劉勁松+梁皓源

摘要：根據(jù)特定晶圓（Wafer）產(chǎn)品光學(xué)特性，基于OpenCV開源視覺庫(kù)，設(shè)計(jì)一套晶圓字符編碼識(shí)別系統(tǒng)。系統(tǒng)過程包括光源選型及照射方式選擇、圖像預(yù)處理、自適應(yīng)閾值分割、形態(tài)學(xué)處理、圖像矯正及ROI提取。通過優(yōu)化評(píng)價(jià)標(biāo)準(zhǔn)的模板匹配完成字符識(shí)別。經(jīng)過試驗(yàn)，該系統(tǒng)能夠準(zhǔn)確檢測(cè)字符，具備一定應(yīng)用價(jià)值。

關(guān)鍵詞：字符檢測(cè)；OpenCV；形態(tài)學(xué)處理；自適應(yīng)閾值處理；模板匹配

DOIDOI：10.11907/rjdk.171106

中圖分類號(hào)：TP312

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2017）006-0025-03

0 引言

半導(dǎo)體工業(yè)某種程度上是國(guó)家工業(yè)水平的標(biāo)桿，其智能化水平尤為重要。機(jī)器視覺作為新興且迅速發(fā)展的多學(xué)科綜合技術(shù)，是智能化生產(chǎn)的重要組成部分，主要用于缺陷檢測(cè)、掃描識(shí)別、定位對(duì)位等領(lǐng)域，在半導(dǎo)體應(yīng)用領(lǐng)域舉足輕重[1]。

晶圓（wafer）生產(chǎn)過程中，需頻繁識(shí)別記錄本體編號(hào)，以便于產(chǎn)品追溯，為提高品質(zhì)控制提供基礎(chǔ)數(shù)據(jù)。以往通過人工進(jìn)行該項(xiàng)操作，不但增加了人力資源開銷，效率和準(zhǔn)確性也無法保障。將機(jī)器視覺與晶圓編號(hào)識(shí)別結(jié)合，可為優(yōu)化晶圓信息提供新思路 。本文基于特定晶圓產(chǎn)品編號(hào)特征，結(jié)合Visual C++ 和OpenCV開源視覺庫(kù)實(shí)現(xiàn)了晶圓字符編號(hào)的識(shí)別。

1 系統(tǒng)概述

機(jī)器視覺系統(tǒng)主要包括圖像采集、圖像處理、目標(biāo)識(shí)別3部分[2]。圖像采集系統(tǒng)和識(shí)別算法是影響系統(tǒng)效率和穩(wěn)定性的兩大因素。本文通過選取合適的光源和照射方式獲取優(yōu)質(zhì)的源圖像，然后對(duì)圖像進(jìn)行預(yù)處理、矯正、分割，最后通過模板匹配實(shí)現(xiàn)字符識(shí)別，如圖1所示。

2 光源及照射方式選擇

光源及照射方式直接影響原始圖像質(zhì)量，設(shè)計(jì)系統(tǒng)時(shí)需著重考慮。鑒于晶圓表面呈鏡面特性且編號(hào)為刻蝕字符，故選用同軸光照射，見圖2（a），以減少反射光影響。晶圓表面呈暗黃色而字符為黑色，為弱化背景信息并突顯字符，可運(yùn)用反色溫單色光照射，由色環(huán)（見圖2（b））選用藍(lán)色LED光源。圖2（c）為在該照明條件通過CCD相機(jī)采集到的灰度圖像。

3 預(yù)處理

首先將灰度圖像二值化。本文采用閾值分割法，可先確定全局灰度閾值，而后逐像素點(diǎn)進(jìn)行灰度值比較，根據(jù)結(jié)果將其重新賦值為0或255。通過圖像灰度直方圖（見圖3），可直觀了解圖像灰度分布，這是確定最優(yōu)閾值常用的方法[3]。

OpenCV中通過函數(shù)calcHist （）統(tǒng)計(jì)圖像灰度分布。

得益于光源和光照方式，直方圖分布均衡且明顯分為前后兩個(gè)波峰區(qū)域，分別對(duì)應(yīng)著字符及黑色邊緣區(qū)域和主體背景區(qū)域。將灰度直方圖平滑后，選取波谷區(qū)域的最小值作為固定閾值，并以此對(duì)原圖像全局二值化。

由圖4可見，部分字符特征信息缺失且圖像邊緣陰影區(qū)域也被突出。此外，由于實(shí)際環(huán)境復(fù)雜，并不能保證源圖像的灰度直方圖始終呈現(xiàn)明確清晰的雙峰特性，難以獲取最優(yōu)閾值，故固定閾值全局二值化在此并不適合。

考慮到源圖像結(jié)構(gòu)特點(diǎn)，雖然整體背景灰度分布復(fù)雜，但字符區(qū)域背景構(gòu)成相對(duì)簡(jiǎn)單。因此要根據(jù)不同區(qū)域的自身特點(diǎn)選擇適合該區(qū)域的局部閾值，并藉此對(duì)當(dāng)前區(qū)域二值化[4]，這樣不但可以消減噪聲，還可以降低非均勻光照對(duì)灰度分布的影響。通過濾波器獲取以某一像素為中心的局部區(qū)域平均灰度值，以此作為閾值，與該像素進(jìn)行灰度值比較，繼而確定該像素點(diǎn)的灰度取值（0或255），也稱為自適應(yīng)閾值二值化。其中，濾波器尺寸的選取較為關(guān)鍵。尺寸偏小，可導(dǎo)致對(duì)局部區(qū)域平均灰度值估計(jì)不足，引入額外噪聲；尺寸偏大，可能會(huì)使感興趣區(qū)域丟失特征信息。經(jīng)多次嘗試，筆者選取5×5的濾波器對(duì)全圖進(jìn)行高斯濾波（見圖5）。相對(duì)于全局二值化，自適應(yīng)二值化效果更好，不但完整保留了字符信息，也將背景中低灰度值區(qū)域?yàn)V除。

OpenCV通過函數(shù)adaptiveThreshold （） 實(shí)現(xiàn)自適應(yīng)閾值二值化。

4 圖像角度矯正及ROI獲取

機(jī)械結(jié)構(gòu)只能保證晶圓字符信息處于鏡頭視野范圍內(nèi)，但字符串方向可能與圖像X軸方向呈一定角度，影響后續(xù)模板匹配的效率和準(zhǔn)確性。因此，有必要對(duì)圖像進(jìn)行角度矯正。

首先，對(duì)二值圖像進(jìn)行形態(tài)學(xué)處理，目的是將字符區(qū)域連接為一體，使其具備更明顯的特征以便獲取傾斜角度和區(qū)域提取。根據(jù)字符串沿X軸方向展開且字符線條較窄的特點(diǎn)，本文采用1×5橫向進(jìn)行X方向的多次腐蝕，實(shí)現(xiàn)字符區(qū)域連接，再進(jìn)行膨脹處理，平滑邊緣。該過程后，可能導(dǎo)致原本存在的噪點(diǎn)發(fā)展為橫向線噪聲。因此，隨后以3×1縱向核進(jìn)行Y方向膨脹腐蝕以消減噪聲，結(jié)果如圖6所示。

OpenCV中通過cvCreateStructuringElementEx （）自定義形態(tài)核，cvErode（）和cvDilate（）分別完成膨脹和腐蝕操作。

由于字符區(qū)域沒有明顯透視效果，且形態(tài)學(xué)結(jié)果的下邊緣清晰，故其傾斜角度近似等于待矯正角度。在下邊緣上選取兩個(gè)相距較遠(yuǎn)的點(diǎn)并計(jì)算其連線的傾斜角度[5]，據(jù)此對(duì)圖像進(jìn)行旋轉(zhuǎn)矯正（見圖7）。

OpenCV中先通過cv2DRotationMatrix（）計(jì)算二維旋轉(zhuǎn)變化矩陣，再通過cvWarpaffine（）實(shí)現(xiàn)圖像的旋轉(zhuǎn)變換。

基于形態(tài)學(xué)結(jié)果，結(jié)合先驗(yàn)知識(shí)，設(shè)計(jì)了兩個(gè)條件用于分割并提取字符區(qū)域（見圖8）：①編碼區(qū)域（最小外接矩形）的長(zhǎng)寬比接近4：1；②面積最大的矩形連通域。

5 字符識(shí)別

由于采用了特定光源及照射方式，且產(chǎn)品編碼字符樣式固定，圖像質(zhì)量及圖像采集的魯棒性均得以保障。筆者使用優(yōu)化度量算子后的基于灰度值的模板匹配進(jìn)行字符識(shí)別，即模板圖像t（r，c）在待識(shí)別圖像中逐像素點(diǎn)移動(dòng)，并在每個(gè)位置計(jì)算相應(yīng)的相似度量S，最后取相似度最接近要求的位置作為最佳匹配位置。相似度量是一個(gè)函數(shù)，其參變量由模板圖像中各像素點(diǎn)的灰度值t（r，c）及模板ROI在待匹配圖像中移動(dòng)時(shí)ROI的灰度值g（r+u，c+v）確定。而后，根據(jù)這些灰度值數(shù)據(jù)計(jì)算一個(gè)標(biāo)量值作為相似度[6]。通過這種方法，變換空間中的每一個(gè)點(diǎn)都會(huì)得到一個(gè)相似度，而此時(shí)的變換空間也可以看成為一幅圖像，表達(dá)式見式（1）：

6 試驗(yàn)結(jié)果

筆者在VC++6.0環(huán)境中實(shí)現(xiàn)了本文所述字符識(shí)別算法流程，并對(duì)生產(chǎn)線上隨機(jī)抽取的50張圖像進(jìn)行測(cè)試。樣本中，每張圖像的字符區(qū)域都有不同程度的角度傾斜。試驗(yàn)結(jié)果證明，該算法能夠正確有效地識(shí)別字符，且平均檢測(cè)時(shí)間為1.76 s，滿足一般流水線生產(chǎn)節(jié)拍要求。

但該算法仍有很多不足，體現(xiàn)在：①模板匹配需要占用大量系統(tǒng)資源，如何獲取高質(zhì)量的模板將成為提高算法識(shí)別效率和成功率的瓶頸；②該算法針對(duì)特定產(chǎn)品設(shè)計(jì)，普適性較差，主要表現(xiàn)在圖像的獲取和矯正環(huán)節(jié)上，缺乏移植性。

7 結(jié)語(yǔ)

自動(dòng)化生產(chǎn)線的生產(chǎn)節(jié)拍直接關(guān)乎產(chǎn)品的成本與品質(zhì)控制，將機(jī)器視覺應(yīng)用于產(chǎn)品的可追溯性，既保證了效率又提高了可靠性。本文基于特定晶圓產(chǎn)品的編號(hào)特點(diǎn)，結(jié)合光源及照射方式選擇，設(shè)計(jì)了一種字符識(shí)別算法，目的是拋磚引玉，為半導(dǎo)體裝備制造業(yè)的發(fā)展提供思路。該算法雖具備一定實(shí)用價(jià)值，但仍有很大的改進(jìn)空間。隨著研究的深入，機(jī)器視覺系統(tǒng)在工業(yè)自動(dòng)化生產(chǎn)中將越來越完善。

參考文獻(xiàn)：

[1]劉勁松，郭儉.3D芯片封裝晶圓植球裝備關(guān)鍵技術(shù)研究[J].中國(guó)電子科學(xué)研究院學(xué)報(bào)，2013，8（6）：573-577.

[2]劉學(xué)平，陳藝昌，刁常龍，等.基于機(jī)器視覺的BGA芯片檢測(cè)對(duì)中技術(shù)[J].計(jì)算機(jī)工程，2013，39（8）：281-284.

[3]布拉德斯基，克勒.學(xué)習(xí)OpenCV[M].北京：清華大學(xué)出版社，2009：256-258.

[4]郭斯羽，張煦芳.一種基于模型的自適應(yīng)閾值分割算法[J].浙江大學(xué)學(xué)報(bào)：工學(xué)版，2005，39（12）：1950-1953.

[5]黃先學(xué)，韓震宇.基于OpenCV的半導(dǎo)體電子元器件字符檢測(cè)方法[J].計(jì)測(cè)技術(shù)，2013，33（4）：30-32.

[6]CARSTEN S， MARKUS U，CHRISTIAN W.機(jī)器視覺算法與應(yīng)用[M].第3版.楊少榮，譯.清華大學(xué)出版社，2011：432-438.

[7]陳麗芳，劉淵，須文波.改進(jìn)的歸一互相關(guān)法的灰度圖像模板匹配方法[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（26）：181-183.

（責(zé)任編輯：杜能鋼）