一、 前言
该项目是我进BYD以来的第二个义务性的项目，与前一个一样，技术难度都不高，但是看见自己写的代码能帮助到车间的同事，减少他们的工作量，我还是很自豪，正如以前看到的一句话：“代码也是有温度的”，与诸君共勉。
先上图看下待处理的图片样子，如下图：
台面后面可能要变，所以除了晶圆之外的东西先不要管。中间每块白色的小块就是我们检测的对象——芯片。个别芯片上面有黑点点，那是质检的同事做的标记，意为坏芯片。我们的任务就是识别出一块晶圆上的所有坏芯片的位置，并将坏芯片的位置信息写入相关的txt文件。
该demo经过两次优化，单帧图片运行时长的优化记录为 1.0+s -> 0.75s -> 0.33s。检测效果上也较1.0版提升许多。详细代码见：IGBT项目代码 。由于代码较多，正文中的代码只做简单展示，即只贴出对应操作的核心代码，具体还是下载我的源码来阅读调试。
二、 正文
由上图可看出，芯片很小，整张图片又很大，所以第一步我要将晶圆部分裁剪出来。这里我利用HSV颜色筛选来做，通过定位黄色区域，裁剪出晶圆部分的图片。
先给出查看图片HSV值的博客 ，用链接里的脚本查看黄色区域的HSV值范围。
（一）颜色初筛、截取出 ROI
# 很明显，没头没尾，只做展示
img = cv2.imread("../img/%d.jpg" % i) # 读取图片路径
img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
lower_color = np.array([20, 105, 100]) # 分别对应着HSV中的最小值
upper_color = np.array([36, 255, 255]) # 分别对应着HSV中的最大值
# 初次筛选颜色，意图是得到黄色晶圆的 ROI 区域
mask_1 = cv2.inRange(img_hsv, lower_color, upper_color)
x1, y1, x2, y2 = get_roi(mask_1)
img_hsv_roi = img_hsv[y1:y2, x1:x2]
最后的效果如下图:
注意，这一步只是初筛，可以看出芯片之间的黄色缝没有很好地检测出来，但是没关系，我们目的是裁剪晶圆的ROI，如果缝全被检测出来了，下面的ROI反而不好找，具体你们可以自己试试。
# 该函数是为了定位上图白色区域的边界，然后好裁剪 ROI
def get_roi(mask, img=None):
_, contours, hierarchy = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
max_w = 0
max_h = 0
max_x = 0
max_y = 0
for c in contours:
# 找到边界坐标
x, y, w, h = cv2.boundingRect(c) # 计算点集最外面的矩形边界
if ((w > max_w) and (h > max_h)):
max_w = w
max_h = h
max_x = x
max_y = y
return max_x, max_y, (max_x + max_w), (max_y + max_h)
经过上面函数的努力，我们得到：
上面这张图只是给你们看下我们这步的目的，其实我只对HSV图做了裁剪，取出了对应的ROI区域。下面进行二次颜色筛选。
（二）颜色二次筛选
# 下面代码看看出 只对 HSV 图做了裁剪
img_hsv_roi = img_hsv[y1:y2, x1:x2]
# 取 ROI 后再进行一次颜色筛选，条件更宽松，意图是得到每个芯片的掩模
lower_color_1 = np.array([18, 85, 30]) # 分别对应着HSV中的最小值
upper_color_1 = np.array([40, 255, 255])
mask_2 = cv2.inRange(img_hsv_roi, lower_color_1, upper_color_1)
mask_2 = cv2.medianBlur(np.uint8(mask_2), 5) # 中值滤波，降噪
h, w = mask_2.shape
最后得到mask_2的图片为下图，可以看见一些边边角角没处理好，不过没关系，它不是我们的重点，模糊就模糊吧。
（三） 去除晶圆轮廓
接下来我的做法是针对上图的圆形轮廓做个处理，免得其带来干扰，具体为
mask = np.full((img.shape), 255)
#print(img.shape)
h, w = img.shape
# 消除晶圆的轮廓，也是降噪，其轮廓干扰较大，不需要它
radius = max(w, h) // 2
center = (radius, radius)
cv2.circle(mask, center, radius - 10, (0, 0, 0), -1)
