TW201310359A - 用於識別材料中之缺陷之系統及方法 - Google Patents
用於識別材料中之缺陷之系統及方法 Download PDFInfo
- Publication number
- TW201310359A TW201310359A TW101128312A TW101128312A TW201310359A TW 201310359 A TW201310359 A TW 201310359A TW 101128312 A TW101128312 A TW 101128312A TW 101128312 A TW101128312 A TW 101128312A TW 201310359 A TW201310359 A TW 201310359A
- Authority
- TW
- Taiwan
- Prior art keywords
- feature
- features
- image
- sub
- link
- Prior art date
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
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
Abstract
本發明描述用於識別一材料中之缺陷之基於電腦之方法及設備,該等設備包含電腦程式產品。基於一材料之一影像而識別一組特徵,其中該組特徵中之各特徵為該材料中之一缺陷之一候選部分。基於該組特徵而選擇一組鏈接特徵,其中各鏈接特徵包括表示該材料中之一相同缺陷之候選部分之一或多個特徵。基於該組鏈接特徵及該影像而識別該材料中之一缺陷。
Description
本發明大體上係關於用於識別一材料中之缺陷之基於電腦之方法及設備,該等設備包含電腦程式產品。
自動化製造程序可用於快速地及有效地製造大量材料。例如,可使用自動化製造線來製造以矽為主之晶圓及太陽能電池。雖然此等製造程序可產出大量材料,但針對品質保證及/或程序控制而檢驗終端產品通常係重要的,此係因為製造廠所取得之收益通常與終端產品(或材料)之品質直接相關。因此,高品質製造程序之一關鍵因素通常為用於測試及篩選該製造程序之終端產品之一高速及高精確度檢驗設備。
例如,對於太陽能電池,轉換效率(PV系統將日光轉換成電能之效率)通常對電功率之輸出具有一直接影響。因此,太陽能電池製造商想要透過其等製造線獲得較高轉換效率,此係因為售價與轉換效率相關。因此,太陽能電池製造商可採用一檢驗設備以針對足夠轉換效率而測試太陽能電池。
製造商可使用電腦視覺來檢驗製造材料及/或產品。然而,許多製造材料並不具有均勻表面,此通常使使用電腦視覺來檢驗此等材料(例如,針對諸如裂痕之缺陷)變得困難。例如,多晶太陽能電池通常係由異質紋理及易混淆特徵組成。因此,多晶太陽能電池中之缺陷(諸如裂痕)通常
具有一不均勻外觀(例如,不均勻對比度、極性、寬度等)。此外,此等缺陷之部分通常可具有非常低的對比度(例如,1至2灰度級)。
經組態以偵測難以識別之缺陷之本材料檢驗系統通常使用高解析度影像來暴露該等缺陷。然而,使用高解析度影像需要用到更大量資料,且因此需要更多時間用於各檢驗。
一種使用機器視覺來偵測一材料之缺陷(例如,一多晶太陽能電池上之裂痕)之途徑係,首先偵測缺陷之強特徵(例如,可以一相對較高確信度在該材料之一影像中容易地識別之特徵,諸如一裂痕之大及可容易識別之部分),且接著使用強缺陷特徵來引導對缺陷之弱特徵(例如,較難以識別之特徵,諸如一裂痕之小及薄(細線)部分)之搜尋。
在一態樣中,一種電腦化方法經特徵化以識別一材料中之一缺陷。該方法包含藉由一計算裝置基於一材料之一原始影像而產生一經預處理之影像。該方法包含藉由該計算裝置將該經預處理之影像分成一組子影像。該方法包含針對該組子影像中之一第一子影像,藉由該計算裝置判定該第一子影像是否包含一特徵,其中該特徵為該材料中之一缺陷之一候選部分,且若該第一子影像包含該特徵,則藉由該計算裝置將該第一子影像添加至一組特徵子影像。該方法包含藉由該計算裝置基於該組特徵子影像而選擇一鏈
接特徵,其中該鏈接特徵包括表示該材料中之一相同缺陷之候選部分之一或多個特徵。該方法包含藉由該計算裝置基於該鏈接特徵及該原始影像而識別該材料中之一缺陷,包括基於該鏈接特徵而計算該缺陷之一剩餘部分。
在另一態樣中,一種電腦程式產品係特徵化、有形體現於一非暫時性電腦可讀取媒體中。該電腦程式產品包含經組態以引起一資料處理設備基於一材料之一原始影像而產生一經預處理之影像之指令。該電腦程式產品包含經組態以引起一資料處理設備將該經預處理之影像分成一組子影像之指令。該電腦程式產品包含經組態以引起一資料處理設備進行以下動作之指令:針對該組子影像中之一第一子影像判定該第一子影像是否包含一特徵,其中該特徵為該材料中之一缺陷之一候選部分;及若該第一子影像包含該特徵,則將該第一子影像添加至一組特徵子影像。該電腦程式產品包含經組態以引起一資料處理設備基於該組特徵子影像而選擇一鏈接特徵之指令,其中該鏈接特徵包括表示該材料中之一相同缺陷之候選部分之一或多個特徵。該電腦程式產品包含經組態以引起一資料處理設備基於該鏈接特徵及該原始影像而識別該材料中之一缺陷(包括基於該鏈接特徵而計算該缺陷之一剩餘部分)之指令。
在另一態樣中,一種設備經特徵化以識別一材料中之一缺陷。該設備包含一預處理模組,該預處理模組經組態以基於一材料之一原始影像而產生一經預處理之影像。該設備包含與該預處理模組通信之一強特徵偵測模組,該強特
徵偵測模組經組態以將該經預處理之影像分成一組子影像。該強特徵偵測模組進一步經組態以:針對該組子影像中之一第一子影像判定該第一子影像是否包含一特徵,其中該特徵為該材料中之一缺陷之一候選部分;及若該第一子影像包含該特徵,則將該第一子影像添加至一組特徵子影像。該設備包含與該強特徵偵測模組通信之一弱特徵偵測模組,該弱特徵偵測模組經組態以基於該組特徵子影像而選擇一鏈接特徵,其中該鏈接特徵包括表示該材料中之一相同缺陷之候選部分之一或多個特徵。該弱特徵偵測模組經組態以基於該鏈接特徵及該原始影像而識別該材料中之一缺陷,包括基於該鏈接特徵而計算該缺陷之一剩餘部分。
在另一態樣中,一種電腦化方法經特徵化以識別一太陽能電池中之一缺陷。該方法包含藉由計算裝置基於一太陽能電池之一影像而識別一組特徵。該太陽能電池包含複數個紋理,且該組特徵中之各特徵為該太陽能電池中之一缺陷之一候選部分。該方法包含藉由該計算裝置基於該組特徵而選擇一組鏈接特徵,其中各鏈接特徵包括表示該太陽能電池中之一相同缺陷之候選部分之一或多個特徵。該方法包含藉由該計算裝置基於該組鏈接特徵及該影像而識別該太陽能電池中之一缺陷。
在另一態樣中,一種電腦程式產品係特徵化、有形體現於一非暫時性電腦可讀取媒體中。該電腦程式產品包含經組態以引起一資料處理設備基於一太陽能電池之一影像而
識別一組特徵之指令。該太陽能電池包含複數個紋理,且該組特徵中之各特徵為該太陽能電池中之一缺陷之一候選部分。該電腦程式產品包含經組態以引起一資料處理設備基於該組特徵而選擇一組鏈接特徵之指令,其中各鏈接特徵包括表示該太陽能電池中之一相同缺陷之候選部分之一或多個特徵。該電腦程式產品包含經組態以引起一資料處理設備基於該組鏈接特徵及該影像而識別該太陽能電池中之一缺陷之指令。
在另一態樣中,一種設備經特徵化以識別一太陽能電池中之一缺陷。該設備包含一強特徵偵測模組,該強特徵偵測模組經組態以基於一太陽能電池之一影像而識別一組特徵。該太陽能電池包括複數個紋理,且該組特徵中之各特徵為該太陽能電池中之一缺陷之一候選部分。該設備包含與該強特徵偵測模組通信之一弱特徵偵測模組,該弱特徵偵測模組經組態以基於該組特徵而選擇一組鏈接特徵,其中各鏈接特徵包括表示該太陽能電池中之一相同缺陷之候選部分之一或多個特徵。該弱特徵偵測模組經組態以基於該組鏈接特徵及該影像而識別該太陽能電池中之一缺陷。
在其他實例中,上文態樣之任何者可包含以下特徵之一或多者。產生經預處理之影像可包含產生一濾波影像,包括使用一濾波器來移除一或多個特徵;及藉由自原始影像減去該濾波影像而產生經預處理之影像以暴露該原始影像中之一或多個特徵。該經預處理之影像可為該原始影像。該經預處理之影像可暴露該材料之一或多個特徵。該經預
處理之影像可包含暗像素及亮像素,其中基於一灰度級臨限值而識別該等暗像素及該等亮像素。
在一些實例中,判定子影像是否包含該特徵包含使用該子影像中之亮像素、暗像素或兩者來執行一線擬合演算法。可判定該特徵是否滿足一第一組準則,且可判定鏈接特徵及缺陷之經計算剩餘部分是否滿足一第二組準則。
在其他實例中,選擇鏈接特徵包含:自該組特徵子影像選擇一特徵子影像;識別與選定特徵子影像接界之一或多個子影像,各經識別子影像包含一特徵;及基於一或多個約束而產生包括該選定特徵子影像及來自該一或多個經識別子影像之一子影像之一鏈接特徵。該一或多個約束可包含該一或多個特徵之一位置、一定向或兩者。
