【技术实现步骤摘要】
基于多尺度融合的高分辨率芯片图像的分类方法和装置
[0001]本申请涉及图像检测
，尤其涉及一种基于多尺度融合的高分辨率芯片图像的分类方法和装置。
技术介绍
[0002]随着电子芯片在各个行业应用的愈加频繁，人们对芯片质量的重视程度也逐渐提高，因此对生产出的芯片需要进行各种类型的测试。
[0003]相关技术中，在检测芯片是否含有表面上的缺陷时，通过是采用基于深度学习的图像分类方法，对获取的芯片表面的图像进行分类，根据图像分类任务的结果判断芯片表面是否具有缺陷。其中，由于深度学习具有强大的特征提取能力，关于芯片的图像分类任务从传统方法不断发展到基于深度学习的方法。举例而言，2012年Alex Krizhevsky等人提出的AlexNet相比于LeNet加深了网络深度，采用ReLU激活函数解决sigmoid函数在网络层数较深时的梯度消失问题，使用了dropout方法防止模型过拟合，并且用了多种数据增强方式提高了模型的泛化能力；2014年Christian Szegedy等人提出的GoogLeNet采用了Incept...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度融合的高分辨率芯片图像的分类方法，其特征在于，包括以下步骤：将待分类的高分辨率芯片图像按不同的比例进行多次划分，获得多组不同尺寸的图像，其中，任一组图像中的每个图像的尺寸相同；对每组图像分别训练一个分类模型，通过所述分类模型输出对应的图像组中每张图像为正例的预测得分；根据不同的预测阈值对应的正例和负例的可信度，确定每个所述分类模型的正例可信度阈值和负例可信度阈值，并根据每组图像中的每张图像的所述预测得分，以及所述每组图像对应的分类模型的正例可信度阈值和负例可信度阈值，确定所述每组图像对应的预测结果；将所述多组图像中的任意两组依次进行组合，融合每两组图像对应的预测结果，并根据每个融合预测结果的正确率确定两组目标图像，以所述两组目标图像对应的融合预测结果为所述待分类的高分辨率芯片图像的最终分类结果。2.根据权利要求1所述的分类方法，其特征在于，所述将待分类的高分辨率芯片图像按不同的比例进行多次划分，包括：按照边长为所述待分类的高分辨率芯片图像的边长的预设比例，将所述待分类的高分辨率芯片图像分割为多组不同尺寸的图像；在每组图像中取相邻的两张图像的一半组成重叠图像，以使每个缺陷至少被一个划分后的图像覆盖。3.根据权利要求1所述的分类方法，其特征在于，所述根据每组图像中的每张图像的所述预测得分，以及所述每组图像对应的分类模型的正例可信度阈值和负例可信度阈值，确定所述每组图像对应的预测结果,包括:将每组图像中的每张图像的预测得分与对应的分类模型的正例可信度阈值和负例可信度阈值进行比较；如果预测得分大于所述正例可信度阈值，则确定当前组图像对应的预测结果为存在缺陷；如果预测得分小于所述负例可信度阈值，则忽略当前图像；如果预测得分小于等于所述正例可信度阈值并大于等于所述负例可信度阈值，则确定当前图像为未知图像；遍历当前组图像中每张图像后，若不存在预测得分大于所述正例可信度阈值的图像，则计算每个所述未知图像的预测得分的第一平均值，并将所述第一平均值与预设的分类阈值进行比较确定所述待分类的高分辨率芯片图像的预测结果。4.根据权利要求3所述的分类方法，其特征在于，所述融合每两组图像对应的预测结果,包括:根据每两组图像中分辨率较小的图像组的对应的预测结果更新分辨率较大的图像组中每个未知图像的预测得分；计算所述每个未知图像的更新后的预测得分的第二平均值，并将所述第二平均值与所述预设的分类阈值进行比较确定当前两组图像的融合预测结果。5.根据权利要求4所述的分类方法，其特征在于，所述根据两组图像中分辨率较小的图像组的对应的预测结果更新分辨率较大的图像组中每个未知图像的预测得分,包括:
在分辨率较小的图像组中，获取与分辨率较大的图像组中任一未知图像对应的多个第一图像；将每个所述第一图像的预测得分与对应的正例可信度阈值...
【专利技术属性】
技术研发人员：杨会越，陈辉，陈仕江，
申请(专利权)人：杭州涿溪脑与智能研究所，
类型：发明
国别省市：
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。