CN115409799A - Led芯片自动针痕检测方法、装置、介质及电子设备 - Google Patents
Led芯片自动针痕检测方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN115409799A CN115409799A CN202211044058.7A CN202211044058A CN115409799A CN 115409799 A CN115409799 A CN 115409799A CN 202211044058 A CN202211044058 A CN 202211044058A CN 115409799 A CN115409799 A CN 115409799A
- Authority
- CN
- China
- Prior art keywords
- detection
- picture
- pin mark
- mark
- card
- 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
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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种LED芯片自动针痕检测方法、装置、介质及电子设备,该方法包括:采集LED芯片的图片至指定文件夹;从指定文件夹中读取图片,发送至检测模型进行针痕检测,并输出检测模型的检测结果;当检测结果为合格时,对图片进行图像分析,以确定图片中针痕的区域面积、针痕的形状和针痕的位置;计算图片中针痕的区域面积与电极的区域面积的比值;当比值大于第一阈值且小于第二阈值时,根据图片中针痕的形状和针痕的位置,判断LED芯片的检测是否存在漏卡;若是,修正检测结果,并将图片和修正后的检测结果输入至检测模型,以对检测模型进行训练。本发明能有效降低漏检和过检异常率,结果更准确,减少不良品流出。
Description
技术领域
本发明涉及LED检测技术领域,特别是涉及一种LED芯片自动针痕检测方法、装置、介质及电子设备。
背景技术
随着先到电子产业的快速发展和广泛使用,芯片的需求量不断上升。在LED照明设备领域,LED芯片是核心部件。在LED芯片生产过程中,需要对其光电性进行测试,以保证LED芯片的质量。
LED芯片行业,测试芯片光电性需要用探针扎到芯片电极上,可能随着探针磨损,电极上的针痕越来越大,影响芯片质量,或是探针位置偏移,导致点测参数不准确。目前检测针痕主要依靠AOI工序实现,存在反馈不及时的问题,无法在检测当下及时发现针痕异常,影响芯片良率。
发明内容
鉴于上述状况,有必要针对现有技术中LED芯片检测效率低的问题,提供一种LED芯片自动针痕检测方法、装置、介质及电子设备。
本发明公开了一种LED芯片自动针痕检测方法,包括:
采集LED芯片的图片至指定文件夹;
从所述指定文件夹中读取所述图片,发送至检测模型进行针痕检测,并输出所述检测模型的检测结果;
当所述检测结果为合格时,对所述图片进行图像分析,以得到所述图片中针痕的区域面积、针痕的形状和针痕的位置;
计算所述图片中针痕的区域面积与电极的区域面积的比值;
当所述比值大于第一阈值且小于第二阈值时,根据所述图片中针痕的形状和针痕的位置判断所述LED芯片的检测是否存在漏卡;
若是,则修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
进一步的,上述LED芯片自动针痕检测方法,其中,所述计算所述图片中针痕的区域面积与电极的区域面积的比值的步骤之后还包括:
当所述比值大于或等于所述第二阈值时,则所述LED芯片的检测存在漏卡;
修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
进一步的,上述LED芯片自动针痕检测方法,其中,所述根据所述图片中针痕的形状和针痕的位置判断所述LED芯片的检测是否存在漏卡的步骤包括:
当针痕的位置位于电极内,且针痕的形状规则时,则存在漏卡;
当所述图片中针痕的形状不规则,且针痕至少部分在电极内时,发出第一提示信息,以提示进行人工判定,并基于所述人工判定的结果判断是否存在漏卡。
进一步的,上述LED芯片自动针痕检测方法,其中,所述输出所述检测模型的检测结果的步骤之后还包括:
当所述检测结果为不合格时,根据所述图片中的针痕的区域面积、针痕的形状和针痕的位置确定所述LED芯片的过卡风险等级;
当所述过卡风险等级为低时,则修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练;
当所述过卡风险等级为高时,则发出第二提示信息,以提示进行人工判定,并基于所述人工判定的结果判断是否存在过卡;
