CN116977230B - 一种扫描电子显微镜图像优化增强方法 - Google Patents
一种扫描电子显微镜图像优化增强方法 Download PDFInfo
- Publication number
- CN116977230B CN116977230B CN202311226888.6A CN202311226888A CN116977230B CN 116977230 B CN116977230 B CN 116977230B CN 202311226888 A CN202311226888 A CN 202311226888A CN 116977230 B CN116977230 B CN 116977230B
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- peak
- characteristic
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001000 micrograph Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 239000004065 semiconductor Substances 0.000 claims abstract description 112
- 230000003313 weakening effect Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 26
- 230000002238 attenuated effect Effects 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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 Processing (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明涉及图像局部增强技术领域,具体涉及一种扫描电子显微镜图像优化增强方法。方法包括:获取扫描电子显微镜采集到的集成电路半导体器件的灰度图像及对应的灰度直方图;根据灰度直方图中每两个相邻灰度级对应的频率的差异确定第一阈值;根据每个非特征方向上像素点的灰度值获得对应的拟合曲线;根据拟合曲线上峰值点的分布情况得到对应的参考灰度值;基于特征灰度值和参考灰度值确定第二阈值,进而确定目标像素点和背景像素点;对目标像素点的灰度值进行增强处理,对背景像素点的灰度值进行削弱处理,获得处理后的集成电路半导体器件图像。本发明提高了扫描电子显微镜图像的优化增强效果。
Description
技术领域
本发明涉及图像局部增强技术领域,具体涉及一种扫描电子显微镜图像优化增强方法。
背景技术
扫描电子显微镜是一种能够观察和分析样品表面形貌和化学成分的仪器,其图像富有立体感、真实感且易于识别,在化学、矿物以及材料等多个领域发挥了重要的作用。随着集成电路半导体器件的尺寸向微米纳米级发展,这使得扫描电子显微镜在集成电路中的应用也越来越广泛。但是扫描电子显微镜图像在拍摄和传输过程中通常会受到电路自身或者环境的噪声干扰,从而导致图像被噪声污染,使得图像质量下降。因此,扫描电子显微镜图像的增强处理对于物质微观结构的分析具有重要的作用。
目前,扫描电子显微镜采集到的半导体器件图像存在斑点状的噪声,这些噪声会对后续半导体器件的分析和观察造成干扰和影响,因此需要对采集到的图像进行增强处理。现有的图像增强方法如直方图均衡化、线性增强等方法均是对图像全局进行处理,在增强图像中半导体特征的同时也增强了图像中的噪声,不符合预期的效果。
发明内容
为了解决现有方法在对扫描电子显微镜采集到的半导体器件图像进行增强处理时,增强图像中半导体特征的同时也增强了图像中的噪声,不符合预期的效果的问题,本发明的目的在于提供一种扫描电子显微镜图像优化增强方法,所采用的技术方案具体如下:
本发明提供了一种扫描电子显微镜图像优化增强方法,该方法包括以下步骤:
获取扫描电子显微镜采集到的集成电路半导体器件的灰度图像及其对应的灰度直方图;
根据所述灰度直方图中每两个相邻灰度级对应的频率的差异情况,确定第一阈值;对所述灰度图像进行直线检测,基于直线检测结果确定特征方向和非特征方向;根据每个特征方向上像素点之间的灰度差异以及所述灰度直方图中最大频率对应的灰度值,得到特征灰度值;
对所述灰度图像中每个非特征方向上像素点的灰度值进行曲线拟合获得每个非特征方向对应的拟合曲线;根据每个非特征方向对应的拟合曲线上峰值点的分布情况,得到每个非特征方向对应的参考灰度值;基于所述特征灰度值和所有的所述参考灰度值确定第二阈值;所述第二阈值小于所述第一阈值;基于所述第一阈值和所述第二阈值对所述灰度图像中的像素点进行分类获得目标像素点和背景像素点;
根据目标像素点对应的灰度值范围对目标像素点的灰度值进行增强处理,根据背景像素点对应的灰度值范围对背景像素点的灰度值进行削弱处理,获得处理后的集成电路半导体器件图像。
优选的,所述根据所述灰度直方图中每两个相邻灰度级对应的频率的差异情况,确定第一阈值,包括:
获取所述灰度直方图中最大频率对应的灰度级记为最大频率灰度级;
对所述灰度直方图中所有灰度级对应的频率进行曲线拟合获得第一曲线;获取所述第一曲线上的峰值点;将所述第一曲线上所述最大频率灰度级右侧的所有峰值点对应的灰度值的均值确定为第一阈值。
优选的,所述对所述灰度图像进行直线检测,基于直线检测结果确定特征方向和非特征方向,包括:
采用霍夫直线检测方法对所述灰度图像进行边缘检测,分别统计水平方向上直线的数量和竖直方向上直线的数量;
将水平方向和竖直方向中直线的数量最多的方向确定为特征方向,将水平方向和竖直方向中直线的数量最少的方向确定为非特征方向。
