[發(fā)明專利]一種基于集成決策樹的暗場(chǎng)圖像目標(biāo)點(diǎn)精確提取方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111428201.8
• 申請(qǐng)日: 2021-11-29
• 公開（公告）號(hào): CN114120318A
• 公開（公告）日: 2022-03-01
• 發(fā)明（設(shè)計(jì)）人: 陳明君;尹朝陽(yáng);趙林杰;程健;袁曉東;鄭萬(wàn)國(guó);廖威;王海軍;張傳超
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類號(hào): G06V20/69
• 分類號(hào): G06V20/69;G06V10/26;G06V10/44;G06V10/762;G06V10/764;G06V10/70;G06K9/62;G06N20/20
• 代理公司: 黑龍江立超同創(chuàng)知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 23217
• 代理人: 楊立超

1.一種基于集成決策樹的暗場(chǎng)圖像目標(biāo)點(diǎn)精確提取方法，其特征在于，包括以下步驟：

步驟一、在暗場(chǎng)環(huán)境下對(duì)元件表面進(jìn)行全方位掃描采集，獲取元件表面暗場(chǎng)圖像；

步驟二、對(duì)所述暗場(chǎng)圖像進(jìn)行預(yù)處理和分割，獲得多個(gè)缺陷區(qū)域的圖像坐標(biāo)；

步驟三、根據(jù)缺陷區(qū)域的圖像坐標(biāo)提取缺陷區(qū)域特征，并利用預(yù)訓(xùn)練的集成決策樹分類模型對(duì)元件表面缺陷區(qū)域進(jìn)行識(shí)別，剔除后表面?zhèn)稳毕輩^(qū)域，獲得前表面缺陷區(qū)域圖像集；

步驟四、以目標(biāo)點(diǎn)間距離作為聚類依據(jù)，對(duì)前表面缺陷區(qū)域圖像集進(jìn)行聚類處理；根據(jù)聚類結(jié)果計(jì)算獲得多個(gè)缺陷區(qū)域的位置和尺寸。

2.根據(jù)權(quán)利要求1所述的一種基于集成決策樹的暗場(chǎng)圖像目標(biāo)點(diǎn)精確提取方法，其特征在于，步驟一中所述元件表面暗場(chǎng)圖像包括元件表面不同區(qū)域的多個(gè)子圖，多個(gè)子圖拼接成一個(gè)全圖。

3.根據(jù)權(quán)利要求2所述的一種基于集成決策樹的暗場(chǎng)圖像目標(biāo)點(diǎn)精確提取方法，其特征在于，步驟一中采用環(huán)形光源低角度照射元件表面形成暗場(chǎng)環(huán)境。

4.根據(jù)權(quán)利要求3所述的一種基于集成決策樹的暗場(chǎng)圖像目標(biāo)點(diǎn)精確提取方法，其特征在于，步驟二中采用頂帽變換對(duì)各個(gè)子圖進(jìn)行預(yù)處理，然后進(jìn)行閾值分割，提取缺陷區(qū)域并計(jì)算缺陷區(qū)域輪廓；然后求取缺陷區(qū)域輪廓的最小外接圓，將其圓心作為缺陷區(qū)域在子圖中的坐標(biāo)；最后通過(guò)下式將缺陷區(qū)域在子圖中的坐標(biāo)轉(zhuǎn)化為在全圖中的坐標(biāo)(x,y)：

式中，(LocX，LocY)表示缺陷區(qū)域在子圖中的坐標(biāo)；m和n表示子圖的序號(hào)，n代表子圖所在行數(shù)，m代表子圖所在列數(shù)；L_w和L_H表示子圖的寬和高。

5.根據(jù)權(quán)利要求4所述的一種基于集成決策樹的暗場(chǎng)圖像目標(biāo)點(diǎn)精確提取方法，其特征在于，步驟三中所述缺陷區(qū)域特征包括尺寸特征、灰度特征和梯度特征；其中，尺寸特征包括缺陷區(qū)域的長(zhǎng)、寬和長(zhǎng)寬比，灰度特征包括缺陷區(qū)域的最大灰度值、最小灰度值及二者比值、灰度均值和方差，梯度特征包括缺陷區(qū)域的平均梯度和輪廓平均梯度。

6.根據(jù)權(quán)利要求5所述的一種基于集成決策樹的暗場(chǎng)圖像目標(biāo)點(diǎn)精確提取方法，其特征在于，步驟三中所述集成決策樹分類模型的預(yù)訓(xùn)練過(guò)程包括：訓(xùn)練樣本集包括被標(biāo)注為正樣本的前表面目標(biāo)缺陷點(diǎn)和負(fù)樣本的后表面目標(biāo)缺陷點(diǎn)，提取訓(xùn)練樣本的特征并輸入集成決策樹模型，采用網(wǎng)格搜索方法對(duì)模型中超參數(shù)進(jìn)行優(yōu)化，按照優(yōu)化后的超參數(shù)對(duì)模型進(jìn)行重新訓(xùn)練，獲得前后表面目標(biāo)點(diǎn)分類模型，即訓(xùn)練好的集成決策樹分類模型。

7.根據(jù)權(quán)利要求6所述的一種基于集成決策樹的暗場(chǎng)圖像目標(biāo)點(diǎn)精確提取方法，其特征在于，步驟四的具體步驟包括：

步驟四一、對(duì)前表面缺陷區(qū)域圖像集中的所有缺陷區(qū)域，計(jì)算各個(gè)缺陷區(qū)域之間的相關(guān)系數(shù)；

步驟四二、將相關(guān)系數(shù)大于預(yù)設(shè)系數(shù)閾值的缺陷區(qū)域歸屬為同一類，將歸屬于同一類的缺陷區(qū)域整合為一個(gè)集合，獲得歸屬不同類的多個(gè)缺陷區(qū)域集合；

步驟四三、對(duì)于多個(gè)缺陷區(qū)域集合中的每個(gè)缺陷區(qū)域，計(jì)算包絡(luò)缺陷區(qū)域內(nèi)所有像素點(diǎn)的最小外接圓，以最小外接圓圓心作為該缺陷區(qū)域的中心位置，以最小外接圓半徑作為該缺陷區(qū)域尺寸。

8.根據(jù)權(quán)利要求7所述的一種基于集成決策樹的暗場(chǎng)圖像目標(biāo)點(diǎn)精確提取方法，其特征在于，步驟四一中根據(jù)下述公式計(jì)算各個(gè)缺陷區(qū)域之間的相關(guān)系數(shù)r_A,B：

式中，l_AB表示兩個(gè)缺陷區(qū)域A和B分別對(duì)應(yīng)的最小外接圓圓心(x_A,y_A)、(x_B,y_B)之間的距離；R_A、R_B表示兩個(gè)缺陷區(qū)域A和B分別對(duì)應(yīng)的最小外接圓半徑。

9.根據(jù)權(quán)利要求8所述的一種基于集成決策樹的暗場(chǎng)圖像目標(biāo)點(diǎn)精確提取方法，其特征在于，還包括步驟五：將包含元件表面缺陷區(qū)域編號(hào)、子圖序號(hào)、中心位置坐標(biāo)和尺寸信息形成檢測(cè)結(jié)果文件并保存。