基于OpenCV的晶圆编号识别算法研究

刘劲松+梁皓源

摘要：根据特定晶圆（Wafer）产品光学特性，基于OpenCV开源视觉库，设计一套晶圆字符编码识别系统。系统过程包括光源选型及照射方式选择、图像预处理、自适应阈值分割、形态学处理、图像矫正及ROI提取。通过优化评价标准的模板匹配完成字符识别。经过试验，该系统能够准确检测字符，具备一定应用价值。

关键词：字符检测；OpenCV；形态学处理；自适应阈值处理；模板匹配

DOIDOI：10.11907/rjdk.171106

中图分类号：TP312

文献标识码：A 文章编号：1672-7800（2017）006-0025-03

0 引言

半导体工业某种程度上是国家工业水平的标杆，其智能化水平尤为重要。机器视觉作为新兴且迅速发展的多学科综合技术，是智能化生产的重要组成部分，主要用于缺陷检测、扫描识别、定位对位等领域，在半导体应用领域举足轻重[1]。

晶圆（wafer）生产过程中，需频繁识别记录本体编号，以便于产品追溯，为提高品质控制提供基础数据。以往通过人工进行该项操作，不但增加了人力資源开销，效率和准确性也无法保障。将机器视觉与晶圆编号识别结合，可为优化晶圆信息提供新思路 。本文基于特定晶圆产品编号特征，结合Visual C++ 和OpenCV开源视觉库实现了晶圆字符编号的识别。

1 系统概述

机器视觉系统主要包括图像采集、图像处理、目标识别3部分[2]。图像采集系统和识别算法是影响系统效率和稳定性的两大因素。本文通过选取合适的光源和照射方式获取优质的源图像，然后对图像进行预处理、矫正、分割，最后通过模板匹配实现字符识别，如图1所示。

2 光源及照射方式选择

光源及照射方式直接影响原始图像质量，设计系统时需着重考虑。鉴于晶圆表面呈镜面特性且编号为刻蚀字符，故选用同轴光照射，见图2（a），以减少反射光影响。晶圆表面呈暗黄色而字符为黑色，为弱化背景信息并突显字符，可运用反色温单色光照射，由色环（见图2（b））选用蓝色LED光源。图2（c）为在该照明条件通过CCD相机采集到的灰度图像。

3 预处理

首先将灰度图像二值化。本文采用阈值分割法，可先确定全局灰度阈值，而后逐像素点进行灰度值比较，根据结果将其重新赋值为0或255。通过图像灰度直方图（见图3），可直观了解图像灰度分布，这是确定最优阈值常用的方法[3]。

OpenCV中通过函数calcHist （）统计图像灰度分布。

得益于光源和光照方式，直方图分布均衡且明显分为前后两个波峰区域，分别对应着字符及黑色边缘区域和主体背景区域。将灰度直方图平滑后，选取波谷区域的最小值作为固定阈值，并以此对原图像全局二值化。

由图4可见，部分字符特征信息缺失且图像边缘阴影区域也被突出。此外，由于实际环境复杂，并不能保证源图像的灰度直方图始终呈现明确清晰的双峰特性，难以获取最优阈值，故固定阈值全局二值化在此并不适合。

考虑到源图像结构特点，虽然整体背景灰度分布复杂，但字符区域背景构成相对简单。因此要根据不同区域的自身特点选择适合该区域的局部阈值，并藉此对当前区域二值化[4]，这样不但可以消减噪声，还可以降低非均匀光照对灰度分布的影响。通过滤波器获取以某一像素为中心的局部区域平均灰度值，以此作为阈值，与该像素进行灰度值比较，继而确定该像素点的灰度取值（0或255），也称为自适应阈值二值化。其中，滤波器尺寸的选取较为关键。尺寸偏小，可导致对局部区域平均灰度值估计不足，引入额外噪声；尺寸偏大，可能会使感兴趣区域丢失特征信息。经多次尝试，笔者选取5×5的滤波器对全图进行高斯滤波（见图5）。相对于全局二值化，自适应二值化效果更好，不但完整保留了字符信息，也将背景中低灰度值区域滤除。

