【技术实现步骤摘要】
本专利技术涉及基于深度学习的单图像缺陷检测，具体为一种基于协同注意力的芯片管壳缺陷检测方法。
技术介绍
1、随着科技的迅猛发展，芯片制造行业如火如荼，同时，芯片管壳缺陷使用人工识别的方法会消耗大量时间；随着深度学习神经网络的兴盛，可以设计一种算法，来自动检测芯片管壳缺陷，通过这种神经网络算法可以帮助相关人员进行管壳缺陷地快速检测，极大地提高检验效率。
2、目前已有的管壳缺陷图像检测主要有两种，方法1：利用vgg等神经网络在网络后端利用线性回归判断出整张图片是否属于缺陷图像等，方法2：利用神经网络回归mask图的方法；以上基于深度学习的管壳缺陷检测方法中，方法1均存在有一定的局限性，不能画出管壳缺陷在图片中的分布，于是我们利用方法2的架构并进行了网络设计的改进，来得到更好的效果，因此，提供了一种基于协同注意力的芯片管壳缺陷检测方法。
技术实现思路
1、本专利技术的目的在于提供一种基于协同注意力的芯片管壳缺陷检测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于协同注意力的芯片管壳缺陷检测方法，其中，包括：制作并处理图像样本数据集；构建协同注意力神经网络；利用所述图像样本数据集训练并调试所述协同注意力的神经网络；获取待检测的芯片管壳图像，利用训练调试好的所述神经网络对所述待检测的芯片管壳图像进行测试，得到预测分割图和预测缺陷的种类。
3、本技术方案中优选的，其制作并处理图像样本数据集，包括：收集多个芯片管
4、本技术方案中优选的，其构建协同注意力神经网络，包括：构建前端网络，所述前端网络用于提取特征；构建后端网络，所述后端网络用于输出预测分割图和预测缺陷的种类，所述后端网络具有后端网络主干和协同注意力模块，其所述后端网络主干与所述前端网络连接，所述协同注意模块与所述前端网络和所述后端网络主干连接。
5、本技术方案中优选的，其所述协同注意模块的数量为三个，三个所述协同注意力模块分别为：第一协同注意力模块、第二协同注意力模块和第三协同注意力模块；并且，其所述前端网络包括：第一网络层序列，所述第一网络层序列的支路输出作为所述第一协同注意力模块的输入，所述第一网络层序列的结构包括若干个第一卷积块和最大池化层；第二网络层序列，所述第二网络层序列的支路输出作为所述第二协同注意力模块的输入，所述第二网络层序列的结构包括若干个第二卷积块和最大池化层；第三网络层序列，所述第三网络层序列的支路输出作为所述第三协同注意力模块的输入，所述第三网络层序列的结构包括若干个第三卷积块和最大池化层；第四网络层序列，所述第四网络层序列的结构包括若干个第四卷积块。
6、本技术方案中优选的，其所述第一网络层序列的结构中，所述第一卷积块的数量为两个，所述第一卷积块包括卷积层和relu激活函数；所述第二网络层序列的结构中，所述第二卷积块的数量为两个，所述第二卷积块包括卷积层和relu激活函数；所述第三网络层序列的结构中，所述第三卷积块的数量为三个，所述第三卷积块包括卷积层和relu激活函数；所述第四网络层序列的结构中，所述第四卷积块的数量为三个，所述第四卷积块包括卷积层和relu激活函数。
7、本技术方案中优选的，其所述第一卷积块包括卷积核大小为3，个数为64的卷积层和relu激活函数；所述第二卷积块包括卷积核大小为3，个数为128的卷积层和relu激活函数；所述第三卷积块包括卷积核大小为3，个数为256的卷积层和relu激活函数；所述第四卷积块包括卷积核大小为3，个数为512的卷积层和relu激活函数。
8、本技术方案中优选的，其所述后端网络主干包括：第五网络层序列，所述第五网络层序列的输入为所述第四网络层序列的输出，所述第五网络层序列的结构包括若干个第五卷积块；第六网络层序列，所述第六网络层序列的输入为所述第五网络层序列的输出与所述第三协同注意力模块的输出的相加结果，所述第六网络层序列的结构包括若干个第六卷积块和上采样；第七网络层序列，所述第七网络层序列的的输入为所述第六网络层序列的输出与所述第二协同注意力模块的输出的相加结果，所述第七网络层序列的结构包括若干个第七卷积块和上采样；第八网络层序列，所述第八网络层序列的的输入为所述第七网络层序列的输出与所述第一协同注意力模块的输出的相加结果，所述第八网络层序列的结构包括若干个第八卷积块和上采样；第九网络层序列，所述第九网络层序列的输入为对所述第八网络层序列、所述第七网络层序列和所述第六网络层序列输出的相加结果进行拼接处理后的结果，所述第九网络层序列的结构包括若干个第九卷积块；第十网络层序列，所述第十网络层序列的输入为所述第九网络层序列的输出，所述第十网络层序列的结构包括若干个第十卷积块；第十一网络层序列，所述第十一网络层序列的输入为所述第十网络层序列的输出，所述第十一网络层序列的结构包括若干个第十一卷积块。
9、本技术方案中优选的，其所述第五卷积块的数量为三个，所述第五卷积块包括卷积核大小为3，个数为512的卷积层和relu激活函数；所述第六卷积块的数量为三个，三个所述第六卷积块均包括卷积核大小为3，个数为256的卷积层和relu激活函数；所述第七卷积块的数量为三个，三个所述第七卷积块环氧板包括卷积核大小为3，个数为128的卷积层和relu激活函数；所述第八卷积块的数量为三个，三个所述第八卷积块均包括卷积核大小为3，个数为64的卷积层和relu激活函数；所述第九卷积块的数量为二个，二个所述第五卷积块均包括卷积核大小为3，个数为448的卷积层和relu激活函数；所述第十卷积块的数量为二个，二个所述第六卷积块均包括卷积核大小为3，个数为256的卷积层和relu激活函数；所述第十一卷积块的数量为二个，二个所述第十一卷积块分别包括卷积核大小为3，个数为64的卷积层和relu激活函数。
10、本技术方案中优选的，其所述协同注意力模块包括：将所述协同注意模块的输入分别进行平均池化和最大池化处理，经过池化处理后的结果再依次分别经过卷积、激活函数、卷积处理后相加，经过相加得到的结果再经过一个激活函数处理后，再乘第一学习权重系数后得到第一输出结果；将所述协同注意模块的输入分别进行平均化和最大化处理，然后再对处理得到的结果进行拼接，拼接得到的结果再依次经过卷积、激活函数处理后，再乘第二学习权重系数后得到第二输出结果；将所述协同注意模块的输入依次经过卷积、激活函数处理后，再乘第三学习权重系数后得到第三输出结果；将得到的所述第一输出结果、第二输出结果及第三输出结果相加后与所述协同注意模块的输入相乘后得到所述协同注意模块的输出；其中，所述第一学习权重系数、第二学习权重系数及第三学习权重系数相加之和为1。
11、本技术方案中优选的，其所述训练并调试所述协同注意力的神经网络包括：损失函数及参数设定；本文档来自技高网...
【技术保护点】
1.一种基于协同注意力的芯片管壳缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，所述制作并处理图像样本数据集，包括：
3.根据权利要求1所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，所述构建协同注意力神经网络，包括：
4.根据权利要求3所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，所述协同注意模块的数量为三个，三个所述协同注意力模块分别为：第一协同注意力模块、第二协同注意力模块和第三协同注意力模块；
5.根据权利要求4所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，
6.根据权利要求5所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，所述第一卷积块包括卷积核大小为3，个数为64的卷积层和Relu激活函数；所述第二卷积块包括卷积核大小为3，个数为128的卷积层和Relu激活函数；所述第三卷积块包括卷积核大小为3，个数为256的卷积层和Relu激活函数；所述第四卷积块包括卷积核大小为3，个数为512的卷积层和Relu激活函数。>
7.根据权利要求3所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，所述后端网络主干包括：
8.根据权利要求7所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，
9.根据权利要求3所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，所述协同注意力模块包括：
10.根据权利要求1所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，所述训练并调试所述协同注意力的神经网络包括：
...【技术特征摘要】
1.一种基于协同注意力的芯片管壳缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，所述制作并处理图像样本数据集，包括：
3.根据权利要求1所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，所述构建协同注意力神经网络，包括：
4.根据权利要求3所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，所述协同注意模块的数量为三个，三个所述协同注意力模块分别为：第一协同注意力模块、第二协同注意力模块和第三协同注意力模块；
5.根据权利要求4所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，
6.根据权利要求5所述的基于协同注意力的芯片管壳缺陷检测方法，其特征在于，所述第一卷积块包括卷积...
【专利技术属性】
技术研发人员：祝鲁宁，王卫军，王兆广，何春来，
申请(专利权)人：上海微电机研究所中国电子科技集团公司第二十一研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。