一种提高晶粒表面缺陷检测准确性的方法研究

晶粒质量影响半导体芯片性能,针对晶粒表面缺陷检测的问题。本文提出了一种新的缺陷检测方法,能有效抑制图像噪声,提高缺陷检测准确性。首先,采用形态学闭合重建方法去除噪声干扰。然后,将重建图像灰度级别作为聚类样本,构建一个基于离差阵的K-means分割算法准则函数,不断更新聚类中心直至准则函数收敛,完成图像分割。最后,提取分割晶粒 轮廓信息,根据轮廓间的差异性,利用轮廓相似度识别缺陷晶粒,对2937张晶粒图像进行处理并测试,结果表明:该方法能有效滤除了图像噪声,更准确更快速地进行图像分割,对良品检测准确率为100%。对三种典型表面缺陷的平均检测准确率为99.92%。     

融入结构张量和活动轮廓的硅钢表面缺陷分割

为了解决在纹理背景下冷轧硅钢表面缺陷的分割问题,提出了基于局部信息结构张量和活动轮廓模型的硅钢表面缺陷分割方法。将图像的局部信息引入到结构张量中;在结构张量提取的特征空间中,以KL距离作为区域的概率密度相似性度量建立分割图像的活动轮廓模型;采用Split-Bregman数值解法对模型进行求解。运用提出的分割方法对硅钢表面的一些常见缺陷如纵向划伤、横向划伤、异物和孔洞等进行分割实验。实验结果表明,该方法可以准确地分割出硅钢表面缺陷区域,验证了该方法的有效性。     

基于超像素分割和随机森林的橡胶柱塞缺陷检测方法

针对直径为3 mm的小尺寸橡胶柱塞件端面,其受光斑、灰尘及纹理干扰不易分割提取缺陷轮廓的问题,提出一种结合SLIC（简单线性迭代聚类）和RF（随机森林）算法的缺陷检测系统。首先利用霍夫变换和各向异性扩散滤波对图像预处理,然后采用基于超像素分割的SLIC算法分割和提取缺陷区域,最后把获得的缺陷区域的五维形状特征作为RF分类器特征向量进行缺陷分类预测。结果表明,SLIC算法较传统的自适应阈值分割算法快了0.128 s,并且分割效果远好于传统算法,能够准确分割出小至0.5 mm的缺陷,整体检测流程平均耗时小于1.5 s,同时RF分类结果准确率达到97.3%。因此,本文的缺陷检测系统满足在线检测准确性和实时性的要求,可在实际工作中使用。     

基于语义分割的钢轨表面缺陷实时检测系统

钢轨表面缺陷检测是铁路日常检测的重要部分,根据现代铁路自动化检测技术对实时检测和适应性的要求,构建了一个完整的钢轨表面缺陷识别和分析系统.根据机器视觉的基本原理,设计了一种带有LED辅助光源和遮光箱的图像采集装置,并将采集到的图像进行人工标注,建立了一个较为庞大的具有语义分割标注的钢轨表面缺陷数据集;将高级语义分割技术应用于钢轨图像分析,利用一种级联自编码结构(CASAE)的语义分割网络,将缺陷图像转化为基于语义分割的像素级预测掩码,并通过紧凑型卷积神经网络(CNN)将分割结果进行分类,从而实现钢轨表面缺陷的识别与分类;构建了智能化的人机交互系统,并将系统通过仿真实验的方式进行测试.实验结果表明,系统的检测准确率达到90％以上,每幅图像的平均处理时间为245.61 ms,可以在一定程度上代替人工检测,实现对钢轨缺陷的数字化管理.     