当判断为是时,则修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
进一步的,上述LED芯片自动针痕检测方法,其中,所述根据所述图片中的针痕的区域面积、针痕的形状和针痕的位置确定所述LED芯片的过卡风险等级的步骤包括:
计算所述图片中针痕的区域面积与电极的区域面积的比值;
当所述比值大于第一阈值且小于第二阈值、所述图片中针痕的形状不规则,且针痕至少部分在电极内时,则过卡风险等级为高;
当所述比值大于第一阈值且小于第二阈值,并且所述图片中针痕在电极外时,则过卡风险等级为低;
当所述比值小于或等于所述第一阈值时,则过卡风险等级为低。
本发明还公开了一种LED芯片自动针痕检测装置,包括:
采集模块,用于采集LED芯片的图片至指定文件夹;
发送及输出模块,用于从所述指定文件夹中读取所述图片,发送至检测模型进行针痕检测,并输出所述检测模型的检测结果;
图像分析模块,用于当所述检测结果为合格时,对所述图片进行图像分析,以得到所述图片中针痕的区域面积、针痕的形状和针痕的位置;
计算模块,用于计算所述图片中针痕的区域面积与电极的区域面积的比值;
判断模块,用于当所述比值大于第一阈值且小于第二阈值时,根据所述图片中针痕的形状和针痕的位置判断所述LED芯片的检测是否存在漏卡;
第一修正模块,用于当存在漏卡时修正所述检测结果,并将所述图片和修正后的检测结果发送至所述检测模型,以对所述检测模型进行训练。
进一步的,上述LED芯片自动针痕检测装置,还包括第二修正模块,用于:
当所述比值大于或等于所述第二阈值时,则所述LED芯片的检测存在漏卡;
修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
进一步的,上述LED芯片自动针痕检测装置,还包括:
确定模块,用于当所述检测结果为不合格时,根据所述图片中的针痕的区域面积、针痕的形状和针痕的位置确定所述LED芯片的过卡风险等级;
第三修正模块,用于当所述过卡风险等级为低时,则修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练;
提示模块,用于当所述过卡风险等级为高时,则发出第二提示信息,以提示进行人工判定,并基于所述人工判定的结果判断是否存在过卡;
第四修正模块,用于当判断为是时,则修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
本发明还公开了一种可读存储介质,其上存储有程序,所述程序被处理器执行时实现上述任一所述的方法。
本发明还公开了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现上述任意一项所述的方法。
本发明中的LED芯片自动针痕检测方法用于点测机自动针痕检测技术,能及时实时的检测针痕大小和位置,保证产品生产质量,减少不良品的流出。能有效降低漏检和过检异常率,结果更准确,减少不良品流出。并且,项目实施后,不需每次进行人工确认,此项人工节省高90%,提升生产效率。
附图说明
图1为本发明第一实施例提供的LED芯片自动针痕检测方法的流程图;
图2为本发明第二实施例提供的LED芯片自动针痕检测方法的流程图;
图3为本发明第三实施例提供的LED芯片自动针痕检测装置的结构框图;
图4为本发明实施例中电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
请参阅图1,为本发明第一实施例中的LED芯片自动针痕检测方法,包括步骤S11~S16。
步骤S11,采集LED芯片的图片至指定文件夹。
步骤S12,从所述指定文件夹中读取所述图片,发送至检测模型进行针痕检测,并输出所述检测模型的检测结果。
具体实施时,可通过图像采集设备采集LED芯片的图片,并存入机台的指定文件夹。采集图片抛档到机台指定文件夹,路径可设定,文件夹内子文件夹以产品型号命名(如91AFB0812A-AB00)。***识别作业产品型号,到指定子文件夹中捞取最新的图片,并发送至检测模型进行图像检测。该检测模型例如可以采用卷积神经网络模型。
该检测模型为预先训练过的模型,用于识别该图片中的LED芯片是否合格,即判断芯片上是否存在影响产品性能的针痕。检测模型的判定标准如下:
电极区域面积为S1,按LED芯片产品型号设定(固定值),针痕面积为S2,当S2/S1大于设定值时,认定该LED芯片不合格。
该检测模型训练后,需要测试该训练后的模型是否达到预期检测效果,即需要对该检测模型进行测试或试跑。本实施例的方法用于对训练后的检测模型进行测试阶段,以实现对该检测模型的自动测试和调试。
步骤S13,当所述检测结果为合格时,对所述图片进行图像分析,以得到所述图片中针痕的区域面积、针痕的形状和针痕的位置。
