一种应用于DFB激光器芯片的深度学习MOCR方法技术

本发明专利技术公开了一种应用于DFB激光器芯片的深度学习MOCR方法，属于图像处理领域。包括：步骤1：在线采集DFB芯片的图像；步骤2：对图像进行预处理；步骤3：通过字符区域检测网络对芯片上的字符方向进行校正；步骤4：通过字符识别网络对芯片上的字符内容进行识别；步骤5：判断识别的字符内容是否正确，若正确，则存储至关联数据库；若不正确，则剔除该芯片或者进行人工复检。本发明专利技术可以在不改变原有生产工艺流程的情况下高效准确的识别DFB激光器芯片上的字符信息。相比于传统识别方法，大大提高了识别准确率，其识别准确率可达98.8%。其识别准确率可达98.8%。其识别准确率可达98.8%。

【技术实现步骤摘要】
一种应用于DFB激光器芯片的深度学习MOCR方法


[0001]本专利技术涉及光电半导体微观视觉检测领域，尤其涉及一种应用于DFB激光器芯片的深度学习MOCR方法。

技术介绍

[0002]分布反馈式激光二极管（DFB）由于其高边模抑制比和超窄谱宽被广泛应用于光纤通信系统中。随着通信容量和通信带宽的不断发展，激光器芯片也变得越来小，以便于进行集成和封装成光通信器件；随着5G通信，FTTR及数据中心的高速发展，对通信速率也变得越来越高。DFB激光器作为光纤通信系统中最为关键的核心芯片，其性能和质量的可靠稳定性将变得越来越重要。
[0003]智能制造和人工智能的不断发展为制造的信息化，智能化和可追溯性赋予了强大的能力。DFB激光器芯片由于其在技术和价格方面的重要性，需要在整个光器件的生产制造过程中做到能够质量追溯和过程控制。DFB激光器芯片的各项关键参数如光功率，消光比，斜效率，中心波长，交叉点以及边模抑制比等关键信息需要和每个芯片一一关联和对应起来。而DFB激光器芯片上的字符信息作为芯片本身的唯一身份标识，对其的准确无误高效识别将变得尤为重要。
[0004]然而DFB激光器芯片上的字符与传统的字符有较大的不同和区别，主要表现为在芯片上的字符特别小，约小于100um（字符区域占芯片面积约10%），这就需要显微成像技术来对目标进行清晰成像；其次是字符之间没有上下文语义，这导致无法采用语义识别方法；再次是由于芯片微小，其字符不是很标准的字体，这给识别也带来了一定难度。再加上工业环境和芯片由于脏污，缺陷和尘埃等造成的干扰，加大了识别难度。这些所有的问题和特点就导致了DFB激光器芯片字符识别的独特性和难度。
[0005]采用传统的字符识别方法大概识别准确率只有60%左右，这导致在每一个是识别工位上需要有专门的工程师人员实时人为辅助判断无法识别的字符。这在光通信器件的实时制造产线上是无法满足要求的。严重导致了人力和效率的浪费，且由于人容易疲劳和情绪等问题也出小质量控制上的漏洞和风险。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提供一种应用于光器件封装过程中DFB激光器芯片上的微观字符的深度学习自动字符区域定位及字符识别方法，该方法可以在不改变原有生产工艺流程的情况下高效准确的识别DFB激光器芯片上的字符信息。相比于传统识别方法，大大提高了识别准确率，其识别准确率可达98.8%。
[0007]本专利技术的目的是通过以下技术方案来实现的：一种应用于DFB激光器芯片的深度学习MOCR方法，包括以下步骤：步骤1：在线采集DFB激光器芯片的图像；步骤2：对图像进行预处理；
步骤3：通过字符区域检测网络对芯片上的字符方向进行校正；步骤3.1：对输入图像依次进行四次下采样，将第四次下采样的结果与第三次下采样的结果求和得到特征一，将特征一与第二次下采样的结果求和得到特征二，将特征二与第一次下采样的结果求和得到特征三；步骤3.2：将第四次下采样的结果、特征一、特征二、特征三进行特征融合得到融合特征；步骤3.3：将融合特征进行卷积与反卷积，得到概率图和阈值图；步骤3.4：将概率图和阈值图进行可微分二值化，得到近似二值化图像；步骤3.5：根据近似二值化图像中连通域输出识别框，并根据识别框长款比例将识别框转换为水平；步骤3.6：通过文本方向分类器来确定文本是否反转；若文本方向是反的，则将文本旋转180度后，再输入字符识别网络进行识别；若不是，则直接输入字符识别网络进行识别；步骤4：通过字符识别网络对芯片上的字符内容进行识别；步骤5：判断识别的字符内容是否正确，若正确，则存储至关联数据库；若不正确，则剔除该芯片或者进行人工复检。
[0008]进一步的，所述字符区域检测网络训练时所用的数据集是通过对原始图像进行手动标注并进行数据增强后形成的。
