CN117522875B - 基于图像滤波的半导体载带生产质量视觉检测方法 - Google Patents

基于图像滤波的半导体载带生产质量视觉检测方法 Download PDF

Info

Publication number
CN117522875B
CN117522875B CN202410020367.3A CN202410020367A CN117522875B CN 117522875 B CN117522875 B CN 117522875B CN 202410020367 A CN202410020367 A CN 202410020367A CN 117522875 B CN117522875 B CN 117522875B
Authority
CN
China
Prior art keywords
image block
carrier tape
semiconductor carrier
target image
target
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
Application number
CN202410020367.3A
Other languages
English (en)
Other versions
CN117522875A (zh
Inventor
常国强
何志平
李明俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Xinchuangyuan Precision Intelligent Manufacturing Co ltd
Original Assignee
Shenzhen Xinchuangyuan Precision Intelligent Manufacturing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Xinchuangyuan Precision Intelligent Manufacturing Co ltd filed Critical Shenzhen Xinchuangyuan Precision Intelligent Manufacturing Co ltd
Priority to CN202410020367.3A priority Critical patent/CN117522875B/zh
Publication of CN117522875A publication Critical patent/CN117522875A/zh
Application granted granted Critical
Publication of CN117522875B publication Critical patent/CN117522875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及基于图像滤波的半导体载带生产质量视觉检测方法，包括：获取半导体载带生产灰度图像；根据半导体载带生产灰度图像的每个图像块的细节丰富程度，获取半导体载带生产灰度图像的所有目标图像块；获取半导体载带生产灰度图像的每个目标图像块的特征参与度和载带评价特征程度；根据半导体载带生产灰度图像的每个高细节特征像素点的滤波权重，获取滤波后的半导体载带生产灰度图像，进而获得半导体载带质量的评价结果。本发明能够有效解决滤波后细节特征丢失的问题。

