摘 要

在工业生产过程中，芯片表面印刷有文字标识以记录其具体型号以及生产信息。传统的芯片标识管理方法多为人工识别并记录，这耗时耗力且效率低下。本课题对微小字符识别算法展开研究与设计，其目的在于克服字符尺寸微小带来的难题，实现对芯片表面微小字符快速、准确的识别，成为替代人工识别芯片标识的解决方案。此研究结果可被应用于芯片的生产、管理流程中，极大的节省了芯片标识管理的人力物力损耗，具有应用价值。对芯片图像的微小字符识别属于自然场景文字识别问题，目前，国内外关于此领域的相关研究工作较多，且许多相关算法可以在标准数据集上达到很高的识别准确率及算法效率。然而，大部分研究工作仅适用于对普通尺寸的字符识别，关于微小字符识别的研究较少，也鲜有算法能对微小字符产生较高的识别准确率。本研究实现的算法基于最大稳定极值区域与卷积神经网络实现。算法结合芯片图像的特点，确定了由芯片图像预处理、微小字符定位、微小字符识别三步骤组成的算法流程。其中，芯片图像预处理步骤结合对比度增强、图像滤波等技术，实现了对图像效果的优化。微小字符定位步骤充分利用了最大稳定极值区域算子的鲁棒性并结合卷积神经网络实现，同时对网络进行了特征融合优化以提升性能。微小字符识别步骤基于卷积神经网络实现，对于各类字符图像具有自适应性，字符识别准确率高。本研究实现的微小字符识别算法具有较优的性能，其测试结果表明：算法适用于水平芯片图像以及一定倾斜范围内的倾斜芯片图像。在测试图像中，算法以图像为单位的识别准确率为93.75%，以字符为单位的识别准确率达到98.49%，且在运算速度上实现了秒级别的芯片图像微小字符识别，算法具有实际应用价值。

关键词：芯片标识；微小字符识别；图像预处理；最大稳定极值区域；卷积神经网络

Abstract

In the industrial production process, a text mark is printed on the surface of the chip to record its specific model and production information. The traditional chip identification management methods are mostly manual identification and recording, which is time-consuming, labor-intensive and inefficient. In this project, the research and design of the tiny character identification algorithm is put forward. Its purpose is to overcome the difficulties caused by the tiny character size, to achieve fast and accurate identification of the tiny characters on the chip surface, and to become a solution to replace the manual recognition of the chip identification. The results of this research can be applied to the production and management process of chips, which greatly saves the manpower and material losses of chip identification management and has application value. The identification of tiny characters in chip images is a problem of natural scene text identification. At present, there are many related research works in this field, in which many algorithms can achieve high identification accuracy and algorithm efficiency on standard datasets. However, most of the work is only applicable to characters of ordinary size. There are few studies on tiny character identification, and few algorithms can produce high identification accuracy for them. The algorithm implemented in this study is based on the maximum stable extreme region and convolutional neural network. The algorithm is consisted of three steps: chip image preprocessing, tiny character localization, and tiny character identification. The chip image preprocessing step applies contrast enhancement, image filtering and other technologies to optimize the image. The tiny character localization step makes full use of the robustness of the maximum stable extreme region operator and is implemented with the convolutional neural network. Meanwhile, we use feature fusion step to improve performance. The tiny character identification step is based on convolutional neural network, which is adaptive to various character images and has high accuracy of character identification. The algorithm implemented in this study has good performance. The test results show that it is suitable for horizontal chip images and tilt chip images within a certain tilt range. In the test image, the identification accuracy of the algorithm in the image unit is 93.75%, and the identification accuracy in the character unit is 98.49%. This algorithm can achieve a second level tiny character identification for chip images. The algorithm has practical application value.

Keywords: chip identification；tiny character identification；image preprocessing；maximum stable extreme region；convolutional neural network

目录

摘要 I

Abstract II

第1章 绪论 1

1.1课题研究背景及意义 1

1.2国内外研究现状 1

1.3研究内容与技术路线 3

1.4本文组织结构 4

第2章 芯片微小字符识别算法分析 6

2.1微小字符 6

2.2微小字符识别面临的问题 6

2.3算法整体流程设计 7

第3章 芯片图像预处理 9

3.1问题分析 9

3.2芯片图像评价标准 9

3.3芯片图像对比度增强 10

3.3.1非线性灰度拉伸 11

3.3.2基于模糊域的图像增强 11

3.3.3图像对比度增强算法对比 12

3.4芯片图像滤波 14

3.4.1传统滤波算法 14

3.4.2传统滤波算法对比 15

3.5改进的芯片图像预处理算法 16

3.5.1经典图像预处理方案的不足 16

3.5.2改进的芯片图像滤波算法 17

3.5.3芯片图像细节增强 19

3.6本章小结 20

第4章 芯片微小字符定位 21

4.1问题分析 21

4.2芯片微小字符定位整体方案 21

4.3基于MSER的微小字符候选区域定位 22

4.3.1可行性分析 22

4.3.2候选区域定位结果 22

4.4改进的MSER微小字符候选区域定位算法 23

4.4.1现有算法的不足 23

4.4.2候选区域初步筛选 23

4.4.3基于水平投影图像的字符分割算法 25

4.5基于卷积神经网络的微小字符区域判定算法 28

4.5.1字符区域判定网络结构设计 28

4.5.2数据集构建 29

4.5.3字符区域判定结果 30

4.6改进的CNN微小字符区域判定算法 32

4.6.1算法优化思路 32

4.6.2基于特征融合的字符区域判定网络 32

4.6.3倾斜芯片图像微小字符定位算法 34

4.6.4改进算法小结 36

4.7本章小结 36

第5章 芯片微小字符识别 37

5.1问题分析 37

5.2数据集构建 37

5.3微小字符识别网络结构设计 38

5.3.1原始网络结构 38

5.3.2网络结构优化实验设计 39

5.3.3网络结构优化实验结果分析 40

5.3.4优化后的网络结构 41

5.4本章小结 41

第6章 算法测试与分析 42

6.1算法测试指标 42

6.2测试数据 43

6.3结果与分析 44

6.3.1测试结果 44

6.3.2结果分析 45

6.4本章小结 47

第7章 总结与展望 48

7.1本文总结 48

7.2未来展望 49

参考文献 50

致谢 53

第1章 绪论

1.1课题研究背景及意义

目前，微电子、信息技术蓬勃发展，各类电子设备在追求高算力的同时也有对设备便携性的需求。电子设备往往由高性能芯片驱动，芯片的高集成度又决定了其体积小的特点。在芯片的实际生产过程中，每一个芯片表面印刷有唯一标识，这有利于生产厂家后续对芯片进行质量检测、分流、跟踪等操作。因此，结合图像采集设备设计快速、准确的芯片字符识别系统有利于提高生产效率。

芯片表面微小字符识别属于工业场景下的自然场景文字识别应用。基于芯片表面的特性，此课题面临着一些方面的挑战：①芯片表面字符面积小，精确识别字符的前提是准确定位字符区域；②芯片表面图像字符与背景对比度不高，这给字符的准确定位带来困难，因此进行合适的图像处理步骤消除此类影响十分必要；③拍摄的芯片图像可能具有一定程度上的倾斜，因此，算法需要实现对于输入图像的倾斜纠正，从而完成后续的字符检测与识别操作。