[go: up one dir, main page]

CN119198774A - 一种晶体内部体缺陷的检测方法 - Google Patents

一种晶体内部体缺陷的检测方法 Download PDF

Info

Publication number
CN119198774A
CN119198774A CN202411720455.0A CN202411720455A CN119198774A CN 119198774 A CN119198774 A CN 119198774A CN 202411720455 A CN202411720455 A CN 202411720455A CN 119198774 A CN119198774 A CN 119198774A
Authority
CN
China
Prior art keywords
crystal
defect
detection
defects
light source
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202411720455.0A
Other languages
English (en)
Other versions
CN119198774B (zh
Inventor
段玉霞
陈小钰
赵纪祥
孟建桥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202411720455.0A priority Critical patent/CN119198774B/zh
Publication of CN119198774A publication Critical patent/CN119198774A/zh
Application granted granted Critical
Publication of CN119198774B publication Critical patent/CN119198774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G01N21/9505—Wafer internal defects, e.g. microcracks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种晶体内部体缺陷的检测方法，包括以下步骤：S1、取经过检测的存在内部体缺陷的晶体；S2、利用线光源从晶体侧面进行照射，以获取包含晶体内部体缺陷的散射光的晶体层析图像；对晶体层析图像进行大小修正；S3、对修正后的晶体层析图像进行时序分析及处理，突出缺陷点的特征；S4、结合已知晶体的内部缺陷位置及该位置的检测时序信号，训练RNN模型得到晶体内部缺陷检测模型；S5、重复训练得到最终晶体内部缺陷检测模型；S6、将经过S2‑S3处理得到的待测晶体的时序信号输入最终模型中，即得到内部缺陷位置信息；S7、根据缺陷在平面上的表征滤除假缺陷。本发明解决了目前晶体内部缺陷识别过程复杂和识别效率低的问题。