Description

基于图像滤波的半导体载带生产质量视觉检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于图像滤波的半导体载带生产质量视觉检测方法。
背景技术
半导体载带主要应用于电子元器件贴装工业。它配合盖带使用，将电阻，电容，晶体管和二极管等电子元器件承载收纳在载带的口袋中，并通过在载带上方封合盖带形成闭合式的包装，用于保护电子元器件在运输途中不受污染和损坏。在半导体生产过程中，可能会出现一些主要的缺陷，其中包括结构缺陷、工艺缺陷、界面缺陷等。对于结构缺陷，是指半导体器件中物理结构的缺陷或不完整性。这可能包括晶体结构的缺陷、晶格畸变、晶体界面的不完整或污染等。结构缺陷可能导致器件性能下降、可靠性降低或甚至损坏。而对于半导体载带来说，规整的结构是评价其性能的重要指标。
对于采集到的半导体载带生产质量视觉图像，会因为多种因素的影响，使得图像中存在着噪声。为了去除噪声的影响，使用现有技术双边滤波对噪声进行滤除。而在这个过程中，灰度信息权重的分配不合理，会影响到滤波输出，进而使得滤波后的图像丢失原载带特有的细节特征，导致在质量评价阶段会产生生产质量的误判。
发明内容
为了解决上述问题，本发明提供基于图像滤波的半导体载带生产质量视觉检测方法，所述方法包括：
获取半导体载带生产灰度图像；
通过滑窗操作，获取半导体载带生产灰度图像的若干个图像块；根据每个图像块内不同灰度值的像素点分布，获取每个图像块的细节丰富程度；根据每个图像块的细节丰富程度的大小获取半导体载带生产灰度图像的目标图像块；
通过孤立森林算法，获取每个目标图像块中每个像素点的异常值；根据每个目标图像块中心像素点与其他像素点的异常值差异，获取每个目标图像块的特征参与度；根据每个目标图像块中不同异常值的像素点，获取每个目标图像块的目标异常连通域和异常连通域的边界像素点；根据每个目标图像块的目标异常连通域的质心与边界像素点的位置差异，获取每个目标图像块的载带评价特征程度；
获取半导体载带生产灰度图像的每个高细节特征像素点，根据每个目标图像块的载带评价特征程度和特征参与度，获取半导体载带生产灰度图像的每个目标图像块对应的高细节特征像素点的滤波权重；根据半导体载带生产灰度图像的每个高细节特征像素点的滤波权重，获取滤波后的半导体载带生产灰度图像；根据滤波后的半导体载带生产灰度图像，获取半导体载带质量的评价结果。
优选的，所述通过滑窗操作，获取半导体载带生产灰度图像的若干个图像块，包括的具体方法为：
预设一个参数，使用大小为/>的滑窗在半导体载带生产灰度图像进行步长为1的滑窗操作，其中，将半导体载带生产灰度图像中每个像素点作为每个滑窗的中心像素点，将每个滑窗作为半导体载带生产灰度图像的图像块，进而获得半导体载带生产灰度图像的若干个图像块。
优选的，所述根据每个图像块内不同灰度值的像素点分布，获取每个图像块的细节丰富程度，包括的具体方法为：
对于半导体载带生产灰度图像的第x个图像块，将第x个图像块中灰度值处于的像素点，记为第x个图像块的第一类像素点，将第x个图像块中灰度值处于的像素点，记为第x个图像块的第二类像素点，其中，/>为预设参数，则半导体载带生产灰度图像的第x个图像块的细节丰富程度的计算方式为：式中，/>表示半导体载带生产灰度图像的第x个图像块的细节丰富程度；/>表示半导体载带生产灰度图像的第x个图像块内所有像素点灰度值方差；/>表示半导体载带生产灰度图像的第x个图像块内所有第一类像素点数量；/>表示半导体载带生产灰度图像的第x个图像块内第i个第一类像素点的灰度值；表示半导体载带生产灰度图像的第x个图像块内第j个第二类像素点的灰度值；/>半导体载带生产灰度图像的第x个图像块内所有像素点灰度值的熵；/>表示线性归一化函数；/>为预设参数。
优选的，所述根据每个图像块的细节丰富程度的大小获取半导体载带生产灰度图像的目标图像块，包括的具体方法为：
预设一个阈值，若半导体载带生产灰度图像的第x个图像块的细节丰富程度大于阈值/>，则将第x个图像块记为目标图像块，进而获得半导体载带生产灰度图像的所有目标图像块。
优选的，所述根据每个目标图像块中心像素点与其他像素点的异常值差异，获取每个目标图像块的特征参与度，包括的具体方法为：
将第y个目标图像块内的非中心像素点记为第y个目标图像块的第一像素点，则半导体载带生产灰度图像的第y个目标图像块的特征参与度的计算方法为：式中，/>表示半导体载带生产灰度图像的第y个目标图像块的特征参与度；/>为预设第一参数；/>表示半导体载带生产灰度图像的第y个目标图像块的中心像素点的异常值；/>表示半导体载带生产灰度图像的第y个目标图像块内第l个第一像素点的灰度值；/>表示半导体载带生产灰度图像的第y个目标图像块内第l个第一像素点的异常值；/>为预设参数。
优选的，所述根据每个目标图像块中不同异常值的像素点，获取每个目标图像块的目标异常连通域和异常连通域的边界像素点，包括的具体方法为：
对于半导体载带生产灰度图像的第y个目标图像块，若第y个目标图像块内任意像素点的异常值大于或等于预设阈值，则将所述像素点记为第y个目标图像块的异常像素点，进而获得第y个目标图像块的所有异常像素点，将第y个目标图像块的所有异常像素点输入连通组件标记算法，获得第y个目标图像块的所有异常连通域和异常连通域的边界像素点，将第y个目标图像块的所有异常连通域中面积最大的异常连通域作为第y个目标图像块的目标连通域。
