巢 淵，周 偉，單文桃，馮俊萍

基于改進凸包檢測的芯片圖像字符區(qū)域定位

巢 淵，周 偉，單文桃，馮俊萍

(江蘇理工學院機械工程學院，江蘇 常州 213001)

針對半導體芯片在激光打印時可能出現字符傾斜、字符位置錯誤等缺陷，提出一種基于改進凸包檢測的半導體芯片圖像字符區(qū)域定位方法。首先，利用三軸圖像采集平臺采集多幅半導體芯片圖像，切分提取出若干單幅芯片圖像；其次，采用Harris角點檢測獲取圖像角點分布圖，改進凸包檢測算法，剔除非字符區(qū)域角點，獲取最外圍角點凸包線；最后，擬合凸包線最小外接矩形，定位字符區(qū)域位置。實驗結果表明，與形態(tài)學濾波定位方法、基于邊緣特征的定位方法、基于字符紋理特征的定位方法和基于凸包及最小外接矩的定位方法相比，該方法定位芯片字符區(qū)域準確度更高，且單幅平均運行時間少于其他方法1/2，可有效減少計算量，提高運算效率。

Harris角點檢測；改進凸包檢測；字符定位

半導體芯片是指在半導體片材上進行浸蝕、布線，制成的能實現某種特定功能的半導體器件[1]，其廣泛應用于各個領域及電子產品，已經成為經濟發(fā)展、國家信息安全的命脈，深刻影響著現代人類的生活。隨著半導體芯片需求量不斷增加、產量的不斷提高，對芯片封裝與質量檢測的要求也不斷提高。

半導體芯片字符在激光打印時可能出現字符打印傾斜、字符位置錯誤等缺陷[2]，文獻[3]利用投影直方圖以及啟發(fā)式規(guī)則形成候選文字區(qū)域，提取局部二值模式(local binary pattern，LBP)作為紋理特征，提高模糊支持向量機(fussy support vector machine，FSVM)對候選文字區(qū)域進行精確定位，該方法具有較好的定位能力，提高了查全率，但定位效果受圖像背景影響，易產生文字區(qū)域定位結果大于實際區(qū)域的情況。文獻[4]針對文字區(qū)域定位準確率與查全率問題，對圖像進行離散余弦變換，計算頻域中塊的紋理值與閾值相比得到候選文字塊，根據文字幾何屬性確定文字區(qū)域，該方法能有效適應背景復雜的圖像，提升了查全率和準確率，但不能準確定位文字的邊緣，同時也容易產生文字區(qū)域定位大于實際區(qū)域的情況。因此，研究適用于復雜圖像且精度較高的字符區(qū)域定位方法，對提高激光打印芯片字符準確性具有非常重要的意義。傳統(tǒng)形態(tài)學濾波定位通過設置合適的濾波模板，往往能取得較理想的濾波效果，但運行時間較長，準確性有待提高[5]?；谶吘壧卣鞯亩ㄎ环椒ɡ脠D像中文本與背景間較高的對比度這一特性來進行定位，但易受復雜背景干擾，且對文字大小變化敏感[6]?；谧址y理特征的定位方法受光照影響較大，計算量較高[7]。

凸包的計算通常是利用圖像的特征點來得到一個能夠將所有特征點包圍在內的、面積最小的凸多邊形[8-9]。傳統(tǒng)的凸包檢測算法在檢測目標區(qū)域時，存在特征點過多、計算時間較長等缺點[10]。在字符定位算法的不斷改進與優(yōu)化過程中，魯劍和劉志[11]通過叉乘、角度和長度等方法準確篩選凸包頂點，減少了計算量，以“偽四邊形”精確擬合二維條碼圖像輪廓，縮短了計算時間，但對于畸變幅度較大的圖像定位效果并非很理想，有待進一步提高。HASHEM等[12]基于樸素貝葉斯分類器將灰度圖像轉換為二值圖像，利用形狀特征和幾何特征來定義字符區(qū)域，減少了虛警區(qū)域，但適用范圍不廣，主要運用于場景圖像字符定位。何立強等[13]利用邊緣檢測進行文本區(qū)域粗定位，結合灰度檢測確定文本區(qū)域中字符位置，利用紋理特征篩選部分噪聲區(qū)域，獲取目標文本區(qū)域，可以有效運用于復雜背景的場景圖像，但圖像亮度較弱或對比度較低時，會出現部分噪聲，影響到圖像文本定位效果穩(wěn)定性。張勇和楊傲雷[14]針對如何提高圖像目標區(qū)域的定位精度與效率，提出基于凸包及最小外接矩的定位方法，根據圖像分辨率確定掃描的行數，保留當前掃描行的第一個和最后一個像素點，形成一組點集，并結合Grahams算法獲取點集凸包，該方法可有效定位圖像目標區(qū)域，與利用Hough變換來定位圖像目標區(qū)域的傳統(tǒng)方法相比，定位速度僅為其3/4，但需準確掃描圖像邊緣點集，點集個數對圖像目標區(qū)域易產生較大影響，點集個數較多時定位效率降低，反之獲取的凸包則不能完全包含圖像目標區(qū)域，將存在一定的定位錯誤。

