CN115564727A - 一种爆光显影异常缺陷检测方法及*** - Google Patents
一种爆光显影异常缺陷检测方法及*** Download PDFInfo
- Publication number
- CN115564727A CN115564727A CN202211211209.3A CN202211211209A CN115564727A CN 115564727 A CN115564727 A CN 115564727A CN 202211211209 A CN202211211209 A CN 202211211209A CN 115564727 A CN115564727 A CN 115564727A
- Authority
- CN
- China
- Prior art keywords
- horizontal line
- image
- detected
- line candidate
- matching template
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 62
- 238000011161 development Methods 0.000 title claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 230000036961 partial effect Effects 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000004880 explosion Methods 0.000 claims description 5
- 230000018109 developmental process Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000007261 regionalization Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种爆光显影异常缺陷检测方法及***,涉及缺陷检测技术领域,所述方法为:基于原始的面板图像获取主线匹配模板和水平线路匹配模板;基于待检测的面板图像获取主线候选框;基于主线匹配模板筛选主线候选框;基于主线候选框获取待检测的水平线路图像;基于待检测的水平线路图像获取水平线路候选框;基于水平线路匹配模板筛选水平线路候选框;基于水平线路候选框获取待检测的背景图像;对待检测的背景图像进行直方图均衡化处理和网格划分处理,得到若干网格;计算若干网格的灰度均值,基于灰度均值进行爆光显影异常缺陷判定。本发明基于模板匹配、边缘轮廓提取以及直方图均衡化处理,解决了现有中爆光显影异常缺陷检测漏检率高的问题。
Description
技术领域
本发明涉及缺陷检测技术领域,具体而言,涉及一种爆光显影异常缺陷检测方法及***。
背景技术
成膜工艺面板加工过程中最为重要的工艺阶段之一,面板上的电路图案形成、导电元器件生成都是在此阶段进行加工。整个成膜过程包括清洗、光刻胶涂布、曝光、显影、刻蚀、光刻胶剥离等阶段,而在曝光显影阶段常常出现一种缺陷,那就是曝光显影不均导致的异常,其直接导致生成的膜厚不均,对后续刻蚀和线路生成都有重大不良影响,影响到产品的良率。
传统的爆光异常显影缺陷检测方式是通过人工进行检测,传统方式存在效率低且成本高的缺陷,目前很多面板生产厂商正在引入智能化的缺陷检测***,即采用计算机和人工智能替代人工检测,目前主流的方法是采用基于深度学习的目标检测算法,通过对历史的缺陷样本进行学习,训练一个目标检测模型,最终实现对产线上生产的面板进行实时缺陷检测。但是基于深度学习的目标检测算法是基于对图像的特征提取和分类学习实现的,这类算法需要图像上的缺陷有明显区别与背景的显著特征,而曝光显影异常缺陷常常没有足够显著的特征,导致目标检测算法产生漏检率较高。
发明内容
为了解决现有技术中爆光显影异常缺陷检测漏检率高的问题,本发明实施例提供了一种爆光显影异常缺陷检测方法及***。
在第一方面,本发明实施例中提供一种爆光显影异常缺陷检测方法,所述方法包括以下步骤:
(1)基于原始的面板图像,获取主线匹配模板T和水平线路匹配模板D;
(2)基于待检测的面板图像,获取若干主线候选框I;其中,主线候选框1的宽度、高度与主线匹配模板T的宽度、高度相同;
(3)基于主线匹配模板T对若干主线候选框I进行相似度匹配,筛选出部分主线候选框I;
(4)基于筛选后的主线候选框I对待检测的面板图像进行图像截取处理和图像拼接处理,得到待检测的水平线路图像;
