【技术实现步骤摘要】
DFB半导体激光器芯片表面缺陷的人工智能检测方法及其装置
本专利技术涉及芯片表面缺陷检测领域，具体为一种DFB半导体激光器芯片表面缺陷的人工智能检测方法及其装置。
技术介绍
芯片是激光收发器最关键的原物料，其质量的好坏，直接决定了激光收发器的性能。而DFB(DistributedFeedbackLaser)激光器是一种重要的激光器，DFB激光器即分布式反馈激光器，其不同之处是内置了布拉格光栅(BraggGrating)，属于侧面发射的半导体激光器。目前，DFB激光器主要以半导体材料为介质，包括锑化镓(GaSb)、砷化镓(GaAs)、磷化铟(InP)、硫化锌(ZnS)等。DFB激光器最大特点是具有非常好的单色性(即光谱纯度)，它的线宽普遍可以做到1MHz以内，以及具有非常高的边模抑制比(SMSR)，目前可高达40-50dB以上。特别是用于5G网络或数据中心设备的高端DFB激光芯片，绝对不容许出现缺陷。为保障此类DFB激光芯片非常高的可靠性，传统的方法采用有经验工程师提供基准样式或基准规则，基于传统图像处理(例如，尺度不...
【技术保护点】
1.一种DFB半导体激光器芯片表面缺陷的人工智能检测方法，其特征在于：检测方法包括以下步骤：/n步骤S110，包括获取DFB激光芯片生产过程中对质量检测设备采集的图像信号；/n步骤S120，将所述采集的图像信号转换成串行数据信号；/n步骤S130，采用预设的五层卷积层与最大池化层交错对所述图像串行数据信号进行处理，提取所述图像串行数据信号的频谱特征；根据所述频谱特征进行芯片表面缺陷的识别。/n
【技术特征摘要】
1.一种DFB半导体激光器芯片表面缺陷的人工智能检测方法，其特征在于：检测方法包括以下步骤：
步骤S110，包括获取DFB激光芯片生产过程中对质量检测设备采集的图像信号；
步骤S120，将所述采集的图像信号转换成串行数据信号；
步骤S130，采用预设的五层卷积层与最大池化层交错对所述图像串行数据信号进行处理，提取所述图像串行数据信号的频谱特征；根据所述频谱特征进行芯片表面缺陷的识别。
2.根据权利要求1所述的一种DFB半导体激光器芯片表面缺陷的人工智能检测方法，其特征在于：还包括以下步骤：
步骤S141，通过预设的全连接神经网络对所述频谱特征进行是否为表面缺陷的概率计算，所述表面缺陷的概率是频谱特征符合表面缺陷频谱特征的可能程度，全连接神经网络是预先行成的，通过全连接神经网络对所述频谱特征进行回归分类处理，计算该所述频谱特征所属的芯片表面图像信号符合为表面缺陷的概率；
步骤S142，根据为表面缺陷的概率对DFB芯片进行表面缺陷的判断，将表面缺陷的概率值与表面缺陷概率临界值进行比对，在表面缺陷概率达到表面缺陷概率临界值时，则确定为表面有缺陷；在表面缺陷概率未达到表面缺陷概率临界值时，则确定为表面无缺陷。
3.根据权利要求1所述的一种DFB半导体激光器芯片表面缺陷的人工智能检测方法，其特征在于：在步骤S130之前，该DFB半导体激光器芯片表面缺陷的人工智能检测方法还可以包括以下步骤：
步骤S210，在DFB激光芯片生产过程中对质量检测设备采集的图像信号，得到正样本图像信号集和负样本图像信号集，所述正样本图像信号集是对质量检测设备采集的激光芯片表面有缺陷的图像信号，所述负样本图像信号集是对质量检测设备采集的激光芯片表面无缺陷的图像信号；
步骤S230，采用卷积神经网络算法分别对所述正样本图像信号集和所述负样本图像信号集进行迭代训练，形成全连接神经网络。
4.一种DFB半导体激光器芯片表面缺陷的人工智能检测装置，其特征在于：包括图...
【专利技术属性】
技术研发人员：刘拓，潘彦廷，侯宏泽，侯展璞，
申请(专利权)人：陕西源杰半导体技术有限公司，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。