從以上研究可知，目前字符定位算法對圖像質量要求較高，易產生字符區(qū)域定位結果大于實際區(qū)域的情況，且大部分集中于視頻文字、場景文本等領域，而由于半導體芯片尺寸較小，難以準確辨別其字符位置，針對小尺寸的半導體芯片表面字符定位的研究較少。綜上，本文提出基于改進凸包檢測的芯片圖像字符區(qū)域定位方法，將三軸圖像采集平臺采集的多幅芯片圖像分割成若干單幅圖像，改進凸包檢測算法，獲取字符區(qū)域最小外接矩形，從而定位半導體芯片字符區(qū)域位置。將本文方法與形態(tài)學濾波定位方法、基于邊緣特征的定位方法、基于字符紋理特征的定位方法和基于凸包及最小外接矩的定位方法[14]進行運行時間、定位精度等方面的實驗對比與分析，以驗證本文算法的有效性。

1 圖像采集

1.1 多幅半導體芯片圖像采集

三軸圖像采集平臺由滑臺、相機、鏡頭、光源等組成，如圖1所示，為提高半導體芯片檢測效率，本文利用三軸圖像采集平臺一次性采集多幅半導體芯片圖像，如圖2所示，并對其進行切分，提取若干單幅半導體芯片圖像，對字符區(qū)域進行定位處理，最終實現多幅半導體芯片字符區(qū)域定位。

圖1 三軸圖像采集平臺

圖2 多幅半導體芯片圖像

1.2 單幅半導體芯片圖像獲取

文獻[15]根據形態(tài)學處理，針對多幅半導體芯片塑封圖像，考慮芯片塑封圖像與料盤材質灰度近似，選取單個芯片區(qū)域面積、區(qū)域長度、區(qū)域寬度以及區(qū)域占其最小外接矩形面積比值等4項幾何屬性對所有連通區(qū)域進行判定，若以上幾何屬性同時處于預先設定的屬性值上下限常量區(qū)間內，則擬合此連通區(qū)域最小外接矩形，如圖3所示，將其切分為若干單幅半導體芯片塑封圖像。

圖3 擬合芯片圖像最小外接矩

其中，根據單個芯片圖像的分辨率，設和分別為區(qū)域面積的上限和下限，取=240100，=225625；和分別為區(qū)域長度的上限和下限，取=490，=475；和分別為區(qū)域寬度的上限和下限，取=490，=475。

根據半導體芯片圖像幾何屬性，對芯片圖像區(qū)域進行切分，提取出若干單幅半導體芯片圖像。選取圖3第2行第2列半導體芯片作為后續(xù)字符區(qū)域定位方法實驗對象，如圖4所示，切分后的單幅半導體芯片圖像存在傾斜問題，影響字符區(qū)域定位準確性。為解決該問題，本文利用霍夫變換(Hough transformation，又稱Hough變換)[16-17]提取芯片圖像中的最大檢測直線來進行旋轉校正，并去除校正后芯片圖像中存在的黑邊部分，如圖5(a)所示，本文設旋轉校正后的芯片圖像分辨率為479 pixel×476 pixel。