优选的,所述根据每个特征方向上像素点之间的灰度差异以及所述灰度直方图中最大频率对应的灰度值,得到特征灰度值,包括:
对于任一特征方向:分别计算该特征方向上各像素点的灰度值与该特征方向上所有像素点的灰度均值之间的差值绝对值,作为该特征方向上各像素点对应的灰度差异;将该特征方向上所有像素点对应的灰度差异的平均值,确定为该特征方向的离散程度;
将所有特征方向的离散程度按照从小到大的顺序进行排序获得离散程度序列;
判断所述离散程度序列中的第一个元素所对应的特征方向上所有像素点的灰度均值是否小于所述灰度直方图中最大频率对应的灰度值,若小于,则判断所述离散程度序列中的第二个元素所对应的特征方向上所有像素点的灰度均值是否小于所述灰度直方图中最大频率对应的灰度值,若小于,则继续判断第三个元素所对应的特征方向上所有像素点的灰度均值与所述灰度直方图中最大频率对应的灰度值的大小关系,以此类推,直到所述离散程度序列中的元素所对应的特征方向上所有像素点的灰度均值大于或等于所述灰度直方图中最大频率对应的灰度值,将此时离散程度序列中对应的元素的前一个元素所对应的特征方向上所有像素点的灰度均值确定为特征灰度值。
优选的,所述根据每个非特征方向对应的拟合曲线上峰值点的分布情况,得到每个非特征方向对应的参考灰度值,包括:
对于第j个非特征方向:
判断第j个非特征方向对应的拟合曲线上相邻两个峰值点之间的幅值差异是否小于预设差异阈值,若小于,则将相邻两个峰值点作为同一峰值集合中的峰值点,获得不少于两个峰值集合;
分别计算每个峰值集合中所有峰值点的平均幅值,将平均幅值最大的峰值集合记为第一峰值集合,将平均幅值次大的峰值集合记为第二峰值集合;将所述第一峰值集合中幅值最小的峰值点记为第一峰值;将所述第二峰值集合中幅值最大的峰值点记为第二峰值;
基于所述第一峰值对应的灰度值和所述第二峰值对应的灰度值,确定第j个非特征方向对应的参考灰度值。
优选的,基于所述第一峰值对应的灰度值和所述第二峰值对应的灰度值,确定第j个非特征方向对应的参考灰度值,包括:
将所述第一峰值对应的灰度值与所述第二峰值对应的灰度值之间的差值绝对值,确定为第j个非特征方向对应的参考灰度值。
优选的,所述基于所述特征灰度值和所有的所述参考灰度值确定第二阈值,包括:
计算所有的所述参考灰度值的平均值;
将所述特征灰度值与所述所有的所述参考灰度值的平均值之间的差值,确定为第二阈值。
优选的,所述基于所述第一阈值和所述第二阈值对所述灰度图像中的像素点进行分类获得目标像素点和背景像素点,包括:
将所述灰度图像中灰度值大于所述第二阈值且小于所述第一阈值的像素点,确定为目标像素点;
将所述灰度图像中灰度值小于或等于所述第二阈值的像素点,确定为第一类背景像素点;将所述灰度图像中灰度值大于或等于所述第一阈值的像素点,确定为第二类背景像素点;所述背景像素点包括第一类背景像素点、第二类背景像素点。
优选的,所述根据目标像素点对应的灰度值范围对目标像素点的灰度值进行增强处理,包括:
采用如下公式计算第m个目标像素点对应的增强后的灰度值:
其中,为第m个目标像素点对应的增强后的灰度值,/>为第一阈值,/>为第二阈值,/>为第m个目标像素点的原始灰度值。
优选的,根据背景像素点对应的灰度值范围对背景像素点的灰度值进行削弱处理,包括:
对于第n个第一类背景像素点:将第n个第一类背景像素点的灰度值的一半作为第n个第一类背景像素点对应的削弱后的灰度值;
采用如下公式计算第k个第二类背景像素点对应的削弱后的灰度值:
其中,为第k个第二类背景像素点对应的削弱后的灰度值,/>为第k个第二类背景像素点的原始灰度值,/>为第一阈值,/>为第二阈值。
本发明至少具有如下有益效果:
本发明考虑到扫描电子显微镜采集到的集成电路半导体器件图像存在斑点状的噪声,这些噪声会对后续半导体器件的分析和观察造成干扰和影响,因此需要对扫描电子显微镜采集到的集成电路半导体器件的灰度图像进行增强处理,现有的线性增强方法通常是对全局图像进行线性增强处理,在增强目标像素点的同时也会增强噪声,本发明首先根据集成电路半导体器件的灰度图像对应的灰度直方图中每两个相邻灰度级对应的频率的差异情况,确定了第一阈值,也即上限阈值;然后根据每个非特征方向对应的拟合曲线上峰值点的分布情况,得到了每个非特征方向对应的参考灰度值,并结合特征灰度值确定了第二阈值,也即下限阈值;进一步地本发明基于上限阈值和下限阈值对集成电路半导体器件的灰度图像中的像素点进行了划分,确定了目标像素点和背景像素点,目标像素点包含更多集成电路半导体器件的细节特征,更值得被关注,而背景像素点中存在噪声点,影响后续的分析结果,因此本发明根据目标像素点对应的灰度值范围对目标像素点的灰度值进行了增强处理,根据背景像素点对应的灰度值范围对背景像素点的灰度值进行了削弱处理,使得最终获得的处理后的集成电路半导体器件图像更加突出半导体器件的细节特征,消除噪声的干扰,本发明提供的方法不仅增强了集成电路半导体器件的灰度值特征,也抑制了噪声和背景的灰度值特征,扫描电子显微镜图像的优化增强效果更好。
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和优点,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的介绍,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它附图。
图1为本发明实施例所提供的一种扫描电子显微镜图像优化增强方法的流程图;
图2为本发明实施例所提供的一种基于扫描电子显微镜图像的半导体器件质量检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种扫描电子显微镜图像优化增强方法进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种扫描电子显微镜图像优化增强方法的具体方案。
一种扫描电子显微镜图像优化增强方法实施例:
