机器视觉在半导体器件塑封缺陷检测中的应用

点赞:6205 浏览:18865 近期更新时间:2024-01-24 作者:网友分享原创网站原创

摘 要 :应用机器视觉技术实现半导体器件塑封表面缺陷的自动检测.结合图像特点,根据差影图像匹配技术的基本原理提出了双模板的匹配方法,从一组训练图像中得到均值图像和标准差图像,以两幅图像的差值图像与和值图像分别作为上下限模板图像.引入环境光因子,即目标图像像素均值与模板图像像素均值的比例关系.由此设定的缺陷阈值可以有效地避免噪声干扰和环境光变化的影响.匹配之前使用Canny算子检测边缘点拟合直线的方法获取器件矩形并计算其中心点和旋转角度可以方便有效地确定器件位姿,保证匹配前的对准.最后应用Blob方法将提取缺陷特征.实验结果表明该方法在半导体器件塑封表面缺陷检测方面有较好的效果.


关 键 词 :缺陷检测;Blob;Canny;模板匹配;差影

中图分类号:TP18 文献标识码:A 文章编号:1009-3044(2012)28-6775-04

半导体电子元器件被广泛应用于各类电子产品和通信系统中,它的外观质量主要取决于封装这一工艺技术.良好的封装可以保护芯片或晶体管少受外界环境的影响,因此封装后的元器件可以得到更加可靠的电气性能,当然也更加方便后续的PCB板上的焊接和贴装[1].对半导体器件的视觉检测主要包括管脚检测和管体检测.随着计算机技术和图像处理技术的结合和发展,机器视觉被广泛应用于半导体行业的各阶段在线检测中.利用机器视觉[2]进行检测不仅可以排除主观因素的干扰,降低劳动强度,提高生产效率,还可以对缺陷进行定量描述,具有人工肉眼检测无法比拟的优越性.

1.检测系统概要

在线半导体表面缺陷检测系统[3]主要由PC机、图像处理软件、图像采集设备、光源照明部分以及IO控制装置和机械装置组成.其中图像采集由CCD、镜头、图像采集卡和光源共同完成,高质量的图像信息是系统正确判断和决策的原始依据,是整个系统成功与否的关键所在.

图1 缺陷检测系统结构

系统采用定位槽对器件进行准确定位,定位槽的底部有一个通气孔,下面连接一个真空吸气装置,机器手将管子放入凹槽,在吸气装置的作用下管子沿着凹槽四周的导向斜面滑入槽底部.确保了获取到的图像中三极管拥有正确的位姿.

2.基于边缘的位姿检测

硬件系统采用了定位模具保证管子的位姿,但管子在凹槽内仍不可避免的存在轻微的倾斜和旋转,采用边缘点检测拟合边缘线的方法寻找管子矩形,根据矩形的中心位置和旋转角度来对准参考图像与目标图像.

实现图像的边缘点检测就是用离散化梯度逼近函数计算每一个像素位置的梯度值和梯度方向,满足阈值要求和方向要求的灰度跃变位置即为边缘点.现实情况的边缘都是斜坡性边缘,这就使得边缘检测的首要工作是滤波.对比Sobel算子,Log算子,Canny算子各自的优缺点[4]后本文采用Canny算子寻找边缘点.

边缘点检测之前,划定检测的感兴趣区域,这里使用的感兴趣区域是一条方向线段,规定边缘点的检测方向是从线段的起点到终点.本文的图像处理需要用到的边缘点检测目的主要是在限定区域检测满足梯度阈值及方向的点,方向即从亮到暗或从暗到亮.判断方向时需要兼顾检测方向的影响.检测方向不同,x向、y向的一阶偏导对于判断明暗变化的影响比重也不同,因此给出如下的判断表达式:

3.缺陷检测

3.1 基于差影的双模板匹配法

用于缺陷检测的模板匹配技术常用的有两种:差影法和灰度相关法.差影法的基本原理是将待检测图像与模板图像做像素差,对得到的差值图像进行判断是否存在缺陷及缺陷大小和位置;灰度相关法则是计算待检测图像与模板图像对应像素间的相似度,根据相似度的大小确定缺陷所在.两种方法相比较,由于灰度相关法算法时间复杂度明显高于差影法,对于在线检测对实时性的要求,显然不可取,本文所述缺陷检测思想仍然沿用差影法的基本原理.

在以下的论述中规定[gr,c]代表理想图像,即无缺陷的图像,也称为参考图像.[fr,c]代表待检测图像.[r,c]代表像素坐标.

为检测出待测图像与理想图像的偏差,仅需要将两幅图像的对应像素相减即可.通常并不关心缺陷是偏亮区域还是偏暗区域,因此通过预先设置阈值[gabs]使用以下的等式便可找到缺陷.

此方法对图像对准有非常高的精度要求.如果物体发生略微的偏移.那么在待测图像与模板图像的边缘便会很容易产生超过[gabs]的灰度值差异,误检缺陷在所难免.另外受到周围环境光线变化的影响,该方法也不能给予任何应对策略.然而在实际的生产应用中,这些因素都是无法避免的,针对以上存在的问题,本文做了以下的工作.