基于语义分割的钢轨表面缺陷实时检测系统

钢轨表面缺陷检测是铁路日常检测的重要部分,根据现代铁路自动化检测技术对实时检测和适应性的要求,构建了一个完整的钢轨表面缺陷识别和分析系统.根据机器视觉的基本原理,设计了一种带有LED辅助光源和遮光箱的图像采集装置,并将采集到的图像进行人工标注,建立了一个较为庞大的具有语义分割标注的钢轨表面缺陷数据集;将高级语义分割技术应用于钢轨图像分析,利用一种级联自编码结构(CASAE)的语义分割网络,将缺陷图像转化为基于语义分割的像素级预测掩码,并通过紧凑型卷积神经网络(CNN)将分割结果进行分类,从而实现钢轨表面缺陷的识别与分类;构建了智能化的人机交互系统,并将系统通过仿真实验的方式进行测试.实验结果表明,系统的检测准确率达到90％以上,每幅图像的平均处理时间为245.61 ms,可以在一定程度上代替人工检测,实现对钢轨缺陷的数字化管理.     

轴承表面缺陷类型识别算法

针对生产和装配过程中轴承表面缺陷检测传统方法的不足,提出一种新的轴承表面缺陷类型识别算法。首先改进 Canny 算子以提高轮廓识别度,将 Sift 算法应用于缺陷区域提取,对轴承表面缺陷图像和无缺陷图像进行 Sift 图像匹配以定位缺陷区域,运用像素点的异或运算以精确提取缺陷区域。选择部分 Hu 矩值和几何特征值准确描述缺陷区域,将其作为 BP 神经网络算法的输入,从而最终识别出缺陷类型。实验表明,该方法提高了识别率,且具有非接触、速度快、精度高和抗干扰能力强等优点,较好地实现了轴承表面缺陷类型的检测。     

基于目标特征的机械零件表面缺陷检测方法

针对机械零件表面缺陷的特点,提出了一种基于目标特征的检测方法。首先,通过对测试图像进行均值滤波,以消除噪声对检测的影响;其次,通过分析表面缺陷特征设置分割阈值,在此基础上,实现对检测目标分割;最后,采用形态学滤波消除噪声和孤立点对检测结果的影响。实验表明,本文采用的方法能够有效抑制图像背景干扰,能够有效的实现机械零件表面缺陷准确检测。     

滚动接触疲劳缺陷检测的改进Otsu算法

针对滚动接触疲劳试验机高精度和高效率的检测要求,提出一种基于自动加权阈值的改进Otsu算法,将背景发生的概率作为Otsu分割阈值的权重,使分割阈值靠近直方图的左下缘.首先对试件图像进行区域定位,获得试件接触表面图像;然后比较不同滤波器的检测准确率、召回率、调和平均以及运行时间,选择运行时间短、调和平均大的快速导向滤波器对图像进行滤波;最后计算图像的错误分类误差来验证检测算法的有效性.实验结果表明,该算法对测试图像的错误分类误差接近于0,与Otsu、加权目标方差、谷值强调和邻域谷值强调阈值分割法相比,在滚动接触疲劳缺陷检测中有更好的分割结果.     

产品表面图像中的缺陷自动检测方法研究

仔细设计产品表面缺陷检测的图像识别算法是基于图像处理的产品表面缺陷自动检测系统快速并正确地检测缺陷的关键。以E型磁环表面缺陷的自动检测为例,分析了产品表面图像的特征,用梯度直方图自适应阈值分割的方法对图像进行增强和分割;并提出了一种新的快速识别算法对分割后的目标图像进行检测,实验结果表明了该算法的有效性和实用性。     

基于自模板重构与NSCT的汽车内饰件表面缺陷检测方法研究

汽车内饰件作为汽车产业中重要的零部件之一,不仅要具备良好的尺寸精度和物理性能,而且要满足很高的外观需求。由于汽车内饰件表面具有高反射性且缺陷种类繁多,准确、快速地识别和定位表面缺陷具有较高的挑战性。为此提出一种基于自模板重构与非下采样Contourlet变换(NSCT)的汽车内饰件表面缺陷检测方法。利用稀疏表示算法对试件图像进行重构,生成自模板;利用差影法生成残差图像,以抑制背景信息;利用NSCT对残差图像进行增强,实现缺陷的分割与定位。该方法对图像的光照不均不敏感,且在残差图像生成过程中无需对图像进行位置较准,因此,该方法具有较强的鲁棒性。实验结果表明,该方法可以有效地检测汽车内饰件表面的各种缺陷,其检测精度可达0.1 mm。     