在一些實例中,識別該缺陷包含:選擇包括該鏈接特徵之一對鏈接特徵;判定該對鏈接特徵是否滿足指示該對鏈接特徵處在該材料中之一相同缺陷上之一第一準則;及計算該對鏈接特徵之間的相同缺陷之一剩餘部分。該第一準則可基於該對鏈接特徵之間的一距離、該對鏈接特徵中之各特徵之一端方向、該對鏈接特徵中之各特徵之一轉向角、該對鏈接特徵中之各特徵之一長度或其任何組合。
在其他實例中,識別該組特徵包含基於該影像而產生一經預處理之影像以(a)移除該影像中之該太陽能電池之複數個紋理之一或多個紋理或(b)暴露該複數個紋理中之一缺陷之一或多個特徵,或進行(a)及(b)兩者。該經預處理之影像可分成一組子影像。對於該組子影像中之子影像之一或
多者,可判定該子影像是否包含一特徵,其中該特徵為該太陽能電池中之一缺陷之一候選部分。若該子影像包含該特徵,則可將該子影像添加至一組特徵。
在一些實例中,識別該缺陷包含基於來自該組鏈接特徵之鏈接特徵對而計算該缺陷之一剩餘部分。識別該缺陷可包含:針對來自該組鏈接特徵之每對鏈接特徵判定該對鏈接特徵是否滿足指示該對鏈接特徵處在該太陽能電池中之一相同缺陷上之一第一準則;及計算該對鏈接特徵之間的相同缺陷之一剩餘部分,其中該相同缺陷為該缺陷之一部分。
在其他實例中,在該太陽能電池之影像上顯示該缺陷之一表示。選擇該組鏈接特徵可包含:基於該組特徵而選擇一子影像;識別與選定子影像接界之一或多個子影像,各經識別之子影像包含一特徵;及基於一或多個約束而產生包括該選定子影像及來自該一或多個經識別子影像之一子影像之一鏈接特徵。
包含本文所述之電腦化方法及設備兩者之技術可提供以下優點之一或多者。對材料之一影像中之強特徵之搜尋可經組態以具有一高臨限值使得快速排除弱特徵(例如,無法以一高確信度容易地偵測之特徵)。有利地,對強特徵之搜尋可快速執行,且接著該等強特徵可用於以一更詳細方式搜尋(例如,具有一較低臨限值使得可識別到弱特徵),因為該等強特徵係用作為弱特徵搜尋之一基線。此外,針對缺陷所搜尋之原始影像可經濾波及/或處理(例
如,以移除弱特徵及/或其他雜訊)使得可快速及容易地識別強特徵。此外,分開識別之強特徵可結合在一起而形成一連續鏈接強特徵以定義該缺陷之一大部分。
自結合隨附圖式僅藉由實例圖解說明本發明之原理之下文詳細描述將顯而易見本發明之其他態樣及優點。
在連同隨附圖式一起閱讀時,自各種實施例之下文描述將更充分瞭解本發明之先前及其他態樣、特徵及優點以及本發明自身。
一般言之,提供用於使用機器視覺以針對缺陷(例如,微裂痕)偵測及檢驗一材料(例如,一太陽能電池)之電腦化系統及方法。預處理一原始影像(例如,一太陽能電池之一影像)以產生含有一或多個缺陷之大部分強特徵之一經預處理影像。使用該經預處理之影像來偵測一或多個候選缺陷之強特徵。接著,使用該等強特徵及/或該原始影像以引導候選缺陷之弱特徵之偵測。接著,組合該等強特徵及該等弱特徵以定義該材料中之整組實際缺陷(例如,組合一組強特徵與一組相關聯之弱特徵以定義一實際缺陷)。
例如,使用暴露一裂痕之強特徵(例如,可使用機器視覺容易識別之一裂痕之部分)之一經預處理影像來識別該等強特徵。偵測完整裂痕之強部分導致僅識別該完整裂痕之部分。例如,該裂痕之經偵測部分可被視為一虛線,其中虛線之實線部分表示經偵測之強特徵,且虛線之白色部
分表示未經偵測之弱特徵。該裂痕之此等經識別強特徵(例如,虛線之實性部分)係用於引導剩餘弱特徵(例如,虛線之白色部分)之偵測。
一特徵可包含例如指示一位置及一角度、一長度(例如,一線段)及/或額外資訊(諸如極性及對比度)之資料。該特徵(例如,在本文所述之電腦化方法之決策點中)可用於識別缺陷或其部分。電腦化系統及方法可藉由識別候選缺陷之部分(例如,藉由識別可指示一缺陷之強特徵)而識別該等候選缺陷。該等電腦化系統及方法可使用該等經識別部分來搜尋該等候選缺陷之剩餘部分(例如,弱特徵)以判定該候選缺陷是否為一實際缺陷。
儘管本文之實例係關於涉及偵測一多晶太陽能電池中之裂痕之實施例,但是所述之電腦化系統及方法並不限於此且可應用於偵測其他類型之材料(或產品)(諸如矽晶圓、印刷電路板及/或任何其他類型之材料)中之缺陷。
圖1係用於偵測一材料中之缺陷之一例示性電腦化系統100。系統100包含與一影像擷取裝置112及一顯示裝置114通信之一缺陷偵測計算裝置102(缺陷偵測裝置102)。缺陷偵測裝置102包含一預處理模組104、一強特徵偵測模組106、一弱特徵偵測模組108及一資料庫110。缺陷偵測裝置102可包含經組態以識別一材料中之缺陷之一處理器及記憶體。
系統100為經特殊組態以執行本文所述之電腦化方法之一電腦化系統之一實例。然而,關於圖1所敘述之系統結
構及內容僅為了例示性目的且並非意欲於將其他實例限於圖1中所示之特定結構。如一般技術者將明白,可在不背離本文所述之電腦化系統及方法之情況下架構許多不同的系統結構。
此外,可使用任何技術使資訊在本文所述之元件、組件與子系統之間流動。此等技術包含例如經由使用標準協定(諸如TCP/IP)之網路傳遞資訊、在記憶體中之模組之間傳遞資訊及藉由將資訊寫入至一檔案、資料庫或一些其他非揮發性儲存裝置而傳遞資訊。此外,可傳輸及接收資訊之指標或其他參考來取代該資訊之複本,或除傳輸及接收該資訊之複本外亦可傳輸及接收該資訊之指標或其他參考。相反,可交換資訊以取代該資訊之指標或其他參考,或除交換該資訊之指標或其他參考外亦可交換該資訊。可在不背離本發明之範疇之情況下使用用於傳達資訊之其他技術及協定。
影像擷取裝置112可為經組態以捕捉待由缺陷偵測裝置102檢驗之材料之影像之任何類型之影像捕捉裝置(例如,二維相機、三維相機、光偵測器及/或類似物)。例如,影像擷取裝置112可定位在一製造程序之一輸送帶上方,其中影像擷取裝置112捕捉代表性數目個製造材料之影像以供檢驗。
顯示裝置114顯示自缺陷偵測裝置102(及/或自影像擷取裝置112)所接收之影像。例如,顯示裝置114可顯示由影像擷取裝置112所捕捉之原始影像、由預處理模組104所產
生之經預處理影像,及/或具有突顯缺陷(例如,以線、色彩、文字或其他突顯方式突顯)之影像。顯示裝置114可為例如一電腦監視器或一電視螢幕。顯示裝置114可進一步包含用以與缺陷偵測裝置102介接之一操作者介面(例如,一滑鼠、鍵盤或其他資料輸入裝置)。
預處理模組104暴露所接收影像中之特徵(例如,包含弱特徵及強特徵)。例如,預處理模組104執行一平滑函數(例如,使用中值濾波)以移除特徵及/或雜訊而產生一濾波影像。預處理模組104可基於該原始影像及該濾波影像(例如,藉由自該原始影像減去該濾波影像)而產生一經預處理之影像,以暴露該原始影像中之特徵。在一些實施例中,預處理模組104可經組態以不對自影像擷取裝置102接收之原始影像執行任何預處理。
強特徵偵測模組106基於預處理模組104之輸出(例如,基於子影像之局部特徵)而擷取缺陷之候選部分之強特徵(或特徵之部分)。例如,強特徵偵測模組106可以高確信度(或少量誤判肯定)在影像內搜尋可快速及/或容易識別之缺陷之候選部分。弱特徵偵測模組108基於擷取之強特徵而偵測否則將與低確信度相關聯之缺陷之弱特徵(例如,由於弱特徵具有低對比度、不均勻極性或寬度等,使得偵測該等弱特徵變得既困難亦耗時)。有利地,由於藉由已知強特徵引導對弱特徵之搜尋,故誤判肯定之風險減小且若潛在弱特徵不與已知強特徵相關聯,則藉由不搜尋該等潛在弱特徵而達成節約時間。下文參考圖3及圖4進一步詳細
描述預處理模組104、強特徵偵測模組106及弱特徵偵測模組108。
圖2A係分別具有兩個缺陷202及206(例如,一材料中之兩個裂痕)之材料之一例示性影像200。缺陷202包含強特徵204A、204B及204C(統稱作強特徵204)。例如,該等強特徵為可容易識別之缺陷之較大部分。缺陷202之剩餘部分為弱特徵(例如,相較於強特徵204不容易識別之特徵)。缺陷206包含強特徵208A、208B、208C、208D、208E及208F(統稱作強特徵208)。缺陷206之剩餘部分為弱特徵。
圖2B係基於圖2A之影像200所產生之一例示性經預處理之影像220。例如,預處理模組104基於影像200而產生經預處理之影像220。經預處理之影像220包含缺陷202之強特徵204及缺陷206之強特徵208。經處理之影像220不包含缺陷202或206之弱特徵。參考圖2C進一步詳細描述經預處理影像220之部分250。
圖2C係圖2B之經處理影像220之一放大部分250,展示經處理影像220之部分250之子影像。放大部分250包含子影像250A、250B至250N(統稱作子影像250)。各子影像表示整個經處理影像220之一部分。可(例如,經由一操作者透過顯示裝置114)預組態各子影像之大小。例如,各子影像可組態為50個像素寬×50像素個高,40個像素寬×60個像素高等。雖然圖2C將子影像展示為矩形、非重疊鄰接塊,但是此僅為了例示性目的。該等子影像可呈任何形狀且可相互重疊及/或非鄰接。子影像252A、252B、252C、252D
及252E(統稱作子影像252)各含有強特徵204C之一部分。子影像254A、254B及254C(統稱作子影像254)各含有強特徵204B之一部分。例如,子影像252C含有特徵262,且子影像252E含有特徵260。雖然圖2C將特徵(例如,特徵260及262)主要展示為跨該等子影像之對角線,但是此僅為了例示性目的。該等特徵可例如在該等子影像內之任何方向及/或定向處(例如,為任何幾何形狀,諸如直線、曲線、橢圓、矩形等)。
