0 引言

    目前LED外延片生產(chǎn)過程中，由于生產(chǎn)工藝本身原因，導致LED晶粒存在諸多缺陷，如缺角、劃痕、電極污染等，在測試中分選機無法通過電特性對晶粒進行剔除，只能通過人工剔除有缺陷的晶粒，如此導致晶粒數(shù)量處于未知狀態(tài)，也就是無法確切知道晶粒數(shù)量，首先需要通過晶圓提取系統(tǒng)來有效統(tǒng)計計算晶粒范圍。

    通常晶圓貼在藍膜或者白膜上，然后再貼在黃色離型紙上，LED計數(shù)儀通過背光照射晶圓，由于黃色離型紙為非均勻材質(zhì)，導致成像灰度不均勻，晶圓以外的地方容易造成誤識別，所以需要解決精確提取晶圓問題。

    目前LED晶圓提取系統(tǒng)一般采用降低分辨率，設(shè)定一個統(tǒng)一閾值，將晶圓范圍從離型紙背景中分割出來。這類方法存在其局限性，統(tǒng)一的閾值對非均勻亮度圖像存在極大的誤差，漏識別或者多識別的概率偏高，對晶圓邊緣的提取精度較低^[1]，僅為98.47%。由此設(shè)計一種基于視覺顯著性的晶圓范圍提取系統(tǒng)，有效解決了精準自動提取晶圓范圍問題。應(yīng)用邊界連接度優(yōu)先的算法，將晶圓從背景中有效提取出來。主要依據(jù)晶圓圖像目標居中，且目標基本不與邊界相接觸的特點，與邊界大面積接觸的則屬于背景區(qū)，可以直接將圖像邊緣信息當作背景來處理，通過像素與邊界點的連接度來識別圖像空間布局，精確提取晶圓的邊緣。整個系統(tǒng)由晶圓圖像采集模塊、晶圓目標提取模塊兩部分構(gòu)成，如圖1所示。

1 晶圓采集模塊

    晶圓采集模塊主要通過調(diào)整光源亮度，并通過評價圖像亮度函數(shù)計算出控制量，反饋給光源控制器，對光源進行閉環(huán)控制，確保得到適合系統(tǒng)亮度的晶圓圖像。相機驅(qū)動模塊主要負責相機與計算機的通信，將圖像數(shù)據(jù)放入計算機內(nèi)存，供后續(xù)圖像處理使用。

2 晶圓目標提取模塊

    一般在實際應(yīng)用中，對晶圓非均勻亮度圖像目標提取主要采用閾值化方法，LI C M等人的LBF（Local Binary Fitting）模型^[2]中最大的特點是利用高斯函數(shù)取得圖像的局部灰度信息，圖像雖然在整體上存在灰度不均勻，但是在局部，灰度可以近似地認為不存在偏差場。LBF模型引入了懲罰項，因此無須再重新初始化，但是其最大的缺點是計算量大、演化收斂緩慢、效率低下。在LBF模型和高斯函數(shù)規(guī)則符號距離函數(shù)的基礎(chǔ)上，由ZHANG K H等人提出LIF(Local Image Fiting)模型^[3]，LIF模型修改了活動輪廓模型的能量函數(shù)，并將LBF模型中用高斯函數(shù)求零水平集曲線內(nèi)外局部灰度高斯加權(quán)均值改為直接求曲線內(nèi)外灰度均值，效率相比LBF模型有所提高，但其效率仍然無法滿足本系統(tǒng)小于1 s的計數(shù)速度，且對初始輪廓敏感，對非高斯噪聲圖區(qū)并不理想，基于閾值的晶圓目標提取在速度以及精準度方面都存在不足。

    通過分析整個晶圓采集圖像具有背景單一、目標集中的基本構(gòu)圖特征^[4-6]，將晶圓圖像分為邊界、背景和目標區(qū)域三部分。目標區(qū)域一般位于圖像的視角聚焦的中心位置，目標完全不與邊界相接觸，直接采用邊界優(yōu)先策略，將圖像邊緣當作背景來處理，通過區(qū)域間特征線索的關(guān)聯(lián)度來判斷區(qū)域與邊界的連接度，識別出目標或背景區(qū)域。

    這里關(guān)鍵是首先要確定邊界區(qū)域，然后通過特征線索按照邊界優(yōu)先的原則來劃分背景和目標區(qū)域。ZHU W在文獻[7]中只簡單將圖像4個邊緣定量的行列區(qū)域人為劃分為邊界區(qū)域。當目標與邊界有接觸或接近邊界區(qū)域時，存在將目標誤判為邊界區(qū)域的概率，直接影響到后續(xù)對背景與目標的準確劃分。

    這里采用VAN DE WEIJER J文獻[8]中的Harris檢測算法，檢測圖像中晶圓目標的角點與輪廓角點，晶圓目標包含在一個凸多邊形內(nèi)，整個晶圓圖像被劃分為包含目標對象的內(nèi)部區(qū)域和外部區(qū)域，角點檢測結(jié)果如圖2所示，整個晶圓目標包含在角點所包絡(luò)的區(qū)域中。

    整個邊界區(qū)域則在外部區(qū)域中劃分，以角點到邊緣的平均垂直距離為基準值為寬度，來劃分4個方向上的邊界區(qū)域，作為后續(xù)背景和目標分割的基礎(chǔ)，避免誤將目標盲目劃分為邊界區(qū)域。