优选的，所述根据每个目标图像块的目标异常连通域的质心与边界像素点的位置差异，获取每个目标图像块的载带评价特征程度，包括的具体方法为：
根据第y个目标图像块的目标异常连通域的质心与边界像素点的位置差异，获取第y个目标图像块的形状规整性；根据第y个目标图像块的目标异常连通域的边界像素点位置，获取第y个目标图像块的形状类直线度；则半导体载带生产灰度图像的第y个目标图像块的载带评价特征程度的计算方式为：式中，/>表示半导体载带生产灰度图像的第y个目标图像块的载带评价特征程度；/>表示半导体载带生产灰度图像的第y个目标图像块的形状类直线度；/>表示半导体载带生产灰度图像的第y个目标图像块的形状规整性；/>为预设参数；/>表示以自然常数为底数的指数函数。
优选的，所述根据第y个目标图像块的目标异常连通域的质心与边界像素点的位置差异，获取第y个目标图像块的形状规整性，包括的具体方法为：
获取第y个目标图像块的目标异常连通域的质心的坐标位置，则半导体载带生产灰度图像的第y个目标图像块的形状规整性的计算方式为：式中，/>表示半导体载带生产灰度图像的第y个目标图像块的形状规整性；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的所有边界像素点数量；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的第m个边界像素点的横坐标值；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的质心位置的横坐标值；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的第m个边界像素点的纵坐标值；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的质心位置的纵坐标值。
优选的，所述根据第y个目标图像块的目标异常连通域的边界像素点位置，获取第y个目标图像块的形状类直线度，包括的具体方法为：
通过最小二乘法对第y个目标图像块的目标异常连通域的所有边界像素点进行直线拟合，得到第y个目标图像块的边界直线方程，进而获得边界直线方程的参数和/>，则半导体载带生产灰度图像的第y个目标图像块的形状类直线度的计算方式为：式中，/>表示半导体载带生产灰度图像的第y个目标图像块的形状类直线度；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的所有边界像素点数量；/>和/>表示半导体载带生产灰度图像的第y个目标图像块的边界直线方程的参数；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的第m个边界像素点的横坐标值；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的第m个边界像素点的纵坐标值。
优选的，所述根据每个目标图像块的载带评价特征程度和特征参与度，获取半导体载带生产灰度图像的每个目标图像块对应的高细节特征像素点的滤波权重，包括的具体方法为：
将半导体载带生产灰度图像的第y个目标图像块的载带评价特征程度和特征参与度的乘积，记为第一乘积，将线性归一化后的第一乘积，作为半导体载带生产灰度图像的第y个目标图像块对应的高细节特征像素点的滤波权重。
本发明的技术方案的有益效果是：为了消除噪声对于半导体载带视觉效果的影响，使用双边滤波算法对其进行滤除。在这个过程中，会因为双边滤波中灰度权重的影响，导致滤波结果对载带的部分特征未能完整保留。本发明针对上述问题展开分析，进行灰度权重的自适应。利用核内不同像素点通过孤立森林计算后得到的异常得分，结合载带评价特征，确定双边滤波权重的自适应，相较于只通过灰度值接近与否进行权重的赋予和构建，能够有效解决滤波后细节特征丢失的问题。
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为本发明基于图像滤波的半导体载带生产质量视觉检测方法的步骤流程图。
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基于图像滤波的半导体载带生产质量视觉检测方法，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滤波的半导体载带生产质量视觉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滤波的半导体载带生产质量视觉检测方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取半导体载带生产灰度图像。
需要说明的是，对于采集到的半导体载带生产质量视觉图像，会因为多种因素的影响，使得图像中存在着噪声。为了去除噪声的影响，使用现有技术双边滤波对噪声进行滤除。而在这个过程中，灰度信息权重的分配不合理，会影响到滤波输出，进而使得滤波后的图像丢失原载带特有的细节特征，导致在质量评价阶段会产生生产质量的误判。
具体的，为了实现本实施例提出的基于图像滤波的半导体载带生产质量视觉检测方法，首先需要采集半导体载带生产灰度图像，具体过程为：
将生产中的半导体载带水平放置在工作台上，在其正上方放置工业相机对其进行图像采集，获得半导体载带生产图像；对半导体载带生产图像进行直方图均衡化和灰度化操作得到半导体载带生产灰度图像。其中，直方图均衡化和灰度化操作为现有技术，此处不做过多赘述。
