芯片图像标注方法技术

本发明专利技术公开了一种芯片图像标注方法

【技术实现步骤摘要】
芯片图像标注方法、装置、计算设备及存储介质


[0001]本专利技术涉及视觉检测
，尤其涉及一种芯片图像标注方法
、
装置
、
计算设备及存储介质
。

技术介绍

[0002]基于图像的视觉检测手段在工业制造生产过程中，已经占据了相当重要的位置，例如，通过视觉检测手段来检测
LED
芯片产品的表面缺陷
、
产品的尺寸测量等，其非接触式和高精度的检测特点，使其能代替人工完成特殊的工作
。
[0003]图像分割是按一定规则和图像特征来进行像素分类，用于提取感兴趣目标区域的一种手段
。
在工程应用中，因其对图像分割高精度
、
高效率
、
高柔性的要求，传统的图像分割方法已经无法满足
。
因此，基于深度学习的智能分割方法孕育而生，其具有高精度
、
高效率
、
高柔性的特点，替代了传统图像分割
。
[0004]不过，基于深度学习的智能分割模型，需要大量标注数据来对模型进行训练，针对一种分割对象标注的图像往往需要几十到几百张不等，一张图像上的标注类别可能包括数十类，同时高精度的分割，就需要高精度的标注水准，这使得人们不得不逐像素标注
。
而且，针对不同类型的对象需要重新进行繁琐的标注过程，这导致在标注数据环节就需要投入大量的人力
、
物力成本
。
[0005]为此，需要一种芯片图像标注方法，以解决上述技术方案中存在的问题
。

技术实现思路

[0006]为此，本专利技术提供一种芯片图像标注方法和芯片图像标注装置，以解决或至少缓解上面存在的问题
。
[0007]根据本专利技术的一个方面，提供一种芯片图像标注方法，在计算设备中执行，包括：接收对芯片图像的标注数据，根据所述标注数据确定所述芯片图像中的类别数为第一数量；将标注后的芯片图像输入全卷积网络模型进行处理，并通过计算所述芯片图像样本中的各像素的类别损失来调整所述全卷积网络模型的网络参数，以使类别数达到第二数量，得到训练后的全卷积网络模型，其中，所述第二数量大于等于第一数量；将待标注芯片图像输入训练后的全卷积网络模型，以基于第二数量个类别输出所述待标注芯片图像对应的第二分割图像；根据所述第二分割图像中的各区域的平均像素值和各区域位置，将第二分割图像中的各区域合并为第一数量个类别，得到第一分割图像
。
[0008]可选地，在根据本专利技术的芯片图像标注方法中，还包括：根据所述第一分割图像，确定所述待标注芯片图像中的每个像素的类别标签值
。
[0009]可选地，在根据本专利技术的芯片图像标注方法中，将标注后的芯片图像输入全卷积网络模型进行处理，并通过计算所述芯片图像样本中的各像素的类别损失来调整所述全卷积网络模型的网络参数，包括：将标注后的芯片图像输入全卷积网络模型，以提取标注后的芯片图像中的各像素特征；根据所述各像素特征预测出各像素的类别预测值，并根据所述
标注数据确定各像素的类别真实值；根据各像素的类别真实值与类别预测值的差值，来计算各像素的交叉熵损失，以调整所述全卷积网络模型的网络参数，以使类别数达到第二数量
。
[0010]可选地，在根据本专利技术的芯片图像标注方法中，将第二分割图像中的各区域合并为第一数量个类别，包括：利用层次聚类算法，将第二分割图像中的各区域合并为第一数量个类别
。
[0011]可选地，在根据本专利技术的芯片图像标注方法中，根据所述第二分割图像中的各区域的平均像素值和各区域位置，将第二分割图像中的各区域合并为第一数量个类别，包括：根据所述第二分割图像中的各区域的平均像素值和各区域位置，计算各区域的相似度；根据所述各区域的相似度，将所述各区域合并为第一数量个类别
。
[0012]可选地，在根据本专利技术的芯片图像标注方法中，在接收对芯片图像的标注数据之前，还包括：载入所述芯片图像
。
[0013]可选地，在根据本专利技术的芯片图像标注方法中，在载入所述芯片图像之前，包括：判断所述芯片图像的尺寸是否大于等于阈值；如果是，则对所述芯片图像进行缩小操作，以便缩小后的芯片图像小于所述阈值，并载入缩小后的芯片图像
。
[0014]可选地，在根据本专利技术的芯片图像标注方法中，所述全卷积网络模型包括依次耦接的特征提取模块
、
混合注意力模块以及多层特征融合模块
。
[0015]根据本专利技术的一个方面，提供一种芯片图像标注装置，驻留在计算设备中，包括：接收模块，适于接收对芯片图像的标注数据，根据所述标注数据确定所述芯片图像中的类别数为第一数量；训练模块，适于将标注后的芯片图像输入全卷积网络模型进行处理，并通过计算所述芯片图像样本中的各像素的类别损失来调整所述全卷积网络模型的网络参数，以使类别数达到第二数量，得到训练后的全卷积网络模型，其中，所述第二数量大于等于第一数量；处理模块，适于将待标注芯片图像输入训练后的全卷积网络模型，以基于第二数量个类别输出所述待标注芯片图像对应的第二分割图像；聚类模块，适于根据所述第二分割图像中的各区域的平均像素值和各区域位置，将第二分割图像中的各区域合并为第一数量个类别，得到第一分割图像
。
[0016]根据本专利技术的一个方面，提供一种计算设备，包括：至少一个处理器；存储器，存储有程序指令，其中，程序指令被配置为适于由上述至少一个处理器执行，所述程序指令包括用于执行如上所述的芯片图像标注方法的指令
。
[0017]根据本专利技术的一个方面，提供一种存储有程序指令的可读存储介质，当该程序指令被计算设备读取并执行时，使得该计算设备执行如上所述的芯片图像标注方法
。
[0018]根据本专利技术的技术方案，提供了一种芯片图像标注方法，通过接收对芯片图像的标注数据，根据标注数据确定芯片图像中的类别数为第一数量，将标注后的芯片图像输入全卷积网络模型进行处理，并通过计算芯片图像样本中的各像素的类别损失来调整全卷积网络模型的网络参数，以使类别数达到大于等于第一数量的第二数量，得到训练后的全卷积网络模型
。
之后，可以直接将待标注芯片图像输入训练后的全卷积网络模型进行处理，以基于第二数量个类别输出第二分割图像，并根据第二分割图像中的各区域的平均像素值和各区域位置，来将第二分割图像中的各区域合并为第一数量个类别，得到标注有第一数量个类别的第一分割图像
。
这样，根据本专利技术的技术方案，对于不同类型的芯片图像，不需要
大量训练集来对模型进行大规模训练，即可实现对该类型芯片图像的自动标注，且基于像素级别的分类提高了标注精度
。
而对于同类芯片图像，只需利用训练后的全卷积网络模型并结合聚类算法，便能实现对芯片图像进行自动化标注
。
可见，本专利技术实现了自动标注效果，且标注精度高，能够大大减少人工标注图像的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种芯片图像标注方法，在计算设备中执行，包括：接收对芯片图像的标注数据，根据所述标注数据确定所述芯片图像中的类别数为第一数量；将标注后的芯片图像输入全卷积网络模型进行处理，并通过计算所述芯片图像样本中的各像素的类别损失来调整所述全卷积网络模型的网络参数，以使类别数达到第二数量，得到训练后的全卷积网络模型，其中，所述第二数量大于等于第一数量；将待标注芯片图像输入训练后的全卷积网络模型，以基于第二数量个类别输出所述待标注芯片图像对应的第二分割图像；根据所述第二分割图像中的各区域的平均像素值和各区域位置，将第二分割图像中的各区域合并为第一数量个类别，得到第一分割图像
。2.
如权利要求1所述的方法，其中，还包括：根据所述第一分割图像，确定所述待标注芯片图像中的每个像素的类别标签值
。3.
如权利要求1或2所述的方法，其中，将标注后的芯片图像输入全卷积网络模型进行处理，并通过计算所述芯片图像样本中的各像素的类别损失来调整所述全卷积网络模型的网络参数，包括：将标注后的芯片图像输入全卷积网络模型，以提取标注后的芯片图像中的各像素特征；根据所述各像素特征预测出各像素的类别预测值，并根据所述标注数据确定各像素的类别真实值；根据各像素的类别真实值与类别预测值的差值，来计算各像素的交叉熵损失，以调整所述全卷积网络模型的网络参数，以使类别数达到第二数量
。4.
如权利要求1‑3中任一项所述的方法，其中，将第二分割图像中的各区域合并为第一数量个类别，包括：利用层次聚类算法，将第二分割图像中的各区域合并为第一数量个类别
。5.
如权利要求1‑4中任一项所述的方法，其中，根据所述第二分割图像中的各区域的平均像素值和各区域位置，将第二分割图像中的各区域合并为第一数量个类...

【专利技术属性】
技术研发人员：刘坚，王辰，张航，张桢巍，贺婷婷，尹韶辉，
申请(专利权)人：江苏优普纳科技有限公司，
类型：发明
国别省市：