随着第五代网络通信技术的飞速发展,5G手机信号基站大规模铺设,全球智能手机销量激增,达到创纪录的2.5亿部,声表面波滤波器作为智能手机射频前端核心器件,负责接受基站信号与发射端口频率,在频率高达1GHZ范围内的声表面滤波器,因其性能稳定,价格便宜而处于垄断地位,而且在更高的频率带宽,声表面波滤波器正与体声波滤波器竞争份额,声表面波滤波器组成部分的参数会显著地影响其性能。目前半导体尺寸测量的主要方法是利用各种带比例尺或标尺的高倍显微镜拍摄微观结构图像,通过人工标注某些特征位置,将选取的特征位置与比例尺对比,最终得到所需的实际尺寸。通常因为感兴趣区域信噪比低、图像模糊等原因,对于边界位置的标注与读取都不够准确,导致产生较大的误差。随着计算机算力的发展与图像处理技术的进步,传统的声表面波滤波器参数检测方式被智能检测方式取代是必然的趋势。基于此,本文提出了基于图像处理的声表面波滤波器参数检测技术,并运用于产线良品检测中,包括对声表面波滤波器数量、宽度、周期等精确测量。利用数字图像处理技术和深度学习技术对声表面波滤波器图像进行处理,实现参数测量。本文主要工作如下:（1）本文构建了声表面波滤波器图像数据集,首先我们切分了声表面波滤波器芯片基板,使环氧树脂与电路结构分离,从而得到裸露压电层;然后,使用高倍激光显微镜拍摄声表面波滤波器内部结构,并用Labelme软件标记滤波器边缘。声表面波滤波器结构简单,数据集样本相似度较大,我们通过采集不同放大倍数下的滤波器图像与残留环氧树脂噪点的滤波器图像构建数据集,并进行数据增强与优化扩增,进一步增强样本多样性。（2）在采集的大量数据基础上,本文提出了一种基于数字图像处理的方法来检测声表面波滤波器数量、宽度、周期等参数,方法在大量噪声情况下使用形态学算子恢复图像和识别叉指换能器数量;在彩色图像中选择特征点提取比例尺;使用自适应滤波、增加梯度算子、双线性插值等算法增强Canny边缘检测效果,通过最小形状包围边缘信息得到叉指换能器间隔宽度,周期等参数,并利用傅立叶变换验证其检测结果。实验结果表明:叉指换能器指条数量识别准确,宽度、周期测量在十分位与真实值完全相同,达到检测要求。（3）在上一种方法的基础上,为了进一步加强抗噪能力与提高自动化水平,提出了一种基于通道注意力的HED声表面波滤波器参数检测算法,我们在HED模型中加入SE模块,加强网络通道间的联系,提高感兴趣区域的关注度。方法对正常图像和噪声图像的指条数量都有好的识别,且无需对噪声图像进行处理;对边缘检测器进行评估,并将结果与其它先进的计算机视觉架构进行比较;将基于深度学习的方法与基于图像处理的方法相互验证,两种方法都有好的准确率,但在噪声攻击中基于深度学习的方法更加稳定。通过实验分析:在完成声表面波滤波器参数检测任务的同时,使用基于深度学习的检测算法具有更好的鲁棒性。