一种芯片缺陷识别方法及系统技术方案

本发明专利技术涉及机器视觉领域，揭露一种芯片缺陷识别方法及系统，所述方法包括：采集待识别芯片的芯片图像，对芯片图像进行去噪处理，得到去噪图像，提取去噪图像的特征标志，计算特征标志的角度特征、距离特征及局部二值特征，并融合角度特征、距离特征及局部二值特征的直方图归一化向量，得到标志融合向量，对标志融合向量与预构建芯片模板的模板融合向量进行特征标志匹配，构建芯片图像与预构建芯片模板之间的仿射变换矩阵；计算去噪图像的仿射图像与预构建芯片模板图像的差分二值图像；对差分二值图像进行连通区域检测，得到缺陷连通区域，识别缺陷连通区域的芯片缺陷类别。本发明专利技术可以提高芯片缺陷识别效率。可以提高芯片缺陷识别效率。可以提高芯片缺陷识别效率。

【技术实现步骤摘要】
一种芯片缺陷识别方法及系统


[0001]本专利技术涉及机器视觉领域，尤其涉及一种芯片缺陷识别方法及系统。

技术介绍

[0002]芯片缺陷识别是指对芯片的外观或性能中的异常进行区分和辨别，其中，芯片缺陷的类别多种多样，包括划痕、黑点、孔洞、色差、杂质、破损、污渍等。严重的芯片缺陷甚至能够影响产品的使用状况和寿命，因此芯片的缺陷识别在芯片工业生产线中是非常关键的一环，其可以积极地反馈产品质量信息，以便人们及时掌控各生产环节的健康状况，及时分拣出缺陷芯片。
[0003]目前传统的对于芯片的缺陷识别常应用深度学习的方法，深度学习模型是简单的连续的几何变换链，将一个向量空间映射到另一个向量空间，一般情况下，在构建好神经网络模型后，神经网络的训练就变成了层与层之间权重的学习，随着神经网络规模的不断扩充，要学习的权重参数也越来越多，神经网络的运算复杂度变得越来越大，时间成本增加，使得在线实用性受限，从而导致芯片缺陷识别效率不高。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供了一种芯片缺陷识别方法，可以提高芯片缺陷识别效率。
[0005]第一方面，本专利技术提供了一种芯片缺陷识别方法，包括：采集待识别芯片的芯片图像，对所述芯片图像进行去噪处理，得到去噪图像，提取所述去噪图像的特征标志，并计算所述特征标志的质心和哈里斯角点；根据所述质心和所述哈里斯角点，计算所述特征标志的角度特征、距离特征及局部二值特征，并分别计算所述角度特征、所述距离特征及所述局部二值特征的角度直方图、距离直方图及局部二值直方图，分别对所述角度直方图、所述距离直方图及所述局部二值直方图进行归一化，得到归一角度向量、归一距离向量及归一二值向量；对所述归一角度向量、所述归一距离向量及所述归一二值向量进行融合，得到标志融合向量，对所述标志融合向量与预构建芯片模板的模板融合向量进行特征标志匹配，得到匹配点对，根据所述匹配点对，构建所述芯片图像与所述预构建芯片模板之间的仿射变换矩阵；根据所述仿射变换矩阵，对所述去噪图像进行仿射变换，得到仿射图像，计算所述仿射图像与所述预构建芯片模板图像的差分二值图像；对所述差分二值图像进行连通区域检测，得到缺陷连通区域，识别所述缺陷连通区域的芯片缺陷类别。
[0006]在第一方面的一种可能实现方式中，所述计算所述特征标志的质心和哈里斯角点，包括：提取所述特征标志的构成像素点，根据构成像素点，确定所述特征标志的构成点
集；根据所述构成点集，利用下述公式计算所述特征标志的质心：
[0007]其中，表示质心的横坐标，表示构成点集中像素点的横坐标，表示质心的纵坐标，表示构成点集中像素点的纵坐标，表示构成点集中像素点的数量；计算所述特征标志的每一像素点的哈里斯矩阵；根据所述哈里斯矩阵，计算所述像素点的响应得分；在所述响应得分大于预设的阈值时，判定所述像素点为所述特征标志的哈里斯角点。
[0008]在第一方面的一种可能实现方式中，所述根据所述质心和所述哈里斯角点，计算所述特征标志的角度特征、距离特征及局部二值特征，包括：根据所述质心和所述哈里斯角点，构建所述特征标志的特征点集，选取所述特征点集中的任意一点为参考特征点，计算所述参考特征点和所述质心之间的单位参考向量；识别所述参考特征点在所述特征点集中的其余特征点，构建所述参考特征点和所述其余特征点之间的位置特征向量；计算所述位置特征向量和所述单位参考向量之间的夹角，将所述夹角作为所述特征标志的角度特征；计算所述位置特征向量的模长，将所述模长作为所述特征标志的距离特征；将所述特征标志划分为若干个子区域，计算所述子区域的子区域二值特征，根据所述区域二值特征，确定所述特征标志的局部二值特征。
[0009]在第一方面的一种可能实现方式中，所述分别计算所述角度特征、所述距离特征及所述局部二值特征的角度直方图、距离直方图及局部二值直方图，包括：对所述局部二值特征进行十进制转换，得到转换局部特征；根据所述转换局部特征，利用下述公式计算所述角度特征、所述距离特征及所述局部二值特征的角度直方图、距离直方图及局部二值直方图：
[0010]其中，表示角度直方图，表示第个角度特征，表示距离直方图，表示第个距离特征，表示局部二值直方图，表示第个转换局部特征，表示角度直方图的统计分辨率，表示角度特征的序号，表示角度特征的数量。
[0011]在第一方面的一种可能实现方式中，所述对所述标志融合向量与预构建芯片模板
的模板融合向量进行特征标志匹配，得到匹配点对，包括：对所述标志融合向量中的向量分量进行两两分组，得到分组向量，对所述分组向量进行全排列，得到排列向量序列；计算所述排列向量序列与所述模板融合向量之间卡方相似度，在所述卡方相似度小于预设阈值时，识别所述标志融合向量对应的待匹配标志与预构建芯片模板的模板融合向量对应的模板标志；构建所述待匹配标志和所述模板标志之间的映射关系；根据所述映射关系，确定所述待匹配标志和所述模板标志之间的匹配点对。
[0012]在第一方面的一种可能实现方式中，所述计算所述排列向量序列与所述模板融合向量之间卡方相似度，包括：利用下述公式计算所述排列向量序列与所述模板融合向量之间卡方相似度：
[0013]其中，表示卡方相似度，表示排列向量序列中的归一角度向量，表示模板融合向量中的归一角度向量，表示排列向量序列中的归一距离向量，表示模板融合向量中的归一距离向量，表示排列向量序列中的归一二值向量，表示模板融合向量中的归一二值向量，表示权重参数，表示模板融合向量的向量分量序号，表示模板融合向量的维数。
[0014]在第一方面的一种可能实现方式中，所述根据所述匹配点对，构建所述芯片图像与所述预构建芯片模板之间的仿射变换矩阵，包括：分别识别所述芯片图像和所述芯片模板的图像坐标系和模板坐标系，根据所述图像坐标系和所述模板坐标系，构建所述匹配点对线性方程组；利用最小二乘法，求解所述线性方程组的最小二乘解，将所述最小二乘解作为所述芯片图像与所述预构建芯片模板之间的仿射变换矩阵。
[0015]在第一方面的一种可能实现方式中，所述对所述差分二值图像进行连通区域检测，得到缺陷连通区域，包括：对所述差分二值图像进行二值化处理，得到二值化图像；利用下述公式对所述二值化图像进行连通性分析，得到连通性状态：
[0016]其中，表示二值化图像的游程像素在第行的起始位置，表示二值化图像的游程像素在第行的终止位置，表示二值化图像的游程像素在第行的起始位置，表示二值化图像的游程像素在第行的终止位置；在所述连通性状态为连通时，确定所述二值化图像的缺陷连通区域。
[0017]在第一方面的一种可能实现方式中，所述识别所述缺陷连通区域的芯片缺陷类别，包括：计算所述缺陷连通区域的连通特征，拼接所述连通特征为拼接连通向量，对所述拼接连通向量进行降维处理，得到降维连通向量；利用预设训练好的芯片缺陷类别识别模型，计算所述降维连通向量的缺陷类别得
分；在所述缺陷类别得分大于预设阈值时，将所述缺陷类别得分对应的缺陷类别作为最终的芯片缺陷类别。...

【技术保护点】

【技术特征摘要】
1.一种芯片缺陷识别方法，其特征在于，所述方法包括：采集待识别芯片的芯片图像，对所述芯片图像进行去噪处理，得到去噪图像，提取所述去噪图像的特征标志，并计算所述特征标志的质心和哈里斯角点；根据所述质心和所述哈里斯角点，计算所述特征标志的角度特征、距离特征及局部二值特征，并分别计算所述角度特征、所述距离特征及所述局部二值特征的角度直方图、距离直方图及局部二值直方图，分别对所述角度直方图、所述距离直方图及所述局部二值直方图进行归一化，得到归一角度向量、归一距离向量及归一二值向量；对所述归一角度向量、所述归一距离向量及所述归一二值向量进行融合，得到标志融合向量，对所述标志融合向量与预构建芯片模板的模板融合向量进行特征标志匹配，得到匹配点对，根据所述匹配点对，构建所述芯片图像与所述预构建芯片模板之间的仿射变换矩阵；根据所述仿射变换矩阵，对所述去噪图像进行仿射变换，得到仿射图像，计算所述仿射图像与所述预构建芯片模板图像的差分二值图像；对所述差分二值图像进行连通区域检测，得到缺陷连通区域，识别所述缺陷连通区域的芯片缺陷类别。2.如权利要求1所述的芯片缺陷识别方法，其特征在于，所述计算所述特征标志的质心和哈里斯角点，包括：提取所述特征标志的构成像素点，根据构成像素点，确定所述特征标志的构成点集；根据所述构成点集，利用下述公式计算所述特征标志的质心：其中，表示质心的横坐标，表示构成点集中像素点的横坐标，表示质心的纵坐标，表示构成点集中像素点的纵坐标，表示构成点集中像素点的数量；计算所述特征标志的每一像素点的哈里斯矩阵；根据所述哈里斯矩阵，计算所述像素点的响应得分；在所述响应得分大于预设的阈值时，判定所述像素点为所述特征标志的哈里斯角点。3.如权利要求1所述的芯片缺陷识别方法，其特征在于，所述根据所述质心和所述哈里斯角点，计算所述特征标志的角度特征、距离特征及局部二值特征，包括：根据所述质心和所述哈里斯角点，构建所述特征标志的特征点集，选取所述特征点集中的任意一点为参考特征点，计算所述参考特征点和所述质心之间的单位参考向量；识别所述参考特征点在所述特征点集中的其余特征点，构建所述参考特征点和所述其余特征点之间的位置特征向量；计算所述位置特征向量和所述单位参考向量之间的夹角，将所述夹角作为所述特征标志的角度特征；计算所述位置特征向量的模长，将所述模长作为所述特征标志的距离特征；将所述特征标志划分为若干个子区域，计算所述子区域的子区域二值特征，根据所述区域二值特征，确定所述特征标志的局部二值特征。
4.如权利要求1所述的芯片缺陷识别方法，其特征在于，所述分别计算所述角度特征、所述距离特征及所述局部二值特征的角度直方图、距离直方图及局部二值直方图，包括：对所述局部二值特征进行十进制转换，得到转换局部特征；根据所述转换局部特征，利用下述公式计算所述角度特征、所述距离特征及所述局部二值特征的角度直方图、距离直方图及局部二值直方图：其中，表示角度直方图，表示第个角度特征，表示距离直方图，表示第个距离特征，表示局部二值直方图，表示第个转换局部特征，表示角度直方图的统计分辨率，表示角度特征的序号，表示角度特征的数量。5.如权利要求1所述的芯片缺陷识别方法，其特征在于，所述对所述标志融合向量与预构建芯片模板的模板融合向量进行特征标志匹配，得到匹配点对，包括：对所述标志融合向量中的向量分量进行两两分组，得到分组向量，对所述分组向量进行全排列，得到排列向量序列；计算所述排列向量序列与所述模板融合向量之间卡方相似度，在所述卡方相似度小于预设阈值...

【专利技术属性】
技术研发人员：陈燕，柳建勇，陈魁，
申请(专利权)人：深圳模微半导体有限公司，
类型：发明
国别省市：