CN109919909B - 发光二极管芯片的检验方法和装置 - Google Patents
发光二极管芯片的检验方法和装置 Download PDFInfo
- Publication number
- CN109919909B CN109919909B CN201910065085.4A CN201910065085A CN109919909B CN 109919909 B CN109919909 B CN 109919909B CN 201910065085 A CN201910065085 A CN 201910065085A CN 109919909 B CN109919909 B CN 109919909B
- Authority
- CN
- China
- Prior art keywords
- electrode
- image
- similarity
- images
- chip
- 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
Links
Images
Landscapes
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种发光二极管芯片的检验方法和装置,属于半导体技术领域。所述检验方法包括:获取待检测芯片的图像;采用边缘检测模型处理所述待检测芯片的图像,从所述待检测芯片的图像中截取电极部分的图像;确定所述电极部分的图像与至少一个电极图像集合之间的相似度,每个所述电极图像集合包括至少一个电极图像,同一个所述电极图像集合中的各个所述电极图像之间的相似度均达到第一设定阈值;当所述电极部分的图像与所述电极图像集合之间的相似度达到所述第一设定阈值时,将所述电极部分的图像合并到所述电极图像集合中。本发明可提高检验的准确性和检验效率,特别满足工业生产的需求。
Description
技术领域
本发明涉及半导体技术领域,特别涉及一种发光二极管芯片的检验方法和装置。
背景技术
发光二极管(英文:Light Emitting Diode,简称:LED)是一种能发光的半导体电子元器件,具有体积小、使用寿命长、颜色丰富多彩、能耗低的特点。作为信息光电子产业中极具影响力的产品,LED被广泛地应用于照明、显示屏、背光源、信号灯、玩具等领域。
芯片是LED的核心组件,芯片的加工是LED制造过程中最重要的一步。在芯片加工的过程中,由于工艺条件的波动,很容易导致芯片的结构特性发生改变,如电极的大小和颜色异常、手指的长度和宽度异常等,造成芯片的性能及良率降低。因此在芯片加工之后,一般会利用自动光学检测(英文:Automated Optical Inspection,简称:AOI)设备对芯片的外观进行检验,具体为通过不同的光源对芯片表面进行拍照,并将拍照得到的图像与标准芯片的图像进行比对,剔除与标准芯片不同的芯片。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
AOI的检验能力有限,只能剔除部分缺陷的芯片。而且对于剔除出的芯片,也只能确定芯片上存在缺陷,并不清楚缺陷的类型,无法满足工业生产的需求。如果后续增加人工目检的步骤,则检测效率和识别准确率都存在问题,还是无法满足工业生产的需求。
发明内容
本发明实施例提供了一种发光二极管芯片的检验方法和装置,能够解决现有技术检验的准确度等无法满足工业生产需求的问题。所述技术方案如下:
一方面,本发明实施例提供了一种发光二极管芯片的检验方法,所述检验方法包括:
获取待检测芯片的图像;
采用边缘检测模型处理所述待检测芯片的图像,从所述待检测芯片的图像中截取电极部分的图像;
确定所述电极部分的图像与至少一个电极图像集合之间的相似度,每个所述电极图像集合包括至少一个电极图像,同一个所述电极图像集合中的各个所述电极图像之间的相似度均达到第一设定阈值;
当所述电极部分的图像与所述电极图像集合之间的相似度达到所述第一设定阈值时,将所述电极部分的图像合并到所述电极图像集合中。
可选地,所述确定所述电极部分的图像与至少一个电极图像集合之间的相似度,包括:
分别计算所述电极部分的图像与所述电极图像集合中各个所述电极图像之间的相似度;
基于计算出的相似度,确定所述电极部分的图像与所述电极图像集合之间的相似度。
进一步地,所述分别计算所述电极部分的图像与所述电极图像集合中各个所述电极图像之间的相似度,包括:
确定所述电极部分的图像的形状特征、面积特征和纹理特征,以及所述电极图像集合中各个所述电极图像的形状特征、面积特征和纹理特征;
基于所述电极部分的图像的形状特征和所述电极图像的形状特征,计算所述电极部分的图像与所述电极图像之间在形状上的相似度;
基于所述电极部分的图像的面积特征和所述电极图像的面积特征,计算所述电极部分的图像与所述电极图像之间在面积上的相似度;
基于所述电极部分的图像的纹理特征和所述电极图像的纹理特征,计算所述电极部分的图像与所述电极图像之间在纹理上的相似度;
基于所述电极部分的图像与所述电极图像之间在形状上的相似度、在面积上的相似度和在纹理上的相似度,计算所述电极部分的图像与所述电极图像之间的相似度。