Description

一种晶体内部体缺陷的检测方法
技术领域
本发明属于均匀透光材质内部体缺陷检测技术领域，具体涉及一种晶体内部体缺陷的检测方法。
背景技术
在晶体生长过程中，由于温度、压力、介质组分浓度等变化可能导致晶体内部产生缺陷，这些缺陷会影响晶体的机械性能。当带有体缺陷的晶体用来生产光学器件时，产生的杂散光会降低成像质量，当其用来生产零件、设备时会降低产品性能，甚至影响产品功能。因此，检验、识别、定位晶体内部体缺陷是晶体的质量检测的重要环节，是提高晶体产品性能的必要措施。
已有的用于检测晶体缺陷的方法包括数字全息成像法、传统激光散射断层法、并行共焦显微镜法各有利弊，其中：
数字全息成像法通过激光的干涉与衍射效应，实现物体三维形态的无损记录与重现。该技术中，激光被一分为二：一束照射晶体样品（物光），另一束作为参考光。物光与样品交互后产生的反射与透射光波，在探测器上与参考光交汇，生成包含光波相位、振幅及样品内部缺陷信息的干涉图案。此图案由高灵敏度相机捕捉并转化为数字全息图，随后通过计算机算法处理，精准重建出样品的三维结构图像。这一技术不仅能直观展示样品内部形态，还能有效评估其体缺陷情况。该方法虽然能够提供高分辨率的三维图像，识别微小缺陷，但数字全息图像的重建和分析需要复杂的计算，导致其在工业生产时检测速度慢，不能满足晶体生产的在线检测需求。
传统激光散射断层法运用激光散射原理检测晶体内部缺陷。该技术通过激光束照射晶体样品，缺陷区域散射光线，形成特定光波场。探测器收集散射光数据，经图像处理算法处理解析出样品的三维结构信息，进而构建三维图像。此图像精确展示晶体内部缺陷，为材料性能评估与应用提供关键支持。激光散射断层法是一种非接触性检测技术，确保了检测过程中样品免受物理损伤，特别适用于珍贵或易损材料的无损检测。然而，传统的该技术主要依赖于图像处理，且激光照射过程易引入显著噪声，限制了其在识别微小体缺陷方面的精确性。
并行共焦显微镜法利用分光元件将光源细分为阵列式点光源，每束光聚焦于被检物体上形成光点，这些光点图像直接映射至探测器上，实现点对点的精确匹配，高效捕获物体的二维信息。通过累积多个二维层面的数据，可构建出物体的三维图像，适用于光学晶体内部缺陷的精细检测。然而，该技术面临数值孔径（NA）与视场（FOV）之间的显著矛盾：高NA虽提升分辨率，却严重限制了FOV至毫米级，阻碍了晶体内部缺陷的快速全面检测，难以满足晶体生产线的高效检测需求。
当前亟需一种高效且精准的检测技术，以快速定位并测量晶体内部缺陷的大小与位置，为光学元件的高质量制备提供有效保障。
发明内容
本发明的目的在于提供一种晶体内部体缺陷的检测方法，以解决背景技术中提出的目前采用的几种晶体缺陷检测方法均不能满足晶体生产线的高效且精准的检测需求的问题。
为实现上述目的，本发明提供了一种晶体内部体缺陷的检测方法，包括以下步骤：
S1、取经过检测的存在内部体缺陷的晶体；
S2、利用线光源从晶体侧面进行照射，以获取包含晶体内部体缺陷的散射光的晶体层析图像信息；
对晶体层析图像进行修正，将晶体层析图像调整至统一标准尺寸，确保分析的一致性；
S3、对修正后的晶体层析图像的每个像素点的灰度值时间序列进行时序分析，采用信号处理技术来突出时序数据中的缺陷信息，突出缺陷点的特征；
S4、结合已知晶体的内部缺陷位置以及该位置的检测时序信号，训练RNN模型得到晶体内部缺陷检测模型；
S5、设置阈值，重复训练直至达到阈值；即得到最终晶体内部缺陷检测模型；
S6、对待测晶体采用步骤S2~S3进行处理，将得到的时序信号输入训练好的最终模型中，即得到内部缺陷位置；
S7、根据缺陷在平面上的表征，利用卷积核滤除离散噪声产生的假缺陷。
在一种具体的实施方式中，所述晶体内部体缺陷的检测方法采用了晶体图像采集装置，所述晶体图像采集装置包括CCD相机、相机支架、电机模组、激光线结构光源、旋转平台和控制器；
所述CCD相机设置在相机支架上，所述旋转平台位于CCD相机的正下方，旋转平台用于承载待检测晶体，且通过控制旋转平台转动能带动放置在其上的待检测晶体进行转动；激光线结构光源设置在待检测晶体的侧面；CCD相机用于获取待检测晶体的晶体层析图像信息；
