晶圆表面缺陷模式的在线探测与自适应识别研究

晶圆表面的缺陷通常反映了半导体制造过程存在的异常问题,通过探测与识别晶圆表面缺陷模式,可及时诊断故障源并进行在线调整。提出了一种晶圆表面缺陷模式的在线探测与自适应识别模型。首先该模型对晶圆表面的缺陷模式进行特征提取,基于特征集对每种晶圆模式构建相应的隐马尔科夫模型（Hidden Markov Model,HMM）,并提出基于HMM动态集成的晶圆缺陷在线探测与识别方法。提出的模型成功应用于WM-811K数据库的晶圆缺陷检测与识别中,实验结果充分证明了该模型的有效性与实用性。     

基于局部与非局部线性判别分析和高斯混合模型动态集成的晶圆表面缺陷探测与识别

在复杂的半导体制造过程中,晶圆生产经过薄膜沉积、蚀刻、抛光等多项复杂的工序,制造过程中的异常波动都可能导致晶圆缺陷产生.晶圆表面的缺陷模式通常反映了半导体制造过程的各种异常问题,生产线上通过探测和识别晶圆表面缺陷,可及时判断制造过程故障源并进行在线调整,降低晶圆成品率损失.本文提出了基于一种流形学习算法与高斯混合模型动态集成的晶圆表面缺陷在线探测与识别模型.首先该模型开发了一种新型流形学习算法——局部与非局部线性判别分析法(Local and nonlocal linear discriminant analysis, LNLDA),通过融合数据局部/非局部信息以及局部/非局部惩罚信息,有效地提取高维晶圆特征数据的内在流形结构信息,以最大化数据不同簇样本的低维映射距离,保持特征数据中相同簇的低维几何结构.针对线上晶圆缺陷产生的随机性和复杂性,该模型对每种晶圆缺陷模式构建相应的高斯混合模型(Gaussian mixture model, GMM),提出了基于高斯混合模型动态集成的晶圆缺陷在线探测与识别方法.本文提出的模型成功地应用到实际半导体制造过程的晶圆表面缺陷在线探测与识别,在WM-811K晶圆数据库的实验结果验证了该模型的有效性与实用性.     

PVC建材表面缺陷检测系统研究与设计

为满足PVC建材表面缺陷在线系统高速、高分辨率的检测要求,提出PVC建材表面缺陷检测的系统设计方案。为保证检测系统的实时性,硬件上采用面阵CCD摄像机与LED面光源相结合的图像采集装置,软件上采用实时处理和准实时处理相结合的图像处理方法。针对缺陷图像高噪声、直方图单峰明显的特征,提出边缘检测分割技术与数学形态处理相结合的算法流程。通过分析图像缺陷的统计特性,提取PVC建材表面缺陷区域的特征参数,利用基于决策树的分类器将缺陷分为气泡、色痕、裂痕等。实验结果验证算法的有效性和实时性,其缺陷的检出率达到95%以上,识别率达90%以上。     

晶圆表面缺陷模式识别的二维主成分分析卷积自编码器

由于半导体制造过程的高度复杂性和动态性,各种过程故障通常导致晶圆表面出现各种缺陷模式.为了有效地识别晶圆表面缺陷模式从而及时地诊断和控制故障源,提出一种深度神经网络模型--二维主成分分析卷积自编码器(two-dimensional principal component analysis-based convolutional autoencoder, PCACAE).首先,提出一种基于改进的二维主成分分析算法(conditional2DPCA,C2DPCA)的图像卷积核,形成PCACAE的第1个卷积层;其次,对卷积输出进行池化操作并卷积编码重构,构建一个卷积编码器,并提取其编码部分作为PCACAE的第2层卷积层的初始化权值,从而形成一个深度网络模型,实现晶圆图像的特征学习;最后, PCACAE网络进行训练微调得到最终网络模型.将PCACAE应用于WM-811K晶圆图像数据库并与其他算法进行对比测试,实验结果表明, PCACAE在晶圆表面缺陷识别上的性能优于其他经典的卷积神经网络模型(如GoogLeNet,DensNet等),从而验证了该方法的有效性与工业可应用性.     