本实施例所针对的具体场景为:扫描电子显微镜采集的集成电路半导体器件图像通常存在大量噪声,对后续集成电路半导体器件图像的处理和分析会造成一定的影响,因此通常需要对噪声进行去除从而达到图像增强的效果。本实施例首先获取扫描电子显微镜采集到的集成电路半导体器件的灰度图像以及灰度图像对应的灰度直方图,然后对采集到的集成电路半导体器件的灰度图像及其对应的灰度直方图进行分析,确定第一阈值和第二阈值;并基于第一阈值和第二阈值对集成电路半导体器件的灰度图像中的像素点进行分类,确定背景像素点和目标像素点,后续进行分析时目标像素点是更值得关注的,因此本实施例将对背景像素点进行削弱处理,对目标像素点进行增强处理,更凸显灰度图像中目标像素点的特征,使得图像的增强效果更好。
本实施例提出了一种扫描电子显微镜图像优化增强方法,如图1所示,本实施例的一种扫描电子显微镜图像优化增强方法包括以下步骤:
步骤S1,获取扫描电子显微镜采集到的集成电路半导体器件的灰度图像及其对应的灰度直方图。
本实施例首先利用扫描电子显微镜采集集成电路半导体器件的表面图像,需要说明的是:本实施例采集到的集成电路半导体器件的表面图像中只包含信息区,不包含参数区。对采集到的集成电路半导体器件的表面图像进行预处理以及灰度化处理,将灰度化处理后的图像记为集成电路半导体器件的灰度图像。图像的预处理以及灰度化处理均为现有技术,此处不再过多赘述。
在集成电路半导体器件的灰度图像中,统计每种灰度值的像素点出现的频率,根据每种灰度值的像素点出现的频率,构建集成电路半导体器件的灰度图像对应的灰度直方图,灰度直方图的横坐标为灰度级,纵坐标为频率。灰度直方图的构建方法为现有技术,此处不再过多赘述。
至此,获得了集成电路半导体器件的灰度图像及其对应的灰度直方图。
步骤S2,根据所述灰度直方图中每两个相邻灰度级对应的频率的差异情况,确定第一阈值;对所述灰度图像进行直线检测,基于直线检测结果确定特征方向和非特征方向;根据每个特征方向上像素点之间的灰度差异以及所述灰度直方图中最大频率对应的灰度值,得到特征灰度值。
集成电路半导体器件的灰度图像中背景像素点占有大量的灰度级,在灰度直方图中表现为单峰特性,半导体特征目标信息与噪声的灰度级差别较小,因此很难直接在灰度直方图中将目标区域确定出来。本实施例将根据灰度图像中半导体的灰度特征以及在灰度直方图中的分布情况,确定一个上限阈值来设定为目标区域的灰度值上限将目标与噪声区分出来,确定一个下限阈值来设定为目标段区域的灰度值上限将目标与背景区分出来。需要说明的是:本实施例中的目标区域为包含半导体器件大量细节特征的区域,也即集成电路半导体器件的灰度图像中除背景区域和噪声点外的区域。
信息区的细节信息所在区域像素点的灰度值通常较高,在灰度直方图中通常位于单峰背景部分的右侧,且右侧存在着较多的局部峰值点,目标区域的灰度特征之间较接近且呈现聚集分布的情况,基于此,本实施例根据灰度直方图中每两个相邻灰度级对应的频率的差异情况,确定上限阈值,也即第一阈值。
具体地,获取所述灰度直方图中最大频率对应的灰度级记为最大频率灰度级;对所述灰度直方图中所有灰度级对应的频率进行曲线拟合获得一条曲线,将此时获得的曲线记为第一曲线;获取所述第一曲线上的峰值点;获取第一曲线上所述最大频率灰度级右侧的所有峰值点,将第一曲线上所述最大频率灰度级右侧的所有峰值点对应的灰度值的均值确定为第一阈值。
图像中噪点的灰度值和目标像素点的灰度值差异较小,在灰度直方图中无法直接将它们区分出来。而由于半导体器件在集成电路半导体器件的灰度图像中的位置较固定,因此可以根据灰度图像中像素点的灰度值分布曲线来对噪点和目标像素点的灰度值差异进行度量,进而在灰度直方图中找到下限阈值,也即第二阈值。
半导体器件一般在集成电路半导体器件的灰度图像中表现为水平方向或竖直方向连续的灰度值分布特征,在集成电路半导体器件的灰度图像中呈现条带状,且在其边缘有较明显的高亮区域。因此本实施例将首先对集成电路半导体器件的灰度图像进行直线检测,基于直线检测结果确定特征方向和非特征方向,特征方向为图像中条带状的主方向。具体地,采用霍夫直线检测方法对集成电路半导体器件的灰度图像进行边缘检测,分别统计水平方向上直线的数量和竖直方向上直线的数量;将水平方向和竖直方向中直线的数量最多的方向确定为特征方向,将水平方向和竖直方向中直线的数量最少的方向确定为非特征方向。霍夫直线检测为现有技术,此处不再过多赘述。
对于任一特征方向:计算该特征方向上所有像素点的灰度均值,分别将该特征方向上各像素点的灰度值与该特征方向上所有像素点的灰度均值之间的差值绝对值,作为该特征方向上各像素点对应的灰度差异;该特征方向上一个像素点对应一个灰度差异,将该特征方向上所有像素点对应的灰度差异的平均值,确定为该特征方向的离散程度。
采用上述方法,能够获得每个特征方向的离散程度。需要说明的是:若特征方向为水平方向,则对于集成电路半导体器件的灰度图像,每一行均为一个特征方向,每一列均为一个非特征方向,每一行均对应一个离散程度;若特征方向为竖直方向,则对于集成电路半导体器件的灰度图像,每一列均为一个特征方向,每一行均为一个非特征方向,每一列均对应一个离散程度。将集成电路半导体器件的灰度图像中所有特征方向的离散程度按照从小到大的顺序进行排序获得离散程度序列;按照从左到右的顺序依次对离散程度序列中的元素进行判断,具体地,判断所述离散程度序列中的第一个元素所对应的特征方向上所有像素点的灰度均值是否小于所述灰度直方图中最大频率对应的灰度值,若小于,则判断所述离散程度序列中的第二个元素所对应的特征方向上所有像素点的灰度均值是否小于所述灰度直方图中最大频率对应的灰度值,若小于,则继续判断第三个元素所对应的特征方向上所有像素点的灰度均值与所述灰度直方图中最大频率对应的灰度值的大小关系,以此类推,直到所述离散程度序列中的元素所对应的特征方向上所有像素点的灰度均值大于或等于所述灰度直方图中最大频率对应的灰度值,将此时离散程度序列中对应的元素的前一个元素所对应的特征方向上所有像素点的灰度均值确定为特征灰度值。例如:若离散程度序列中的第4个元素所对应的特征方向上所有像素点的灰度均值小于所述灰度直方图中最大频率对应的灰度值,且离散程度序列中的第5个元素所对应的特征方向上所有像素点的灰度均值大于或等于所述灰度直方图中最大频率对应的灰度值,则将离散程度序列中第4个元素所对应的特征方向上所有像素点的灰度均值确定为特征灰度值。