相机支架和激光线结构光源均设置在电机模组上，通过控制电机模组，能使得相机支架和激光线结构光源进行同步向上或者向下移动；CCD相机、电机模组、激光线结构光源和旋转平台均与控制器相连，通过控制器来控制CCD相机的拍摄、电机模组的升降、激光线结构光源的开关以及旋转平台的转动。
在一种具体的实施方式中，所述激光线结构光源是波长为532nm或650nm 的激光线结构光源。
在一种具体的实施方式中，所述激光线结构光源产生片状激光，用于激励晶体待检测区域，并使得片状激光透射入晶体的作用面为水平面。
在一种具体的实施方式中，所述步骤S2中，获取包含晶体内部体缺陷的散射光的晶体层析图像信息的过程为：
控制器利用电信号驱动电机模组，使CCD相机和激光线结构光源同步匀速沿光轴方向从下往上移动或者从上往下移动；在运动过程中，CCD相机持续拍摄视频，记录激光在晶体检测面形成的结构光图像；完成一次检测后，控制器发送电信号控制旋转平台旋转晶体一定角度，重复检测过程，得到不同角度下的检测视频。
在一种具体的实施方式中，所述步骤S2中，对晶体层析图像进行修正包括对不同角度的检测视频进行剪切处理；
将不同视频中的占据激光出光口的部分画面剪去；对剪切后的多个视频进行无缝对接拼接处理；拼接得到完整的晶体检测图像。
在一种具体的实施方式中，所述步骤S2中，在剪切处理之后，对晶体层析图像进行修正还包括：根据相机焦距、晶体直径、高度及折射率计算出每个检测面的实际大小，通过图像缩放和裁剪统一调整检测面大小为第一帧检测面大小。
在一种具体的实施方式中，所述RNN模型包括隐藏层、输出层和输入层，输出层的神经元数量与输入层神经元数量相同。
在一种具体的实施方式中，将经过预处理的所有灰度值时间序列分组为训练集和验证集；所述训练RNN模型具体包括：使用训练集对RNN模型进行训练得到训练集正确率，使用验证集对训练得到的晶体内部缺陷检测模型进行验证得到验证集正确率，根据训练集正确率和验证集正确率，验证晶体内部缺陷检测模型是否合格：若训练集正确率或验证集正确率没有达到设定的阈值，则调整隐藏层的层数、每个隐藏层的神经元数量、正则化和训练数据的数量，重新训练晶体内部缺陷检测模型。
在一种具体的实施方式中，所述步骤S3中，信号处理方式包括系数拟合、绝对差分对比、傅里叶变换、小波变换、一阶微分、二阶微分、主成分分析中的一种或多种。
相比于现有技术，本发明具有以下有益效果：
1、自动检测：仅需将晶体放置于检测台上，本发明即可自动驱动CCD相机进行图像捕捉，并将所捕获的图像导入专业检测程序，轻松实现对晶体内部体缺陷的高效检测。
2、高一致性：采用先进的检测算法，本发明确保了检测标准和流程的严格统一，极大降低了人为因素导致的错误和偏差，从而保障了检测结果的准确性和可靠性。
3、高精度：该方法在一维时序信号分析处理的基础上，巧妙地结合了二维图像表征，从而实现了对透明晶体内缺陷的更加精准识别。
4、应用范围广：本发明的适用范围广泛，不限于晶体，同样适用于玻璃及其他各类透光材料的内部体缺陷检测，展现了其强大的通用性和实用性。
本发明通过CCD相机采集的图像序列，分解得到晶体表面各像素采集点的灰度值时间序列，即亮度变化曲线。而晶体的内部缺陷位置对应像素点的时间序列的尖峰位置。因此以经过包括图像修正、信号处理后的已知内部缺陷位置的像素采集点的灰度时间序列作为样本数据，训练得到的晶体内部缺陷检测模型，可以自动识别晶体各像素采集点的内部缺陷位置，解决目前晶体内部缺陷识别过程复杂和识别效率低的问题。
本发明运用光学原理，结合被测晶体的折射率特性以及光线在晶体内的折射规律建立数学模型，对图片中晶体进行修正，消除了因折射和透视畸变导致的图像变形，确保了图片中晶体层析信息的准确性，使其能够真实反映晶体的实际外观比例。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明针对晶体内部轴向扫描方式示意图；
其中，1、CCD相机；2、相机支架；3、电机模组；4、待检测晶体；5、激光线结构光源；6、旋转平台；7、控制器。
具体实施方式