圖2D係基於圖2A中之缺陷202及206之強特徵204及208所產生之缺陷之小部分之一例示性影像280。對於缺陷202,強特徵204(例如,如在圖2B中所示)係用於引導弱特徵282A及282B(統稱作弱特徵282)之偵測。對於缺陷206,強特徵208係用於引導弱特徵284A、284B、284C、284D及284E(統稱作弱特徵284)之偵測。缺陷202係由強特徵204及弱特徵282組成,且缺陷206係由強特徵208及弱特徵284組成(例如,偵測一缺陷之強特徵及弱特徵導致整個缺陷之偵測,如下文進一步詳細說明)。
圖3係用於識別一材料中之缺陷之一例示性方法300之一圖。參考圖2A至圖2D,在步驟302,缺陷偵測裝置102自影像擷取裝置112接收一材料之一影像(例如,影像200或影像220)。在步驟304,強特徵偵測模組106識別(或偵測)該材料之影像中之一或多個缺陷202、204之一組強特徵(強特徵204及208)。在步驟306,弱特徵偵測模組108基於該組經識別強特徵204、208而識別一組弱特徵282、284。
在步驟308,缺陷偵測裝置102基於該材料中之該組弱特徵282、284及該組強特徵204、208而輸出指示一組缺陷202、206之資料。
例如,缺陷偵測裝置102可識別一多晶太陽能電池中之一裂痕。圖5係具有一不均勻外觀之一多晶太陽能電池500之一例示性圖。多晶太陽能電池500包含具有包含不同對比度、極性、寬度等之特徵(例如,並非太陽能電池500中之缺陷之特徵502及504)之一不均勻外觀。缺陷偵測裝置可能將多晶太陽能電池500之特徵錯誤地分類為缺陷(舉例而言,諸如將特徵502分類為一缺陷)。此外,如502、504之此等特徵使對缺陷之搜尋及/或偵測變得更困難,因為缺陷偵測裝置通常經組態以偵測並排除無缺陷之特徵,此導致由許多缺陷偵測裝置偵測及/或分析大量特徵。有利地,缺陷偵測裝置102可搜尋一缺陷之強特徵且接著使用該等強特徵來引導該缺陷之弱特徵之偵測。此可允許缺陷偵測裝置102快速地、有效地及精確地分類缺陷。
參考步驟304,該方法可包含識別材料之一組任何類型之缺陷(例如,裂痕、碎片、製造缺陷及/或類似物)之一組強特徵。有利地,可快速地且以高成功度(錯誤識別一無缺陷特徵之低可能性)識別該等缺陷之強特徵,且接著使用該等強特徵以引導對否則將慢速地且以低成功度識別(例如,因為一系統不具有弱缺陷之任何先驗資訊,故該系統將需要考量可為弱特徵之所有特徵,且接著將其等逐一分類為一缺陷或非缺陷)之缺陷之弱特徵之搜尋。
參考步驟304,強特徵偵測模組106可將經預處理之影像分成子影像250,且在各影像250內搜尋強特徵之部分。強特徵偵測模組106可將各子影像中之經識別強特徵鏈接在一起以形成一組鏈接特徵。強特徵偵測模組106可使用該等鏈接特徵(例如,其等表示一完整大缺陷)來搜尋弱特徵。
圖4係用於識別一材料中之一候選缺陷之一部分之一組鏈接特徵之一例示性電腦化方法400。參考圖2A至圖2D,在步驟402,預處理模組104基於該材料之原始影像200而產生一經預處理之影像220,以移除該材料之一或多個特徵(例如,以移除來自該影像之缺陷之雜訊及/或弱特徵)。在步驟404,強特徵偵測模組106將經預處理之影像220分成一組子影像250。在步驟406,針對該組子影像250中之子影像之一或多者,強特徵偵測模組106判定該子影像是否包含一特徵,其中該特徵為該材料中之一缺陷之一部分。例如,若該材料中之缺陷為一裂痕,則強特徵偵測模組106判定該子影像是否包含表示該裂痕之一候選部分之一線段。若該子影像包含該特徵,則強特徵偵測模組106將該子影像添加至一組特徵子影像(例如,一組一或多個子影像,該等子影像之各者包含一強特徵)。在步驟408,強特徵偵測模組106基於該組特徵子影像而計算一組鏈接特徵。各鏈接特徵包含表示該材料中之一相同裂痕之部分之一或多個特徵。
參考步驟402,經預處理之影像220移除(若干)背景紋理
使得強特徵偵測模組106可更佳地識別強特徵(例如,更快,因為強特徵偵測模組106分析較少特徵-僅強特徵,且更精確地,因為該等強特徵通常為缺陷之可容易識別之特徵)。例如,多晶太陽能電池通常具有異質紋理,具有猶如該太陽能電池係藉由將不同多晶件熔融在一起而製成之一外觀。因此,經預處理之影像220可移除該等不同多晶件之邊緣部分。有利地,移除不指示該多晶太陽能電池中之缺陷之此等邊緣部分及/或其他雜訊允許強特徵偵測模組106快速及容易地識別缺陷之強特徵,而不將處理時間浪費在無缺陷(或潛在無缺陷)之弱特徵上。
預處理模組104可基於一濾波影像而產生經預處理之影像。例如,預處理模組104可藉由對自影像擷取裝置112所接收之原始影像200執行一濾波而產生一濾波影像。濾波器可為例如經組態以留存背景特徵及/或紋理(例如,雜訊及弱特徵)且自原始影像200移除強特徵之一濾波器。例如,該濾波器可為一低通濾波器、一中值濾波器及/或一低頻平滑函數。預處理模組104可藉由自原始影像200減去該濾波影像(或反之亦然)而產生經預處理之影像220以移除該原始影像中之背景紋理,以移除該原始影像中之一或多個弱特徵或移除以上兩者。在一些實施例中,預處理模組104可執行一紋理濾波且使用增強濾波器之輸出。
參考經預處理之影像220,雖然圖2B展示具有白色像素之背景及具有黑色像素之強特徵,但是該經預處理之影像可包含暗像素之一背景及包括亮像素之一組強特徵,其中
基於一灰度級臨限值而識別該等暗像素及該等亮像素。例如,缺陷偵測裝置102可使用一灰度級臨限值來識別哪個像素與強特徵相關聯。例如,若背景為黑色且像素特徵與較亮像素相關聯,則缺陷偵測裝置102可定義一灰度級臨限值,其中判定具有大於該灰度級臨限值之一灰度級值之所有像素為表示與一候選缺陷之強特徵潛在相關聯之像素,而判定具有小於該灰度級臨限值之一灰度級值之像素為不表示與強特徵潛在相關聯之像素。
參考步驟404,經預處理之影像220包含一組強特徵204及208,且強特徵偵測模組106需要偵測強特徵204及208且視需要將其等連接在一起,以形成完整強特徵。強特徵偵測模組106將經預處理之影像220分成一組子影像250(例如,以搜尋子影像之各者中之強特徵之部分)。在一些實施例中,強特徵偵測模組106實際上未將經預處理之影像220分解成不同資料結構,而是強特徵偵測模組106以一反覆方式考量特定像素群組。在一些實例中,強特徵偵測模組106反覆考量經預處理之影像220中之各子影像。由於強特徵偵測模組106識別各子影像中之特徵之部分(例如,一強特徵之部分),故強特徵偵測模組106可將該子影像中之該組經識別特徵鏈接在一起以產生一完整特徵(例如,以產生一完整強特徵),下文將對此進行進一步詳細描述。
參考步驟406,強特徵偵測模組106產生一組特徵子影像,各特徵子影像包含一特徵(其可為一全特徵之僅一部分)。例如,強特徵偵測模組106分析一或多個子影像250
以判定該子影像是否包含一線段(其中該線段為材料中之一裂痕之一候選部分)。作為一實例,強特徵偵測模組106判定子影像252E包含特徵260。強特徵偵測模組106可將子影像252E添加至一組特徵子影像。例如,若強特徵偵測模組106分析圖2C之子影像250,則該組特徵子影像將包含至少子影像252A、252C、252E、254A及254C,因為此等子影像之各者包含其內之一特徵(例如,各者包含一裂痕之一候選部分之一線段)。此外,若強特徵偵測模組106判定子影像252B包含一特徵(因為子影像252B之左上角可包含一特徵),則強特徵偵測模組106將252B添加至該特徵。
在一些實施例中,強特徵偵測模組106可藉由執行一線擬合演算法而判定子影像是否包含一線段。該線擬合演算法可為將輸入視為一列點(例如,二維點之一最大值)之一輕型工具(例如,電腦處理資源之計算成本低)。強特徵偵測模組106可分析各子影像之像素以判定哪個像素輸入至該線擬合演算法。例如,若經處理影像220經組態使得背景像素為暗像素(例如,其中基於一灰度級臨限值而識別該等暗像素)且因此藉由較亮像素定義強特徵(例如,其中基於一灰度級臨限值而識別該等亮像素),則強特徵偵測模組106可使用一子影像中之亮像素而執行一線擬合演算法。例如,強特徵偵測模組106可使用一灰度級臨限值來判定哪些像素輸入至該線擬合演算法中。在一些實例中,強特徵偵測模組106可使用子影像中之暗像素(及/或亮像素及暗像素之一組合)來執行一線擬合演算法。
在一些實施例中,線擬合演算法可傳回(a)一線段(例如,具有一方向及/或一位置之一直線段)或(b)指示該子影像不包含一線段之一空值。若該線擬合演算法傳回一線段,則強特徵偵測模組106可將一子影像添加至該組特徵子影像(包含線段之該組子影像)。否則,強特徵偵測模組106可省略正分析之子影像(例如,且開始分析另一子影像)。