步骤S14,计算所述图片中针痕的区域面积与电极的区域面积的比值。
步骤S15,当所述比值大于第一阈值且小于第二阈值时,根据所述图片中针痕的形状和针痕的位置判断所述LED芯片的检测是否存在漏卡。其中,该第二阈值可以等于检测模型的设定值,且该第一阈值小于第二阈值。
步骤S16,若是,修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
将该图片输入至该检测模型中,输出该图片的判断结果,判断结果为合格或不合格。
当检测模型输出的检测结果为合格时,则对该图片进行图像分析,识别该图片至针痕的区域面积、针痕的形状和针痕的位置。计算该图片中针痕的区域面积与电极的区域面积的比值,即S2/S1的值。可以理解的,当比值大于或等于该第二阈值时,可以直接认定该LED芯片不合格。若该比值小于或等于该第一阈值时,可以直接认定该LED芯片合格。该比值置于该第一阈值和第二阈值之间时,则需要根据图片中针痕的形状和针痕的位置,进行进一步的判断,以免存在漏卡的现象。
具体实施时,该步骤S15中,确定LED芯片的检测是否存在漏卡的具体步骤包括:
S151,当针痕的位置位于电极内,且针痕的形状规则时,确定存在漏卡;
S152,当所述图片中针痕的形状不规则,且针痕至少部分在电极内时,发出第一提示信息,以提示进行人工判定,并基于所述人工判定的结果判断是否存在漏卡。
具体的,存在如下情况:
1,S2/S1大于第一阈值且小于第二阈值,针痕形状规则,针痕位置位于电极内;
2,S2/S1大于第一阈值且小于第二阈值,针痕形状不规则(多个区域),针痕位置位于电极内。
针对第一种情况,可以直接认定存在漏卡。针对第二种情况,不确定该针痕是否影响产品的性能,需要通过人工判定是否漏卡。人工判定后输入判定结果。***接收到用户输入的判断结果,当该判断结果与检测模型的输出结果不一致时,则说明漏卡。当确定漏卡时,***将正确的检测结果以及该图片重新输入至该检测模型中进行训练,基于反馈结果进行深度学习,后续遇到相似状况能作出正确判断。
本实施例中的LED芯片自动针痕检测方法用于点测机自动针痕检测技术,能及时实时的检测针痕大小和位置,保证产品生产质量,减少不良品的流出。能有效降低漏检和过检异常率,结果更准确,减少不良品流出。并且,项目实施后,不需每次进行人工确认,此项人工节省高90%,提升生产效率。
请参阅图2,为本发明第二实施例中的LED芯片自动针痕检测方法,包括步骤S21~S30。
步骤S21,采集LED芯片的图片至指定文件夹。
步骤S22,从所述指定文件夹中读取所述图片,发送至检测模型进行针痕检测,并输出所述检测模型的检测结果。
步骤S23,当所述检测结果为合格时,对所述图片进行图像分析,以得到所述图片中针痕的区域面积、针痕的形状和针痕的位置。
步骤S24,计算所述图片中针痕的区域面积与电极的区域面积的比值。
步骤S25,当所述比值大于第一阈值且小于第二阈值时,根据所述图片中针痕的形状和针痕的位置判断所述LED芯片的检测是否存在漏卡,所述第一阈值小于所述第二阈值。
步骤S26,若存在漏卡,修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
***识别作业产品型号,到指定子文件夹中捞取最新的图片,并输入至检测模型至进行检测。当检测模型输出的检测结果为合格时,则对该图片进行图像检测,识别该图片至针痕的区域面积、针痕的形状和针痕的位置。计算该图片中针痕的区域面积与电极的区域面积的比值,即S2/S1的值。可以理解的,当比值大于或等于该第二阈值时,可以直接认定该LED芯片不合格。若该比值小于或等于该第一阈值时,可以直接认定该LED芯片合格。该比值置于该第一阈值和第二阈值之间时,则需要根据图片中针痕的形状和针痕的位置,进行进一步的判断,以免存在漏卡的现象。
步骤S27,当所述检测结果为不合格时,根据所述图片中的针痕的区域面积、针痕的形状和针痕的位置确定所述LED芯片的过卡风险等级。
由于电极上除了针痕,LED芯片制程还容易出现脏污、残金、残胶、划伤等其它因素影响,其灰阶在相机下形态与针痕类似,会导致计算误差,通过灰阶差异、形态等来判断过卡风险。
具体的,根据所述图片中的针痕的区域面积、针痕的形状和针痕的位置确定所述LED芯片的过卡风险等级的步骤包括:
计算所述图片中针痕的区域面积与电极的区域面积的比值;
当所述比值大于第一阈值且小于第二阈值、所述图片中针痕的形状不规则,且针痕至少部分在电极内时,则过卡风险等级为高;
当所述比值大于第一阈值且小于第二阈值,并且所述图片中针痕在电极外时,则过卡风险等级为低;
当所述比值小于或等于所述第一阈值时,则过卡风险等级为低。
步骤S28,当所述过卡风险等级为低时,修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