示例性地,所述基于所述电极部分的图像与所述电极图像之间在形状上的相似度、在面积上的相似度和在纹理上的相似度,计算所述电极部分的图像与所述电极图像之间的相似度,包括:
采用如下公式计算所述电极部分的图像与所述电极图像之间的相似度f:
f=a*x+b*y+c*z;
其中,a、b、c均为常数,x为所述电极部分的图像与所述电极图像之间在形状上的相似度,y为所述电极部分的图像与所述电极图像之间在面积上的相似度,z为所述电极部分的图像与所述电极图像之间在纹理上的相似度。
进一步地,所述基于计算出的相似度,确定所述电极部分的图像与所述电极图像集合之间的相似度,包括:
计算所述电极部分的图像与所述电极图像集合中各个所述电极图像之间的相似度的平均值,作为所述电极部分的图像与所述电极图像集合之间的相似度。
可选地,所述当所述电极部分的图像与所述电极图像集合之间的相似度达到所述第一设定阈值时,将所述电极部分的图像合并到所述电极图像集合中,包括:
当所述电极部分的图像与第一电极图像集合之间的相似度达到第二设定阈值,且所述电极部分的图像与第二电极图像集合之间的相似度小于所述第二设定阈值时,将所述电极部分的图像合并到所述第一电极图像集合中,所述第一电极图像集合为所述至少一个电极图像集合中的任意一个,所述第二电极图像集合为所述至少一个电极图像集合中除所述第一电极图像集合之外的所有电极图像集合。
可选地,所述方法还包括:
获取多个所述电极图像;
确定各个所述电极图像之间的相似度;
基于各个所述电极图像之间的相似度,形成所述至少一个电极图像集合。
另一方面,本发明实施例提供了一种发光二极管芯片的检验装置,所述检验装置包括:
芯片图像获取模块,用于获取待检测芯片的图像;
截取模块,用于采用边缘检测模型处理所述待检测芯片的图像,从所述待检测芯片的图像中截取电极部分的图像;
第一确定模块,用于确定所述电极部分的图像与至少一个电极图像集合之间的相似度,每个所述电极图像集合包括至少一个电极图像,同一个所述电极图像集合中的各个所述电极图像之间的相似度均达到第一设定阈值;
第一合并模块,用于当所述电极部分的图像与所述电极图像集合之间的相似度达到所述第一设定阈值时,将所述电极部分的图像合并到所述电极图像集合中。
可选地,所述第一合并模块用于,
当所述电极部分的图像与第一电极图像集合之间的相似度达到第二设定阈值,且所述电极部分的图像与第二电极图像集合之间的相似度小于所述第二设定阈值时,将所述电极部分的图像合并到所述第一电极图像集合中,所述第一电极图像集合为所述至少一个电极图像集合中的任意一个,所述第二电极图像集合为所述至少一个电极图像集合中除所述第一电极图像集合之外的所有电极图像集合。
可选地,所述检验装置还包括:
电极图像获取模块,用于获取多个所述电极图像;
第二确定模块,用于确定各个所述电极图像之间的相似度;
第二合并模块,用于基于各个所述电极图像之间的相似度,形成所述至少一个电极图像集合。
本发明实施例提供的技术方案带来的有益效果是:
通过在获取待检测芯片的图像之后,先利用边缘检测模型从待检测芯片的图像中截取出电极部分的图像,可以大大降低后续处理过程中的计算量,提高处理效率,而且还能避免外延部分对电极部分检测结果造成干扰,提高检测结果的准确性。再确定电极部分的图像与电极图像集合之间的相似度,并在相似度达到第一设定阈值时,将电极部分的图像合并到电极图像集合中,从而利用属于同一缺陷类型的电极图像之间相似度较高的特点,基于电极部分的图像与电极图像集合之间的相似度,确定电极部分的图像所属的电极图像集合,进而将电极图像集合对应的缺陷类型作为电极部分的缺陷类型。另外,将电极部分的图像合并到电极图像集合中,电极图像集合中电极图像的数量会随着检测次数的增加而增加,后续判定是否属于电极图像集合的准确度也会越来越高,并且与人工检测相比,检测效率会高很多,可以满足工业生产的需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例提供的一种发光二极管芯片的检验方法的流程图;
图2是本发明实施例提供的芯片图像的示意图;
图3是本发明实施例提供的另一种发光二极管芯片的检验方法的流程图;
图4是本发明实施例提供的一种发光二极管芯片的检验装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种发光二极管芯片的检验方法。图1为本发明实施例提供的一种发光二极管芯片的检验方法的流程图。参见图1,该检验方法包括:
步骤101:获取待检测芯片的图像。
在实际应用中,可以利用自动光学检测(英文:Automated Optical Inspection,简称:AOI)设备获取待检测芯片的图像。AOI设备是基于光学原理对工件缺陷进行检测的设备。AOI设备对工件进行检测时,会先通过摄像头扫描工件,得到工件的图像;再处理图像,检查出工件上的缺陷。但是AOI设备可以识别的缺陷种类减少,因此本发明只是利用AOI设备获取到待检测芯片的图像。
步骤102:采用边缘检测模型处理待检测芯片的图像,从待检测芯片的图像中截取电极部分的图像。
