【技术实现步骤摘要】
神经网络模型的训练方法及装置、自动聚焦方法
[0001]本专利技术涉及基于机器视觉的图像处理
，尤其涉及一种神经网络模型的训练方法及装置、自动聚焦方法。
技术介绍
[0002]通常地，高精度微尺度成像设备，包括：扫描电子显微镜(SEM)、聚焦离子束(FIB)设备、以及以SEM为核心成像手段的电子束缺陷检测设备、缺陷复查设备、关键尺寸测量设备等在内的带电粒子成像设备，其相比基于光学成像的设备具有更高的分辨率，因此可以观察到更加细微的物体，例如纳米级别的物体，广泛应用于科研和半导体集成电路制造等领域。SEM成像的景深较浅，由于被检对象表面的高度变化有时会超过设备景深，采集到的图像会出现过焦或欠焦现象。现有的高精度微尺度成像设备，基于梯度、频率的算法，对采集的图像的聚焦效果进行调整，所得到的聚焦效果不稳定，且适用场景有限，普适性差。
[0003]因此，本专利技术提出了一种神经网络模型的训练方法及装置、自动聚焦方法，以训练出能够对图像的清晰度进行准确地评估的神经网络模型，进而得到准确的清晰度的评估结果，以实现高精度微尺...
【技术保护点】
【技术特征摘要】
1.一种神经网络模型的训练方法，其特征在于，包括：S1、获取训练数据集，所述训练数据集包含若干训练图像、参照图像以及与所述训练图像相对应的第一评分结果，所述第一评分结果根据所述训练图像与所述参照图像的清晰度的相似程度获得；S2、采用所述训练数据集训练神经网络模型，所述神经网络模型对所述训练图像和所述参照图像分别进行多个维度的特征提取，以分别得到各维度下所述训练图像和所述参照图像的子特征图像；S3、获取每个维度下所述训练图像与所述参照图像的子特征图像的欧式距离，根据全部所述欧式距离的和获取第二评分结果；S4、获取所述第二评分结果与所述第一评分结果的对比交叉熵损失；S5、判断所述对比交叉熵损失是否满足预设条件，若是，执行S6，否则，执行S7；S6、得到训练完成的神经网络模型；S7、对所述神经网络模型中的参数进行调整，并重复S2～S5，直至获取到的对比交叉损失熵满足所述预设条件。2.根据权利要求1所述的神经网络模型的训练方法，其特征在于，在所述S1中，所述获取训练数据集，包括：S11、获取若干清晰度不同的训练图像和已知清晰度的参照图像；S12、对若干清晰度不同的训练图像进行两两组合，以得到若干训练图像组；S13、在每个所述训练图像组内，基于所述训练图像与所述参照图像的清晰度的相似程度，对所述训练图像组中的每个训练图像分别评分，获取第一评分结果。3.根据权利要求2所述的神经网络模型的训练方法，其特征在于，在S11中，所述参照图像为完全模糊的图像；在S13中，越高的所述第一评分结果所对应的训练图像的相似程度越低。4.根据权利要求2所述的神经网络模型的训练方法，其特征在于，所述多个维度的特征提取包括：由图像的浅层特征到深层特征的提取。5.根据权利要求3所述的神经网络模型的训练方法，其特征在于，所述由图像的浅层特征到深层特征的提取，包括：依次进行五个不同维度的特征提取，包括：在第一个维度下，分别对所述训练图像和所述参照图像的角点信息进行特征提取，以分别得到所述训练图像和所述参照图像对应的n张第一子特征图像；在第二个维度下，分别对所述训练图像和所述参照图像对应的n张所述第一子特征图像的边缘信息进行特征提取，以分别得到所述训练图像和所述参照图像对应的2n张第二子特征图像；在第三个维度下，分别对所述训练图像和所述参照图像对应的2n张所述第二子特征图像的纹理信息进行特征提取，以分别得到所述训练图像和所述参照图像对应的4n张第三子特征图像；在第四个维度下，分别对所述训练图像和所述参照图像对应的4n张所述第三子特征图像的结构信息进行特征提取，以分别得到所述训练图像和所述参照图像对应的8n张第四子特征图像；
在第五个维度下，分别对所述训练图像和所述参照图像对应的8n张所述第四子特征图像的语义信息进行特征提取，以分别得到所述训练图像和所述参照图像对应的8n张第五子特征图像；其中，n为大于1的整数。6.根据权利要求5所述的神经网络模型的训练方法，其特征在于，在所述S3中，通过公式获取每个维度下所述训练图像与所述参照图像的子特征图像的欧式距离，其中，d
hwl
(x,x0)为第l个维度所对应的欧氏距离，为所述训练图像在第l个维度下所对应的子特征图像，为所述参照图像在第l个维度下所对应的子特征图像，且均w
【专利技术属性】
技术研发人员：李宜清，周全，简晓敏，
申请(专利权)人：上海精测半导体技术有限公司，
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。