基于异常检测的产品表面缺陷检测与分割

工业制造中缺陷样本难以获得且缺陷表现形式多样,只用训练正样本的异常检测技术越来越多地被应用于产品表面缺陷检测。异常检测一般通过评估产品图像的异常分数对产品进行有无缺陷的判断,缺乏对缺陷位置的描述,最新提出的异常分割方法对此进行了改进,但对缺陷区域的分割不够精确。基于异常检测方法,使用标准化流来判断产品表面是否有缺陷,采用多尺度特征融合并对齐来初步定位缺陷位置,结合梯度和最大信息熵,使用分水岭算法对初定位结果进行优化得到缺陷分割掩码。在丽盛制板,KolektorSDD 和 AITEX3 个表面缺陷数据集的检测与分割结果均优于其他同类方法。此外,在小样本数据集上也能达到良好的检测与分割精度。     

基于ButterWorth滤波和EM算法的电子布疵点检测

为了精确定位和分割电子布生产过程中产生的疵点,提出一种基于ButterWorth滤波和EM算法的电子布疵点检测方法。因电子布的背景纹理对疵点检测存在影响,首先采用ButterWorth滤波弱化图像背景纹理信息;再应用高斯混合模型对预处理后的图像进行表征,通过EM算法迭代模型的最优解,对像素进行标记;最后,根据标记结果分离背景与疵点区域,定位并分割疵点。实验结果表明,该方法既能准确定位疵点位置,又能有效保留疵点的细节信息,并且能够检测多种类型的疵点,在疵点检测方面具有一定的参考价值。     

基于背景差分与最大熵的轨面缺陷分割

为了提高钢轨表面缺陷检测的效率和准确率, 提出了一种基于背景差分与最大熵的轨面缺陷检测算法. 首先建立钢轨图像背景模型并将原图像与背景图进行差分操作, 以此来避免光照变化和反射不均的影响, 更准确地突出缺陷区域; 然后将改进的遗传算法与最大熵值法相结合来寻找最佳分割阈值并对差分图进行二值化, 通过结合改进遗传算法加快了最大熵值法的运算速度; 最后对二值图进行滤波操作, 完成钢轨表面缺陷的分割. 仿真结果表明该方法能够更加快速准确地分割出缺陷, 精确率、召回率和正确率分别达88.6%、93.4%和90.6%.     

基于级联神经网络的型钢表面缺陷检测算法

深度学习在缺陷检测方面具有优越性能,然而在工业应用过程中由于缺陷概率低,无缺陷图像的检测过程占据了大部分计算时间,严重限制了整体上的有效检测速度。针对上述问题,提出一种基于级联网络的型钢表面缺陷检测算法SDNet。该算法分为两个阶段：预检阶段和精检阶段。预检阶段采用基于深度可分离卷积（DSC）以及多尺度并行卷积的轻量化ResNet预检网络,判断型钢表面图像是否存在缺陷;精检阶段以YOLOv3作为基准网络对图像中的缺陷进行准确分类与定位,并在主干特征提取网络以及预测分支中引入改进空洞空间金字塔池化（ASPP）模块以及对偶注意力模块,以提升网络的检测性能。实验结果表明,SDNet在1 024像素×1 024像素图像上的检测速度达到每秒120.63帧,准确率达到92.1%。与原YOLOv3算法相比,所提算法的检测速度是原YOLOv3算法的3.7倍,检测精度提高了10.4个百分点,可应用于型钢表面缺陷的快速检测。     

带钢表面缺陷图像的增强和分割方法

对带钢表面缺陷进行检测时,由于光照不均匀,将导致缺陷难以识别和分割。针对此问题,提出了改进的图像增强与分割方法。首先,利用自适应二维高斯函数对图像背景进行估计,并结合图像的像素运算均匀图像背景灰度;然后,采用灰度变换函数提高缺陷区域与背景的对比度,增强细节信息;最后,采用最大相关准则方法选取阈值对缺陷图像进行分割。实验结果表明,与典型的图像增强和分割方法相比,所提出的方法表现优异,对非均匀光照下带钢表面缺陷图像的识别与分割具有较好的应用价值。     