OpenCV通过函数adaptiveThreshold （） 实现自适应阈值二值化。

4 图像角度矫正及ROI获取

机械结构只能保证晶圆字符信息处于镜头视野范围内，但字符串方向可能与图像X轴方向呈一定角度，影响后续模板匹配的效率和准确性。因此，有必要对图像进行角度矫正。

首先，对二值图像进行形态学处理，目的是将字符区域连接为一体，使其具备更明显的特征以便获取倾斜角度和区域提取。根据字符串沿X轴方向展开且字符线条较窄的特点，本文采用1×5横向进行X方向的多次腐蚀，实现字符区域连接，再进行膨胀处理，平滑边缘。该过程后，可能导致原本存在的噪点发展为横向线噪声。因此，随后以3×1纵向核进行Y方向膨胀腐蚀以消减噪声，结果如图6所示。

OpenCV中通过cvCreateStructuringElementEx （）自定义形态核，cvErode（）和cvDilate（）分别完成膨胀和腐蚀操作。

由于字符区域没有明显透视效果，且形态学结果的下边缘清晰，故其倾斜角度近似等于待矫正角度。在下边缘上选取两个相距较远的点并计算其连线的倾斜角度[5]，据此对图像进行旋转矫正（见图7）。

OpenCV中先通过cv2DRotationMatrix（）计算二维旋转变化矩阵，再通过cvWarpaffine（）实现图像的旋转变换。

基于形态学结果，结合先验知识，设计了两个条件用于分割并提取字符区域（见图8）：①编码区域（最小外接矩形）的长宽比接近4：1；②面积最大的矩形连通域。

5 字符识别

由于采用了特定光源及照射方式，且产品编码字符样式固定，图像质量及图像采集的鲁棒性均得以保障。笔者使用优化度量算子后的基于灰度值的模板匹配进行字符识别，即模板图像t（r，c）在待识别图像中逐像素点移动，并在每个位置计算相应的相似度量S，最后取相似度最接近要求的位置作为最佳匹配位置。相似度量是一个函数，其参变量由模板图像中各像素点的灰度值t（r，c）及模板ROI在待匹配图像中移动时ROI的灰度值g（r+u，c+v）确定。而后，根据这些灰度值数据计算一个标量值作为相似度[6]。通过这种方法，变换空间中的每一个点都会得到一个相似度，而此时的变换空间也可以看成为一幅图像，表达式见式（1）：

6 试验结果

笔者在VC++6.0环境中实现了本文所述字符识别算法流程，并对生产线上随机抽取的50张图像进行测试。样本中，每张图像的字符区域都有不同程度的角度倾斜。试验结果证明，该算法能够正确有效地识别字符，且平均检测时间为1.76 s，满足一般流水线生产节拍要求。

但该算法仍有很多不足，体现在：①模板匹配需要占用大量系统资源，如何获取高质量的模板将成为提高算法识别效率和成功率的瓶颈；②该算法针对特定产品设计，普适性较差，主要表现在图像的获取和矫正环节上，缺乏移植性。

7 结语

自动化生产线的生产节拍直接关乎产品的成本与品质控制，将机器视觉应用于产品的可追溯性，既保证了效率又提高了可靠性。本文基于特定晶圆产品的编号特点，结合光源及照射方式选择，设计了一种字符识别算法，目的是抛砖引玉，为半导体装备制造业的发展提供思路。该算法虽具备一定实用价值，但仍有很大的改进空间。随着研究的深入，机器视觉系统在工业自动化生产中将越来越完善。

参考文献：

[1]刘劲松，郭俭.3D芯片封装晶圆植球装备关键技术研究[J].中国电子科学研究院学报，2013，8（6）：573-577.

[2]刘学平，陈艺昌，刁常龙，等.基于机器视觉的BGA芯片检测对中技术[J].计算机工程，2013，39（8）：281-284.

[3]布拉德斯基，克勒.学习OpenCV[M].北京：清华大学出版社，2009：256-258.

[4]郭斯羽，张煦芳.一种基于模型的自适应阈值分割算法[J].浙江大学学报：工学版，2005，39（12）：1950-1953.

[5]黄先学，韩震宇.基于OpenCV的半导体电子元器件字符检测方法[J].计测技术，2013，33（4）：30-32.

[6]CARSTEN S， MARKUS U，CHRISTIAN W.机器视觉算法与应用[M].第3版.杨少荣，译.清华大学出版社，2011：432-438.

[7]陈丽芳，刘渊，须文波.改进的归一互相关法的灰度图像模板匹配方法[J].计算机工程与应用，2011，47（26）：181-183.

（责任编辑：杜能钢）