圖4 單幅半導體芯片塑封圖像

半導體芯片圖像傾斜角度的計算式為

依據半導體芯片在水平方向的偏移距離，取其較小值為

半導體芯片圖像傾斜角度計算式為

其中，Lmax為半導體芯片最小外接矩形尺寸；l為芯片尺寸；x為芯片在水平方向的偏移距離。圖5(b)為Hough變換校正圖像的參數示意圖。

2 改進凸包檢測的字符區(qū)域定位方法

2.1 算法思想

由于半導體芯片本身尺寸較小，在進行表面字符激光打印時，會產生字符打印傾斜、字符過大、字符打印位置錯誤等各種缺陷，因此，需要對單幅半導體芯片圖像進行字符定位處理。本文通過檢測半導體芯片圖像角點，獲取圖像角點分布圖，改進凸包檢測算法，提出了半導體芯片圖像字符區(qū)域定位方法，算法流程如圖6所示。

2.2 獲取角點分布圖

為去除采集半導體芯片圖像時產生的噪聲，采用5×5高斯濾波器[18-19]對圖像進行卷積，以平滑圖像，減少邊緣檢測器上明顯的噪聲影響。角點是二維圖像亮度變化劇烈的點，也可是圖像邊緣曲線上曲率最大的點。角點在保留圖像圖形重要特征的同時，可以有效地減少信息的數據量，使其信息含量很高，有效地提高計算的速度。由于Harris角點檢測算法[20-22]計算簡單且提取的特征點均勻合理，因此本文將采用其對校正后的圖像進行角點檢測，獲取圖像角點分布圖，如圖7所示。

2.3 改進凸包檢測算法

凸包檢測基本思想為，給定平面上的一些點，用最少的點連成一個凸多邊形，使得平面內所有點皆在此多邊形內或多邊形上，這個凸多邊形就是給定點的二維凸包，最常用的凸包算法是Graham掃描法(Graham’s scan)，其思想是先找到凸包上的一個點，然后從那個點開始按逆時針方向逐個找凸包上的點，主要通過排序、掃描來實現，但是存在特征點過多，運算時間較長等缺點[23]。一般凸包內的區(qū)域為目標區(qū)域，凸包外的為背景區(qū)域，傳統(tǒng)凸包檢測算法特征點過多且凸包中含有較多的背景區(qū)域，計算量較大。因此為準確獲取最外圍角點的凸包線并繪制輪廓，針對傳統(tǒng)凸包檢測存在的問題，本文通過角點過濾、模板運算、外圍角點點集獲取、初始凸包表建立以及凸包線生成等5個環(huán)節(jié)改進傳統(tǒng)凸包檢測算法，其步驟如下：

圖6 半導體芯片圖像字符區(qū)域定位算法流程圖

圖7 角點分布圖

步驟1. 角點過濾。為有效地將角點分布圖中非字符區(qū)域角點進行剔除，設為角點分布圖中每一行的角點數目，設置每行角點最少存在數以及行數。若()>，則判定為字符區(qū)域角點，保留第行角點；若()<，則判定為非字符區(qū)域角點，去除第行角點。由于芯片字符區(qū)域存在角點較多，而非字符區(qū)域因圖像噪聲影響存在少量的角點，在高斯濾波參數設為5×5的條件下，取=3可獲得較好的非字符區(qū)域角點過濾效果。

步驟2. 模板運算。角點過濾可以粗略濾除一些非字符區(qū)域角點，但也會存在漏檢的角點。為此針對1.2描述的單幅芯片圖像分辨率，定義3個模板1=10 pixel×50 pixel，2=20 pixel×50 pixel和3=30 pixel×50pixel，進行模板運算。設置為3個模板最少存在的角點數，判斷角點處于字符區(qū)域內的公式為

其中，(,)為角點處落在模板里的總角點數。以單幅芯片圖像分辨率479 pixel×476 pixel以及高斯濾波參數5×5進行實驗時，取1=4，2=7，3=12可獲的較好的檢測效果，模板運算結果如圖8所示。

圖8 濾除非字符區(qū)域角點

步驟3. 外圍角點點集獲取。提取模板運算后的字符區(qū)域角點點集，設置軸對字符區(qū)域角點點集進行掃描，設置分別為,軸上角點，定義軸每行掃描后的角點數為，定義軸每列掃描后的角點數為，如圖9所示，從圖像左上角依次掃描出軸存有角點的前3行(1,2,3)、后3行(4,5,6)，獲取軸掃描出的角點集{1,2,···,13,14}，則本例中軸方向有14個角點；再從圖像左上角依次掃描出軸存有角點的前3列(1,2,3)、后3列(4,5,6)，獲取軸掃描出的角點集{15,16,···,20,21}，則本例中軸方向有7個角點，將,軸掃描出的所有角點放入輪廓頂點集，即

其中，若Nx=0，則x軸上角點Px=0，掃描下一行；若Nx>0，則將每行掃描后的角點放入輪廓頂點集Top。同理，若Ny=0，則y軸上角點Py=0，掃描下一列；若Ny>0，則將每列掃描后的角點放入輪廓頂點集Top。Top={P1, P2,···, P13, P14}∪{P15, P16,···, P20, P21}，根據Top中輪廓頂點信息，可以初步獲取輪廓最外圍角點點集。

步驟4. 初始凸包表建立。點集中處于坐標極值的點一定在凸包上，如圖10所示，按,坐標進行排序，從軸1處開始順時針讀入輪廓最外圍角點點集中處于坐標極值的點，掃描完成后獲得角點點集的排序表，將排序表中處于極值的點與坐標點提取出來，獲得初始凸包表={1,21,14,15}。

為減少判斷點數，降低運算量，依據式(7)劃分出、、和4個區(qū)域，排除非4個區(qū)域內的角點，即輪廓內部不屬于凸包邊上的角點

圖10 初始凸包表示意圖

Fig. 10 Illustration of initial convex hull list

步驟5. 凸包線生成。為準確判斷，，，等4個區(qū)域內的角點，是否為外圍輪廓角點，可依次調入判斷，若當前判斷點處于當前凸包內，則調入下一非凸包表內的角點進行判斷；若當前判斷點處于當前凸包外，則保留該判斷點，并將其插入離當前凸包最近邊的2端點之間，判斷4個區(qū)域內的角點處于凸包外的計算式為

利用式(8)依次判斷，，，等4個區(qū)域內的角點，直至全部判斷結束，將滿足條件的4個區(qū)域內的角點逐點連接成凸包線，如圖11所示。

圖11 凸包線示意圖

2.4 擬合輪廓

利用改進凸包檢測算法，剔除角點分布圖中非字符區(qū)域角點，通過排除輪廓內部不處于坐標極值的角點減少判斷點數，生成字符區(qū)域角點凸包線，如圖12(a)所示；通過最小外接矩擬合凸包線輪廓，獲取半導體芯片圖像字符區(qū)域位置，如圖12(b) 所示。

圖12 擬合字符區(qū)域最小外接矩((a)字符區(qū)域角點凸包線；(b) 擬合凸包線最小外接矩)

3 實驗結果與分析

3.1 定性實驗對比與分析

本文通過三軸圖像采集平臺拍攝半導體芯片圖像，實驗環(huán)境為4核CPU2.4 GHz、內存8 GB、Visual Studio 2013。在單幅芯片圖像尺寸以及濾波參數相同的環(huán)境下進行實驗，根據角點分布圖，圖13(a)利用傳統(tǒng)凸包檢測算法獲取外圍角點最小凸包，圖13(b)為傳統(tǒng)凸包檢測算法定位結果，不難發(fā)現，傳統(tǒng)凸包檢測算法無法準確定位出半導體芯片圖像字符區(qū)域位置，精度較低，且需要循環(huán)掃描判斷每一個角點是否在凸包外，計算量較大。為證明本文算法有效性，將文獻[14]的定位方法運用于本文實驗。首先對圖像進行旋轉校正、二值化等處理；然后掃描圖像，保留當前掃描行的第一個與最后一個像素點，如圖13(c)所示；最后利用Grahams算法獲取點集凸包定位圖像目標區(qū)域，如圖13(d)所示。從圖13(d)可以看出，該方法存在一定的定位偏差，受圖像影響較為嚴重，若濾波參數設置較大或二值化閾值選取較大，易產生較多角點，影響運行效率；若濾波參數設置較小或二值化閾值選取較小，則檢測到的角點減少，圖像目標區(qū)域定位準確性將大幅度降低。

針對上述問題，本文改進凸包檢測算法，濾除非字符角點，如圖13(e)所示(同圖12(a))，將其運用到小尺寸的半導體芯片圖像字符定位領域，圖13(f)為半導體芯片字符區(qū)域定位圖像，通過圖13(b)、圖13(d)及圖13(f)對比發(fā)現，本文方法可準確提取出所有字符區(qū)域角點，濾除非字符區(qū)域的角點，降低計算量，未產生字符區(qū)域定位結果遠大于實際區(qū)域的情況，可有效地定位出半導體芯片圖像字符區(qū)域。

圖13 半導體芯片圖像字符區(qū)域定位對比圖 ((a)傳統(tǒng)凸包檢測算法；(b)傳統(tǒng)凸包檢測算法定位結果； (c)基于凸包及最小外接矩的定位方法；(d)基于凸包及最小外接矩的定位結果；(e)改進凸包檢測算法； (f)改進凸包檢測算法定位結果)

3.2 定量實驗對比與分析

為驗證本文方法的準確性，選取70幅不同單個芯片圖像作為實驗對象，對其進行定位精度的實驗，圖14為本文方法對所有芯片圖像中3種類型芯片字符區(qū)域的定位結果。

以圖14(a)為例，將本文定位方法與形態(tài)學濾波定位方法、基于邊緣特征的定位方法、基于字符紋理特征的定位方法和基于凸包及最小外接矩的定位方法進行對比。由于實驗對象數量較多，本文僅以70幅芯片圖像中10幅芯片圖像字符區(qū)域定位面積數據作為展示，見表1。其余60幅圖像字符區(qū)域面積數據與其接近。以圖形編號1為例，形態(tài)學濾波定位字符區(qū)域面積為72 036 pixel×pixel，邊緣特征定位字符區(qū)域面積為72 887 pixel×pixel，字符紋理特征定位字符區(qū)域面積為74 282 pixel×pixel，凸包及最小外接矩方法定位字符區(qū)域面積為70 949 pixel×pixel，而本文方法定位字符區(qū)域面積為69 064 pixel×pixel，可以發(fā)現，本文方法定位字符區(qū)域面積較小。

圖14 3種類型芯片字符區(qū)域定位結果((a)芯片圖像類型1定位結果；(b)芯片圖像類型2定位結果； (c)芯片圖像類型3定位結果)

表1 5種方法定位字符區(qū)域面積比較(pixel×pixel)

圖15為5種定位方法對比圖像，為有效對比5種方法的定位精度差異，截取部分局部放大圖，如圖16所示，可更清晰地展現5種方法的定位精度差異，其中紅色框線為根據字符區(qū)域長度、寬度等屬性特征人工標注的理想外接矩形，黑色框線為本文定位方法，白色框線為形態(tài)學濾波定位，綠色框線為邊緣特征定位，藍色框線為字符紋理特征定位，黃色框線為凸包及最小外接矩方法定位?？梢园l(fā)現，凸包及最小外接矩方法定位與人工標注的理想外接矩形近似，但左側框線相距較遠，本文定位方法與人工標注的理想外接矩形接近重合，而其他方法相離較遠。因此本文方法準確度較高。

為驗證本文定位方法的運行效率，提取50幅不同單個芯片圖像，對5種定位方法進行運行時間對比,，見表2。不難發(fā)現，本文定位方法總運行時間與單幅平均運行時間均少于其他定位方法，相對形態(tài)學濾波定位，本文定位方法單幅平均運行時間僅為其1/4；相對邊緣特征定位，本文方法僅為其1/3，相對字符紋理特征定位，本文方法僅為其1/6，相對凸包及最小外接矩方法定位，本文方法僅為其1/2，因此本文方法速度更快，效率更高。

圖15 5種定位方法對比圖像

圖16 局部放大圖((a)左上角放大圖；(b)右上角放大圖；(c)左下角放大圖；(d)右下角放大圖)

