基于偏振光成像的表面缺陷检测方法、设备及存储介质技术

本发明专利技术公开了基于偏振光成像的表面缺陷检测方法、设备及存储介质，方法包括：对通过偏振光成像获得的样本图像的脏污缺陷和损伤缺陷进行标注；通过标注后的样本图像对预设的待训练模型进行训练，得到缺陷预测模型；获取待测样品的偏振光图像；将偏振光图像输入到缺陷预测模型，得到脏污预测结果和损伤预测结果。本发明专利技术通过对偏振光成像获得的样本图像的脏污缺陷和损伤缺陷进行标注得到对应的标签用于监督待训练模型训练，得到的缺陷预测模型能够对偏振光图像进行脏污和损伤预测，得到的预测结果能够区分脏污缺陷和损伤缺陷，检测精度高，检测效率高。检测效率高。检测效率高。

【技术实现步骤摘要】
基于偏振光成像的表面缺陷检测方法、设备及存储介质


[0001]本专利技术涉及传感器光学领域，特别涉及一种基于偏振光成像的表面缺陷检测方法、设备及存储介质。

技术介绍

[0002]半导体晶圆、工业加工件等工业产品在生产完毕之后，往往需要对其表面进行缺陷检测以确保其出产质量。
[0003]在对产品的表面进行缺陷监测时，通常采用相机、光学显微镜等光成像设备获取产品的表面图像信息，然后对图像信息进行缺陷分析处理，得到缺陷检测结果，对于残胶、灰尘等非结构性的脏污缺陷可以通过清洗或其他方式进行清除，相关技术中，缺陷检测结果只能够分辨出是否存在表面缺陷，由于表面缺陷检测的精度不足，导致检测存在表面缺陷的产品需要通过人工的方式进行复检处理，检测效率低。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提供了一种基于偏振光成像的表面缺陷检测方法、设备及存储介质，能够检测得到脏污缺陷和损伤缺陷，检测精度高，检测效率高。
[0005]本专利技术第一方面实施例提供一种基于偏振光成像的表面缺陷检测方法，包括：
[0006]对通过偏振光成像获得的样本图像的脏污缺陷和损伤缺陷进行标注；
[0007]通过标注后的样本图像输入对预设的待训练模型进行训练，得到缺陷预测模型；
[0008]获取待测样品的偏振光图像；
[0009]将偏振光图像输入到缺陷预测模型，得到脏污预测结果和损伤预测结果。
[0010]根据本专利技术的上述实施例，至少具有如下有益效果：通过对偏振光成像获得的样本图像的脏污缺陷和损伤缺陷进行标注得到对应的标签用于监督待训练模型进行训练学习，得到的缺陷预测模型能够对待测样本的偏振光图像进行脏污和损伤预测，得到的预测结果能够区分脏污缺陷和损伤缺陷，检测精度高，可有效节省人工复检的步骤，检测效率高，使用通过深度学习得到的缺陷预测模型进行多种缺陷预测，能够提高缺陷预测的可靠性。
[0011]根据本专利技术第一方面的一些实施例，对通过偏振光成像获得的样本图像的脏污缺陷和损伤缺陷进行标注，包括：
[0012]将样本图像分切为多个标准图像单元；
[0013]对每一标准图像单元的脏污缺陷和损伤缺陷进行标注。
[0014]根据本专利技术第一方面的一些实施例，在通过标注后的样本图像对预设的待训练模型进行训练，得到缺陷预测模型之后，还包括：
[0015]通过预设的图像测试集对缺陷预测模型进行测试，得到测试结果；
[0016]当训练结果满足预设结果，得到通过测试的缺陷预测模型。
[0017]根据本专利技术第一方面的一些实施例，待训练模型以YOLOv5模型为框架构建得到；
[0018]在对通过偏振光成像获得的样本图像的脏污缺陷和损伤缺陷进行标注之后，还包括：
[0019]将标注得到的脏污标签和损伤标签转换为文本格式。
[0020]根据本专利技术第一方面的一些实施例，通过标注后的样本图像对预设的待训练模型进行训练，得到缺陷预测模型，包括：
[0021]将样本图像输入到预设的待训练模型进行训练，得到训练预测结果；
[0022]根据训练预测结果、标注后的样本图像调整待训练模型的特征权重；
[0023]使用多组样本图像对待训练模型进行迭代训练，直至损失函数收敛，得到的待训练模型为缺陷预测模型。
[0024]根据本专利技术第一方面的一些实施例，待训练模型的骨干网络包括切片模块、卷积模块、SENet模块和SPPF模块；
[0025]将样本图像输入到预设的待训练模型进行训练，得到训练预测结果，包括：
[0026]将样本图像输入到预设的待训练模型；
[0027]通过切片模块对样本图像进行切片操作，得到多个样本单元；
[0028]通过卷积模块和SENet模块交替对样本单元进行卷积和特征提取，得到中间特征图；
[0029]通过卷积模块、SPPF模块和SENet模块依次对中间特征图进行卷积、串行和特征提取，得到特征图像；
[0030]通过预测模块对特征图像进行缺陷预测，得到训练预测结果。