在一些實施例中,強特徵偵測模組106基於一組約束(例如,一或多個約束)而判定一子影像是否包含一特徵。強特徵偵測模組106可(例如,基於在該子影像中之一灰度級定限像素後之一最小值)判定該子影像是否含有足夠特徵像素。強特徵偵測模組106可計算一特徵擬合誤差(例如,該特徵是否為一線,一線擬合誤差是否低於一臨限值)。強特徵偵測模組106可判定在原始影像200中該子影像中之候選特徵在其定向上是否具有足夠對比度。強特徵偵測模組106可判定在原始影像200中該子影像中之該候選特徵之亮度變動是否足夠小。強特徵偵測模組106可判定在原始影像200中該候選特徵之厚度是否在一厚度範圍內(例如,若該候選特徵為一裂痕之一部分之一線段,則可使用一裂痕厚度範圍)。
在一些實施例中,可使用除線偵測工具外之其他工具來偵測子影像中之短線。例如,可使用由Cognex of Natick,MA所提供之Caliper Tool來偵測一線之兩個邊緣。Caliper Tool可基於該線之一給定方向及位置而量測在影像中灰度
級如何跨該線而變更以判定該線之位置。若(例如)該線之方向未知,則Caliper Tool可反復測試子影像中之各方向,且使用最強的兩個邊緣來判定該線所在之處。
參考步驟408,強特徵偵測模組106可判定是否將來自步驟406之一或多個經識別特徵結合在一起(例如,對於裂痕缺陷,強特徵偵測模組106可將來自各種子影像之鄰近裂痕特徵鏈接在一起以識別一完整缺陷特徵)。例如,強特徵偵測模組106自該組特徵子影像選擇特徵子影像252E。強特徵偵測模組106識別與選定特徵子影像接界之一或多個子影像,各經識別之子影像包含一特徵。例如,特徵子影像252E可具有與其接界之八個子影像(例如,在頂部、底部、左側、右側及四個角處之子影像)。特徵子影像252C與子影像252E接界,此係因為特徵子影像252C之右上角與特徵子影像252E之左下角相鄰。強特徵偵測模組106產生包括特徵子影像252C及特徵子影像252E之一鏈接特徵(例如,且因此將特徵260及262結合在一起以形成一鏈接特徵)。有利地,強特徵偵測模組106可將分開計算之特徵結合在一起以形成一鄰接鏈接特徵。
強特徵偵測模組106可基於一或多個約束而識別鏈接特徵以確保僅在特徵表示一相同缺陷之(例如,一裂痕之)候選部分之情況下將該等特徵一起鏈接成一單個鏈接特徵。該一或多個約束可包含強特徵偵測模組106正分析之特徵之一位置、一定向或兩者。例如,對於相鄰子影像中之一裂痕之候選線段部分,強特徵偵測模組106經組態以將該
等線段鏈接在一起。有利地,強特徵偵測模組106可將分開線段儘可能長地鏈接在一起(例如,鏈接成一曲線)以定義一裂痕之一大候選部分。
強特徵偵測模組106可自存在一特徵(例如,一特徵子影像)之一單元開始鏈接程序。強特徵偵測模組106可基於數個約束而分析特徵子影像之相鄰單元(例如,八個相鄰子影像)以將該特徵子影像與一或多個鄰近子影像潛在地鏈接在一起。例如,一約束可包含驗證該等鄰近子影像中之特徵之方向係相容(例如,驗證一線係自一線段連續至另一線段,而非將平行之兩個線段鏈接在一起)。
強特徵偵測模組106可基於鄰近子影像是否包含一特徵而分析鄰近子影像。例如,若一選定特徵子影像具有具一特徵之一鄰近子影像,則強特徵偵測模組106可連接各自子影像中之兩個特徵。接著,強特徵偵測模組106可(例如,使用用於分析初始子影像之相同程序)分析新鏈接之子影像之鄰近子影像。
若(例如)該選定子影像具有具數個特徵之多個鄰近子影像,則強特徵偵測模組106可基於一計分機制以告知哪一者為其鄰近子影像周圍(例如,沿著其四條邊及四個角)之最佳候選而選擇該多個子影像之哪一者與該選定子影像鏈接在一起。例如,可使用關於該等子影像中之各特徵之已知資訊,諸如子影像中之特徵之一位置(例如,該特徵之中點)及該特徵之一方向角。鏈接演算法可使用一得分來量測當前子影像之特徵之資訊與一(數個)鄰近子影像中之
特徵匹配(或配對)之良好程度。強特徵偵測模組106可挑選具有最佳得分之鄰近特徵以與當前特徵鏈接。強特徵偵測模組106可將選定鄰近特徵視為下一特徵以查找待與該鄰近特徵鏈接在一起之任何額外特徵。可基於(例如)一特徵為與一鄰近特徵連接而必須「轉向」之量來計算該得分。例如,由於一材料中之裂痕通常係局部筆直(例如,不具有許多高曲率轉向),故可忽視具有一大轉向之特徵。例如,可使用以下轉向角計分函數:S=|AC-AT|+|AT-AN| 方程式1其中:S=當前特徵(所分析之特徵)之轉向角得分;AC=當前特徵之角度;AN=該當前特徵之一鄰近特徵之角度;及AT=轉向線段之角度,該轉向線段為開始於該當前特徵之中點且結束於該鄰近特徵之中點之線段。
關於AC及AT,角度可指示影像坐標系中之一線之一方向(例如,可憑藉由當前特徵及坐標系之x軸所形成之角度量測該角度)。一低得分(S)0意謂在將當前特徵連接至鄰近特徵時(例如,該當前特徵之端點可使用一直線而連接至該鄰近特徵之開始點)該當前特徵不具有任何「轉向」。一高得分(S)意謂在將當前特徵連接至鄰近特徵時該當前特徵具有一高「轉向」角。強特徵偵測模組106可將具有最小得分之鄰近特徵選擇為供分析之下一特徵。
在一些實施例中,在強特徵偵測模組106將強特徵鏈接
在一起後,可存在數個不相交之鏈接特徵(例如,強特徵204及208)。然而,如在原始影像200中所示,強特徵204皆係相同缺陷202之部分,且強特徵208皆係相同缺陷206之部分。強特徵偵測模組106僅偵測強特徵並將該等強特徵鏈接在一起,但是尚未識別各缺陷之弱特徵(弱特徵282及284)。有利地,如在圖3中所述,弱特徵偵測模組108使用強特徵來引導弱特徵之偵測(例如,弱特徵偵測模組108分別使用強特徵204及208來引導弱特徵282及284之偵測)。
參考步驟306,弱特徵偵測模組108基於來自步驟304之該組經識別強特徵而計算缺陷之該組弱特徵。在一些實施例中,弱特徵偵測模組108基於來自該組鏈接特徵之一對鏈接特徵而識別一缺陷(例如,缺陷202及206)。弱特徵偵測模組108可遞歸地搜尋一缺陷之鏈接特徵對以用於偵測相同缺陷之弱特徵。例如,弱特徵偵測模組108可判定鏈接特徵之一選定對是否滿足指示該對鏈接特徵在一相同缺陷上(例如,以判定強特徵204A及204B在一相同缺陷202上,而判定強特徵204A及208A分別在不同缺陷202及206上)之一準則。該準則可基於例如該對鏈接特徵之間的一距離(例如,強特徵204A上之一端點與強特徵204B上之一端點之間的像素距離)、該對鏈接特徵中之各特徵之一端方向(例如,一強特徵上之一端點之線性方向)、該對鏈接特徵中之各特徵之一轉向角(例如,基於方程式1)、該對鏈接特徵中之各特徵之一長度(例如,沿著強特徵204A及在
強特徵204B上之像素數目)及/或指示該對特徵是否為一相同缺陷之部分之其他準則。
弱特徵偵測模組108可使用對強特徵之候選對進行計分之一選擇演算法來選取鏈接特徵對(例如,且選擇得分最高之強特徵對)。弱特徵偵測模組108可基於一鏈接特徵之末端與其他鏈接特徵之末端之間的距離(例如,若端點相距過遠,則弱特徵偵測模組108可不考量兩個鏈接特徵)而對鏈接特徵對進行計分。弱特徵偵測模組108可基於該等鏈接特徵之端方向(例如,基於各鏈接特徵之最後兩個點)而對鏈接特徵對進行計分。例如,若鏈接特徵為一裂痕之一部分之一線段,則該線段可為一曲線且因此不具有固定方向,但是可計算該線段之兩端之切線方向並將其同相比較之其他鏈接特徵之切線方向作比較。弱特徵偵測模組108可基於鏈接特徵之轉向角而對鏈接特徵對進行計分。
弱特徵偵測模組108可基於各鏈接特徵之端點(本文稱作「鏈端」,其中各鏈接特徵包含一頭端及一尾端)而選取鏈接特徵對。一鏈端可包含例如一單個像素或一個以上像素(例如,該鏈端可為屬於組成強特徵之端部分之子影像之整個特徵)。對於一組給定之N個鏈接特徵,存在總共(2×N)個鏈端。為了判定哪個鏈端應與另一鏈端配對,弱特徵偵測模組108可執行一演算法而選擇最佳候選鏈端。
例如,在一些實施例中,該演算法可如下般進行。在分析任何鏈端前,存在(2×N)個鏈端之一初始庫(pool)。弱特徵偵測模組108選擇一鏈端並比較選定鏈端與剩餘鏈端以
判定該等鏈端之一者是否可與該選定鏈端配對。在一些實施例中,弱特徵偵測模組108可經組態以在挑選一對鏈端前不遺餘力搜尋所有現有鏈端。例如,對於一給定鏈端,弱特徵偵測模組108可搜尋其他鏈端且一旦弱特徵偵測模組108發現一可配對鏈端,便可挑選一第二鏈端(此在下文進一步詳細描述)。在一些實施例中,弱特徵偵測模組108經組態以詳盡搜尋各組潛在鏈端並選擇最佳鏈端對。例如,可指派一統一得分以考量各對鏈端之各種特徵(例如,鏈端距離及共線性兩者,如下文進一步討論)。弱特徵偵測模組108可詳盡評估所有其他鏈端(計算各鏈端之統一得分),且接著挑選具有最佳得分之鏈端。
弱特徵偵測模組108可基於一或多次測試(諸如一距離測試、一轉向角測試及/或可提供及/或判定關於兩個鏈端之資訊之任何其他測試)而判定該對端是否可配對。例如,弱特徵偵測模組108可執行判定該兩個鏈端之端點之距離是否小於一最大距離臨限值(可由一操作者預組態(或硬編碼)、提供該最大距離臨限值)之一距離測試。若該距離小於該最大距離臨限值,則弱特徵偵測模組108可判定該對鏈端滿足該距離測試,否則弱特徵偵測模組108將該兩個鏈端作為不可配對而拒斥。
