CN117974601B - 基于模板匹配的硅片表面缺陷检测方法及*** - Google Patents
基于模板匹配的硅片表面缺陷检测方法及*** Download PDFInfo
- Publication number
- CN117974601B CN117974601B CN202410139542.0A CN202410139542A CN117974601B CN 117974601 B CN117974601 B CN 117974601B CN 202410139542 A CN202410139542 A CN 202410139542A CN 117974601 B CN117974601 B CN 117974601B
- Authority
- CN
- China
- Prior art keywords
- image
- silicon wafer
- matching
- template
- difference model
- 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
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 161
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 161
- 239000010703 silicon Substances 0.000 title claims abstract description 161
- 230000007547 defect Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000007689 inspection Methods 0.000 claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims description 18
- 238000013519 translation Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 235000012431 wafers Nutrition 0.000 abstract description 111
- 230000008569 process Effects 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 9
- 230000002950 deficient Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于模板匹配的硅片表面缺陷检测方法及***,包括,采集良品硅片图像,进行自动全局阈值分割及矩形分割获取感兴趣区域;将滤波后图像进行金字塔操作,创建对应的形状轮廓,构建差异模型;利用标准硅片的训练图像对差异模型进行训练,对差异模型中的检查模板进行配准;获取待检测硅片图像提取感兴趣区域,将待检测硅片图像的感兴趣区域导入差异模型,利用检查模板进行匹配,根据匹配结果提取匹配差异。本发明利用图像金字塔增强模板匹配过程,通过多尺度匹配实现更稳健、更准确的匹配,提供缺陷的精确定位,从而提高特征检测或缺陷识别的可靠性。
Description
技术领域
本发明涉及太阳能光伏电池制造技术领域,更具体的,涉及一种基于模板匹配的硅片表面缺陷检测方法及***。
背景技术
硅片生产是太阳能光伏电池生产当中的重要环节。硅片在生产过程当中,由于制造工艺,材料,生产设备等因素影响,往往存在色差、隐裂、崩边缺角、极小缺口等缺陷。此类缺陷会导致后续太阳能光伏电池的产品质量不达标。为保证硅片生产的良品率,需要对以上缺陷进行检测筛除。
传统的检测方法采用人眼方式进行检测,在准确率和效率方面都较低,存在错检,漏检的情况。而且人工操作硅片易对硅片造成污染。因此,如何通过模板匹配方式及时准确的甄别检测硅片崩边缺角等缺陷,帮助改进硅片生产流程,提高产品质量及生产效率是亟需解决的问题之一。
发明内容
为了解决上述技术问题,本发明提出了一种基于多维特征的复杂装备故障诊断方法及***,以解决现有人工硅片缺陷检测方式效率低的问题。