以下对本发明的实施例进行详细说明，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明的一种晶体内部体缺陷的检测方法，所述晶体内部体缺陷的检测方法采用了晶体图像采集装置，所述晶体图像采集装置包括CCD相机1、相机支架2、电机模组3、激光线结构光源5、旋转平台6、控制器7；
所述CCD相机1设置在相机支架2上，所述旋转平台6位于CCD相机1的正下方，旋转平台6用于承载待检测晶体4，且通过控制旋转平台6转动能带动放置在其上的待检测晶体4进行转动；激光线结构光源5设置在待检测晶体4的侧面；CCD相机1用于获取待检测晶体4的晶体层析图像信息；
相机支架2和激光线结构光源5均设置在电机模组3上，通过控制电机模组3，能使得相机支架2和激光线结构光源5进行同步向上或者向下移动；CCD相机1、电机模组3、激光线结构光源5和旋转平台6均与控制器7相连，通过控制器7来控制CCD相机1的拍摄、电机模组3的升降、激光线结构光源5的开关以及旋转平台6的转动。
检测方法具体包括以下步骤：
S1、取经过检测的存在内部体缺陷的已知晶体。
S2、利用波长为532nm或650nm的激光线结构光源从晶体侧面进行照射，以获取包含晶体内部体缺陷的散射光的晶体层析图像信息；
对晶体层析图像进行修正，将晶体层析图像调整至统一标准尺寸，确保分析的一致性。
所述激光线结构光源产生片状激光，用于激励晶体待检测区域，并使得片状激光透射入晶体的作用面为水平面。
所述步骤S2中，获取包含晶体内部体缺陷的散射光的晶体层析图像信息的过程为：
控制器7利用电信号驱动电机模组3，使CCD相机1和激光线结构光源5同步匀速沿光轴方向从下往上移动或者从上往下移动；在运动过程中，CCD相机1持续拍摄视频，记录激光在晶体检测面形成的结构光图像；完成一次检测后，控制器7发送电信号控制旋转平台6旋转晶体一定角度，重复检测过程，得到不同角度下的检测视频。
对不同角度的检测视频进行剪切处理；
将不同视频中的占据激光出光口的部分画面剪去；对剪切后的多个视频进行无缝对接拼接处理；拼接得到完整的晶体检测图像。
在剪切处理之后，对晶体层析图像进行修正还包括：统一调整检测面大小为第一帧检测面大小，通过图像缩放和裁剪实现。
光线在晶体内部折射会导致成像失真，同时定焦相机拍摄时会产生透视畸变。为解决上述问题，运用光学原理，根据被测晶体的折射率建立数学模型，对图片中晶体进行修正，使修正后的时序图片中晶体层析信息符合实际晶体的外观比例。
S3、对修正后的晶体层析图像的每个像素点的灰度值时间序列进行时序分析，采用信号处理技术来突出时序数据中的缺陷信息，突出缺陷点的特征。
S4、结合已知晶体的内部缺陷位置以及该位置的检测时序信号，训练RNN模型得到晶体内部缺陷检测模型。
在修正后的图片序列中，每个像素点精准映射晶体剖面的同一位置，不同帧则依次展现了晶体沿深度方向的详细内部结构信息。通过对每个像素点的时序信号实施信号处理，信号处理方式包括系数拟合、绝对差分对比、傅里叶变换、小波变换、一阶微分、二阶微分、主成分分析中的一种或多种，基于光线穿越体缺陷区域与非体缺陷区域时所展现的独特特征，来增强缺陷信号。随后，将处理后的时序信号扩展至适配模型输入层神经元所需的长度。本发明提取了包含缺陷信息的时序信号作为模型的输入，并配以等长的标签信号（其中0代表非缺陷区域，1代表缺陷区域）作为模型的输出，进而训练出一个能够识别和精确定位晶体内部缺陷的检测模型。
所述RNN模型包括隐藏层、输出层和输入层，输出层的神经元数量与输入层神经元数量相同。神经元数量设置为长度280mm的晶体检测时序信号的最大长度，在检测精度为1mm7帧时，神经元数量设置为280×7=1960。通过训练RNN模型确定晶体内部缺陷检测模型的偏差和权重。
S5、设置阈值，重复训练直至达到阈值；即得到最终晶体内部缺陷检测模型。
将经过预处理的所有灰度值时间序列分组为训练集和验证集；所述训练RNN模型具体包括：使用训练集对RNN模型进行训练得到训练集正确率，使用验证集对训练得到的晶体内部缺陷检测模型进行验证得到验证集正确率，根据训练集正确率和验证集正确率，验证晶体内部缺陷检测模型是否合格：若训练集正确率或验证集正确率没有达到设定的阈值，则调整隐藏层的层数、每个隐藏层的神经元数量、正则化和训练数据的数量，重新训练晶体内部缺陷检测模型。若训练集正确率和验证集正确率均达到设定的阈值，则得到最终晶体内部缺陷检测模型。
