CN117274113A - 基于图像增强的碎硅片清洗效果视觉检测方法 - Google Patents
基于图像增强的碎硅片清洗效果视觉检测方法 Download PDFInfo
- Publication number
- CN117274113A CN117274113A CN202311542634.5A CN202311542634A CN117274113A CN 117274113 A CN117274113 A CN 117274113A CN 202311542634 A CN202311542634 A CN 202311542634A CN 117274113 A CN117274113 A CN 117274113A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel point
- value
- pixel
- brightness
- 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.)
- Granted
Links
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 115
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 114
- 239000010703 silicon Substances 0.000 title claims abstract description 114
- 230000000694 effects Effects 0.000 title claims abstract description 65
- 238000004140 cleaning Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 230000000007 visual effect Effects 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 27
- 235000012431 wafers Nutrition 0.000 claims description 83
- 238000005286 illumination Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 15
- 238000011179 visual inspection Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 239000012535 impurity Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 11
- 239000011159 matrix material Substances 0.000 description 10
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002210 silicon-based material Substances 0.000 description 1
- 238000001179 sorption measurement 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域，提出了基于图像增强的碎硅片清洗效果视觉检测方法，包括：获取第一碎硅片图像、初始照度图像和初始反射图像；获取初始照度图像中像素点的照度校正系数，结合像素点的亮度值获取照度图像；获取初始反射图像中边缘像素点的渐变区域修正反射像素值，结合像素点的亮度值获取反射图像；根据照度图像和反射图像获取亮度图像，根据亮度图像和第一碎硅片图像获取碎硅片增强图像，对碎硅片增强图像的清洗效果进行检测以判定碎硅片清洗效果。本发明旨在解决图像增强过程中图像中的边界信息附近模糊、易出现过度曝光的问题。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及基于图像增强的碎硅片清洗效果视觉检测方法。
背景技术
硅片清洗是制作光伏电池和集成电路的基础，硅片清洗的效果直接影响到光伏电池和集成电路最终的性能、效率和稳定性。清洗硅片在除去硅片表面的杂质的同时，需要使硅片表面钝化，从而减小硅片表面的吸附能力。目前，由于硅片清洗技术的缺陷，大规模集成电路中因为硅材的洁净度不足而导致集成电路中出现问题甚至失效的比例达到50%，所以，需要及时对碎硅片清洗效果进行视觉检测。
图像的预处理过程是视觉检测所必须的准备阶段。在对碎硅片清洗后的图片进行采集时，由于相机的光圈焦距等参数、相机拍摄角度、自然光线等因素，会导致拍摄的图像质量受到影响。同时，碎硅片形状不一、表面不平整，也会对图像质量产生影响，采集分图像更容易出现噪点、图片细节不能呈现等问题，进而影响判断碎硅片清洗效果的精度。为提升图像的精度，一般采用Retinex算法对图像进行增强。但传统的Retinex算法假定照度图像是平滑的，在实际场景中，由于目标的反射特征不同及阴影等的影响，照度图像实际上是分片平滑的，所以，经过增强的图像往往存在边界附近模糊、产生光晕现象。