步骤S29,当所述过卡风险等级为高时,发出第二提示信息,以提示进行人工判定,并基于所述人工判定的结果判断是否存在过卡。
步骤S30,当判断为是时,修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
请参阅图3,为本发明第三实施例中的LED芯片自动针痕检测装置,包括:
采集模块31,用于采集LED芯片的图片至指定文件夹;
发送及输出模块32,用于从所述指定文件夹中读取所述图片,发送至检测模型进行针痕检测,并输出所述检测模型的检测结果;
图像分析模块33,用于当所述检测结果为合格时,对所述图片进行图像分析,以得到所述图片中针痕的区域面积、针痕的形状和针痕的位置;
计算模块34,用于计算所述图片中针痕的区域面积与电极的区域面积的比值;
判断模块35,用于当所述比值大于第一阈值且小于第二阈值时,根据所述图片中针痕的形状和针痕的位置判断所述LED芯片的检测是否存在漏卡,所述第一阈值小于所述第二阈值;
第一修正模块36,用于当存在漏卡时,修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
进一步的,上述LED芯片自动针痕检测装置,还包括第二修正模块,用于:
当所述比值大于或等于所述第二阈值时,则所述LED芯片的检测存在漏卡;
修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
进一步的,上述LED芯片自动针痕检测装置,还包括:
确定模块,用于当所述检测结果为不合格时,根据所述图片中的针痕的区域面积、针痕的形状和针痕的位置确定所述LED芯片的过卡风险等级;
第三修正模块,用于当所述过卡风险等级为低时,修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练;
提示模块,用于当所述过卡风险等级为高时,发出第二提示信息,以提示进行人工判定,并基于所述人工判定的结果判断是否存在过卡;
第四修正模块,用于当判断为是时,修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以使所述检测模型进行训练。
本发明实施例所提供的LED芯片自动针痕检测装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明另一方面还提出一种电子设备,请参阅图4,所示为本发明实施例当中的电子设备,包括处理器10、存储器20以及存储在存储器上并可在处理器上运行的计算机程序30,所述处理器10执行所述计算机程序30时实现如上述的LED芯片自动针痕检测方法。
其中,所述电子设备可以为但不限于个人电脑、手机等计算机设备。处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据等。
其中,存储器20至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的硬盘。存储器20在另一些实施例中也可以是电子设备的外部存储装置,例如电子设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,存储器20还可以既包括电子设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于电子设备的应用软件及各类数据等,还可以用于暂时地存储已经输出或者将要输出的数据。
可选地,该电子设备还可以包括用户接口、网络接口、通信总线等,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置与其他电子装置之间建立通信连接。通信总线用于实现这些组件之间的连接通信。
需要指出的是,图4示出的结构并不构成对电子设备的限定,在其它实施例当中,该电子设备可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述的LED芯片自动针痕检测方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置中获取指令并执行指令的***)使用,或结合这些指令执行***、装置而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或结合这些指令执行***、装置而使用的设备。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种LED芯片自动针痕检测方法,其特征在于,包括:
采集LED芯片的图片至指定文件夹;
从所述指定文件夹中读取所述图片,发送至检测模型进行针痕检测,并输出所述检测模型的检测结果;
