一、 前言
该项目是我进BYD
以来的第二个义务性的项目,与前一个一样,技术难度都不高,但是看见自己写的代码能帮助到车间的同事,减少他们的工作量,我还是很自豪,正如以前看到的一句话:“代码也是有温度的”,与诸君共勉。
先上图看下待处理的图片样子,如下图:
台面后面可能要变,所以除了晶圆之外的东西先不要管。中间每块白色的小块就是我们检测的对象——芯片。个别芯片上面有黑点点,那是质检的同事做的标记,意为坏芯片。我们的任务就是识别出一块晶圆上的所有坏芯片的位置,并将坏芯片的位置信息写入相关的txt
文件。
该demo
经过两次优化,单帧图片运行时长的优化记录为 1.0+s -> 0.75s -> 0.33s
。检测效果上也较1.0
版提升许多。详细代码见:IGBT项目代码 。由于代码较多,正文中的代码只做简单展示,即只贴出对应操作的核心代码,具体还是下载我的源码来阅读调试。
二、 正文
由上图可看出,芯片很小,整张图片又很大,所以第一步我要将晶圆部分裁剪出来。这里我利用HSV
颜色筛选来做,通过定位黄色区域,裁剪出晶圆部分的图片。
先给出查看图片HSV值的博客 ,用链接里的脚本查看黄色区域的HSV值范围。
(一)颜色初筛、截取出 ROI
# 很明显,没头没尾,只做展示
img = cv2.imread("../img/%d.jpg" % i) # 读取图片路径
img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
lower_color = np.array([20, 105, 100]) # 分别对应着HSV中的最小值
upper_color = np.array([36, 255, 255]) # 分别对应着HSV中的最大值
# 初次筛选颜色,意图是得到黄色晶圆的 ROI 区域
mask_1 = cv2.inRange(img_hsv, lower_color, upper_color)
x1, y1, x2, y2 = get_roi(mask_1)
img_hsv_roi = img_hsv[y1:y2, x1:x2]
最后的效果如下图:
注意,这一步只是初筛,可以看出芯片之间的黄色缝没有很好地检测出来,但是没关系,我们目的是裁剪晶圆的ROI
,如果缝全被检测出来了,下面的ROI
反而不好找,具体你们可以自己试试。
# 该函数是为了定位上图白色区域的边界,然后好裁剪 ROI
def get_roi(mask, img=None):
_, contours, hierarchy = cv2.findContours(mask