【芯片缺陷检测】基计算机视觉实现DIP芯片缺陷检测系统附GUI

简介: 【芯片缺陷检测】基计算机视觉实现DIP芯片缺陷检测系统附GUI

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

传统方法对芯片表面缺陷检测,存在检测准确性低,检测速度慢的问题,针对上述问题,设计了一种基于图像处理的芯片表面缺陷检测系统,该系统分为3个部分,第一部分,对图像进行预处理,包括去除噪声和图像增强,第二部分,芯片位置检测和芯片缺陷的边缘提取,第三对芯片的表面缺陷进行区域分割和缺陷区域的像素测量.结果表明:本系统成功实现了芯片表面的缺陷检测,检测效率是人工检测的20多倍.

⛄ 部分代码

function [YY1 YY2] = selection (P1,B,p)


%P1 = population

%B = fitness values [1 x n]

% p = population size

[r1 c1]=find(B==max(B));

Y1(1,:)=P1(max(c1),:); %keep the best first

Fn(1,1)=1/B(1,max(c1)); % best fitness value

%determine total fitness for the poplulation

C=sum(B);

%Determine selection probablitiy

D=B/C;

%determine cumulative probablitiy

E = cumsum(D);

%generate a vector constaining normalised random numbers

N=rand(1);

d1=1;

d2=1;

while d2 <= p-1

   if N <= E(d1)

       Y1(d2+1,:)= P1(d1,:);

       Fn(1,d2+1)=1/B(1,d1);

       N=rand(1);

       d2 = d2 +1;

       d1=1;

   else

       d1 = d1 + 1;

       

   end

end

YY1=Y1;

YY2=Fn;

⛄ 运行结果

⛄ 参考文献

[1] 杨利, 陈柳松, 谢永超. 基于机器视觉的芯片引脚缺陷检测系统设计与实现[J]. 计算机测量与控制, 2021, 29(7):5.

[2] 曹深怡李笑勉文心妍谢子聪杨浩瀚. 基于机器视觉的LED芯片缺陷检测系统研究[J]. 现代制造技术与装备, 2021, 57(6):6-9,13.

[3] 费胜巍, 范晞. 一种SMT芯片缺陷检测系统与方法:, CN110333238A[P]. 2019.

[4] 李搏. 基于视觉芯片的编带内芯片外观缺陷检测系统[D]. 中国科学院大学.

[5] 周龙飞, 赵家昌, 刘晓东,等. 基于机器视觉的SMT芯片缺陷检测系统:, CN215493212U[P]. 2022.

⛳️ 完整代码

❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料


相关文章
|
机器学习/深度学习 算法 计算机视觉
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A路径规划+单目测距与测速+行人车辆计数等)
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A路径规划+单目测距与测速+行人车辆计数等)
333 2
|
机器学习/深度学习 监控 算法
基于计算机视觉(opencv)的运动计数(运动辅助)系统-源码+注释+报告
基于计算机视觉(opencv)的运动计数(运动辅助)系统-源码+注释+报告
451 3
|
JSON 人工智能 数据格式
AI计算机视觉笔记二十六:YOLOV8自训练关键点检测
本文档详细记录了使用YOLOv8训练关键点检测模型的过程。首先通过清华源安装YOLOv8,并验证安装。接着通过示例权重文件与测试图片`bus.jpg`演示预测流程。为准备训练数据,文档介绍了如何使用`labelme`标注工具进行关键点标注,并提供了一个Python脚本`labelme2yolo.py`将标注结果从JSON格式转换为YOLO所需的TXT格式。随后,通过Jupyter Notebook可视化标注结果确保准确性。最后,文档展示了如何组织数据集目录结构,并提供了训练与测试代码示例,包括配置文件`smoke.yaml`及训练脚本`train.py`,帮助读者完成自定义模型的训练与评估。
4834 2
|
数据采集 机器学习/深度学习 PyTorch
PyTorch 与计算机视觉:实现端到端的图像识别系统
【8月更文第29天】计算机视觉是人工智能领域的重要分支之一,其应用广泛,从自动驾驶汽车到医学影像分析等。本文将介绍如何使用 PyTorch 构建和训练一个端到端的图像分类器,并涵盖数据预处理、模型训练、评估以及模型部署等多个方面。
467 1
|
机器学习/深度学习 算法 计算机视觉
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)
|
机器学习/深度学习 算法 大数据
【2023年MathorCup高校数学建模挑战赛-大数据竞赛】赛道A:基于计算机视觉的坑洼道路检测和识别 python 代码解析
本文提供了2023年MathorCup高校数学建模挑战赛大数据竞赛赛道A的解决方案,涉及基于计算机视觉的坑洼道路检测和识别任务,包括数据预处理、特征提取、模型建立、训练与评估等步骤的Python代码解析。
405 44
【2023年MathorCup高校数学建模挑战赛-大数据竞赛】赛道A:基于计算机视觉的坑洼道路检测和识别 python 代码解析
|
机器学习/深度学习 传感器 算法
行人闯红灯检测:基于计算机视觉与深度学习的智能交通解决方案
随着智能交通系统的发展,传统的人工交通违法判断已难以满足需求。本文介绍了一种基于计算机视觉与深度学习的行人闯红灯自动检测系统,涵盖信号灯状态检测、行人检测与跟踪、行为分析及违规判定与报警四大模块,旨在提升交通管理效率与安全性。
|
机器学习/深度学习 人工智能 TensorFlow
探索深度学习与计算机视觉的融合:构建高效图像识别系统
探索深度学习与计算机视觉的融合:构建高效图像识别系统
435 0
|
人工智能 计算机视觉
AI计算机视觉笔记十五:编写检测的yolov5测试代码
该文为原创文章,如需转载,请注明出处。本文作者在成功运行 `detect.py` 后,因代码难以理解而编写了一个简易测试程序,用于加载YOLOv5模型并检测图像中的对象,特别是“人”类目标。代码实现了从摄像头或图片读取帧、进行颜色转换,并利用YOLOv5进行推理,最后将检测框和置信度绘制在输出图像上,并保存为 `result.jpg`。如果缺少某些模块,可使用 `pip install` 安装。如涉及版权问题或需获取完整代码,请联系作者。
|
人工智能 监控 安全
AI计算机视觉笔记十三:危险区域识别系统
本文介绍了如何在 IPC 监控视频中实现区域入侵检测,通过 YOLOv5 和 ByteTrack 实现人物检测与多目标跟踪。系统能在检测到人员进入预设的危险区域时发出警报,保障安全。主要步骤包括:1)使用 YOLOv5 识别人物;2)使用 ByteTrack 进行多目标跟踪;3)利用射线法判断物体是否进入禁区内。项目基于 Python 开发,使用海思、君正、RK 等摄像头模组,代码已在 RV1126 上验证,计划移植至 RK3568 平台。项目结构清晰,包含模型训练、跟踪算法及图形化界面展示等功能。

热门文章

最新文章