一种基于图像重建的互连铟柱缺陷检测方法技术

一种基于图像重建的互连铟柱缺陷检测方法，它涉及一种互连铟柱缺陷检测方法

【技术实现步骤摘要】
一种基于图像重建的互连铟柱缺陷检测方法


[0001]本专利技术涉及一种互连铟柱缺陷检测方法，属于图像处理

。

技术介绍

[0002]红外技术具有分辨力高
、
保密性高
、
识别能力强
、
抗电子干扰能力强
、
能全天候全时节工作等优点，广泛应用于夜视成像
、
精确制导
、
火控跟踪
、
武器热瞄准
、
侦查预警
、
船舶导航等领域；红外探测器是红外系统中的关键组件，其作用是将入射的红外信号转化为电信号进行输出，用于目标的探测和识别；红外探测器的性能水平关系到红外技术的发展水平，随着红外探测技术的不断发展，红外探测器也经历了多个阶段，从单点碲镉汞光导型探测器开始，逐渐发展到以
288
×4碲镉汞光伏型焦平面探测器为代表的第二代红外探测器，再到目前应用最广泛的碲镉汞
、
锑化铟等红外探测器
。
探测器芯片性能的提升以功能化微结构的复杂化代价，不断突破性能极限，具体表现在像元尺寸越来越小
、
结构越来越复杂
、
像元数量大幅增加，从而提高分辨率和灵敏度
。
焦平面规模从
320
×
256、640
×
512、1280
×
1024
扩大到
2560
×
2048
，随着焦平面尺寸扩大，像元中心距由
30
μ
m、15
μ
m
不断缩小到
10
μ
m
，焦平面连接像元的结构缺陷和高度异常缺陷检测成为必须亟待解决的问题
。

技术实现思路

[0003]本专利技术为解决焦平面连接像元的结构缺陷和高度异常缺陷检测的问题，进而提出一种基于图像重建的互连铟柱缺陷检测方法
。
[0004]本专利技术为解决上述问题采取的技术方案是：本专利技术的步骤包括：
[0005]步骤
1、
对图像进行数据预处理及数据增广；
[0006]步骤
2、
预先设置辅助训练任务，无监督学习到自监督学习的关键环节，使用数据中的属性来伪装标签，从而实现模型训练的目的；
[0007]步骤
3、
设计编码解码网络结构；
[0008]步骤
4、
利用网络进行图像重构；将含有缺陷的数据输入到训练好的编码解码结构中进行图像重构，经过训练网络后输出不含缺陷的重构数据；
[0009]步骤
5、
将评价生成图像与原始图像一致性；将生成的数据与输入的数据在梯度
、
结构
、
亮度
、
相位一致性等多角度进行评价，计算出生成数据与输入数据的异常分布图；
[0010]步骤
6、
将评价结果利用图像金字塔进行多尺度结果融合；
[0011]步骤
7、
利用多尺度评价结果进行自适应缺陷定位
。
[0012]进一步的，步骤一中采用限制对比度自适应直方图均衡化的图像增强方法对图像进行数据预处理，具体步骤为：
[0013]步骤
101、
将原始图像分成若干个大小相等的子块，每个子块独立进行直方图均衡化；
[0014]步骤
102、
计算累计直方图矩阵；
[0015]步骤
103、
将每个子块中所有像素的新灰度级别组合起来，得到增强后的图像
。
[0016]进一步的，步骤
101
中假设第
i
个子块包含
N
i
个像素，其中第
j
个像素的灰度为
P
ij
，对每个子块统计其灰度直方图
h
i
(k)
，表示第
i
个子块中所有像素的灰度值为
k
的像素个数
。
[0017]进一步的，步骤
102
中计算累计直方图矩阵的公式为：
[0018][0019]其中，
0≤k≤L
‑1，对于每个像素
P
ij
，计算其新的灰度级别为
q
ij
；
[0020][0021]其中，
clip
用于将
q
ij
限制在
[0,L
‑
1]范围内
。
[0022]本专利技术的有益效果是：
1、
本专利技术使用自监督学习的方法将含有缺陷的图像重建为正常图像，再利用多尺度图像一致性方法定位缺陷位置，结合自适应阈值分割的方法，实现缺陷检测
、
定位和分割；
[0023]2、
本专利技术可以使网络更加专注于准确地目标重建和目标检测，并且可以通过多个阶段的处理来提高检测的准确性；两阶段检测网络可以灵活地选择不同的候选目标生成方法和不同的分类和定位模型，以适应不同的检测场景和需求，这一点比单阶段检测网络更具有优势；除此之外，尽管两阶段检测网络需要进行两次处理，但是其生成的候选目标数量较少，可以大大减少后续处理的时间，因此整个检测速度相对较快
。
附图说明
[0024]图1是本专利技术的整体流程图；
[0025]图2是归一化层示意图，图
2a
是
BN
层示意图，图
2b
是
GN
层示意图，图
2c
是
BN
与
GN
不同
batch size
对比图；
[0026]图3是激活函数
ELU
的示意图，图
3a
是
ELU
函数示意图，图
3b
是
ELU
函数梯度示意图；
[0027]图4是注意力机制示意图，图
4a
是
U
‑
Net
注意力机制示意图，图
4b
是互连铟柱缺陷注意力机制示意图；
[0028]图5是
Attention Gate
计算示意图；
[0029]图6是图像重建的训练模型整体结构图；
具体实施方式
[0030]具体实施方式一：结合图1说明本实施方式，本实施方式所述一种基于图像重建的互连铟柱缺陷检测方法的步骤包括：
[0031]步骤
1、
对图像进行数据预处理及数据增广；
[0032]步骤
2、
预先设置辅助训练任务，无监督学习到自监督学习的关键环节，使用数据中的属性来伪装标签，从而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图像重建的互连铟柱缺陷检测方法，其特征在于：所述一种基于图像重建的互连铟柱缺陷检测方法的步骤包括步骤
1、
对图像进行数据预处理及数据增广；步骤
2、
预先设置辅助训练任务，无监督学习到自监督学习的关键环节，使用数据中的属性来伪装标签，从而实现模型训练的目的；步骤
3、
设计编码解码网络结构；步骤
4、
利用网络进行图像重构；将含有缺陷的数据输入到训练好的编码解码结构中进行图像重构，经过训练网络后输出不含缺陷的重构数据；步骤
5、
将评价生成图像与原始图像一致性；将生成的数据与输入的数据在梯度
、
结构
、
亮度
、
相位一致性等多角度进行评价，计算出生成数据与输入数据的异常分布图；步骤
6、
将评价结果利用图像金字塔进行多尺度结果融合；步骤
7、
利用多尺度评价结果进行自适应缺陷定位
。2.
根据权利要求1所述的一种基于图像重建的互连铟柱缺陷检测方法，其特征在于：步骤一中采用限制对比度自适应直方图均衡化的图像增强方法对图像进行数据预处理，具体步骤为：步骤
101、
将原始图像分成若干个大小相等的子块，每个子块独立进行直方图均衡化；步...

【专利技术属性】
技术研发人员：刘俭，刘辰光，由小玉，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：