本发明第一方面提供了一种基于模板匹配的硅片表面缺陷检测方法,包括:
采集良品硅片图像,将所述良品硅片图像进行自动全局阈值分割及矩形分割,去除硅片背景,获取感兴趣区域;
对所述感兴趣区域进行均值滤波,并将滤波后图像进行金字塔操作,创建对应的形状轮廓,构建差异模型;
利用标准硅片的训练图像对所述差异模型进行训练,对差异模型中的检查模板进行配准,优化对应的检查模板;
获取待检测硅片图像提取感兴趣区域,将待检测硅片图像的感兴趣区域导入差异模型,利用检查模板进行匹配,根据匹配结果提取匹配差异,将差异部分进可视化显示。
本方案中,将所述良品硅片图像进行自动全局阈值分割及矩形分割,具体为:
采集良品硅片图像,根据像素强度值将所述良品硅片图像分为背景区域及前景区域,采用OSTU算法自动确定最佳阈值;
通过所述最佳阈值对所述良品硅片图像进行自动全局阈值分割,在前景区域中获取良品硅片的摆放区域;
在良品硅片的摆放区域中利用Canny边缘检测算法获取边缘特征,基于所述边缘特征进行矩形分割,将背景进行进一步分割,获取感兴趣区域。
本方案中,对所述感兴趣区域进行均值滤波,并将滤波后图像进行金字塔操作,创建对应的形状轮廓,构建差异模型,具体为:
将所述感兴趣区域进行均值滤波通过平滑像素强度的变化减少高频噪声,利用图像金字塔提取所述感兴趣区域的原始多尺度特征,嵌入通道注意力机制对所述原始多尺度特征进行过滤,获取过滤后的多尺度特征;
对所述多尺度特征进行卷积操作获取显著特征,获取不同大小形状的显著性对象,经过特征上采样后将所述显著特征与所述原始多尺度特征中相同分辨率的特征进行拼接;
利用卷积操作对拼接后的特征进行充分融合,补充所述显著性对象的空间细节特征,在感兴趣区域中创建硅片的形状轮廓;
将获取形状轮廓作为差异模型的模板图像,配合标准硅片的原始图像作为输入,进行差异模型的构建。
本方案中,利用标准硅片的训练图像对所述差异模型进行训练,对差异模型中的检查模板进行配准,优化对应的检查模板,具体为:
获取标准硅片的原始图像作为差异模型的训练图像,将训练图像与差异模型中检查模板的模板图像进行局部划分,在局部区域中进行局部特征编码,并在所述差异模型中设置旋转及平移两条学习训练路径;
利用多层感知模块对局部区域中的单像素点进行编码获取局部单点特征,将所述局部单点特征进行平均池化,获取局部区域的局部整体特征,将所述局部单点特征及局部整体特征在特征通道维度进行拼接;
将拼接后的特征利用激活函数进行激活,并进行批标准化及最大池化操作,输出最终局部特征,在两条学***移信息;
在旋转和平移信息中根据训练图像与模板图像局部区域之间的相似度获取注意力权重,利用所述注意力权重对训练图像的局部区域进行加权,将加权后训练图像的局部区域通过残差添加到模板图像;
获取旋转及平移两条学习训练路径中优化后的模板图像,优化差异模型中的检查模板。
本方案中,获取差异模型中优化后的检查模板,确定差异模型的灰度值参数,根据所述灰度值参数计算最大灰度阈值及最小灰度阈值;
根据所述最大灰度阈值及最小灰度阈值得到硅片对应的最大灰度值图像和最小灰度值图像,存入所述差异模型中。
本方案中,获取待检测硅片图像提取感兴趣区域,将待检测硅片图像的感兴趣区域导入差异模型,利用检查模板进行匹配,具体为:
利用硅片图像采集装置获取待检测硅片图像,将所述待检测硅片图像进行自动全局阈值分割及矩形分割,获取感兴趣区域;
将感兴趣区域导入差异模型提取硅片的边缘特征,利用所述边缘特征根据归一化积相关计算待检测图像与检测模板之间的相似度,根据所述相似度在图像金字塔中进行进行分层搜索及匹配,从金字塔尖进行匹配;
在图像金字塔下一层中根据金字塔尖的匹配位置搜索周围局部区域继续进行匹配,在待检测硅片图像对应搜索图中获取相似度符合预设标准的区域,则完成对待检测硅片图像的匹配定位;
在匹配定位后使用齐次旋转矩阵进行仿射变换,进行位置矫正。
本方案中,根据匹配结果提取匹配差异,将差异部分进可视化显示,具体为:
获取待检测硅片图像中感兴趣区域的平均灰度值,根据差异模型的检查模板对感兴趣区域的平均灰度值进行缩放;
将缩放后的平均灰度值与差异模型中的最大灰度值图像及最小灰度值图像进行对比,根据对比结果输出硅片缺陷区域,将所述缺陷区域的确切位置进行可视化标注。