作為另一實例,弱特徵偵測模組108可檢查兩個鏈端之共線性。例如,弱特徵偵測模組108可(例如,藉由量測擬合最前面的少數特徵點之一直線之擬合誤差及/或藉由量測此等特徵偏離使該兩個鏈端連接之一線段之距離)判定
該兩個鏈端處之最前面的少數特徵之共線性。作為另一實例,弱特徵偵測模組108可藉由執行一轉向角測試以判定該兩個鏈端之轉向角得分是否小於一最大轉向角得分臨限值而判定共線性。若該轉向角得分小於該最大轉向角得分臨限值,則弱特徵偵測模組108可判定該對鏈端滿足該轉向角測試,否則弱特徵偵測模組108將該兩個鏈端作為不可配對而拒斥。例如,可使用上文之方程式1來計算轉向角得分。在一些實例中,使用方程式2來計算轉向角得分。
S=|AC-AT|+|AT-AN| 方程式2其中:S=兩個鏈端之第一鏈端之轉向角得分;AC=第一鏈端之切線角;AN=該兩個鏈端之第二鏈端之切線角;及AT=線段之角度,該線段為開始於該第一鏈端之端點且結束於該第二鏈端之中點之線段。
弱特徵偵測模組108可使用一測試組合來判定兩個鏈端是否可配對。例如,弱特徵偵測模組108可使用距離測試及共線性測試兩者來判定兩個鏈端是否可配對(例如,若弱特徵偵測模組108判定不滿足該兩種測試之一或多者,則弱特徵偵測模組108將該兩個鏈端作為不可配對而拒斥)。有利地,弱特徵偵測模組108可經組態以將可配對性(pairability)定義為(a)包含缺陷之不太大未經偵測部分(例如,一裂痕之不太長弱段(或部分))及(b)不包含不可能定
義一缺陷之特徵(例如,演算法可經組態以對趨於延伸而非轉向之一裂痕之部分進行配對,因為具有急轉向及/或Z字形轉向之裂痕係不可能的)之缺陷。
若發現一可配對鏈端,則弱特徵偵測模組108接著判定該兩個鏈端實際上是否可配對。若配對成功(例如,若弱特徵偵測模組108偵測到經配對強特徵之間之一或多個弱特徵),則弱特徵偵測模組108可結合該兩個鏈接特徵(例如,與任何中間特徵)以形成一新鏈。自鏈端庫移除該兩個鏈端(弱特徵偵測模組108使該兩個鏈端連接)。
弱特徵偵測模組108可針對該庫(例如,其現具有(2×(N-1)個鏈端)中之下一選定鏈端重複演算法之上述步驟。弱特徵偵測模組108可經組態以當該庫中不留有任何鏈端時或當弱特徵偵測模組108判定所有剩餘鏈端皆無法與任何其他鏈端配對時完成對可配對鏈端之搜尋。
弱特徵偵測模組108可計算該對鏈接特徵之間的相同缺陷之剩餘部分。例如,對於缺陷202,弱特徵偵測模組108基於強特徵204A及204B而計算弱特徵282A,且基於強特徵204B及204C而計算弱特徵282B。例如,若缺陷202為一裂痕,則特徵偵測模組106計算強裂痕特徵204之鏈接線段,且使用強裂痕特徵204來引導弱裂痕特徵282之識別,從而導致全裂痕202之識別。
有利地,強特徵偵測模組106可經組態以僅偵測強特徵,且弱特徵偵測模組108可經組態以使用經偵測之強特徵來偵測未經偵測之弱特徵。例如,強特徵偵測模組106
可能無法偵測到弱特徵,因為其具有經組態以確保該模組僅偵測缺陷特徵且不偵測其他特徵(例如,且不偵測無缺陷之特徵,諸如一太陽能電池之異質紋理)之特定參數。因此,強特徵偵測模組106可經組態以不偵測弱特徵及/或雜訊。
在一些實施例中,弱特徵偵測模組108使用原始影像200來偵測弱特徵(例如,而非使用經預處理之影像220)。弱特徵偵測模組108可使用原始影像200而非經預處理之影像220,此係因為弱特徵在經預處理影像220中可具有一低對比度(例如,歸因於藉由使用中值濾波器來濾波而改變原始影像200之像素)。有利地,強特徵偵測模組106可快速地搜尋強特徵(例如,因為搜尋經預處理之影像220需要處理較少資料且因為強特徵偵測模組106可經組態以在不滿足約束之情況下停止處理資料(例如,一子影像),從而允許更粗略檢視資料係足夠的)。弱特徵偵測模組108可經組態以執行原始影像200之一更詳細搜尋,因為已偵測到用於引導對缺陷之弱特徵之搜尋之該等缺陷之強特徵(例如,且因此,雖然原始影像200中可存在其他弱特徵,但弱特徵偵測模組108可僅考量基於該等經偵測之強特徵加以識別之弱特徵)。
在一些實施例中,弱特徵偵測模組108使用比強特徵偵測模組106所使用之約束寬鬆之約束來偵測弱特徵。在一些實施例中,強特徵偵測模組106及弱特徵偵測模組108使用不同工具來偵測弱特徵及強特徵。例如,強特徵偵測模
組106可使用上文所討論之Caliper Tool。弱特徵偵測模組108可基於周圍強特徵而獲知弱特徵之方向(例如,強特徵204C延伸至弱特徵282B中)。可在預期區(例如,其中預期弱特徵282B)中應用Caliper Tool。Caliper Tool可報告(a)弱特徵之位置(例如,缺陷202之弱特徵282B之位置)(若足夠強),及/或(b)不報告任何事項(例如,因為不存在匹配,諸如搜尋強特徵204C下方之缺陷202之一部分)。Caliper Tool可逐像素地偵測弱特徵282B(例如,藉由偵測與強特徵204C相鄰之第一像素,且接著基於前一像素而反復搜尋各下一像素)。
在一些實施例中,弱特徵偵測模組可經組態以在候選像素較接近已知強特徵(例如,在一弱特徵之端點處)之情況下搜尋較少候選像素,且在該等候選像素較遠離強特徵(例如,在該弱特徵之中心處)之情況下搜尋較多候選像素。例如,在一組配對強特徵之間具有一間隔之該兩個強特徵可暗示在該等強特徵附近之弱特徵之端部分應出現在大特徵之接合端附近,而在弱特徵之中間,弱特徵之該部分定位之處鮮為人知(例如,弱特徵可為一曲線,因此在中間,弱特徵之該部分可在一非預期位置中)。
關於圖3之步驟308,缺陷偵測裝置102將經偵測之弱特徵及強特徵組裝在一起以識別實際缺陷。例如,缺陷偵測裝置102組裝強特徵204與弱特徵282以識別缺陷202(例如,一太陽能電池中之一全缺陷)。
上文所述技術可在數位及/或類比電子電路中,或在電
腦硬體、韌體、軟體中或在其組合中實施。實施方案可作為一電腦程式產品,即,在一機器可讀取儲存裝置中有形地體現以供一資料處理裝置(例如,一可程式化處理器、一電腦及/或多個電腦)執行或以控制該資料處理裝置之操作之一電腦程式。可以電腦或程式設計語言(包含原始碼、編譯碼、解譯碼及/或機器碼)之任何形式寫入一電腦程式,且可以任何形式部署該電腦程式,包含作為一獨立程式或一副常式、元件或適用於一計算環境中之其他單元。可部署一電腦程式以在一或多個站點處之一個電腦或多個電腦上執行。
方法步驟可由一或多個處理器執行,該一或多個處理器執行一電腦程式以操作輸入資料及/或產生輸出資料而執行本發明之功能。方法步驟亦可由專用邏輯電路加以執行,且一設備可實施為專用邏輯電路,例如一FPGA(場可程式化閘陣列)、一FPAA(場可程式化類比陣列)、一CPLD(複雜可程式化邏輯裝置)、一PSoC(可程式化系統晶片)、ASIP(特定應用指令集處理器)或一ASIC(特定應用積體電路)。副常式可指代電腦程式及/或處理器/特殊電路之實施一或多個功能之部分。
適於執行一電腦程式之處理器包含(舉例而言)通用微處理器及專用微處理器兩者,及任何種類之數位或類比電腦之任何一或多個處理器。通常,一處理器自一唯讀記憶體或一隨機存取記憶體或以上兩者接收指令及資料。一電腦之主要元件為用於執行指令之一處理器及用於儲存指令及/
或資料之一或多個記憶體裝置。記憶體裝置(諸如一快取區)可用於暫時儲存資料。記憶體裝置亦可用於長期資料儲存。通常,一電腦亦包含或可操作地耦合以自用於儲存資料之一或多個大容量儲存裝置(例如,磁碟、磁光碟或光碟)接收資料或將該資料傳送至該一或多個大容量儲存裝置或以上兩者。一電腦亦可操作地耦合至一通信網路以自該網路接收指令及/或資料及/或以將指令及/或資料傳送至該網路。適於體現電腦程式指令及資料之電腦可讀取儲存裝置包含所有形式之揮發性及非揮發性記憶體,舉例而言包含:半導體記憶體裝置,例如DRAM、SRAM、EPROM、EEPROM及快閃記憶體裝置;磁碟,例如內置硬碟或可抽換式磁碟;磁光碟;及光碟,例如CD、DVD、HD-DVD及藍光碟。該處理器及該記憶體可補充專用邏輯電路及/或併入專用邏輯電路中。
為了提供與一使用者之互動,上文所述技術可在與用於對該使用者顯示資訊之一顯示裝置(例如,一CRT(陰極射線管)、電漿或LCD(液晶顯示器)監視器)以及一鍵盤及一指標裝置(例如,一滑鼠、一軌跡球、一觸控墊或一運動感測器)通信之一電腦上實施,該使用者可藉由鍵盤及指標裝置將輸入提供給該電腦(例如,與一使用者介面元件互動)。其他種類之裝置亦可用於提供與一使用者之互動;例如,提供給該使用者之回饋可為任何形式之感覺回饋,例如視覺回饋、聽覺回饋或觸覺回饋;且可以任何形式接收來自該使用者之輸入,包含聲音輸入、語音輸入及/
或觸覺輸入。
上文所述技術可在包含一後端組件之一分散式計算系統中實施。該後端組件可例如為一資料伺服器、一中介軟體組件,及/或一應用伺服器。上文所述技術可在包含一前端組件之一分散式計算系統中實施。該前端組件可例如為具有一圖形使用者介面之一用戶端電腦、一網頁瀏覽器(使用者可透過網頁瀏覽器與一例示性實施方案互動)及/或用於一傳輸裝置之其他圖形使用者介面。上文所述技術可在包含此等後端組件、中介軟體組件或前端組件之任何組合之一分散式計算系統中實施。