当所述检测结果为合格时,对所述图片进行图像分析,以得到所述图片中针痕的区域面积、针痕的形状和针痕的位置;
计算所述图片中针痕的区域面积与电极的区域面积的比值;
当所述比值大于第一阈值且小于第二阈值时,根据所述图片中针痕的形状和针痕的位置判断所述LED芯片的检测是否存在漏卡;
若是,则修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
2.如权利要求1所述的LED芯片自动针痕检测方法,其特征在于,所述计算所述图片中针痕的区域面积与电极的区域面积的比值的步骤之后还包括:
当所述比值大于或等于所述第二阈值时,则所述LED芯片的检测存在漏卡;
修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
3.如权利要求1所述的LED芯片自动针痕检测方法,其特征在于,所述根据所述图片中针痕的形状和针痕的位置判断所述LED芯片的检测是否存在漏卡的步骤包括:
当针痕的位置位于电极内,且针痕的形状规则时,则存在漏卡;
当所述图片中针痕的形状不规则,且针痕至少部分在电极内时,发出第一提示信息,以提示进行人工判定,并基于所述人工判定的结果判断是否存在漏卡。
4.如权利要求1所述的LED芯片自动针痕检测方法,其特征在于,所述输出所述检测模型的检测结果的步骤之后还包括:
当所述检测结果为不合格时,根据所述图片中的针痕的区域面积、针痕的形状和针痕的位置确定所述LED芯片的过卡风险等级;
当所述过卡风险等级为低时,则修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练;
当所述过卡风险等级为高时,则发出第二提示信息,以提示进行人工判定,并基于所述人工判定的结果判断是否存在过卡;
当判断为是时,则修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
5.如权利要求4所述的LED芯片自动针痕检测方法,其特征在于,所述根据所述图片中的针痕的区域面积、针痕的形状和针痕的位置确定所述LED芯片的过卡风险等级的步骤包括:
计算所述图片中针痕的区域面积与电极的区域面积的比值;
当所述比值大于第一阈值且小于第二阈值、所述图片中针痕的形状不规则,且针痕至少部分在电极内时,则过卡风险等级为高;
当所述比值大于第一阈值且小于第二阈值,并且所述图片中针痕在电极外时,则过卡风险等级为低;
当所述比值小于或等于所述第一阈值时,则过卡风险等级为低。
6.一种LED芯片自动针痕检测装置,其特征在于,包括:
采集模块,用于采集LED芯片的图片至指定文件夹;
发送及输出模块,用于从所述指定文件夹中读取所述图片,发送至检测模型进行针痕检测,并输出所述检测模型的检测结果;
图像分析模块,用于当所述检测结果为合格时,对所述图片进行图像分析,以得到所述图片中针痕的区域面积、针痕的形状和针痕的位置;
计算模块,用于计算所述图片中针痕的区域面积与电极的区域面积的比值;
判断模块,用于当所述比值大于第一阈值且小于第二阈值时,根据所述图片中针痕的形状和针痕的位置判断所述LED芯片的检测是否存在漏卡;
第一修正模块,用于当存在漏卡时,修正所述检测结果,并将所述图片和修正后的检测结果发送至所述检测模型,以对所述检测模型进行训练。
7.如权利要求6所述的LED芯片自动针痕检测装置,其特征在于,还包括第二修正模块,用于:
当所述比值大于或等于所述第二阈值时,则所述LED芯片的检测存在漏卡;
修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
8.如权利要求6所述的LED芯片自动针痕检测装置,其特征在于,还包括:
确定模块,用于当所述检测结果为不合格时,根据所述图片中的针痕的区域面积、针痕的形状和针痕的位置确定所述LED芯片的过卡风险等级;
第三修正模块,用于当所述过卡风险等级为低时,则修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练;
提示模块,用于当所述过卡风险等级为高时,则发出第二提示信息,以提示进行人工判定,并基于所述人工判定的结果判断是否存在过卡;
第四修正模块,用于当判断为是时,则修正所述检测结果,并将所述图片和修正后的检测结果输入至所述检测模型,以对所述检测模型进行训练。
9.一种可读存储介质,其上存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5任一所述的方法。
