使用机器学习的超声缺陷检测和分类系统技术方案

公开了使用机器学习的超声缺陷检测和分类系统。在自动缺陷检测和分类系统中，一个或多个计算设备访问在对象的超声扫描中获取的扫描数据。包括二维(2D)扫描图像的第一输入特征映射是根据扫描数据构建的并且被输入到第一深度神经网络以生成第一输出特征映射。包括无缺陷对象的图像的第二输入特征映射被输入到具有与第一深度神经网络相同的结构和权重值的第二深度神经网络，以产生第二输出特征映射。当第一输出特征映射和第二输出特征映射之间的距离大时，确定被扫描的对象包含缺陷。在替换的方法中，2D扫描图像和无缺陷对象的一个或多个图像被输入到使用彩色图像训练的神经网络的不同信道。网络的不同信道。网络的不同信道。

【技术实现步骤摘要】
使用机器学习的超声缺陷检测和分类系统
[0001]相关申请
[0002]本申请要求2022年3月28日提交的并且题为“Ultrasonic Defect Detection and Classification System using Machine Learning”的临时申请序列号63/324,340的权益，其全部内容被通过引用合并于此。

技术介绍

[0003]本公开涉及超声非破坏测试(NDT)的环境。一种机械定位系统可以使超声收发器换能器和在被测试器件(DUT)的相对侧上的接收器换能器同步地进行扫描。NDT可以被用于例如测试半导体晶片，其可以包含多个器件和芯片封装。从DUT回到收发器的反射信号是TDR(时域反射)波形，而从第二接收器收集的波形是TDT(时域传输)波形。两个波形的时间轴与沿着表示DUT的位置空间的Z轴的距离直接成比例。使换能器沿着由DUT的X轴和Y轴限定的位置空间进行扫描。扫描的波形由采集系统数字化，并且图像构建器块基于TDT/TDR扫描数据创建DUT的缺陷图像。
[0004]传统上，人类操作员被训练以观察图像并且识别晶片或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机实现的方法，包括：在一个或多个计算设备处访问在对象的超声扫描中获取的扫描数据；根据扫描数据构建包括二维(2D)扫描图像的第一输入特征映射；将第一输入特征映射输入到第一深度神经网络以生成第一输出特征映射；将包括无缺陷对象的扫描图像的第二输入特征映射输入到具有与第一深度神经网络相同的结构和权重值的第二深度神经网络，以产生第二输出特征映射；以及当第一输出特征映射和第二输出特征映射之间的距离大时，确定被扫描的对象包含缺陷。2.根据权利要求1所述的计算机实现的方法，其中：构建第一输入特征映射包括构建第一三维(3D)图像张量，第一3D图像张量在第一3D图像张量的所有三个信道中具有2D扫描图像；以及构建第二输入特征映射包括构建第二三维(3D)图像张量，第二3D图像张量具有：在第二3D图像张量的第一信道中的无缺陷对象的第一2D扫描图像；在第二3D图像张量的第二信道中的无缺陷对象的第二2D扫描图像；以及在第二3D图像张量的第三信道中的无缺陷对象的第三2D扫描图像。3.根据权利要求1所述的计算机实现的方法，进一步包括：从使用彩色图像训练的深度神经网络复制第一深度神经网络和第二深度神经网络的权重值。4.根据权利要求1所述的计算机实现的方法，进一步包括基于第一深度神经网络的输出和第二深度神经网络的输出之间的距离的对比损失来调整第一深度神经网络和第二深度神经网络的权重值。5.根据权利要求1所述的计算机实现的方法，进一步包括：当确定扫描的对象包含缺陷时，将扫描图像传递到自动缺陷分类器。6.一种计算机实现的方法，包括：在一个或多个计算设备处访问在对象的超声扫描中获取的扫描数据；根据扫描数据构建二维(2D)扫描图像；生成与扫描图像关联的信息的2D图形表示；生成用于对象的缺陷分类元数据；构建三维(3D)图像张量，3D图像张量具有在3D图像张量的第一信道中的2D扫描图像、在3D图像张量的第二信道中的无缺陷对象的2D图像和在3D图像张量的第三信道中的信息的2D图形表示；将3D图像张量输入到深度神经网络；将深度神经网络的输出与缺陷分类元数据进行比较；调整深度神经网络的输出层的权重值以提供在深度神经网络的输出与缺陷分类元数据之间的改进的匹配；以及存储经调整的权重值。7.根据权利要求6所述的计算机实现的方法，进一步包括从使用彩色图像训练的深度神经网络复制深度神经网络的特征映射层中的权重值。8.根据权利要求6所述的计算机实现的方法，进一步包括：存储训练...

【专利技术属性】
技术研发人员：J，
申请(专利权)人：SONIX公司，
类型：发明
国别省市：