发明内容
本发明提供基于图像增强的碎硅片清洗效果视觉检测方法，以解决图像增强过程中图像中的边界信息附近模糊、易出现过度曝光的问题，所采用的技术方案具体如下：
本发明一个实施例提供了基于图像增强的碎硅片清洗效果视觉检测方法，该方法包括以下步骤：
采集图像并进行预处理，获取碎硅片图像，根据碎硅片图像获取初始亮度图像，根据初始亮度图像获取初始照度图像，根据初始亮度图像和初始照度图像获取初始反射图像；
获取初始照度图像中像素点的搜索窗口，根据搜索窗口确定固定邻域窗口和滑动邻域窗口，根据像素点的搜索窗口内的固定邻域窗口和滑动邻域窗口获取像素点的分片平滑特征，根据像素点的分片平滑特征获取像素点的照度校正系数，根据初始照度图像中像素点的亮度值和照度校正系数获取像素点在照度图像中的亮度值，根据照度图像中的亮度值获取照度图像；
获取初始反射图像中的边缘像素点，获取边缘像素点的渐变区域，根据边缘像素点的渐变区域获取像素点的渐变程度，根据渐变程度获取渐变修正因子，根据初始反射图像中像素点的亮度值和边缘像素点的渐变修正因子获取边缘像素点的渐变区域修正反射像素值，根据初始反射图像中边缘像素点的修正反射亮度值和像素点的亮度值获取反射图像；
根据照度图像和反射图像获取亮度图像，根据亮度图像和第一碎硅片图像获取碎硅片增强图像，对碎硅片增强图像的清洗效果进行检测以判定碎硅片清洗效果。
进一步，所述获取初始照度图像中像素点的搜索窗口，包括的具体方法为：
将初始照度图像中每个像素点分别作为待分析像素点，以待分析像素点为中心像素点建立边长为第一预设阈值的搜索窗口。
进一步，所述根据搜索窗口确定固定邻域窗口和滑动邻域窗口，包括的具体方法为：
在待分析像素点的搜索窗口内任意选取两个像素点，将任意选取两个像素点分别记为第一像素点和第二像素点；
分别以第一像素点和第二像素点为中心建立边长为第二预设阈值的邻域窗口；
将第一像素点的邻域窗口作为固定邻域窗口；
将第二像素点的邻域窗口作为滑动邻域窗口。
进一步，所述根据像素点的分片平滑特征获取像素点的照度校正系数，包括的具体方法为：
将待分析像素点的分片平滑特征与待分析像素点的八邻域内所有像素点的分片平滑特征的平均值的差值记为第一差值；
将待分析像素点八邻域内所有像素点的分片平滑特征的标准差与第三预设阈值的和记为第一和值；
将第一差值与第一和值的比值记为待分析像素点的照度校正系数。
进一步，所述根据照度图像中的亮度值获取照度图像，包括的具体方法为：
将计算得到的照度图像中每个像素点的亮度值作为像素点对应的像素值，获取照度图像。
进一步，所述获取边缘像素点的渐变区域，包括的具体方法为：
获取边缘像素点的梯度幅值和梯度方向，其中，梯度方向分为水平方向和垂直方向；
将初始反射图像中每个边缘像素点分别记为待分析边缘像素点，获取待分析边缘像素点的梯度方向的水平方向和垂直方向上的像素点；
以待分析边缘像素点为起点，沿待分析边缘像素点的梯度方向的水平方向选取亮度值依次增大的像素点，直至水平方向像素点的亮度值出现减小或者亮度值保持不变；
以待分析边缘像素点为起点，沿待分析边缘像素点的梯度方向的垂直方向选取亮度值依次增大的像素点，直至垂直方向像素点的亮度值出现减小或者亮度值保持不变；
将待分析边缘像素点沿待分析边缘像素点的梯度方向的水平方向和垂直方向选取的所有像素点组成的区域记为待分析边缘像素点的渐变区域。
进一步，所述根据初始反射图像中像素点的亮度值和边缘像素点的渐变修正因子获取边缘像素点的渐变区域修正反射像素值，包括的具体方法为：
将待分析边缘像素点的亮度值和渐变修正因子的乘积记为第一乘积；
将第一乘积经第一取值函数计算后的数值记为边缘像素点的渐变区域修正反射像素值。
进一步，所述根据初始反射图像中边缘像素点的修正反射亮度值和像素点的亮度值获取反射图像，包括的具体方法为：
将初始反射图像中的每个像素点分别作为第三像素点；
当第三像素点在初始反射图像中的渐变区域中时，将第三像素点的修正反射亮度值记为第三像素点在反射图像中的亮度值；
当第三像素点不在初始反射图像中的渐变区域中时，将第三像素点的亮度值记为第三像素点在反射图像中的亮度值；
根据将初始反射图像中的每个像素点反射图像中的亮度值获取反射图像。
进一步，所述根据亮度图像和第一碎硅片图像获取碎硅片增强图像，包括的具体方法为：
将亮度图像中像素点的像素值作为像素点亮度通道对应的像素值，将第一碎硅片图像中像素点在A、B通道对应的像素值仍作为A、B通道对应的像素值，获取碎硅片增强图像。
进一步，所述对碎硅片增强图像的清洗效果进行检测以判定碎硅片清洗效果，包括的具体方法为：
采用基于卷积神经网络的语义分割模型对碎硅片增强图像的清洗效果进行检测，获取碎硅片的语义分割效果图，其中，语义分割效果图中碎硅片清洗合格的区域像素点的灰度值标记为数字1，碎硅片清洗不合格的区域像素点灰度值标记为数字0；
统计语义分割效果图中灰度值为零的像素点数量占语义分割效果图中所有像素点的数量的比值；
当比值大于等于第一不合格阈值时，判定碎硅片清洗效果不佳，需要对碎硅片上的杂质进一步进行清洗处理；
当比值小于第一不合格阈值时，判定碎硅片清洗效果合格。
本发明的有益效果是：
