一种基于TensorRT加速推理的芯片缺陷检测方法及系统技术方案

本发明专利技术属于芯片缺陷检测技术领域，具体涉及一种基于TensorRT加速推理的芯片缺陷检测方法及系统；该方法包括：获取芯片图像数据集并对其进行预处理；使用芯片图像数据集对改进YOLOv5模型进行训练，得到多个目标检测模型；将所有目标检测模型转换成TensorRT模型并将TensorRT模型拼接；采用拼接后的TensorRT模型对待检测芯片图像进行处理，得到推理结果；对推理结果进行降维和去冗余处理，得到待检测芯片的缺陷检测结果；本发明专利技术根本上解决现有设备质检速度与精度上的不足，检测效率更高、速度更快，节约了人力成本，实用性高。实用性高。实用性高。

【技术实现步骤摘要】
一种基于TensorRT加速推理的芯片缺陷检测方法及系统


[0001]本专利技术属于芯片缺陷检测
，具体涉及一种基于TensorRT加速推理的芯片缺陷检测方法及系统。

技术介绍

[0002]近年来，随着我国经济增长以及人工智能化时代的到来，各行各业都加入数字化转型的队伍，电子设备已逐渐成为人们工作生活中不可缺少的部分，由于芯片属于各电子设备正常运行的核心，芯片的需求量也在不断攀升，一旦芯片出现质量问题，将带来巨大损失，所以供应厂商对芯片质检的把控不容忽视。目标检测技术是近年来计算机视觉领域的研究热点，随着深度学习技术的快速发展，目标检测取得了巨大进展，该项技术借助卷积神经网络，利用已经标注好的数据集对网络参数进行训练，自动提取目标中的潜在特征，最终完成目标的分类与定位。
[0003]由于近年来产业智能化转型，目标检测技术将广泛应用于产线质检，从最初耗时耗力的人工质检，到如今使用AOI设备代替人工，提高了机械化水平。但是AOI设备的检测算法标准过于单一，效率低下，准确率也存在一定问题，并且不同批次有不同的合格标准，泛化性极差，并未最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TensorRT加速推理的芯片缺陷检测方法，其特征在于，包括：S1：获取芯片图像数据集并对其进行预处理，得到处理好的芯片图像数据集；S2：使用芯片图像数据集对改进YOLOv5模型进行训练，得到多个目标检测模型；S3：将所有目标检测模型转换成TensorRT模型并将TensorRT模型拼接；S4：获取待检测芯片图像，采用拼接后的TensorRT模型对待检测芯片图像进行处理，得到推理结果；S5：对推理结果进行降维处理；采用改进NMS算法对降维处理后的推理结果进行去冗余处理，得到待检测芯片的缺陷检测结果。2.根据权利要求1所述的一种基于TensorRT加速推理的芯片缺陷检测方法，其特征在于，对改进YOLOv5模型进行训练的过程包括：改进YOLOv5模型包括backbone网络、neck网络和head网络；backbone网络中采用形变卷积提取特征，采用backbone网络对芯片图像进行处理，得到不同尺寸的特征图；neck网络融合不同尺寸的特征图，得到融合特征图；head网络对融合特征图进行处理，得到预测结果；采用总损失函数对改进YOLOv5模型的参数进行调整，得到训练好的改进YOLOv5模型。3.根据权利要求2所述的一种基于TensorRT加速推理的芯片缺陷检测方法，其特征在于，采用形变卷积提取特征的公式为：其中，y(p0)表示位置点p0在输出特征图上的位置，w(p
n
)表示位置点Pn的权重，R表示规则网格，Δp
n
表示偏移量，ω
n
表示偏移量Δp
n
的权重，x()表示点在输入特征图上的位置。4.根据权利要求2所述的一种基于TensorRT加速推理的芯片缺陷检测方法，其特征在于，总损失函数为：Loss＝w1·
loss
cls
+w2·
loss
reg
+w3·
loss
obj
其中，less
cls
表示分类损失，loss
reg
表示定位损失，loss
obj
表示置信度损失，w1、w2、w3分别对应三种损失的权重。5.根据权利要求4所述的一种基于TensorRT加速推理的芯片缺陷检测方法，其特征在于，分类损失为：于，分类损失为：其中，n表示样本的总数...

【专利技术属性】
技术研发人员：张恒，赵洪坪，杭芹，程成，何云玲，郭家新，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：