[0009]进一步的，所述字符识别网络为基于字符识别的全卷积神经网络CRNN，用来识别字符框中包含的字符。
[0010]进一步的，所述字符识别网络训练时所用的数据集是通过对原始图像进行手动标注并进行数据增强后形成的。
[0011]进一步的，所述步骤1中在线采集DFB激光器芯片的图像所采用的设备包括光源、COMS相机和远心镜头，采用基于红外测距的自动对焦技术对DFB激光器芯片的表面字符图像进行采集。
[0012]本专利技术的有益效果：本专利技术的目的在于提供一种应用于光器件封装过程中DFB激光器芯片上的微观字符的深度学习自动字符区域定位及字符识别方法，可以在不改变原有生产工艺流程的情况下高效准确的识别DFB激光器芯片上的字符信息。相比于传统识别方法，大大提高了识别准确率，其识别准确率可达98.8%。
附图说明
[0013]图1是图像字符区域定位及识别流程图。
[0014]图2是字符区域检测网络架构图。
[0015]图3是字符识别网络架构图。
具体实施方式
[0016]应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0017]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，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例。基于
3
×
3 卷积算子组成。
[0024]如果方向是反的，则需要将文本旋转180度才能再次识别。此外，最终的字符识别方法使用全卷积神经网络基于字符的识别模型来处理检测到的字符框并识别其中包含的字符。识别网络如图3所示。
[0025]在本实施例中，在线采集DFB激光器芯片的图像所采用的设备包括光源、COMS相机和远心镜头，采用基于红外测距的自动对焦技术对DFB激光器芯片的表面字符图像进行采集。COMS相机采用的是大恒公司生产的面阵COMS图像传感器（MER
‑
502
‑
79U3C）（分辨率：2448*2048，帧率：79fps，图像尺寸：3.45um；光接口：C接口，数据接口：USB 3.0);采用灿锐远心镜头（XF
‑
T6X65D）（放大倍数：6.0X，物场：Φ1.3mm，景深：0.06，远心度：<0.02
°
）。
[0026]DFB激光器芯片表面字符大小为70um*80um。这类字符被表示为最大尺寸小于100微米的微字符，因为肉眼几乎无法识别。同时，我们采用了基于红外测距的自动对焦技术，保证了生产线的实时性和高效率，最大限度地减少了环境和批次错误造成的散焦图像模糊的影响。
[0027]在本实施例中，由于原始图像是2448*2048像素的图像，其中字符区域只占一小部分，因此，采用了两阶段的深度学习网络模型的训练方法（检测和识别）；然后，对原始图像进行标记，得到检测识别网络所需的图像和相应的标签。
[0028]首先用矩形框标记原图像中的字符区域，记录从左上角顺时针方向的四个坐标点。 之后，得到矩形框在原始图像中的坐标位置，即检测网络所需的标签。 然后裁剪原始图像的矩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于DFB激光器芯片的深度学习MOCR方法，其特征在于，包括以下步骤：步骤1：在线采集DFB激光器芯片的图像；步骤2：对图像进行预处理；步骤3：通过字符区域检测网络对芯片上的字符方向进行校正；步骤3.1：对输入图像依次进行四次下采样，将第四次下采样的结果与第三次下采样的结果求和得到特征一，将特征一与第二次下采样的结果求和得到特征二，将特征二与第一次下采样的结果求和得到特征三；步骤3.2：将第四次下采样的结果、特征一、特征二、特征三进行特征融合得到融合特征；步骤3.3：将融合特征进行卷积与反卷积，得到概率图和阈值图；步骤3.4：将概率图和阈值图进行可微分二值化，得到近似二值化图像；步骤3.5：根据近似二值化图像中连通域输出识别框，并根据识别框长款比例将识别框转换为水平；步骤3.6：通过文本方向分类器来确定文本是否反转；若文本方向是反的，则将文本旋转180度后，再输入字符识别网络进行识别；若不是，则直接输入字符识别网络进行识别；步骤4：通过字符识别网络对...

【专利技术属性】
技术研发人员：王旭东，李晔彬，王昭睿，刘蔚，杜晓辉，张静，刘娟秀，刘霖，叶玉堂，刘永，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：