至此，通过上述方法得到半导体载带生产灰度图像。
步骤S002：根据半导体载带生产灰度图像的每个图像块的细节丰富程度，获取半导体载带生产灰度图像的所有目标图像块。
需要说明的是，半导体载带包含着许多的规则结构，例如载带中的圆、矩形以及载带整体的规则几何状。结合载带的用途，可以确定的是特征较多的边缘大都表现为规则形状。而使用双边滤波算法对原图的噪声进行滤除的过程中，可以发现滤波结果对于细小特征的保留不是很完整，这是因为灰度权重的划分在此场景下较为不适用；为了使得再利用图像块内像素点具有更为重要的特征，同时减小滤波过程的计算量，需要初步确定图像中的感兴趣区域也即细节特征丰富的区域，越是具备着场景的基本特征，细节特征丰富值就越高，那么对核内像素点的分析就会更具意义。
预设两个参数，其中本实施例以/>，/>为例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
具体的，使用预设大小的滑窗在半导体载带生产灰度图像进行步长为1的滑窗操作，其中，将半导体载带生产灰度图像中每个像素点作为每个滑窗的中心像素点，将每个滑窗作为半导体载带生产灰度图像的图像块，进行获得半导体载带生产灰度图像的若干个图像块。
需要注意的是，对于图像块的中心像素点为半导体载带生产灰度图像的边缘像素点时，对于图像块缺少的像素点选择灰度值为0的像素点进行补全处理。
进一步，对于半导体载带生产灰度图像的第x个图像块，将第x个图像块中灰度值处于的像素点，记为第x个图像块的第一类像素点，将第x个图像块中灰度值处于的像素点，记为第x个图像块的第二类像素点，则半导体载带生产灰度图像的第x个图像块的细节丰富程度的计算方式为：式中，/>表示半导体载带生产灰度图像的第x个图像块的细节丰富程度；/>表示半导体载带生产灰度图像的第x个图像块内所有像素点灰度值方差；/>表示半导体载带生产灰度图像的第x个图像块内所有第一类像素点数量；/>表示半导体载带生产灰度图像的第x个图像块内第i个第一类像素点的灰度值；表示半导体载带生产灰度图像的第x个图像块内第j个第二类像素点的灰度值；/>半导体载带生产灰度图像的第x个图像块内所有像素点灰度值的熵；/>表示线性归一化函数；/>为预设参数。
需要说明的是，对于图像块的细节丰富程度，它的量化是为了将原图中细节较多的区域划分出来，那么，越具有着较多的细节，图像块的像素点灰度值分布就应该越为复杂，相应的核内方差就应该越大；图像块内所有第一类像素点与第二类像素点的灰度值之和的比值越大，相应的图像块的细节丰富程度就应该越大，因为通过分析一般半导体载带在灰度图里的灰度分布范围，可以发现若满足上述范围，则其可以具备相应载带特征，或者说属于载带连通域。相应地，图像块内像素点灰度值熵值越大，其包含的信息越多，越可能处于较为重要的特征区域，或者越可能包含较多噪声。预设一个阈值，其中本实施例以为例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
进一步，若半导体载带生产灰度图像的第x个图像块的细节丰富程度大于预设阈值，则将第x个图像块记为目标图像块，若半导体载带生产灰度图像的第x个图像块的细节丰富程度小于或等于预设阈值/>，则将第x个图像块记为非目标的图像块，进而获得半导体载带生产灰度图像的所有目标图像块。
至此，通过上述方法得到半导体载带生产灰度图像的所有目标图像块。
步骤S003：获取半导体载带生产灰度图像的每个目标图像块的特征参与度和载带评价特征程度。
1.获取半导体载带生产灰度图像的每个目标图像块的特征参与度。
需要说明的是，为了保留细小特征，例如原图细节特征里的小孔洞、每个结构区域的阴影等，需要对权重进行重构，不是仅仅通过判断灰度值的相似与否。而上述细小特征，它们都具备一个共同点，那就是相较于周围像素点，它的灰度值都较为异常，那么为了保证这种异常是因为元器件特征导致而不是噪声，此处就需要计算图像块内像素点灰度值的异常得分去确定异常结果，进而在此基础上，再结合载带的评价特征（规则几何形状），进行灰度权重的获取。所以，此处需要用到孤立森林算法进行异常像素点的获取，进而可以确定后续的灰度权重自适应。
预设一个第一参数，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
具体的，对于半导体载带生产灰度图像的第y个目标图像块，使用孤立森林算法检测并计算出第y个目标图像块内每个像素点的异常值，其中，孤立森林算法为现有技术，本实施例不作过多赘述。
进一步，将第y个目标图像块内的非中心像素点记为第y个目标图像块的第一像素点，则半导体载带生产灰度图像的第y个目标图像块的特征参与度的计算方法为：式中，/>表示半导体载带生产灰度图像的第y个目标图像块的特征参与度；/>为预设第一参数；/>表示半导体载带生产灰度图像的第y个目标图像块的中心像素点的异常值；/>表示半导体载带生产灰度图像的第y个目标图像块内第l个第一像素点的灰度值；/>表示半导体载带生产灰度图像的第y个目标图像块内第l个第一像素点的异常值；/>为预设参数。
需要说明的是，原图细节特征里的小孔洞、每个结构区域的阴影等。为了放大这类特征，即需要将图像块的中心点像素点占比放大，若图像块的中心像素点不属于上述特征区域中的孔洞等，那么它的异常得分本来就低，放大这个权重后，整个图像块的异常得分就会变低。对于后者，将其它区域像素点异常得分值进行相加，并且依据灰度值的不同权重不同，灰度值更大的在相加时它异常得分的权重就变大，目的是将图像块内其它像素点所表征的特征也添加到最终的异常得分中。
