一种基于芯片缺陷检测的检测方法和系统技术方案

本申请公开了一种基于芯片缺陷检测的检测方法和系统，所述方法包括采集用于训练YOLO检测网络的芯片表面图像；对采集到的所述芯片表面图像进行数据增强；将采集到的所述芯片表面图像及数据增强后得到的图像以及获取的所述矩形框的坐标，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类；将采集到的所述芯片表面的图像及数据增强后得到的图像以及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对YOLO检测网络进行训练；实时采集待检测的芯片表面图像，根据训练好的YOLO检测网络对实时采集待检测的芯片表面图像进行检测，并对检测到的缺陷进行分类和定位，能够高效的提取图像的特征，达到图像更精准的检测出缺陷。

【技术实现步骤摘要】
一种基于芯片缺陷检测的检测方法和系统
本专利技术涉及一种基于芯片缺陷检测的检测方法和系统，属于计算机视觉和深度学习

技术介绍
随着科学技术的发展,目标检测技术已经逐渐应用于越来越多的领域，与此同时，目标检测的准确性、可靠性和实时要求也越来越严格。原始的RCNN目标检测网络可以很好地用于处理图像检测和理解任务，但是R-CNN也有很多弊端，比如整个网络做不到端到端，中间训练过程需要大量的内存来存储一些特征，计算速度不够理想，使模型收敛缓慢，容易达到局部优化，影响最终检测物体精度，YouOnlyLookOnce的提出，简称YOLO，可以一次性预测多个Box位置和类别的卷积神经网络，能够实现端到端的目标检测和识别，其最大的优势就是速度快。事实上，目标检测的本质就是回归，因此一个实现回归功能的CNN并不需要复杂的设计过程。YOLO没有选择滑动窗口(sildingwindow)或提取proposal的方式训练网络，而是直接选用整图训练模型。这样做的好处在于可以更好的区分目标和背景区域，相比之下，采用proposal训练方式的Fast-R-CNN常本文档来自技高网...

【技术保护点】
1.一种基于芯片缺陷检测的检测方法，其特征在于，所述方法包括：/n采集用于训练YOLO检测网络的芯片表面图像；/n对采集到的所述芯片表面图像进行数据增强；/n将采集到的所述芯片表面图像及数据增强后得到的图像以及获取的所述矩形框的坐标，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类；/n将采集到的所述芯片表面的图像及数据增强后得到的图像以及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对YOLO检测网络进行训练；/n实时采集待检测的芯片表面图像，根据训练好的YOLO检测网络对实时采集待检测的芯片表面图像进行检测，并对检测到的缺陷进行分类和定位。/n

【技术特征摘要】
1.一种基于芯片缺陷检测的检测方法，其特征在于，所述方法包括：
采集用于训练YOLO检测网络的芯片表面图像；
对采集到的所述芯片表面图像进行数据增强；
将采集到的所述芯片表面图像及数据增强后得到的图像以及获取的所述矩形框的坐标，获取所述矩形框的坐标与所述矩形框所包含缺陷的种类；
将采集到的所述芯片表面的图像及数据增强后得到的图像以及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对YOLO检测网络进行训练；
实时采集待检测的芯片表面图像，根据训练好的YOLO检测网络对实时采集待检测的芯片表面图像进行检测，并对检测到的缺陷进行分类和定位。


2.根据权利要求1所述的基于芯片缺陷检测的检测方法，其特征在于，所述获取所述矩形框的坐标与所述矩形框所包含缺陷的种类之后，还包括：
将采集到的所述芯片表面图像及及数据增强后得到的图像以及获取的所述矩形框的坐标，获取所述矩形框的中心坐标，所述矩形框的宽度、高度及所述矩形框包含缺陷的种类；
将采集到的所述芯片表面图像、数据增强后得到的图像获取所述矩形框的中心坐标，所述矩形框的宽度、高度及所述矩形框包含缺陷的种类生成训练集。


3.根据权利要求1所述的基于芯片缺陷检测的检测方法，其特征在于，所述YOLO检测网络将每张芯片表面图像分成s*s个网格，每个网格要预测B个可能包含缺陷的矩形框，每一个预测的矩形框包含5个参数，x,y,w,h和p，x,y是矩形框的中心相对于负责该缺陷的网格左上角的位置偏移量，w，h是矩形框的长和宽，p是只矩形框中含有缺陷的置信度。


4.根据权利要求3所述的基于芯片缺陷检测的检测方法，其特征在于，所述YOLO检测网络中包括了24个卷积层和2个全连接层，同时采用了如下公式训练模型：



其中，s2代表每张芯片表面图像被分成s*s个网格；B表示每个网格预测的可能包含缺陷的矩形框个数；表示第i个网格中第j个矩形框是否负责本网格中的缺陷检测；表示缺陷是否存在于第i个网格中；λcoord代表矩形框中的w，h，x，y四个参数的损失权重；λnoobj代表不负责的矩形框所预测缺陷类别损失权重；xi,yi,分别代表人工标注的缺陷矩形框和模型预测的矩形框的左上角对应第i个网格中心在两个方向上的偏移量；wi,hi,分别代表第i个网格中人工标注的缺陷矩形框和模型预测的矩形框的宽与高，ci,分别代表第i个网格中人工标注的缺陷类别和模型预测的类别；pi(c),分别代表第i个网格中人工标注和模型预测的缺陷类别为c的概率。


5.根据权利要求1所述的基于芯片缺陷检测的检测方法，其特征在于，所述实时采集待检测的芯片表面图像，根据训练好的YOLO检测网络对实时采集待检测的芯片表面图像进行检测，并对检测到的缺陷进行分类和定位包括以下步骤：
步骤A1，将待检测的芯片表面图像统一为标准尺寸448*448；
步骤A2，将待检测的芯片表面图像输入已经训练好的YOLO检测网络，检测是否有缺陷，输出缺陷的位置与类型信息，并将信息保存在数据库中；
步骤A3，根据以下公式确定更精确的缺陷位置：



其中，a代表标注的芯片表面图像缺陷位置矩形框，bk代表模型预测的芯片表面图像的缺陷位置第k个矩形框，k＝1,2,3，...，98，q为iou预设阈值，L代表通过筛选后得到的芯片表面图像精确的缺陷位置；
步骤A4，根据以下公式确定预测芯片图像缺陷位置矩形框与标准的芯片表面图像缺陷位置矩形框的阈值：



其中，m(f,g)代表邻域内每一张芯片表面图像像素值的均值，z(f,g)代表每一张芯片表面图像像素值的标准方差，R是代表每一张芯片表面图像像素值标准方差的动态范围，t代表定义的一个修正参数，t的取值为0<t<1，(f,g)是其对应的坐标点，Q代表每一张预测的芯片表面图像缺陷位置矩形框与标准的芯片表面图像缺陷位置矩形框的阈值；
步骤A5，回到步骤A2，重复执行步骤A2到步骤A4，对,每一张待检测的芯片...

【专利技术属性】
技术研发人员：袁敬华，
申请(专利权)人：广州鹄志信息咨询有限公司，
类型：发明
国别省市：广东;44