一种基于CNN的高密度微led芯片视觉检测方法技术

本发明专利技术涉及芯片测试以及人工智能神经网络领域，一种基于CNN的高密度微led芯片视觉检测方法，将微led芯片二值化；根据连通域分割方法，以行和列方式将芯片划分为若干个区域；将划分的区域作为卷积神经网络的输入；将提取到的特征图采用卷积神经网络全连接层和softmax函数实现芯片好坏检测，卷积神经网络输出层的神经元数量设置为2代表好和坏两种结果，通过softmax函数计算每个神经元的输出概率判断样本的质量。检测结果证明，使用卷积神经网络实现芯片检测降低了检测时间的同时，有效提高了检测的准确率。

【技术实现步骤摘要】
一种基于CNN的高密度微led芯片视觉检测方法
本专利技术涉及芯片测试以及人工智能神经网络领域，具体涉及一种基于CNN的高密度微led芯片的检测方法。
技术介绍
人工神经网络是仿照生物神经网络工作的计算模型。由于其本质是一种并行结构，人工神经网络被广泛应用以提高执行速度。随着集成工艺的发展，硅片上以高密度集成越来越多芯片样本，芯片之间间隔越来越小，所以在检测芯片时遇到很大的挑战。为了解决这个问题，许多检测方法被提出来以提高检测的效果，但速度慢，消耗时间多。因此在降低检测时间的基础上提高检测的准确率是有意义的。
技术实现思路
为了解决现有技术中的不足，本专利技术提供了一种基于CNN的高密度微led芯片视觉检测方法，降低芯片检测时间，提高检测的准确率。为了实现上述目标，本专利技术采用如下技术方案：一种基于CNN的高密度微led芯片视觉检测方法，包括步骤：步骤一：将微led芯片二值化，将芯片转化成黑白图像，其中硅片为黑色、微led芯片样本为白色；步骤二：根据连通域分割方法，以行和列方式将芯片划分为若本文档来自技高网...

【技术保护点】
1.一种基于CNN的高密度微led芯片视觉检测方法，其特征在于：包括如下步骤/n步骤一：将微led芯片二值化，将芯片转化成黑白图像，其中硅片为黑色、微led芯片样本为白色；/n步骤二：根据连通域分割方法，以行和列方式将芯片划分为若干个区域，每个区域包含一个微led芯片样本，区域数量取决于微led芯片内所设计的样本数量；/n步骤三：将划分的区域作为卷积神经网络的输入，采用不同结构的卷积层对每个区域提取相关特征，采用2×2大小的池化滤波器实现池化降低样本图像的维度，获得特征图；/n步骤四：将提取到的特征图采用卷积神经网络全连接层和softmax函数实现芯片好坏检测，卷积神经网络输出层的神经元数量设...

【技术特征摘要】
1.一种基于CNN的高密度微led芯片视觉检测方法，其特征在于：包括如下步骤
步骤一：将微led芯片二值化，将芯片转化成黑白图像，其中硅片为黑色、微led芯片样本为白色；
步骤二：根据连通域分割方法，以行和列方式将芯片划分为若干个区域，每个区域包含一个微led芯片样本，区域数量取决于微led芯片内所设计的样本数量；
步骤三：将划分的区域作为卷积神经网络的输入，采用不同结构的卷积层对每个区域提取相关特征，采用2×2大小的池化滤波器实现池化降低样本图像的维度，获得特征图；
步骤四：将提取到的特征图采用卷积神经网络全连接层和softmax函数实现芯片好坏检测，卷积神经网络输出层的神经元数量设置为2代表好和坏两种结果，通过softmax函数计算每个神经元的输出概率判断样本的质量，其中识别为好样本输出为[10]、识别为坏样本输出为[01]。


2.根据权利要求1所述的一种基于CNN的高密度微led芯片视觉检测方法，其特征在于：步骤一中，设定的全局阈值T，将微led硅片转化为黑白图像，所有比阈值亮或者等于阈值的像素点转化为白色，而所有比阈值暗的像素点转换为黑色，满足I(x1,y1)≥T>I(x2,y2)，其中，I(x1,y1)属于微led芯片样本区域的像素点像素，I(x2,y2)属于微led芯片样本区域外的像素点像素。


3.根据权利...

【专利技术属性】
技术研发人员：蔡觉平，阮文长，温凯林，褚洁，张呈凯，王武壮，
申请(专利权)人：苏州鸿鹄骐骥电子科技有限公司，
类型：发明
国别省市：江苏;32