步骤S3,对所述灰度图像中每个非特征方向上像素点的灰度值进行曲线拟合获得每个非特征方向对应的拟合曲线;根据每个非特征方向对应的拟合曲线上峰值点的分布情况,得到每个非特征方向对应的参考灰度值;基于所述特征灰度值和所有的所述参考灰度值确定第二阈值;所述第二阈值小于所述第一阈值;基于所述第一阈值和所述第二阈值对所述灰度图像中的像素点进行分类获得目标像素点和背景像素点。
由于半导体器件的边缘在灰度图像中表现为一条高亮的条带区域且像素点灰度值较接近,对应的灰度值曲线峰值较小,因此曲线较平缓、像素点的灰度值较聚集。考虑到灰度图像中的噪点随机分布在背景区域中且与背景区域像素点的灰度值区别明显,所以在曲线上表现为有明显的峰值点,且像素点的灰度值比较分散,因此可以根据每个特征方向上像素点的灰度值的离散程度来判断对应特征方向上的像素点是更偏向于目标区域还是噪声区域。又由于目标区域在灰度图像中的位置不同而在曲线中可能会表现出多个相近的峰值,同时噪声也会由于在灰度图像中的位置不同而在曲线中表现为多个相近的峰值。
特征灰度值表征灰度图像中半导体边缘条状带中亮度最高的特征方向上所有像素点的平均灰度值。由于条状带边缘部分也是目标区域的一部分,且该区域像素点的灰度值比特征灰度值略小一些,因此需要计算出这个临界值来将目标区域的下限阈值更准确地表示出来。由于半导体器件的边缘条状带区域像素点在灰度图像中表现为高灰度值,对应非特征方向的灰度值曲线中的峰值点。噪点的灰度值和目标区域像素点的灰度值较接近但小于目标区域像素点的灰度值。
基于此,本实施例首先对集成电路半导体器件的灰度图像中每个非特征方向上像素点的灰度值进行曲线拟合获得每个非特征方向对应的拟合曲线,一个非特征方向对应一条拟合曲线;曲线拟合为现有技术,此处不再过多赘述。接下来本实施例将根据每个非特征方向对应的拟合曲线上峰值点的分布情况,得到每个非特征方向对应的参考灰度值,进而确定下限阈值,也即第二阈值。具体地,对于第j个非特征方向:判断第j个非特征方向对应的拟合曲线上相邻两个峰值点之间的幅值差异是否小于预设差异阈值,若小于,则将相邻两个峰值点作为同一峰值集合中的峰值点;若大于或等于,则相邻的两个峰值点不能作为同一峰值集合中的峰值点。本实施例中的预设差异阈值为10,在具体应用中,实施者可根据具体情况进行设置。采用上述方法,获得多个峰值集合;分别计算每个峰值集合中所有峰值点的平均幅值,每个峰值集合对应一个平均幅值;将平均幅值最大的峰值集合记为第一峰值集合,将平均幅值次大的峰值集合记为第二峰值集合,也即将除平均幅值最大的峰值集合之外,其他所有峰值集合中平均幅值最大的峰值集合作为了第二峰值集合;将所述第一峰值集合中幅值最小的峰值点记为第一峰值;将所述第二峰值集合中幅值最大的峰值点记为第二峰值;将所述第一峰值对应的灰度值与所述第二峰值对应的灰度值之间的差值绝对值,确定为第j个非特征方向对应的参考灰度值。采用上述方法,能够获得每个非特征方向对应的参考灰度值。计算所有的所述参考灰度值的平均值;将所述特征灰度值与所述所有的所述参考灰度值的平均值之间的差值,确定为第二阈值。
至此,本实施例确定了第一阈值和第二阈值,其中第一阈值大于第二阈值。基于第一阈值和第二阈值对集成电路半导体器件的灰度图像中的像素点进行划分,能够使目标区域的像素点和背景区域的像素点之间的过渡区间更明显。因此,本实施例将集成电路半导体器件的灰度图像中灰度值大于所述第二阈值且小于所述第一阈值的像素点,确定为目标像素点,也即目标区域的像素点;将集成电路半导体器件的灰度图像中灰度值小于或等于所述第二阈值的像素点,确定为第一类背景像素点;将集成电路半导体器件的灰度图像中灰度值大于或等于所述第一阈值的像素点,确定为第二类背景像素点;所述背景像素点包括第一类背景像素点、第二类背景像素点。
至此,本实施例将集成电路半导体器件的灰度图像中的像素点划分为了背景像素点和目标像素点,其中背景像素点又分为第一类背景像素点和第二类背景像素点,第一类背景像素点的灰度值小于第二类背景像素点的灰度值,目标像素点的灰度值大于第一类背景像素点的灰度值,且目标像素点的灰度值小于第二类背景像素点的灰度值。
步骤S4,根据目标像素点对应的灰度值范围对目标像素点的灰度值进行增强处理,根据背景像素点对应的灰度值范围对背景像素点的灰度值进行削弱处理,获得处理后的集成电路半导体器件图像。
本实施例在步骤S3中将集成电路半导体器件的灰度图像中的像素点划分为了第一类背景像素点、第二类背景像素点和目标像素点,目标像素点包含集成电路半导体器件的细节信息,目标像素点更值得被关注,因此本实施例将对目标像素点进行增强处理,对背景像素点进行削弱处理,使得处理后的图像中目标像素点所表现的特征更突出。
具体地,本实施例以一个目标像素点为例进行说明,对于其他目标像素点均可采用本实施例提供的方法进行处理。对于第m个目标像素点,其对应的增强后的灰度值的具体计算公式为:
其中,为第m个目标像素点对应的增强后的灰度值,/>为第一阈值,/>为第二阈值,/>为第m个目标像素点的原始灰度值。
采用上述方法,能够获得每个目标像素点对应的增强后的灰度值。
接下来本实施例将基于背景像素点所对应的灰度区间,对不同类别的背景像素点进行不同程度地削弱处理,根据背景像素点对应的灰度值范围对背景像素点的灰度值进行削弱处理,也即分别对第一类背景像素点和第二类背景像素点的原始灰度值进行不同程度地削弱,确定削弱后的灰度值。本实施例将以一个第一类背景像素点和一个第二类背景像素点为例进行说明,对于其他第一类背景像素点和其他第二类背景像素点均可采用本实施例提供的方法进行处理。