至此，获得半导体载带生产灰度图像的每个目标图像块的特征参与度。
2.获取半导体载带生产灰度图像的每个目标图像块的载带评价特征程度。
具体的，对于半导体载带生产灰度图像的第y个目标图像块，若第y个目标图像块内任意像素点的异常值大于或等于预设阈值，则将所述像素点记为第y个目标图像块的异常像素点，进而获得第y个目标图像块的所有异常像素点，将第y个目标图像块的所有异常像素点输入连通组件标记算法，获得第y个目标图像块的所有异常连通域和异常连通域的边界像素点，将第y个目标图像块的所有异常连通域中面积最大的异常连通域作为第y个目标图像块的目标连通域。
进一步，获取第y个目标图像块的目标异常连通域的质心的坐标位置，则半导体载带生产灰度图像的第y个目标图像块的形状规整性的计算方式为：式中，/>表示半导体载带生产灰度图像的第y个目标图像块的形状规整性；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的所有边界像素点数量；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的第m个边界像素点的横坐标值；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的质心位置的横坐标值；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的第m个边界像素点的纵坐标值；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的质心位置的纵坐标值。
进一步，通过最小二乘法对第y个目标图像块的目标异常连通域的所有边界像素点进行直线拟合，得到第y个目标图像块的边界直线方程，进而获得边界直线方程的参数和/>，则半导体载带生产灰度图像的第y个目标图像块的形状类直线度的计算方式为：式中，/>表示半导体载带生产灰度图像的第y个目标图像块的形状类直线度；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的所有边界像素点数量；/>和/>表示半导体载带生产灰度图像的第y个目标图像块的边界直线方程的参数；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的第m个边界像素点的横坐标值；/>表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的第m个边界像素点的纵坐标值。
预设一个参数，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
根据半导体载带生产灰度图像的第y个目标图像块的形状类直线度和形状规整性，获取第y个目标图像块的载带评价特征程度的计算方法为：式中，/>表示半导体载带生产灰度图像的第y个目标图像块的载带评价特征程度；/>表示半导体载带生产灰度图像的第y个目标图像块的细节丰富程度；/>为预设参数；/>表示半导体载带生产灰度图像的第y个目标图像块的形状类直线度；/>表示半导体载带生产灰度图像的第y个目标图像块的形状规整性；/>表示以自然常数为底数的指数函数。
至此，通过上述方法得到半导体载带生产灰度图像的每个目标图像块的载带评价特征程度。
步骤S004：根据半导体载带生产灰度图像的每个高细节特征像素点的滤波权重，获取滤波后的半导体载带生产灰度图像，进而获得半导体载带质量的评价结果。
需要说明的是，根据半导体载带生产灰度图像的每个目标图像块的载带评价特征程度和特征参与度，获取半导体载带生产灰度图像的每个目标图像块的中心像素点滤波权重，进而完成双边滤波权重的自适应。
具体的，将半导体载带生产灰度图像的每个目标图像块的中心像素点，作为半导体载带生产灰度图像的高细节特征像素点，进而获得半导体载带生产灰度图像的所有高细节特征像素点，其中，每个目标图像块对应一个高细节特征像素点；根据半导体载带生产灰度图像的第y个目标图像块的载带评价特征程度和特征参与度，获取半导体载带生产灰度图像的第y个高细节特征像素点的滤波权重的计算方式为：式中，/>表示半导体载带生产灰度图像的第y个目标图像块对应的高细节特征像素点的滤波权重；/>表示半导体载带生产灰度图像的第y个目标图像块的载带评价特征程度；/>表示半导体载带生产灰度图像的第y个目标图像块的特征参与度；/>表示线性归一化函数。
至此，获得半导体载带生产灰度图像的每个高细节特征像素点的滤波权重。
进一步，根据半导体载带生产灰度图像的每个高细节特征像素点的滤波权重对半导体载带生产灰度图像进行双边滤波，获得滤波后的半导体载带生产灰度图像。
利用HOG（Histogram of Oriented Gradients）特征检测算法获取滤波后的半导体载带生产灰度图像的特征描述子，将滤波后的半导体载带生产灰度图像的特征描述子输入到神经网络中，得到半导体载带质量的评价结果；其中，神经网络采用的是卷积神经网络CNN，输入为滤波后的半导体载带生产灰度图像的特征描述子，输出为半导体载带质量的评价结果，损失函数选取交叉熵函数。
至此，本实施例完成。
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 (9)