[0031]根据本专利技术第一方面的一些实施例，特征图像包括颜色特征图和纹理特征图。
[0032]根据本专利技术第一方面的一些实施例，通过预测模块对特征图像进行缺陷预测，得到训练预测结果，包括：
[0033]通过预测模块对颜色特征图进行缺陷预测，得到脏污训练结果；
[0034]通过预测模块对纹理特征图进行缺陷预测，得到损伤训练结果。
[0035]根据本专利技术第二方面实施例提供的一种电子设备，包括：
[0036]存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现第一方面实施例任意一项的基于偏振光成像的表面缺陷检测方法。
[0037]由于第二方面实施例的电子设备可实现第一方面任意一项的基于偏振光成像的表面缺陷检测方法，因此具有本专利技术第一方面实施例的所有有益效果。
[0038]根据本专利技术第三方面实施例提供的一种计算机可读存储介质，包括存储有计算机可执行指令，计算机可执行指令用于执行第一方面实施例任意一项的基于偏振光成像的表面缺陷检测方法。
[0039]由于第三方面实施例的计算机存储介质可执行第一方面实施例任意一项的基于偏振光成像的表面缺陷检测方法，因此具有本专利技术第一方面实施例的所有有益效果。
[0040]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0041]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0042]图1是本专利技术实施例的基于偏振光成像的表面缺陷检测方法的主要步骤图；
[0043]图2是图1中步骤S100的具体步骤图；
[0044]图3是图1中步骤S100之后的步骤图；
[0045]图4是图1中步骤S200之后的步骤图；
[0046]图5是图1中步骤S200的具体步骤图；
[0047]图6是图4中步骤S210的具体步骤图；
[0048]图7是图1中步骤S400的具体步骤图；
[0049]图8是本专利技术实施例的基于偏振光成像的表面缺陷检测方法中骨干网络的结构示意图；
[0050]图9是本专利技术实施例的基于偏振光成像的表面缺陷检测方法中SENet模块的结构示意图；
[0051]图10是本专利技术实施例的基于偏振光成像的表面缺陷检测方法中脏污标签和损伤标签标注的图像；
[0052]图11是本专利技术实施例的基于偏振光成像的表面缺陷检测方法中脏污标签和损伤标签标注的另一个图像。
具体实施方式
[0053]本专利技术的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属
技术人员可以结合技术方案的具体内容合理确定上述词语在本专利技术中的具体含义。在本专利技术的描本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于偏振光成像的表面缺陷检测方法，其特征在于，包括：对通过偏振光成像获得的样本图像的脏污缺陷和损伤缺陷进行标注；通过标注后的所述样本图像对预设的待训练模型进行训练，得到缺陷预测模型；获取待测样品的偏振光图像；将所述偏振光图像输入到所述缺陷预测模型，得到脏污预测结果和损伤预测结果。2.根据权利要求1所述的基于偏振光成像的表面缺陷检测方法，其特征在于，所述对通过偏振光成像获得的样本图像的脏污缺陷和损伤缺陷进行标注，包括：将所述样本图像分切为多个标准图像单元；对每一所述标准图像单元的脏污缺陷和损伤缺陷进行标注。3.根据权利要求1所述的基于偏振光成像的表面缺陷检测方法，其特征在于，在所述通过标注后的所述样本图像对预设的待训练模型进行训练，得到缺陷预测模型之后，还包括：通过预设的图像测试集对所述缺陷预测模型进行测试，得到测试结果；当所述训练结果满足预设结果，得到通过测试的所述缺陷预测模型。4.根据权利要求1所述的基于偏振光成像的表面缺陷检测方法，其特征在于，所述待训练模型以YOLOv5模型为框架构建得到；在所述对通过偏振光成像获得的样本图像的脏污缺陷和损伤缺陷进行标注之后，还包括：将标注得到的脏污标签和损伤标签转换为文本格式。5.根据权利要求1至4任意一项所述的基于偏振光成像的表面缺陷检测方法，其特征在于，所述通过标注后的所述样本图像对预设的待训练模型进行训练，得到缺陷预测模型，包括：将所述样本图像输入到预设的所述待训练模型进行训练，得到训练预测结果；根据所述训练预测结果、标注后的所述样本图像调整所述待训练模型的特征权重；使用多组所述样本图像对所述待训练模型进行迭代训练，直至损失函数收敛...

【专利技术属性】
技术研发人员：于波，李国正，张华，
申请(专利权)人：深圳市格灵精睿视觉有限公司，
类型：发明
国别省市：