对于第n个第一类背景像素点:将第n个第一类背景像素点的灰度值的一半作为第n个第一类背景像素点对应的削弱后的灰度值。
对于第k个第二类背景像素点,其对应的削弱后的灰度值的具体计算公式为:
其中,为第k个第二类背景像素点对应的削弱后的灰度值,/>为第k个第二类背景像素点的原始灰度值,/>为第一阈值,/>为第二阈值。
采用上述方法,能够获得每个第一类背景像素点对应的削弱后的灰度值、每个第二类背景像素点对应的削弱后的灰度值以及每个目标像素点对应的增强后的灰度值,本实施例对所有背景像素点的灰度值进行了削弱处理,对所有目标像素点的灰度值进行了增强处理,使得第一类背景像素点的灰度值进行了减半,将第二类背景像素点的灰度值调整到了内。利用集成电路半导体器件的灰度图像中每个像素点处理后的灰度值替换其对应的原始灰度值,将全部替换完成后的图像作为处理后的集成电路半导体器件图像;需要说明的是:集成电路半导体器件的灰度图像中背景像素点处理后的灰度值为对应的削弱后的灰度值,集成电路半导体器件的灰度图像中目标像素点处理后的灰度值为对应的增强后的灰度值。
至此,采用本实施例提供的方法,获得了处理后的集成电路半导体器件图像,处理后的集成电路半导体器件图像达到了局部增强的效果,排除了噪声的干扰,更加凸显集成电路半导体器件的细节特征,便于后续的分析处理。
本实施例考虑到扫描电子显微镜采集到的集成电路半导体器件图像存在斑点状的噪声,这些噪声会对后续半导体器件的分析和观察造成干扰和影响,因此需要对扫描电子显微镜采集到的集成电路半导体器件的灰度图像进行增强处理,现有的线性增强方法通常是对全局图像进行线性增强处理,在增强目标像素点的同时也会增强噪声,本实施例首先根据集成电路半导体器件的灰度图像对应的灰度直方图中每两个相邻灰度级对应的频率的差异情况,确定了第一阈值,也即上限阈值;然后根据每个非特征方向对应的拟合曲线上峰值点的分布情况,得到了每个非特征方向对应的参考灰度值,并结合特征灰度值确定了第二阈值,也即下限阈值;进一步地本实施例基于上限阈值和下限阈值对集成电路半导体器件的灰度图像中的像素点进行了划分,确定了目标像素点和背景像素点,目标像素点包含更多集成电路半导体器件的细节特征,更值得被关注,而背景像素点中存在噪声点,影响后续的分析结果,因此本实施例根据目标像素点对应的灰度值范围对目标像素点的灰度值进行了增强处理,根据背景像素点对应的灰度值范围对背景像素点的灰度值进行了削弱处理,使得最终获得的处理后的集成电路半导体器件图像更加突出半导体器件的细节特征,消除噪声的干扰,本实施例提供的方法不仅增强了集成电路半导体器件的灰度值特征,也抑制了噪声和背景的灰度值特征,图像的优化增强效果更好。
基于扫描电子显微镜图像的半导体器件质量检测方法实施例:
基于扫描电子显微镜图像对半导体器件进行质量检测时,扫描电子显微镜采集到的半导体器件图像存在斑点状的噪声,这些噪声会对后续半导体器件的质量检测造成干扰和影响,因此需要对采集到的图像进行增强处理,现有的图像增强方法在对半导体器件图像进行增强时的增强效果较差,进而使得半导体器件的质量检测结果不准确。
为了解决现有方法在对半导体器件进行质量检测时存在的检测结果不准确的问题,本发明的目的在于提供一种基于扫描电子显微镜图像的半导体器件质量检测方法,所采用的技术方案具体如下:
本实施例提出了一种基于扫描电子显微镜图像的半导体器件质量检测方法,如图2所示,本实施例的一种基于扫描电子显微镜图像的半导体器件质量检测方法包括以下步骤:
步骤S1,获取扫描电子显微镜采集到的集成电路半导体器件的灰度图像及其对应的灰度直方图。
步骤S2,根据所述灰度直方图中每两个相邻灰度级对应的频率的差异情况,确定第一阈值;对所述灰度图像进行直线检测,基于直线检测结果确定特征方向和非特征方向;根据每个特征方向上像素点之间的灰度差异以及所述灰度直方图中最大频率对应的灰度值,得到特征灰度值。
步骤S3,对所述灰度图像中每个非特征方向上像素点的灰度值进行曲线拟合获得每个非特征方向对应的拟合曲线;根据每个非特征方向对应的拟合曲线上峰值点的分布情况,得到每个非特征方向对应的参考灰度值;基于所述特征灰度值和所有的所述参考灰度值确定第二阈值;所述第二阈值小于所述第一阈值;基于所述第一阈值和所述第二阈值对所述灰度图像中的像素点进行分类获得目标像素点和背景像素点。
步骤S4,根据目标像素点对应的灰度值范围对目标像素点的灰度值进行增强处理,根据背景像素点对应的灰度值范围对背景像素点的灰度值进行削弱处理,获得处理后的集成电路半导体器件图像。
步骤S5,基于处理后的集成电路半导体器件图像对集成电路半导体器件的质量进行检测。
其中,步骤S1~步骤S4在一种扫描电子显微镜图像优化增强方法实施例中已经给出了详细说明,不再赘述。以下对步骤S5进行具体描述。
步骤S5,基于处理后的集成电路半导体器件图像对集成电路半导体器件的质量进行检测。
处理后的集成电路半导体器件图像中半导体器件的细节特征更加突出,本实施例将处理后的集成电路半导体器件图像输入到训练好的语义分割网络中,该语义分割网络的作用是对处理后的集成电路半导体器件图像中的像素点进行分类,进而判断处理后的集成电路半导体器件图像是否存在缺陷区域,因此语义分割网络对处理后的集成电路半导体器件图像中的像素点进行了分类,输出为划分好的图像。语义分割网络的训练方法为现有技术,此处不再过多赘述。然后本实施例统计缺陷区域中像素点在图像中的占比,判断该占比是否大于预设占比阈值,若大于,则判定集成电路半导体器件的质量不合格;若小于等于,则判定集成电路半导体器件的质量合格。本实施例中的预设占比阈值为3%,在具体应用中,实施者可根据具体情况进行设置。
本实施例结合了语义分割网络对集成电路半导体器件的质量进行了判断,作为其他实施方式,也可以采用将处理后的集成电路半导体器件图像与标准图像进行匹配,基于匹配结果对集成电路半导体器件的质量进行判断的方法。
至此,采用本实施例提供的方法完成了对集成电路半导体器件的质量的智能检测,提高了检测结果的准确度和可信度。
本实施例提供的基于扫描电子显微镜图像的半导体器件质量检测方法具有如下有益效果:
本实施例首先根据集成电路半导体器件的灰度图像对应的灰度直方图中每两个相邻灰度级对应的频率的差异情况,确定了第一阈值,也即上限阈值;然后根据每个非特征方向对应的拟合曲线上峰值点的分布情况,得到了每个非特征方向对应的参考灰度值,并结合特征灰度值确定了第二阈值,也即下限阈值;进一步地本实施例基于上限阈值和下限阈值对集成电路半导体器件的灰度图像中的像素点进行了划分,确定了目标像素点和背景像素点,目标像素点包含更多集成电路半导体器件的细节特征,更值得被关注,而背景像素点中存在噪声点,影响后续的分析结果,因此本实施例根据目标像素点对应的灰度值范围对目标像素点的灰度值进行了增强处理,根据背景像素点对应的灰度值范围对背景像素点的灰度值进行了削弱处理,使得最终获得的处理后的集成电路半导体器件图像更加突出半导体器件的细节特征,消除噪声的干扰,进而基于处理后的集成电路半导体器件图像对集成电路半导体器件的质量进行检测,提高了集成电路半导体器件的质量检测结果的准确度。
需要说明的是: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 (7)
1.一种扫描电子显微镜图像优化增强方法,其特征在于,该方法包括以下步骤:
获取扫描电子显微镜采集到的集成电路半导体器件的灰度图像及其对应的灰度直方图;
根据所述灰度直方图中每两个相邻灰度级对应的频率的差异情况,确定第一阈值;对所述灰度图像进行直线检测,基于直线检测结果确定特征方向和非特征方向;根据每个特征方向上像素点之间的灰度差异以及所述灰度直方图中最大频率对应的灰度值,得到特征灰度值;
对所述灰度图像中每个非特征方向上像素点的灰度值进行曲线拟合获得每个非特征方向对应的拟合曲线;根据每个非特征方向对应的拟合曲线上峰值点的分布情况,得到每个非特征方向对应的参考灰度值;基于所述特征灰度值和所有的所述参考灰度值确定第二阈值;所述第二阈值小于所述第一阈值;基于所述第一阈值和所述第二阈值对所述灰度图像中的像素点进行分类获得目标像素点和背景像素点;
根据目标像素点对应的灰度值范围对目标像素点的灰度值进行增强处理,根据背景像素点对应的灰度值范围对背景像素点的灰度值进行削弱处理,获得处理后的集成电路半导体器件图像;
所述对所述灰度图像进行直线检测,基于直线检测结果确定特征方向和非特征方向,包括:
采用霍夫直线检测方法对所述灰度图像进行边缘检测,分别统计水平方向上直线的数量和竖直方向上直线的数量;
将水平方向和竖直方向中直线的数量最多的方向确定为特征方向,将水平方向和竖直方向中直线的数量最少的方向确定为非特征方向;
所述根据每个特征方向上像素点之间的灰度差异以及所述灰度直方图中最大频率对应的灰度值,得到特征灰度值,包括:
对于任一特征方向:分别计算该特征方向上各像素点的灰度值与该特征方向上所有像素点的灰度均值之间的差值绝对值,作为该特征方向上各像素点对应的灰度差异;将该特征方向上所有像素点对应的灰度差异的平均值,确定为该特征方向的离散程度;
将所有特征方向的离散程度按照从小到大的顺序进行排序获得离散程度序列;
判断所述离散程度序列中的第一个元素所对应的特征方向上所有像素点的灰度均值是否小于所述灰度直方图中最大频率对应的灰度值,若小于,则判断所述离散程度序列中的第二个元素所对应的特征方向上所有像素点的灰度均值是否小于所述灰度直方图中最大频率对应的灰度值,若小于,则继续判断第三个元素所对应的特征方向上所有像素点的灰度均值与所述灰度直方图中最大频率对应的灰度值的大小关系,以此类推,直到所述离散程度序列中的元素所对应的特征方向上所有像素点的灰度均值大于或等于所述灰度直方图中最大频率对应的灰度值,将此时离散程度序列中对应的元素的前一个元素所对应的特征方向上所有像素点的灰度均值确定为特征灰度值;
所述根据每个非特征方向对应的拟合曲线上峰值点的分布情况,得到每个非特征方向对应的参考灰度值,包括:
对于第j个非特征方向:
判断第j个非特征方向对应的拟合曲线上相邻两个峰值点之间的幅值差异是否小于预设差异阈值,若小于,则将相邻两个峰值点作为同一峰值集合中的峰值点,获得不少于两个峰值集合;
分别计算每个峰值集合中所有峰值点的平均幅值,将平均幅值最大的峰值集合记为第一峰值集合,将平均幅值次大的峰值集合记为第二峰值集合;将所述第一峰值集合中幅值最小的峰值点记为第一峰值;将所述第二峰值集合中幅值最大的峰值点记为第二峰值;
基于所述第一峰值对应的灰度值和所述第二峰值对应的灰度值,确定第j个非特征方向对应的参考灰度值。
2.根据权利要求1所述的一种扫描电子显微镜图像优化增强方法,其特征在于,所述根据所述灰度直方图中每两个相邻灰度级对应的频率的差异情况,确定第一阈值,包括:
获取所述灰度直方图中最大频率对应的灰度级记为最大频率灰度级;
对所述灰度直方图中所有灰度级对应的频率进行曲线拟合获得第一曲线;获取所述第一曲线上的峰值点;将所述第一曲线上所述最大频率灰度级右侧的所有峰值点对应的灰度值的均值确定为第一阈值。
3.根据权利要求1所述的一种扫描电子显微镜图像优化增强方法,其特征在于,基于所述第一峰值对应的灰度值和所述第二峰值对应的灰度值,确定第j个非特征方向对应的参考灰度值,包括:
将所述第一峰值对应的灰度值与所述第二峰值对应的灰度值之间的差值绝对值,确定为第j个非特征方向对应的参考灰度值。
4.根据权利要求1所述的一种扫描电子显微镜图像优化增强方法,其特征在于,所述基于所述特征灰度值和所有的所述参考灰度值确定第二阈值,包括:
计算所有的所述参考灰度值的平均值;
将所述特征灰度值与所述所有的所述参考灰度值的平均值之间的差值,确定为第二阈值。