在实际应用中,发光二极管芯片包括外延片和设置在外延片上的电极。由于电极的铺设情况只能从芯片的正面看到,因此通常将芯片的正面,即最后形成电极的表面的图像作为芯片的图像。图2为本发明实施例提供的芯片图像的示意图。其中,10表示外延片,20表示电极。参见图2,从芯片图像上可以清楚看到设置在芯片顶部的电极的情况。
由于外延片是透光的,电极是不透光的,而芯片的图像是将光线射向芯片得到的,因此芯片的图像中外延部分和电极部分相差很大,直接利用边缘检测模型即可从待检测芯片的图像中截取电极部分的图像。
示例性地,可以采用差分边缘检测算法、Reborts算法、Sobel算法、Canny算法中的一种从待检测芯片的图像中截取电极部分的图像。
步骤103:确定电极部分的图像与至少一个电极图像集合之间的相似度,每个电极图像集合包括至少一个电极图像,同一个电极图像集合中的各个电极图像之间的相似度均达到第一设定阈值。
示例性地,电极图像集合中的各个电极图像也可以先利用AOI设备获取电极所在芯片的图像,再利用边缘检测模型从芯片的图像中截取得到。
在实际应用中,不考虑对不同形状电极的需求(如有的电极只有焊盘,有的电极包括焊盘和电极线),各个芯片理论上是一样的。造成各个芯片不同的原因正是电极上缺陷的不同,而同一种缺陷类型的电极图像具有相同或相似的特征,相互之间的相似度较高,因此可以基于各个电极图像之间的相似度将同一种缺陷类型的电极图像合并到同一个电极图像集合中,并在电极图像集合标识对应的缺陷类型(如无缺陷、电极大小异常、电极颜色异常、手指的长宽比异常等)。当需要检测芯片的缺陷类型时,根据待检测芯片中电极部分的图像与各个电极图像集合之间相似度的大小,即可确定出待检测芯片中电极部分的图像所属的电极图像集合,进而得到所属电极图像集合对应的缺陷类型,即为待检测芯片的缺陷类型。
步骤104:当电极部分的图像与电极图像集合之间的相似度达到第一设定阈值时,将电极部分的图像合并到该电极图像集合中。
可以理解地,将电极部分的图像合并到电极图像集合中,即代表电极部分的图像属于该电极图像集合,该电极图像集合对应的缺陷类型即为电极部分的缺陷类型。
本发明实施例通过在获取待检测芯片的图像之后,先利用边缘检测模型从待检测芯片的图像中截取出电极部分的图像,可以大大降低后续处理过程中的计算量,提高处理效率,而且还能避免外延部分对电极部分检测结果造成干扰,提高检测结果的准确性。再确定电极部分的图像与电极图像集合之间的相似度,并在相似度达到第一设定阈值时,将电极部分的图像合并到电极图像集合中,从而利用属于同一缺陷类型的电极图像之间相似度较高的特点,基于电极部分的图像与电极图像集合之间的相似度,确定电极部分的图像所属的电极图像集合,进而将电极图像集合对应的缺陷类型作为电极部分的缺陷类型。另外,将电极部分的图像合并到电极图像集合中,电极图像集合中电极图像的数量会随着检测次数的增加而增加,后续判定是否属于电极图像集合的准确度也会越来越高,并且与人工检测相比,检测效率会高很多,可以满足工业生产的需求。
需要说明的是,一个芯片上有两个相互独立的电极,即N型电极和P型电极。在实际应用中,可以针对N型电极和P型电极分别进行处理,即一方面从待检测芯片的图像中截取N型电极的图像,确定N型电极的图像与至少一个N型电极图像集合之间的相似度,并当N型电极的图像与N型电极图像集合之间的相似度达到第一设定阈值时,将N型电极的图像合并到该N型电极图像集合中;另一方面从待检测芯片的图像中截取P型电极的图像,确定P型电极的图像与至少一个P型电极图像集合之间的相似度,并当P型电极的图像与P型电极图像集合之间的相似度达到第一设定阈值时,将P型电极的图像合并到该P型电极图像集合中。可选地,N型电极的图像和P型电极的图像可以根据电极图像在待检测芯片的图像所处的位置、电极图像的大小、电极图像的形状中的一个或多个进行确定。
另外,由于外延片形成之后,通常会先对外延片进行检验,检验之后再制成芯片,因此本实施例中主要对芯片中的电极部分进行了检验。在实际应用中,如果需要对芯片中的外延部分也进行检验,可以采用与电极部分类似的方法实现。示例性地,可以先采用边缘检测模型处理待检测芯片的图像,从待检测芯片的图像中截取外延部分的图像。该步骤可以与步骤102同时进行,当从待检测芯片的图像中截取电极部分的图像之后,剩下的即为外延部分的图像。再确定外延部分的图像与至少一个外延图像集合之间的相似度,并当外延部分的图像与外延图像集合之间的相似度达到第一设定阈值(可以与判定电极相似度的第一设定阈值不同)时,将外延部分的图像合并到该外延图像集合中。与电极图像集合类似,每个外延图像集合包括至少一个外延图像,同一个外延图像集合中的各个外延图像之间的相似度均达到第一设定阈值。
本发明实施例提供了另一种发光二极管芯片的检验方法,是图1所示的发光二极管芯片的检验方法的进一步实现。图3为本发明实施例提供的另一种发光二极管芯片的检验方法的流程图。参见图3,该检验方法包括:
步骤201:获取多个电极图像。
示例性地,该步骤201可以包括:
获取多个芯片的图像;
采用边缘检测模型处理多个芯片的图像,分别从各个芯片的图像中截取电极部分的图像。
在实际应用中,该芯片的图像也可以利用AOI设备获取。
另外,为了建立各个缺陷类型的电极图像集合,可以先获取大量的电极图像,如1000张以上,以形成不同的电极图像集合,再由人统一对各个电极图像集合标识对应的缺陷类型。
