CN106920219B - 物品缺陷检测方法、图像处理***与计算机可读记录介质 - Google Patents

物品缺陷检测方法、图像处理***与计算机可读记录介质 Download PDF

Info

Publication number
CN106920219B
CN106920219B CN201610088343.7A CN201610088343A CN106920219B CN 106920219 B CN106920219 B CN 106920219B CN 201610088343 A CN201610088343 A CN 201610088343A CN 106920219 B CN106920219 B CN 106920219B
Authority
CN
China
Prior art keywords
block
test
image
sub
blocks
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
CN201610088343.7A
Other languages
English (en)
Other versions
CN106920219A (zh
Inventor
简澔宇
许展豪
应宗桦
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.)
Lijing Jicheng Electronic Manufacturing Co Ltd
Original Assignee
Powerchip Technology Corp
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 Powerchip Technology Corp filed Critical Powerchip Technology Corp
Publication of CN106920219A publication Critical patent/CN106920219A/zh
Application granted granted Critical
Publication of CN106920219B publication Critical patent/CN106920219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • 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
    • G06T2207/20072—Graph-based image processing
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种物品缺陷检测方法、图像处理***与计算机可读记录介质。此方法包括下列步骤。接收待测物品的测试图像及参考图像。取得测试图像中的测试区块，并且自参考图像中取得对应的参考区块，以分别产生测试区块图像及参考区块图像。将测试区块图像及参考区块图像分割为多个子区块。再识别及滤除干扰的子区块，以产生已滤除测试区块图像及已滤除参考区块图像，进而取得偏移校正参数，以校正测试图像中的测试区块，从而取得已校正测试区块图像。将已校正测试区块图像与参考区块图像进行比较，以取得待测物品对应于测试区块的缺陷信息。

Description

物品缺陷检测方法、图像处理***与计算机可读记录介质
技术领域
本发明涉及一种物品缺陷检测技术。
背景技术
计算机视觉以及图像识别技术已广泛地应用于工业生产以及传统制造业以适应产业自动化以及精密化的需求，其借助于视觉图像的处理程序，达到有效的质量管控，以改善过程以及降低制造成本。
举例来说，在晶片的制造过程中，往往会因为设备、环境以及人为的因素而造成晶片表面缺陷。目前针对晶片表面缺陷进行检测的方式主要是借助于图像捕获设备来获取晶片表面的图像，并将其与参考图像(Reference Image)中的各个区块来进行特征比较，从而取得晶片表面上的缺陷信息。现行方法主要是先利用两个对应区块的图像相减得到的差值图像(Difference Image)，再比较差值图像中的像素灰阶值是否大于所设定的阈值来判定。然而，当获取到的图像产生色差、色偏、亮度不均或是噪声干扰等情况时，会使得与参考图像进行比较时，产生多余的假缺陷，还会导致无法与参考图像准确地迭合进行比较。
发明内容
有鉴于此，本发明提供一种物品缺陷的检测方法及其图像处理***与计算机可读记录介质，其可借助于图像预处理程序(Image Pre-processing)来降低物品缺陷检测的误判率。
本发明提出一种物品缺陷检测方法，适用于图像处理***，此方法包括下列步骤。首先，接收待测物品的测试图像以及参考图像。接着，取得测试图像中的测试区块，并且自参考图像中取得对应于测试区块的参考区块，以分别产生测试区块图像以及参考区块图像。分别将测试区块图像以及参考区块图像分割为多个测试子区块以及多个参考子区块，其中各个测试子区块对应于各个参考子区块。之后，将上述测试子区块与上述参考子区块进行比较，以自上述测试子区块以及上述参考子区块中识别出任何干扰测试子区块以及任何干扰参考子区块，其中各个干扰测试子区块不相似于任何干扰参考子区块，各个干扰参考子区块不相似于任何干扰测试子区块。接着，自测试区块图像中滤除干扰测试子区块以及对应于干扰参考子区块的测试子区块，以产生已滤除测试区块图像，并且自参考区块图像中滤除干扰参考子区块以及对应于干扰测试子区块的参考子区块，以产生已滤除参考区块图像。之后，根据已滤除测试区块图像以及已滤除参考区块图像，取得偏移校正参数，再根据偏移校正参数，校正测试图像中的测试区块，以取得已校正测试区块图像。接着，将已校正测试区块图像与参考区块图像进行比较，据以取得待测物品中对应于测试区块的缺陷信息。
本发明提出一种图像处理***，包括存储单元以及至少一处理单元，其中处理单元耦接存储单元。存储单元用以记录多个模块。处理单元用以存取并执行存储单元中记录的模块，其中上述模块包括图像接收模块、区块采样模块、区块比较模块、区块滤除模块、图像校正模块以及缺陷检测模块。图像接收模块用以接收待测物品的测试图像以及参考图像。区块采样模块用以自测试图像中取得测试区块，并且自参考图像中取得对应于测试区块的参考区块，以分别产生测试区块图像以及参考区块图像。区块比较模块用以分别将测试区块图像以及参考区块图像分割为多个测试子区块以及多个参考子区块，并且将上述测试子区块与上述参考子区块进行比较，以自上述测试子区块以及上述参考子区块中识别出任何干扰测试子区块以及任何干扰参考子区块，其中各个测试子区块对应于各个参考子区块，各个干扰测试子区块不相似于任何干扰参考子区块，各个干扰参考子区块不相似于任何干扰测试子区块。区块滤除模块用以自测试区块图像中滤除上述干扰测试子区块以及对应于上述干扰参考子区块的测试子区块，以产生已滤除测试区块图像，并且自参考区块图像中滤除上述干扰参考子区块以及对应于上述干扰测试子区块的参考子区块，以产生已滤除参考区块图像。图像校正模块用以根据已滤除测试区块图像以及已滤除参考区块图像，取得偏移校正参数，并且根据偏移校正参数，校正测试图像中的测试区块，以取得已校正测试区块图像。缺陷检测模块用以将已校正测试图像与参考图像进行比较，据以取得待测物品中对应于测试区块的缺陷信息。
本发明还提供一种计算机可读记录介质，存储计算机程序，其用以执行上述物品缺陷检测方法的各个步骤。
基于上述，本发明所提出的物品缺陷检测方法及其图像处理***与计算机可读记录介质，其可在针对测试图像与参考图像进行比较之前，校正测试图像中所偏移的测试区块，以利于与参考图像中对应的区块进行比较，减少误判率。
为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合附图作详细说明如下。
附图说明
图1是根据本发明一实施例所绘示的图像处理***的框图。
图2为根据本发明的一实施例所绘示的物品缺陷检测方法的流程图。
图3A为根据本发明的一实施例所绘示的待校正区域的定义方法的流程图。
图3B为根据本发明的一实施例所绘示的待校正区域的定义方法的示意图。
图4A为根据本发明的一实施例所绘示的干扰测试子区块以及干扰参考子区块的识别方法的示意图。
图4B为根据本发明的一实施例所绘示的检测待测物品的缺陷的流程示意图。
图5为根据本发明的一实施例所绘示的物品缺陷检测方法的功能框图。
附图标记列表
100：图像处理***
10：存储单元
110：图像接收模块
120：区块采样模块
130：区块比较模块
140：区块滤除模块
150：图像校正模块
160：缺陷检测模块
20：处理单元
S202～S216：物品缺陷检测方法的流程
S302～S306：测试区域定义方法的流程
300A：测试图像
300B：参考图像
301a～304a：随机测试区块
301b～304b：随机参考区块
H1a、H1b、H4a、H4b：图像直方图
H1avg、H4avg：平均图像直方图
300R1：偏移区域
300R2：非偏移区域
400a：测试区块图像
400b：参考区块图像
401a～425a：测试子区块
401b～425b：参考子区块
401aH～425aH：测试区块图像直方图
401bH～425bH：参考区块图像直方图
Ta1～Ta5：测试群组
Rb1、Rb2：参考群组
400a’：已滤除测试区块图像
400b’：已滤除参考区块图像
Ts：偏移校正测试区块图像
R：参考区块图像
Tsb：模糊化偏移校正测试区块图像
Rb：模糊化参考区块图像
Ts+(Tsb–Rb)：已校正测试区块图像
[Ts+(Tsb–Rb)]–R：差值图像
500A：测试图像
500B：参考图像
510：区块采样阶段
511～514：区块采样阶段的流程
520：偏移校正阶段
521～526：偏移校正阶段的流程
500A’：偏移校正测试图像
530：亮度与色彩校正阶段
521～532：亮度与色彩校正阶段的流程
500AT：已校正测试图像
540：常态比较阶段
RT：缺陷检测结果
具体实施方式
本发明的部分实施例接下来将会配合附图来详细描述，以下的描述所引用的组件符号，当不同附图出现相同的组件符号将视为相同或相似的组件。这些实施例只是本发明的一部分，并未揭示所有本发明的可实施方式。更确切地说，这些实施例只是本发明的权利要求中的装置与方法的示例。
图1是根据本发明一实施例所绘示的图像处理***的框图，但此仅是为了方便说明，并不用以限制本发明。首先图1先介绍图像处理***的所有构件以及配置关系，详细功能将配合图2一并揭露。
请参照图1，图像处理***100包括存储单元10以及至少一处理单元20。图像处理***100例如可以是个人计算机、笔记本电脑、平板计算机、服务器计算机等具有运算功能的电子装置，或者是数字相机、扫描仪、智能手机等同时具有图像获取功能以及运算功能的电子装置，本发明不在此设限。
存储单元10例如可以是任意形式的固定式或可移动式随机存取存储器(RandomAccess Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、硬盘、其他类似装置或是这些装置的组合。在本实施例中，存储单元10用以记录可加载并且由处理单元20执行的多个模块。这些模块包括图像接收模块110、区块采样模块120、区块比较模块130、区块滤除模块140、图像校正模块150以及缺陷检测模块160，其例如是存储在存储单元10中的程序，可加载图像处理***100的处理单元20，而对物品进行缺陷检测。
处理单元20例如可以是中央处理单元(Central Processing Unit，CPU)，或是其他可编程的一般用途或特殊用途的微处理器(Microprocessor)、数字信号处理器(DigitalSignal Processor，DSP)、可编程控制器、专用集成电路(Application SpecificIntegrated Circuits，ASIC)、可编程逻辑设备(Programmable Logic Device，PLD)或其他类似装置或这些装置的组合。处理单元20可存取以及执行记录于存储单元10的模块以对物品进行缺陷检测。
必须说明的是，在其它实施例中，上述模块并不限定存储于存储单元10中，而还可以是全部或部分以硬件、软件或固件或其组合来实现。举例而言，硬件模块可以机械、电子、光学、电磁或任何实体连接来耦接至另一模块。软件模块可借助于功能、程序、方法、子程序、或子例程调用、跨接、链接、参数、变量与自变量传递、功能转回等来耦接至另一模块。软件模块可耦接至另一模块来接收变量、参数、自变量、指标等，及/或产生或传递结果、更新变量、指针等。固件模块可借助于任何上述硬件与软件耦接方法的组合来耦接至另一模块。硬件、软件或固件模块可耦接至任何另一硬件、软件或固件模块。
图2为根据本发明的一实施例所绘示的物品缺陷检测方法的流程图，而图2的方法可以图1的图像处理***100的各组件实现。在以下的实施例中将以晶片表面缺陷的检测进行说明，然而此流程也适用于其它物品或产品缺陷的检测，本发明不在此设限。
请同时参照图1以及图2，首先，图像处理***100的图像接收模块110接收待测物品的测试图像以及参考图像(步骤S202)。在此，测试图像为自待检测的物品所获取的图像，而参考图像为实质上不具有缺陷并且与待测物品为相同物品的图像。然而，在其它实施例中，参考图像也可以是该待测物品在其它指定状态下所呈现的图像以供测试图像作为参考比较，本发明不在此设限。
在本实施例中，测试图像可以是自待检测的晶片所获取的图像，而参考图像为实质上不具有缺陷的晶片的图像。参考图像可以预先存储于存储单元10中。假设图像处理***100具有图像获取功能时，图像接收模块110可直接接收来自图像获取模块(未绘示)所获取到的测试图像后，由其它模块接续地进行物品缺陷的检测。假设图像处理***100不具有图像获取功能时，图像接收模块110可以无线或有线传输的方式取得测试图像后，其它模块再接续地进行物品缺陷的检测。
一般而言，目前针对晶片表面缺陷进行检测的方式主要是走访(iterate)测试图像以及参考图像中的各个区块进行比较，借助于比较上的差异获取芯片上的缺陷信息。然而，当获取到的图像产生偏移、亮度色彩不均等噪声干扰时，往往会提高晶片表面缺陷的误判率。因此，在进行特征比较之前，图像处理***100将针对测试图像进行图像校正，以消除上述影响特征比较的噪声。
在此，图像处理***100可先解决图像偏移(Image Shift)的问题。区块采样模块120将自测试图像中取得测试区块，以及自参考图像中取得对应于测试区块的参考区块，以分别产生测试区块图像以及参考区块图像(步骤S204)。详言之，区块采样模块120可将自测试图像中所取得的其中一个区块作为“测试区块”，并且自参考图像中选取与测试区块具有相同图像坐标的区块作为参考区块。在后续的步骤中将会针对测试区块以及参考区块的图像进行图像处理，而在此测试区块的图像以及参考区块的图像则是分别为前述所定义的“测试区块图像”以及“参考区块图像”。
在一实施例中，区块采样模块120可将测试图像中的一个默认区域作为测试区域。此默认区域可以是测试物品在生产过程中统计出固定产生噪声的局部区域。
在另一实施例中，区块采样模块120还可以一种较有效率的方式完成全幅测试图像的校正，其方法是先自动地定义出测试图像的待校正区域，而此待校正区域则包括多个待校正的测试区块。详言之，图3A为根据本发明的一实施例所绘示的待校正区域定义方法的流程图。
请参照图3A，首先，区块采样模块120将自测试图像中随机采样(RandomSampling)多个随机测试区块(步骤S302)。接着，区块采样模块120将判断每一随机测试区块是否偏移(步骤S304)，并且根据判断结果，以自动分类器自测试图像中划分出包括多个待测试区块的待校正区域(步骤S306)。详细来说，区块采样模块120将先自参考图像中取得对应于各个随机测试区块的区块(在此定义为“随机参考区块”)，并且将根据各个随机测试区块与其所对应的随机参考区块中的图像直方图来判断是否偏移。接着，区块采样模块120可根据上述的判定结果，利用自动分类器(Classifier)自测试图像中划分出偏移区域以及非偏移区域，其中偏移区域即为测试图像中包含多个测试区块的待校正区域。此外，区块采样模块120还可将判定结果存储至分类器的训练数据库中，用以训练分类器。
在本实施例中是采用支持向量机(Support Vector Machines，SVM)分类器，其是以一种监督式学习(Supervised Learning)的方式进行数据分群，以根据各个随机测试区块是否偏移，来针对整张测试图像划分出偏移区域以及非偏移区域。在其它实施例中，也可利用其它分类器来进行数据分群，本发明不在此设限。
具体来说，图3B为根据本发明的一实施例所绘示的待校正区域的定义方法的示意图。
请参照图3B，区块采样模块120自测试图像300A中随机采样随机测试区块301a～304a，并且自参考图像300B中取得对应于随机测试区块301a～304a的随机参考区块301b～304b。接着，区块采样模块120可先取得各个随机测试区块301a～304a以及各个随机参考区块301b～304b的像素值分布，并且分别计算每一随机测试区块及其所对应的随机参考区块的平均像素值分布，再判断平均像素值分布是否相似于随机测试区块的像素值分布或是随机参考区块的像素值分布，据以判定随机测试区块是否偏移。
举例来说，区块采样模块120可判断出随机测试区块301a及其所对应的随机参考区块301b的平均图像直方图H1avg与随机测试区块301a的像素值直方图H1a或者是随机参考区块301b的图像直方图H1b相似，因此则判定随机测试区块301a未偏移。以另一观点来看，在没有图像偏移的情况下，像素值直方图H1a与像素值直方图H1b的分布实质上相同。因此，当像素值直方图H1a与像素值直方图H1b迭合时，代表两个区块的像素值的分布区域实质上重迭。另一方面，区块采样模块120可判断出随机测试区块304a及其所对应的随机参考区块304b的平均图像直方图H4avg与随机测试区块304a的图像直方图H4a或者是随机参考区块304b的图像直方图H4b皆不相似，因此则判定随机测试区块304a为偏移。
区块采样模块120在判定出随机测试区块301a、302a为偏移以及随机测试区块303a、304a未偏移后，可利用SVM分类器自原测试图像300a中划分出偏移区域300R1以及非偏移区域300R2，其中偏移区域300R1即为测试图像300A中待校正的目标区域。
请再参照图2，区块采样模块120将根据取得的测试区块图像以及其对应的参考区块图像来作为偏移校正值的取得来源。然而，若是测试区块图像发生局部色差时，则会干扰图像偏移的校正。因此，区块比较模块130将要先识别并且移除此区块图像内的局部色差后，才会针对测试区块图像以及参考区块图像进行偏移校正值的取得。
详细来说，区块比较模块130先将测试区块图像以及参考区块图像分割为多个测试子区块以及多个参考子区块(步骤S206)，再将上述测试子区块与上述参考子区块进行比较，以自上述测试子区块以及上述参考子区块中分别识别出任何干扰测试子区块以及任何干扰参考子区块(步骤S208)。在此，区块采样模块120可以以矩阵分割的方式将测试区块图像以及参考区块图像切割为多个相等大小的小区块，而两张图像皆有相互对应的小区块。也就是说，各个测试子区块皆有与其对应的参考子区块，而区块比较模块130将会借助于相互对应的子区块来识别参考区块以及测试区块中干扰图像偏移校正的子区块(即为前述的“干扰测试子区块”以及“干扰参考子区块”)，而识别的方式可以是利用测试子区块以及参考子区块内所有像素值的分布。
当两张图像的拍摄主体相同，而其中一张图像偏移时，两张图像的像素分布的形状仍会极为相似。然而，当其中一张图像具有严重色差时，两张图像局部的像素分布将会有所差异。基于此，区块比较模块130可借助于测试子区块以及参考子区块的图像直方图定义出干扰测试子区块以及干扰参考子区块。
从一观点来看，干扰测试子区块的像素值分布将不会与任何参考子区块的像素值分布相似。从另一观点来看，干扰参考区块的像素分布也不会与任何测试子区块的像素分布相似。然而，逐一地针对各个测试子区块与其对应的参考子区块进行比较将会耗费过多的时间，因此在本实施例中，区块比较模块130可利用各个子区块的像素值分布来进行分群，以加速干扰测试子区块以及干扰测试子区块的识别。
在此，区块比较模块130在取得各个测试子区块以及参考子区块的图像直方图(分别定义为“测试子区块图像直方图”以及“参考子区块图像直方图”)后，可分析各个图像直方图的特征，并且依照相似度来将测试子区块分布以及参考子区块分布进行分群，以分别产生多个测试群组以及多个参考群组。接着，区块比较模块130再将不同于任一参考群组的测试群组所对应的测试子区块设定为干扰测试子区块，以及将不同于任一测试群组的参考群组所对应的参考子区块设定为干扰参考子区块。以数学上而论，假设Ts定义为测试子区块的集合，并且Rs定义为参考子区块的集合，则所有的干扰子区块可以下列数学式来表示：
RsΔTs＝(Rs∪Ts)–(Rs∩Ts)
其中∪表示并集(Union)，∩表示交集(Intersect)，而Δ表示对称差(SymmetricDifference)。换言之，所有的干扰子区块RsΔTs仅能属于其中一个集合，而不能同时属于两个集合。
具体来说，图4A为根据本发明的一实施例所绘示的干扰测试子区块以及干扰参考子区块的识别方法的示意图。
请参照图4A，区块比较模块130将分割测试区块图像400a以及参考区块图像400b为测试子区块401a～425a以及参考子区块401b～425b，并且取得测试子区块401a～425a的图像直方图(在此定义为“测试子区块图像直方图”401aH～425aH以及“参考子区块图像直方图”401bH～425bH)。接着，区块比较模块130可分析直方图的特征，并且依照相似度来将测试子区块图像直方图401aH～425aH以及参考子区块图像直方图401bH～425bH进行分群。在本实施例中，测试子区块图像直方图401aH～425aH可为五个群组，即测试群组Ta1～Ta5；参考区块图像直方图401bH～425bH可为两个群组，即参考群组Rb1以及Rb2。
区块比较模块130将会分析出测试群组Ta3、Ta4以及Ta5并不相似于参考子区块图像直方图301bH～325bH所分群出来的群组Rb1以及Rb2。因此，区块比较模块130会将测试群组Ta3、Ta4以及Ta5所对应的测试子区块411a～412a、416a～418a、421a～424a设定为干扰测试子区块。另一方面，在此实施例中，并不存在干扰参考子区块。
请再参照图2，区块比较模块130在识别出所有的干扰测试子区块以及干扰参考子区块后，区块滤除模块140将自测试区块图像滤除干扰测试子区块以及对应于干扰参考子区块的测试子区块，以产生已滤除测试区块图像，并且自参考区块图像滤除干扰参考子区块以及对应于干扰测试子区块的参考子区块，以产生已滤除参考区块图像(步骤S210)。详言之，以测试区块图像来说，区块滤除模块140除了要滤除所识别出的干扰测试子区块之外，还要滤除测试区块图像中所有对应于干扰参考子区块的测试子区块。同样地，以参考区块图像来说，区块滤除模块140除了要滤除所识别出的干扰参考子区块之外，还要滤除参考区块图像中所有对应于干扰测试子区块的参考子区块。据此，区块滤除模块140在针对测试区块图像以及参考区块图像执行完滤除程序后，所产生的已滤除测试区块图像与已滤除参考区块图像中仅将保留后续可作为图像偏移比较用的子区块。
具体来说，以图4A为例，区块比较模块130在图4A将测试子区块411a～412a、416a～418a、421a～424a设定为干扰测试子区块后，区块滤除模块140将会把测试区块图像400a中的干扰测试子区块以及参考区块图像400b中对应于干扰测试子区块的参考子区块411b～412b、416b～418b、421b～424b滤除，以分别产生已滤除测试区块图像400a’以及已滤除参考区块图像400b’。
接着，图像校正模块150将根据已滤除测试区块图像以及已滤除参考区块图像，利用图像特征比较法(Feature-based Image Matching)取得偏移校正参数(步骤S212)，并且根据偏移校正参数，校正测试图像中的测试区块，以取得已校正测试图像(步骤S214)。详言之，图像校正模块150可根据特征的比较将已滤除测试区块图像与已滤除参考区块图像对齐(Image Alignment)。图像校正模块150为了使两张图像得以重迭而针对已滤除测试区块图像所需补偿的值，即为偏移校正参数。换言之，图像校正模块150所取得的偏移校正参数即为已滤除测试区块图像相对于已滤除参考区块图像的偏移值。接着，图像校正模块150可进而利用偏移校正参数对测试区块进行校正。
在一实施例中，图像校正模块150可在执行校正程序前，先针对滤除测试图像以及滤除参考图像进行模糊化处理以及二值化处理，以取得更为准确的偏移校正参数。