表2 5種方法定位時間比較

3.3 影響因素分析

根據實驗結果與分析，可知本文方法的定位效果主要受2.3節(jié)所述的每行角點最少存在數影響。設置主要是為濾除非字符區(qū)域的角點，以提高字符區(qū)域定位的準確性。雖然模板運算可以剔除漏檢的角點，但圖像邊緣噪聲產生的角點難以去除，因此在角點過濾時選取合適的值對準確提取字符區(qū)域至關重要。在高斯濾波參數為5×5的基礎上，本文取=3，如圖17(b)所示。非字符區(qū)域角點過濾效果較好，而當=1時，如圖17(a)所示，有部分非字符區(qū)域角點并未濾除，需要通過模板運算進行篩選過濾，但模板運算對圖像邊緣角點濾除效果還有待提高。當=5時，從圖17(c)可以發(fā)現，隨著值不斷增大，字符區(qū)域每行角點數目小于值處，角點被自動過濾。圖17(c)中字符區(qū)域底部有2處角點被過濾，影響了字符區(qū)域定位準確性。因此，經高斯濾波平滑圖像后，在角點過濾環(huán)節(jié)應根據實際情況選取合適的每行角點最少存在數，以提高芯片圖像字符區(qū)域定位準確性。

圖17 不同T值角點過濾效果

4 結 論

本文針對半導體芯片字符在激光打印時可能出現字符打印傾斜、字符打印位置錯誤等缺陷，提出一種基于改進凸包檢測的多幅半導體芯片圖像字符區(qū)域定位方法。通過三軸圖像采集平臺獲取多幅半導體芯片圖像，切分提取出若干單幅芯片圖像，將凸包檢測算法進行改進，擬合凸包線最小外接矩形，最終定位字符區(qū)域位置。實驗結果表明，與形態(tài)學濾波定位方法、基于邊緣特征的定位方法、基于字符紋理特征的定位方法和基于凸包及最小外接矩的定位方法相比，本文方法定位半導體芯片字符區(qū)域位置準確度更高、運算速度更快、效率更高。本文定位方法目前已應用于半導體芯片封裝缺陷視覺檢測的圖像預處理環(huán)節(jié)，并取得了較好的圖像字符區(qū)域定位結果，能有效提高半導體芯片封裝表面字符缺陷的視覺檢測效率。

[1] 張步陽. 半導體芯片封裝過程中視覺定位關鍵技術研究[D]. 武漢: 華中科技大學, 2016. ZHANG B Y. Research on key technologies of machine vision based positioning for semiconductor chip packaging[D]. Wuhan: Huazhong University of Science and Technology, 2016 (in Chinese).

[2] 卜德帥. 基于機器視覺的SOT芯片外觀缺陷檢測系統(tǒng)設計[D]. 南京: 東南大學, 2014. BU D S. System design of appearance defect detection of SOT chips based on machine vision[D]. Nanjing: Southeast University, 2014 (in Chinese).

[3] 李麗潔, 李金, 宋陽, 等. 基于LBP和FSVM的視頻文字定位方法[J]. 計算機工程, 2011, 37(24): 144-146. LI L J, LI J, SONG Y, et al. Video text localization method based on LBP and FSVM[J]. Computer Engineering, 2011, 37(24): 144-146 (in Chinese).

[4] 寧仲, 唐雁, 張宏, 等. 一種基于頻域紋理特征的圖像文字定位算法[J]. 四川大學學報: 自然科學版, 2014, 51(2): 306-312. NING Z, TANG Y, ZHANG H, et al. An algorithm for text detection in images based on frequency domain texture[J]. Journal of Sichuan University: Natural Science Edition, 2014, 51(2): 306-312 (in Chinese).

[5] 蔣天立, 彭華, 鞏克現. 多尺度形態(tài)學濾波下的寬帶信號檢測方法[J]. 信號處理, 2014, 30(9): 1055-1063. JIANG T L, PENG H, GONG K X. Signal detection in wideband reconnaissance using multi-scale morphological filter[J]. Journal of Signal Processing, 2014, 30(9): 1055-1063 (in Chinese).

[6] 張海云, 張鳳荔, 劉偉, 等. 改進的視頻幀中文本區(qū)域定位算法[J]. 計算機工程與應用, 2011, 47(7): 189-192. ZHANG H Y, ZHANG F L, LIU W, et al. Improved algorithm for text region localization in video frames[J]. Computer Engineering and Applications, 2011, 47(7): 189-192 (in Chinese).