步骤202:确定各个电极图像之间的相似度。
在本实施例中,各个电极图像之间的相似度可以包括多个电极图像两两之间在形状上的相似度、多个电极图像两两之间在面积上的相似度、多个电极图像两两之间在纹理上的相似度。
可选地,该步骤202可以包括:
分别确定各个电极图像的形状特征、面积特征和纹理特征;
基于各个电极图像的形状特征,计算多个电极图像两两之间在形状上的相似度;
基于各个电极图像的面积特征,计算多个电极图像两两之间在面积上的相似度;
基于各个电极图像的纹理特征,计算多个电极图像两两之间在纹理上的相似度;
基于多个电极图像两两之间在形状上的相似度、在面积上的相似度和在纹理上的相似度,计算多个电极图像两两之间的相似度。
示例性地,各个电极图像的形状特征可以为电极图像中边缘区域各个像素的位置,可以直接从电极图像中得到。各个电极图像的面积特征可以为电极图像中所有像素的数量,对电极图像中的像素进行统计即可得到。各个电极图像的纹理特征可以为电极图像中各个像素的灰阶,可以采用纹理特征提取算法得到。
进一步地,相似度可以采用余弦相似度、欧式距离、皮尔逊相关性、斯皮尔曼等级相关系数、平均平方差异、Jaccard距离和Dice系数中的一个表示。因此在实际应用中,采用相应的算法,如余弦相似度的计算公式,即可由各个特征的数值得到相应特征的相似度。
另外,基于多个电极图像两两之间在形状上的相似度、在面积上的相似度和在纹理上的相似度,计算多个电极图像两两之间的相似度,可以包括:
采用如下公式计算两个电极图像之间的相似度f:
f=a*x+b*y+c*z;
其中,a、b、c均为常数,x为两个电极图像之间在形状上的相似度,y为两个电极图像之间在面积上的相似度,z为两个电极图像之间在纹理上的相似度。
示例性地,a、b、c的具体取值可以根据形状、面积和纹理在判定缺陷类型上的权重设定。例如,如果主要根据面积判定缺陷类型,则a<b,b>c;又如,如果形状和面积对缺陷类型的影响都很大,则a>c,b>c。
步骤203:基于各个电极图像之间的相似度,形成至少一个电极图像集合。
可选地,该步骤203可以包括:
将各个电极图像分别作为一个电极图像集合;
当两个电极图像集合之间的相似度达到第一设定阈值时,将两个电极图像集合合并,直到所有电极图像集合两两之间的相似度均小于第一设定阈值。
进一步地,两个电极图像集合之间的相似度,可以为两个电极图像集合中各个电极图像之间的相似度的最小值。
示例性地,可以对各个电极图像随意排序,依次确定各个电极图像所在的电极图像集合,与排在该电极图像序号后面的所有电极图像所在的电极图像集合之间的相似度是否达到第一设定阈值。
例如,先确定第1个电极图像所在的电极图像集合与第2个电极图像所在的电极图像集合之间的相似度是否达到第一设定阈值,假设其相似度达到第一设定阈值,因此这里将第1个电极图像所在的电极图像集合与第2个电极图像所在的电极图像集合合并,形成第1个电极图像和第2个电极图像所在的电极图像集合。然后确定第1个电极图像和第2个电极图像所在的电极图像集合与第3个电极图像所在的电极图像集合之间的相似度是否达到第一设定阈值,假设其相似度小于第一设定阈值,因此这里没有合并,还是第1个电极图像和第2个电极图像所在的电极图像集合与第3个电极图像所在的电极图像集合。接着确定第1个电极图像和第2个电极图像所在的电极图像集合与第4个电极图像所在的电极图像集合之间的相似度是否达到第一设定阈值……直到确定完第1个电极图像所在的电极图像集合与其它所有电极图像集合之间的相似度。再确定第3个电极图像所在的电极图像集合与第4个电极图像所在的电极图像集合之间的相似度是否达到第一设定阈值……直到确定完所有电极图像所在的电极图像集合与其它所有电极图像集合之间的相似度。
示例性地,还可以基于各个电极图像之间相似度的大小关系进行排序,按照相似度从大到小的顺序将相似度对应的两个电极图像所在的电极图像集合合并。
例如,首先将相似度排第一的两个电极图像所在的电极图像集合合并,然后将相似度排第二个的两个电极图像所在的电极图像集合……直到合并到相似度小于第一设定阈值的电极图像。
需要注意的是,在将两个电极图像集合合并时,合并后的电极图像集合中是否所有的电极图像两两之间的相似度均达到第一设定阈值,如果不是,则不将两个电极图像集合合并。
在实际应用中,在形成至少一个电极图像集合之后,检验装置可以将所有电极图像集合输出,由人根据各个电极图像集合中的至少一个电极图像确定电极图像集合对应的缺陷类型并进行输入到检验装置中。检验装置将接收的缺陷类型与电极图像集合对应,当后续将待检测芯片中电极部分的图像合并到某个电极图像集合中时,即将该电极图像集合对应的缺陷类型作为待检测芯片的缺陷类型。
步骤204:获取待检测芯片的图像。
示例性地,该步骤204可以与步骤101相同,在此不再详述。
步骤205:采用边缘检测模型处理待检测芯片的图像,从待检测芯片的图像中截取电极部分的图像。
示例性地,该步骤205可以与步骤102相同,在此不再详述。
步骤206:确定电极部分的图像与至少一个电极图像集合之间的相似度,每个电极图像集合包括至少一个电极图像,同一个电极图像集合中的各个电极图像之间的相似度均达到第一设定阈值。