本发明通过改进Retinex算法对碎硅片图像进行图像细节增强，进而实现碎硅片增强图像的清洗效果检测，首先，获取第一碎硅片图像、初始照度图像和初始反射图像；获取初始照度图像中像素点的分片平滑特征，根据像素点的分片平滑特征获取像素点的照度校正系数，根据初始照度图像中像素点的亮度值和照度校正系数获取照度图像，实现对初始照度图像中的低亮区域进行增强，并且抑制高亮区域的过度曝光；同时，根据初始反射图像的边缘像素点梯度分布特征，分析初始反射图像中边角区域存在的光晕现象导致碎硅片边缘像素值呈现出渐变效应的特征，获取初始反射图像中边缘像素点的渐变区域，根据边缘像素点的渐变区域获取像素点的渐变程度，根据渐变程度获取渐变修正因子，根据初始反射图像中像素点的亮度值和边缘像素点的渐变修正因子获取边缘像素点的渐变区域修正反射像素值，结合像素点的亮度值获取反射图像，有效增强初始反射图像中渐变区域像素点的对比度，完成图像细节信息的增强；最后，根据照度图像和反射图像获取亮度图像，根据亮度图像和第一碎硅片图像获取碎硅片增强图像，对碎硅片增强图像的清洗效果进行检测以判定碎硅片清洗效果，提升碎硅片清洗效果检测的准确性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于图像增强的碎硅片清洗效果视觉检测方法流程示意图；
图2为亮度图像获取流程图。
具体实施方式
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，所描述的实施例仅仅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做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。
请参阅图1，其示出了本发明一个实施例所提供的基于图像增强的碎硅片清洗效果视觉检测方法流程图，该方法包括以下步骤：
步骤S001、采集图像并进行预处理，获取碎硅片图像，根据碎硅片图像获取初始亮度图像，根据初始亮度图像获取初始照度图像，根据初始亮度图像和初始照度图像获取初始反射图像。
使用相机获取清洗后的碎硅片的图像，对清洗后的碎硅片的图像使用中值滤波进行去噪处理，将去噪后的图像记为碎硅片图像。其中，碎硅片图像为RGB图像。
将碎硅片图像转换为LAB空间的图像，将LAB空间的图像记为第一碎硅片图像。将第一碎硅片图像中像素点在亮度通道的像素值作为像素点的像素值，获取初始亮度图像。
对初始亮度图像使用双边滤波和灰度值分层加速技术对碎硅片亮度图像进行处理，获取初始照度图像。
根据初始亮度图像和初始照度图像中像素点的像素值，获取第一像素值。
式中，表示为像素点的第一像素值；表示初始照度图像中像素点的像素
值；表示初始亮度图像中像素点的像素值；表示取以自然常数为底的对数；表
示取以自然常数为底数的指数幂；为第一取值函数，作用为取括号内的四舍五入值。
将像素点的第一像素值作为像素点对应的像素值，获取初始反射图像。
至此，获取初始亮度图像、初始照度图像和初始反射图像。
步骤S002、获取初始照度图像中像素点的搜索窗口，根据搜索窗口确定固定邻域窗口和滑动邻域窗口，根据像素点的搜索窗口内的固定邻域窗口和滑动邻域窗口获取像素点的分片平滑特征，根据像素点的分片平滑特征获取像素点的照度校正系数，根据初始照度图像中像素点的亮度值和照度校正系数获取像素点在照度图像中的亮度值，根据照度图像中的亮度值获取照度图像。
Retinex理论认为图像内像素点的动态范围由入射光决定，图像内在固有属性由物体本身固有的反射系数决定，光照呈现分片平滑状态，越准确地划分光照区域越能充分保证区域内细节平滑，越能准确估计真实的照度图像，越能够通过反射图像反映图像的本质。
为避免高对比度边缘附近的像素点的像素值之间的相互影响，需要对初始照度图像和初始反射进行修正。
首先，对初始照度图像进行修正。
将初始照度图像中每个像素点分别作为待分析像素点进行分析。
以待分析像素点为中心像素点建立边长为第一预设阈值的搜索窗口。其中，第一
预设阈值的经验值为31。在待分析像素点的搜索窗口内任意选取两个像素点，将选取的两
个像素点分别记为像素点和像素点。分别以像素点和像素点为中心建立边长为第二
预设阈值的邻域窗口。其中，第二预设阈值的经验值为9。将像素点的邻域窗口作为固定邻
域窗口，将像素点的邻域窗口作为滑动邻域窗口，使滑动邻域窗口在搜索框内从左到右、
从上到下依次滑动，直至遍历整个搜索框。
由于固定邻域窗口和滑动邻域窗口的大小相同，根据固定邻域窗口内像素点对应
的亮度值和像素点的排列顺序获取矩阵，根据滑动邻域窗口内像素点对应的亮度值和像
素点的排列顺序获取矩阵。其中。矩阵和矩阵内元素均为像素点对应的亮度值。
对矩阵进行特征值分解，获取第二预设阈值个特征值，将矩阵的特征值按照从
大到小的顺序进行排序。对矩阵进行特征值分解，获取第二预设阈值个特征值，将矩阵
的特征值按照从大到小的顺序进行排序。
根据初始照度图像中待分析像素点的搜索窗口内的固定邻域窗口和滑动邻域窗口获取待分析像素点的分片平滑特征。
式中，为初始照度图像内像素点的分片平滑特征；表示像素点的搜索窗口
内固定邻域窗口对应的矩阵的第个特征值；表示像素点的搜索窗口内滑动邻域窗口
滑动第次对应的矩阵的第个特征值；表示像素点的搜索窗口内滑动邻域窗口的滑动
