本發(fā)明涉及缺陷檢測，尤其涉及一種雞液相捕獲芯片缺陷的檢測方法、設(shè)備以及存儲介質(zhì)。

背景技術(shù)：

1、液相是指物質(zhì)呈現(xiàn)液體的狀態(tài)，且在這個系統(tǒng)里只有液體，沒有固體也沒有氣體，針對雞液相利用設(shè)備的處理芯片進行捕獲分析，可提前預(yù)判雞群的疫病情況，防止雞群中出現(xiàn)大規(guī)模傳播疫病，減少由于疫病產(chǎn)生的損失，那么雞液相捕獲設(shè)備的芯片就尤為重要，在半導(dǎo)體芯片飛速發(fā)展的今天，芯片的尺寸越來越小，同樣的芯片中缺陷的尺寸也變得越來越小，這給芯片缺陷檢測帶來了不小的挑戰(zhàn)，常規(guī)的芯片檢測中利用人工檢測方法對芯片進行檢測，然而人工檢測準(zhǔn)確率低、效率低、檢測者易疲勞、檢測標(biāo)準(zhǔn)不統(tǒng)一等缺點使得人工檢測已經(jīng)無法滿足芯片缺陷檢測需求，目前一些大廠開始使用人工智能對芯片缺陷進行監(jiān)測。

2、在現(xiàn)有的人工智能檢測技術(shù)中，現(xiàn)有技術(shù)存在以下問題：在封裝后的芯片表面依然存在劃痕、沾污或者崩邊的情況，但是由于技術(shù)的進步，這些缺陷面積很小，一般使用高倍顯微鏡通過人工智能算法進行識別，但是人工智能算法對非線性特征缺陷檢測效果較差，識別分類的準(zhǔn)確率較低，無法滿足微小的缺陷不同種類的準(zhǔn)確識別。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種雞液相捕獲芯片缺陷的檢測方法、設(shè)備以及存儲介質(zhì)，解決了人工智能算法對非線性特征缺陷檢測效果較差，識別分類的準(zhǔn)確率較低，無法滿足微小缺陷多個種類的準(zhǔn)確識別的技術(shù)問題，達到了對芯片表面劃痕、沾污和崩邊的多種類準(zhǔn)確識別的目的。

2、為解決上述技術(shù)問題，本發(fā)明提供了如下技術(shù)方案：一種雞液相捕獲芯片缺陷的檢測方法，該方法包括以下步驟：

3、s1、獲取待檢測芯片的原始圖像，并對原始圖像進行預(yù)處理得到檢測圖像；

4、s2、對檢測圖像進行配準(zhǔn)，判斷檢測圖像是否為缺陷圖像；

5、若是，則進入s3；

6、若否，則結(jié)束，并返回至s1檢測下一個芯片；

7、s3、針對缺陷圖像進行開操作處理得到分類圖像中的若干缺陷區(qū)域；

8、s4、對存在于若干缺陷區(qū)域中的劃痕區(qū)域進行標(biāo)記；

9、若則標(biāo)記為劃痕區(qū)域；

10、若則標(biāo)記為非劃痕區(qū)域并進入s5；

11、s5、利用邊緣檢測法獲取非劃痕區(qū)域的邊緣輪廓，并以邊緣輪廓外一點做二維坐標(biāo)系；

12、s6、計算邊緣輪廓的質(zhì)心到邊緣輪廓的心廓距xw和鄰距值γ，根據(jù)邊緣輪廓的幾何特征設(shè)定崩邊閾值v，并判斷非劃痕區(qū)域是否為崩邊區(qū)域；

13、若γ≥v，則為崩邊區(qū)域；

14、若γ<v，則為沾污區(qū)域。

15、優(yōu)選的，在步驟s1中，具體實現(xiàn)步驟如下：

16、s11、獲取待檢測芯片的原始圖像，并將原始圖像利用rgb通道拆分為r圖像、g圖像和b圖像；

17、s12、在r圖像的若干像素點中提取一點r(a，b)，在g圖像的若干像素點中取與點r(a，b)位置對應(yīng)的點g(c，d)，在b圖像的若干像素點中取與r(a，b)位置對應(yīng)的點b(e，f)；

18、s13、根據(jù)點r(a，b)、g(c，d)和b(e，f)計算同一位置像素點的像素灰度值gri(g，h)并合成為灰度圖像，像素灰度值gri(g，h)計算公式如下：

19、gri(g，h)＝a×r(a，b)+d×g(c，d)+c×b(e，f)

20、其中，r(a，b)代表r圖像像素點的灰度值，g(c，d)表示g圖像像素點的灰度值，b(e，f)代表b圖像像素點的灰度值，a、d和c表示權(quán)重系數(shù)，權(quán)重系數(shù)通過人眼顏色敏感度獲取；

21、s14、使用中值濾波器對灰度圖像進行濾波，并得到檢測圖像。

22、優(yōu)選的，在步驟s2中，具體實現(xiàn)步驟如下：

23、s21、獲取待檢測芯片的模板圖像；

24、s22、在檢測圖像的像素點中確定一個中心像素點其灰度值為fa，同時獲取該中心像素點周圍距離為α的所有像素點灰度值為fb，利用平方差公式分別計算兩者灰度值的平方差值hi，計算公式如下：