可选地,该步骤206可以包括:
步骤S1,分别计算电极部分的图像与电极图像集合中各个电极图像之间的相似度;
步骤S2,基于计算出的相似度,确定电极部分的图像与电极图像集合之间的相似度。
进一步地,步骤S1可以包括:
第一步,确定电极部分的图像的形状特征、面积特征和纹理特征,以及电极图像集合中各个电极图像的形状特征、面积特征和纹理特征;
第二步,基于电极部分的图像的形状特征和电极图像的形状特征,计算电极部分的图像与电极图像之间在形状上的相似度;
第三步,基于电极部分的图像的面积特征和电极图像的面积特征,计算电极部分的图像与电极图像之间在面积上的相似度;
第四步,基于电极部分的图像的纹理特征和电极图像的纹理特征,计算电极部分的图像与电极图像之间在纹理上的相似度;
第五步,基于电极部分的图像与电极图像之间在形状上的相似度、在面积上的相似度和在纹理上的相似度,计算电极部分的图像与电极图像之间的相似度。
示例性地,第五步可以包括:
采用如下公式计算电极部分的图像与电极图像之间的相似度f:
f=a*x+b*y+c*z;
其中,a、b、c均为常数,x为电极部分的图像与电极图像之间在形状上的相似度,y为电极部分的图像与电极图像之间在面积上的相似度,z为电极部分的图像与电极图像之间在纹理上的相似度。
进一步地,该步骤S2可以包括:
计算电极部分的图像与电极图像集合中各个电极图像之间的相似度的平均值,作为电极部分的图像与电极图像集合之间的相似度。
采用平均值进行衡量,可以避免极端情况造成的误差,准确性较高。
步骤207:当电极部分的图像与电极图像集合之间的相似度达到第一设定阈值时,将电极部分的图像合并到该电极图像集合中。
可选地,该步骤207可以包括:
当电极部分的图像与第一电极图像集合之间的相似度达到第二设定阈值,且电极部分的图像与第二电极图像集合之间的相似度小于第二设定阈值时,将电极部分的图像合并到第一电极图像集合中,第一电极图像集合为至少一个电极图像集合中的任意一个,第二电极图像集合为至少一个电极图像集合中除第一电极图像集合之外的所有电极图像集合。
示例性地,第二设定阈值可以小于第一设定阈值。
可以理解地,当将电极部分的图像是否合并到电极图像集合中的标准从第一设定阈值减小到第二设定阈值,可以容许同一种缺陷类型的电极图像之间具有较大的差异,同时也可能会造成将不同缺陷类型的电极图像合并到同一个电极图像集合中。这里将合并的判定条件进一步限定为与其中一个电极图像集合的相似度达到第二设定阈值,并且与其它所有电极图像集合的相似度小于第二设定阈值,即可避免上述情况的发生;同时将进行比较的设定阈值减小,可以包容各种干扰因素对电极图像相似度的不良影响,提高合并的准确率,进而提高芯片检验的准确率。
需要说明的是,如果电极部分的图像无法合并到所有电极图像集合中的任意一个中,则说明可能不存在与电极部分的缺陷类型对应的电极图像集合,此时可以将电极部分的图像单独建立一个电极图像集合并输出,由人根据电极部分的图像确定该电极图像集合对应的缺陷类型并进行输入到检验装置中,以便后续使用。
本发明实施例提供了一种发光二极管芯片的检验装置,适用于实现图1或者图3所示的发光二极管芯片的检验方法。图4为本发明实施例提供的一种发光二极管芯片的检验装置的结构示意图。参见图4,该检验装置包括:
芯片图像获取模块301,用于获取待检测芯片的图像;
截取模块302,用于采用边缘检测模型处理待检测芯片的图像,从待检测芯片的图像中截取电极部分的图像;
第一确定模块303,用于确定电极部分的图像与至少一个电极图像集合之间的相似度,每个电极图像集合包括至少一个电极图像,同一个电极图像集合中的各个电极图像之间的相似度均达到第一设定阈值;
第一合并模块304,用于当电极部分的图像与电极图像集合之间的相似度达到第一设定阈值时,将电极部分的图像合并到该电极图像集合中。
可选地,第一确定模块303可以包括:
计算子模块,用于分别计算电极部分的图像与电极图像集合中各个电极图像之间的相似度;
确定子模块,用于基于计算出的相似度,确定电极部分的图像与电极图像集合之间的相似度。
进一步地,计算子模块可以包括,
确定单元,用于确定电极部分的图像的形状特征、面积特征和纹理特征,以及电极图像集合中各个电极图像的形状特征、面积特征和纹理特征;
形状计算单元,用于基于电极部分的图像的形状特征和电极图像的形状特征,计算电极部分的图像与电极图像之间在形状上的相似度;
面积计算单元,用于基于电极部分的图像的面积特征和电极图像的面积特征,计算电极部分的图像与电极图像之间在面积上的相似度;
纹理计算单元,用于基于电极部分的图像的纹理特征和电极图像的纹理特征,计算电极部分的图像与电极图像之间在纹理上的相似度;
相似度计算单元,用于基于电极部分的图像与电极图像之间在形状上的相似度、在面积上的相似度和在纹理上的相似度,计算电极部分的图像与电极图像之间的相似度。
示例性地,相似度计算单元可以用于,
采用如下公式计算电极部分的图像与电极图像之间的相似度f:
f=a*x+b*y+c*z;
其中,a、b、c均为常数,x为电极部分的图像与电极图像之间在形状上的相似度,y为电极部分的图像与电极图像之间在面积上的相似度,z为电极部分的图像与电极图像之间在纹理上的相似度。