1.基于图像滤波的半导体载带生产质量视觉检测方法，其特征在于，该方法包括以下步骤：
获取半导体载带生产灰度图像；
通过滑窗操作，获取半导体载带生产灰度图像的若干个图像块；根据每个图像块内不同灰度值的像素点分布，获取每个图像块的细节丰富程度；根据每个图像块的细节丰富程度的大小获取半导体载带生产灰度图像的目标图像块；
所述根据每个图像块内不同灰度值的像素点分布，获取每个图像块的细节丰富程度，包括的具体方法为：
对于半导体载带生产灰度图像的第x个图像块，将第x个图像块中灰度值处于[0,N2]的像素点，记为第x个图像块的第一类像素点，将第x个图像块中灰度值处于(N2,255]的像素点，记为第x个图像块的第二类像素点，其中，N2为预设参数，则半导体载带生产灰度图像的第x个图像块的细节丰富程度的计算方式为：
式中，Ix表示半导体载带生产灰度图像的第x个图像块的细节丰富程度；Varx表示半导体载带生产灰度图像的第x个图像块内所有像素点灰度值方差；nx表示半导体载带生产灰度图像的第x个图像块内所有第一类像素点数量；qx,i表示半导体载带生产灰度图像的第x个图像块内第i个第一类像素点的灰度值；qx,j表示半导体载带生产灰度图像的第x个图像块内第j个第二类像素点的灰度值；Hx半导体载带生产灰度图像的第x个图像块内所有像素点灰度值的熵；norm()表示线性归一化函数；N1为预设参数；
通过孤立森林算法，获取每个目标图像块中每个像素点的异常值；根据每个目标图像块中心像素点与其他像素点的异常值差异，获取每个目标图像块的特征参与度；根据每个目标图像块中不同异常值的像素点，获取每个目标图像块的目标异常连通域和异常连通域的边界像素点；根据每个目标图像块的目标异常连通域的质心与边界像素点的位置差异，获取每个目标图像块的载带评价特征程度；
获取半导体载带生产灰度图像的每个高细节特征像素点，根据每个目标图像块的载带评价特征程度和特征参与度，获取半导体载带生产灰度图像的每个目标图像块对应的高细节特征像素点的滤波权重；根据半导体载带生产灰度图像的每个高细节特征像素点的滤波权重，获取滤波后的半导体载带生产灰度图像；根据滤波后的半导体载带生产灰度图像，获取半导体载带质量的评价结果。
2.根据权利要求1所述基于图像滤波的半导体载带生产质量视觉检测方法，其特征在于，所述通过滑窗操作，获取半导体载带生产灰度图像的若干个图像块，包括的具体方法为：
预设一个参数N1，使用大小为N1×N1的滑窗在半导体载带生产灰度图像进行步长为1的滑窗操作，其中，将半导体载带生产灰度图像中每个像素点作为每个滑窗的中心像素点，将每个滑窗作为半导体载带生产灰度图像的图像块，进而获得半导体载带生产灰度图像的若干个图像块。
3.根据权利要求1所述基于图像滤波的半导体载带生产质量视觉检测方法，其特征在于，所述根据每个图像块的细节丰富程度的大小获取半导体载带生产灰度图像的目标图像块，包括的具体方法为：
预设一个阈值T1，若半导体载带生产灰度图像的第x个图像块的细节丰富程度大于阈值T1，则将第x个图像块记为目标图像块，进而获得半导体载带生产灰度图像的所有目标图像块。
4.根据权利要求1所述基于图像滤波的半导体载带生产质量视觉检测方法，其特征在于，所述根据每个目标图像块中心像素点与其他像素点的异常值差异，获取每个目标图像块的特征参与度，包括的具体方法为：
将第y个目标图像块内的非中心像素点记为第y个目标图像块的第一像素点，则半导体载带生产灰度图像的第y个目标图像块的特征参与度的计算方法为：
式中，Uny表示半导体载带生产灰度图像的第y个目标图像块的特征参与度；K为预设第一参数；Uy,mid表示半导体载带生产灰度图像的第y个目标图像块的中心像素点的异常值；qy,l表示半导体载带生产灰度图像的第y个目标图像块内第l个第一像素点的灰度值；Uy,l表示半导体载带生产灰度图像的第y个目标图像块内第l个第一像素点的异常值；N1为预设参数。
5.根据权利要求1所述基于图像滤波的半导体载带生产质量视觉检测方法，其特征在于，所述根据每个目标图像块中不同异常值的像素点，获取每个目标图像块的目标异常连通域和异常连通域的边界像素点，包括的具体方法为：
对于半导体载带生产灰度图像的第y个目标图像块，若第y个目标图像块内任意像素点的异常值大于或等于预设阈值T1，则将所述像素点记为第y个目标图像块的异常像素点，进而获得第y个目标图像块的所有异常像素点，将第y个目标图像块的所有异常像素点输入连通组件标记算法，获得第y个目标图像块的所有异常连通域和异常连通域的边界像素点，将第y个目标图像块的所有异常连通域中面积最大的异常连通域作为第y个目标图像块的目标连通域。