基于改进相干增强扩散与纹理能量测度和高斯混合模型的导光板表面缺陷检测方法

针对液晶屏(LCD)导光板表面缺陷检测方法存在漏检率和误检率较高,对产品表面复杂渐变的纹理结构适应性差的问题,提出一种基于改进相干增强扩散(ICED)与纹理能量测度和高斯混合模型(TEM-GMM)的LCD导光板表面缺陷检测方法。首先,构建ICED模型,基于结构张量引入平均曲率流扩散(MCF)滤波,使得相干增强扩散(CED)模型对缺陷的细线状纹理有良好的边缘保持效果,并利用相干性得到缺陷纹理增强和背景纹理抑制的滤波后图像;然后,根据Laws纹理能量测度(TEM)提取图像纹理特征,将图像的背景纹理特征作为离线阶段高斯混合模型(GMM)的训练数据,使用期望最大化(EM)算法估计GMM参数;最后,计算待检测图像各像素的后验概率,并将其作为在线检测阶段缺陷像素的判断依据。实验结果表明,该检测方法在导光颗粒随机、规则两种分布的缺陷图像测试数据组上的漏检率和误检率分别为3.27%、4.32%和3.59%、4.87%。所提检测方法适用范围广,可有效检测出LCD导光板表面划痕、异物、脏污和压伤等类型的缺陷。     

火电机组轴承表面细小缺陷深度检测方法仿真

采用当前方法检测火电机组轴承表面细小缺陷未对高效分离背景图像和缺陷特征,导致检测细小缺陷时,检测所用的时间较长,得到的检测结果与实际不符,存在检测效率低和误检率高的问题。提出火电机组轴承表面细小缺陷深度检测方法。通过形态学滤波算法去除火电机组轴承表面图像中存在的噪声,利用曲线拟合方法实现火电机组轴承表面图像的背景估计,通过最大熵分割法火电机组轴承图像进行二值化处理,使背景图像和缺陷特征高效分离;在此基础上,火电机组轴承表面缺陷目标,通过深度置信网络在逐层学习模型的基础上实现火电机组轴承表面细小缺陷的检测。仿真结果表明,所提方法的检测效率高、误检率低。     

钢板表面质量机器视觉检测系统设计

针对国内钢厂采用人工方法检查钢板表面缺陷存在可靠性差的问题,开发设计了基于机器视觉技术的带钢表面缺陷自动检测系统.系统通过摄像头采集带钢表面的图像,然后采用图像处理及模式识别算法对图像进行实时处理和分析,从而检测出钢扳表面缺陷,并对缺陷进行自动分类识别.实验结果表明,系统能够对带钢表面进行实时在线监测,并能正确识别常见的带钢表面缺陷.     

基于光电检测技术的电缆表面缺陷实时监测系统研究

基于光电检测技术开发了电缆表面缺陷实时监测系统。在硬件结构方面,系统采用半环形LED白光源照射电缆,利用线阵CCD相机采集电缆表面图像。在软件算法方面,提出一种改进的ROI (Region of Interest)算法精确定位电缆区域,利用一种基于改进双边滤波的图像差分算法建立背景模型,改进一种基于CV-Kmeans区域分类自适应滤波窗口算法来凸显电缆表面缺陷特征。研究结果表明,基于光电检测技术研发的电缆表面缺陷实时监测系统的识别能力较高,整体监测准确率不低于97.0%。     

基于机器视觉的梨表面缺陷检测方法研究

针对梨表面缺陷的机器视觉检测问题,在对已有研究成果的分析和研究的基础上,论文采用形态学相加的方法实现梨图像的背景去除和表面缺陷提取;提出花萼、果梗与表面缺陷的区分方法;借助Matlab软件进行仿真算法的编程,通过作者设计开发的Graphical User Interface(GUI)界面,对三个品种的梨表面进行了缺陷检测仿真实验,成功提取了其中的表面缺陷信息,实验结果表明,作者提出的方法在多种梨的缺陷提取上通用性强、准确性高.     