进一步地,确定子模块可以用于,
计算电极部分的图像与电极图像集合中各个电极图像之间的相似度的平均值,作为电极部分的图像与电极图像集合之间的相似度。
可选地,第一合并模块304可以用于,
当电极部分的图像与第一电极图像集合之间的相似度达到第二设定阈值,且电极部分的图像与第二电极图像集合之间的相似度小于第二设定阈值时,将电极部分的图像合并到第一电极图像集合中,第一电极图像集合为至少一个电极图像集合中的任意一个,第二电极图像集合为至少一个电极图像集合中除第一电极图像集合之外的所有电极图像集合。
可选地,该检验装置还可以包括:
电极图像获取模块,用于获取多个电极图像;
第二确定模块,用于确定各个电极图像之间的相似度;
第二合并模块,用于基于各个电极图像之间的相似度,形成至少一个电极图像集合。
需要说明的是:上述实施例提供的发光二极管芯片的检验装置在检验发光二极管芯片时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的发光二极管芯片的检验装置与发光二极管芯片的检验方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,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 (3)
1.一种发光二极管芯片的检验方法,其特征在于,所述检验方法包括:
获取多个电极图像,
确定各个所述电极图像之间的相似度,
基于各个所述电极图像之间的相似度,形成至少一个电极图像集合;
所述基于各个所述电极图像之间的相似度,形成所述至少一个电极图像集合,包括:
将各个所述电极图像分别作为一个所述电极图像集合,
当两个所述电极图像集合之间的相似度达到第一设定阈值时,将两个所述电极图像集合合并,直到所有所述电极图像集合两两之间的相似度均小于第一设定阈值,两个所述电极图像集合之间的相似度,为两个所述电极图像集合中各个所述电极图像之间的相似度的最小值;
获取待检测芯片的图像;
采用边缘检测模型处理所述待检测芯片的图像,从所述待检测芯片的图像中截取电极部分的图像;
确定所述电极部分的图像的形状特征、面积特征和纹理特征;以及所述电极图像集合中各个所述电极图像的形状特征、面积特征和纹理特征;
基于所述电极部分的图像的形状特征和所述电极图像的形状特征;计算所述电极部分的图像与所述电极图像之间在形状上的相似度;
基于所述电极部分的图像的面积特征和所述电极图像的面积特征;计算所述电极部分的图像与所述电极图像之间在面积上的相似度;
基于所述电极部分的图像的纹理特征和所述电极图像的纹理特征;计算所述电极部分的图像与所述电极图像之间在纹理上的相似度;
采用如下公式计算所述电极部分的图像与所述电极图像之间的相似度f:
f=a*x+b*y+c*z;
其中,a、b、c均为常数,x为所述电极部分的图像与所述电极图像之间在形状上的相似度,y为所述电极部分的图像与所述电极图像之间在面积上的相似度,z为所述电极部分的图像与所述电极图像之间在纹理上的相似度,如果主要根据面积判定缺陷类型,则a<b,b>c;又如,如果形状和面积对缺陷类型的影响都很大,则a>c,b>c;
基于计算出的相似度,确定所述电极部分的图像与所述电极图像集合之间的相似度;
每个所述电极图像集合包括至少一个电极图像,同一个所述电极图像集合中的各个所述电极图像之间的相似度均达到第一设定阈值;
当所述电极部分的图像与所述电极图像集合之间的相似度达到所述第一设定阈值时,将所述电极部分的图像合并到所述电极图像集合中,
当所述电极部分的图像与第一电极图像集合之间的相似度达到第二设定阈值,所述第二设定阈值小于所述第一设定阈值,且所述电极部分的图像与第二电极图像集合之间的相似度小于所述第二设定阈值时,将所述电极部分的图像合并到所述第一电极图像集合中,所述第一电极图像集合为所述至少一个电极图像集合中的任意一个,所述第二电极图像集合为所述至少一个电极图像集合中除所述第一电极图像集合之外的所有电极图像集合。
2.根据权利要求1所述的检验方法,其特征在于,所述基于计算出的相似度,确定所述电极部分的图像与所述电极图像集合之间的相似度,包括:
计算所述电极部分的图像与所述电极图像集合中各个所述电极图像之间的相似度的平均值,作为所述电极部分的图像与所述电极图像集合之间的相似度。
3.一种发光二极管芯片的检验装置,其特征在于,所述检验装置包括:
电极图像获取模块,用于获取多个电极图像;
第二确定模块,用于确定各个所述电极图像之间的相似度;
第二合并模块,用于基于各个所述电极图像之间的相似度,形成至少一个电极图像集合;
所述基于各个所述电极图像之间的相似度,形成所述至少一个电极图像集合,包括:
将各个所述电极图像分别作为一个所述电极图像集合,
当两个所述电极图像集合之间的相似度达到第一设定阈值时,将两个所述电极图像集合合并,直到所有所述电极图像集合两两之间的相似度均小于第一设定阈值,两个所述电极图像集合之间的相似度,为两个所述电极图像集合中各个所述电极图像之间的相似度的最小值;
芯片图像获取模块,用于获取待检测芯片的图像;
截取模块,用于采用边缘检测模型处理所述待检测芯片的图像,从所述待检测芯片的图像中截取电极部分的图像;