总次数；为第二预设阈值，经验值为9。
初始照度图像中像素点的搜索窗口内的固定邻域窗口和滑动邻域窗口对应的特征值差异越大时，固定邻域窗口和滑动邻域窗口的亮度分布特征差异越大，此时，像素点的分片平滑特征越大。
获取待分析像素点的八邻域内各像素点的分片平滑特征的平均值和标准差。
根据初始照度图像内像素点的分片平滑特征获取像素点的照度校正系数。
式中，为初始照度图像内像素点的照度校正系数；为像素点的分片平滑
特征；为像素点八邻域内所有像素点的分片平滑特征的平均值；为像素点八邻域内
所有像素点的分片平滑特征的标准差；为第三预设阈值，经验值为0。
当像素点的分片平滑特征越小、像素点的八邻域内像素点的分片平滑特征分布越均匀时，像素点的照度校正系数越小，对整体区域亮度偏小的图像进行校正的效果越好。
根据初始照度图像中像素点的亮度值和照度校正系数获取像素点在照度图像中的亮度值。
式中，表示照度图像中像素点的亮度值，即校正后的像素点亮度值；表示
初始照度图像中像素点的亮度值；为初始照度图像内像素点的照度校正系数；为
第一取值函数，作用为取括号内的四舍五入值。
为保证图像中像素点的像素值的有效性，当照度图像中像素点的亮度值的计算结果大于第四预设阈值时，将照度图像中像素点的亮度值赋值为第四预设阈值。其中，第四预设阈值的经验值为255。
当照度校正系数越小时，对于初始照度图像中整体区域亮度偏小的区域的校正效果越好；当照度校正系数越大时，对于初始照度图像中高亮区域具有越好的压缩效果。
照度校正系数可以在对初始照度图像中低亮度区域进行增强的同时，有效抑制高亮度区域的过度曝光。
将计算得到的照度图像中每个像素点的亮度值作为像素点对应的像素值，获取照度图像。
至此，获取照度图像。
步骤S003、获取初始反射图像中的边缘像素点，获取边缘像素点的渐变区域，根据边缘像素点的渐变区域获取像素点的渐变程度，根据渐变程度获取渐变修正因子，根据初始反射图像中像素点的亮度值和边缘像素点的渐变修正因子获取边缘像素点的渐变区域修正反射像素值，根据初始反射图像中边缘像素点的修正反射亮度值和像素点的亮度值获取反射图像。
初始反射图像包含初始亮度图像的细节信息，对初始反射图像进行修正。
碎硅片的边缘为不规则形状，初始反射图像中的边缘区域极易出现强对比，从而导致初始反射图像中对应碎硅片的边角区域存在光晕现象，所以需要对初始反射图像中碎硅片的边缘进行识别和分析。
由于碎硅片具有一定的硬度，对初始反射图像使用Canny算子，获取初始反射图像中对应碎硅片边缘的边缘像素点。边缘像素点围成的图形区域即为碎硅片区域。
若碎硅片边缘出现光晕现象，光晕效应会导致碎硅片边缘的像素值呈现出渐变效应，即出现像素值逐渐变化的特征。
对初始反射图像中边缘像素点使用Sobel算子，获取边缘像素点的梯度幅值和梯度方向。其中，梯度方向分为水平方向和垂直方向。
将初始反射图像中每个边缘像素点分别记为待分析边缘像素点。获取待分析边缘像素点的梯度方向的水平方向和垂直方向上的像素点。
当对应碎硅片边缘位置的像素点的像素值由于光晕现象呈现出渐变效应时，像素值由灰黑色的边缘从低到高逐渐变化，所以，根据梯度方向的水平、垂直方向获取渐变区域。
以待分析边缘像素点为起点，沿待分析边缘像素点的梯度方向的水平方向选取亮度值依次增大的像素点，直至水平方向像素点的亮度值出现减小或者亮度值保持不变；以待分析边缘像素点为起点，沿待分析边缘像素点的梯度方向的垂直方向选取亮度值依次增大的像素点，直至垂直方向像素点的亮度值出现减小或者亮度值保持不变。
将待分析边缘像素点沿待分析边缘像素点的梯度方向的水平方向和垂直方向选取的所有像素点组成的区域记为待分析边缘像素点的渐变区域。
根据边缘像素点的渐变区域获取像素点的渐变程度，分为两种情况：
（1）当且时：
（2）当或时：
式中，表示初始反射图像中边缘像素点的渐变程度；、分别为边缘像素点的渐变区域中与边缘像素点距离最远的像素点的横、纵坐标；、、分
别表示像素点坐标为、、的像素点的梯度幅值；为第三预设阈值，经验
值为0；为第四预设阈值，经验值为1。
在情况（1）中，考虑到初始反射图像中边缘像素点梯度为0的情况，边缘像素点在梯度方向的水平和垂直方向都取不到渐变区域，所以对边缘像素点的渐变程度赋值为第三预设阈值。
在情况（2）中，根据边缘像素点在梯度方向的水平或垂直方向的像素点梯度变化大小获取渐变程度，即梯度幅值差异越大时，边缘变化越明显，渐变越不明显，渐变程度越小；梯度幅值差异越小时，边缘变化越不明显，在边缘处出现光晕现象、渐变越明显，则渐变程度越大。
由于像素点附近的渐变特征会导致图像在像素点所在区域出现视觉模糊，所以，根据渐变程度获取渐变修正因子。
式中，表示初始反射图像中边缘像素点的渐变修正因子；表示初始反射
图像中边缘像素点的渐变程度；为修正函数的平方；为第三预设阈值，经验
值为0；为第四预设阈值，经验值为1。
当边缘像素点的渐变程度越大时，边缘像素点之间的变化程度越小，所以，需要增强像素点之间的对比度，Tanh函数通常用作激活函数来引入非线性特征，并且在某些情况下可以避免出现渐变模糊的情况。
根据初始反射图像中边缘像素点的渐变修正因子和亮度值获取边缘像素点的渐变区域修正反射像素值。
式中，表示初始反射图像中边缘像素点的修正反射亮度值；表示边缘像素