低对比度下水印图像缺陷检测

在主成分分析(PCA)及核主成分分析(KPCA)进行特征提取基本原理的基础上,提出了一种改进的提取非线性的图像特征来重建图像方法,应用于嵌入式防伪水印图案缺陷的检测。该方法使得图像协方差矩阵维数大幅下降,且有效地保留了嵌入式防伪水印图案的信息,通过比较检测出图像的缺陷。实验结果表明,该方法对输入数据实现了有效的降维,缩短了计算时间,提高了检测效果和精确度。KPCA算法相比原有的PCA算法具有更高的性能指标,适用范围更广。     

钢板表面低对比度微小缺陷图像增强和分割

目的 环境干扰及光学元件不稳定等因素往往会造成钢板表面图像照度不均,钢板表面的微小缺陷具有图像灰度不均、对比度低、形态微小等特点,给后续图像分析和缺陷识别带来因难。为此,提出一种钢板表面低对比度微小缺陷图像增强和分割算法,以消除照度不均并突出缺陷信息,从而有效分割缺陷目标。方法 采用小波-同态滤波算法进行图像增强处理,即先利用小波变换对图像进行分解,再基于同态滤波对小波低频系数进行图像灰度修正,同时对高频系数进行高通滤波,然后将处理后的小波低频系数和高频系数进行重构得到增强的图像,从而达到消除照度不均、增强缺陷细节信息的目的。最后利用最大类间方差法（Otsu法）确定自适应阈值提供给Canny算子进行边缘检测。结果 采用本文算法对钢板表面多类型低对比度表面微小缺陷进行研究,有效消除了光照不均;单一的Otsu阈值分割和Canny算子难以有效检测这些缺陷,而本文Otsu-Canny算法的正确检测率达96%。结论 采用小波-同态滤波进行图像增强处理后,再利用Otsu-Canny算法对钢板表面多类型、低对比度的微小缺陷进行边缘检测取得了良好效果。     

机器视觉表面缺陷检测综述

目的 工业产品的表面缺陷对产品的美观度、舒适度和使用性能等带来不良影响,所以生产企业对产品的表面缺陷进行检测以便及时发现并加以控制。机器视觉的检测方法可以很大程度上克服人工检测方法的抽检率低、准确性不高、实时性差、效率低、劳动强度大等弊端,在现代工业中得到越来越广泛的研究和应用。方法 以机器视觉表面缺陷检测为研究对象,在广泛调研相关文献和发展成果的基础上,对基于机器视觉在表面缺陷检测领域的应用进行了综述。分析了典型机器视觉表面缺陷检测系统的工作原理和基本结构,阐述了表面缺陷视觉检测的研究现状、现有视觉软件和硬件平台,综述了机器视觉检测所涉及到的图像预处理算法、图像分割算法、图像特征提取及其选择算法、图像识别等相关理论和算法研究,并对每种主要方法的基本思想、特点和存在的局限性进行了总结,对未来可能的发展方向进行展望。结果 机器视觉表面缺陷检测系统中,图像处理和分析算法是重要内容,算法各有优缺点和其适应范围。如何提高算法的准确性、实时性和鲁棒性,一直是研究者们努力的方向。结论 机器视觉是对人类视觉的模拟,机器视觉表面检测涉及众多学科和理论,如何使检测进一步向自动化和智能化方向发展,还需要更深入的研究。     

基于主成分分析的表面缺陷自动检测算法

为检测产品表面的缺陷,提出一种基于主成分分析的自动检测算法。利用主成分分析法进行图像重构,以增强缺陷特征,对比原图像与重构图像,得到缺陷信息,通过统计过程控制二值化方法检测出缺陷。实验结果表明,该算法检测效果较好,运算速度较快,对于80张不同的表面图片,平均缺陷检测率达80%。     

基于多特征融合的电子布缺陷分类

针对传统的电子布缺陷分类方法效率低,稳定性差的问题,提出了基于多特征融合的电子布缺陷分类算法。首先,使用中值滤波对电子布图像进行预处理,滤除细节噪声,减少背景纹理的影响;其次,对预处理后的图像进行Canny边缘检测,利用Hu不变矩提取缺陷的几何特征;再利用尺度不变特征变换(SIFT)提取图像的纹理特征,使用K-means聚类后,构建电子布图像的词袋模型(BoW);最后,将几何特征和纹理特征融合,并传入SVM中进行训练,得到相应的电子布缺陷分类模型。实验结果表明,应用多特征融合的方法对电子布缺陷进行分类,其平均准确率可达97.22%,能够满足企业的实际需求。     

