[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111179243A - 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 - Google Patents

一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 Download PDF

Info

Publication number
CN111179243A
CN111179243A CN201911358896.XA CN201911358896A CN111179243A CN 111179243 A CN111179243 A CN 111179243A CN 201911358896 A CN201911358896 A CN 201911358896A CN 111179243 A CN111179243 A CN 111179243A
Authority
CN
China
Prior art keywords
image
defect
detected
gray value
area
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.)
Pending
Application number
CN201911358896.XA
Other languages
English (en)
Inventor
苗瑞昌
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.)
Wuhan Xinzhu Technology Service Co Ltd
Original Assignee
Wuhan Xinzhu Technology Service 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 Wuhan Xinzhu Technology Service Co Ltd filed Critical Wuhan Xinzhu Technology Service Co Ltd
Priority to CN201911358896.XA priority Critical patent/CN111179243A/zh
Publication of CN111179243A publication Critical patent/CN111179243A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20032—Median 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提出了一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统，方法包括：获取小尺寸芯片的待测图像；对待测图像进行中值滤波；对待测图像进行灰度变换增强；通过最大类间方差法对待测图像进行图像分割以获取二值图像；对二值图像进行连通域标记以获取缺陷区域的像素点集合；通过缺陷区域的面积、重心、长轴、短轴及灰度值判断缺陷区域是否为裂纹缺陷。本发明直接通过缺陷区域的面积、重心、长轴、短轴及灰度值判断缺陷区域是否为裂纹，无需进行待测图像与标准图像的配准和位置矫正，也无需进一步识别多种缺陷中的裂纹缺陷，极大的简化了计算过程和计算量，且减少了引入的噪声干扰，提高了检测结果的可靠性。