点的亮度值；表示初始反射图像中边缘像素点的渐变修正因子；为第一取值函
数，作用为取括号内的四舍五入值。
根据初始反射图像中边缘像素点的修正反射亮度值和像素点的亮度值获取反射图像，其中，反射图像内像素点的像素值的获取公式为：
式中，为反射图像中像素点的亮度值；表示像素点的修正反射亮度值；
表示像素点的亮度值，表示像素点在渐变区域中；表示像素点不在渐变区域
中。
至此，获取反射图像。
步骤S004、根据照度图像和反射图像获取亮度图像，根据亮度图像和第一碎硅片图像获取碎硅片增强图像，对碎硅片增强图像的清洗效果进行检测以判定碎硅片清洗效果。
根据照度图像和反射图像获取亮度图像。
式中，为亮度图像，为照度图像，为反射图像，为指数函数；为第一取
值函数，作用为取括号内的四舍五入值。
当亮度图像中像素点的像素值超过第四预设阈值时，将像素点的像素值赋值为第四预设阈值。其中，第四预设阈值的经验值为255。
亮度图像获取流程图如图2所示。
将亮度图像中像素点的像素值作为像素点亮度通道对应的像素值，将第一碎硅片图像中像素点在A、B通道对应的像素值仍作为A、B通道对应的像素值，获取碎硅片增强图像。
采用基于卷积神经网络的语义分割模型对碎硅片增强图像的清洗效果进行检测。将碎硅片增强图像作为语义分割网络的输入，语义分割网络的输出为碎硅片的语义分割效果图，其中，语义分割效果图中碎硅片清洗合格的区域像素点的灰度值标记为1，碎硅片清洗不合格的区域像素点灰度值标记为0。其中，基于卷积神经网络的语义分割模型为现有公知技术，不再赘述。
统计语义分割效果图中灰度值为零的像素点数量占语义分割效果图中所有像素点的数量的比值S，当比值S大于等于第一不合格阈值时，判定碎硅片清洗效果不佳，需要对碎硅片上的杂质进一步进行清洗处理；当比值S小于第一不合格阈值时，判定碎硅片清洗效果合格，可以对碎硅片进行后续操作。其中，第一不合格阈值经验值为0.3。
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.基于图像增强的碎硅片清洗效果视觉检测方法，其特征在于，该方法包括以下步骤：
采集图像并进行预处理，获取碎硅片图像，根据碎硅片图像获取初始亮度图像，根据初始亮度图像获取初始照度图像，根据初始亮度图像和初始照度图像获取初始反射图像；
获取初始照度图像中像素点的搜索窗口，根据搜索窗口确定固定邻域窗口和滑动邻域窗口，根据像素点的搜索窗口内的固定邻域窗口和滑动邻域窗口获取像素点的分片平滑特征，根据像素点的分片平滑特征获取像素点的照度校正系数，根据初始照度图像中像素点的亮度值和照度校正系数获取像素点在照度图像中的亮度值，根据照度图像中的亮度值获取照度图像；
获取初始反射图像中的边缘像素点，获取边缘像素点的渐变区域，根据边缘像素点的渐变区域获取像素点的渐变程度，根据渐变程度获取渐变修正因子，根据初始反射图像中像素点的亮度值和边缘像素点的渐变修正因子获取边缘像素点的渐变区域修正反射像素值，根据初始反射图像中边缘像素点的修正反射亮度值和像素点的亮度值获取反射图像；
根据照度图像和反射图像获取亮度图像，根据亮度图像和第一碎硅片图像获取碎硅片增强图像，对碎硅片增强图像的清洗效果进行检测以判定碎硅片清洗效果。
2.根据权利要求1所述的基于图像增强的碎硅片清洗效果视觉检测方法，其特征在于，所述获取初始照度图像中像素点的搜索窗口，包括的具体方法为：
将初始照度图像中每个像素点分别作为待分析像素点，以待分析像素点为中心像素点建立边长为第一预设阈值的搜索窗口。
3.根据权利要求2所述的基于图像增强的碎硅片清洗效果视觉检测方法，其特征在于，所述根据搜索窗口确定固定邻域窗口和滑动邻域窗口，包括的具体方法为：
在待分析像素点的搜索窗口内任意选取两个像素点，将任意选取两个像素点分别记为第一像素点和第二像素点；
分别以第一像素点和第二像素点为中心建立边长为第二预设阈值的邻域窗口；
将第一像素点的邻域窗口作为固定邻域窗口；
将第二像素点的邻域窗口作为滑动邻域窗口。
4.根据权利要求3所述的基于图像增强的碎硅片清洗效果视觉检测方法，其特征在于，所述根据像素点的分片平滑特征获取像素点的照度校正系数，包括的具体方法为：
将待分析像素点的分片平滑特征与待分析像素点的八邻域内所有像素点的分片平滑特征的平均值的差值记为第一差值；
将待分析像素点八邻域内所有像素点的分片平滑特征的标准差与第三预设阈值的和记为第一和值；
将第一差值与第一和值的比值记为待分析像素点的照度校正系数。
5.根据权利要求1所述的基于图像增强的碎硅片清洗效果视觉检测方法，其特征在于，所述根据照度图像中的亮度值获取照度图像，包括的具体方法为：
将计算得到的照度图像中每个像素点的亮度值作为像素点对应的像素值，获取照度图像。
6.根据权利要求1所述的基于图像增强的碎硅片清洗效果视觉检测方法，其特征在于，所述获取边缘像素点的渐变区域，包括的具体方法为：
获取边缘像素点的梯度幅值和梯度方向，其中，梯度方向分为水平方向和垂直方向；
将初始反射图像中每个边缘像素点分别记为待分析边缘像素点，获取待分析边缘像素点的梯度方向的水平方向和垂直方向上的像素点；
以待分析边缘像素点为起点，沿待分析边缘像素点的梯度方向的水平方向选取亮度值依次增大的像素点，直至水平方向像素点的亮度值出现减小或者亮度值保持不变；