10.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044058.7A CN115409799A (zh) | 2022-08-30 | 2022-08-30 | Led芯片自动针痕检测方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044058.7A CN115409799A (zh) | 2022-08-30 | 2022-08-30 | Led芯片自动针痕检测方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115409799A true CN115409799A (zh) | 2022-11-29 |
Family
ID=84162178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211044058.7A Pending CN115409799A (zh) | 2022-08-30 | 2022-08-30 | Led芯片自动针痕检测方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409799A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116203043A (zh) * | 2023-05-05 | 2023-06-02 | 武汉精立电子技术有限公司 | 一种led芯片集成检测方法及装置 |
-
2022
- 2022-08-30 CN CN202211044058.7A patent/CN115409799A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116203043A (zh) * | 2023-05-05 | 2023-06-02 | 武汉精立电子技术有限公司 | 一种led芯片集成检测方法及装置 |
CN116203043B (zh) * | 2023-05-05 | 2023-07-25 | 武汉精立电子技术有限公司 | 一种led芯片集成检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11449980B2 (en) | System and method for combined automatic and manual inspection | |
JP6121425B2 (ja) | ラスタ画像のエッジ検出によるベルト摩耗の測定 | |
TWI557650B (zh) | 用於識別材料中之缺陷之系統及方法 | |
CN1323369C (zh) | 图像识别装置和方法以及图像识别装置的示教装置和方法 | |
CN113888480A (zh) | 一种基于mes的质量追溯方法和*** | |
CN112418590B (zh) | 一种印制电路板元器件检测方法及*** | |
CN115409799A (zh) | Led芯片自动针痕检测方法、装置、介质及电子设备 | |
CN116124006A (zh) | 一种电池极片视觉检测***的自动点检方法 | |
CN113310997A (zh) | Pcb板缺陷确认方法、装置、自动光学检测设备及储存介质 | |
CN103336739B (zh) | 软件测试方法及平台 | |
CN116840072A (zh) | 一种用于电子连接器的自动检校*** | |
CN104390982A (zh) | 一种用于smt首件检测的测试方法 | |
CN116703914A (zh) | 基于生成式人工智能的焊接缺陷检测方法、设备及介质 | |
US8184898B2 (en) | Analysis of leaded components | |
CN115794638A (zh) | 基于代码变更分析引擎的测试方法、***及计算机设备 | |
CN115861161A (zh) | 机器学习***、学习数据收集方法以及存储介质 | |
KR20150104766A (ko) | 검사공정에서의 불량 이력 추적 방법 | |
CN104677906A (zh) | 影像信息检测方法 | |
CN113927217A (zh) | 一种智能焊接*** | |
CN111504608B (zh) | 辉度均匀检测***及辉度均匀检测方法 | |
JP2001077600A (ja) | 検査システム | |
CN117929418B (zh) | 一种集成电路缺陷检测方法及*** | |
CN115621147B (zh) | 晶圆检测方法、装置及电子设备 | |
CN111539933B (zh) | 一种直插元件检测方法及*** | |
CN118226236A (zh) | 一种pcb缺陷的智能识别方法及装置 |
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 |