計算系統可包含用戶端及伺服器。一用戶端及一伺服器通常彼此遠離且通常透過一通信網路而互動。藉由在各自電腦上運行且彼此具有一用戶端-伺服器關係之電腦程式而產生用戶端及伺服器之關係。
計算系統之組件可藉由任何形式或媒體之數位或類比資料通信(例如,一通信網路)而互連。通信網路之實例包含基於電路及基於封包之網路。基於封包之網路可包含例如網際網路、一載體網際網路協定(IP)網路(例如,區域網路(LAN)、廣域網路(WAN)、校園區域網路(CAN)、都會區域網路(MAN)、本籍區域網路(HAN))、一私用IP網路、一IP私用交換分機(IPBX)、一無線網路(例如,無線電存取網路(RAN)、802.11網路、802.16網路、通用封包無線電服務(GPRS)網路、HiperLAN)及/或其他基於封包之網路。基於電路之網路可包含例如公共交換電話網路(PSTN)、一私
用交換分機(PBX)、一無線網路(例如,RAN、藍芽、分碼多重存取(CDMA)網路、分時多重存取(TDMA)網路、全球行動通信系統(GSM)網路)及/或其他基於電路之網路。
計算系統之裝置及/或計算裝置可包含例如一電腦、具有一瀏覽器裝置之一電腦、一電話、一IP電話、一行動裝置(例如,蜂巢式電話、個人數位助理(PDA)裝置、膝上型電腦、電子郵件裝置)、一伺服器、具有一或多個處理卡之一機架、專用電路及/或其他通信裝置。瀏覽器裝置包含例如具有一全球資訊網瀏覽器(例如,可購自Microsoft公司之Microsoft®、Internet Explorer®、可購自Mozilla公司之Mozilla® Firefox)之一電腦(例如,桌上型電腦、膝上型電腦)。一行動計算裝置可包含例如一Blackberry®。IP電話包含例如可購自Cisco System,Inc之一Cisco® Unified IP Phone 7985G及/或Cisco System,Inc之一Cisco® Unified Wireless Phone 7920。
熟習此項技術者將認知到,在不背離本發明之精神或基特性之情況下,可以其他特定形式體現本發明。因此在所有方面,先前實施例被視為闡釋性而非限制本文所述之本發明。因此,藉由隨附申請專利範圍而非先前描述指示本發明之範疇,且因此在申請專利範圍之等效含義及範圍內之所有變更意欲包含於本發明之範疇中。
100‧‧‧電腦化系統
102‧‧‧缺陷偵測計算裝置/缺陷偵測裝置
104‧‧‧預處理模組
106‧‧‧強特徵偵測模組
108‧‧‧弱特徵偵測模組
110‧‧‧資料庫
112‧‧‧影像擷取裝置
114‧‧‧顯示裝置
200‧‧‧影像
202‧‧‧缺陷
204‧‧‧強特徵
204A‧‧‧強特徵
204B‧‧‧強特徵
204C‧‧‧強特徵
206‧‧‧缺陷
208‧‧‧強特徵
208A‧‧‧強特徵
208B‧‧‧強特徵
208C‧‧‧強特徵
208D‧‧‧強特徵
208E‧‧‧強特徵
208F‧‧‧強特徵
220‧‧‧經預處理之影像
250‧‧‧經預處理影像之部分
250A-250N‧‧‧子影像
252A‧‧‧子影像
252B‧‧‧子影像
252C‧‧‧子影像
252D‧‧‧子影像
252E‧‧‧子影像
254A‧‧‧子影像
254B‧‧‧子影像
254C‧‧‧子影像
260‧‧‧特徵
262‧‧‧特徵
280‧‧‧影像
282A‧‧‧弱特徵
282B‧‧‧弱特徵
284A‧‧‧弱特徵
284B‧‧‧弱特徵
284C‧‧‧弱特徵
284D‧‧‧弱特徵
284E‧‧‧弱特徵
500‧‧‧多晶太陽能電池
502‧‧‧特徵
504‧‧‧特徵
圖1係用於偵測一材料中之缺陷之一例示性電腦化系統;
圖2A係具有兩個缺陷之一材料之一例示性影像;圖2B係基於圖2A之影像所產生之一例示性經預處理之影像;圖2C係圖2B之經處理影像之一放大部分,展示該影像之部分之子影像;圖2D係基於缺陷之強特徵所產生及圖2A中之缺陷之小部分之一例示性影像;圖3係用於識別一材料中之缺陷之一例示性方法之一圖;圖4係用於識別一材料中之一候選缺陷之一部分之一組鏈接特徵之一例示性方法之一圖;及圖5係具有一不均勻外觀之一多晶太陽能電池之一例示性圖。
100‧‧‧電腦化系統
102‧‧‧缺陷偵測計算裝置/缺陷偵測裝置
104‧‧‧預處理模組
106‧‧‧強特徵偵測模組
108‧‧‧弱特徵偵測模組
110‧‧‧資料庫
112‧‧‧影像擷取裝置
114‧‧‧顯示裝置
Claims (22)
- 一種用於識別一材料中之一缺陷之電腦化方法,其包括:藉由一計算裝置基於一材料之一原始影像而產生一經預處理之影像;藉由該計算裝置將該經預處理之影像分成一組子影像;對於該組子影像中之一第一子影像:藉由該計算裝置判定該第一子影像是否包含一特徵,其中該特徵為該材料中之一缺陷之一候選部分;及若該第一子影像包含該特徵,則藉由該計算裝置將該第一子影像添加至一組特徵子影像;藉由該計算裝置基於該組特徵子影像而選擇一鏈接特徵,其中該鏈接特徵包括表示該材料中之一相同缺陷之候選部分之一或多個特徵;及藉由該計算裝置基於該鏈接特徵及該原始影像而識別該材料中之一缺陷,包括基於該鏈接特徵計算該缺陷之一剩餘部分。
- 如請求項1之方法,其中產生該經預處理之影像包括:產生一濾波影像,包括使用一濾波器來移除一或多個特徵;及藉由自該原始影像減去該濾波影像而產生該經預處理之影像,以暴露該原始影像中之該一或多個特徵。
- 如請求項1之方法,其中該經預處理之影像為該原始影 像。
- 如請求項1之方法,其中該經預處理之影像暴露該材料之一或多個特徵。
- 如請求項1之方法,其中該經預處理之影像包括暗像素及亮像素,其中基於一灰度級臨限值而識別該等暗像素及該等亮像素。
- 如請求項5之方法,其中判定該子影像是否包含該特徵包括:使用該子影像中之該等暗像素、該等亮像素或兩者來執行一線擬合演算法。
- 如請求項1之方法,其進一步包括:判定該特徵滿足一第一組準則;及判定該等鏈接特徵及該缺陷之該經計算剩餘部分滿足一第二組準則。
- 如請求項1之方法,其中選擇該鏈接特徵包括:自該組特徵子影像選擇一特徵子影像;識別與該選定特徵子影像接界之一或多個子影像,各經識別之子影像包含一特徵;及基於一或多個約束產生一鏈接特徵,該鏈接特徵包括該選定特徵子影像及來自該一或多個經識別子影像之一子影像。
- 如請求項8之方法,其中該一或多個約束包括該一或多個特徵之一位置、一定向或兩者。
- 如請求項1之方法,其中識別該缺陷包括:選擇包括該鏈接特徵之一對鏈接特徵; 判定該對鏈接特徵是否滿足指示該對鏈接特徵處在該材料中之一相同缺陷上之一第一準則;及計算該對鏈接特徵之間的該相同缺陷之一剩餘部分。
- 如請求項10之方法,其中該第一準則係基於該對鏈接特徵之間的一距離、該對鏈接特徵中之各特徵之一端方向、該對鏈接特徵中之各特徵之一轉向角、該對鏈接特徵中之各特徵之一長度或其任何組合。
- 一種在一非暫時性電腦可讀取媒體中有形地體現之電腦程式產品,該電腦程式產品包含經組態以引起一資料處理設備進行以下動作之指令:基於一材料之一原始影像而產生一經預處理之影像;將該經預處理之影像分成一組子影像;對於該組子影像中之一第一子影像:判定該第一子影像是否包含一特徵,其中該特徵為該材料中之一缺陷之一候選部分;及若該第一子影像包含該特徵,則將該第一子影像添加至一組特徵子影像;基於該組特徵子影像而選擇一鏈接特徵,其中該鏈接特徵包括表示該材料中之一相同缺陷之候選部分之一或多個特徵;及基於該鏈接特徵及該原始影像而識別該材料中之一缺陷,包括基於該鏈接特徵計算該缺陷之一剩餘部分。
- 一種用於識別一材料中之一缺陷之設備,其包括:一預處理模組,其經組態以基於一材料之一原始影像 而產生一經預處理之影像;一強特徵偵測模組,其與該預處理模組通信,該強特徵偵測模組經組態以:將該經預處理之影像分成一組子影像;及對於該組子影像中之一第一子影像:判定該第一子影像是否包含一特徵,其中該特徵為該材料中之一缺陷之一候選部分;及若該第一子影像包含該特徵,則將該第一子影像添加至一組特徵子影像;及一弱特徵偵測模組,其與該強特徵偵測模組通信,該弱特徵偵測模組經組態以:基於該組特徵子影像而選擇一鏈接特徵,其中該鏈接特徵包括表示該材料中之一相同缺陷之候選部分之一或多個特徵;及基於該鏈接特徵及該原始影像而識別該材料中之一缺陷,包括基於該鏈接特徵計算該缺陷之一剩餘部分。
- 一種用於識別一太陽能電池中之一缺陷之電腦化方法,其包括:藉由計算裝置基於一太陽能電池之一影像而識別一組特徵,其中:該太陽能電池包括複數個紋理;及該組特徵中之各特徵為該太陽能電池中之一缺陷之一候選部分; 藉由該計算裝置基於該組特徵而選擇一組鏈接特徵,其中各鏈接特徵包括表示該太陽能電池中之一相同缺陷之候選部分之一或多個特徵;及藉由該計算裝置基於該組鏈接特徵及該影像而識別該太陽能電池中之一缺陷。