以待分析边缘像素点为起点，沿待分析边缘像素点的梯度方向的垂直方向选取亮度值依次增大的像素点，直至垂直方向像素点的亮度值出现减小或者亮度值保持不变；
将待分析边缘像素点沿待分析边缘像素点的梯度方向的水平方向和垂直方向选取的所有像素点组成的区域记为待分析边缘像素点的渐变区域。
7.根据权利要求6所述的基于图像增强的碎硅片清洗效果视觉检测方法，其特征在于，所述根据初始反射图像中像素点的亮度值和边缘像素点的渐变修正因子获取边缘像素点的渐变区域修正反射像素值，包括的具体方法为：
将待分析边缘像素点的亮度值和渐变修正因子的乘积记为第一乘积；
将第一乘积经第一取值函数计算后的数值记为边缘像素点的渐变区域修正反射像素值。
8.根据权利要求1所述的基于图像增强的碎硅片清洗效果视觉检测方法，其特征在于，所述根据初始反射图像中边缘像素点的修正反射亮度值和像素点的亮度值获取反射图像，包括的具体方法为：
将初始反射图像中的每个像素点分别作为第三像素点；
当第三像素点在初始反射图像中的渐变区域中时，将第三像素点的修正反射亮度值记为第三像素点在反射图像中的亮度值；
当第三像素点不在初始反射图像中的渐变区域中时，将第三像素点的亮度值记为第三像素点在反射图像中的亮度值；
根据将初始反射图像中的每个像素点反射图像中的亮度值获取反射图像。
9.根据权利要求1所述的基于图像增强的碎硅片清洗效果视觉检测方法，其特征在于，所述根据亮度图像和第一碎硅片图像获取碎硅片增强图像，包括的具体方法为：
将亮度图像中像素点的像素值作为像素点亮度通道对应的像素值，将第一碎硅片图像中像素点在A、B通道对应的像素值仍作为A、B通道对应的像素值，获取碎硅片增强图像。
10.根据权利要求1所述的基于图像增强的碎硅片清洗效果视觉检测方法，其特征在于，所述对碎硅片增强图像的清洗效果进行检测以判定碎硅片清洗效果，包括的具体方法为：
采用基于卷积神经网络的语义分割模型对碎硅片增强图像的清洗效果进行检测，获取碎硅片的语义分割效果图，其中，语义分割效果图中碎硅片清洗合格的区域像素点的灰度值标记为数字1，碎硅片清洗不合格的区域像素点灰度值标记为数字0；
统计语义分割效果图中灰度值为零的像素点数量占语义分割效果图中所有像素点的数量的比值；
当比值大于等于第一不合格阈值时，判定碎硅片清洗效果不佳，需要对碎硅片上的杂质进一步进行清洗处理；
当比值小于第一不合格阈值时，判定碎硅片清洗效果合格。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311542634.5A CN117274113B (zh) | 2023-11-20 | 2023-11-20 | 基于图像增强的碎硅片清洗效果视觉检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311542634.5A CN117274113B (zh) | 2023-11-20 | 2023-11-20 | 基于图像增强的碎硅片清洗效果视觉检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117274113A true CN117274113A (zh) | 2023-12-22 |
| CN117274113B CN117274113B (zh) | 2024-02-02 |
Family
ID=89216350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311542634.5A Active CN117274113B (zh) | 2023-11-20 | 2023-11-20 | 基于图像增强的碎硅片清洗效果视觉检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274113B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117876286A (zh) * | 2024-03-13 | 2024-04-12 | 哈船通航(三亚)技术服务合伙企业(有限合伙) | 一种水下机器人用智能船舶清洗系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102062733A (zh) * | 2010-12-09 | 2011-05-18 | 浙江昱辉阳光能源有限公司 | 一种太阳能硅片清洗后表面残留物的检测方法 |
| US20110158529A1 (en) * | 2009-12-28 | 2011-06-30 | Xerox Corporation | System and method for cleanup of mrc images for improved compression and image quality |
| JP2017027729A (ja) * | 2015-07-21 | 2017-02-02 | 株式会社トプコン | 空間光測定方法及び空間光測定システム |
| CN106846282A (zh) * | 2017-03-28 | 2017-06-13 | 华侨大学 | 一种采用自适应校正的低照度图像增强方法 |