2.1 邊界連接度優(yōu)先晶圓顯著性算法

    依據(jù)晶圓圖像目標居中，與邊界大面積接觸的則是背景區(qū)域的特點，通過邊界連接度來表示這一特性，依據(jù)這一特性來識別晶圓目標。這里定義像素區(qū)域的邊界連接度為該點的邊界外圍長度與其總長度的比率，具體計算如下：

2.2 晶圓目標顯著性提取

    在充分考慮晶圓圖像空間布局基礎(chǔ)上，這里同時應(yīng)用圖像空間上的特征，將顏色與空間信息同時融合來提取晶圓顯著性目標，目標顯著性定義為：

    依據(jù)式(3)，晶粒區(qū)域從背景區(qū)域中接收到較大的值對比度加強；與此相反，背景區(qū)域從目標區(qū)域中接收小的值對比度降低。這種非對稱的行為加強了目標與背景區(qū)域的對比度。整個算法流程如圖3所示。

    在晶圓目標提取中，為避免大規(guī)模數(shù)值計算，提高顯著性檢測的速度，滿足實時性的要求，將計算處理的基本圖像單元分割為不同的塊^[9-10]。使用SLIC^[10]方法將圖像抽象為一組大致固定的超像素點，超像素保存了局部結(jié)構(gòu)的同時減少了不必要的細節(jié)信息，利用文獻[11]算法來計算超像素結(jié)點構(gòu)成的稀疏圖中任意兩點間的最短距離，僅需要0.047 s，時間復雜度只有O(n)。超像素劃分結(jié)果如圖4所示。通過計算超像素點的顯著性來提取晶圓目標。

3 試驗結(jié)果分析

    通過對分辨率為4 000×3 000的彩色晶圓圖像、運用邊界連接度優(yōu)先的目標提取算法進行實驗。其實驗環(huán)境為IntelCore i3-3240 3.40 GHz，RAM 8 GB，VC2010。實驗中，在對圖像歸一化[0，1]基礎(chǔ)上，將邊界區(qū)域中前50行、值低于0.57的像素劃分為邊界點。超像素點設(shè)置為200個，對原始晶圓圖4(a)進行目標提取，結(jié)果如圖5(b)所示。圖5(a)中是LIF閾值二值化提取結(jié)果，受識別背景區(qū)域的噪音干擾，嚴重降低了目標提取的精確度。

    為客觀驗證評價晶圓目標提取的有效性，通過查準率-查全率曲線PR來定量分析,其中查準率表示像素被正確標注為顯著性像素的比率,而查全率表示像素被標注為顯著性像素與實際顯著性像素的比率。其實驗數(shù)據(jù)集來自應(yīng)用最廣泛的基準數(shù)據(jù)集ASD^[10]，相應(yīng)的顯著性目標檢測結(jié)果如圖6所示，可檢測到較清晰的顯著性目標。相應(yīng)的查準率-查全率PR曲線如圖7所示，相比較當前廣泛應(yīng)用的閾值化中LIF檢測算法，其查準率有明顯的提高，同時整個晶圓目標提取的時間控制在0.26 s內(nèi)，目標提取效率較高。

4 結(jié)論

    本文利用機器視覺中的邊界優(yōu)先提取顯著性目標算法設(shè)計晶圓目標提取系統(tǒng)。采用反饋式光源采集系統(tǒng)，在此基礎(chǔ)上，得到有利于該算法實施的亮度一致的圖像，可完整識別出整個晶粒包絡(luò)的區(qū)域，同時可有效排除識別區(qū)外的噪音干擾，滿足了系統(tǒng)對精度速度的要求。

參考文獻

[1] 鐘鑫.LED芯片檢測算法研究及實現(xiàn)[D].北京：北京交通大學，2007.

[2] LI C M，KAO C Y，GORE J C，et al.Minimization of region-scalable fitting energy for image segmentation[J].IEEE Transactions on Image Processing，2008，17(10)：1940-1949.

[3] ZHANG K H，SONG H H，ZHANG L.Active contours driven by local image fitting energy[J].Pattern Recog-Gnition，2010，43(4)：1199-1206.

[4] 張文康，朱倩，陳瀟君.擬人視覺系統(tǒng)的顯著性檢測方法[J].電子技術(shù)應(yīng)用，2016，42(11)：122-125.

[5] 吳曉.一種LED芯片橢圓定位方法[J].紅外與激光工程，2013(S1)：98-102.

[6] CHENG M M，WARRELL J，LIN W Y，et al.Efficient salient region detection with soft image abstraction[C].In ICCV，2013.

[7] ZHU W，LIANG S，WEI Y，et al.Saliency optimization from robust background delection IEEE delection[C].IEEE Conference on Computer Vision & Pattern Recognition，2014：2814-2821.

[8] VAN DE WEIJER J，GEVER T，BAGDANOV A D.Boosting color saliency in image feature detection[J].Pattern Analysis and Machine Intelligence，IEEE Transactions on，2006，28(1)：150-156.

[9] ACHANTA R，SHAJI A，SMITH K，et al.Slic superpixels compared to atate-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysys and Machine Intelligence，2012，34(11)：2273-2282.

[10] ACHANTA R，HEMAMI S，ESTRADA F，et al.Frequency-tuned salient region detection[C].In CVPR，2009.

[11] JOHNSON D B.Efficient algorithms for shortest paths in sparse networks[J].ACM，1977，24(1)：1-13.

作者信息：

王想實1，王  棋2

（1.無錫職業(yè)技術(shù)學院 物聯(lián)網(wǎng)技術(shù)學院，江蘇 無錫214121；2.深圳市艾特智能科技有限公司，廣東 深圳518007）