[7] 潘勇, 趙佳樂, 徐志剛, 等. 基于紋理特征的低照度環(huán)境下車牌定位與識別算法[J]. 公路交通科技, 2015, 32(7): 140-148.PAN Y, ZHAO J L, XU Z G, et al. An algorithm of license plate location and recognition in low illuminance environment based on texture feature[J]. Journal of Highway and Transportation Research and Development, 2015, 32(7): 140-148 (in Chinese).

[8] 魯文超, 段先華, 徐丹, 等. 基于多尺度下凸包改進的貝葉斯模型顯著性檢測算法[J]. 計算機科學, 2019, 46(6): 295-300.LU W C, DUAN X H, XU D, et al. Bayesian model saliency detection algorithm based on multiple scales and improved convex hull[J]. Computer Science, 2019, 46(6): 295-300 (in Chinese).

[9] 鄒盼盼, 陸平, 朱恒亮, 等. 基于主體區(qū)域保持的圖像縮放算法[J]. 圖學學報, 2016, 37(2): 230-236. ZOU P P, LU P, ZHU H L, et al. An novel image resizing method based on important area maintain[J]. Journal of Graphics, 2016, 37(2): 230-236 (in Chinese).

[10] 姚澤烽, 程顯毅, 謝璐. 基于ORB和最小凸包的感興趣區(qū)域檢測方法研究[J]. 計算機應用研究, 2018, 35(10): 3186-3188.YAO Z F, CHENG X Y, XIE L. Study on detection of ROI based on ORB and minimum convex hull[J]. Application Research of Computers, 2018, 35(10): 3186-3188 (in Chinese).

[11] 魯劍, 劉志. 基于改進凸包算法的移動端條碼圖像定位與校正[J]. 浙江工業(yè)大學學報, 2010, 38(6): 661-665. LU J, LIU Z. An approach for smart phone barcode positioning and correction based on an improved convex hull algorithm[J]. Journal of Zhejiang University of Technology, 2010, 38(6): 661-665 (in Chinese).

[12] HASHEM A R A, IDRIS M Y I, AHMAD A E B A. Comparative study of different binarization methods through their effects in characters localization in scene images[J]. Data & Knowledge Engineering, 2018, 117: 216-224.

[13] 何立強, 劉浩, 陳永. 邊緣與灰度檢測相結合的場景圖像文本定位[J]. 中國圖象圖形學報, 2013, 18(12): 1601-1609. HE L Q, LIU H, CHEN Y. Text extraction from scene image based on edge and gray-scale detection collaboration[J]. Journal of Image and Graphics, 2013, 18(12): 1601-1609 (in Chinese).

[14] 張勇, 楊傲雷. 基于凸包及最小面積外接矩形的QR碼定位[J]. 電子測量技術, 2017, 40(4): 152-156. ZHANG Y, YANG A L. QR code location based on convex hull and minimum area bounding rectangle[J]. Electronic Measurement Technology, 2017, 40(4): 152-156 (in Chinese).

[15] 巢淵. 基于機器視覺的半導體芯片表面缺陷在線檢測關鍵技術研究[D]. 南京: 東南大學, 2017. CHAO Y. Research on key techniques for semiconductor chip surface defect online detection based on machine vision[D]. Nanjing: Southeast University, 2017 (in Chinese).

[16] 馮雷, 耿英楠. 基于hough變換的傾斜文檔圖像快速校正[J]. 內蒙古師范大學學報: 自然科學漢文版, 2017, 46(2): 219-222.FENG L, GENG Y N. Fast correction of skew document image based on hough transform[J]. Journal of Inner Mongolia Normal University: Natural Science Edition, 2017, 46(2): 219-222 (in Chinese).

[17] XU C, GOVINDARAJAN L N, CHENG L. Hand action detection from ego-centric depth sequences with error-correcting Hough transform[J]. Pattern Recognition, 2017, 72: 494-503.