(5)基于待检测的水平线路图像,获取若干水平线路候选框M,其中,水平线路候选框M的宽度、高度与水平线路匹配模板D的宽度、高度相同;
(6)基于水平线路匹配模板D对若干水平线路候选框M进行相似度匹配,筛选出部分水平线路候选框M;
(7)基于筛选后的水平线路候选框M对待检测的水平线路图像进行图像截取处理和图像拼接处理,得到待检测的背景图像;
(8)对待检测的背景图像进行直方图均衡化处理和网格划分处理,得到若干网格;
(9)计算若干网格的灰度均值,并且基于灰度均值判定待检测的面板图像中是否存在爆光显影异常缺陷。
于上述实施例中,通过模板匹配切除线路区域,并且基于边缘轮廓提取的模板匹配可以适用于图片颜色不固定的场景,具有较强的适用性;与此同时,结合直方图均衡化处理的图像对比度增强,有效地实现了爆光显影异常缺陷的检出,解决现有中爆光显影异常缺陷检测漏检率高的问题。
作为本申请一些可选实施方式,所述主线匹配模板T包括主线匹配模板T1和主线匹配模板T2,所述主线匹配模板T1和主线匹配模板T2的宽度均为W1,高度均为H1;所述水平线路匹配模板D的宽度为W2,高度均为H2。
作为本申请一些可选实施方式,基于待检测的面板图像,获取若干主线候选框I的流程如下:
(2.1)对待检测的面板图像进行边缘轮廓提取处理,并且获取待检测的面板图像的左下角像素点;
(2.2)将待检测的面板图像的左下角像素点作为坐下角点坐标,并且以左下角点坐标为参照点获取一个与主线匹配模板T1和主线匹配模板T2尺寸相同的主线候选框I;
(2.3)将主线候选框I依次向右/向上平移一个像素,获取若干主线候选框I。
作为本申请一些可选实施方式,基于主线匹配模板T对若干主线候选框I进行相似度匹配的流程如下:
(3.1)依次计算若干主线候选框I与主线匹配模板T1、主线匹配模板T2的相似度R1;
(3.2)如果相似度R1大于匹配度阈值G1,则对应的主线候选框I与主线匹配模板T1或主线匹配模板T2匹配,其中,匹配度阈值G1为预设值。
作为本申请一些可选实施方式,基于待检测的水平线路图像获取若干水平线路候选框M的流程如下:
(5.1)对待检测的水平线路图像进行边缘轮廓提取处理,并且获取待检测的水平线路图像的左下角像素点;
(5.2)将待检测的水平线路图像的左下角像素点作为坐下角点坐标,并且以左下角点坐标为参照点获取一个与水平线路匹配模板D尺寸相同的水平线路候选框M;
(5.3)将水平线路候选框M依次向右/向上平移一个像素,获取若干水平线路候选框M。
作为本申请一些可选实施方式,基于水平线路匹配模板D对水平线路候选框M进行相似度匹配的流程如下:
(6.1)依次计算若干水平线路候选框M与水平线路匹配模板D的相似度R2;
(6.2)如果相似度R2大于匹配度阈值G2,则对应的水平线路候选框M与水平线路匹配模板D匹配,其中,匹配度阈值G2为预设值。
作为本申请一些可选实施方式,对待检测的背景图像进行直方图均衡化处理的流程如下:
(8.1)将待检测的背景图像所有灰度值从小到大排列,并且计算灰度值的累积概率;
(8.2)将每个灰度值的累积概率和255相乘,得到直方图均衡化处理后的结果:
其中,k表示一共有k个灰度值,nj表示第j个灰度值的累积个数,n表示所有灰度值个数之和。
作为本申请一些可选实施方式,对待检测的背景图像进行网格划分处理的流程如下:
(9.1)将直方图均衡化处理后的背景图像划分为K*K的网格,计算每个网格内的灰度均值,所有网格中灰度均值最大的记作Gmax,灰度均值最小的记作Gmin,灰度均值最大的减去最小的记作Gdiff;
(9.2)当Gdiff大于阈值G3时,则判定待检测的面板图像中是否存在爆光显影异常缺陷,其中,阈值G3为预设值。
在第二方面,本发明提供一种爆光显影异常缺陷检测***,所述***包括:
匹配模板获取单元,所述匹配模板获取单元基于原始的面板图像,获取主线匹配模板T和水平线路匹配模板D;
主线候选框获取单元,所述主线候选框获取单元基于待检测的面板图像,获取若干主线候选框I;其中,主线候选框1的宽度、高度与主线匹配模板T的宽度、高度相同;
主线相似度匹配单元,所述主线相似度匹配单元基于主线匹配模板T对若干主线候选框I进行相似度匹配,筛选出部分主线候选框I;
线路图像生成单元,所述线路图像生成单元基于筛选后的主线候选框I对待检测的面板图像进行图像截取处理和图像拼接处理,得到待检测的水平线路图像;
水平线路候选框获取单元,所述水平线路候选框获取单元基于待检测的水平线路图像,获取若干水平线路候选框M,其中,水平线路候选框M的宽度、高度与水平线路匹配模板D的宽度、高度相同;
水平线路相似度匹配单元,所述水平线路相似度匹配单元基于水平线路匹配模板D对若干水平线路候选框M进行相似度匹配,筛选出部分水平线路候选框M;
