一种基于无监督学习的MicroLED缺陷检测方法技术

本发明专利技术公开了一种基于无监督学习的MicroLED缺陷检测方法，涉及缺陷检测领域，该方法利用完成图像预处理的正常样本图像和异常样本图像对残差卷积自编码器模型进行模型预训练，所述残差卷积自编码器模型包括基于残差卷积模块构成的编码器和基于残差转置卷积模块构成的译码器，将预训练的残差卷积自编码器模型的编码器的输出映射到潜在空间并拟合到超球面，利用目标函数对潜在空间进行优化，训练得到缺陷检测模型，可以得到鲁棒性更强的缺陷检测模型，以实现对MicroLED芯片的自动化缺陷检测，该方法不需要标记数据，对类不平衡问题具有鲁棒性。问题具有鲁棒性。问题具有鲁棒性。

【技术实现步骤摘要】
一种基于无监督学习的MicroLED缺陷检测方法


[0001]本专利技术涉及缺陷检测领域，尤其是一种基于无监督学习的MicroLED缺陷检测方法。

技术介绍

[0002]发光二极管(LED)广泛应用于显示器、车辆和医疗设备等各个领域。由于LED具有高效率、低功耗、长寿命和环保特性，因此对LED的需求正在增加。然而，制造缺陷破坏了这些优势，并给制造商带来了巨大的损失，如时间和成本，因此为了弥补这一缺陷，需要对LED进行更准确和更快的检查。
[0003]目前LED芯片常见的缺陷检测方法主要包括自动光学检测(AOI)、光致发光(PL)检测和电致发光(EL)检测。其中，AOI是一种非接触式目视检查，可检测晶圆或芯片上的表面缺陷并防止接触式检查造成的损坏。由于AOI比PL和EL检查速度快，因此AOI的准确度会影响后续检查(例如PL和EL检查)所花费的时间。
[0004]现阶段神经网络在计算机视觉中表现出很高的性能，因此为了更准确的检查，已经提出了基于深度神经网络(DNN)监督学习的视觉检查方法。然而，基于监督学习的方法有一些缺点：缺点之一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督学习的MicroLED缺陷检测方法，其特征在于，所述方法包括：获取样本数据集，所述样本数据集中包括正常MicroLED样本芯片的正常样本图像和存在缺陷的异常MicroLED样本芯片的异常样本图像；对样本数据集中的样本图像进行图像预处理；利用完成图像预处理的样本图像对残差卷积自编码器模型进行模型预训练，所述残差卷积自编码器模型包括基于残差卷积模块构成的编码器和基于残差转置卷积模块构成的译码器；将预训练的残差卷积自编码器模型的编码器的输出映射到潜在空间并拟合到超球面，所述超球面用于对正常样本图像和异常样本图像进行分类，利用目标函数对潜在空间进行优化，训练得到缺陷检测模型；获取待检测MicroLED样本芯片的待检测图像并输入所述缺陷检测模型，完成对所述待检测MicroLED样本芯片的缺陷检测。2.根据权利要求1所述的方法，其特征在于，所述目标函数用于最小化超球面的体积、最小化不同标签对应的潜在空间向量的相似度，以及最大化相同标签对应的潜在空间向量的相似度，标签包括正常样本图像对应的正常标签和异常样本图像对应的异常标签。3.根据权利要求2所述的方法，其特征在于，所述目标函数为：其中，N表示预训练的残差卷积自编码器模型的编码器输出的帧数，I是预训练的残差卷积自编码器模型的编码器输出的每一帧，φ是编码器，W是编码器的权重参数，c是潜在空间中超球面的中心；z
i
是第i帧输出映射到潜在空间得到的潜在空间向量，z
j
是第j帧输出映射到潜在空间得到的潜在空间向量，Sim(z
i
,z
j
)是潜在空间向量z
i
和z
j
之间的相似度，α为边缘常数，y
i
表示第i帧输出的标签，y
j
表示第j帧输出的标签。4.根据权利要求1所述的方法，其特征在于，所述残差卷积模块包括残差单元、卷积单元和最大池化单元，激活函数采用ReLU激活函数，所述卷积单元和所述残差单元分别对输入的图像进行处理后进行线性叠加并经过所述最大池化单元输出，所述残差单元保持输入的图像的通道数和取值不变。...

【专利技术属性】
技术研发人员：周佳，潘彤，郭震撼，曹晖，袁廷翼，王杨杨，夏天，鲍涛，
申请(专利权)人：利晶微电子技术江苏有限公司，
类型：发明
国别省市：