摘要:
本文主要分享一次集成电路相关的缺陷检测实践。先来看一下背景,缺陷检测的目标是识别出QFN引线框架上的污点缺陷并进行标记。该任务属于目标检测类任务,需要检查出0.034mm大小的污点。根据厂商提供的原始数据图像:像素面积8912x26000,实际短边宽度96mm,污点极小且没有任何数据标注。主要采用了一些图像处理方法如角点检测、霍夫圆检测、单应性变换、仿射变换等对图像进行预处理,将原始图像切分为规整的小图像,再设计一种图像重建(卷积神经网络)+图像差分检测(传统图像处理)的方法完成缺陷定位。
以下是检测污点的思路:
(1)切分图像。需要进行复杂的图像预处理,在超大的图像上进行抠图、切割、仿射变换矫正等等,得到下图中的一个个矩形块的图像。
(2)重建切分后的一个个小图像。由于数据都是没有标记的,我们考虑设计一个卷积神经网络,它具备将输入的带缺陷和不带缺陷小图像,通过编码层、解码层,重建一个几乎不包含缺陷的完美图像。
(3)缺陷定位与还原。将原图像与生成的图像进行差分,并通过检测差分图来定位缺陷。得到缺陷定位后,通过坐标转换还原到未切分的图像并导出缺陷数据,以便于工作人员查看缺陷。
(遗憾的是,最终的检查效果和速度并没有达到厂家的要求,以下仅为提供一种解决问题的思路。)
由于处理的过程较为复杂,这里不会展示详细的Code。同时需要读者需要有一点的图像基础。
实验环境
深度学习框架:Pytorch;图像处理:OpenCV+matplotlib+numpy。
GPU:NVIDIA GTX1650(4G)(模型训练的时候batchsize设置小一点还是够用的)
缺陷数据
QFN 引线框架常见缺陷有很多种,这里就不一一介绍了。先看下以下两种图像类型。
图像预处理过程
图像矫正
本次使用到的图像矫正方法有两种,分别对于一类二类图像使用。
- 对于一类图像:角点检查+单应性变换
在切分出一个个小图像前,需要先将图像分割为四个区域,对每个区域进行单独切割。在切割之前,需要进行图像矫正,没有矫正的图像是有倾斜度的。矫正的过程就是通过Harris角点检测算法检测下图中的角点(cv2.cornerHarris),生成单应性矩阵 H H H(H = cv2.getPerspectiveTransform(src_pts, dst_pts)),并通过单应性变换进行图像矫正。
- 对于二类图像:霍夫圆检测+仿射变换
同样的对于二类图像也需要进行倾斜度的矫正,不过采用矫正方法有所不同。先通过霍夫圆检测算法来定位两边的圆形位置(四个圆形在同一直线上,可以进一步考虑拟合一条直线),通过下面的公式可以计算出倾斜角度(倾斜角约千分之几),仿射变换允许我们对图形进行平移旋转等。我们先计算旋转中心为图像中心,在计算倾斜角。通过旋转中心和倾斜角进一步可以计算出仿射变换矩阵(H=cv2.getRotationMatrix2D),再调用OpenCV的仿射变换库函数(cv2.warpAffine)即可完成图像的矫正。 θ = a r c t a n ( x 1 − x 2 y 1 − y 2 ) \theta=arctan(\frac{x_1-x_2}{y_1-y_2}) θ=arctan(y1−y2x1−x2)
图像切割
-
对于一类图像:
-
对于二类图像