Description

一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统
技术领域
本发明涉及AOI技术领域，尤其涉及一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统。
背景技术
进入二十一世纪以来，电子技术产业发展尤为迅猛，电子组装行业中元件的发展一直朝着微型化、功能化、模块化和生产设计一体化深入发展，加上电子制造业小批量、多种类的生产状况，这时候单单人工目视已经不能满足可靠而一致的检验目标，更不用说想要保存精确的信息，这就促使了生产企业为其生产线安装自动光学检测系统(AutomaticOptical Inspection，简称AOI)。AOI常用于小尺寸芯片的缺陷检测，首先利用图像采集系统将芯片转变成图像数据，并传递到图像处理系统中，然后由图像处理软件根据图像中的数据信息进行数字化处理，并从数字化处理后的信息中抽取出图像的关键特征，进而与模板特征进行匹配以得出缺陷信息。
传统小尺寸芯片AOI检测方法通常是先对待测图像进行图像平滑、图像增强及图像分割处理，处理后的待测图像与标准图像进行配准以识别缺陷区域，对配准后的待测图像提取缺陷区域的特征进行缺陷识别，由于上述方法需要进行待测图像与标准图像的配准，涉及到待测图像与标准图像的位置矫正，过程繁杂且计算量大，容易引入噪声干扰，且识别的缺陷包括多种，如划痕、毛刺等，还需进一步提取多种缺陷中的裂纹缺陷，进一步增加了识别过程的复杂程度，无法直接简便的识别芯片上的裂纹。
发明内容
有鉴于此，一方面，本发明提出了一种基于计算机视觉的小尺寸芯片裂纹检测方法，以解决传统小尺寸芯片AOI检测方法因图像位置矫正及缺陷提取导致检测过程复杂并引入噪声干扰、无法直接简便的识别芯片裂纹的问题。
本发明的技术方案是这样实现的：本发明提供了一种基于计算机视觉的小尺寸芯片裂纹检测方法，包括：
获取小尺寸芯片的待测图像；
对所述待测图像进行中值滤波；
对所述待测图像进行灰度变换增强；
通过最大类间方差法对所述待测图像进行图像分割以获取二值图像；
对所述二值图像进行连通域标记以获取缺陷区域的像素点集合；
获取所述缺陷区域的面积、重心、长轴、短轴及灰度值，并通过外接矩阵对所述缺陷区域进行显示标识；
通过所述缺陷区域的面积、重心、长轴、短轴及灰度值判断所述缺陷区域是否为裂纹缺陷。
可选的，对所述待测图像进行中值滤波，包括：
设定3×3、5×5、7×7的三个二维窗口；
分别通过3×3二维窗口、5×5二维窗口及7×7二维窗口对所述待测图像进行中值滤波；
从经3×3二维窗口、5×5二维窗口及7×7二维窗口分别滤波后的三个图像中选取一个作为所述待测图像。
可选的，所述二维窗口为方形窗口。
可选的，所述灰度变换为分段线性灰度变换。
可选的，所述通过最大类间方差法对所述待测图像进行图像分割以获取二值图像，包括：
计算所述待测图像的平均灰度值并作为初始阈值；
将所述待测图像中灰度值大于所述初始阈值的区域作为目标区域并计算所述目标区域的平均灰度值；
取所述初始阈值与所述目标区域的平均灰度值之间的灰度值计算所述待测图像的类间方差；
将使所述类间方差最大的灰度值作为所述待测图像的分割阈值并根据所述分割阈值对所述待测图像进行图像分割。
可选的，通过所述缺陷区域的面积、重心、长轴、短轴及灰度值判断所述缺陷区域是否为裂纹缺陷，包括：
计算所述缺陷区域长轴与短轴的长短比，获取所述缺陷区域的最低灰度值、所述缺陷区域灰度值为0的像素个数；
设定以所述缺陷区域重心为圆心的圆形区域并任意划分所述圆形区域，计算所述圆形区域内任意划分区域的长短比，获取所述任意划分区域的最高灰度值及具有最高灰度值的像素点个数；
根据所述缺陷区域的长短比、所述缺陷区域的最低灰度值、所述缺陷区域灰度值为0的像素个数、所述任意划分区域的长短比、所述任意划分区域的最高灰度值及具有最高灰度值的像素点个数判断所述缺陷区域是否为裂纹缺陷。
可选的，根据所述缺陷区域的长短比、所述缺陷区域的最低灰度值、所述缺陷区域灰度值为0的像素个数、所述任意划分区域的长短比、所述任意划分区域的最高灰度值及具有最高灰度值的像素点个数判断所述缺陷区域是否为裂纹缺陷，包括：
若所述缺陷区域的长短比在5-20之间、所述缺陷区域的最低灰度值为0、所述缺陷区域灰度值为0的像素个数大于8个、半径小于200的所述任意划分区域的长短比在5-20之间、半径小于200的所述任意划分区域的最高灰度值为255且具有最高灰度值的像素点个数大于8个，则将述缺陷区域为裂纹缺陷。
本发明的基于计算机视觉的小尺寸芯片裂纹检测方法相对于现有技术具有以下有益效果：
(1)本发明的基于计算机视觉的小尺寸芯片裂纹检测方法直接通过缺陷区域的面积、重心、长轴、短轴及灰度值判断缺陷区域是否为裂纹，无需进行待测图像与标准图像的配准和位置矫正，也无需进一步识别多种缺陷中的裂纹缺陷，极大的简化了计算过程和计算量，且减少了引入的噪声干扰，提高了检测结果的可靠性；
(2)本发明的基于计算机视觉的小尺寸芯片裂纹检测方法可从多种中值滤波窗口中挑选效果最好的窗口，可降低有效信息的损失并确保噪声抑制效果；
(3)本发明的基于计算机视觉的小尺寸芯片裂纹检测方法避免了最大类间方差法采用的搜索整个直方图的每个灰度值来确定最优值的方法，而在最佳阈值范围内进行搜索最优阈值，大大的减少了计算量，可以缩短计算量、减少计算时间，达到实现快速检测芯片裂纹的目的；
(4)本发明的基于计算机视觉的小尺寸芯片裂纹检测方法将芯片裂纹与缺陷区域的长短比、缺陷区域的最低灰度值、缺陷区域灰度值为0的像素个数、任意划分区域的长短比、任意划分区域的最高灰度值及具有最高灰度值的像素点个数等特征与裂纹进行关联，识别芯片裂纹的准确率高。
另一方面，本发明还提出一种基于计算机视觉的小尺寸芯片裂纹检测系统，以解决传统小尺寸芯片AOI检测系统因图像位置矫正及缺陷提取导致检测过程复杂并引入噪声干扰、无法直接简便的识别芯片裂纹的问题。
本发明的技术方案是这样实现的：本发明提供了一种基于计算机视觉的小尺寸芯片裂纹检测系统，包括：
图像获取模块，用于获取小尺寸芯片的待测图像；
中值滤波模块，用于对所述待测图像进行中值滤波；
灰度变换模块，用于对所述待测图像进行灰度变换增强；
图像分割模块，用于通过最大类间方差法对所述待测图像进行图像分割以获取二值图像；
缺陷标记模块，用于对所述二值图像进行连通域标记以获取缺陷区域的像素点集合；
特征生成模块，用于获取所述缺陷区域的面积、重心、长轴、短轴及灰度值，并通过外接矩阵对所述缺陷区域进行显示标识；
裂纹判断模块，用于通过所述缺陷区域的面积、重心、长轴、短轴及灰度值判断所述缺陷区域是否为裂纹缺陷。
所述小尺寸芯片裂纹检测系统与上述小尺寸芯片裂纹检测方法相对于现有技术所具有的优势相同，在此不再赘述。