S6、对未知的待测晶体采用步骤S2~S3进行处理，将得到的时序信号输入训练好的最终模型中，即得到内部缺陷位置。
S7、根据缺陷在平面上的表征，利用卷积核滤除离散分布的假缺陷。缺陷具有一定的大小，故将聚拢的缺陷点判断为真缺陷点，离散分布的缺陷点为假缺陷点。
最后，精准定位体缺陷点的三维坐标，利用获取的三维坐标信息，对晶体内体缺陷进行三维重建，生成可视化模型。
实施例1
本发明提供了一种晶体内部体缺陷的检测方法，所述晶体内部体缺陷的检测方法采用了晶体图像采集装置，所述晶体图像采集装置包括CCD相机1、相机支架2、电机模组3、532nm或650nm的激光线结构光源5、旋转平台6、控制器7；
所述CCD相机1设置在相机支架2上，所述旋转平台6位于CCD相机1的正下方，旋转平台6用于承载待检测晶体4，且通过控制旋转平台6转动能带动放置在其上的待检测晶体4进行转动；532nm或650nm的激光线结构光源5设置在待检测晶体4的侧面；
相机支架2和532nm或650nm的激光线结构光源5均设置在电机模组3上，通过控制电机模组3，能使得相机支架2和532nm或650nm的激光线结构光源5进行同步向上或者向下移动；CCD相机1、电机模组3、532nm或650nm的激光线结构光源5和旋转平台6均与控制器7相连，通过控制器7来控制CCD相机1的拍摄、电机模组3的升降、532nm或650nm的激光线结构光源5的开关以及旋转平台6的转动。
晶体内部体缺陷的检测方法在具体使用时包括如下步骤：
S1、先取得经过检测的存在内部体缺陷的晶体。
S2、在暗场环境中，采用波长为532nm或650nm的激光线结构光源，对准步骤S1取得的被测晶体的侧面进行照射。CCD相机1自待检测晶体4的正上方采集检测图像，将CCD相机的视野精确对准被测晶体的上表面，并使得CCD相机1的光轴方向垂直于待检测晶体4、旋转平台6，且三者圆心同轴。线结构激光光源5产生片状激光，用于激励晶体待检测区域，并使得片状激光透射入待检测激光晶体的作用面为水平面。
控制器7利用电信号驱动电机模组3中的步进电机带动相机支架2、CCD相机1及波长为532nm或650nm的激光线结构光源5沿垂直方向同步匀速沿光轴方向移动，实现对被测晶体各深度的扫描。
在运动过程中，CCD相机1持续拍摄视频，记录激光在晶体检测面形成的结构光图像。完成一次检测后，控制器7发送电信号控制旋转平台6旋转待检测晶体一定角度，重复检测过程，得到不同角度下的检测视频。
首先，对不同角度的检测视频进行剪切处理。由于激光出光口会占据视频画面的一部分，且这部分通常包含较大噪声，因此需要将其剪去。具体操作时，可以分别减去两个视频中占据出光口的部分画面。对剪切后的多个视频进行拼接处理。由于不同视频分别拍摄了晶体的不同面，拼接后可以得到一个完整的晶体检测图像。拼接时，需要确保视频在拼接处无缝对接，以消除激光出光处对检测结果的影响。
根据相机的焦距f、空气折射率n1、晶体的长度D、晶体半径R、晶体折射率n2以及拍摄视频第一帧及最后一帧的晶体剖面半径所占像素点数量r0、rn计算得到相机的法兰距离d。
d=f(n1,n2,f,D,R,r0,rn)
计算得到法兰距离d后，根据空气折射率n1、检测面相对于晶体表面的深度d1、CCD相机与晶体表面的距离d2、晶体折射率n2、晶体半径R、法兰距离d计算每一帧中检测面的晶体剖面半径所占像素点数量ri。
ri=f(n1,n2,d1,d2,R,d)
以上操作得到每一个检测面所占像素点大小，相机成像具有近大远小的特点，故检测的剖面序列为递增序列。为实现后续对信号的时序分析，统一调整检测面大小为第一帧检测面大小r0，这一步骤通过图像缩放和裁剪实现。得到消除透视畸变以及图像失真问题的晶体层析图像。
对修正后的晶体层析图像的每个像素点进行时序分析，通过突出像素点在不同帧之间的亮度变化即灰度值差异来增强缺陷的可识别性，即以此作为增强缺陷识别特征的关键手段。采用信号处理方式突出时序数据中隐藏的缺陷信息。缺陷信息表现为尖峰信号，非缺陷信息表现为平缓信号。通过信号处理方式，能识别并强调表现为尖峰信号的缺陷特征，同时削弱或忽略表现为平缓信号的非缺陷特征，提升缺陷检测的准确性和可靠性。信号处理方式包括系数拟合、绝对差分对比、傅里叶变换、小波变换、一阶微分、二阶微分、主成分分析。