- 如請求項14之方法,其中識別該組特徵包括基於該影像產生一經預處理之影像,以(a)移除該影像中之該太陽能電池之該複數個紋理之一或多個紋理,或(b)暴露該複數個紋理中之一缺陷之一或多個特徵,或以上兩者。
- 如請求項15之方法,其進一步包括:將該經預處理之影像分成一組子影像;對於該組子影像中之該等子影像之一或多者:判定該子影像是否包含一特徵,其中該特徵為該太陽能電池中之一缺陷之一候選部分;及若該子影像包含該特徵,則將該子影像添加至一組特徵。
- 如請求項14之方法,其中識別該缺陷包括基於來自該組鏈接特徵之鏈接特徵對而計算該缺陷之一剩餘部分。
- 如請求項17之方法,其中識別該缺陷包括對於來自該組鏈接特徵之每對鏈接特徵:判定該對鏈接特徵是否滿足指示該對鏈接特徵處在該太陽能電池中之一相同缺陷上之一第一準則;及計算該對鏈接特徵之間的該相同缺陷之一剩餘部分,其中該相同缺陷為該缺陷之一部分。
- 如請求項14之方法,其進一步包括在該太陽能電池之該影像上顯示該缺陷之一表示。
- 如請求項14之方法,其中選擇該組鏈接特徵包括:基於該組特徵而選擇一子影像;識別與該選定子影像接界之一或多個子影像,各經識別之子影像包含一特徵;及基於一或多個約束產生一鏈接特徵,該鏈接特徵包括該選定特徵子影像及來自該一或多個經識別子影像之一子影像。
- 一種在一非暫時性電腦可讀取媒體中有形地體現之電腦程式產品,該電腦程式產品包含經組態以引起一資料處理設備進行以下動作之指令:基於一太陽能電池之一影像而識別一組特徵,其中:該太陽能電池包括複數個紋理;及該組特徵中之各特徵為該太陽能電池中之一缺陷之一候選部分;基於該組特徵而選擇一組鏈接特徵,其中各鏈接特徵包括表示該太陽能電池中之一相同缺陷之候選部分之一或多個特徵;及基於該組鏈接特徵及該影像而識別該太陽能電池中之一缺陷。
- 一種用於識別一太陽能電池中之一缺陷之設備,其包括:一強特徵偵測模組,其經組態以基於一太陽能電池之 一影像而識別一組特徵,其中:該太陽能電池包括複數個紋理;及該組特徵中之各特徵為該太陽能電池中之一缺陷之一候選部分;及一弱特徵偵測模組,其與該強特徵偵測模組通信,該弱特徵偵測模組經組態以:基於該組特徵而選擇一組鏈接特徵,其中各鏈接特徵包括表示該太陽能電池中之一相同缺陷之候選部分之一或多個特徵;及基於該組鏈接特徵及該影像而識別該太陽能電池中之一缺陷。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/213,993 US8750596B2 (en) | 2011-08-19 | 2011-08-19 | System and method for identifying defects in a material |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201310359A true TW201310359A (zh) | 2013-03-01 |
TWI557650B TWI557650B (zh) | 2016-11-11 |
Family
ID=47625364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW101128312A TWI557650B (zh) | 2011-08-19 | 2012-08-06 | 用於識別材料中之缺陷之系統及方法 |
Country Status (4)
Country | Link |
---|---|
US (2) | US8750596B2 (zh) |
CN (1) | CN103134807B (zh) |
DE (1) | DE102012107287B4 (zh) |
TW (1) | TWI557650B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI511084B (zh) * | 2012-01-20 | 2015-12-01 | Asml Netherlands Bv | 可自組聚合物及用於微影之方法 |
DE102013005489B4 (de) | 2013-04-02 | 2019-06-27 | Capex Invest GmbH | Verfahren und Vorrichtung zur automatischen Fehlerstellenerkennung bei biegeschlaffen Körpern |
CN103345743B (zh) * | 2013-06-18 | 2016-05-25 | 宁波成电泰克电子信息技术发展有限公司 | 一种用于电池尾端智能探伤的图像分割方法 |
TWI514883B (zh) * | 2013-07-31 | 2015-12-21 | Coretronic Corp | 投影裝置及其投影畫面的亮度控制方法 |
US9528945B2 (en) * | 2014-08-28 | 2016-12-27 | The Boeing Company | Systems and methods for detecting crack growth |
JP2016090547A (ja) * | 2014-11-11 | 2016-05-23 | 株式会社東芝 | ひび割れ情報収集装置及びひび割れ情報を収集するためのサーバ装置 |
JP2016090548A (ja) * | 2014-11-11 | 2016-05-23 | 株式会社東芝 | ひび割れ情報収集方法及びひび割れ情報収集プログラム |
JP6568672B2 (ja) * | 2015-11-13 | 2019-08-28 | コグネックス・コーポレイション | ビジョンシステムで鏡面上の欠陥を検出するためのシステム及び方法 |
JP6702097B2 (ja) * | 2016-09-02 | 2020-05-27 | 富士通株式会社 | 画像処理プログラム、画像処理方法および画像処理装置 |
CN108198766A (zh) * | 2017-12-29 | 2018-06-22 | 英特尔产品(成都)有限公司 | 芯片封装缺陷自动识别和处理方法、系统及存储设备 |
CN111684234B (zh) | 2018-01-31 | 2022-04-26 | 富士胶片株式会社 | 修补长度的确定方法及修补长度的确定装置 |
CN108492291B (zh) * | 2018-03-12 | 2022-07-22 | 苏州天准科技股份有限公司 | 一种基于cnn分割的太阳能光伏硅片瑕疵检测系统及方法 |
US20220364423A1 (en) * | 2019-10-08 | 2022-11-17 | Schlumberger Technology Corporation | Methods and systems for controlling operation of wireline cable spooling equipment |
CN111784667B (zh) * | 2020-06-30 | 2023-09-26 | 京东科技信息技术有限公司 | 一种裂纹识别方法及装置 |
US11919754B2 (en) | 2020-11-10 | 2024-03-05 | Schlumberger Technology Corporation | Automated spooling control system using stochastic inference |
CN112785594B (zh) * | 2021-03-16 | 2022-08-30 | 合肥工业大学 | 基于图像二维幅值估计的桥梁自动结构裂缝识别方法 |
CN113252682B (zh) * | 2021-04-15 | 2022-12-16 | 首钢集团有限公司 | 提高表面质量检测系统识别带钢表面缺陷准确率的方法 |
CN116934746B (zh) * | 2023-09-14 | 2023-12-01 | 常州微亿智造科技有限公司 | 划伤缺陷检测方法、系统、设备及其介质 |
CN117368210B (zh) * | 2023-12-08 | 2024-02-27 | 荣旗工业科技(苏州)股份有限公司 | 一种基于多维复合成像技术的缺陷检测方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3612268A1 (de) | 1986-04-11 | 1987-10-15 | Licentia Gmbh | Verfahren zum auffinden von in einem vergleichsbild vorhandenen flaechen in einem bild |
FR2686697B1 (fr) * | 1992-01-27 | 1994-04-29 | Aerospatiale | Dispositif de detection de defauts dans des pieces bicouches, notamment dans des cellules solaires. |
