一种用于晶圆读码器动态获取方法和系统技术方案

本发明专利技术涉及图像数据识别技术领域，尤其涉及一种用于晶圆读码器动态获取方法和系统，该方法的步骤包括：获取晶圆读码器图像并处理；构建信息识别网络以获取晶圆读码器的文字信息；将所述文字信息在信息识别网络上进行训练并调优，得到训练后的文字信息训练集；采用所述文字信息训练集预测出每个晶圆读码器上的文字的结果，得到整个晶圆上的文字信息识别结果图。本发明专利技术通过构建图像处理模块和文字信息检测识别模块自动分割和识别出晶圆编码器中的图片和文字，能够有效地提高工作人员的效率，减少工作人员的负荷及可能出现的延时、误差。差。差。

【技术实现步骤摘要】
一种用于晶圆读码器动态获取方法和系统


[0001]本专利技术涉及图像数据识别
，尤其涉及一种用于晶圆读码器动态获取方法和系统。

技术介绍

[0002]一种用于晶圆读码器动态获取方法和系统作为产品规范性管理的核心环节，已经在世界范围内广泛应用。通过自适应晶圆读码器精确性评估可有效规避因编码规则不够规范、字体偏小、位置有偏差等问题，判断识别精度大于等于99.95%、识别速度小于200ms以及亮度调节模式大于等于10的可行性和准确性，综合得到准确性和效率百分比，并提出相应准确性和效率值控制措施。
[0003]现有的授权公告号为CN208368480U的中国专利公开了一种晶圆读码识别存储系统，操作者可以通过读码器对晶圆编码数据进行存储，在提高晶圆编码识别效率的同时，使得操作者可以快速对晶圆编码进行识别，只要通过读码器读取数据就能够采集到相应的晶圆编码，但是此种读码器设置于位置调节装置上，其灵活性和使用范围受到一定的限制，不适合对晶圆读码进行精准识别。对需要随机变换位置和角度的场合而言，由于位置调节装置是相对固定的，可能出现造成误差后无法及时更正，这时就需要一种用于晶圆读码器动态获取方法和系统。
[0004]现有的授权公告号为CN218038004U的中国专利公开了一种半导体晶圆光学字符识别自动切换装置，操作者可以通过晶圆校准器上的传感器判断晶圆托盘上是否有晶圆，然后通过读码器自动切换装置和包括双电控气缸和节流调速阀的驱动电机，通过光学字符识别自动切换装置识别晶圆半导体信息，大幅减少了晶圆的传输时间，有效提高了生产效率。但是由于控制装置的复杂性和多样性，较人工智能控制和先进优化算法结合控制策略，该方法依然需要大量的成本支撑，不适合大批量系统化流水线精准生产。使用寿命或可控范围之外（不可逆）误差在生产过程中也是重要考量参数。这时就需要一种用于晶圆读码器动态获取方法和系统。
[0005]光学字符识别系统()非常适用于进行人工智能化识别。第一代产品只能部分指定的字体和符号，到对手写体字符进行检测和识别，到目前技术作为先进的人工智能技术广泛应用于机器学习，智能控制算法中，将卷积神经网络和循环神经网络应用于光学字符识别系统中。将切割好的字符输入卷积神经网络中，通过对局部特征之间的相对位置关系，得出所需的结果。也可以进行非切割识别方式，逐渐形成了研究的发展趋势。
[0006]按照自适应晶圆读码器准确率的位阶程度，自适应晶圆读码器算法验证方法可分为定性自适应晶圆读码器读取方法、半定量自适应晶圆读码器读取方法和定量自适应晶圆读码器读取方法。目前国际上应用较多的自适应晶圆读码器读取方法是以智能控制算法为代表的半定量自适应晶圆读码器读取方法。这种方法优点是成本合理，响应及时，识别率高，可操作性好，获取数据周期短。
[0007]现有技术中，目前在进行晶圆读码器动态获取时，评价周期短，操作性好，但不能够基于晶圆读码器的动态感知数据获取进行综合判断选取，导致选取不及时、不准确，影响读码效果。

技术实现思路

[0008]为了克服现有技术存在的缺陷与不足，本专利技术提供一种用于晶圆读码器动态获取方法和系统，本专利技术构建的文字识别网络采用检测
‑
识别结构，在检测中引入动态卷积单元和收敛单元，识别即动态循环单元。在充分提取文字局部特征信息的同时实现对文字边缘及角度有效识别，相较于没有引入动态卷积单元、收敛单元和动态循环单元的网络具有更加优秀的提取和识别效果。
[0009]为了达到上述目的，本专利技术采用以下技术方案：
[0010]本专利技术提供一种用于晶圆读码器动态获取方法，包括下述步骤：
[0011]S1、获取晶圆读码器图像并处理；
[0012]所述获取晶圆读码器图像并处理，具体步骤包括：
[0013]通过灰度化和二值化法将晶圆读码器图像转换为灰度图像和黑白图像；
[0014]对黑白图像进行自适应成像调节，得到不同光照条件下的自适应成像图片；
[0015]将自适应成像图片进行图像增强过滤，再进行映射转换，得到彩色图像；
[0016]S2、构建信息识别网络以获取晶圆读码器的文字信息；
[0017]所述构建信息识别网络以获取晶圆读码器的文字信息包括收集标注数据、构建卷积神经网络检测模型、构建循环神经网络识别模型和后处理；
[0018]所述构建卷积神经网络检测模型的具体步骤包括：
[0019]S201、收集晶圆读码器的文字检测数据，并建立文字检测数据集合；
[0020]S202、将文字检测数据集合划分为70%训练集、15%验证集和15%测试集；
[0021]S203、选择不同的层数分布、卷积核的排列方式、卷积层神经元数量的提取方法、激活函数的获取方式和池化操作算法；
[0022]S204、通过优化算法更新卷积神经网络参数，计算卷积神经网络检测模型的F1分数，选择最佳卷积神经网络检测模型参数；
[0023]S205、使用训练集对构建的卷积神经网络模型进行调优；调优的过程中，通过反向传播算法来优化网络的参数，使得卷积神经网络模型能够拟合训练数据；调优完成后，使用验证集对卷积神经网络模型进行测试、计算卷积神经网络模型的性能指标；使用训练完毕的卷积神经网络模型对新数据进行预测，将新数据输入到卷积神经网络模型中，得到卷积神经网络模型的预测结果；
[0024]所述卷积核大小、卷积层神经元数量计算公式分别如下：
[0025][0026]其中，是卷积核的大小，是图像宽度，是每个像素的水平位置采样间隔，是图像高度，是每个像素的垂直位置采样间隔；
[0027][0028]其中，是卷积层神经元数量，是卷积层的上层传入神经元的数目，是步长，是零填充的数量；
[0029]S3、将所述文字信息在信息识别网络上进行训练并调优，得到训练后的文字信息训练集；
[0030]S4、采用所述文字信息训练集预测出每个晶圆读码器上的文字的结果，得到整个晶圆上的文字信息识别结果图。
[0031]作为优选的技术方案，所述将自适应成像图片进行图像增强过滤通过直方图均衡化实现，其中，直方图均衡化包含以下步骤：
[0032]S101、计算原始图像的灰度直方图；
[0033]S102、根据原始图像的灰度直方图，计算每个灰度级别的累积分布函数；读取图像并转换为灰度图像；创建一个大小为256的整数数组，用于存储每个灰度级别的像素数量；遍历灰度图像的每个像素，将灰度图像的每个像素对应的灰度级别加1；计算每个灰度级别的累积像素数量，累积像素数量即总像素数量的计算公式为灰度图像宽度和灰度图像高度的乘积；灰度图像宽度和灰度图像高度分别指灰度图像水平部分的像素数量和灰度图像垂直部分的像素数量；遍历所述整数数组，将每个灰度级别的像素数量加上前一个灰度级别的累积像素数量；计算每个灰度级别的累积分布函数的方式为：将每个灰度级别的累积像素数量除以总像素数量；
[0034]S103、根据对每个灰度级别进行映射，将原始图像中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于晶圆读码器动态获取方法，其特征在于，包括以下步骤：S1、获取晶圆读码器图像并处理；所述获取晶圆读码器图像并处理，具体步骤包括：通过灰度化和二值化法将晶圆读码器图像转换为灰度图像和黑白图像；对黑白图像进行自适应成像调节，得到不同光照条件下的自适应成像图片；将自适应成像图片进行图像增强过滤，再进行映射转换，得到彩色图像；S2、构建信息识别网络以获取晶圆读码器的文字信息；所述构建信息识别网络以获取晶圆读码器的文字信息包括收集标注数据、构建卷积神经网络检测模型、构建循环神经网络识别模型和后处理；所述构建卷积神经网络检测模型的具体步骤包括：S201、收集晶圆读码器的文字检测数据，并建立文字检测数据集合；S202、将文字检测数据集合划分为70%训练集、15%验证集和15%测试集；S203、选择不同的层数分布、卷积核的排列方式、卷积层神经元数量的提取方法、激活函数的获取方式和池化操作算法；S204、通过优化算法更新卷积神经网络参数，计算卷积神经网络检测模型的F1分数，选择最佳卷积神经网络检测模型参数；S205、使用训练集对构建的卷积神经网络模型进行调优；调优的过程中，通过反向传播算法来优化网络的参数，使得卷积神经网络模型能够拟合训练数据；调优完成后，使用验证集对卷积神经网络模型进行测试、计算卷积神经网络模型的性能指标；使用训练完毕的卷积神经网络模型对新数据进行预测，将新数据输入到卷积神经网络模型中，得到卷积神经网络模型的预测结果；所述卷积核大小、卷积层神经元数量计算公式分别如下：其中，是卷积核的大小，是图像宽度，是每个像素的水平位置采样间隔，是图像高度，是每个像素的垂直位置采样间隔；其中，是卷积层神经元数量，是卷积层的上层传入神经元的数目，是步长，是零填充的数量；S3、将所述文字信息在信息识别网络上进行训练并调优，得到训练后的文字信息训练集；S4、采用所述文字信息训练集预测出每个晶圆读码器上的文字的结果，得到整个晶圆上的文字信息识别结果图。2.根据权利要求1所述的一种用于晶圆读码器动态获取方法，其特征在于，所述将自适应成像图片进行图像增强过滤通过直方图均衡化实现，其中，直方图均衡化包含以下步骤：S101、计算原始图像的灰度直方图；S102、根据原始图像的灰度直方图，计算每个灰度级别的累积分布函数；读取图像并转换为灰度图像；创建一个大小为256的整数数组，用于存储每个灰度级别的像素数量；遍历灰度图像的每个像素，将灰度图像的每个像素对应的灰度级别加
1；计算每个灰度级别的累积像素数量，累积像素数量即总像素数量的计算公式为灰度图像宽度和灰度图像高度的乘积；灰度图像宽度和灰度图像高度分别指灰度图像水平部分的像素数量和灰度图像垂直部分的像素数量；遍历所述整数数组，将每个灰度级别的像素数量加上前一个灰度级别的累积像素数量；计算每个灰度级别的累积分布函数的方式为：将每个灰度级别的累积像素数量除以总像素数量；S103、根据对每个灰度级...

【专利技术属性】
技术研发人员：林坚，王彭，吴国明，王栋梁，
申请(专利权)人：泓浒苏州半导体科技有限公司，
类型：发明
国别省市：