5.根据权利要求1所述的一种扫描电子显微镜图像优化增强方法,其特征在于,所述基于所述第一阈值和所述第二阈值对所述灰度图像中的像素点进行分类获得目标像素点和背景像素点,包括:
将所述灰度图像中灰度值大于所述第二阈值且小于所述第一阈值的像素点,确定为目标像素点;
将所述灰度图像中灰度值小于或等于所述第二阈值的像素点,确定为第一类背景像素点;将所述灰度图像中灰度值大于或等于所述第一阈值的像素点,确定为第二类背景像素点;所述背景像素点包括第一类背景像素点、第二类背景像素点。
6.根据权利要求1所述的一种扫描电子显微镜图像优化增强方法,其特征在于,所述根据目标像素点对应的灰度值范围对目标像素点的灰度值进行增强处理,包括:
采用如下公式计算第m个目标像素点对应的增强后的灰度值:
其中,为第m个目标像素点对应的增强后的灰度值,/>为第一阈值,/>为第二阈值,为第m个目标像素点的原始灰度值。
7.根据权利要求5所述的一种扫描电子显微镜图像优化增强方法,其特征在于,根据背景像素点对应的灰度值范围对背景像素点的灰度值进行削弱处理,包括:
对于第n个第一类背景像素点:将第n个第一类背景像素点的灰度值的一半作为第n个第一类背景像素点对应的削弱后的灰度值;
采用如下公式计算第k个第二类背景像素点对应的削弱后的灰度值:
其中,为第k个第二类背景像素点对应的削弱后的灰度值,/>为第k个第二类背景像素点的原始灰度值,/>为第一阈值,/>为第二阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226888.6A CN116977230B (zh) | 2023-09-22 | 2023-09-22 | 一种扫描电子显微镜图像优化增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226888.6A CN116977230B (zh) | 2023-09-22 | 2023-09-22 | 一种扫描电子显微镜图像优化增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116977230A CN116977230A (zh) | 2023-10-31 |
CN116977230B true CN116977230B (zh) | 2024-01-02 |
Family
ID=88477037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311226888.6A Active CN116977230B (zh) | 2023-09-22 | 2023-09-22 | 一种扫描电子显微镜图像优化增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977230B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611459B (zh) * | 2024-01-23 | 2024-03-26 | 广东省农业科学院农业生物基因研究中心 | 一种炎症性肠炎微细结构增强方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322497A (zh) * | 2019-06-18 | 2019-10-11 | 中国石油大学(华东) | 一种基于三维可视化的交互式点云对象提取方法 |
WO2019201184A1 (zh) * | 2018-04-20 | 2019-10-24 | 杭州海康威视数字技术股份有限公司 | 一种车牌增强方法、装置及电子设备 |
CN112102202A (zh) * | 2020-09-27 | 2020-12-18 | 河南工业大学 | 一种图像分割方法和图像处理装置 |
CN113487478A (zh) * | 2021-06-30 | 2021-10-08 | 南昌欧菲光电技术有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN113538491A (zh) * | 2021-09-15 | 2021-10-22 | 风脉能源(武汉)股份有限公司 | 一种基于自适应阈值的边缘识别方法、***及存储介质 |
CN114937055A (zh) * | 2022-03-31 | 2022-08-23 | 江苏益捷思信息科技有限公司 | 基于人工智能的图像自适应分割方法与*** |
CN115661147A (zh) * | 2022-12-26 | 2023-01-31 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 基于机器视觉的计量检测数据识别方法 |
CN116385439A (zh) * | 2023-06-05 | 2023-07-04 | 山东兰通机电有限公司 | 基于图像处理的电机橡胶减震垫质量检测方法 |
CN116523913A (zh) * | 2023-07-03 | 2023-08-01 | 惠州市金思维科技有限公司 | 一种丝杆质量智能检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021030B (zh) * | 2019-03-05 | 2023-04-25 | 中国矿业大学 | 一种岩土体材料数字图像的分割阈值确定方法 |
-
2023
- 2023-09-22 CN CN202311226888.6A patent/CN116977230B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019201184A1 (zh) * | 2018-04-20 | 2019-10-24 | 杭州海康威视数字技术股份有限公司 | 一种车牌增强方法、装置及电子设备 |