第一确定模块,
确定所述电极部分的图像的形状特征、面积特征和纹理特征;以及所述电极图像集合中各个所述电极图像的形状特征、面积特征和纹理特征;
基于所述电极部分的图像的形状特征和所述电极图像的形状特征;计算所述电极部分的图像与所述电极图像之间在形状上的相似度;
基于所述电极部分的图像的面积特征和所述电极图像的面积特征;计算所述电极部分的图像与所述电极图像之间在面积上的相似度;
基于所述电极部分的图像的纹理特征和所述电极图像的纹理特征;计算所述电极部分的图像与所述电极图像之间在纹理上的相似度;
采用如下公式计算所述电极部分的图像与所述电极图像之间的相似度f:
f=a*x+b*y+c*z;
其中,a、b、c均为常数,x为所述电极部分的图像与所述电极图像之间在形状上的相似度,y为所述电极部分的图像与所述电极图像之间在面积上的相似度,z为所述电极部分的图像与所述电极图像之间在纹理上的相似度,如果主要根据面积判定缺陷类型,则a<b,b>c;如果形状和面积对缺陷类型的影响都很大,则a>c,b>c;
基于计算出的相似度,确定所述电极部分的图像与所述电极图像集合之间的相似度,每个所述电极图像集合包括至少一个电极图像,同一个所述电极图像集合中的各个所述电极图像之间的相似度均达到第一设定阈值;
第一合并模块,用于当所述电极部分的图像与第一电极图像集合之间的相似度达到第二设定阈值,所述第二设定阈值小于所述第一设定阈值,且所述电极部分的图像与第二电极图像集合之间的相似度小于所述第二设定阈值时,将所述电极部分的图像合并到所述第一电极图像集合中,所述第一电极图像集合为所述至少一个电极图像集合中的任意一个,所述第二电极图像集合为所述至少一个电极图像集合中除所述第一电极图像集合之外的所有电极图像集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910065085.4A CN109919909B (zh) | 2019-01-23 | 2019-01-23 | 发光二极管芯片的检验方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910065085.4A CN109919909B (zh) | 2019-01-23 | 2019-01-23 | 发光二极管芯片的检验方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919909A CN109919909A (zh) | 2019-06-21 |
CN109919909B true CN109919909B (zh) | 2022-03-18 |
Family
ID=66960685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910065085.4A Active CN109919909B (zh) | 2019-01-23 | 2019-01-23 | 发光二极管芯片的检验方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919909B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819827B (zh) * | 2021-04-16 | 2021-08-06 | 高视科技(苏州)有限公司 | 基于极坐标变换的led电极偏移检测方法、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692224A (zh) * | 2009-07-08 | 2010-04-07 | 南京师范大学 | 融合空间关系语义的高分辨率遥感图像检索方法 |
CN103543201A (zh) * | 2013-10-17 | 2014-01-29 | 清华大学 | 轴类零件径向超声自动探伤缺陷识别方法 |
CN105023008A (zh) * | 2015-08-10 | 2015-11-04 | 河海大学常州校区 | 基于视觉显著性及多特征的行人再识别方法 |
CN105575844A (zh) * | 2016-01-29 | 2016-05-11 | 华灿光电(苏州)有限公司 | 一种发光二极管芯片的计数方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140064596A1 (en) * | 2012-08-29 | 2014-03-06 | Micron Technology, Inc. | Descriptor guided fast marching method for analyzing images and systems using the same |
CN105897752B (zh) * | 2016-06-03 | 2019-08-02 | 北京奇虎科技有限公司 | 未知域名的安全检测方法及装置 |
-
2019