机器视觉在半导体器件塑封缺陷检测中的应用参考属性评定
有关论文范文主题研究: 关于图像的论文范文素材 大学生适用: 大学毕业论文、学士学位论文
相关参考文献下载数量: 94 写作解决问题: 如何写
毕业论文开题报告: 论文模板、论文目录 职称论文适用: 杂志投稿、中级职称
所属大学生专业类别: 如何写 论文题目推荐度: 经典题目

改进的匹配方法使用偏差模型[5]学习双模板[6][g1r,c]和[g2r,c],其中[g1r,c]作为下限模板,[g2r,c]作为上限模板.下限模板由参考图像与容许偏差的差值确定,上限模板则由参考图像与容许偏差的和值确定.容许偏差可以从一组训练图像中计算得到.一般使用标准偏差来计算需要的容许偏差.另外,为了增强抗干扰和抑制噪声的能力,参考图像也不再简单的使用某一幅理想图像简单获取,也应该从一组训练图像中计算像素均值得到.n幅图像的平均值和标准差计算如下:

这里还需引入可调倍数常量[p],[q]和可调绝对常量[a],[b].一般情况由一个小的可调倍数乘以标准差即得到所需的容许偏差,用户只需合理设置[p],[q]值调节容许偏差.然而当标准偏差大大小于被测图像偏差时,这样的方法就显得很不好,因此引入绝对常量,当某处容许偏差小于绝对常量时,使用绝对常量值替代容许偏差值.

考虑到环境光线变化的影响,引入环境光因子[θ],在对模板与待测图像做减法比较之前,计算待测图像像素均值[m0]和模板图像均值[m1],[m0]和[m1]的比例关系即代表[θ],令模板图像的每一个像素乘以环境光因子[θ],可有效抑制环境光带来的不稳定图像质量造成的缺陷误检,以下给出了图像分割公式: 3.2 缺陷提取

图像的几何特征在图像处理中起着十分重要的作用.利用区域特征的大小、位置、方向等来确定物体的位置并识别它们.特征值量度的合理选取可以有效地减小误检率.本文采用Blob算法提取已经分割的缺陷特征.Blob算法用于从背景中分离目标,测量目标的形态参数,包括面积、周长、宽度、高度、细长度、数量等.与基于逐点像素处理的算法相比,该算法处理速度快,被广泛应用于工业在线检测系统中.

尽管上述处理方法已经在抑制噪声方面做了很多工作,但分割后的图像仍可能存在伪缺陷,因此通过设置特征阈值来抑制缺陷误检,如宽度阈值、高度阈值、面积阈值、周长阈值,当检测的Blob对象分别满足各方面的阈值要求时,则认为是缺陷,否则被判定为噪声点.

4.缺陷检测系统实现

硬件环境如下,相机:SONY XC-HR50;镜头:50mm;时间:5ms

软件环境如下:基于OpenCV的VC++编程实现

检测目标:SOD323半导体器件的塑封表面缺陷检测

硬件系统采用了定位模具保证了待测元件有较精确的定位,每幅图像中,器件的位置只有细微的偏差.因此,检测开始之前根据模具的位置划定感兴趣区域.这种方法称之为图像局部分析法.

使用该方法的必要性主要体现在两个方面:

1) 本系统用于在线工业检测系统,同时用于三个工位的实时检测,要求每个工位的检测时间不得超过50ms,在硬件上采用四核处理器的计算机,软件上采用多核多线程编程技术,采用局部分析法可以大大的减少图像数据量,有效地降低图像处理时间.

2) 待测器件表面塑封材料微小颗粒分布的不均匀性以及环境光造成的光线不均匀都会影响成像质量.图像中目标边缘幅度大小不一,甚至非边缘幅度比边缘更大,这些因素都需要尽量回避,局部分析法将检测区域尽量缩小,干扰量也得以大大减少.

如图2所示,其中带箭头的虚线线段分别代表上下左右四个感兴趣区域内边缘点的寻找方向,如Top区域,表示从下到上搜寻边缘点.十字叉则代表搜寻到的边缘点.

图2 边缘检测示意图

利用OpenCV提供的方法cvFitLine将搜寻到的边缘点分别拟合为四条边缘线,图中管体矩形框已经标出,计算矩形的中心位置和旋转角度用于后续的参考模板与目标图像的对准.对该矩形区域进行平滑图像处理后计算该区域图像的灰度平均值,得到环境光因子.对准模板和目标图像,逐一比较像素灰度值,如果灰度值不在两个模板的阈值范围内则被认为缺陷.

5.结论

综上所述,通过对传统的缺陷检测算法的分析和运用,利用模具和边缘定位获取到物体可靠位姿,缩小了在线检测范围,有效提高了检测效率.结合半导体器件的塑封缺陷特征,采用双模板匹配法,有效的抑制了噪声和环境光对缺陷识别的影响.