详细来说，图像校正模块150可先针对滤除测试图像以及滤除参考图像分别执行模糊化处理，以减少图像噪声以及降低细节层次，而保留图像整体的分布特征。在本实施例中，图像校正模块150可以利用高斯模糊滤波器(Gaussian Blur Filter)等低通滤波器(Low-pass Filter)来执行模糊化处理，然而本发明不在此设限。在此将模糊化的滤除测试图像以及滤除参考图像分别定义为“模糊化测试图像”以及“模糊化参考图像”。
接着，图像校正模块150还可进一步地针对模糊化测试图像以及模糊化参考图像分别执行二值化处理，以消除不必要被检视的噪声，以加速进行特征的比较。在此将二值化的滤除测试图像以及滤除参考图像分别定义为“二值化测试图像”以及“二值化参考图像”。在此，图像校正模块150可利用二值化测试图像以及二值化参考图像来取得偏移校正参数，而根据两张图像取得偏移校正参数的方式请参照前述相关说明，于此不再赘述。
在本实施例中，图像校正模块150在取得已校正测试区块图像后，缺陷检测模块160将已校正测试区块图像与参考区块图像进行比较，据以取得待测物品中对应于测试区块的缺陷信息(步骤S216)。缺陷检测模块160可利用各种比较的方式来判断已校正测试区块图像与参考区块图像之间是否存在差异，从而检测出待测物品的缺陷。举例来说，缺陷检测模块160可判断已校正测试区块图像的每一像素与其在参考区块图像所对应的像素之间的差值是否大于检测阈值。若是，则代表该像素为缺陷信号，缺陷检测模块160可判定待测物品于测试区块存在缺陷。此外，缺陷检测模块160还可借助于已校正测试区块图像中与参考区块图像具有差异的像素，利用其图像坐标来定位出待测物品于测试区块中的缺陷所在位置。
必须说明的是，上述流程虽然仅针对测试图像中的测试区块进行检测，其也适用于测试图像中待校正区域的其它测试区块，以完成全幅测试图像的校正。其它测试区块的校正方式以及缺陷定位方式可参照相关说明，于此不再赘述。然而，在另一实施例中，图像校正模块150可直接利用一个测试区块的偏移校正参数校正包括多个测试区块的整个待校正区域，以加速校正的程序。具体来说，图像校正模块150以区块采样模块120自图像偏移的区域所采样出的区块来估测偏移校正参数，进而对整个图像偏移的区域进行偏移校正。
在一实施例中，基于图像偏移往往伴随着图像色彩亮度的不均，图像校正模块150可在根据偏移校正参数，校正测试图像中的待校正区域后，更进一步地针对整张校正后的测试图像进行色彩与亮度的校正。以下同样将以其中的一个区块图像的角度来进行描述，其它区块图像可以相同的校正方式类推。
详细来说，在此先将测试图像中的测试区块经过校正后所产生的图像定义为“偏移校正测试区块图像”。图像校正模块150可先针对偏移校正测试区块图像以及参考区块图像进行模糊化处理，以分别产生模糊化偏移校正测试区块图像以及模糊化参考区块图像，从而减少图像中的噪声。在此，图像校正模块150也可以利用高斯模糊滤波器等低通滤波器来执行模糊化处理，然而本发明不在此设限。
接着，图像校正模块150可利用模糊化偏移校正测试区块图像的像素值与模糊化参考区块图像的对应的像素值之间的差值，针对模糊化偏移校正测试区块图像进行色彩与亮度校正。以数学上而论，假设Ts以及Tsb分别定义为偏移校正测试区块图像以及模糊化偏移校正测试区块图像，Rb定义为模糊化参考区块图像，则(Tsb–Rb)可代表色彩与亮度校正参数，而经过色彩与亮度校正后的模糊化偏移校正测试区块图像可以表示为Ts+(Tsb–Rb)。在此实施例中，经过色彩与亮度校正后的模糊化偏移校正测试区块图像则将会被图像校正模块150设定为已校正测试区块图像，并且缺陷检测模块160则会将已校正测试区块图像与参考区块图像进行比较，据以检测出待测物品于测试区块中的缺陷。
具体来说，图4B为根据本发明的一实施例所绘示的检测待测物品的缺陷的流程示意图，其中此流程是测试图像的待校正区域经由校正参数校正后所接续的步骤。
请参照图4B，图像校正模块150在取得偏移校正测试区块图像Ts后，图像校正模块150可先针对偏移校正测试区块图像Ts以及参考区块图像R进行模糊化处理，以分别产生模糊化偏移校正测试区块图像Tsb以及模糊化参考区块图像Rb，以减少图像中的噪声。接着，图像校正模块150可利用模糊化偏移校正测试区块图像Tsb的像素值与模糊化参考区块图像Rb的对应的像素值之间的差值(Tsb–Rb)，针对模糊化偏移校正测试区块图像进行色彩与亮度校正，而得到色彩与亮度校正后的模糊化偏移校正测试区块图像Ts+(Tsb–Rb)，其也为前述的已校正测试区块图像。在此示例中，缺陷检测模块160则会计算已校正测试区块图像Ts+(Tsb–Rb)与参考区块图像R之间的差值，从而得到差值图像[Ts+(Tsb–Rb)]–R。之后，缺陷检测模块160可判定差值图像[Ts+(Tsb–Rb)]–R中像素值大于检测阈值的像素为缺陷信号，进而定位出待测物品缺陷的所在位置。
前述的物品缺陷检测方法可利用图5依据本公开一实施例所绘示的功能框图来表示。
请参照图5，首先，在接收测试图像500A以及参考图像500B，可以分为四个阶段：区块采样阶段510、偏移校正阶段520、亮度与色彩校正阶段530以及常态比较阶段540。
在区块采样阶段510中，先自测试图像500A中采样多个随机测试区块511，并且判断各个随机测试区块是否偏移512。区块采样模块120除了将判断结果存储在分类器的数据库513，以训练分类器外，还根据判断结果自测试图像500A中划分出待校正区域514。
在偏移校正阶段520，先自测试图像500A的测试区域中采样一个测试区块，并且自参考图像500B取得与其对应的参考区块，再分别将测试区块以及参考区块进行矩阵分割，以产生多个测试子区块以及多个参考子区块521。接着，将分析各个测试子区块以及各个参考子区块522，以滤除干扰测试子区块以及干扰参考子区块523，即可产生已滤除测试区块图像以及已滤除参考区块图像524。之后，在针对已滤除测试区块图像以及已滤除参考区块图像进行模糊化处理以及二值化处理525后，利用图像对齐的方式来取得偏移校正参数，据以校正待校正区域内的所有测试区块526，以较有效率的方式来产生偏移校正测试图像500A’。
在亮度与色彩校正阶段530，将偏移校正测试图像500A’以及参考图像500B整体进行模糊化处理531，接着进行亮度与色彩校正532，以产生已校正测试图像500AT。
最后，在常态比较阶段540，则是逐一将已校正测试图像500AT内的所有区块以及其在参考图像500B所对应的区块进行比较，以自待测物品中检测出缺陷并且输出缺陷检测结果RT。
本发明还提供一种计算机可读记录介质，其存储计算机程序，而此计算机程序产品基本上是由多个代码段所组成的(例如建立组织结构代码段、签核表单代码段、设定代码段、以及部署代码段)，并且这些代码段在加载到图像处理***中并执行之后，即可完成上述物品缺陷检测方法的步骤。
综上所述，本发明所提出的物品缺陷检测方法及其图像处理***与计算机可读记录介质，其可在针对测试图像与参考图像进行比较之前，对于测试图像中的局部区域进行图像偏移校正，还可对于测试图像中的亮度与色彩不均进行补偿，以降低物品缺陷检测的误判率。
虽然本发明已以实施例揭露如上，然其并非用以限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，当可作些许的更动与润饰，故本发明的保护范围当以所附的权利要求为准。