#test_img = img.copy()
#cv2.circle(test_img, center, radius - 15, (128, 128, 128), 2)
img = img + mask
img[img > 200] = 255
img[img <= 0] = 0
效果大致如下图，计划把灰色圆的内部全部用0填充，圆外部是255，这样与原图相加就能得到更干净的芯片mask图。
最后结果为下图，可以看见，背景前景都干净许多了。
（四） 确定芯片群边界
对上图采用canny轮廓提取，得到下图，注意，图中的红绿黄白线是我画的，下面会讲它们的作用，原图就是一个个小格子。看起来是不是很接近我们的目标了？接近是接近，但还不是，由于摄像头角度原因，图片有点歪，而且不止是角度歪，芯片群的边界线连起来也不会是个矩形。所以我们需要做透视变换，但做透视变换需要获得四个点的坐标，这就是本节的作用——确定边界，然后确定四个顶点坐标。
大致方法为，用上图中 平行于x轴的红白二线（看起来不平行是因为我手画没画好），穿过芯片群的轮廓，会得到1、2、3、4四个交点，其中1、2连起来就是芯片群左边界，3、4连起来是芯片群右边界。再画两个平行于y轴的黄绿二线，同理得到芯片群的上边界、下边界。
再求出上面四条边界线延长线的交点，就可画出芯片群的bbox框（该框不是矩形框）。
可以看见，边界检测效果还是可以的，即使有偏差，也不是很大。如果你问，上面红绿黄白四根线有可能穿过小格子之间的空隙中，那样不是不准了吗？这也确实是个问题，我的方法是用膨胀方法填满空隙，代码：
# 下面是先 canny 处理，然后填满空隙
img_blur = cv2.medianBlur(np.uint8(img), 5) # 降噪
canny = cv2.Canny(img_blur, 50, 50)
canny[h - 30:h, :] = 0 # 图片下部有轮廓的残留，去掉它们
# 芯片之间有很多空隙，填满空隙，方便下面找寻边界线
kerne_x = cv2.getStructuringElement(cv2.MORPH_RECT,(1, 15)) # w h
canny_x = cv2.dilate(canny, kerne_x, iterations = 2)
kerne_y = cv2.getStructuringElement(cv2.MORPH_RECT,(15, 1)) # w h
canny_y = cv2.dilate(canny, kerne_y, iterations = 2)
（五） 透视变换
边界知道了，就是做透视变换了，代码不贴了，具体自己去看我开源的代码，效果如下图：
（六） 得到每个芯片的bbox
对上图再做一次canny，提取其轮廓，如下图
一开始，直接用一根直线穿过每个小格子，取直线上值不为0的坐标，最后发现较多小格子的边并不是直线，使得最后效果不好。针对该问题，我的方法是，在宽、高方向上，用一个滤波进行过滤，语言不好形容，看代码吧。
# 遍历扫过，噪声处就全部置为 0，边界处就为 255
h, w = mask_canny.shape
dst_x = mask_canny.copy()
dst_y = mask_canny
max_sum_1 = np.sum(np.full((h, ), 255))
for i in range(w): # 芯片边界处，和会很大，其他处会很小，消除噪声，下同
temp_sum = np.sum((dst_x[:, i]))
ratio = temp_sum / max_sum_1
if (ratio > 0.2): # 阈值需要仔细调
dst_x[:, i] = 255
else:
dst_x[:, i] = 0
max_sum_2 = np.sum(np.full((w, ), 255))
for j in range(h):
temp_sum = np.sum((dst_y[j, :]))
ratio = temp_sum / max_sum_2
if (ratio > 0.25):
dst_y[j, :] = 255
else:
dst_y[j, :] = 0
最后的效果如下图，理论上是呈现20根竖线，图中每根竖线都是每块芯片的x方向上的边界。之所以会呈现明暗不一的视觉效果，是因为个别边界处的线不止一根（即竖线总数大于20根），好几根叠加才显得亮，多余的线对我们来说是噪声，所以要去掉它们。为此我采用的方法是聚类，直接聚为20个类，类中心就是我们最后输出的每块芯片边界。y方向上处理方法与之相同。
根据坐标，画出每块芯片的bbox，效果为下图，可以看出边界检测效果还是可以的。
剩下的芯片识别部分就不写了，个人以为没什么东西了，想必大伙都知道怎么搞，不班门弄斧了。如果觉得我讲的不清楚，可以去看看我开源的代码，想必会更加清楚。
三、 后记
仓促之下写成，如有错误，还望帮忙雅正，谢谢！