CN110322497A (zh) * | 2019-06-18 | 2019-10-11 | 中国石油大学(华东) | 一种基于三维可视化的交互式点云对象提取方法 |
CN112102202A (zh) * | 2020-09-27 | 2020-12-18 | 河南工业大学 | 一种图像分割方法和图像处理装置 |
CN113487478A (zh) * | 2021-06-30 | 2021-10-08 | 南昌欧菲光电技术有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN113538491A (zh) * | 2021-09-15 | 2021-10-22 | 风脉能源(武汉)股份有限公司 | 一种基于自适应阈值的边缘识别方法、***及存储介质 |
CN114937055A (zh) * | 2022-03-31 | 2022-08-23 | 江苏益捷思信息科技有限公司 | 基于人工智能的图像自适应分割方法与*** |
CN115661147A (zh) * | 2022-12-26 | 2023-01-31 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 基于机器视觉的计量检测数据识别方法 |
CN116385439A (zh) * | 2023-06-05 | 2023-07-04 | 山东兰通机电有限公司 | 基于图像处理的电机橡胶减震垫质量检测方法 |
CN116523913A (zh) * | 2023-07-03 | 2023-08-01 | 惠州市金思维科技有限公司 | 一种丝杆质量智能检测方法 |
Non-Patent Citations (5)
Title |
---|
Deep Hough Transform for Semantic Line Detection;Kai Zhao et al.;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;第44卷(第9期);第4793-4806页 * |
Edge determination improvement of scanning electron microscope images by inpainting and anisotropic diffusion for measurement and analysis of microstructures;Shuiquan Pang et al.;《Measurement》;第176卷;第1-11页 * |
Minimum mean brightness error quad histogram equalization for scanning electron microscope images;N.A.I.S. Mohd Shukri et al.;《2016 International Conference on Robotics, Automation and Sciences (ICORAS)》;第1-6页 * |
基于灰度直方图拟合曲线的数字图像多阈值分割技术研究;梁忠伟等;《现代制造工程》(第09期);第103-106页 * |
电器产品的工作电压测试与分析;孔强强等;《电子质量》(第01期);第9-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116977230A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及*** | |
CN115082482B (zh) | 一种金属表面缺陷检测方法 | |
CN115601364B (zh) | 基于图像分析的金手指电路板检测方法 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN114926463B (zh) | 一种适用于芯片电路板的生产质量检测方法 | |
CN116977230B (zh) | 一种扫描电子显微镜图像优化增强方法 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN108537787B (zh) | 一种人脸图像的质量判定方法 | |
CN115841488B (zh) | 一种基于计算机视觉的pcb板的检孔方法 | |
CN115249246A (zh) | 一种光学玻璃表面缺陷检测方法 | |
CN115689948B (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及*** | |
CN115115637B (zh) | 基于图像金字塔思想的布匹缺陷检测方法 | |
CN115311484B (zh) | 一种焊缝数据的优化聚类分割方法 | |
CN115965624A (zh) | 一种抗磨液压油污染颗粒检测方法 | |
CN112067618A (zh) | 一种基于图形化的产品质量缺陷采集分析*** | |
CN115330795A (zh) | 布匹毛刺缺陷检测方法 | |
CN117351017A (zh) | 一种光伏钢结构组件缺陷视觉检测方法 | |
CN117274293B (zh) | 基于图像特征的细菌菌落精确划分方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN116229438B (zh) | 一种纺纱质量视觉识别*** | |
CN115953774B (zh) | 基于机器视觉的报警器显示数码识别方法 | |
CN114742832B (zh) | 一种MiniLED薄板的焊接缺陷检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |