基于集成学习的MEMS传感器缺陷的检测方法、装置及设备制造方法及图纸

本发明专利技术公开了一种基于集成学习的MEMS传感器缺陷的检测方法、装置及设备，该方法包括：接收预置的MEMS传感器缺陷的检测请求；获取所述MEMS传感器的缺陷图像；对所述缺陷图像进行图像分解，得到所述缺陷图像的分解图；将所述分解图输入至预置的集成分类器中，得到所述MEMS传感器的缺陷类别。本发明专利技术基于计算机视觉缺陷检测技术领域，在对MEMS传感器缺陷进行检测的过程中，通过对MEMS传感器的缺陷图像进行分解并输入至集成分类器中进行分类识别，以完成对MEMS传感器缺陷的检测，从而有效提升缺陷分类的准确率。分类的准确率。分类的准确率。

【技术实现步骤摘要】
基于集成学习的MEMS传感器缺陷的检测方法、装置及设备


[0001]本专利技术属于计算机视觉缺陷检测
，尤其涉及一种基于集成学习的MEMS传感器缺陷的检测方法、装置及设备。

技术介绍

[0002]MEMS传感器（MEMS,Micro
‑
Electro
‑
Mechanical System，微电子机械系统）是一种采用微电子和微机械加工技术制造的新型传感器，MEMS传感器与传统的传感器相比具有体积小、重量轻、成本低、功耗低、可靠性高、适于批量化生产、易于集成和智能化等特点，同时，由于MEMS传感器具有微米量级的特征尺寸，使得MEMS传感器可以实现传统机械传感器所不能实现的功能。
[0003]由于MEMS传感器在生产过程中需要经历较多复杂的工序，导致在制造、封装及测试过程中会产生一些缺陷，如封装前芯片破损、灌胶工艺产生气泡、焊接金丝工艺金丝线断裂等。现有技术中，大多数企业在MEMS传感器生产线上进行缺陷检测时，仍使用人工目视的检测方法，耗时费力，导致检测成本高且准确率低。

技术实现思路

[0004]本专利技术实施例提供了一种基于集成学习的MEMS传感器缺陷的检测方法、装置及设备，旨在解决现有技术中在对MEMS传感器进行缺陷检测时检测成本较高，准确率低的问题。
[0005]第一方面，本专利技术实施例提供了一种基于集成学习的MEMS传感器缺陷的检测方法，其包括：接收预置的MEMS传感器缺陷的检测请求；获取所述MEMS传感器的缺陷图像；对所述缺陷图像进行图像分解，得到所述缺陷图像的分解图；将所述分解图输入至预置的集成分类器中，得到所述MEMS传感器的缺陷类别。
[0006]第二方面，本专利技术实施例提供了一种基于集成学习的MEMS传感器缺陷的检测装置，其包括：接收单元，用于接收预置的MEMS传感器缺陷的检测请求；获取单元，用于获取所述MEMS传感器的缺陷图像；第一分解单元，用于对所述缺陷图像进行图像分解，得到所述缺陷图像的分解图；第一分类单元，用于将所述分解图输入至预置的集成分类器中，得到所述MEMS传感器的缺陷类别。
[0007]第三方面，本专利技术实施例又提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面所述的基于集成学习的MEMS传感器缺陷的检测方法。
[0008]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述
第一方面所述的基于集成学习的MEMS传感器缺陷的检测方法。
[0009]本专利技术实施例提供了一种基于集成学习的MEMS传感器缺陷的检测方法、装置及设备，该方法包括：接收预置的MEMS传感器缺陷的检测请求；获取所述MEMS传感器的缺陷图像；对所述缺陷图像进行图像分解，得到所述缺陷图像的分解图；将所述分解图输入至预置的集成分类器中，得到所述MEMS传感器的缺陷类别。本专利技术基于计算机视觉缺陷检测
，在对MEMS传感器缺陷进行检测的过程中，通过对MEMS传感器的缺陷图像进行分解并输入至集成分类器中进行分类识别，以完成对MEMS传感器缺陷的检测，从而有效提升缺陷分类的准确率，降低了检测成本。
附图说明
[0010]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0011]图1为本专利技术实施例提供的基于集成学习的MEMS传感器缺陷的检测方法的流程示意图。
[0012]图2为本专利技术实施例提供的基于集成学习的MEMS传感器缺陷的检测方法的另一流程示意图。
[0013]图3为本专利技术实施例提供的基于集成学习的MEMS传感器缺陷的检测方法的子流程示意图。
[0014]图4为本专利技术实施例提供的基于集成学习的MEMS传感器缺陷的检测方法的另一子流程示意图。
[0015]图5为本专利技术实施例提供的基于集成学习的MEMS传感器缺陷的检测方法的另一子流程示意图。
[0016]图6为本专利技术实施例提供的基于集成学习的MEMS传感器缺陷的检测方法的另一流程示意图。
[0017]图7为本专利技术实施例提供的基于集成学习的MEMS传感器缺陷的检测装置的子单元示意性框图。
[0018]图8为本专利技术实施例提供的计算机设备的示意性框图。
具体实施方式
[0019]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0020]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0021]还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上
下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0022]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0023]请参阅图1，图1为本专利技术实施例提供的基于集成学习的MEMS传感器缺陷的检测方法的流程示意图。本专利技术实施例的所述的基于集成学习的MEMS传感器缺陷的检测方法应用于终端设备中，该方法通过安装于终端设备中的应用软件进行执行。其中，终端设备为具备接入互联网功能的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等设备。
[0024]下面对所述的基于集成学习的MEMS传感器缺陷的检测方法进行详细说明。如图1所示，该方法包括以下步骤S110~S140。
[0025]S110、接收预置的MEMS传感器缺陷的检测请求。
[0026]具体的，所述检测请求为用户在终端设备中输入请求对所述MEMS传感器的缺陷进行检测的指令信息，终端设备在接收到用户输入的所述检测请求后，便可执行对所述MEMS传感器的缺陷检测。
[0027]S120、获取所述MEMS传感器的缺陷图像。
[0028]具体的，所述缺陷图像为所述MEMS传感器在进行缺陷检测前采用工业相机拍摄得到的图像，终端设备在获取到所述缺陷图像后，对所述缺陷图像进行预处理以便于所述集成分类器对所述MEMS传感器进行缺陷分类时的计算量。其中，预处理的具体过程为：对所述缺陷图像进行裁剪本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的MEMS传感器缺陷的检测方法，其特征在于，包括以下步骤：接收预置的MEMS传感器缺陷的检测请求；获取所述MEMS传感器的缺陷图像；采用小波变换对所述缺陷图像进行图像分解，得到所述缺陷图像的分解图；将所述分解图输入至预置的集成分类器中，得到所述MEMS传感器的缺陷类别。2.根据权利要求1所述的基于集成学习的MEMS传感器缺陷的检测方法，其特征在于，接收预置的MEMS传感器缺陷的检测请求之前，还包括：采集用于训练所述集成分类器的第一样本集并根据所述第一样本集对所述集成分类器进行训练，得到训练后的集成分类器。3.根据权利要求2所述的基于集成学习的MEMS传感器缺陷的检测方法，其特征在于，采集用于训练所述集成分类器的第一样本集，包括：采集用于训练所述集成分类器的缺陷图像集；对所述缺陷图像集中每张缺陷图像进行图像分解，得到每张所述缺陷图像的分解图；将每张所述缺陷图像的分解图输入至预置的生成式对抗网络中，得到所述第一样本集。4.根据权利要求3所述的基于集成学习的MEMS传感器缺陷的检测方法，其特征在于，采集用于训练所述集成分类器的缺陷图像集之前，还包括：采集用于训练所述生成式对抗网络的第二样本集；将所述第二样本集中每个样本输入至所述生成式对抗网络的生成器中，得到每个所述样本的模拟样本；将所述模拟样本输入至所述生成式对抗网络中的判别器中进行判别，得到所述模拟样本的判别结果；根据所述判别结果更新所述生成式对抗网络的网络参数。5.根据权利要求2所述的基于集成学习的MEMS传感器...

【专利技术属性】
技术研发人员：王小平，曹万，熊波，梁世豪，洪鹏，
申请(专利权)人：武汉飞恩微电子有限公司，
类型：发明
国别省市：