背景图像生成单元,所述背景图像生成单元基于筛选后的水平线路候选框M对待检测的水平线路图像进行图像截取处理和图像拼接处理,得到待检测的背景图像;
背景图像处理单元,所述背景图像处理单元用于对待检测的背景图像进行直方图均衡化处理和网格划分处理,得到若干网格;
爆光显影异常缺陷判定单元,所述爆光显影异常缺陷判定单元用于计算若干网格的灰度均值,并且基于灰度均值判定待检测的面板图像中是否存在爆光显影异常缺陷。
在第三方面,本发明提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述爆光显影异常缺陷检测方法。
在第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述爆光显影异常缺陷检测方法。
本发明的有益效果如下:本发明针对面板行业曝光显影异常缺陷特征不明显,深度学习目标检测模型难以检出的问题,通过模板匹配切除线路区域,并且基于边缘轮廓提取的模板匹配可以适用于图片颜色不固定的场景,具有较强的适用性;与此同时,结合直方图均衡化的图像对比度增强,有效地实现了爆光显影异常缺陷的检出,解决现有中爆光显影异常缺陷检测漏检率高的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是根据本发明的一些实施例所述爆光显影异常缺陷检测方法的步骤图。
图2是根据本发明的一些实施例所述主线匹配模板的示意图。
图3是根据本发明的一些实施例所述待检测的面板图像的示意图。
图4是根据本发明的一些实施例所述待检测的面板图像主线区域模板匹配的示意图。
图5是根据本发明的一些实施例所述待检测的水平线路图像的示意图。
图6是根据本发明的一些实施例所述待检测的待检测的背景图像的示意图。
图7是根据本发明的一些实施例所述直方图均衡化处理前后的灰度值比较图。
图8是根据本发明的一些实施例所述直方图均衡化处理与网格划分处理的结果图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
同样应当理解的是,为了简化本发明揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本发明对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
实施例1
本发明提供一种爆光显影异常缺陷检测方法,请参阅图1,所述方法包括以下步骤:
(1)基于原始的面板图像,并且将原始的面板图像从彩色图转化为灰度图,并且基于灰度图获取主线匹配模板T和水平线路匹配模板D。
其中,所述主线匹配模板T包括主线匹配模板T1和主线匹配模板T2,所述主线匹配模板T1和主线匹配模板T2的宽度均为W1,高度均为H1;所述水平线路匹配模板D的宽度为W2,高度均为H2。
由于爆光显影异常缺陷区域特征并不明显,这也是现有目标检测产生漏检的原因,因此需要放大这部分的异常特征,并且减少其他背景的影响,首先主线区域存在较多形态不规则且颜色不均的背景,因此采用模板匹配定位到主线坐标位置并将主线区域切除,而由于面板图像存在不同颜色,直接使用灰度图进行模板匹配容易匹配失败,因此采用边缘轮廓提取,使用canny算法提取面板图像中的边缘轮廓,进而将主线区域截取出来作为主线匹配模板T,由于主线存在两种不同形态,因此制定两个模板T1,T2,请参阅图2;与此同时,水平线路匹配模板D的获取原理与主线匹配模板T的获取原理相同,不再赘述。
(2)基于待检测的面板图像,获取若干主线候选框I;其中,主线候选框1的宽度、高度与主线匹配模板T的宽度、高度相同,请参阅图3。
于本发明实施例中,基于待检测的面板图像,获取若干主线候选框I的流程如下:
(2.1)对待检测的面板图像进行边缘轮廓提取处理,并且获取待检测的面板图像的左下角像素点;
(2.2)将待检测的面板图像的左下角像素点作为坐下角点坐标,并且以左下角点坐标为参照点获取一个与主线匹配模板T1和主线匹配模板T2尺寸相同的主线候选框I;
(2.3)将主线候选框I依次向右/向上平移一个像素,获取若干主线候选框I。
(3)基于主线匹配模板T对若干主线候选框I进行相似度匹配,筛选出部分主线候选框I。
于本发明实施例中,基于主线匹配模板T对若干主线候选框I进行相似度匹配的流程如下:
(3.1)依次计算若干主线候选框I与主线匹配模板T1、主线匹配模板T2的相似度R1;
(3.2)如果相似度R1大于匹配度阈值G1,则对应的主线候选框I与主线匹配模板T1或主线匹配模板T2匹配,其中,匹配度阈值G1为预设值。
于本发明实施例中,对一张待检测的面板图像,首先和制作主线匹配模板T一样先提取待检测的面板图像的边缘轮廓,图片左下角作为匹配起点(0,0),则第一个主线候选框I坐标为[0,0,w,h],然后依次向右/向上滑动平移一个像素得到下一个主线候选框I,假设左下角坐标为(x,y),则每个主线候选框I坐标为[x,y,x+w,y+h],记作I;然后计算主线候选框I与主线匹配模板T1、主线匹配模板T2的相似度R1,其取值范围在0到1之间,匹配度越高R1越接近1;最后通过设定匹配度阈值G1,保留相似度R1大于匹配度阈值G1的结果,即可在待检测的面板图像上定位到主线区域所在区域的坐标位置,请参阅图4。
(4)基于筛选后的主线候选框I对待检测的面板图像进行图像截取处理,并且对截取剩余图像进行图像拼接处理,得到待检测的水平线路图像,请参阅图5。
(5)基于待检测的水平线路图像,获取若干水平线路候选框M,其中,水平线路候选框M的宽度、高度与水平线路匹配模板D的宽度、高度相同。
于本发明实施例中,基于待检测的水平线路图像获取若干水平线路候选框M的流程如下:
(5.1)对待检测的水平线路图像进行边缘轮廓提取处理,并且获取待检测的水平线路图像的左下角像素点;
(5.2)将待检测的水平线路图像的左下角像素点作为坐下角点坐标,并且以左下角点坐标为参照点获取一个与水平线路匹配模板D尺寸相同的水平线路候选框M;
(5.3)将水平线路候选框M依次向右/向上平移一个像素,获取若干水平线路候选框M。
(6)基于水平线路匹配模板D对若干水平线路候选框M进行相似度匹配,筛选出部分水平线路候选框M。
于本发明实施例中,基于水平线路匹配模板D对水平线路候选框M进行相似度匹配的流程如下:
(6.1)依次计算若干水平线路候选框M与水平线路匹配模板D的相似度R2;
(6.2)如果相似度R2大于匹配度阈值G2,则对应的水平线路候选框M与水平线路匹配模板D匹配,其中,匹配度阈值G2为预设值。
(7)基于筛选后的水平线路候选框M对待检测的水平线路图像进行图像截取处理,并且截取剩余图像进行图像拼接处理,得到待检测的背景图像,请参阅图6。
(8)对待检测的背景图像进行直方图均衡化处理和网格划分处理,得到若干网格,并且计算若干网格的灰度均值。
于本发明实施例中,对待检测的背景图像进行直方图均衡化处理的流程如下:
(8.1)将待检测的背景图像所有灰度值从小到大排列,并且计算灰度值的累积概率;
(8.2)将每个灰度值的累积概率和255相乘,得到直方图均衡化处理后的结果,请参阅图7、图8:
其中,k表示一共有k个灰度值,nj表示第j个灰度值的累积个数,n表示所有灰度值个数之和。
(9)基于灰度均值判定待检测的面板图像中是否存在爆光显影异常缺陷。
于本发明实施例中,对待检测的背景图像进行网格划分处理的流程如下:
(9.1)将直方图均衡化处理后的背景图像划分为K*K的网格,计算每个网格内的灰度均值,所有网格中灰度均值最大的记作Gmax,灰度均值最小的记作Gmin,灰度均值最大的减去最小的记作Gdiff;
(9.2)当Gdiff大于阈值G3时,则判定待检测的面板图像中是否存在爆光显影异常缺陷,其中,阈值G3为预设值。
综上,本发明实施例针对面板行业曝光显影异常缺陷特征不明显,深度学习目标检测模型难以检出的问题,通过模板匹配切除线路区域,并且基于边缘轮廓提取的模板匹配可以适用于图片颜色不固定的场景,具有较强的适用性;与此同时,结合直方图均衡化的图像对比度增强,有效地实现了爆光显影异常缺陷的检出,解决现有中爆光显影异常缺陷检测漏检率高的问题。
实施例2
本发明提供一种爆光显影异常缺陷检测***,所述***包括:
匹配模板获取单元,所述匹配模板获取单元基于原始的面板图像,获取主线匹配模板T和水平线路匹配模板D;
主线候选框获取单元,所述主线候选框获取单元基于待检测的面板图像,获取若干主线候选框I;其中,主线候选框1的宽度、高度与主线匹配模板T的宽度、高度相同;
主线相似度匹配单元,所述主线相似度匹配单元基于主线匹配模板T对若干主线候选框I进行相似度匹配,筛选出部分主线候选框I;
线路图像生成单元,所述线路图像生成单元基于筛选后的主线候选框I对待检测的面板图像进行图像截取处理和图像拼接处理,得到待检测的水平线路图像;
水平线路候选框获取单元,所述水平线路候选框获取单元基于待检测的水平线路图像,获取若干水平线路候选框M,其中,水平线路候选框M的宽度、高度与水平线路匹配模板D的宽度、高度相同;
水平线路相似度匹配单元,所述水平线路相似度匹配单元基于水平线路匹配模板D对若干水平线路候选框M进行相似度匹配,筛选出部分水平线路候选框M;
背景图像生成单元,所述背景图像生成单元基于筛选后的水平线路候选框M对待检测的水平线路图像进行图像截取处理和图像拼接处理,得到待检测的背景图像;
背景图像处理单元,所述背景图像处理单元用于对待检测的背景图像进行直方图均衡化处理和网格划分处理,得到若干网格;
爆光显影异常缺陷判定单元,所述爆光显影异常缺陷判定单元用于计算若干网格的灰度均值,并且基于灰度均值判定待检测的面板图像中是否存在爆光显影异常缺陷。
实施例3
本发明提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器运行时执行实施例1所述的爆光显影异常缺陷检测方法。
本实施例提供的计算机设备可以实现执行实施例1所述的方法,为避免重复,在此不再赘述。
实施例4
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现实施例1所述的爆光显影异常缺陷检测方法。
本实施例提供的计算机可读存储介质可以实现执行实施例1所述的方法,为避免重复,在此不再赘述。
其中,所述处理器可以是中央处理器(CPU,Central Processing Unit),还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(Application Specific Integrated Circuit)、现成可编程门阵列(Fieldprogrammablegate array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的数据,实现发明中印制电路板缺陷检测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外,存储器可以包括高速随机存取存储器、还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡,安全数字卡,闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
爆光显影异常缺陷检测***如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序可存储于一计算机可读存介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
本发明已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
Claims (11)
1.一种爆光显影异常缺陷检测方法,其特征在于,所述方法包括以下步骤:
(1)基于原始的面板图像,获取主线匹配模板T和水平线路匹配模板D;
(2)基于待检测的面板图像,获取若干主线候选框I;其中,主线候选框1的宽度、高度与主线匹配模板T的宽度、高度相同;
(3)基于主线匹配模板T对若干主线候选框I进行相似度匹配,筛选出部分主线候选框I;
(4)基于筛选后的主线候选框I对待检测的面板图像进行图像截取处理和图像拼接处理,得到待检测的水平线路图像;
(5)基于待检测的水平线路图像,获取若干水平线路候选框M,其中,水平线路候选框M的宽度、高度与水平线路匹配模板D的宽度、高度相同;
(6)基于水平线路匹配模板D对若干水平线路候选框M进行相似度匹配,筛选出部分水平线路候选框M;
(7)基于筛选后的水平线路候选框M对待检测的水平线路图像进行图像截取处理和图像拼接处理,得到待检测的背景图像;
(8)对待检测的背景图像进行直方图均衡化处理和网格划分处理,得到若干网格;
(9)计算若干网格的灰度均值,并且基于灰度均值判定待检测的面板图像中是否存在爆光显影异常缺陷。
2.根据权利要求1所述的一种爆光显影异常缺陷检测方法,其特征在于:所述主线匹配模板T包括主线匹配模板T1和主线匹配模板T2,所述主线匹配模板T1和主线匹配模板T2的宽度均为W1,高度均为H1;所述水平线路匹配模板D的宽度为W2,高度为H2。
3.根据权利要求2所述的一种爆光显影异常缺陷检测方法,其特征在于:基于待检测的面板图像,获取若干主线候选框I的流程如下:
(2.1)对待检测的面板图像进行边缘轮廓提取处理,并且获取待检测的面板图像的左下角像素点;
(2.2)将待检测的面板图像的左下角像素点作为坐下角点坐标,并且以左下角点坐标为参照点获取一个宽度为W1,高度为H1的主线候选框I;
(2.3)将主线候选框I依次向右/向上平移一个像素,获取若干主线候选框I。
4.根据权利要求3所述的一种爆光显影异常缺陷检测方法,其特征在于,基于主线匹配模板T对若干主线候选框I进行相似度匹配的流程如下:
(3.1)依次计算若干主线候选框I与主线匹配模板T1、主线匹配模板T2的相似度R1;
(3.2)如果相似度R1大于匹配度阈值G1,则对应的主线候选框I与主线匹配模板T1或主线匹配模板T2匹配,其中,匹配度阈值G1为预设值。
5.根据权利要求2所述的一种爆光显影异常缺陷检测方法,其特征在于,基于待检测的水平线路图像获取若干水平线路候选框M的流程如下:
(5.1)对待检测的水平线路图像进行边缘轮廓提取处理,并且获取待检测的水平线路图像的左下角像素点;
(5.2)将待检测的水平线路图像的左下角像素点作为坐下角点坐标,并且以左下角点坐标为参照点获取一个宽度为W2,高度为H2的水平线路候选框M;
(5.3)将水平线路候选框M依次向右/向上平移一个像素,获取若干水平线路候选框M。
6.根据权利要求5所述的一种爆光显影异常缺陷检测方法,其特征在于,基于水平线路匹配模板D对水平线路候选框M进行相似度匹配的流程如下:
(6.1)依次计算若干水平线路候选框M与水平线路匹配模板D的相似度R2;
(6.2)如果相似度R2大于匹配度阈值G2,则对应的水平线路候选框M与水平线路匹配模板D匹配,其中,匹配度阈值G2为预设值。
8.根据权利要求7所述的一种爆光显影异常缺陷检测方法,其特征在于,对待检测的背景图像进行网格划分处理的流程如下:
(9.1)将直方图均衡化处理后的背景图像划分为K*K的网格,计算每个网格内的灰度均值,所有网格中灰度均值最大的记作Gmax,灰度均值最小的记作Gmin,灰度均值最大的减去最小的记作Gdiff;
(9.2)当Gdiff大于阈值G3时,则判定待检测的面板图像中是否存在爆光显影异常缺陷,其中,阈值G3为预设值。
9.一种爆光显影异常缺陷检测***,其特征在于,所述***包括:
匹配模板获取单元,所述匹配模板获取单元基于原始的面板图像,获取主线匹配模板T和水平线路匹配模板D;
主线候选框获取单元,所述主线候选框获取单元基于待检测的面板图像,获取若干主线候选框I;其中,主线候选框1的宽度、高度与主线匹配模板T的宽度、高度相同;
主线相似度匹配单元,所述主线相似度匹配单元基于主线匹配模板T对若干主线候选框I进行相似度匹配,筛选出部分主线候选框I;
线路图像生成单元,所述线路图像生成单元基于筛选后的主线候选框I对待检测的面板图像进行图像截取处理和图像拼接处理,得到待检测的水平线路图像;
水平线路候选框获取单元,所述水平线路候选框获取单元基于待检测的水平线路图像,获取若干水平线路候选框M,其中,水平线路候选框M的宽度、高度与水平线路匹配模板D的宽度、高度相同;
水平线路相似度匹配单元,所述水平线路相似度匹配单元基于水平线路匹配模板D对若干水平线路候选框M进行相似度匹配,筛选出部分水平线路候选框M;
背景图像生成单元,所述背景图像生成单元基于筛选后的水平线路候选框M对待检测的水平线路图像进行图像截取处理和图像拼接处理,得到待检测的背景图像;
背景图像处理单元,所述背景图像处理单元用于对待检测的背景图像进行直方图均衡化处理和网格划分处理,得到若干网格;
爆光显影异常缺陷判定单元,所述爆光显影异常缺陷判定单元用于计算若干网格的灰度均值,并且基于灰度均值判定待检测的面板图像中是否存在爆光显影异常缺陷。
10.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述爆光显影异常缺陷检测方法。
11.一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上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8中任一项所述爆光显影异常缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211211209.3A CN115564727A (zh) | 2022-09-30 | 2022-09-30 | 一种爆光显影异常缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211211209.3A CN115564727A (zh) | 2022-09-30 | 2022-09-30 | 一种爆光显影异常缺陷检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564727A true CN115564727A (zh) | 2023-01-03 |
Family
ID=84742261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211211209.3A Pending CN115564727A (zh) | 2022-09-30 | 2022-09-30 | 一种爆光显影异常缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564727A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309574A (zh) * | 2023-05-19 | 2023-06-23 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、***、设备及存储介质 |
-
2022
- 2022-09-30 CN CN202211211209.3A patent/CN115564727A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309574A (zh) * | 2023-05-19 | 2023-06-23 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、***、设备及存储介质 |
CN116309574B (zh) * | 2023-05-19 | 2023-08-18 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、***、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805023B (zh) | 一种图像检测方法、装置、计算机设备及存储介质 | |
CN110930390B (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
CN115063421B (zh) | 极片区域检测方法及***及装置及介质及缺陷检测方法 | |
KR20090066212A (ko) | 결함 검출 방법 및 결함 검출 장치 | |
US10726535B2 (en) | Automatically generating image datasets for use in image recognition and detection | |
CN111325728B (zh) | 产品缺陷检测方法、装置、设备及存储介质 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
JP2019144245A (ja) | 前処理を含む線欠陥検出システム及び方法 | |
KR20180109658A (ko) | 영상 처리 방법과 장치 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
KR20220016245A (ko) | 불량 이미지 생성 장치 및 방법 | |
CN115937175A (zh) | 一种电路板表面缺陷检测方法、***、设备及存储介质 | |
CN111951322A (zh) | 摄像模组质量检测方法、装置及计算机存储介质 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及*** | |
CN115272199A (zh) | 一种pcb载板缺陷检测方法、***、电子设备及介质 | |
US20130064468A1 (en) | Methods and Apparatus for Image Analysis and Modification Using Fast Sliding Parabola Erosian | |
CN115564727A (zh) | 一种爆光显影异常缺陷检测方法及*** | |
CN114862817A (zh) | 一种电路板金手指区域缺陷检测方法及***及装置及介质 | |
CN112419207A (zh) | 一种图像矫正方法及装置、*** | |
CN115984312A (zh) | 图像分割方法、电子设备及计算机可读存储介质 | |
CN115082477A (zh) | 一种基于去反光效果的半导体晶圆加工质量检测方法 | |
CN117392464B (zh) | 基于多尺度去噪概率模型的图像异常检测的方法、*** | |
CN114943649A (zh) | 图像去模糊方法、装置及计算机可读存储介质 | |
CN113673515A (zh) | 一种计算机视觉目标检测算法 | |
CN111553927B (zh) | 棋盘格角点检测方法、检测***、计算机装置及存储介质 |
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 |