| CN108765355A (zh) * | 2018-06-07 | 2018-11-06 | 南京信息职业技术学院 | 一种基于变分Retinex模型的雾天图像增强方法 |
| US20200152724A1 (en) * | 2018-11-13 | 2020-05-14 | Samsung Electronics Co., Ltd. | Electronic device and illuminance sensing method based on display information on electronic device |
| CN111223068A (zh) * | 2019-11-12 | 2020-06-02 | 西安建筑科技大学 | 基于Retinex的自适应非均匀低照度图像增强的方法 |
| CN111292257A (zh) * | 2020-01-15 | 2020-06-16 | 重庆邮电大学 | 一种基于Retinex的暗视觉环境下图像增强方法 |
| US20200273154A1 (en) * | 2017-11-13 | 2020-08-27 | Suzhou Keda Technology Co., Ltd. | Image enhancement method and system |
| CN113962898A (zh) * | 2021-11-03 | 2022-01-21 | 大连海事大学 | 基于照度图优化和自适应伽马校正的低照度图像增强方法 |
| 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 |
| CN116758083A (zh) * | 2023-08-21 | 2023-09-15 | 浙江莫克智造有限公司 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
-
2023
- 2023-11-20 CN CN202311542634.5A patent/CN117274113B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110158529A1 (en) * | 2009-12-28 | 2011-06-30 | Xerox Corporation | System and method for cleanup of mrc images for improved compression and image quality |
| CN102062733A (zh) * | 2010-12-09 | 2011-05-18 | 浙江昱辉阳光能源有限公司 | 一种太阳能硅片清洗后表面残留物的检测方法 |
| JP2017027729A (ja) * | 2015-07-21 | 2017-02-02 | 株式会社トプコン | 空間光測定方法及び空間光測定システム |
| CN106846282A (zh) * | 2017-03-28 | 2017-06-13 | 华侨大学 | 一种采用自适应校正的低照度图像增强方法 |
| US20200273154A1 (en) * | 2017-11-13 | 2020-08-27 | Suzhou Keda Technology Co., Ltd. | Image enhancement method and system |
| CN108765355A (zh) * | 2018-06-07 | 2018-11-06 | 南京信息职业技术学院 | 一种基于变分Retinex模型的雾天图像增强方法 |
| US20200152724A1 (en) * | 2018-11-13 | 2020-05-14 | Samsung Electronics Co., Ltd. | Electronic device and illuminance sensing method based on display information on electronic device |
| CN111223068A (zh) * | 2019-11-12 | 2020-06-02 | 西安建筑科技大学 | 基于Retinex的自适应非均匀低照度图像增强的方法 |
| CN111292257A (zh) * | 2020-01-15 | 2020-06-16 | 重庆邮电大学 | 一种基于Retinex的暗视觉环境下图像增强方法 |
| CN113962898A (zh) * | 2021-11-03 | 2022-01-21 | 大连海事大学 | 基于照度图优化和自适应伽马校正的低照度图像增强方法 |
| 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 |