本发明第二方面还提供了一种基于模板匹配的硅片表面缺陷检测***,该***包括:存储器、处理器,所述存储器中包括基于模板匹配的硅片表面缺陷检测方法程序,所述基于模板匹配的硅片表面缺陷检测方法程序被所述处理器执行时实现如下步骤:
采集良品硅片图像,将所述良品硅片图像进行自动全局阈值分割及矩形分割,去除硅片背景,获取感兴趣区域;
对所述感兴趣区域进行均值滤波,并将滤波后图像进行金字塔操作,创建对应的形状轮廓,构建差异模型;
利用标准硅片的训练图像对所述差异模型进行训练,对差异模型中的检查模板进行配准,优化对应的检查模板;
获取待检测硅片图像提取感兴趣区域,将待检测硅片图像的感兴趣区域导入差异模型,利用检查模板进行匹配,根据匹配结果提取匹配差异,将差异部分进可视化显示。
本发明公开了一种基于模板匹配的硅片表面缺陷检测方法及***,包括,采集良品硅片图像,进行自动全局阈值分割及矩形分割获取感兴趣区域;将滤波后图像进行金字塔操作,创建对应的形状轮廓,构建差异模型;利用标准硅片的训练图像对差异模型进行训练,对差异模型中的检查模板进行配准;获取待检测硅片图像提取感兴趣区域,将待检测硅片图像的感兴趣区域导入差异模型,利用检查模板进行匹配,根据匹配结果提取匹配差异。本发明利用图像金字塔增强模板匹配过程,通过多尺度匹配实现更稳健、更准确的匹配,提供缺陷的精确定位,从而提高特征检测或缺陷识别的可靠性。
附图说明
图1示出了本发明基于模板匹配的硅片表面缺陷检测方法的流程图;
图2示出了本发明获取硅片图像形状轮廓的方法流程图;
图3示出了本发明优化差异模型中检查模板的方法流程图;
图4示出了本发明基于模板匹配的硅片表面缺陷检测***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明基于模板匹配的硅片表面缺陷检测方法的流程图。
如图1所示,本发明第一方面提供了一种基于模板匹配的硅片表面缺陷检测方法,包括:
S102,采集良品硅片图像,将所述良品硅片图像进行自动全局阈值分割及矩形分割,去除硅片背景,获取感兴趣区域;
S104,对所述感兴趣区域进行均值滤波,并将滤波后图像进行金字塔操作,创建对应的形状轮廓,构建差异模型;
S106,利用标准硅片的训练图像对所述差异模型进行训练,对差异模型中的检查模板进行配准,优化对应的检查模板;
S108,获取待检测硅片图像提取感兴趣区域,将待检测硅片图像的感兴趣区域导入差异模型,利用检查模板进行匹配,根据匹配结果提取匹配差异,将差异部分进可视化显示。
需要说明的是,采集良品硅片图像,所使用的硅片图像采集装置主要包括大靶面高分辨率面阵工业相机,高均匀CCD方形背光源,以及硅片传输带构成。因为硅片在背光源背景下,会与周围背景产生灰度差,可利用该灰度差进行背景过滤,首先通过对导入的良品图像进行自动全局阈值分割,先初略的提取出灰度值与其他部位差距较大部分,然后进行矩形分割,将对应硅片图像从含有皮带的背景当中分割出,后续只需要对该图像部分进行处理,根据像素强度值将所述良品硅片图像分为背景区域及前景区域,采用OSTU算法自动确定最佳阈值;所述OSTU算法提供了一种自动方法来确定最佳阈值,无需人工干预,这对于硅片检测过程来说至关重要。而且OSTU方法也能够减少根据照明或其他因素的变化不断调整阈值的情况,满足硅片检测过程对不同生产条件的适应性需要。
在OSTU算法的实现过程中,假设存在阈值TH将图像所有像素分为两类C1(<TH)和C2(>TH),则这两类像素各自的均值为m1、m2,图像全局均值为mG。同时像素被分为C1和C2类的概率分别为p1、p2;其中,p1*m1+p2*m2=mG,p1+p2=1;根据方差的概念,类间方差σ2表达式为σ2=p1(m1-mG)2+p2(m2-mG)2,将p1*m1+p2*m2=mG代入类间方差表达式,可得σ2=p1p2(m1-m2)2,求得使得上式最大化的的灰度级k即为OSTU阈值,通过所述最佳阈值对所述良品硅片图像进行自动全局阈值分割,在前景区域中获取良品硅片的摆放区域;
在良品硅片的摆放区域中利用Canny边缘检测算法获取边缘特征,一旦检测到轮廓,就会计算特定的形状属性来过滤或选择形状。通常计算面积、周长、质心、边界框、长宽比、圆度等属性,基于所述边缘特征进行矩形分割,筛选矩形对应的条件,根据所选形状参数返回指定条件的一组新区域,获取感兴趣区域。
图2示出了本发明获取硅片图像形状轮廓的方法流程图。