6.根据权利要求1所述基于图像滤波的半导体载带生产质量视觉检测方法，其特征在于，所述根据每个目标图像块的目标异常连通域的质心与边界像素点的位置差异，获取每个目标图像块的载带评价特征程度，包括的具体方法为：
根据第y个目标图像块的目标异常连通域的质心与边界像素点的位置差异，获取第y个目标图像块的形状规整性；根据第y个目标图像块的目标异常连通域的边界像素点位置，获取第y个目标图像块的形状类直线度；则半导体载带生产灰度图像的第y个目标图像块的载带评价特征程度的计算方式为：
Dfy＝Iy×(α×exp(-Vy)+(1-α)×exp(-Ey))
式中，Dfy表示半导体载带生产灰度图像的第y个目标图像块的载带评价特征程度；Ey表示半导体载带生产灰度图像的第y个目标图像块的形状类直线度；Vy表示半导体载带生产灰度图像的第y个目标图像块的形状规整性；α为预设参数；exp()表示以自然常数为底数的指数函数。
7.根据权利要求6所述基于图像滤波的半导体载带生产质量视觉检测方法，其特征在于，所述根据第y个目标图像块的目标异常连通域的质心与边界像素点的位置差异，获取第y个目标图像块的形状规整性，包括的具体方法为：
获取第y个目标图像块的目标异常连通域的质心的坐标位置，则半导体载带生产灰度图像的第y个目标图像块的形状规整性的计算方式为：
式中，Vy表示半导体载带生产灰度图像的第y个目标图像块的形状规整性；By表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的所有边界像素点数量；hy,m表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的第m个边界像素点的横坐标值；cy,1表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的质心位置的横坐标值；zy,m表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的第m个边界像素点的纵坐标值；cy,2表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的质心位置的纵坐标值。
8.根据权利要求6所述基于图像滤波的半导体载带生产质量视觉检测方法，其特征在于，所述根据第y个目标图像块的目标异常连通域的边界像素点位置，获取第y个目标图像块的形状类直线度，包括的具体方法为：
通过最小二乘法对第y个目标图像块的目标异常连通域的所有边界像素点进行直线拟合，得到第y个目标图像块的边界直线方程，进而获得边界直线方程的参数ay和by，则半导体载带生产灰度图像的第y个目标图像块的形状类直线度的计算方式为：
式中，Ey表示半导体载带生产灰度图像的第y个目标图像块的形状类直线度；By表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的所有边界像素点数量；ay和by表示半导体载带生产灰度图像的第y个目标图像块的边界直线方程的参数；hy,m表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的第m个边界像素点的横坐标值；zy,m表示半导体载带生产灰度图像的第y个目标图像块的目标异常连通域的第m个边界像素点的纵坐标值。
9.根据权利要求1所述基于图像滤波的半导体载带生产质量视觉检测方法，其特征在于，所述根据每个目标图像块的载带评价特征程度和特征参与度，获取半导体载带生产灰度图像的每个目标图像块对应的高细节特征像素点的滤波权重，包括的具体方法为：
将半导体载带生产灰度图像的第y个目标图像块的载带评价特征程度和特征参与度的乘积，记为第一乘积，将线性归一化后的第一乘积，作为半导体载带生产灰度图像的第y个目标图像块对应的高细节特征像素点的滤波权重。
CN202410020367.3A 2024-01-08 2024-01-08 基于图像滤波的半导体载带生产质量视觉检测方法 Active CN117522875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410020367.3A CN117522875B (zh) 2024-01-08 2024-01-08 基于图像滤波的半导体载带生产质量视觉检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410020367.3A CN117522875B (zh) 2024-01-08 2024-01-08 基于图像滤波的半导体载带生产质量视觉检测方法