- 2019-01-23 CN CN201910065085.4A patent/CN109919909B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692224A (zh) * | 2009-07-08 | 2010-04-07 | 南京师范大学 | 融合空间关系语义的高分辨率遥感图像检索方法 |
CN103543201A (zh) * | 2013-10-17 | 2014-01-29 | 清华大学 | 轴类零件径向超声自动探伤缺陷识别方法 |
CN105023008A (zh) * | 2015-08-10 | 2015-11-04 | 河海大学常州校区 | 基于视觉显著性及多特征的行人再识别方法 |
CN105575844A (zh) * | 2016-01-29 | 2016-05-11 | 华灿光电(苏州)有限公司 | 一种发光二极管芯片的计数方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于计算机视觉的自动光学检测关键技术与应用研究;谢飞;《中国博士学位论文全文数据库.信息科技辑》;20140515(第05期);第12-13页,第29-30页第2.5节第1-3段,第31页第2段,第35页第2段,第41页第1-2段,第71-75页第4.1节,图2-11、图2-13 * |
谢飞.基于计算机视觉的自动光学检测关键技术与应用研究.《中国博士学位论文全文数据库.信息科技辑》.2014,(第05期),第12-13、29-32、35、41、71-75页. * |
Also Published As
Publication number | Publication date |
---|---|
CN109919909A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4776308B2 (ja) | 画像欠陥検査装置、画像欠陥検査システム、欠陥分類装置及び画像欠陥検査方法 | |
US11144778B2 (en) | Descriptor guided fast marching method for analyzing images and systems using the same | |
KR20100015628A (ko) | 목재의 검사 방법, 장치 및 프로그램 | |
US11788973B2 (en) | Defect inspection device and defect inspection method | |
CN111724335A (zh) | 检测方法及检测*** | |
EP2212909B1 (en) | Patterned wafer defect inspection system and method | |
CN115020267A (zh) | 一种半导体表面缺陷检测方法 | |
US20230011569A1 (en) | Method and apparatus for detecting defect, device, and storage medium | |
WO2017071406A1 (zh) | 金针类元件的引脚检测方法和*** | |
CN109829911A (zh) | 一种基于轮廓超差算法的pcb板表面检测方法 | |
CN109919909B (zh) | 发光二极管芯片的检验方法和装置 | |
EP2063259A1 (en) | Method for inspecting mounting status of electronic component | |
CN106204889B (zh) | 一种纸币荧光区域的定位方法和装置 | |
KR20060130109A (ko) | 기판 검사 장치 | |
CN102854193A (zh) | 一种用于图像瑕疵检测的检测方法和检测*** | |
CN114937042A (zh) | 基于机器视觉的塑料制品质量评估方法 | |
JP4821647B2 (ja) | 電子部品の端子位置検出方法 | |
CN113192061A (zh) | Led封装外观检测图像的提取方法、装置、电子设备和存储介质 | |
Melnyk et al. | Detection of defects in printed circuit boards by flood-fill algorithm and distributed cumulative histogram | |
TWI679611B (zh) | 薄膜檢查方法 | |
CN103760168A (zh) | 基于光滑度特征量的旋切类木制品表面灰度缺陷检测方法 | |
CN111583247B (zh) | 一种图像二值化处理方法及装置 | |
CN108764252B (zh) | 基于机器视觉的装饰合金片的正反面识别方法 | |
CN117612958A (zh) | 一种晶圆片缺陷检测方法及设备 | |
CN115393332A (zh) | 一种漏光检测方法、装置及设备 |
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 |