基于卷积自编码器的医用玻璃瓶口缺陷检测方法

为解决缺陷检测中缺陷样本数量少、种类多、难以提供足够的数据来进行有监督深度学习模型训练的问题,本文利用工业生产中大量易获取没有缺陷的正样本数据,建立Encoder-Decoder结构的卷积自编码网络缺陷检测模型,将空间和通道注意力的卷积注意力模块嵌入编码器中增强网络特征提取能力。在编码阶段加入上下文信息模块,获得更大的感受野,减小计算量。同时,结合多尺度结构相似性MS-SSIM和L1损失来改善图像重构效果,使用峰值信噪比PSNR衡量重构误差并判别异常。实验结果表明,提出的医用玻璃瓶口缺陷检测方法能够准确检出缺陷数据和分割缺陷区域,精确度为99.45%、召回率为97.63%、漏检率为0.55%、误检率为2.93%。该方法能够准确检出玻璃瓶口缺陷,定位缺陷区域,同时图像重构耗时短,仅需10.37 ms左右,能够实现准确、高效的自动化产品质量检测。     

基于视觉显著度的皮革表面瑕疵检测

针对汽车内饰皮革的瑕疵检测易受皮革自身纹理干扰、检测难度较大的问题,发现瑕疵存在于均匀变化图像中局部变化明显的区域,符合人眼注意机制,故提出了基于视觉显著模型的皮革瑕疵检测方法。首先提取皮革图像的颜色和亮度特征,然后利用中心周围差算子分别计算特征显著图,再融合成最终显著图,最后在此基础上利用区域生长方法对瑕疵区域进行分割,以实现瑕疵的准确定位。实验结果表明,与FCM聚类分割法、阈值分割法及SVM分类法相比,本文提出的方法具有较高的检测精度及较快的检测速度,解决了皮革瑕疵检测过程中受纹理干扰严重等问题,能有效应用于皮革瑕疵的机器自动检测中。     

冷轧带钢边部孔洞缺陷的检测方法研究

针对冷轧带钢边部孔洞缺陷信息的提取问题,综合在线检测和离线精确提取缺陷信息两方面进行了方案设计。首先在在线检测模块提出了一种自适应区域生长算法对图像进行分割,该法通过最佳熵法与形态学处理相结合实现种子点的自动选择,以替代传统算法中种子点的人工选取,以区域生长结果中最大连通体的面积判断是否存在缺陷;然后在离线模块,分别用块投影直方图匹配特征与Tamura纹理特征对缺陷图像进行缺陷信息提取,综合两种缺陷提取结果,得到缺陷详细信息。针对多幅图像采用提出的算法进行检测,在线部分具有较高的处理速度和缺陷判别率,离线部分实现了对缺陷图像中孔洞个数、每个孔洞面积及位置的定量估计。     

Knowledge augmented broad learning system for computer vision based mixed-type defect detection in semiconductor manufacturing

Defect detection is a critical measurement process for intelligent manufacturing systems to provide insights for product quality improvement. For complex products such as integrated circuit wafers, several types of defects are usually coupled in a piece of wafer to form a mixed-type defect, which poses a challenge to current defect detection methods. This paper proposed a knowledge augmented broad learning system with a knowledge module and broad selective sampling module, which provides a multichannel selective sampling network to decouple the mixed-type defects. In this model, each channel is equipped with a pre-trained deformable convolution model to extract the feature of a fixed single-type defect. The knowledge module is designed to activate the candidate network channel by pre-detection of wafer maps. The experiment results indicated that the proposed model outperforms conventional models and other deep learning models, which demonstrated that the knowledge augmented broad selective sampling mechanism is effective for mixed-type defect detection.