[18] 姒紹輝, 胡伏原, 顧亞軍, 等. 一種基于不規(guī)則區(qū)域的高斯濾波去噪算法[J]. 計算機科學, 2014, 41(11): 313-316. SI S H, HU F Y, GU Y J, et al. Improved denoising algorithm based on non-regular area Gaussian filtering[J]. Computer Science, 2014, 41(11): 313-316 (in Chinese).

[19] PAK J M. Gaussian sum FIR filtering for 2D target tracking[J]. International Journal of Control, Automation and Systems, 2020, 18(3): 643-649.

[20] 王民, 周兆鎮(zhèn), 李昌華, 等. 基于像素點灰度差的Harris角點檢測算法[J]. 計算機工程, 2015, 41(6): 227-230. WANG M, ZHOU Z Z, LI C H, et al. Harris corner detection algorithm based on pixel point gray difference[J]. Computer Engineering, 2015, 41(6): 227-230 (in Chinese).

[21] 蘇婷, 金龍旭, 李國寧, 等. 基于改進Harris算法的圖像角點檢測[J]. 半導體光電, 2015, 36(3): 495-499. SU T, JIN L X, LI G N, et al. Image corner detection based on improved Harris algorithm[J]. Semiconductor Optoelectronics, 2015, 36(3): 495-499 (in Chinese).

[22] 李冰, 呂進來, 郝曉麗. 基于模板邊緣的自適應Harris角點檢測算法[J]. 現代電子技術, 2019, 42(11): 40-44. LI B, Lü J L, HAO X L. Adaptive Harris corner detection algorithm based on template edge[J]. Modern Electronics Technique, 2019, 42(11): 40-44 (in Chinese).

[23] 高晨, 張亞軍. 基于凸包算法的指尖識別方法[J]. 北京化工大學學報: 自然科學版, 2017, 44(2): 70-75. GAO C, ZHANG Y J. Fingertip recognition based on a convex hull algorithm[J]. Journal of Beijing University of Chemical Technology: Natural Science Edition, 2017, 44(2): 70-75 (in Chinese).

Character region positioning of chip image based on improved convex hull detection

CHAO Yuan, ZHOU Wei, SHAN Wen-tao, FENG Jun-ping

(School of Mechanical Engineering, Jiangsu University of Technology, Changzhou Jiangsu 213001, China)

During laser printing, the semiconductor chip may suffer many defects, such as character tilt and incorrect character position. To address these defects, a character-region positioning method for multiple semiconductor chip-images was proposed based on improved convex hull detection. Firstly, multiple semiconductor-chip images were obtained using a three-axis image acquisition platform, and several single-chip images were segmented and extracted. Secondly, the Harris corner detection was employed to produce the image corner distribution map, and the convex hull detection algorithm was improved. Then, the corners in non-character regions were eliminated, and the outermost corner convex hull line was acquired. Finally, the minimum enclosing rectangle of the convex hull was fitted, and the character region was positioned. The experimental results reveal that, compared with the morphological filtering positioning method, the positioning method based on edge features, that based on character texture features, and that based on convex hull and the minimum external moment, the proposed method can more accurately position the chip’s character region, and the average running time of the single-chip image is less than half of the above-mentioned methods. Therefore, this proposed method can effectively reduce the computing load and improve the computing efficiency.

Harris corner detection; improved convex hull detection; character positioning

TP 391；TN 302

10.11996/JG.j.2095-302X.2021020165

A

2095-302X(2021)02-0165-09

2020-06-20；

20 June，2020；

2020-10-19

19 October，2020

國家自然科學基金項目(51905235)；江蘇省自然科學基金項目(BK20191037)；常州市科技計劃項目(CJ20190069)

National Natural Science Foundation of China (51905235); Natural Science Foundation of Jiangsu Province (BK20191037); Changzhou Science & Technology Program (CJ20190069)

巢 淵(1988–)，男，江蘇常州人，講師，博士，碩士生導師。主要研究方向為表面缺陷機器視覺檢測、機電一體化裝備智能控制技術等。 E-mail：chaoyuan@jsut.edu.cn

CHAO Yuan (1988–), male, lecturer, Ph.D. His main research interests cover surface defect detection based on machine vision, intelligent control technology of mechatronics equipment, etc. E-mail：chaoyuan@jsut.edu.cn