[发明专利]快速编带视觉检测方法

说明书

本发明公开了快速编带视觉检测方法，采用多工位同步获取产品的图像，时效性高，通过多角度图像组合更能反映产品的整体情况，图像经过预处理后提取边缘缺陷特征和纹理缺陷特征，大大提高了图像的准确性；经过提取的图像特征输入到卷积神经网络进行进一步的识别和分类，其检测效率高，检测速度达到了每分钟1500颗以上，而且卷积神经网络可通过机器学习调整和优化，提高识别的准确性和检测速度，全程无需人工进行操作，极大地方便了生产管理，节省人力成本，提高生产效率。

【技术领域】

本发明涉及视觉检测技术领域，具体是快速编带视觉检测方法。

【背景技术】

在芯片编带生产过程中，芯片上的字符、引脚和塑封体上不可避免地会出现缺陷，为了保证编带的质量，需要对芯片进行视觉检测，将有缺陷的芯片标记和分类。现有技术中一般利用光学器件进行非接触的感知，获取真实场景的图像，图像经过处理和识别后对缺陷进行识别和分类。但是半导体芯片的速度、精度和密封性要求相对高，目前市面上大部分视觉检测一般采用固定程序将获取的图像与设定值进行比对，每次获取图像时需要定位检测完成一颗芯片后才能识别另一颗，其检测效率低、准确性差，不能满足现代化生产的要求。

【发明内容】

本发明的目的在于提供一种快速编带视觉检测方法，解决现有技术中编带视觉检测效率低、准确性差的问题。

为解决上述问题，本发明提供技术方案如下：

快速编带视觉检测方法，其特征在于，包括如下处理步骤：

S1，多个检测工位同步获取产品的完整图像；

S2，对产品的图像进行图像预处理以突出图像中的缺陷特征，所述缺陷特征包括边缘缺陷特征和/或纹理缺陷特征；

S3，对边缘缺陷特征的提取：通过边缘检测算法对经步骤S2处理的图像信息进行处理，提取缺陷区域边缘，再用图像分割算法将缺陷边缘从图像中分割出来，并经过数学形态学方法对瑕疵边界进行缺损补偿、填充细小空洞和链接邻近图像特征；

S4，对纹理缺陷特征的提取：通过灰度直方图提取经步骤S2处理的图像信息中的灰度直方图统计特征，其中包括灰度均值、灰度方差、扭曲度、峰度、能量、嫡六维；

S5，将步骤S3和/或步骤S4的输出送入卷积神经网络，经卷积神经网络中的卷积层和池化层的迭代处理后，由基于softmax逻辑回归的全连接层进行识别与分类，获得缺陷分类结果。

如上所述的快速编带视觉检测方法，在步骤S2的图像预处理中采用小波技术。

如上所述的快速编带视觉检测方法，在步骤S5中，启用图像缩小算法对步骤S3和/或步骤S4的输出进行处理后，再送入卷积神经网络。

如上所述的快速编带视觉检测方法，所述卷积神经网络包括多个卷积层和池化层以实现对图像数据的迭代运算，其输出层设置有平坦化模块，该平坦化模块的输出对接全连接层。

如上所述的快速编带视觉检测方法，所述卷积层执行的是将前一层的图像与多个卷积核进行卷积计算，并通过激励函数得到对应的特征图，卷积层的计算公式：

y＝f(wx+b)；其中，w为卷积核的权重；b为偏置；x为输入；y为输出值；f为激励函数。

如上所述的快速编带视觉检测方法，所述卷积核权重w和偏置b通过Forward前向传播或者Backward反向传播训练调整。

如上所述的快速编带视觉检测方法，所述全连接层将权重矩阵与输入向量相乘再加上偏置，将n个(-∞,+∞)的实数映射为K个(-∞,+∞)的分数，Softmax将K个(-∞,+∞)的实数映射为K个(0,1)的概率，同时保证它们之和为1，计算方式具体如下：