根据本发明实施例,对所述感兴趣区域进行均值滤波,并将滤波后图像进行金字塔操作,创建对应的形状轮廓,构建差异模型,具体为:
S202,将所述感兴趣区域进行均值滤波通过平滑像素强度的变化减少高频噪声,利用图像金字塔提取所述感兴趣区域的原始多尺度特征,嵌入通道注意力机制对所述原始多尺度特征进行过滤,获取过滤后的多尺度特征;
S204,对所述多尺度特征进行卷积操作获取显著特征,获取不同大小形状的显著性对象,经过特征上采样后将所述显著特征与所述原始多尺度特征中相同分辨率的特征进行拼接;
S206,利用卷积操作对拼接后的特征进行充分融合,补充所述显著性对象的空间细节特征,在感兴趣区域中创建硅片的形状轮廓;
S208,将获取形状轮廓作为差异模型的模板图像,配合标准硅片的原始图像作为输入,进行差异模型的构建。
需要说明的是,均值滤波器通常称为盒式滤波器或平均滤波器,它将图像中的每个像素替换为其相邻像素的平均值。在硅片检测中,硅片在检查过程中获取的图像中可能存在固有的噪声或缺陷。均值滤波有助于通过平滑像素强度的变化来减少高频噪声。这对于提高感兴趣的图案或特征的可见性特别有效,在本发明中能够使得缺陷部分与周围差异更加清晰。硅片可能有轻微的表面不规则或变化,均值滤波有助于消除此类变化,使检测能够专注于相关特征和缺陷。
优选的所述图像金字塔可以为高斯金字塔或拉普拉斯金字塔,图像金字塔是图像的多尺度表示,其中金字塔中的每个级别对应于原始图像的不同尺度。其提供原始图像的尺度空间表示,捕获多个尺度的信息。硅晶圆的特征或缺陷的尺寸和规模可能会有所不同,金字塔允许检测不同分辨率的特征,图像金字塔通过提供图像的多分辨率视图来帮助定位特征和缺陷。这在检查具有不同尺寸特征的硅片时特别有用,并且有助于识别缺陷的确切位置。在涉及模板匹配或模式识别的情况下,图像金字塔可以增强匹配过程。多尺度匹配可以实现更稳健、更准确的匹配,从而提高特征检测或缺陷识别的可靠性。
在图像金字塔中嵌入通道注意力机制,将每个通道中的特征进行池化,并利用全连接层获取通道之间的相关性,根据所述相关性生成注意力权重,对不同通道的特征进行过滤,将通道中响应程度较高的特征视为重要特征,为重要特征分配较多的权重,对硅片图像中的背景信息进行削弱。对所述多尺度特征进行深层卷积读取多尺度特征对应的显著特征,但是显著特征中往往缺乏空间结构特征,因此,在提取的显著特征中补充原始多尺度特征,使得边缘定位更加明显清晰。
图3示出了本发明优化差异模型中检查模板的方法流程图。
根据本发明实施例,利用标准硅片的训练图像对所述差异模型进行训练,对差异模型中的检查模板进行配准,优化对应的检查模板,具体为:
S302,获取标准硅片的原始图像作为差异模型的训练图像,将训练图像与差异模型中检查模板的模板图像进行局部划分,在局部区域中进行局部特征编码,并在所述差异模型中设置旋转及平移两条学习训练路径;
S304,利用多层感知模块对局部区域中的单像素点进行编码获取局部单点特征,将所述局部单点特征进行平均池化,获取局部区域的局部整体特征,将所述局部单点特征及局部整体特征在特征通道维度进行拼接;
S306,将拼接后的特征利用激活函数进行激活,并进行批标准化及最大池化操作,输出最终局部特征,在两条学***移信息;
S308,在旋转和平移信息中根据训练图像与模板图像局部区域之间的相似度获取注意力权重,利用所述注意力权重对训练图像的局部区域进行加权,将加权后训练图像的局部区域通过残差添加到模板图像;
S310,获取旋转及平移两条学习训练路径中优化后的模板图像,优化差异模型中的检查模板。
需要说明的是,在差异模型中设置旋转及平移两条学***移信息,计算训练图像与模板图像中局部区域的相似度进行标准化处理,生成注意力权重矩阵,表征不同区域特征的重要程度,训练图像与模板图像之间更相似的局部区域在模板优化中更加显著。
获取差异模型中优化后的检查模板,根据实际情况确定差异模型的灰度值参数,所述灰度值参数包括当前图像与模板图像灰度值差值的最小值α,为绝对阈值;当前图像及差异图像与模板图像的最小相对灰度差β,为相对阈值,针对过亮与过暗的像素点;根据所述灰度值参数计算最大灰度阈值Dh及最小灰度阈值Dl,具体为:
Dh=b(x,y)+max(α,βm(x,y))
Dl=b(x,y)-max(α,βm(x,y))
其中b(x,y)表示模板图像,m(x,y)表示差异模型的差异图像;