为确保所构建的模型具备广泛的兼容性，即能够检测任意长度时序信号中的缺陷信息，采用了一种有效的填充策略。具体而言，将时序序列的最后一个数值作为填充值，不断重复该值直至时序信号的长度达到模型输入层神经元所需的数值。此种填充方式确保了填充后的时序信号中，所有填充部分均为相同的数值，因此不会包含尖峰信号，从而避免了对缺陷检测的潜在干扰。同时，该策略满足递归神经网络（RNN）模型对于输入数据大小的具体要求。
将填充后的信号作为RNN模型的输入，以相同长度的标签信号（其中0为非缺陷区域，1为缺陷区域）作为RNN模型的输出。通过采集的已知缺陷深度信息的时序信号以及相同长度的标签信号作为训练集对模型进行训练。得到晶体内部缺陷检测模型，同时可自动得到晶体内部缺陷检测模型的训练正确率。所述已知缺陷深度信息的时序信号即是通过对经过人工检测的存在内部体缺陷的晶体采集得到的。所述RNN模型具体采用LSTM模型。
重复对经过检测的存在内部体缺陷的晶体进行的上述的采集、处理，然后输入晶体内部缺陷检测模型进行训练，直到晶体内部缺陷检测模型的训练正确率达到设定的阈值，即得到最终的晶体内部缺陷检测模型。
将未知的待测晶体放置在晶体图像采集装置中进行采集，得到未知待测晶体的晶体层析图像。
对未知待测晶体的晶体层析图像经过前述的一系列对晶体层析图像的预处理步骤后，填充时序信号后，将采集并预处理完的未知待测晶体的晶体数据输入至训练完成的RNN模型中，以获得与输入数据长度相匹配的输出序列。随后，移除因填充而增加的数据部分，仅保留原始长度的输出，并按输入模型的时序顺序将其重构为一个三维矩阵，该矩阵中仅包含0和1两种数值，其中0代表非缺陷区域，而1则代表缺陷区域。此三维矩阵直观地展示了该待测晶体内部的缺陷分布情况。
基于缺陷的三维分布特征，利用算法将紧密聚集且相互连接的缺陷点判定为实际缺陷，将离散分布的孤立点视为噪声点剔除。根据实际应用需求，利用不同尺寸的卷积核对图像进行卷积运算，以提取并突出显示不同尺寸的体缺陷。通过三维重建技术，直观地展示出这些体缺陷在晶体内部的具体分布状况。
为了更深入地分析缺陷特征，对该矩阵执行二维卷积操作，利用卷积核对矩阵进行卷积，会筛掉体积小于该卷积核大小的缺陷，提取大于等于该卷积核的缺陷。利用不同大小的卷积核作为筛选工具，以提取并突出不同尺寸的体缺陷。最终，借助三维重建技术，将提取出的体缺陷在晶体内部的具体分布状况以直观的方式呈现出来。
本方案通过CCD相机采集的图像序列，分解得到晶体表面各像素采集点的灰度值时间序列，即亮度变化曲线。而晶体的内部缺陷位置对应像素点的时间序列的尖峰位置。因此以已知内部缺陷位置的像素采集点的灰度时间序列作为样本数据，训练得到的晶体内部缺陷检测模型，可以自动识别晶体各像素采集点的内部缺陷位置，解决目前晶体内部缺陷识别过程复杂和识别效率低的问题。
以上内容是结合具体的优选实施方式对本发明作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演和替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种晶体内部体缺陷的检测方法，其特征在于，包括以下步骤：
S1、取经过检测的存在内部体缺陷的晶体；
S2、利用线光源从晶体侧面进行照射，以获取包含晶体内部体缺陷的散射光的晶体层析图像信息；对晶体层析图像进行修正，将晶体层析图像调整至统一标准尺寸，确保分析的一致性；
S3、对修正后的晶体层析图像的每个像素点的灰度值时间序列进行时序分析，采用信号处理技术来突出时序数据中的缺陷信息，突出缺陷点的特征；
S4、结合已知晶体的内部缺陷位置以及该位置的检测时序信号，训练RNN模型得到晶体内部缺陷检测模型；
S5、设置阈值，重复训练直至达到阈值；即得到最终晶体内部缺陷检测模型；
S6、对待测晶体采用步骤S2~S3进行处理，将得到的时序信号输入训练好的最终模型中，即得到内部缺陷位置；
S7、根据缺陷在平面上的表征，利用卷积核滤除离散噪声产生的假缺陷。
2.根据权利要求1所述的晶体内部体缺陷的检测方法，其特征在于，所述晶体内部体缺陷的检测方法采用了晶体图像采集装置，所述晶体图像采集装置包括CCD相机（1）、相机支架（2）、电机模组（3）、激光线结构光源（5）、旋转平台（6）和控制器（7）；
所述CCD相机（1）设置在相机支架（2）上，所述旋转平台（6）位于CCD相机（1）的正下方，旋转平台（6）用于承载待检测晶体（4），且通过控制旋转平台（6）转动能带动放置在其上的待检测晶体（4）进行转动；激光线结构光源（5）设置在待检测晶体（4）的侧面；CCD相机（1）用于获取待检测晶体（4）的晶体层析图像信息；
相机支架（2）和激光线结构光源（5）均设置在电机模组（3）上，通过控制电机模组（3），能使得相机支架（2）和激光线结构光源（5）进行同步向上或者向下移动；CCD相机（1）、电机模组（3）、激光线结构光源（5）和旋转平台（6）均与控制器（7）相连，通过控制器（7）来控制CCD相机（1）的拍摄、电机模组（3）的升降、激光线结构光源（5）的开关以及旋转平台（6）的转动。
3.根据权利要求2所述的晶体内部体缺陷的检测方法，其特征在于，所述激光线结构光源（5）是波长为532nm或650nm的激光线结构光源。
4.根据权利要求2所述的晶体内部体缺陷的检测方法，其特征在于，所述激光线结构光源（5）产生片状激光，用于激励晶体待检测区域，并使得片状激光透射入晶体的作用面为水平面。
5.根据权利要求2所述的晶体内部体缺陷的检测方法，其特征在于，所述步骤S2中，获取包含晶体内部体缺陷的散射光的晶体层析图像信息的过程为：
控制器（7）利用电信号驱动电机模组（3），使CCD相机（1）和激光线结构光源（5）同步匀速沿光轴方向从下往上移动或者从上往下移动；在运动过程中，CCD相机（1）持续拍摄视频，记录激光在晶体检测面形成的结构光图像；完成一次检测后，控制器（7）发送电信号控制旋转平台（6）旋转晶体一定角度，重复检测过程，得到不同角度下的检测视频。
6.根据权利要求5所述的晶体内部体缺陷的检测方法，其特征在于，所述步骤S2中，对晶体层析图像进行修正包括对不同角度的检测视频进行剪切处理；
将不同视频中的占据激光出光口的部分画面剪去；对剪切后的多个视频进行无缝对接拼接处理；拼接得到完整的晶体检测图像。
7.根据权利要求6所述的晶体内部体缺陷的检测方法，其特征在于，所述步骤S2中，在剪切处理之后，对晶体层析图像进行修正还包括：根据相机焦距、晶体直径、高度及折射率计算出每个检测面的实际大小，通过图像缩放和裁剪统一调整检测面大小为第一帧检测面大小。
8.根据权利要求1所述的晶体内部体缺陷的检测方法，其特征在于，所述RNN模型包括隐藏层、输出层和输入层，输出层的神经元数量与输入层神经元数量相同。
9.根据权利要求8所述的晶体内部体缺陷的检测方法，其特征在于，将经过预处理的所有灰度值时间序列分组为训练集和验证集；所述训练RNN模型具体包括：使用训练集对RNN模型进行训练得到训练集正确率，使用验证集对训练得到的晶体内部缺陷检测模型进行验证得到验证集正确率，根据训练集正确率和验证集正确率，验证晶体内部缺陷检测模型是否合格：若训练集正确率或验证集正确率没有达到设定的阈值，则调整隐藏层的层数、每个隐藏层的神经元数量、正则化和训练数据的数量，重新训练晶体内部缺陷检测模型。
10.根据权利要求1所述的晶体内部体缺陷的检测方法，其特征在于，所述步骤S3中，信号处理方式包括系数拟合、绝对差分对比、傅里叶变换、小波变换、一阶微分、二阶微分、主成分分析中的一种或多种。
CN202411720455.0A 2024-11-28 2024-11-28 一种晶体内部体缺陷的检测方法 Active CN119198774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411720455.0A CN119198774B (zh) 2024-11-28 2024-11-28 一种晶体内部体缺陷的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411720455.0A CN119198774B (zh) 2024-11-28 2024-11-28 一种晶体内部体缺陷的检测方法

Publications (2)

Publication Number Publication Date
CN119198774A true CN119198774A (zh) 2024-12-27
CN119198774B CN119198774B (zh) 2025-03-14

Family

ID=94053133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411720455.0A Active CN119198774B (zh) 2024-11-28 2024-11-28 一种晶体内部体缺陷的检测方法

Country Status (1)

Country Link
CN (1) CN119198774B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119559162A (zh) * 2025-01-21 2025-03-04 青岛嘉星晶电科技股份有限公司 基于图像处理的蓝宝石晶棒抛光质量评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017084985A (ja) * 2015-10-29 2017-05-18 信越半導体株式会社 結晶欠陥の位置特定方法、結晶欠陥観察用試料の作製方法、及び結晶欠陥の評価方法
US20180366357A1 (en) * 2017-06-20 2018-12-20 Taiwan Semiconductor Manufacturing Co., Ltd. Automatic in-line inspection system
CN110118782A (zh) * 2019-05-08 2019-08-13 中国科学院福建物质结构研究所 一种用于测量晶体内部介观缺陷散射的激光层析扫描仪
CN110322429A (zh) * 2019-05-09 2019-10-11 中南大学 一种基于深度学习的蜂窝复合材料缺陷分类方法
CN115586195A (zh) * 2022-11-23 2023-01-10 常州微亿智造科技有限公司 透明材料光学层析缺陷检测方法、检测系统及介质
CN116012282A (zh) * 2022-09-23 2023-04-25 浙江求是半导体设备有限公司 晶体生长缺陷检测方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017084985A (ja) * 2015-10-29 2017-05-18 信越半導体株式会社 結晶欠陥の位置特定方法、結晶欠陥観察用試料の作製方法、及び結晶欠陥の評価方法
US20180366357A1 (en) * 2017-06-20 2018-12-20 Taiwan Semiconductor Manufacturing Co., Ltd. Automatic in-line inspection system
CN110118782A (zh) * 2019-05-08 2019-08-13 中国科学院福建物质结构研究所 一种用于测量晶体内部介观缺陷散射的激光层析扫描仪
CN110322429A (zh) * 2019-05-09 2019-10-11 中南大学 一种基于深度学习的蜂窝复合材料缺陷分类方法
CN116012282A (zh) * 2022-09-23 2023-04-25 浙江求是半导体设备有限公司 晶体生长缺陷检测方法、装置、计算机设备和存储介质
CN115586195A (zh) * 2022-11-23 2023-01-10 常州微亿智造科技有限公司 透明材料光学层析缺陷检测方法、检测系统及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
崔承甲;: "晶体缺陷的光散射层析法研究", 光学精密工程, no. 04, 31 December 1986 (1986-12-31), pages 59 - 66 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119559162A (zh) * 2025-01-21 2025-03-04 青岛嘉星晶电科技股份有限公司 基于图像处理的蓝宝石晶棒抛光质量评估方法

Also Published As

Publication number Publication date
CN119198774B (zh) 2025-03-14

Similar Documents

Publication Publication Date Title
CN119198774B (zh) 一种晶体内部体缺陷的检测方法
US6791695B2 (en) Shearographic imaging machine with archive memory for animation data and air handling system
EP2432389B1 (en) System and method for detecting poor quality in 3d reconstructions
US20100220910A1 (en) Method and system for automated x-ray inspection of objects
JPWO2019059011A1 (ja) 教師データ作成方法及び装置並びに欠陥検査方法及び装置
JPH0242307A (ja) 凸形物体の表面輪郭の表示装置及び表示方法
CA3031397A1 (en) Inspection method for a manufactured article and system for performing same
EP3980790A1 (en) Automated inspection method for a manufactured article and system for performing same
CN110412035A (zh) 一种高反光材料表面检测方法及系统
JP7453813B2 (ja) 検査装置、検査方法、プログラム、学習装置、学習方法、および学習済みデータセット
CN109827974B (zh) 一种树脂滤光片膜裂检测设备及检测方法
JP2832269B2 (ja) 三次元粒子検出方法及び装置
CN115266608A (zh) 基于相位和高光谱信息融合的果蔬品质检测装置及方法
CN1865949A (zh) 基于激光断层成像技术的农产品品质无损检测方法与装置
US8199878B2 (en) Methods and systems for performing differential radiography
CN111226110A (zh) 检测方法和系统
CN113177925A (zh) 一种无损检测水果表面缺陷的方法
JP2011145160A (ja) マルチフォーカス検査装置及びマルチフォーカス検査方法
CN215865744U (zh) 基于相干层析成像的薄膜均匀性检测系统
CN105783782B (zh) 表面曲率突变光学轮廓测量方法
Meyer et al. Acquiring and processing light deflection maps for transparent object inspection
CN119064375B (zh) 高速光模块的端面质量检测装置及方法
RU2828648C1 (ru) Устройство контроля качества дифракционных и голографических оптических элементов
CN119354504B (zh) 基于共聚焦的像素级清晰度判断与3d融合重构系统及方法
RU2797717C1 (ru) Способ контроля и измерений образцов с помощью оптических средств

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant