【技术实现步骤摘要】
一种基于深度学习的芯片表面字符识别方法
本专利技术属于自动控制和计算机视觉领域，具体涉及一种基于深度学习与计算机视觉的芯片表面字符识别方法。
技术介绍
芯片是智能电子设备中硬件的重要组成部分，是电子信息领域最重要的专利技术之一。芯片的专利技术奠定了微型计算机和智能移动设备发展的基础。芯片在电子设备生产过程中会被安装在主板上，其表面往往印刷了一串或多串字符，这些字符通常由字母、数字和一些特殊符号组成，包含了芯片的生产商、型号、流水号等信息。通过这些信息可以实现芯片在电子设备生产过程中的管理和追踪，甚至还可以用于芯片的安装质量管控。生产环境中的芯片图像使用工业相机采集，受生产环境特点的影响，工业相机采集的芯片图像往往光照不均衡且噪声较高，加上不同类型芯片的外观和尺度差异非常大，导致采集的部分芯片图像的分辨率过低。此外，图像中芯片的周围还有焊锡、引脚等与字符颜色近似的干扰信息，也对芯片表面字符的识别带来负面影响。在现行的技术中，除了预测字符内容这一步骤运用深度学习方法外，与芯片表面字符识别相关的前处理和后处理流程更多的是使...
【技术保护点】
1.一种基于深度学习的芯片表面字符识别方法，其特征在于，包括以下步骤：/n步骤1，将所有芯片图像进行低照度增强，随机选取部分增强图像进行区域标注，将每张图像划分为背景、芯片区域、焊盘区域(背景区域)及其它区域，并使用DeepLab V3网络进行训练；/n步骤2，将步骤1得到的增强图像输入到训练完成的DeepLab V3网络中，得到每张芯片对应的区域分割图；/n步骤3，去除非字符反光元素：利用步骤2得到的分割图，对分割图中的芯片区域做取外边界矩形处理，并对边界矩形区域内的像素进行调整；若像素为芯片类或背景类则予以保留，否则将像素赋值为0；最后取边界矩形的左上角坐标及宽高，在步...
【技术特征摘要】 【专利技术属性】
1.一种基于深度学习的芯片表面字符识别方法，其特征在于，包括以下步骤：
步骤1，将所有芯片图像进行低照度增强，随机选取部分增强图像进行区域标注，将每张图像划分为背景、芯片区域、焊盘区域(背景区域)及其它区域，并使用DeepLabV3网络进行训练；
步骤2，将步骤1得到的增强图像输入到训练完成的DeepLabV3网络中，得到每张芯片对应的区域分割图；
步骤3，去除非字符反光元素：利用步骤2得到的分割图，对分割图中的芯片区域做取外边界矩形处理，并对边界矩形区域内的像素进行调整；若像素为芯片类或背景类则予以保留，否则将像素赋值为0；最后取边界矩形的左上角坐标及宽高，在步骤1得到的增强图像上截取相同位置和大小的形状作为新的图像输出；
步骤4，识别字符方向：将步骤3得到的输出图像随机筛选一部分，按其字符的逆时针旋转方向标注为0度、90度、180度、270度；标注后对所有图像进行亮度、对比度、清晰度度和另外三个方向的增广，然后将这些图像在卷积神经网络中进行训练；
步骤5，将步骤3得到的输出图像输入到步骤4训练完成的模型中，经过预测得到图像字符的旋转角度值；将步骤3得到的输出图像按照角度值对芯片图像反向旋转，得到字符方向修正为0度的芯片图像；
步骤6，将步骤5得到的修正图像进行标注，标注内容包括图像上每个文本行区域的左上角坐标、文本行的宽高及文本行包含的字符个数，最后将这些标注后的图像与它们的标签在CRAFT神经网络中进行训练；
步骤7，将步骤5得到的正向字符图像输入到步骤6训练完成的网络当中，得到网络输出的两个概率分布图像，分别代表输入图像中每个像素为字符中心的概率和每个像素为两个字符连接中心的概率；
步骤8，提取单字符图像：利用步骤7得到的字符概率分布图及字符连接区域概率分布图，在步骤5得到的修正图像上截取出所有的单字符图像；
步骤9，对步骤8得到的单字符图像进行标注，标注后对所有图像进行亮度、对比度、清晰度、x轴方向偏移和y轴方向偏移的增广，然后将标注后的图像在卷积神经网络中进行训练；
步骤10，字符序列识别：将步骤8得到的单字符图像输入步骤9训练完成的模型中，输出与每张芯片图像相对应的芯片字符序列；
步骤11，对于步骤10得到每个芯片的字符序列，对其中存在的相似字符如o和0，1和I，2和Z，5和S进行容错修正，如果序列中包含了上述字符，使用最邻近修正算法，判定与当前字符相邻字符为字母占多数或是数字占多数，若判定结果与当前字符的类别不一致，则对该字符进行修正，修正后输出最终的字符序列。
2.根据权利要求1所述的方法，其特征在于步骤8包括：
技术研发人员：陈中舒，张昌华，左琳，郭峰，刘宇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51
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。