| CN116758083A (zh) * | 2023-08-21 | 2023-09-15 | 浙江莫克智造有限公司 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| XIAOCONG LI ET.AL: "An Improved Image Enhancement Method Based on Lab Color Space Retinex Algorithm", 《 TENTH INTERNATIONAL CONFERENCE ON GRAPHICS AND IMAGE PROCESSING (ICGIP 2018)》, pages 1 - 10 * |
| 吴壮志 等: "基于分片光滑照度估计的Retinex图像处理框架", 《国防科技大学学报》, vol. 33, no. 3, pages 83 - 88 * |
| 智宁;毛善君;李梅;: "基于双伽马函数的煤矿井下低亮度图像增强算法", 辽宁工程技术大学学报(自然科学版), no. 01, pages 193 - 199 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117876286A (zh) * | 2024-03-13 | 2024-04-12 | 哈船通航(三亚)技术服务合伙企业(有限合伙) | 一种水下机器人用智能船舶清洗系统 |
| CN117876286B (zh) * | 2024-03-13 | 2024-05-17 | 哈船通航(三亚)技术服务合伙企业(有限合伙) | 一种水下机器人用智能船舶清洗系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117274113B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Adaptive image enhancement method for correcting low-illumination images | |
| CN108876743B (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
| Park et al. | Single image dehazing with image entropy and information fidelity | |
| Ju et al. | Single image dehazing via an improved atmospheric scattering model | |
| CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
| CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
| CN111612725B (zh) | 一种基于可见光图像对比度增强的图像融合方法 | |
| CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
| CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
| CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
| CN115619775B (zh) | 基于图像识别的物料计数方法及装置 | |
| CN107292834B (zh) | 红外图像细节增强方法 | |
| CN116452598A (zh) | 基于计算机视觉的车桥生产质量快速检测方法及系统 | |
| CN105701491A (zh) | 固定格式文档图像模版的制作方法及其应用 | |
| CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
| CN116363140A (zh) | 一种中硼硅玻璃缺陷的检测方法、系统、装置及存储介质 | |
| Feng et al. | Low-light image enhancement algorithm based on an atmospheric physical model | |
| CN117173180B (zh) | 基于图像增强的钢管缺陷智能检测方法 | |
| CN112288726B (zh) | 一种井下带式输送机带面异物检测方法 | |
| CN110111280A (zh) | 一种多尺度梯度域引导滤波的低照度图像增强算法 | |
| CN110186929A (zh) | 一种实时的产品瑕疵定位方法 | |
| Han et al. | Automatic illumination and color compensation using mean shift and sigma filter | |
| Tabatabaei et al. | A novel method for binarization of badly illuminated document images | |
| CN109448010B (zh) | 一种基于内容特征的四方连续纹样自动生成方法 | |
| CN111415365A (zh) | 图像检测方法及装置 |
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 |