基于旋转不变HOG特征的焊缝缺陷类型识别算法

根据某钢管厂实际采集到的X射线焊缝图像,并通过对焊缝缺陷多样性和形态多变性特点的研究,给出一种基于旋转不变HOG特征提取的焊缝缺陷类型识别算法. 首先,将项目前期已经检测到的多种缺陷进行分类和统计,截取每幅焊缝图像的ROI部分,构成实验所需的缺陷样本. 通过尺度变换和圆形细胞划分方式,得到具有尺度不变性和旋转不变性的HOG特征,将所有样本特征进行PCA降维,维数由贡献度决定. 最后使用LSSVM模型对缺陷进行类型识别. 通过研究block块重叠范围对识别正确率的影响,发现在一定范围内,重叠范围越大,识别正确率越高. 该算法通过改进传统HOG特征提取方式,提高了缺陷识别的正确率.     

基于频域分析的毛巾织物疵点检测

本文针对毛巾织物的疵点检测进行研究。通过研究分析发现,大部分毛巾织物的疵点主要集中在毛巾表面的毛圈特征上。本文根据疵点和毛圈轮廓特征的频谱特性进行疵点检测,提出了基于频域分析的毛巾织物图像疵点检测算法。以毛巾织物图像频谱的能量统计特性作为疵点检测的特征向量,采用了支持向量机(SVM)作为疵点分类识别算法。matlab仿真实验表明,可以达到平均95%的毛巾织物疵点识别率,说明该频域能量特征提取方法在对纯色毛巾织物的疵点检测上简单有效。     

基于轻量化重构网络的表面缺陷视觉检测

基于深度学习的方法在某些工业产品的表面缺陷识别和分类方面表现出优异的性能,然而大多数工业产品缺陷样本稀缺,而且特征差异大,导致这类需要大量缺陷样本训练的检测方法难以适用.提出一种基于重构网络的无监督缺陷检测算法,仅使用容易大量获得的无缺陷样本数据实现对异常缺陷的检测.提出的算法包括两个阶段:图像重构网络训练阶段和表面缺陷区域检测阶段.训练阶段通过一种轻量化结构的全卷积自编码器设计重构网络,仅使用少量正常样本进行训练,使得重构网络能够生成无缺陷重构图像,进一步提出一种结合结构性损失和L1损失的函数作为重构网络的损失函数,解决自编码器检测算法对不规则纹理表面缺陷检测效果较差的问题;缺陷检测阶段以重构图像与待测图像的残差作为缺陷的可能区域,通过常规图像操作即可实现缺陷的定位.对所提出的重构网络的无监督缺陷检测算法的网络结构、训练像素块大小、损失函数系数等影响因素进行了详细的实验分析,并在多个缺陷图像样本集上与其他同类算法做了对比,结果表明重构网络的无监督缺陷检测算法有较强的鲁棒性和准确性.由于重构网络的无监督缺陷检测算法的轻量化结构,检测1 024×1 024像素图像仅仅耗时2.82 ms,...     

基于深度学习算法的风电机组叶片开裂缺陷分析

为实现对风电机组叶片表面缺陷检测的智能化,本研究应用无人机技术、图像视觉技术和深度学习算法,建立风电机组叶片缺陷检测系统,提高了对叶片上开裂缺陷的检测精度。系统使用 算子计算图像横向和纵向的梯度,并对图像进行阈值分割和去噪处理。构建深度学习模型提取图像缺陷的特征信息,加入了SPP-Net网络进行卷积操作,增加了模型的输入数据尺度,得到特征图后在利用PRN网络筛选特征图。实验结果显示本研究系统能够去除大量无用的背景信息,开裂缺陷部位的特征信息保留完整,对验证集中的图像进行测试后,本研究系统识别出的开裂缺陷数最高可达到50个。