获取更加准确的检测结果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，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.基于图像识别的废硅片形状检测方法，其特征在于，该方法包括以下步骤：

采集废硅片表面图像并进行灰度化处理，计算废硅片表面图像中每个像素点的梯度幅值，以每个像素点的梯度幅值构成的图像作为废硅片表面梯度图像；

对废硅片表面梯度图像进行分割并确定边缘分割的高阈值和低阈值；根据高阈值和低阈值获取强边缘点、弱边缘点和废硅片表面的初始边缘图像；获取废硅片表面的初始边缘图像中的边缘端点；根据边缘端点形成的线段长度和边缘端点之间的梯度方向差异确定边缘端点之间的连接可行性；预设连接可行性阈值筛选连接可行端点；

根据连接可行端点确定搜索窗口，对搜索窗口内的连接可行端点及其之间的弱边缘像素点进行拟合，得到拟合曲线；根据连接可行端点的连接可行性获取每个搜索窗口的拟合曲线的拟合优度检验值；根据拟合优度检验值筛选连接可行端点，将筛选的连接可行端点与其所在的搜索窗口内的弱边缘像素点连接获得最终连接边缘，将所有的最终连接边缘构成废硅片表面的边缘分割图像；

根据废硅片表面的边缘分割图像确定检测废硅片的形状。

2.根据权利要求1所述的基于图像识别的废硅片形状检测方法，其特征在于，所述对废硅片表面梯度图像进行分割并确定边缘分割的高阈值和低阈值，包括的具体步骤如下：

利用Ostu算法分割废硅片表面梯度图像，获得废硅片表面梯度图像的最佳分割阈值，将最佳分割阈值作为高阈值，以废硅片表面梯度图像中的最小梯度到高阈值之间形成的区间作为梯度区间，以梯度区间的最小值和最大值的均值作为低阈值，记为：

;

其中，K_min表示低阈值，t₀表示废硅片表面梯度图像中最小梯度幅值，K_max表示高阈值。

3.根据权利要求1所述的基于图像识别的废硅片形状检测方法，其特征在于，所述根据高阈值和低阈值获取强边缘点、弱边缘点和废硅片表面的初始边缘图像，包括的具体方法如下：

根据高阈值和低阈值，利用Canny边缘检测算法对废硅片表面梯度图像进行边缘检测得到初始边缘图像以及弱边缘点。

4.根据权利要求1所述的基于图像识别的废硅片形状检测方法，其特征在于，所述获取废硅片表面的初始边缘图像中的边缘端点，包括的具体步骤如下：

以废硅片表面的初始边缘图像中的每个边缘像素点为中心像素点构建3×3的窗口，当窗口内存在的边缘像素点个数等于2时，将窗口的中心像素点标记为边缘端点。

5.根据权利要求1所述的基于图像识别的废硅片形状检测方法，其特征在于，所述根据边缘端点形成的线段长度和边缘端点之间的梯度方向差异确定边缘端点之间的连接可行性，包括的具体方法如下：

；

其中，Q_α,β表示第α和第β个边缘端点的连接可行性，d_α,β表示第α和第β个边缘端点形成的线段长度，Δθ_α,β表示第α和第β个边缘端点的梯度方向的夹角，arctan()表示双曲正切函数，i表示边缘端点两两相连形成的第i条线段，l_i表示第i条线段的长度，I表示所有边缘端点两两相连形成的线段总数。

6.根据权利要求1所述的基于图像识别的废硅片形状检测方法，其特征在于，所述预设连接可行性阈值筛选连接可行端点，包括的具体方法如下：

将第α和第β个边缘端点的连接可行性记为Q_α,β，预设连接可行性阈值γ对边缘端点进行连接，若Q_α,β≥γ，则将第α和第β个端点记为连接可行端点。

7.根据权利要求1所述的基于图像识别的废硅片形状检测方法，其特征在于，所述对搜索窗口内的连接可行端点及其之间的弱边缘像素点进行拟合，得到拟合曲线，包括的具体方法如下：

将每个搜索窗口中边缘端点和弱边缘像素点作为每个搜索窗口的拟合像素点，利用最小二乘法对每个搜索窗口的拟合像素点进行拟合得到拟合曲线。

8.根据权利要求1所述的基于图像识别的废硅片形状检测方法，其特征在于，所述搜索窗口的具体步骤如下：

将任意两个连接可行端点连接，计算两个连接可行端点形成的线段长度，做两个连接可行端点形成的线段的垂直平分线，而后以连接可行端点之间的连线为对称轴，在对称轴两边的垂直平分线上分别截取连接可行端点形成的线段长度的一半，在垂直平分线上获取一条和连接可行端点形成的线段长度一致的线段，最后将连接可行端点形成的线段长度和在垂直平分线上截取的线段为对角线构建正方形窗口，将正方形窗口记为搜索窗口。

9.根据权利要求1所述的基于图像识别的废硅片形状检测方法，其特征在于，所述根据连接可行端点的连接可行性获取每个搜索窗口的拟合曲线的拟合优度检验值，包括的具体公式如下：

；

其中，R² _s表示第s个搜索窗口的拟合曲线的拟合优度检验值，Q_s表示形成的第s个搜索窗口的边缘端点的连接可行性，a表示每个搜索窗口的第a个拟合像素点，A表示每个搜索窗口的拟合像素点总数，表示第s个搜索窗口内第a个拟合像素点到拟合曲线的最短距离。

10.根据权利要求1所述的基于图像识别的废硅片形状检测方法，其特征在于，所述根据废硅片表面的边缘分割图像确定检测废硅片的形状，包括的具体步骤如下：

将废硅片表面的边缘分割图像输入到神经网络中，神经网络输出废硅片表面缺陷的边缘。