另一方面，本发明还提出一种计算机可读存储介质，以解决传统小尺寸芯片AOI检测系统因图像位置矫正及缺陷提取导致检测过程复杂并引入噪声干扰、无法直接简便的识别芯片裂纹的问题。
本发明的技术方案是这样实现的：本发明提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现上述任一项所述的小尺寸芯片裂纹检测方法。
所述计算机可读存储介质与上述小尺寸芯片裂纹检测方法相对于现有技术所具有的优势相同，在此不再赘述。
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为本发明的基于计算机视觉的小尺寸芯片裂纹检测方法的流程图；
图2为本发明的步骤S2的流程图；
图3为本发明的步骤S4的流程图；
图4为本发明的步骤S7的流程图；
图5为本发明的基于计算机视觉的小尺寸芯片裂纹检测系统的结构框图。
附图标记说明：
10-图像获取模块；20-中值滤波模块；30-灰度变换模块；40-图像分割模块；50-缺陷标记模块；60-特征生成模块；70-裂纹判断模块。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
如图1所示，本发明的基于计算机视觉的小尺寸芯片裂纹检测方法，包括：
步骤S1，获取小尺寸芯片的待测图像；
步骤S2，对所述待测图像进行中值滤波；
步骤S3，对所述待测图像进行灰度变换增强；
步骤S4，通过最大类间方差法对所述待测图像进行图像分割以获取二值图像；
步骤S5，对所述二值图像进行连通域标记以获取缺陷区域的像素点集合；
步骤S6，获取所述缺陷区域的面积、重心、长轴、短轴及灰度值，并通过外接矩阵对所述缺陷区域进行显示标识；
步骤S7，通过所述缺陷区域的面积、重心、长轴、短轴及灰度值判断所述缺陷区域是否为裂纹缺陷。
其中，步骤S1、步骤S3、步骤S5均为常用手段，本实施在此不再赘述。本实施例中，首先获得小尺寸芯片的待测图像，由于原始的待测图像存在各种干扰，需要进行预处理，首先对待测图像进行中值滤波，消除图像噪声，从而使图像亮度平缓，图像的质量得到提高；由于小尺寸芯片的图像颜色偏暗，导致图像的对比度不强，背景和目标的灰度级非常的接近，给识别缺陷带来了困难，本实施例进一步对待测图像进行灰度变换增强，可加强背景和目标的对比度，本实施例的灰度变换为分段线性灰度变换，分段线性灰度变换可以拉伸待处理图像的细节，可以抑制图像中的某些细节，因此分段线性灰度变换比线性灰度变换更加灵活。图像分割作为图像识别的最后一步图像处理操作，对于结果是有着很重要的意义，图像分割的目的是将一副图像按照一定的规则进行划分，得到若干互不重叠的区域，分割后的区域中像素点的性质相同。图像二值化是图像分割的一种特殊情况，得到的图像将会只有两个灰度值0和255，从而将得到不同灰度等级的目标区域和背景区域。
待测图像经过滤波、增强、分割等预处理之后，图像所包含的缺陷特征已经得到相应的增强，需要进一步将其识别出来，并做出相应的判断。本实施例中进一步从图像中提取区域各个独立的连通区域。所谓连通域，指在二值化图像像素相同的点组成的集合，这个集合中所有的二个相异的点都可以用集合内的点构成通路。因为二值化图像本身的特殊性，将像素为0的像素点统一看成背景区域，所以二值图像的连通域标记，就是获得所有像素为255的点的连通域，若连通域数目为零，则表明芯片无缺陷，无需进一步判断。常用的连通域标记算法有很多种，如区域增长法、基于游程的标记算法、基于并查集的扫描法等，本实施例采用基于等价对的快速算法，相比常见的8邻域区域增长法，由于8邻域区域增长法经常会出现同一连通域内出现不同的标记值的情况，这个时候再次对整个图像进行扫描会非常耗时，影响整个算法的速度。基于等价对的快速算法可保证不会同一出现连通域标记冲突的情况。
通过连通域标记处理后，可获得待测图像中所有全缺陷的像素点集合，需要提取与缺陷相关的特征，一般可通过多种特征判断图像上一个点是否为缺陷，本实施例通过缺陷区域的面积、重心、长轴、短轴及灰度值来判断，可以直观直接简单的判断缺陷区域是否为裂纹缺陷。缺陷区域的面积是最简单最直接的特征，通过上述连通域标记算法，已将整幅图像的不同区域都进行了相应的标记，缺陷区域的面积计算公式如下：
Figure BDA0002336654930000071
其中，si为在连通域标记为i的缺陷区域面积，(x,y)表示像素点的坐标，Ri为被标记i的所有像素点的几何。
重心的主要作用是描述缺陷相对于全局的位置，缺陷区域内的密度会看成均匀的，统计和分析缺陷所在位置的分布，可以帮助芯片的生产过程的改进和完善，整个缺陷区域的重心是对所有区域内像素的横纵坐标和求平均值，计算公式如下：
Figure BDA0002336654930000081
Figure BDA0002336654930000082
缺陷长轴的作用是计算缺陷的实际长度，计算方式是一条过重心的线，在于边缘相交的时候会得到两个像素点(x1,y1)和(x2,y2)，符合条件的这两点距离最大值，此即为长轴值，公式表示如下(L为长轴)：
Figure BDA0002336654930000083
在获得缺陷区域的面积、重心、长轴、短轴及灰度值后，即可通过缺陷区域的面积、重心、长轴、短轴及灰度值判断缺陷区域是否为裂纹。
传统AOI检测方法包括；图像预处理，包括图像平滑、图像对比度增强、图像分割：获取标准图像；标准图像位置进行校准；标准图像与待测图像进行匹配；把待测图像与标准图像进行减影处理，从而突出待测图像和标准图像的差别；减影运算后，图像即为缺陷图像，不相似的地方即为有可能的缺陷位置；对缺陷位置进行分析，判断缺陷为哪一类。由此可知，传统AOI检测方法需要进行待测图像与标准图像的配准，涉及到待测图像与标准图像的位置矫正，过程繁杂且计算量大，容易引入噪声干扰，且识别的缺陷包括多种，如划痕、毛刺等，还需进一步提取多种缺陷中的裂纹缺陷，进一步增加了识别过程的复杂程度，无法直接简便的识别芯片上的裂纹。本实施例中的小尺寸芯片裂纹检测方法直接通过缺陷区域的面积、重心、长轴、短轴及灰度值判断缺陷区域是否为裂纹，无需进行待测图像与标准图像的配准和位置矫正，也无需进一步识别多种缺陷中的裂纹缺陷，极大的简化了计算过程和计算量，且减少了引入的噪声干扰，提高了检测结果的可靠性。
具体的，如图2所示，步骤S2包括：
步骤S21，设定3×3、5×5、7×7的三个二维窗口；
步骤S22，分别通过3×3二维窗口、5×5二维窗口及7×7二维窗口对所述待测图像进行中值滤波；
步骤S23，从经3×3二维窗口、5×5二维窗口及7×7二维窗口分别滤波后的三个图像中选取一个作为所述待测图像。
