改进CNN＆FCN的晶圆缺陷分割系统

       随着半导体行业的快速发展，半导体晶圆的中值生产需求与日俱增，然而在生产过程中不可避免地会出现各种缺陷，滤波这直接影响了半导体芯片产品的图像质量。因此，中值基于机器视觉的滤波源码的费用晶圆表面检测方法成为研究热点。本文针对基于机器视觉的图像晶圆表面缺陷检测算法进行深入研究。

       在实验中，中值我们采用三种方式对样本晶圆进行成像。滤波第一种方式使用工业显微相机，图像配备白色环光，中值成像分辨率高达×，滤波位深度为，图像论文没提供源码视野约为5.5mm ×3.1mm。中值第二种方式使用相机 MER--GM，滤波配有蓝色环光和2倍远心镜头，物距mm，成像分辨率×，位深度，野人串口助手源码视野宽4.4mm，精度为2jum。第三种方式采用相机 Manta G-B，白色环光LTS-RN-W，镜头TY-A，物距mm，mql4 源码成像分辨率×，位深度8，视野宽3mm，精度1 jum。

       传统的基于CNN的分割方法在处理晶圆缺陷时存在存储开销大、效率低下、青柠导航源码像素块大小限制感受区域等问题。而全卷积网络(FCN)能够从抽象特征中恢复每个像素所属的类别，但在细节提取和空间一致性方面仍有不足。

       本文提出改进DUC（dense upsampling convolution）和HDC（hybrid dilated convolution），通过学习一系列上采样滤波器一次性恢复label map的全部分辨率，解决双线性插值丢失信息的问题，实现端到端的分割。

       系统整合包括源码、环境部署视频教程、数据集和自定义UI界面等内容。

       参考文献包括关于机器视觉缺陷检测的研究综述、产品缺陷检测方法、基于深度学习的产品缺陷检测、基于改进的加权中值滤波与K-means聚类的织物缺陷检测、基于深度学习的子弹缺陷检测方法、机器视觉表面缺陷检测综述、基于图像处理的晶圆表面缺陷检测、非接触超声定位检测研究、基于深度学习的人脸识别方法研究等。

用c++做图像识别

       æœ‰ä¸ªå¤§è‡´æ€è·¯ï¼š 首先读一下两张图片，将图像二值化，把其有效点给分离出来，然后将图片用0和1两个值进行表示，然后将图片每一个像素点转换为数组数据，然后根据规定坐标到数组里面判定，最后返回结果。应该会用上“图片灰度化算法”，“图片中值滤波算法”，等比较重要的算法。 用C++的话，应该用opencv吧，我有个同学做人脸识别的，就用这个类库。用opencv试一试吧 /projects/opencvlibrary

图像处理翻译

       é’ˆå¯¹ç»™å‡ºçš„图像（moon.tif）或者自行选择的灰度图像：

        1）：给图像分别添加高斯噪声和椒盐噪声。

        2）：对加噪图像的中心区域（*）进行空间滤波，尽最大可能消除噪声。

        3）：对加噪图像的中心区域（*）进行频域滤波，尽最大可能消除噪声。

       æŠ€æœ¯æè¿°ï¼š

       å¯¹å›¾åƒè¿›è¡ŒåŠ é«˜æ–¯å™ªå£°å’Œæ¤’盐噪声处理；对包含高斯噪声和椒盐噪声的图片进行处理，使处理后的图像比原图像清晰。

       æ‰€éœ€åº”用到的技术，包括：

       a>对图片加噪声

       b>选取中心区域

       c>对选取的区域进行降噪处理

       d>重新生成图像。

       e>构造高斯低通滤波器时用到了高斯公式：exp(-(u^2+v^2)/(2*(D0^2)))

       ç»“果讨论：

       ä»¥ä¸‹æ˜¯å¯¹ä¸åŒçš„滤波器针对不同噪点处理的测试结果。

       å‚考下面的试验结果，进行讨论：

       A()是使用fspecial('gaussian’)平滑空域滤波处理效果，不过效果不是最好，由于最大程度降噪，导致图像模糊；

       A()是频域滤波处理后的结果，因为使用了高斯低通滤波器，所以会有条黑线，处理一般；

       A()是使用medfilt2（）空域中值滤波器效果，降噪效果很不错，图像也很清晰；

       A() 是频域滤波处理后的结果，同A()，因为使用了高斯低通滤波器，所以会有条黑线，效果一般。

       è¯•éªŒç»“æžœ:

       é«˜æ–¯åŠ å™ªå’Œæ¤’盐加噪处理图分别如下:

        如图:

        图(A):原图

        图(A):高斯加噪

        图(A):对图(A)进行中心*空域滤波

        图(A):对图(A)进行中心*频域滤波

       ï¼ˆA0） （A）

       ï¼ˆA） (A)

        如图:

        图(A):原图

        图(A):椒盐加噪

        图(A):对图(A)进行中心*空域滤波

        图(A):对图(A)进行中心*频域滤波

       (A) (A)

       (A) (A)

       é™„录：

       æºä»£ç 1 ：对高斯噪声的处理

       f=imread('moon.tif');

       J=imnoise(f,'gaussian',0.,0.);%添加高斯噪声

       %空域滤波

       r=[ ];

       c=[ ];

       BW=roipoly(J,c,r);

       h=fspecial('gaussian',[5 5]);

       A=roifilt2(J,h,BW);

       figure,imshow(A);

       %频域滤波

       f1=imcrop(fn,[ ]);

       %截取*大小的窗口图片

       f2=[ ];

       %建立一个新的图像

       f2=uint8(f2);

       f2=padarray(f2,[ ],);

       %将新建图像拓展到*的黑色图片

       f2=padarray(f2,[ ],0);

       %在新建图片周围添加白色使之大小为moon图片的大小

       fn=fn-f2;

       %得到中心*区域内为黑色的moon图片

       PQ=paddedsize(size(f1));

       [u,v]=dftuv(PQ(1),PQ(2));

       D0=0.2*PQ(2);

       hh=exp(-(u.^2+v.^2)/(2*(D0^2)));

       %构造高斯低通滤波器

       h1=dftfilt(f1,hh);

       A=padarray(h1,[ ],0);

       %将h1拓展到moon图片大小

       A=uint8(A)+fn;

       %得到中心*区域处理后的moon图片

       figure,imshow(A);

       æºä»£ç 2 ：对椒盐噪声的处理

       f=imread('moon.tif');

       fn=imnoise(f,'salt & pepper',0.);

       %添加椒盐噪声

       %空域滤波

       f1=imcrop(fn,[ ]);

       %截取*大小的窗口图片

       f2=[ ];

       %建立一个新的图像

       f2=uint8(f2);

       f2=padarray(f2,[ ],);

       %将新建图像拓展到*的黑色图片

       f2=padarray(f2,[ ],0);

       %在新建图片周围添加白色使之大小为moon图片的大小

       fn=fn-f2;

       %得到中心*区域内为黑色的moon图片

       h=medfilt2(f1,'symmetric');

       %对f1进行中值处理

       A=padarray(h,[ ],0);

       %将h拓展到moon图片大小

       A=A+fn;

       %得到中心*区域处理后的moon图片

       figure,imshow(A);

       %频域滤波

       f1=imcrop(fn,[ ]);

       %截取*大小的窗口图片

       f2=[ ];

       %建立一个新的图像

       f2=uint8(f2);

       f2=padarray(f2,[ ],);

       %将新建图像拓展到*的黑色图片

       f2=padarray(f2,[ ],0);

       %在新建图片周围添加白色使之大小为moon图片的大小

       fn=fn-f2;

       %得到中心*区域内为黑色的moon图片

       PQ=paddedsize(size(f1));

       [u,v]=dftuv(PQ(1),PQ(2));

       D0=0.1*PQ(2);

       hh=exp(-(u.^2+v.^2)/(2*(D0^2)));%构造高斯低通滤波器

       h1=dftfilt(f1,hh);

       A=padarray(h1,[ ],0);

       %将h1拓展到moon图片大小

       A=uint8(A)+fn;

       %得到中心*区域处理后的moon图片

       figure,imshow(A);