基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法技术

本发明专利技术实施例提供了一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法、装置、设备及存储介质，包括：获取离子束溅射沉积薄膜表面的待判别图像；基于尺度不变特征变换SIFT算法，提取待判别图像的至少一个目标特征向量，输入到目标判别模型；获取目标判别模型输出的待判别图像的至少一个目标特征向量所属的至少一个类别；将待判别图像的至少一个目标特征向量所属的至少一个类别中，包含目标特征向量个数最多的类别，作为待判别图像为凹坑图像、颗粒图像或无异常图像的结果。可见，应用本发明专利技术实施例，无需用户进行判别，就可以获得离子束溅射沉积薄膜表面的待判别图像为凹坑图像、颗粒图像或无异常图像的结果，提高了对薄膜好坏的判别效率。

A machine learning based method to distinguish pits and particles in ion beam sputtered films

【技术实现步骤摘要】
基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法
本专利技术涉及机器学习的
，特别是涉及一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法、装置、电子设备及存储介质。
技术介绍
目前，相关技术中对氩离子利用离子束溅射技术经过沉积可以生成离子束溅射沉积薄膜，该薄膜表面是否有凹坑或颗粒的异常情况是评估薄膜好坏的重要指标。薄膜表面的凹坑和颗粒表明生成薄膜的质量不好，如果无异常则表明生成薄膜的质量好。目前，通常通过人工判别的方式对薄膜表面进行判别，对薄膜好坏的判别效率较低。
技术实现思路
本专利技术实施例的目的在于提供一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法、装置、电子设备及存储介质，以对薄膜表面进行判别，提高对薄膜好坏的判别效率。具体技术方案如下：第一方面，本专利技术提供一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别的方法，所述方法包括：获取离子束溅射沉积薄膜表面的待判别图像；基于尺度不变特征变换SIFT算法，提取所述待判别图像的至少一个目标特征向量；将所述待判别图像的至少一个目标特征向量输入到预先训练好的目标判别模型；所述目标判别模型为预先用凹坑样本图像的特征向量、颗粒样本图像的特征向量和无异常样本图像的特征向量对初始判别模型进行训练获得的；获取所述目标判别模型输出的所述待判别图像的至少一个目标特征向量所属的至少一个类别；所述类别包含：目标特征向量为凹坑图像的特征向量的第一类别、目标特征向量为颗粒图像的特征向量的第二类别和目标特征向量为无异常图像的特征向量的第三类别；将待判别图像的至少一个目标特征向量所属的至少一个类别中，包含目标特征向量个数最多的类别，作为所述待判别图像为凹坑图像、颗粒图像或无异常图像的结果。可选的，所述初始判别模型为初始支持向量机SVM模型。可选的，所述目标判别模型的训练过程包括：获取样本离子束溅射沉积薄膜表面的各个样本图像；按照第一预设组数，对所述各个样本图像进行分组，获得各组样本图像；获取人工标注的各个样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的真实类别；基于尺度不变特征变换SIFT算法，提取每个凹坑样本图像、颗粒样本图像和无异常样本图像的至少一个样本特征向量；对各个凹坑样本图像、各个颗粒样本图像和各个无异常样本图像的各个样本特征向量分别进行聚类，获得各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量；将各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量作为所述初始支持向量机SVM模型的支持向量机参数，获得当前中间支持向量机SVM模型；从第一预设组数的各组样本图像中，获取第二预设组数的样本图像作为训练组样本图像；针对每组训练组样本图像，将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中，获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别；所述类别包含：每组训练组样本图像中，每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的样本第一类别、为颗粒样本图像的特征向量的样本第二类别和为无异常样本图像的特征向量的样本第三类别；将每组训练组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中，包含样本特征向量个数最多的类别，作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果；基于每组训练组样本图像中的每个样本图像的真实类别，和每组训练组样本图像中的每个样本图像的预测结果，计算每组训练组样本图像预测结果的预测准确率；当每组训练组样本图像的预测准确率均大于阈值时，确定所述当前中间支持向量机SVM模型为训练完成的目标判别模型；当每组训练组样本图像的预测准确率不均大于阈值时，调整所述当前中间支持向量机SVM模型的模型参数，返回所述针对每组训练组样本图像，将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中，获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别的步骤。可选的，所述方法还包括：获取第一预设组数的各组样本图像中除去训练组样本图像的各组样本图像作为测试组样本图像；针对每组测试组样本图像，将测试组样本图像中的每个样本图像的至少一个样本特征向量输入到所述训练完成的目标判别模型中，获得所述训练完成的目标判别模型输出的至少一个样本特征向量所属的至少一个类别；所述类别包含：每组训练组样本图像中，每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的测试样本第一类别、为颗粒样本图像的特征向量的测试样本第二类别和为无异常样本图像的特征向量的测试样本第三类别；将每组测试组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中，包含样本特征向量个数最多的类别，作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果；基于每组测试组样本图像中的每个样本图像的真实类别，和每组测试组样本图像中的每个样本图像的预测结果，计算每组测试组样本图像预测结果的预测准确率；当每组测试组样本图像的预测准确率均大于阈值时，确定所述训练完成的目标判别模型为训练好的目标判别模型；当每组测试组样本图像的预测准确率不均大于阈值时，调整所述训练完成的目标判别模型的模型参数，返回所述针对每组测试组样本图像，将测试组样本图像中的每个样本图像的至少一个样本特征向量输入到所述训练完成的目标判别模型中，获得所述训练完成的目标判别模型输出的至少一个样本特征向量所属的至少一个类别的步骤。可选的，所述初始支持向量机SVM模型的模型函数为：其中，x为待预测的每个样本特征向量，f(x)为是否为凹坑的预测结果，f(x)为1时为凹坑，f(x)为0时为不是凹坑；xi为凹坑支持向量机特征向量、颗粒支持向量机特征向量和无异常支持向量机特征向量，yi为与xi相对应的支持向量机特征向量的类别值，当支持向量机特征向量属于凹坑时为1，不属于凹坑时为-1，和b*为待训练的模型参数；sgn为跳变函数，大于0时输出1，小于0输出0；其中σ为预设的常数；其中，x为待预测的每个样本特征向量，F(x)为是否为颗粒的预测结果，F(x)为1时为颗粒，F(x)为0时为不是颗粒；xi为凹坑支持向量机特征向量、颗粒支持向量机特征向量和无异常支持向量机特征向量，yi为与xi相对应的支持向量机特征向量的类别值，当支持向量机特征向量属于颗粒时为1，不属于颗粒时为-1，和b*为待训练的模型参数；sgn为跳变函数，大于0时输出1，小于0输出0；其中σ为预设的常数。第二方面，本专利技术提供一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别的装置，所述装置包括：判别图像获取单元，用于获取离子束溅射沉积薄膜表面的待判别图像；目标特征向量提取单元，用于基于尺本文档来自技高网...

【技术保护点】
1.一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法，其特征在于，所述方法包括：/n获取离子束溅射沉积薄膜表面的待判别图像；/n基于尺度不变特征变换SIFT算法，提取所述待判别图像的至少一个目标特征向量；/n将所述待判别图像的至少一个目标特征向量输入到预先训练好的目标判别模型；所述目标判别模型为预先用凹坑样本图像的特征向量、颗粒样本图像的特征向量和无异常样本图像的特征向量对初始判别模型进行训练获得的；/n获取所述目标判别模型输出的所述待判别图像的至少一个目标特征向量所属的至少一个类别；所述类别包含：目标特征向量为凹坑图像的特征向量的第一类别、目标特征向量为颗粒图像的特征向量的第二类别和目标特征向量为无异常图像的特征向量的第三类别；/n将待判别图像的至少一个目标特征向量所属的至少一个类别中，包含目标特征向量个数最多的类别，作为所述待判别图像为凹坑图像、颗粒图像或无异常图像的结果。/n

【技术特征摘要】
1.一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法，其特征在于，所述方法包括：
获取离子束溅射沉积薄膜表面的待判别图像；
基于尺度不变特征变换SIFT算法，提取所述待判别图像的至少一个目标特征向量；
将所述待判别图像的至少一个目标特征向量输入到预先训练好的目标判别模型；所述目标判别模型为预先用凹坑样本图像的特征向量、颗粒样本图像的特征向量和无异常样本图像的特征向量对初始判别模型进行训练获得的；
获取所述目标判别模型输出的所述待判别图像的至少一个目标特征向量所属的至少一个类别；所述类别包含：目标特征向量为凹坑图像的特征向量的第一类别、目标特征向量为颗粒图像的特征向量的第二类别和目标特征向量为无异常图像的特征向量的第三类别；
将待判别图像的至少一个目标特征向量所属的至少一个类别中，包含目标特征向量个数最多的类别，作为所述待判别图像为凹坑图像、颗粒图像或无异常图像的结果。


2.根据权利要求1所述的方法，其特征在于，所述初始判别模型为初始支持向量机SVM模型。


3.根据权利要求2所述的方法，其特征在于，所述目标判别模型的训练过程包括：
获取样本离子束溅射沉积薄膜表面的各个样本图像；
按照第一预设组数，对所述各个样本图像进行分组，获得各组样本图像；
获取人工标注的各个样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的真实类别；
基于尺度不变特征变换SIFT算法，提取每个凹坑样本图像、颗粒样本图像和无异常样本图像的至少一个样本特征向量；
对各个凹坑样本图像、各个颗粒样本图像和各个无异常样本图像的各个样本特征向量分别进行聚类，获得各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量；
将各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量作为所述初始支持向量机SVM模型的支持向量机参数，获得当前中间支持向量机SVM模型；
从第一预设组数的各组样本图像中，获取第二预设组数的样本图像作为训练组样本图像；
针对每组训练组样本图像，将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中，获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别；所述类别包含：每组训练组样本图像中，每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的样本第一类别、为颗粒样本图像的特征向量的样本第二类别和为无异常样本图像的特征向量的样本第三类别；
将每组训练组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中，包含样本特征向量个数最多的类别，作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果；
基于每组训练组样本图像中的每个样本图像的真实类别，和每组训练组样本图像中的每个样本图像的预测结果，计算每组训练组样本图像预测结果的预测准确率；
当每组训练组样本图像的预测准确率均大于阈值时，确定所述当前中间支持向量机SVM模型为训练完成的目标判别模型；
当每组训练组样本图像的预测准确率不均大于阈值时，调整所述当前中间支持向量机SVM模型的模型参数，返回所述针对每组训练组样本图像，将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中，获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别的步骤。


4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取第一预设组数的各组样本图像中除去训练组样本图像的各组样本图像作为测试组样本图像；
针对每组测试组样本图像，将测试组样本图像中的每个样本图像的至少一个样本特征向量输入到所述训练完成的目标判别模型中，获得所述训练完成的目标判别模型输出的至少一个样本特征向量所属的至少一个类别；所述类别包含：每组训练组样本图像中，每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的测试样本第一类别、为颗粒样本图像的特征向量的测试样本第二类别和为无异常样本图像的特征向量的测试样本第三类别；
将每组测试组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中，包含样本特征向量个数最多的类别，作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果；
基于每组测试组样本图像中的每个样本图像的真实类别，和每组测试组样本图像中的每个样本图像的预测结果，计算每组测试组样本图像预测结果的预测准确率；
当每组测试组样本图像的预测准确率均大于阈值时，确定所述训练完成的目标判别模型为训练好的目标判别模型；
当每组测试组样本图像的预测准确率不均大于阈值时，调整所述训练完成的目标判别模型的模型参数，返回所述针对每组测试组样本图像，将测试组样本图像中的每个样本图像的至少一个样本特征向量输入到所述训练完成的目标判别模型中，获得所述训练完成的目标判别模型输出的至少一个样本特征向量所属的至少一个类别的步骤。


5.根据权利要求3所述的方法，其特征在于，所述初始支持向量机SVM模型的模型函数为：

【专利技术属性】
技术研发人员：景晓军，黄海，杨威，张芳沛，吴胜，高海涛，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11