Publications (2)

Publication Number Publication Date
CN117522875A CN117522875A (zh) 2024-02-06
CN117522875B true CN117522875B (zh) 2024-04-05

Family

ID=89753523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410020367.3A Active CN117522875B (zh) 2024-01-08 2024-01-08 基于图像滤波的半导体载带生产质量视觉检测方法

Country Status (1)

Country Link
CN (1) CN117522875B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082467A (zh) * 2022-08-22 2022-09-20 山东亿昌装配式建筑科技有限公司 基于计算机视觉的建材焊接表面缺陷检测方法
CN115272346A (zh) * 2022-09-30 2022-11-01 江苏炜盛光电科技有限公司 一种基于边缘检测的pcb板生产过程在线检测方法
CN116188462A (zh) * 2023-04-24 2023-05-30 深圳市翠绿贵金属材料科技有限公司 一种基于视觉鉴定的贵金属质量检测方法及系统
CN116363133A (zh) * 2023-06-01 2023-06-30 无锡斯达新能源科技股份有限公司 基于机器视觉的照明器配件缺陷检测方法
CN116645367A (zh) * 2023-07-27 2023-08-25 山东昌啸商贸有限公司 一种高端制造用的钢板切割质量检测方法
CN116681696A (zh) * 2023-07-27 2023-09-01 东莞雅达高精密塑胶模具有限公司 一种用于自动化生产设备的模具质量监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082467A (zh) * 2022-08-22 2022-09-20 山东亿昌装配式建筑科技有限公司 基于计算机视觉的建材焊接表面缺陷检测方法
CN115272346A (zh) * 2022-09-30 2022-11-01 江苏炜盛光电科技有限公司 一种基于边缘检测的pcb板生产过程在线检测方法
CN116188462A (zh) * 2023-04-24 2023-05-30 深圳市翠绿贵金属材料科技有限公司 一种基于视觉鉴定的贵金属质量检测方法及系统
CN116363133A (zh) * 2023-06-01 2023-06-30 无锡斯达新能源科技股份有限公司 基于机器视觉的照明器配件缺陷检测方法
CN116645367A (zh) * 2023-07-27 2023-08-25 山东昌啸商贸有限公司 一种高端制造用的钢板切割质量检测方法
CN116681696A (zh) * 2023-07-27 2023-09-01 东莞雅达高精密塑胶模具有限公司 一种用于自动化生产设备的模具质量监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于机器视觉的线缆表面缺陷检测系统设计与算法研究;乔湘洋;王海芳;祁超飞;李新庆;;机床与液压;20200315(05);第54-58页 *

Also Published As

Publication number Publication date
CN117522875A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN109870461B (zh) 一种电子元器件质量检测系统
CN111325721A (zh) 一种基于红外热成像的气体泄漏检测方法及系统
CN117437219B (zh) 基于计算机视觉的磁胶电感不规则外观缺陷检测方法
CN115684176B (zh) 一种薄膜表面缺陷在线视觉检测系统
CN114549441B (zh) 基于图像处理的吸管缺陷检测方法
CN116777907A (zh) 一种钣金件质量检测方法
CN111709964B (zh) 一种pcba目标边缘检测方法
CN115063409A (zh) 一种机械刀具表面材质检测方法及系统
CN112669265B (zh) 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法
CN115841434A (zh) 一种用于气体浓度分析的红外图像增强方法
CN115272303B (zh) 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统
CN115760696A (zh) 一种表面划痕检测方法
CN116485787B (zh) 一种数据线成型外模外观缺陷检测方法
CN115994870B (zh) 一种用于增强去噪的图像处理方法
Chen et al. Classification and positioning of circuit board components based on improved YOLOv5
CN114565607B (zh) 基于神经网络的织物缺陷图像分割方法
CN114332081B (zh) 基于图像处理的纺织品表面异常判定方法
CN117522875B (zh) 基于图像滤波的半导体载带生产质量视觉检测方法
CN113673396B (zh) 一种孢子发芽率计算方法、装置及存储介质
CN118397003B (zh) 一种有色金属部件的缺陷定位方法及系统
CN115082427A (zh) 基于人工智能的铝材压延工艺参数控制方法
CN114066786A (zh) 一种基于稀疏和滤波器的红外和可见光图像融合方法
CN117173179A (zh) 一种防音布生产质量快速检测方法及系统
CN116883987A (zh) 一种用于变电站无人巡检的指针仪表读数识别方法
Biswas et al. A model of noise reduction using Gabor Kuwahara Filter

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