机器视觉亚微米高精度定位

背景：很多半导体设备在亚微米级别的定位往往需要高精度的视觉定位，机器视觉不同的方法定位的精度不同。

方法：先模板匹配Mark粗搜索，然后Mark提取边缘拟合提取几何中心

定位方法比较

目前主流 Mark 定位算法可分为两类: 边缘检测拟合 定位算法与模板匹配定位算法。边缘拟合法基于边缘检 测算子检测轮廓边缘，在边缘基础上拟合轮廓中心，此类 方法对边缘检测精度和中心拟合精度要求较高，主要针 对圆形、矩形及十字等形状 Mark 。基于模板匹配的 目标定位算法以模板图像和原始图像的相似度为依据， 在原始图像上寻找具有相同或相似特征的区域

ROI 区域预处理 为提高定位精度，减少噪声影响，需要对 ROI 区域进 行预处理并对图像进行灰度变换，提升 Mark 和背景的对 比度，有利于后续处理，采用自适应灰度变换得到灰度变 换图像，光学系统成像过程易受到各类噪声影响，为降低 噪声对图像边缘提取效果影响，对灰度变换后图像进行 中值滤波，得到中值滤波图像。

边缘提取和比较

为提高定位精度，减少噪声影响，需要对 ROI 区域进行预处理并对图像进行灰度变换，提升 Mark 和背景的对比度，有利于后续处理，采用自适应灰度变换得到灰度变换图像，光学系统成像过程易受到各类噪声影响，为降低噪声对图像边缘提取效果影响，对灰度变换后图像进行中值滤波，得到中值滤波图像。采用模板匹配定位轮廓位置过于复杂，因 ROI 区域中干扰因素较少，只需对中值滤波后图像进行边缘检测，即可确定像素级边缘位置。常见边缘检测器有 Roberts算子、Prewitt 算子、Sobel 算子、Laplacian 算子及 Canny 算子，其中 Canny 检测算子因不易受到噪声影响、检测弱边缘效果优异等特点被广泛使用。Canny 检测器首先使用式高斯函数计算高斯核，对原始图像进行滤波后使用式Sobel 算子计算 x 和 y 方向的梯度值，判断是否为边缘点，再经非极大值抑制和弱边缘抑制后可得到像素级边缘。

Canny 边缘检测器只能检测像素级轮廓边缘，无法 合理利用边缘像素点附近像素信息，定位精度较差，因此 需要在像素级边缘点处提取亚像素信息，提高边缘定位 精度，进而提高轮廓质心定位精度。理想边缘界面间分 界线明显，可直接求取精确边缘位置，实际成像过程会受 到各种噪声和成像条件影响，同时受限于传感器的分辨 率，不能直接定位实际边缘准确位置，需结合边缘处像素 点信息，合理运算得到亚像素边缘位置。 目前主流亚像素边缘求解算法可分为矩方法、插值法 及曲线拟合法。矩方法充分利用以边缘点为中心的 n × n 范围内像素信息，计算各阶矩特征以拟合边缘位置，可采 用的矩特征包含: 灰度矩、空间矩及 Zernike 矩特征，此类 方法可利用多像素信息，拟合效果较好，但是采集信息过 多，容易受到噪声点影响致使边缘求解出现偏移，实际应 用效果较差。插值法利用多像素信息和梯度信息进 行多项式拟合，计算插值像素信息进而得到亚像素位置， 但插值法对于多项式阶数要求较高，低阶多项式拟合效果 较差，高阶多项式计算量过大，无法满足实时性要求。 曲线拟合法利用已有的边缘模型拟合实际边缘，进而求解 极值得到亚像素边缘位置，主流的边缘模型包括: 双曲切 线函数模型、抛物线函数模型、 及二维高斯函数模 型等，此方法求解准确，不易受到边缘噪声影响。

mark点中心坐标

 Mark 属于中心对称图形，其中心为唯一求解目 标，因此可将 Mark 轮廓拟合为圆轮廓，利用圆轮廓对 Mark 轮廓做滤波处理，平衡像素误差，提高定位精度，同 时利用最小二乘法求解圆轮廓中心坐标，最小二乘法 拟合圆轮廓时对孤立噪声点较为敏感，本文方法亚像素 轮廓提取可保证轮廓点位置的准确性，噪声点的影响非 常微小，因此最小二乘法可用来拟合圆轮廓中心坐标，此 坐标即为待求解的 Mark 中心坐标。