JPH07201946A (ja) | 1993-12-28 | 1995-08-04 | Hitachi Ltd | 半導体装置等の製造方法及びその装置並びに検査方法及びその装置 |
US6122397A (en) | 1997-07-03 | 2000-09-19 | Tri Path Imaging, Inc. | Method and apparatus for maskless semiconductor and liquid crystal display inspection |
US6028948A (en) * | 1997-12-29 | 2000-02-22 | Lockheed Martin Corporation | Surface anomaly-detection and analysis method |
US6539106B1 (en) | 1999-01-08 | 2003-03-25 | Applied Materials, Inc. | Feature-based defect detection |
US6941016B1 (en) * | 2001-12-31 | 2005-09-06 | Cognex Technology And Investment | Method for finding contours in an image of an object |
US20050252545A1 (en) | 2004-05-12 | 2005-11-17 | Spire Corporation | Infrared detection of solar cell defects under forward bias |
US7804993B2 (en) | 2005-02-28 | 2010-09-28 | Applied Materials South East Asia Pte. Ltd. | Method and apparatus for detecting defects in wafers including alignment of the wafer images so as to induce the same smear in all images |
EP2006804A1 (en) * | 2007-06-22 | 2008-12-24 | Siemens Aktiengesellschaft | Method for optical inspection of a matt surface and apparatus for applying this method |
TW200940977A (en) | 2008-03-19 | 2009-10-01 | Viswell Technology Co Ltd | Optical imaging apparatus and method for inspection of solar cells |
US9103792B2 (en) | 2008-03-31 | 2015-08-11 | Bt Imaging Pty Ltd. | Wafer imaging and processing method and apparatus |
US8917933B2 (en) * | 2008-04-07 | 2014-12-23 | Koninklijke Philips N.V. | Mesh collision avoidance |
JP5324181B2 (ja) * | 2008-10-07 | 2013-10-23 | 日清紡ホールディングス株式会社 | 太陽電池の検査装置、太陽電池の検査方法、プログラム、太陽電池の検査システム |
-
2011
- 2011-08-19 US US13/213,993 patent/US8750596B2/en not_active Expired - Fee Related
-
2012
- 2012-08-06 TW TW101128312A patent/TWI557650B/zh active
- 2012-08-08 DE DE102012107287.6A patent/DE102012107287B4/de active Active
- 2012-08-20 CN CN201210297100.6A patent/CN103134807B/zh active Active
-
2014
- 2014-02-27 US US14/191,606 patent/US20140177938A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
DE102012107287A9 (de) | 2013-10-10 |
TWI557650B (zh) | 2016-11-11 |
CN103134807B (zh) | 2016-03-16 |
US20130044936A1 (en) | 2013-02-21 |
US8750596B2 (en) | 2014-06-10 |
US20140177938A1 (en) | 2014-06-26 |
DE102012107287B4 (de) | 2019-09-05 |
CN103134807A (zh) | 2013-06-05 |
DE102012107287A1 (de) | 2013-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI557650B (zh) | 用於識別材料中之缺陷之系統及方法 | |
US20230419472A1 (en) | Defect detection method, device and system | |
CN112581463A (zh) | 图像缺陷的检测方法、装置、电子设备、存储介质及产品 | |
JP2007003297A (ja) | 基板検査装置並びにそのパラメータ設定方法およびパラメータ設定装置 | |
JP7059883B2 (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
JP2006098151A (ja) | パターン検査装置およびパターン検査方法 | |
JP2019061484A (ja) | 画像処理装置及びその制御方法及びプログラム | |
CN113646801A (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
JP2016181098A (ja) | 領域検出装置および領域検出方法 | |
CN112200790B (zh) | 布料缺陷检测方法、设备和介质 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN103091330A (zh) | 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 | |
CN117677986A (zh) | 采集及检验眼科镜片的图像 | |
Anitha et al. | SMT component inspection in PCBA’s using image processing techniques | |
JP2020135051A (ja) | 欠点検査装置、欠点検査方法、欠点検査プログラム、学習装置および学習済みモデル | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
US11176419B1 (en) | Method for labeling image | |
CN113016023B (zh) | 信息处理方法以及计算机可读的非暂时性记录介质 | |
JP5889778B2 (ja) | フラットパネルディスプレイの自動ムラ検出装置および自動ムラ検出方法 | |
JP2013205320A (ja) | 検査条件決定方法、検査方法および検査装置 | |
JP2007033126A (ja) | 基板検査装置並びにそのパラメータ調整方法およびパラメータ調整装置 | |
CN116402771A (zh) | 缺陷检测方法、装置和模型训练方法、装置 | |
CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
Luo et al. | Adaptive canny and semantic segmentation networks based on feature fusion for road crack detection | |
JP2011196982A (ja) | 欠陥検出方法、欠陥検出装置、及びプログラム |