Claims (20)

1.一种物品缺陷检测方法，适用于图像处理***，包括：
接收待测物品的测试图像以及参考图像；
取得该测试图像中的测试区块，并且取得该参考图像中对应于该测试区块的参考区块，以分别产生测试区块图像以及参考区块图像；
分别分割该测试区块图像以及该参考区块图像为多个测试子区块以及多个参考子区块，其中各所述测试子区块对应于各所述参考子区块；
比较所述测试子区块与所述参考子区块，以自所述测试子区块以及所述参考子区块识别出任何干扰测试子区块以及任何干扰参考子区块，其中各所述干扰测试子区块不相似于任一所述干扰参考子区块，各所述干扰参考子区块不相似于任一所述干扰测试子区块；
自该测试区块图像滤除所述干扰测试子区块以及对应于所述干扰参考子区块的所述测试子区块，以产生已滤除测试区块图像，并且自该参考区块图像滤除所述干扰参考子区块以及对应于所述干扰测试子区块的所述参考子区块，以产生已滤除参考区块图像；
根据该已滤除测试区块图像以及该已滤除参考区块图像，取得偏移校正参数；
根据该偏移校正参数，校正该测试图像中的该测试区块，以取得已校正测试区块图像；以及
比较该已校正测试区块图像与该参考区块图像，据以取得该待测物品中对应于该测试区块的缺陷信息。
2.如权利要求1所述的方法，其中比较所述测试子区块与所述参考子区块，以自所述测试子区块以及所述参考子区块识别出所述干扰测试子区块以及所述干扰参考子区块的步骤包括：
取得各所述测试子区块的像素值分布以及各所述参考子区块的像素值分布，以分别产生多个测试子区块图像直方图以及多个参考子区块图像直方图；
分析所述测试子区块图像直方图以及所述参考子区块图像直方图的特征，以将所述测试子区块图像直方图以及所述参考子区块图像直方图分别分群为多个测试群组以及多个参考群组；以及
设定不同于任一所述参考群组的所述测试群组所对应的所述测试子区块为所述干扰测试子区块，以及设定不同于任一所述测试群组的所述参考群组所对应的所述参考子区块为所述干扰参考子区块。
3.如权利要求1所述的方法，其中根据该已滤除测试区块图像以及该已滤除参考区块图像，取得该偏移校正参数的步骤还包括：
针对该已滤除测试区块图像以及该已滤除参考区块图像进行模糊化处理，以产生模糊化已滤除测试区块图像以及模糊化已滤除参考区块图像；
针对该模糊化已滤除测试区块图像以及该模糊化已滤除参考区块图像进行二值化处理，以产生二值化已滤除测试区块图像以及二值化已滤除参考区块图像；以及
根据该二值化已滤除测试区块图像以及该二值化已滤除参考区块图像，利用图像特征比较法取得该偏移校正参数。
4.如权利要求1所述的方法，其中取得该测试图像中的该测试区块的步骤包括：
自该测试图像中采样多个随机测试区块；以及
判断各所述随机测试区块是否偏移，据以自该测试图像中划分出待校正区域，其中该待校正区域包括多个待测试区块；以及
设定各所述待测试区块为该测试区块。
5.如权利要求4所述的方法，其中判断各所述随机测试区块是否偏移的步骤包括：
自该参考图像中取得对应于所述随机测试区块的多个随机参考区块；
针对各所述随机测试区块：
取得该随机测试区块与对应的该随机参考区块的平均图像直方图；
判断该平均图像直方图是否相似于该随机测试区块的图像直方图像素值分布或是该随机参考区块的图像直方图像素值分布；
若是，则判定该随机测试区块并未偏移；以及
若否，则判定该随机测试区块为偏移。
6.如权利要求4所述的方法，其中自该测试图像中划分出该测试区域的步骤包括：
利用分类器，根据各所述随机测试区块是否偏移的判断结果，自该随机区域划分出偏移区域以及非偏移的区域；以及
设定该偏移区域为该待校正区域。
7.如权利要求4所述的方法，其中在判断各所述随机测试区块是否偏移区域的步骤之后，该方法还包括：
利用各所述随机测试区块是否偏移区域的判断结果，训练分类器。
8.如权利要求1所述的方法，其中取得该测试图像中的该测试区块的步骤包括：
逐一遍历该测试图像，以取得该测试区块。
9.如权利要求1所述的方法，其中在根据该偏移校正参数，校正该测试图像中的该测试区块，以取得该已校正测试区块图像的步骤还包括：
根据该偏移校正参数，校正该测试图像中的该测试区块，以产生偏移校正测试区块图像；
针对该偏移校正测试区块图像以及该参考区块图像进行模糊化处理，以分别产生模糊化偏移校正测试区块图像以及模糊化参考区块图像；以及
利用该模糊化偏移校正测试区块图像的多个像素值与该模糊化参考区块图像的多个对应的像素值之间的差值，针对该模糊化偏移校正测试区块图像进行色彩与亮度校正，以产生已校正测试区块图像。
10.如权利要求1所述的方法，其中该测试图像为自该待测物体所获取的图像，该参考图像为实质上无缺陷的该待测物体的图像。
11.一种图像处理***，包括：
存储单元，记录多个模块；以及
至少一处理单元，耦接镜头以及该存储单元，以存取并执行该存储单元中记录的所述模块，所述模块包括：
图像接收模块，接收待测物品的测试图像以及参考图像；
区块采样模块，取得自该测试图像中的测试区域选取测试区块，并且取得自该参考图像中选取对应于该测试区块的参考区块，以分别产生测试区块图像以及参考区块图像；
区块比较模块，分别分割该测试区块图像以及该参考区块图像为多个测试子区块以及多个参考子区块，并且比较所述测试子区块与所述参考子区块，以自所述测试子区块以及所述参考子区块识别出任何干扰测试子区块以及任何干扰参考子区块，其中各所述测试子区块对应于各所述参考子区块，各所述干扰测试子区块不相似于任一所述干扰参考子区块，各所述干扰参考子区块不相似于任一所述干扰测试子区块；
区块滤除模块，自该测试区块图像滤除所述干扰测试子区块以及对应于所述干扰参考子区块的所述测试子区块，以产生滤除测试区块图像已滤除测试区块图像，并且自该参考区块图像滤除所述干扰参考子区块以及对应于所述干扰测试子区块的所述参考子区块，以产生滤除参考区块图像已滤除参考区块图像；
图像校正模块，根据该已滤除测试区块图像以及该已滤除参考区块图像，取得偏移校正参数，并且根据该偏移校正参数，校正该测试图像中的该测试区块，以取得已校正测试区块图像；以及
缺陷检测模块，比较该已校正测试区块图像与该参考区块图像，据以取得该待测物品中对应于该测试区块的缺陷信息。
12.如权利要求11所述的图像处理***，其中该区块比较模块取得各所述测试子区块的像素值分布以及各所述参考子区块的像素值分布，以分别产生多个测试子区块图像直方图以及多个参考子区块图像直方图，并且分析所述测试子区块图像直方图以及所述参考子区块图像直方图的特征，以将所述测试子区块图像直方图以及所述参考子区块图像直方图分别分群为多个测试群组以及多个参考群组，以及设定不同于任一所述参考群组的所述测试群组所对应的所述测试子区块为所述干扰测试子区块，以及设定不同于任一所述测试群组的所述参考群组所对应的所述参考子区块为所述干扰参考子区块。
13.如权利要求11所述的图像处理***，其中该图像校正模块针对该已滤除测试区块图像以及该已滤除参考区块图像进行模糊化处理，以产生模糊化已滤除测试区块图像以及模糊化已滤除参考区块图像，针对该模糊化已滤除测试区块图像以及该模糊化已滤除参考区块图像进行二值化处理，以根据该二值化已滤除测试区块图像以及该二值化已滤除参考区块图像，利用图像特征比较法取得该偏移校正参数。
14.如权利要求11所述的图像处理***，其中该区块采样模块还自该测试图像中采样多个随机测试区块，判断各所述随机测试区块是否偏移，据以自该测试图像中划分出包括多个待测试区块的待校正区域，以及设定各所述待测试区块为该测试区块。
15.如权利要求14所述的图像处理***，其中：
该区块采样模块自该参考图像中取得对应于所述随机测试区块的多个随机参考区块，针对各所述随机测试区块，取得该随机测试区块与对应的该随机参考区块的平均图像直方图，以及判断该平均图像直方图是否相似于该随机测试区块的图像直方图或是该随机参考区块的图像直方图，若是，则判定该随机测试区块并未偏移，若否，则判定该随机测试区块为偏移。
16.如权利要求14所述的图像处理***，其中该区块采样模块利用分类器，根据各所述随机测试区块是否偏移的判断结果，自该随机区域划分出偏移区域以及非偏移的区域，以及设定该偏移区域为该待校正区域。
17.如权利要求14所述的图像处理***，其中该区块采样模块还利用各所述随机测试区块是否偏移区域的判断结果，训练分类器。
18.如权利要求11所述的图像处理***，其中该区块采样模块逐一遍历该测试图像，以取得该测试区块。
19.如权利要求11所述的图像处理***，其中该图像校正模块还根据该偏移校正参数，校正该测试图像中的该测试区块域，以产生偏移校正测试区块图像，又针对该偏移校正测试区块图像以及该参考区块图像进行模糊化处理，以分别产生模糊化偏移校正测试区块图像以及模糊化参考区块图像，以及利用该模糊化偏移校正测试区块图像的多个像素值与该模糊化参考区块图像的多个对应的像素值之间的差值，针对该模糊化偏移校正测试区块图像进行色彩与亮度校正，以产生已校正测试区块图像。
20.一种计算机可读记录介质，存储计算机程序，当图像处理***加载该计算机程序后，将执行下列步骤：
接收待测物品的测试图像以及参考图像；
取得自该测试图像中的测试区域选取测试区块，并且取得自该参考图像中选取对应于该测试区块的参考区块，以分别产生测试区块图像以及参考区块图像；
分别分割该测试区块图像以及该参考区块图像为多个测试子区块以及多个参考子区块，其中各所述测试子区块对应于各所述参考子区块；
比较所述测试子区块与所述参考子区块，以自所述测试子区块以及所述参考子区块识别出任何干扰测试子区块以及任何干扰参考子区块，其中各所述干扰测试子区块不相似于任一所述干扰参考子区块，各所述干扰参考子区块不相似于任一所述干扰测试子区块；
自该测试区块图像滤除所述干扰测试子区块以及对应于所述干扰参考子区块的所述测试子区块，以产生滤除测试区块图像已滤除测试区块图像，并且自该参考区块图像滤除所述干扰参考子区块以及对应于所述干扰测试子区块的所述参考子区块，以产生滤除参考区块图像已滤除参考区块图像；
根据该滤除测试区块图像已滤除测试区块图像以及该滤除参考区块图像已滤除参考区块图像，取得偏移校正参数；
根据该偏移校正参数，校正该测试图像中的该测试区块域，以取得已校正测试区块图像；以及
比较该已校正测试区块图像与该参考区块图像，据以取得检测出该待测物品中对应于该测试区块的缺陷信息。
CN201610088343.7A 2015-12-28 2016-02-17 物品缺陷检测方法、图像处理***与计算机可读记录介质 Active CN106920219B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW104143977 2015-12-28
TW104143977A TWI581213B (zh) 2015-12-28 2015-12-28 物品缺陷檢測方法、影像處理系統與電腦可讀取記錄媒體