根据所述最大灰度阈值及最小灰度阈值得到硅片对应的最大灰度值图像和最小灰度值图像,存入所述差异模型中。
需要说明的是,利用硅片图像采集装置获取待检测硅片图像,将所述待检测硅片图像进行自动全局阈值分割及矩形分割,获取感兴趣区域;将感兴趣区域导入差异模型提取硅片的边缘特征,利用所述边缘特征根据归一化积相关计算待检测图像与检测模板之间的相似度,根据所述相似度在图像金字塔中进行进行分层搜索及匹配,从金字塔尖进行匹配;在图像金字塔下一层中根据金字塔尖的匹配位置搜索周围局部区域继续进行匹配,在待检测硅片图像对应搜索图中获取相似度符合预设标准的区域,则完成对待检测硅片图像的匹配定位;在匹配定位后使用齐次旋转矩阵进行仿射变换,进行位置矫正。
获取待检测硅片图像中感兴趣区域的平均灰度值,根据差异模型的检查模板对感兴趣区域的平均灰度值进行缩放;将缩放后的平均灰度值与差异模型中的最大灰度值图像及最小灰度值图像进行对比,将大于最大灰度值图像对应灰度值的区域及小于最小灰度值图像对应灰度值的区域作为硅片缺陷区域,将所述缺陷区域的确切位置进行可视化标注。
模板匹配可有效检测硅片上的已知图案或缺陷。模板匹配提供特征或缺陷的精确定位,准确地定位模板与硅片图像匹配的位置,有助于缺陷的识别和评估。当使用适当的技术时,模板匹配可以对旋转和缩放具有鲁棒性,其中缺陷或特征可能以不同的方向或尺寸出现。与其他方法相比,模板匹配对光照条件的变化不太敏感。
根据本发明实施例,获取历史时间步长内硅片的缺陷检测结果,根据缺陷检测结果分割缺陷图像,通过所述缺陷图像进行聚类获取不同类簇,提取类簇中缺陷特征的主成分特征,利用所述主成分特征确定不同类簇的缺陷类别,并利用带缺陷类别标签的类簇训练分类器,识别缺陷硅片的缺陷类别;统计历史时间步长内的缺陷类别的出现频次,利用统计结果筛选高频缺陷类别;根据所述高频缺陷类别进行硅片生产溯源,利用大数据获取缺陷类别的缺陷致因,根据所述缺陷致因进行细粒度对比进行缺陷判定,大致分为原料因素、生产工艺因素等,当判定为生成工艺因素时,获取筛选硅片生产工序,在所述硅片生产工序中获取生产监测数据与标准生产数据的偏差,根据所述偏差进行缺陷溯源定位并对生产参数进行修正,根据缺陷类别标签及缺陷几何特征将缺陷硅片进行分类,预设阈值信息,将符合阈值信息的缺陷硅片进行收集,进行二次利用。
图4示出了本发明一种基于模板匹配的硅片表面缺陷检测***的框图。
本发明第二方面还提供了一种基于模板匹配的硅片表面缺陷检测***4,该***包括:存储器41、处理器42,所述存储器中包括基于模板匹配的硅片表面缺陷检测方法程序,所述基于模板匹配的硅片表面缺陷检测方法程序被所述处理器执行时实现如下步骤:
采集良品硅片图像,将所述良品硅片图像进行自动全局阈值分割及矩形分割,去除硅片背景,获取感兴趣区域;
对所述感兴趣区域进行均值滤波,并将滤波后图像进行金字塔操作,创建对应的形状轮廓,构建差异模型;
利用标准硅片的训练图像对所述差异模型进行训练,对差异模型中的检查模板进行配准,优化对应的检查模板;
获取待检测硅片图像提取感兴趣区域,将待检测硅片图像的感兴趣区域导入差异模型,利用检查模板进行匹配,根据匹配结果提取匹配差异,将差异部分进可视化显示。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于模板匹配的硅片表面缺陷检测方法程序,所述基于模板匹配的硅片表面缺陷检测方法程序被处理器执行时,实现如上述的基于模板匹配的硅片表面缺陷检测方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-On个ly Memory)、随机存取存储器(RAM,Ran个dom Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于模板匹配的硅片表面缺陷检测方法,其特征在于,包括以下步骤:
采集良品硅片图像,将所述良品硅片图像进行自动全局阈值分割及矩形分割,去除硅片背景,获取感兴趣区域;
对所述感兴趣区域进行均值滤波,并将滤波后图像进行金字塔操作,创建对应的形状轮廓,构建差异模型;
利用标准硅片的训练图像对所述差异模型进行训练,对差异模型中的检查模板进行配准,优化对应的检查模板;
获取待检测硅片图像提取感兴趣区域,将待检测硅片图像的感兴趣区域导入差异模型,利用检查模板进行匹配,根据匹配结果提取匹配差异,将差异部分进可视化显示;
对所述感兴趣区域进行均值滤波,并将滤波后图像进行金字塔操作,创建对应的形状轮廓,构建差异模型,具体为:
将所述感兴趣区域进行均值滤波通过平滑像素强度的变化减少高频噪声,利用图像金字塔提取所述感兴趣区域的原始多尺度特征,嵌入通道注意力机制对所述原始多尺度特征进行过滤,获取过滤后的多尺度特征;
对所述多尺度特征进行卷积操作获取显著特征,获取不同大小形状的显著性对象,经过特征上采样后将所述显著特征与所述原始多尺度特征中相同分辨率的特征进行拼接;
利用卷积操作对拼接后的特征进行充分融合,补充所述显著性对象的空间细节特征,在感兴趣区域中创建硅片的形状轮廓;
将获取形状轮廓作为差异模型的模板图像,配合标准硅片的原始图像作为输入,进行差异模型的构建。
2.根据权利要求1所述的一种基于模板匹配的硅片表面缺陷检测方法,其特征在于,将所述良品硅片图像进行自动全局阈值分割及矩形分割,具体为:
采集良品硅片图像,根据像素强度值将所述良品硅片图像分为背景区域及前景区域,采用OSTU算法自动确定最佳阈值;
通过所述最佳阈值对所述良品硅片图像进行自动全局阈值分割,在前景区域中获取良品硅片的摆放区域;
在良品硅片的摆放区域中利用Canny边缘检测算法获取边缘特征,基于所述边缘特征进行矩形分割,将背景进行进一步分割,获取感兴趣区域。
3.根据权利要求1所述的一种基于模板匹配的硅片表面缺陷检测方法,其特征在于,利用标准硅片的训练图像对所述差异模型进行训练,对差异模型中的检查模板进行配准,优化对应的检查模板,具体为:
获取标准硅片的原始图像作为差异模型的训练图像,将训练图像与差异模型中检查模板的模板图像进行局部划分,在局部区域中进行局部特征编码,并在所述差异模型中设置旋转及平移两条学习训练路径;
利用多层感知模块对局部区域中的单像素点进行编码获取局部单点特征,将所述局部单点特征进行平均池化,获取局部区域的局部整体特征,将所述局部单点特征及局部整体特征在特征通道维度进行拼接;
将拼接后的特征利用激活函数进行激活,并进行批标准化及最大池化操作,输出最终局部特征,在两条学***移信息;
在旋转和平移信息中根据训练图像与模板图像局部区域之间的相似度获取注意力权重,利用所述注意力权重对训练图像的局部区域进行加权,将加权后训练图像的局部区域通过残差添加到模板图像;
获取旋转及平移两条学习训练路径中优化后的模板图像,优化差异模型中的检查模板。
4.根据权利要求3所述的一种基于模板匹配的硅片表面缺陷检测方法,其特征在于,获取差异模型中优化后的检查模板,确定差异模型的灰度值参数,根据所述灰度值参数计算最大灰度阈值及最小灰度阈值;
根据所述最大灰度阈值及最小灰度阈值得到硅片对应的最大灰度值图像和最小灰度值图像,存入所述差异模型中。
5.根据权利要求1所述的一种基于模板匹配的硅片表面缺陷检测方法,其特征在于,获取待检测硅片图像提取感兴趣区域,将待检测硅片图像的感兴趣区域导入差异模型,利用检查模板进行匹配,具体为:
利用硅片图像采集装置获取待检测硅片图像,将所述待检测硅片图像进行自动全局阈值分割及矩形分割,获取感兴趣区域;
将感兴趣区域导入差异模型提取硅片的边缘特征,利用所述边缘特征根据归一化积相关计算待检测图像与检测模板之间的相似度,根据所述相似度在图像金字塔中进行分层搜索及匹配,从金字塔尖进行匹配;
在图像金字塔下一层中根据金字塔尖的匹配位置搜索周围局部区域继续进行匹配,在待检测硅片图像对应搜索图中获取相似度符合预设标准的区域,则完成对待检测硅片图像的匹配定位;
在匹配定位后使用齐次旋转矩阵进行仿射变换,进行位置矫正。
6.根据权利要求1所述的一种基于模板匹配的硅片表面缺陷检测方法,其特征在于,根据匹配结果提取匹配差异,将差异部分进可视化显示,具体为:
获取待检测硅片图像中感兴趣区域的平均灰度值,根据差异模型的检查模板对感兴趣区域的平均灰度值进行缩放;
将缩放后的平均灰度值与差异模型中的最大灰度值图像及最小灰度值图像进行对比,根据对比结果输出硅片缺陷区域,将所述缺陷区域的确切位置进行可视化标注。
7.一种基于模板匹配的硅片表面缺陷检测***,其特征在于,该***包括:存储器、处理器,所述存储器中包括基于模板匹配的硅片表面缺陷检测方法程序,所述基于模板匹配的硅片表面缺陷检测方法程序被所述处理器执行时实现如下步骤:
采集良品硅片图像,将所述良品硅片图像进行自动全局阈值分割及矩形分割,去除硅片背景,获取感兴趣区域;
对所述感兴趣区域进行均值滤波,并将滤波后图像进行金字塔操作,创建对应的形状轮廓,构建差异模型;
利用标准硅片的训练图像对所述差异模型进行训练,对差异模型中的检查模板进行配准,优化对应的检查模板;
获取待检测硅片图像提取感兴趣区域,将待检测硅片图像的感兴趣区域导入差异模型,利用检查模板进行匹配,根据匹配结果提取匹配差异,将差异部分进可视化显示;
对所述感兴趣区域进行均值滤波,并将滤波后图像进行金字塔操作,创建对应的形状轮廓,构建差异模型,具体为:
将所述感兴趣区域进行均值滤波通过平滑像素强度的变化减少高频噪声,利用图像金字塔提取所述感兴趣区域的原始多尺度特征,嵌入通道注意力机制对所述原始多尺度特征进行过滤,获取过滤后的多尺度特征;
对所述多尺度特征进行卷积操作获取显著特征,获取不同大小形状的显著性对象,经过特征上采样后将所述显著特征与所述原始多尺度特征中相同分辨率的特征进行拼接;
利用卷积操作对拼接后的特征进行充分融合,补充所述显著性对象的空间细节特征,在感兴趣区域中创建硅片的形状轮廓;
将获取形状轮廓作为差异模型的模板图像,配合标准硅片的原始图像作为输入,进行差异模型的构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410139542.0A CN117974601B (zh) | 2024-02-01 | 2024-02-01 | 基于模板匹配的硅片表面缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410139542.0A CN117974601B (zh) | 2024-02-01 | 2024-02-01 | 基于模板匹配的硅片表面缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117974601A CN117974601A (zh) | 2024-05-03 |
CN117974601B true CN117974601B (zh) | 2024-06-28 |
Family
ID=90861147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410139542.0A Active CN117974601B (zh) | 2024-02-01 | 2024-02-01 | 基于模板匹配的硅片表面缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974601B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509171A (zh) * | 2018-09-20 | 2019-03-22 | 江苏理工学院 | 一种基于gmm和图像金字塔的布匹疵点检测方法 |
CN110220917A (zh) * | 2019-06-11 | 2019-09-10 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022154787A1 (en) * | 2021-01-13 | 2022-07-21 | Hewlett-Packard Development Company, L.P. | Image region of interest defect detection |
US20240087105A1 (en) * | 2021-01-26 | 2024-03-14 | Abb Schweiz Ag | Systems and Methods for Paint Defect Detection Using Machine Learning |
CN115689970A (zh) * | 2021-07-27 | 2023-02-03 | 京东方科技集团股份有限公司 | 显示面板的缺陷检测方法、装置、电子设备及存储介质 |
CN115829903A (zh) * | 2021-09-16 | 2023-03-21 | 中国科学院微电子研究所 | 一种掩模缺陷检测方法及装置、计算机设备、存储介质 |
CN115791822A (zh) * | 2022-11-08 | 2023-03-14 | 磐柔(厦门)工业智能有限公司 | 晶圆表面缺陷的视觉检测算法及检测*** |
CN115760820A (zh) * | 2022-11-28 | 2023-03-07 | 湖北三江航天万峰科技发展有限公司 | 一种塑料件缺陷图像识别方法及应用 |
CN116188475B (zh) * | 2023-05-05 | 2023-07-25 | 德中(深圳)激光智能科技有限公司 | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 |
CN117314861A (zh) * | 2023-09-28 | 2023-12-29 | 西南科技大学 | 一种硅片套刻图形检测识别与对准的方法 |
-
2024
- 2024-02-01 CN CN202410139542.0A patent/CN117974601B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509171A (zh) * | 2018-09-20 | 2019-03-22 | 江苏理工学院 | 一种基于gmm和图像金字塔的布匹疵点检测方法 |
CN110220917A (zh) * | 2019-06-11 | 2019-09-10 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117974601A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
KR101934313B1 (ko) | 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품 | |
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 | |
US20130202188A1 (en) | Defect inspection method, defect inspection apparatus, program product and output unit | |
CN110378313B (zh) | 细胞团识别方法、装置及电子设备 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
JP2000137804A (ja) | デジタル画像の異常検出方法およびシステム、ならびにそのための記憶媒体 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN113096119A (zh) | 晶圆缺陷分类的方法、装置、电子设备以及存储介质 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN115797314B (zh) | 零件表面缺陷检测方法、***、设备及存储介质 | |
CN115290663A (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测***及方法 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及*** | |
CN116797602A (zh) | 一种用于工业产品检测的表面缺陷鉴定方法和装置 | |
CN117974601B (zh) | 基于模板匹配的硅片表面缺陷检测方法及*** | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
CN113192018B (zh) | 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法 | |
CN115239663A (zh) | 隐形眼镜瑕疵检测方法及***、电子设备、存储介质 | |
CN114494142A (zh) | 一种基于深度学习的移动终端中框缺陷检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |