【论文阅读 08】Defect Detection in Electronic Surfaces Using Template-Based Fourier Image Reconstruction

原创

已于 2023-09-20 12:55:49 修改 · 920 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#论文阅读

于 2023-09-19 21:50:17 首次发布

本文介绍一种用于检测非周期性模式图像中小缺陷的新方法。传统方法对几何、光照变化和随机噪声敏感，新方法通过比较模板与待检测图像的傅里叶光谱，恢复局部异常并移除通常模式。该方法对平移和光照变化不敏感，能检测微小缺陷，还可通过图像分区提高效率。

比较老的一篇论文，基于模板的傅里叶图像重建电子表面的缺陷检测
关键词：缺陷检测，傅里叶变换(F.T.)、机器视觉、印刷电路板 (PCB)、模板匹配。
总结：

1 Abstract

一种用于检测和定位非周期性模式图像中小缺陷的新方法。在电子工业中，例如在印刷电路板或集成电路芯片的图像中，通常需要找到并识别微小的缺陷。传统的模板匹配技术通常在图像的局部像素信息上工作，因此对于几何变化、光照变化以及随机噪声非常敏感。此外，基于傅里叶变换的方法通常适用于普通和周期性纹理表面，不太适用于非周期性模式图像。在这篇论文中，提出了一种全局傅立叶图像重建方法，以应对这一问题。该方法通过比较模板图像和待检测图像的整个傅里叶光谱，来寻找缺陷。它只保留与局部异常相关的频率分量，然后使用傅里叶逆变换将测试图像重建，从而恢复局部异常并将通常模式移除，使表面变得均匀。这种方法对于平移和光照变化是不敏感的，可以在各种非周期性模式图像中检测到宽度仅为1像素的微小缺陷。这种方法的优点是能够在复杂的非周期性图像中精确地定位和检测缺陷，从而在电子工业等领域具有广泛应用前景。

2 Introduction

        自动目视检查（AVI）技术在电子工业中的应用。AVI是一种非接触的技术，用于检测电子产品制造过程中出现的小缺陷。这些缺陷通常出现在感知图像中，与周围背景有明显的局部差异。AVI技术已被广泛应用于电子工业中，用于检测各种不同类型的缺陷，包括焊料膏、焊料接头等。这种技术依赖于图像中的颜色特征和流形模型，或者使用支持向量机（SVM）或主成分分析（PCA）等机器学习方法来检测和识别这些缺陷。制造过程中，材料或产品的表面可以具有不同的纹理特征，例如均匀的表面、重复结构的纹理、随机纹理等。有些材料表面可能具有周期性模式，而另一些则不具备。AVI技术的关键之一是能够识别这些不同类型表面的局部缺陷，而无需事先了解表面的形式、周期性或局部纹理特征。这种灵活性使得AVI技术在电子工业中非常有用，因为它可以适应不同类型的产品和材料。
        印刷电路板（PCB）和集成电路（IC）晶圆/芯片在电子产品市场中的重要性。这些组件的电路布局通常具有独特而单一的模式，这意味着它们的图像在视觉上不具备重复的特征，因此被归类为非周期性模式图像。在这些电子产品中，例如智能手机和智能手表，产品的尺寸通常很小。由于尺寸小，需要一种强大的自动目视检查（AVI）技术来检测嵌入在这些复杂图案表面中的微小缺陷。这些缺陷可能对电子产品的性能和可靠性产生负面影响，因此必须及早检测和处理。
        解决非周期模式图像中电子表面缺陷检测问题的方法。在这种情况下，模板匹配似乎是唯一可行的技术。模板匹配使用无缺陷的样本图像（或一组无缺陷图像）作为模板，将测试图像与模板进行像素级比较，以检测偏差或不相似之处。研究人员Chua等人曾将金模板方法应用于晶圆中的粘结焊盘缺陷检测。工业检测应用中广泛使用的模板匹配方法通常使用图像差，如绝对差（SAD）和均方误差（MSE）之和，或者使用归一化互相关（NCC），以满足实时检测的要求。这些方法在检测大尺寸缺陷方面通常表现良好。然而，SAD、MSE和NCC对噪声、照明和图像移位变化非常敏感。这意味着在存在这些干扰因素的情况下，它们可能会产生误报或漏报，因此对于准确检测细微缺陷可能不够可靠。

         在进行精确的图像对齐后，由于二维数字图像的量化限制和制造过程中的随机变化，测试图像和模板之间仍可能存在一些微小的偏差。这些偏差通常表现为规则电路模式的边缘像素与图像中的局部异常之间的关系。后处理可以用来解决这个问题，后处理可以执行以下操作：

去除边缘像素：有时边缘像素可能会干扰局部异常的检测，因此可以采取措施将它们删除。
去除真正的细微缺陷：有时图像中可能存在真正的细微缺陷，后处理可以用来识别并去除它们。
将规则图案的边缘像素识别为局部缺陷：有些情况下，图像中的规则图案的边缘像素可能被错误地识别为局部缺陷。

图1中展示了一个例子，其中包括一个模板图像和一个测试图像，测试图像中包含一个非常细微的划痕（仅1像素宽）。尽管这两个图像经过了精确的对齐，但由于图像的量化和随机性，它们之间仍存在偏差。图1中的(a)显示了 PCB 表面的模板图像，(b)显示了测试图像【包含一个非常薄的划痕(1像素宽)，相对于模板，它在 x 轴和 y 轴分别移动了 6 个像素和 5 个像素。然后使用图像左上角的“十字”作为基准标记来精确对齐测试图像。】，(c)显示了对齐的测试图像，(d)显示了图像差结果，即亮度与幅值成正比。这个划痕很难与常规图案的边缘像素区分开来，因此需要后处理来解决这个问题。此外，NCC（归一化互相关）也在这个示例中应用，但由于NCC对图像平移非常敏感，所以不能有效地区分划痕和边缘像素。总之，在电子表面缺陷检测中，即使图像经过精确对齐，仍然需要后处理来解决微小偏差和边缘像素的问题。

图1所示。空间域图像减法缺陷检测。(a) 模板图像。(b) 包含薄划痕的测试图像。(c) 对齐测试图像。(d) 结果差分图像。

在本文中，我们提出了一种用于检测非周期性模式图像中局部缺陷的新方法，特别适用于印刷电路板（PCB）和集成电路（IC）模具等领域的微小缺陷检测。传统的傅里叶变换（F.T.）主要用于描述周期性信号的全局表示，因此通常不适用于非周期性模式图像的缺陷检测。而在本文中提出的方法，基于整个图像的傅里叶光谱，通过比较模板图像和测试图像的傅里叶光谱，找到了测试图像中的可疑频率分量，然后使用傅里叶反变换（I.F.T.）将这些频率分量还原成图像，从而恢复局部异常并去除公共背景模式，使表面变得均匀。这个方法的优势在于对平移和照明变化不敏感，因此可以检测到非常细微的缺陷，宽度仅为1像素。最后，通过使用简单的统计控制极限作为自适应阈值，来分割局部缺陷，完成缺陷的检测和定位。
该方法的优点和整个文章的结构：