Publications (2)

Publication Number Publication Date
CN106920219A CN106920219A (zh) 2017-07-04
CN106920219B true CN106920219B (zh) 2020-02-04

Family

ID=59086454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610088343.7A Active CN106920219B (zh) 2015-12-28 2016-02-17 物品缺陷检测方法、图像处理***与计算机可读记录介质

Country Status (3)

Country Link
US (1) US9811899B2 (zh)
CN (1) CN106920219B (zh)
TW (1) TWI581213B (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10186026B2 (en) * 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
GB2554390B (en) * 2016-09-23 2018-10-31 1E Ltd Computer security profiling
TWI647658B (zh) * 2017-09-29 2019-01-11 樂達創意科技有限公司 影像特徵自動辨識裝置、系統及方法
CN107910276A (zh) * 2017-11-24 2018-04-13 上海华力微电子有限公司 一种晶圆缺陷检测方法
CN107862693B (zh) * 2017-12-08 2021-10-08 湖南文理学院 用于泡沫镍表面缺陷的检测方法及装置
JP7042118B2 (ja) * 2018-03-08 2022-03-25 株式会社東芝 検査装置、検査方法、及びプログラム
US10706525B2 (en) * 2018-05-22 2020-07-07 Midea Group Co. Ltd. Methods and systems for improved quality inspection
CN109378279B (zh) * 2018-11-12 2020-12-18 武汉新芯集成电路制造有限公司 晶圆检测方法及晶圆检测***
CN111353942B (zh) * 2018-12-20 2024-01-12 核动力运行研究所 一种超声波信号噪声提取及量化算法
CN111507362B (zh) 2019-01-30 2023-12-19 中强光电股份有限公司 神经网络的训练方法、基于神经网络的分类方法及其装置
US10762618B1 (en) * 2019-02-14 2020-09-01 United Microelectronics Corp. Mask weak pattern recognition apparatus and mask weak pattern recognition method
CN109933530A (zh) * 2019-03-14 2019-06-25 百度在线网络技术（北京）有限公司 控件测试方法及装置、设备及存储介质
CN110060293B (zh) * 2019-04-24 2022-06-28 中国兵器科学研究院宁波分院 一种ct检测***的缺陷检出性能极限评估方法
US11270414B2 (en) * 2019-08-29 2022-03-08 Institut Mines Telecom Method for generating a reduced-blur digital image
US11120546B2 (en) * 2019-09-24 2021-09-14 Kla Corporation Unsupervised learning-based reference selection for enhanced defect inspection sensitivity
TWI761715B (zh) * 2019-10-21 2022-04-21 緯創資通股份有限公司 缺陷檢測視覺化方法及其系統
CN111128777B (zh) * 2019-12-12 2022-08-19 福建省福联集成电路有限公司 一种芯粒缺陷检测的方法和存储介质
JP7237872B2 (ja) 2020-02-14 2023-03-13 株式会社東芝 検査装置、検査方法、及びプログラム
JP2021131629A (ja) * 2020-02-18 2021-09-09 株式会社リコー 情報処理装置、プログラム、情報生成方法、情報処理システム
JP7273748B2 (ja) 2020-02-28 2023-05-15 株式会社東芝 検査装置、検査方法、及びプログラム
CN113436133B (zh) * 2020-03-23 2022-05-31 长鑫存储技术有限公司 晶圆量测方法、装置及计算机可读存储介质
US11462030B2 (en) * 2020-05-11 2022-10-04 Caterpillar Inc. Method and system for detecting a pile
TWI768434B (zh) * 2020-08-19 2022-06-21 萬潤科技股份有限公司 電路板資訊顯示方法及裝置
CN113379622A (zh) * 2021-05-27 2021-09-10 中科晶源微电子技术（北京）有限公司 用于电子束缺陷检测的像素尺寸校准方法和装置及设备
CN113554633B (zh) * 2021-07-30 2024-05-10 深圳中科飞测科技股份有限公司 对缺陷的聚类方法及聚类装置、检测设备及可读存储介质
CN114266773B (zh) * 2022-03-02 2022-05-20 成都数联云算科技有限公司 显示面板缺陷定位方法、装置、设备及存储介质

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6330353B1 (en) * 1997-12-18 2001-12-11 Siemens Corporate Research, Inc. Method of localization refinement of pattern images using optical flow constraints
JP4009409B2 (ja) * 1999-10-29 2007-11-14 株式会社日立製作所 パターン欠陥検査方法及びその装置
US6836560B2 (en) * 2000-11-13 2004-12-28 Kla - Tencor Technologies Corporation Advanced phase shift inspection method
JP4275345B2 (ja) * 2002-01-30 2009-06-10 株式会社日立製作所 パターン検査方法及びパターン検査装置
US7076101B2 (en) * 2002-02-14 2006-07-11 Sun Microsystems, Inc. Method and apparatus for local image quantification verification
US7092571B2 (en) * 2002-03-29 2006-08-15 Sun Microsystems, Inc. Method and apparatus for regional image quantification verification
US8111898B2 (en) * 2002-12-06 2012-02-07 Synopsys, Inc. Method for facilitating automatic analysis of defect printability
US7525659B2 (en) * 2003-01-15 2009-04-28 Negevtech Ltd. System for detection of water defects
US7349575B2 (en) * 2003-06-27 2008-03-25 Nippon Avionics Co., Ltd. Pattern inspection method and apparatus, and pattern alignment method
JP4143084B2 (ja) * 2005-09-06 2008-09-03 アドバンスド・マスク・インスペクション・テクノロジー株式会社 試料検査装置、画像位置合わせ方法及びプログラム
JP4928862B2 (ja) * 2006-08-04 2012-05-09 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
FR2948521B1 (fr) * 2009-07-21 2012-01-27 Dxo Labs Procede d'estimation d'un defaut d'un systeme de capture d'images et systemes associes
US20130082177A1 (en) * 2010-06-07 2013-04-04 Hitachi High-Technologies Corporation Circuit pattern inspection apparatus and circuit pattern inspection method
JP5726472B2 (ja) * 2010-09-24 2015-06-03 株式会社東芝 アライメント方法及び検出装置
CN102411775B (zh) 2011-08-10 2015-02-11 Tcl集团股份有限公司 一种校正文本图像亮度的方法和***
JP5921990B2 (ja) * 2012-08-23 2016-05-24 株式会社ニューフレアテクノロジー 欠陥検出方法
CN102982155A (zh) * 2012-11-29 2013-03-20 上海华力微电子有限公司 基于图形识别的缺陷检索***及方法
TW201430336A (zh) * 2013-01-23 2014-08-01 Huang Tian Xing 缺陷檢測方法、裝置及系統
JP6132658B2 (ja) * 2013-05-22 2017-05-24 株式会社ニューフレアテクノロジー 検査感度評価方法
US9747670B2 (en) * 2013-06-26 2017-08-29 Kla-Tencor Corporation Method and system for improving wafer surface inspection sensitivity
US9612541B2 (en) * 2013-08-20 2017-04-04 Kla-Tencor Corporation Qualifying patterns for microlithography
CN105203941B (zh) * 2014-06-20 2018-01-16 旺宏电子股份有限公司 晶圆测试特殊图案及探针卡缺陷的检验方法
JP2017053674A (ja) * 2015-09-08 2017-03-16 株式会社ニューフレアテクノロジー パターン幅寸法のずれ量測定方法及びパターン検査装置
JP6546509B2 (ja) * 2015-10-28 2019-07-17 株式会社ニューフレアテクノロジー パターン検査方法及びパターン検査装置
JP6515013B2 (ja) * 2015-11-05 2019-05-15 株式会社ニューフレアテクノロジー 検査装置および検査方法

Also Published As

Publication number Publication date
US9811899B2 (en) 2017-11-07
CN106920219A (zh) 2017-07-04
US20170186144A1 (en) 2017-06-29
TW201724017A (zh) 2017-07-01
TWI581213B (zh) 2017-05-01

Similar Documents

Publication Publication Date Title
CN106920219B (zh) 物品缺陷检测方法、图像处理***与计算机可读记录介质
CN109242853B (zh) 一种基于图像处理的pcb缺陷智能检测方法
WO2019206209A1 (zh) 基于机器学习的眼底图像检测方法、装置及***
CN109685760B (zh) 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法
WO2019206208A1 (zh) 基于机器学习的眼底图像检测方法、装置及***
US10445868B2 (en) Method for detecting a defect on a surface of a tire
KR100598381B1 (ko) 인-라인 타입의 자동 웨이퍼결함 분류장치 및 그 제어방법
CN109741314A (zh) 一种零件的视觉检测方法及***
CN110596120A (zh) 玻璃边界缺陷检测方法、装置、终端及存储介质
CN111415339B (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN103914708A (zh) 基于机器视觉的食品品种检测方法及***
CN113706490B (zh) 一种晶片缺陷检测方法
CN108107611B (zh) 一种自适应缺陷检测方法、装置及电子设备
CN116740728B (zh) 一种用于晶圆读码器动态获取方法和***
CN115953373B (zh) 玻璃缺陷检测方法、装置、电子设备及存储介质
CN114926441A (zh) 一种注塑件加工成型的缺陷检测方法及***
KR102666787B1 (ko) 인공지능을 이용한 결함 검사방법, 장치 및 프로그램
WO2014103617A1 (ja) 位置合せ装置、欠陥検査装置、位置合せ方法、及び制御プログラム
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
EP3264358B1 (en) Determining image forensics using an estimated camera response function
CN111402185B (zh) 一种图像检测方法及装置
CN109584212B (zh) 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法
US20220261974A1 (en) Method of detecting an abnormality and abnormality detection device
CN115861259A (zh) 一种基于模板匹配的引线框架表面缺陷检测方法及装置
CN113850756A (zh) 一种基于模板比对的标签缺陷检测方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20191212

Address after: Hsinchu Science Industrial Park, Taiwan, China

Applicant after: Lijing Jicheng Electronic Manufacturing Co., Ltd.

Address before: Hsinchu Science Industrial Park, Taiwan, China

Applicant before: Powerflash Technology Corporation

GR01 Patent grant
GR01 Patent grant