一般的，中值滤波窗口越大，抑制噪声的效果就会越好，但同时有效信息的损失也会越大。本实施例在分别通过3×3二维窗口、5×5二维窗口及7×7二维窗口对待测图像进行中值滤波后，发现3×3二维窗口滤波处理速度快，但是效果并不是最好的；采用5x5中值滤波，噪声明显得到了去除，且图像对比度很分明；采用7x7中值滤波，有效信息的丢失非常明显，不适合进行去噪处理。这样本实施例通过上述步骤可从多种中值滤波窗口中挑选效果最好的窗口，可降低有效信息的损失并确保噪声抑制效果。
可选的，所述二维窗口为方形窗口。对于轮廓较长的线物体，一般适合运用方形或者圆形窗口，对于图像中包含尖角的物体，一般适合运用十字形窗口。本实施例的小芯片为线物体，适用于方形窗口。
可选的，如图3所示，步骤S4包括：
步骤S41，计算所述待测图像的平均灰度值并作为初始阈值；
步骤S42，将所述待测图像中灰度值大于所述初始阈值的区域作为目标区域并计算所述目标区域的平均灰度值；
步骤S43，取所述初始阈值与所述目标区域的平均灰度值之间的灰度值计算所述待测图像的类间方差；
步骤S44，将使所述类间方差最大的灰度值作为所述待测图像的分割阈值并根据所述分割阈值对所述待测图像进行图像分割。
传统的最大类间方差法是根据图像灰度特性，将图像分为背景与目标两个部分，背景与目标的类间方差越大，则说明背景与目标之间的差别也越大，如果图像分割过程中部分目标分为背景或者部分背景分为目标都会导致这两部分的类间方差变小。因此，使类间方差越大的分割就意味着误分的概率越小。
对于图像f(x,y)，目标和背景的分割阂值记作t，设属于目标的像素点在整幅图像所占比例为ω0，属于目标的像素点平均灰度为μ0；属于背景的像素在整幅图像所占的比例ω1，它的平均灰度为μl。整幅图像灰度为μ，类间方差为g。设图像大小为M×N，图像的灰度级为l-(L-l)。
图像中所有像素点的灰度值小于阈值t的像素的个数记作N0，所有像素点的灰度值大于阈值t的像素的个数记作N1，则有：
N0+N1＝M×N
ω0+ω1＝1
μ＝ω0*μ0+ω1*μl
则类间方差为：g＝ω0(μ0-μ)2+ω1(μ1-μ)2，将μ＝ω0*μ0+ω1*μl代入该式可得：g＝ω0*ω1*(μ0-μ1)2。
为了得到最优分割阈值，最大类间方差法把目标和背景分为两类，把这两类的类间方差作为判断准则。从l-(L-l)改变阈值t的值，计算类间方差g，把使类间方差值g取得最大的t作为所求的最佳阈值。
由于上述方法是通过搜索整个直方图的每个灰度值来确定最佳的分割阈值，计算量极大。
本实施例中，设图像f(x,y)点(x,y)的灰度值为g(x,y)，像素点总数为N。采用整幅图像的平均灰度值为初始阈值进行分割，则初始阈值T0为：
Figure BDA0002336654930000101
设大于初始阈值To的部分为目标区域A1，小于初始阈值T0的部分为背景区域A2。目标区域的平均灰度值为TA1，则
TA1＝∑∑gA1(x,y)/NA1；
式中，NA1为目标区域A1中的像素总数，gA1(x,y)为经初始阈值T0分割后目标区域A1中各点的灰度值，这样最佳闽值的范围[T0,TA1]就确定了。这样本实施例避免了最大类间方差法采用的搜索整个直方图的每个灰度值来确定最优值的方法，而在最佳阈值范围[T0,TA1]内进行搜索最优阈值，大大的减少了计算量，可以缩短计算量、减少计算时间，达到实现快速检测芯片裂纹的目的。
可选的，如图4所示，步骤S7包括：
步骤S71，计算所述缺陷区域长轴与短轴的长短比，获取所述缺陷区域的最低灰度值、所述缺陷区域灰度值为0的像素个数；
步骤S72，设定以所述缺陷区域重心为圆心的圆形区域并任意划分所述圆形区域，计算所述圆形区域内任意划分区域的长短比，获取所述任意划分区域的最高灰度值及具有最高灰度值的像素点个数；
步骤S73，根据所述缺陷区域的长短比、所述缺陷区域的最低灰度值、所述缺陷区域灰度值为0的像素个数、所述任意划分区域的长短比、所述任意划分区域的最高灰度值及具有最高灰度值的像素点个数判断所述缺陷区域是否为裂纹缺陷。
本实施例中，若所述缺陷区域的长短比在5-20之间、所述缺陷区域的最低灰度值为0、所述缺陷区域灰度值为0的像素个数大于8个、半径小于200的所述任意划分区域的长短比在5-20之间、半径小于200的所述任意划分区域的最高灰度值为255且具有最高灰度值的像素点个数大于8个，则将述缺陷区域为裂纹缺陷。
本实施中，长短比为芯片缺陷分类中重要的一部分，长为缺陷长轴，短轴指的是垂直于过重心且垂直于长轴的直线，与边缘相交两点的长度。本实施例经过大量数据试验后发现，芯片裂纹与缺陷区域的长短比、缺陷区域的最低灰度值、缺陷区域灰度值为0的像素个数、任意划分区域的长短比、任意划分区域的最高灰度值及具有最高灰度值的像素点个数等特征具有关联，实验证明，在缺陷区域的长短比在5-20之间、缺陷区域的最低灰度值为0、缺陷区域灰度值为0的像素个数大于8个、半径小于200的任意划分区域的长短比在5-20之间、半径小于200的任意划分区域的最高灰度值为255且具有最高灰度值的像素点个数大于8个时，则可将缺陷区域确定为裂纹缺陷，准确率达98.6％。
这样本实施例可利用上述步骤通过缺陷区域的面积、重心、长轴、短轴及灰度值判断缺陷区域是否为裂纹，准确率高。
如图5所示，本实施例还提供一种基于计算机视觉的小尺寸芯片裂纹检测系统，包括：
图像获取模块10，用于获取小尺寸芯片的待测图像；
中值滤波模块20，用于对所述待测图像进行中值滤波；
灰度变换模块30，用于对所述待测图像进行灰度变换增强；
图像分割模块40，用于通过最大类间方差法对所述待测图像进行图像分割以获取二值图像；
缺陷标记模块50，用于对所述二值图像进行连通域标记以获取缺陷区域的像素点集合；
特征生成模块60，用于获取所述缺陷区域的面积、重心、长轴、短轴及灰度值，并通过外接矩阵对所述缺陷区域进行显示标识；
裂纹判断模块70，用于通过所述缺陷区域的面积、重心、长轴、短轴及灰度值判断所述缺陷区域是否为裂纹缺陷。
其中，图像获取模块10一般为CCD摄像机。这样本实施例的小尺寸芯片裂纹检测系统直接通过缺陷区域的面积、重心、长轴、短轴及灰度值判断缺陷区域是否为裂纹，无需进行待测图像与标准图像的配准和位置矫正，也无需进一步识别多种缺陷中的裂纹缺陷，极大的简化了计算过程和计算量，且减少了引入的噪声干扰，提高了检测结果的可靠性。
本实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现上述任一项所述的小尺寸芯片裂纹检测方法。
这样本实施例的计算机可读存储介质运行时直接通过缺陷区域的面积、重心、长轴、短轴及灰度值判断缺陷区域是否为裂纹，无需进行待测图像与标准图像的配准和位置矫正，也无需进一步识别多种缺陷中的裂纹缺陷，极大的简化了计算过程和计算量，且减少了引入的噪声干扰，提高了检测结果的可靠性。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，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)

1.一种基于计算机视觉的小尺寸芯片裂纹检测方法，其特征在于，包括：
获取小尺寸芯片的待测图像；
对所述待测图像进行中值滤波；
对所述待测图像进行灰度变换增强；
通过最大类间方差法对所述待测图像进行图像分割以获取二值图像；
对所述二值图像进行连通域标记以获取缺陷区域的像素点集合；
获取所述缺陷区域的面积、重心、长轴、短轴及灰度值，并通过外接矩阵对所述缺陷区域进行显示标识；
通过所述缺陷区域的面积、重心、长轴、短轴及灰度值判断所述缺陷区域是否为裂纹缺陷。
2.如权利要求1所述的基于计算机视觉的小尺寸芯片裂纹检测方法，其特征在于，对所述待测图像进行中值滤波，包括：
设定3×3、5×5、7×7的三个二维窗口；
分别通过3×3二维窗口、5×5二维窗口及7×7二维窗口对所述待测图像进行中值滤波；
从经3×3二维窗口、5×5二维窗口及7×7二维窗口分别滤波后的三个图像中选取一个作为所述待测图像。
3.如权利要求2所述的基于计算机视觉的小尺寸芯片裂纹检测方法，其特征在于，所述二维窗口为方形窗口。
4.如权利要求1所述的基于计算机视觉的小尺寸芯片裂纹检测方法，其特征在于，所述灰度变换为分段线性灰度变换。
5.如权利要求1所述的基于计算机视觉的小尺寸芯片裂纹检测方法，其特征在于，所述通过最大类间方差法对所述待测图像进行图像分割以获取二值图像，包括：
计算所述待测图像的平均灰度值并作为初始阈值；
将所述待测图像中灰度值大于所述初始阈值的区域作为目标区域并计算所述目标区域的平均灰度值；
取所述初始阈值与所述目标区域的平均灰度值之间的灰度值计算所述待测图像的类间方差；
将使所述类间方差最大的灰度值作为所述待测图像的分割阈值并根据所述分割阈值对所述待测图像进行图像分割。
6.如权利要求1所述的基于计算机视觉的小尺寸芯片裂纹检测方法，其特征在于，通过所述缺陷区域的面积、重心、长轴、短轴及灰度值判断所述缺陷区域是否为裂纹缺陷，包括：
计算所述缺陷区域长轴与短轴的长短比，获取所述缺陷区域的最低灰度值、所述缺陷区域灰度值为0的像素个数；
设定以所述缺陷区域重心为圆心的圆形区域并任意划分所述圆形区域，计算所述圆形区域内任意划分区域的长短比，获取所述任意划分区域的最高灰度值及具有最高灰度值的像素点个数；
根据所述缺陷区域的长短比、所述缺陷区域的最低灰度值、所述缺陷区域灰度值为0的像素个数、所述任意划分区域的长短比、所述任意划分区域的最高灰度值及具有最高灰度值的像素点个数判断所述缺陷区域是否为裂纹缺陷。
7.如权利要求6所述的基于计算机视觉的小尺寸芯片裂纹检测方法，其特征在于，根据所述缺陷区域的长短比、所述缺陷区域的最低灰度值、所述缺陷区域灰度值为0的像素个数、所述任意划分区域的长短比、所述任意划分区域的最高灰度值及具有最高灰度值的像素点个数判断所述缺陷区域是否为裂纹缺陷，包括：
若所述缺陷区域的长短比在5-20之间、所述缺陷区域的最低灰度值为0、所述缺陷区域灰度值为0的像素个数大于8个、半径小于200的所述任意划分区域的长短比在5-20之间、半径小于200的所述任意划分区域的最高灰度值为255且具有最高灰度值的像素点个数大于8个，则将述缺陷区域为裂纹缺陷。
8.一种基于计算机视觉的小尺寸芯片裂纹检测系统，其特征在于，包括：
图像获取模块(10)，用于获取小尺寸芯片的待测图像；
中值滤波模块(20)，用于对所述待测图像进行中值滤波；
灰度变换模块(30)，用于对所述待测图像进行灰度变换增强；
图像分割模块(40)，用于通过最大类间方差法对所述待测图像进行图像分割以获取二值图像；
缺陷标记模块(50)，用于对所述二值图像进行连通域标记以获取缺陷区域的像素点集合；
特征生成模块(60)，用于获取所述缺陷区域的面积、重心、长轴、短轴及灰度值，并通过外接矩阵对所述缺陷区域进行显示标识；
裂纹判断模块(70)，用于通过所述缺陷区域的面积、重心、长轴、短轴及灰度值判断所述缺陷区域是否为裂纹缺陷。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1-7任一项所述的方法。
CN201911358896.XA 2019-12-25 2019-12-25 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 Pending CN111179243A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911358896.XA CN111179243A (zh) 2019-12-25 2019-12-25 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911358896.XA CN111179243A (zh) 2019-12-25 2019-12-25 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统

Publications (1)

Publication Number Publication Date
CN111179243A true CN111179243A (zh) 2020-05-19

Family

ID=70652109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911358896.XA Pending CN111179243A (zh) 2019-12-25 2019-12-25 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统

Country Status (1)

Country Link
CN (1) CN111179243A (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882541A (zh) * 2020-07-28 2020-11-03 广州柔视智能科技有限公司 缺陷检测方法、装置、设备及计算机可读存储介质
CN111899228A (zh) * 2020-07-07 2020-11-06 蒋梦兰 瓷器表面裂纹修复鉴定系统
CN112033965A (zh) * 2020-09-07 2020-12-04 大连耐视科技有限公司 基于差分图像分析的3d弧形表面缺陷检测方法
CN112435232A (zh) * 2020-11-23 2021-03-02 南京信息工程大学 一种基于哈尔小波结合图像方差的疵点检测方法
CN112992250A (zh) * 2021-03-09 2021-06-18 江苏半湖智能科技有限公司 一种芯片边缘检测方法及装置
CN113066062A (zh) * 2021-03-25 2021-07-02 北京曲线智能装备有限公司 一种机器人维护检测方法
CN113160154A (zh) * 2021-04-08 2021-07-23 杭州电子科技大学 一种基于机器视觉的五星脚喷漆缺陷的检测方法及系统
CN113238138A (zh) * 2021-03-31 2021-08-10 无锡芯领域微电子有限公司 用于pcie交换芯片的故障检测方法
CN113554604A (zh) * 2021-07-01 2021-10-26 常州大学 一种基于机器视觉的熔喷布缺陷区域检测方法
CN113643233A (zh) * 2021-07-01 2021-11-12 深圳市格灵精睿视觉有限公司 油性涂层检测方法、系统及设备、计算机可读存储介质
CN113688807A (zh) * 2021-10-26 2021-11-23 中科慧远视觉技术(北京)有限公司 一种自适应缺陷检测方法、装置、识别系统及存储介质
CN113822890A (zh) * 2021-11-24 2021-12-21 中科慧远视觉技术(北京)有限公司 一种微裂纹检测方法、装置、系统及存储介质
CN114387223A (zh) * 2021-12-22 2022-04-22 广东正业科技股份有限公司 一种芯片缺陷视觉检测方法及设备
CN114399502A (zh) * 2022-03-24 2022-04-26 视睿（杭州）信息科技有限公司 一种适用于led芯片的外观缺陷检测方法、系统及存储介质
CN114549441A (zh) * 2022-02-14 2022-05-27 中船重工鹏力（南京）智能装备系统有限公司 基于图像处理的吸管缺陷检测方法
CN114705824A (zh) * 2022-03-30 2022-07-05 广州市光铭金属制品有限责任公司 一种金属元件产品缺陷检测方法及系统
CN114812451A (zh) * 2022-04-26 2022-07-29 安徽富乐德长江半导体材料股份有限公司 一种在线晶圆检测装置和控制系统
CN114998313A (zh) * 2022-07-18 2022-09-02 山东海鑫达石油机械有限公司 基于视觉定位的流体输送管管口毛刺识别定位方法
CN114994060A (zh) * 2022-07-15 2022-09-02 君享科技(深圳)有限公司 一种机器视觉下的磁环外观缺陷智能检测系统及方法
CN115018828A (zh) * 2022-08-03 2022-09-06 深圳市尹泰明电子有限公司 一种电子元器件的缺陷检测方法
CN115205223A (zh) * 2022-06-22 2022-10-18 锋睿领创(珠海)科技有限公司 透明物体的视觉检测方法、装置、计算机设备及介质
CN115294134A (zh) * 2022-10-09 2022-11-04 誉隆半导体设备(江苏)有限公司 一种阀门密封面缺陷识别方法
CN115937212A (zh) * 2023-02-08 2023-04-07 成都数之联科技股份有限公司 一种玻璃板裂纹检测方法、装置、设备及介质
CN116051564A (zh) * 2023-04-02 2023-05-02 广东仁懋电子有限公司 芯片封装缺陷检测方法和系统
CN116188498A (zh) * 2023-04-28 2023-05-30 江西科技学院 一种基于计算机视觉的车桥焊接区域检测方法及系统
CN116958171A (zh) * 2023-07-31 2023-10-27 重庆交通大学 集料图像裂纹分割方法、装置、存储介质和程序产品
CN117124139A (zh) * 2023-10-26 2023-11-28 合肥亚明汽车部件有限公司 一种智能机床刀具磨损视觉检测方法
CN117274241A (zh) * 2023-11-17 2023-12-22 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置
TWI839046B (zh) * 2022-12-26 2024-04-11 華邦電子股份有限公司 膜層中的縫隙的檢測方法
CN118115503A (zh) * 2024-04-30 2024-05-31 南通山口精工机电有限公司 基于计算机视觉的微型轴承用球表面缺陷检测方法
CN111882541B (zh) * 2020-07-28 2024-11-12 广州柔视智能科技有限公司 缺陷检测方法、装置、设备及计算机可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353680A (zh) * 2011-07-08 2012-02-15 中国科学院宁波材料技术与工程研究所 小型工件表面缺陷的评估方法以及检测不合格工件的流程
US20130236086A1 (en) * 2012-03-09 2013-09-12 National Applied Research Laboratories Method of Inspecting Chip Defects
US20130235186A1 (en) * 2012-03-09 2013-09-12 National Applied Research Laboratories Apparatus and Method for Inspecting Chip Defects
CN107369136A (zh) * 2017-06-22 2017-11-21 福建省万龙新材料科技有限公司 聚晶金刚石复合片表面裂纹视觉检测方法
CN108573901A (zh) * 2017-03-09 2018-09-25 捷进科技有限公司 裸芯片接合装置及半导体器件的制造方法
CN109299681A (zh) * 2018-09-12 2019-02-01 中国矿业大学(北京) 一种基于支持向量机的煤岩体表面裂纹自动识别方法
CN109507192A (zh) * 2018-11-02 2019-03-22 江苏理工学院 一种基于机器视觉的磁芯表面缺陷检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353680A (zh) * 2011-07-08 2012-02-15 中国科学院宁波材料技术与工程研究所 小型工件表面缺陷的评估方法以及检测不合格工件的流程
US20130236086A1 (en) * 2012-03-09 2013-09-12 National Applied Research Laboratories Method of Inspecting Chip Defects
US20130235186A1 (en) * 2012-03-09 2013-09-12 National Applied Research Laboratories Apparatus and Method for Inspecting Chip Defects
CN108573901A (zh) * 2017-03-09 2018-09-25 捷进科技有限公司 裸芯片接合装置及半导体器件的制造方法
CN107369136A (zh) * 2017-06-22 2017-11-21 福建省万龙新材料科技有限公司 聚晶金刚石复合片表面裂纹视觉检测方法
CN109299681A (zh) * 2018-09-12 2019-02-01 中国矿业大学(北京) 一种基于支持向量机的煤岩体表面裂纹自动识别方法
CN109507192A (zh) * 2018-11-02 2019-03-22 江苏理工学院 一种基于机器视觉的磁芯表面缺陷检测方法

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899228A (zh) * 2020-07-07 2020-11-06 蒋梦兰 瓷器表面裂纹修复鉴定系统
CN111882541B (zh) * 2020-07-28 2024-11-12 广州柔视智能科技有限公司 缺陷检测方法、装置、设备及计算机可读存储介质
CN111882541A (zh) * 2020-07-28 2020-11-03 广州柔视智能科技有限公司 缺陷检测方法、装置、设备及计算机可读存储介质
CN112033965B (zh) * 2020-09-07 2024-02-20 大连耐视科技有限公司 基于差分图像分析的3d弧形表面缺陷检测方法
CN112033965A (zh) * 2020-09-07 2020-12-04 大连耐视科技有限公司 基于差分图像分析的3d弧形表面缺陷检测方法
CN112435232A (zh) * 2020-11-23 2021-03-02 南京信息工程大学 一种基于哈尔小波结合图像方差的疵点检测方法
CN112992250A (zh) * 2021-03-09 2021-06-18 江苏半湖智能科技有限公司 一种芯片边缘检测方法及装置
CN113066062A (zh) * 2021-03-25 2021-07-02 北京曲线智能装备有限公司 一种机器人维护检测方法
CN113238138A (zh) * 2021-03-31 2021-08-10 无锡芯领域微电子有限公司 用于pcie交换芯片的故障检测方法
CN113160154A (zh) * 2021-04-08 2021-07-23 杭州电子科技大学 一种基于机器视觉的五星脚喷漆缺陷的检测方法及系统
CN113160154B (zh) * 2021-04-08 2024-07-02 杭州电子科技大学 一种基于机器视觉的五星脚喷漆缺陷的检测方法及系统
CN113554604B (zh) * 2021-07-01 2024-02-02 常州大学 一种基于机器视觉的熔喷布缺陷区域检测方法
CN113643233A (zh) * 2021-07-01 2021-11-12 深圳市格灵精睿视觉有限公司 油性涂层检测方法、系统及设备、计算机可读存储介质
CN113554604A (zh) * 2021-07-01 2021-10-26 常州大学 一种基于机器视觉的熔喷布缺陷区域检测方法
CN113643233B (zh) * 2021-07-01 2024-05-24 深圳市格灵精睿视觉有限公司 油性涂层检测方法、系统及设备、计算机可读存储介质
CN113688807A (zh) * 2021-10-26 2021-11-23 中科慧远视觉技术(北京)有限公司 一种自适应缺陷检测方法、装置、识别系统及存储介质
CN113822890A (zh) * 2021-11-24 2021-12-21 中科慧远视觉技术(北京)有限公司 一种微裂纹检测方法、装置、系统及存储介质
CN114387223A (zh) * 2021-12-22 2022-04-22 广东正业科技股份有限公司 一种芯片缺陷视觉检测方法及设备
CN114387223B (zh) * 2021-12-22 2024-04-26 广东正业科技股份有限公司 一种芯片缺陷视觉检测方法及设备
CN114549441A (zh) * 2022-02-14 2022-05-27 中船重工鹏力（南京）智能装备系统有限公司 基于图像处理的吸管缺陷检测方法
CN114399502A (zh) * 2022-03-24 2022-04-26 视睿（杭州）信息科技有限公司 一种适用于led芯片的外观缺陷检测方法、系统及存储介质
CN114705824A (zh) * 2022-03-30 2022-07-05 广州市光铭金属制品有限责任公司 一种金属元件产品缺陷检测方法及系统
CN114812451A (zh) * 2022-04-26 2022-07-29 安徽富乐德长江半导体材料股份有限公司 一种在线晶圆检测装置和控制系统
CN115205223A (zh) * 2022-06-22 2022-10-18 锋睿领创(珠海)科技有限公司 透明物体的视觉检测方法、装置、计算机设备及介质
CN115205223B (zh) * 2022-06-22 2023-03-14 锋睿领创(珠海)科技有限公司 透明物体的视觉检测方法、装置、计算机设备及介质
CN114994060A (zh) * 2022-07-15 2022-09-02 君享科技(深圳)有限公司 一种机器视觉下的磁环外观缺陷智能检测系统及方法
CN114994060B (zh) * 2022-07-15 2022-11-15 君享科技(深圳)有限公司 一种机器视觉下的磁环外观缺陷智能检测系统及方法
CN114998313A (zh) * 2022-07-18 2022-09-02 山东海鑫达石油机械有限公司 基于视觉定位的流体输送管管口毛刺识别定位方法
CN115018828A (zh) * 2022-08-03 2022-09-06 深圳市尹泰明电子有限公司 一种电子元器件的缺陷检测方法
CN115294134A (zh) * 2022-10-09 2022-11-04 誉隆半导体设备(江苏)有限公司 一种阀门密封面缺陷识别方法
TWI839046B (zh) * 2022-12-26 2024-04-11 華邦電子股份有限公司 膜層中的縫隙的檢測方法
CN115937212A (zh) * 2023-02-08 2023-04-07 成都数之联科技股份有限公司 一种玻璃板裂纹检测方法、装置、设备及介质
CN115937212B (zh) * 2023-02-08 2023-05-09 成都数之联科技股份有限公司 一种玻璃板裂纹检测方法、装置、设备及介质
CN116051564A (zh) * 2023-04-02 2023-05-02 广东仁懋电子有限公司 芯片封装缺陷检测方法和系统
CN116188498A (zh) * 2023-04-28 2023-05-30 江西科技学院 一种基于计算机视觉的车桥焊接区域检测方法及系统
CN116958171A (zh) * 2023-07-31 2023-10-27 重庆交通大学 集料图像裂纹分割方法、装置、存储介质和程序产品
CN117124139B (zh) * 2023-10-26 2024-01-09 合肥亚明汽车部件有限公司 一种智能机床刀具磨损视觉检测方法
CN117124139A (zh) * 2023-10-26 2023-11-28 合肥亚明汽车部件有限公司 一种智能机床刀具磨损视觉检测方法
CN117274241A (zh) * 2023-11-17 2023-12-22 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置
CN117274241B (zh) * 2023-11-17 2024-02-09 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置
CN118115503A (zh) * 2024-04-30 2024-05-31 南通山口精工机电有限公司 基于计算机视觉的微型轴承用球表面缺陷检测方法

Similar Documents

Publication Publication Date Title
CN111179243A (zh) 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统
CN108629775B (zh) 一种热态高速线材表面图像处理方法
CN110119741B (zh) 一种有背景的卡证图像信息识别方法
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN107784669A (zh) 一种光斑提取及其质心确定的方法
CN109472271B (zh) 印刷电路板图像轮廓提取方法及装置
CN110210477B (zh) 一种数字式仪表读数识别方法
CN111415363A (zh) 一种图像边缘识别方法
CN112233116B (zh) 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN116433666B (zh) 板卡线路缺陷在线识别方法、系统、电子设备及存储介质
CN115908415B (zh) 基于边缘的缺陷检测方法、装置、设备及存储介质
CN105718931B (zh) 用于确定采集图像中的杂斑的系统和方法
CN113298769B (zh) Fpc软排线外观缺陷检测方法、系统和介质
CN110070523B (zh) 一种用于瓶底的异物检测方法
CN112991283A (zh) 基于超像素的柔性ic基板线宽检测方法、介质和设备
CN113283439B (zh) 基于图像识别的智能计数方法、装置及系统
CN116485764A (zh) 一种结构表面缺陷识别方法、系统、终端及介质
CN111915635A (zh) 支持自阅卷的试题解析信息生成方法及系统
CN118014933A (zh) 一种基于图像检测的缺陷检测识别方法和装置
CN115661110B (zh) 一种透明工件识别与定位的方法
CN112419207A (zh) 一种图像矫正方法及装置、系统
CN108898584B (zh) 一种基于图像分析的全自动贴面电容装焊极性判别方法
CN113284158B (zh) 一种基于结构约束聚类的图像边缘提取方法及系统
JPH06103275B2 (ja) 外観検査による欠陥抽出方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200519

RJ01 Rejection of invention patent application after publication