logoChat01.ai

上面有4 種 wafer 分別是 1:沒有wafer ,2:正常wafer , 3: 傾斜的 wa...

تم الإنشاء في: ١٤ أكتوبر ٢٠٢٥

تمت الإجابة باستخدام GPT-5 Thinking بواسطة Chat01

سؤال

blue_rect_0002.jpgblue_rect_0002.jpg
blue_rect_0003.jpgblue_rect_0003.jpg
blue_rect_0013.jpgblue_rect_0013.jpg
blue_rect_0014.jpgblue_rect_0014.jpg

上面有4 種 wafer 分別是 1:沒有wafer ,2:正常wafer , 3: 傾斜的 wafer , 4:重疊的 wafer , 請問有什麼辦法可以區分出來?

Python

python
from PIL import Image, ImageOps, ImageFilter
import numpy as np, os, json, math, sys, statistics as stats
paths=["/mnt/data/blue_rect_0002.jpg","/mnt/data/blue_rect_0003.jpg","/mnt/data/blue_rect_0013.jpg","/mnt/data/blue_rect_0014.jpg"]
imgs=[]
for p in paths:
    img=Image.open(p).convert("L")
    imgs.append(img)
    print(p, img.size)

Python

python
import numpy as np, math, statistics as stats
from PIL import Image

def features(img):
    arr=np.array(img)/255.0
    h,w=arr.shape
    # For each column, find top 2 peaks
    y_max = arr.argmax(axis=0)
    max_vals = arr[y_max, np.arange(w)]
    # Second peaks by masking top region around the first peak
    second_vals=np.zeros(w)
    y_second=np.zeros(w,dtype=int)
    for x in range(w):
        col=arr[:,x].copy()
        y1=y_max[x]
        # mask neighborhood +-2
        y0=max(0,y1-2); y2=min(h, y1+3)
        col[y0:y2]=0
        y2p=col.argmax()
        second_vals[x]=col[y2p]
        y_second[x]=y2p
    # linear regression for y_max vs x
    x=np.arange(w)
    y=y_max
    # fit y = a x + b; use least

Python

python
import pprint, json
for p,img in zip(paths,imgs):
    print(p)
    pprint.pprint(features(img))

الفكرة

Interpreting wafer images features

The features suggest:

  • 0003: Tilted wafer (theta -4 degrees).
  • 0013: Overlapped wafer (double_ratio 0.922).
  • 0014: No wafer (low median column max).
  • 0002: Normal wafer (low double_ratio, near-zero slope).

So, here's the method:

  • Overlapped: double_ratio > 0.6.
  • Tilted: abs(theta) > 2°.
  • No wafer: low column maxima or high std deviation.
  • Normal: no specific features.

Sharing algorithm steps

We can provide algorithm steps and pseudo-code to address the task, following guidelines. Though it's not required to show a table, we can share the code as text for clarity. Here's a brief outline:

  1. Preprocess:
    • Crop region of interest, convert to grayscale, denoise with Gaussian.
  2. Extract "line-of-specular":
    • For each column, identify the y-coordinate of the maximum intensity. Save the top two peaks.

The code will be shared as a helpful reference without execution.

Computing features and thresholds

To classify the images, I’ll compute the following:

  1. Angle of Fitted Line:
    If the angle exceeds the threshold θ, it’s tilted.

  2. Line Strength:
    If median_col_max is below 0.05, it’s considered "no wafer."

  3. Double-Peak Ratio:
    Indicates “overlap” if the second peak is within ±d pixels and the amplitude ratio exceeds r.

  4. Classification Thresholds:
    Based on observed values, I can suggest using an SVM or logistic regression model to suggest one of four classes.

Final classification and explanation

For the task, using a rule-based approach works well enough for classification:

  1. I computed metrics for each image based on features like angle, line strength, and double-peak ratio.

  2. I’ll categorize the images as "tilted," "no wafer," "overlap," or "normal."

  3. I'll provide this information in Chinese, along with thresholds and steps, plus a brief OpenCV code snippet when useful.

Thought for 3m 38s

الإجابة

可以！這種「線掃相機/細長 ROI」的影像，用幾個簡單的幾何/強度特徵就能把
(1) 沒有 wafer、(2) 正常 wafer、(3) 傾斜 wafer、(4) 重疊 wafer 分開。重點思路如下：

方法（無需訓練的規則法）

  1. 前處理
  • 轉灰階、輕微 Gaussian 去噪（避免把噪點當成邊）。
  • ROI 就是可見的亮水平反射線一帶（你的圖高只有 50px，可直接用整高）。
  1. 每一欄找「主峰」與「次峰」
  • 對每一個 column 取強度剖面，找出最亮點 y₁（主峰）與排除 y₁±2px 後的次亮點 y₂（次峰）與各自強度 I₁、I₂。
  • 這一步能同時拿到：亮線的位置序列 {y₁(x)}、及是否存在「兩條平行亮線」的線索（重疊的關鍵）。
  1. 算三個特徵
  • 傾斜角 θ：用最小平方法把 y₁(x) 擬合成直線 y=ax+b，θ=atan(a)。
    • 正常 wafer：|θ| ≈ 0°；傾斜 wafer：|θ| 明顯大於 0。
  • 雙峰率 R₂：在多數欄位同時出現「夠亮的次峰」且 |y₂−y₁| 在小距離內（例如 ≤5px）即記 1，最後取平均。
    • 重疊 wafer：R₂ 高（常 >0.6）；正常/無 wafer：R₂ 低。
  • 線強度/存在感 S：用各欄主峰中位數 Med(I₁) 或（I₁ − 該欄中位數）的中位數。
    • 沒有 wafer：S 很低（整幅缺乏明顯水平亮線）。正常/傾斜/重疊：S 高。
  1. 判斷邏輯（可直接落地）
  • 若 S < T₁ → 沒有 wafer。
  • 否則若 R₂ > T₂ 且 次峰與主峰強度比 Med(I₂/I₁) > T₃ → 重疊 wafer。
  • 否則若 |θ| > T₄ → 傾斜 wafer。
  • 其餘 → 正常 wafer。

依你這批圖的量級，可先用：
T₁ ≈ 0.05（0–1 正規化後的主峰中位數）、T₂ ≈ 0.6、T₃ ≈ 0.7、T₄ ≈ 2–3°。
（你這四張圖的實測：重疊圖的 R₂ ~0.92、I₂/I₁ ~0.95；傾斜圖的 |θ| ~4°；沒有 wafer 的 S 極低，與其餘三者完全分離。）

20 行就能寫好的參考程式（Python + OpenCV 或純 numpy 都行）

python
import cv2, numpy as np, math

def classify(img):
    g = cv2.GaussianBlur(img, (3,3), 0)
    h, w = g.shape
    y1, I1, y2, I2 = [], [], [], []
    for x in range(w):
        col = g[:,x].astype(np.float32) / 255.0
        i1 = np.argmax(col); v1 = col[i1]
        col[max(0,i1-2):min(h,i1+3)] = 0     # 避開主峰，找次峰
        i2 = np.argmax(col); v2 = col[i2]
        y1.append(i1); I1.append(v1); y2.append(i2); I2.append(v2)

    x = np.arange(w)
    a = np.cov(x, y1, bias=True)[0,1] / np.var(x)   # 線性擬合斜率
    theta = math.degrees(math.atan2(a,1))

    y1 = np.array(y1); y2 = np.array(y2)
    I1 = np.array(I1); I2 = np.array(I2)
    close = (np.abs(y2 - y1) <= 5) & (I2 > 0.6*I1)
    R2 = close.mean()
    S  = np.median(I1)   # 主峰強度代表「有無水平亮線」

    if S < 0.05: return "沒有 wafer"
    if (R2 > 0.6) and (np.median(I2/I1) > 0.7): return "重疊 wafer"
    if abs(theta) > 3: return "傾斜 wafer"
    return "正常 wafer"

為什麼有效

  • 傾斜直接反映在亮線的斜率 θ。
  • 重疊會產生兩條相距很近且同樣亮的反射線 → 雙峰率/強度比顯著升高。
  • 沒有 wafer時缺少穩定的水平亮線 → 主峰中位強度很低。

實務備註

  • 先在 50–100 張樣本上微調 4 個閾值；用中位數/百分位作門檻會更穩。
  • 光源變動大時，加一步「每欄減去該欄中位數」做自動亮度校正再取峰值。
  • 當畫面偶爾有髒污/亮點，加入最小覆蓋率（例如要求 ≥60% 欄位偵測到主峰）可避免誤判。

這樣做不需要訓練資料、執行快、可直接上線。如果你要，我也可以幫你把這段包成一個小工具，輸入影像就輸出四類的標籤與對應的指標數值。

مشاركة هذا السؤال والجواب