25、hi＝(fa-fb)2

26、其中，fa表示中心像素點的灰度值，fb表示距離中心像素點α的像素點的灰度值，hi表示第i個平方差值；

27、s23、根據(jù)中心像素點與相鄰的像素點灰度值的差值利用極大似然估計法得到特征閾值i(說明書中需要給出示例作為解釋)；

28、s24、根據(jù)平方差值hi和特征閾值i對中心像素點進行標(biāo)記；

29、若hi<i，則將非中心像素點標(biāo)記為淺點；

30、若hi≥i，則將非中心像素點標(biāo)記為深點；

31、s25、獲取數(shù)量為j的深點，并根據(jù)j個深點判斷中心像素點是否為角點；

32、若則標(biāo)記為非角點；

33、若則標(biāo)記為角點；

34、s26、重復(fù)步驟s22-s24，直至標(biāo)準(zhǔn)圖像中所有像素點完成一個循環(huán)；

35、s27、將標(biāo)記完成的檢測圖像與模板圖像進行配準(zhǔn)，并判斷檢測圖像與模板圖像是否一致；

36、若是，則檢測圖像為缺陷圖像，隨后進入步驟s3；

37、若否，則結(jié)束，并返回至s1檢測下一個芯片。

38、優(yōu)選的，在步驟s3中，具體實現(xiàn)步驟如下：

39、s31、利用閾值分割法得到缺陷圖像的二值圖像；

40、s32、對二值圖像進行開操作處理得到分類圖像；

41、s33、將分類圖像中灰度值為1的像素區(qū)域標(biāo)記為缺陷區(qū)域。

42、優(yōu)選的，在步驟s4中，具體實現(xiàn)步驟如下：

43、s41、在缺陷區(qū)域內(nèi)選取一個像素點作為基準(zhǔn)點ob，以此基準(zhǔn)點ob為圓心以β為半徑劃一個圓形區(qū)域；

44、s42、計算圓形區(qū)域的面積為so，計算公式如下：

45、so＝πβ2

46、其中，β表示圓ob的半徑；

47、s43、將每個像素點的面積設(shè)為sd，計算圓形區(qū)域內(nèi)缺陷的像素點總面積qc，計算公式如下：

48、

49、其中，sd表示第d個像素點面積，n表示圓形區(qū)域內(nèi)像素點數(shù)量；

50、s44、根據(jù)面積so和總面積qc判斷缺陷區(qū)域是否為劃痕；

51、若是，則標(biāo)記為劃痕；

52、若否，則標(biāo)記為非劃痕并進入s5；

53、s45、重復(fù)步驟s41-s44直到將所有缺陷區(qū)域檢測完成。

54、優(yōu)選的，在步驟s6中，具體實現(xiàn)步驟如下：

55、s61、獲取邊緣輪廓上點的坐標(biāo)de(xr，yt)；

56、s62、根據(jù)點de(xr，yt)計算輪廓的質(zhì)心坐標(biāo)(uf，zk)，計算公式如下；

57、

58、其中，xr表示邊緣輪廓上第r個點的橫坐標(biāo)，yt表示邊緣輪廓上第t個點的縱坐標(biāo)，m表示坐標(biāo)的數(shù)量；

59、s63、根據(jù)質(zhì)心坐標(biāo)(uf，zk)計算心廓距xw，計算公式如下：

60、

61、其中，xw表示第w個心廓距；

62、s64、獲取相鄰于第w個心廓距xw的心廓距xw-1，并計算鄰距值γ，計算公式如下：

63、

64、其中，xw-1表示相鄰于第w個心廓距xw的第w-1個心廓距，q表示xw和xw-1的組數(shù)

65、s65、根據(jù)鄰距值γ判斷非劃痕區(qū)域是否為崩邊區(qū)域；

66、若γ≥v，則為崩邊區(qū)域；

67、若γ<v，則為沾污區(qū)域。

68、基于同一發(fā)明構(gòu)思，根據(jù)本發(fā)明的另一個方面，本發(fā)明的實施例還提供了一種計算機設(shè)備，包括：

69、至少一個處理器；以及

70、存儲器，所述存儲器存儲有可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時執(zhí)行如上所述的任一種芯片缺陷檢測方法的步驟。

71、基于同一發(fā)明構(gòu)思，根據(jù)本發(fā)明的另一個方面，本發(fā)明的實施例還提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時執(zhí)行如上所述的任一種芯片缺陷檢測方法的步驟。

72、借由上述技術(shù)方案，本發(fā)明提供了一種雞液相捕獲芯片缺陷的檢測方法、設(shè)備以及存儲介質(zhì)，至少具備以下有益效果：

73、1、本發(fā)明根據(jù)劃痕缺陷和非劃痕缺陷在形態(tài)上的明顯區(qū)別，對劃痕缺陷進行快速識別與分類，能夠提高劃痕缺陷識別的準(zhǔn)確性并縮短識別速度，提高芯片缺陷檢測的工作效率并且算法步驟簡潔，避免出現(xiàn)人工智能算法檢測非線性特征不準(zhǔn)確的問題。

74、2、本發(fā)明根據(jù)崩邊缺陷和沾污缺陷的幾何特征的區(qū)別，對缺陷進行快速識別和分類，在膨脹腐蝕的基礎(chǔ)上，對缺陷的識別準(zhǔn)確性進一步提高，快速完成崩邊缺陷和沾污缺陷的識別任務(wù)，提高了識別的準(zhǔn)確性的同時，還提高了速度，相比于人工智能算法更加簡化高效。