【技术实现步骤摘要】
本专利技术涉及基于边界感知segformer的晶圆目标分割方法，属于数字图像处理。
技术介绍
1、阵列目标通常由多个规则排列的相似子目标组成，如晶圆上的晶粒、生物芯片上的微阵列，广泛应用于半导体制造、工业检测和医学领域。目标的精确分割直接影响到定位精度、分拣性能以及缺陷检测准确率。然而阵列目标受到非均匀背景、缺陷干扰和弱边缘的影响，分割精度较低且边缘不完整。因此研究复杂场景中的阵列目标分割算法，在目标检测，缺陷检测和图像分析领域具有重要的研究意义和价值。
2、传统阵列目标图像分割方法基于人工选择的特征进行目标分割，虽然在分割高对比度目标时精度较高，但在处理复杂场景中的目标时精度较低，容易丢失边缘信息，并且稳定性较差。“chen x,chen j,han x,et al.alight-weighted cnn model for waferstructural defect detection[j].ieee access,2020,8:24006-18”文献采用大津法与形态学方法提取阵列目标的灰度特征分割目标、“xu s,cheng z,gao y,et al.visual waferdies counting using geometrical characteristics[j].iet image processing,2014,8(5):280-8”文献基于ransac方法拟合阵列中的直线特征，网格化阵列后实现目标分割。然而在非均匀背景和缺陷干扰下，这些方法分割精度大幅下降，且边缘分割不完整。针对此问题，有学
3、近年来，深度网络因其能够捕获更加丰富的特征和多尺度信息而备受研究者们的关注。相较于传统的手工构造特征，深度网络提取的特征性能显著，因而基于深度学习的阵列目标分割方法得到广泛研究，可以分为基于检测网络和分割网络的方法。一些方法利用检测网络定位后间接分割目标，如yolov5、wpccnn，相比传统方法有效降低了背景和缺陷的干扰，具有更高的分割精度。其中，文献“peng j q,yang z x,ying h,et al.bougielocation algorithm of lattice biochip based on yolov5[j].journal ofelectronic imaging,2022,31:063006”中，peng等人结合yolov5提出一种固定种子推理方法，利用阵列分布特性能够推理出其它网络未检测出的目标位置，然而在用于上亿像素的高分辨率图像时具有较大的推理误差，分割出的目标边缘不完整。不同于检测网络中矩形框的定位方式，图像分割网络通过预测每个像素的语义信息实现端到端语义分割，目标边缘分割更为连续，分割精度更高。为提升边缘区域的分割精度，研究者们从损失函数和网络结构方面提出了优化方法。如强调边界分割质量的残差细化模块(rrm)，交互式双流解码器，以及用于边界细化的主动边界损失。其中，文献“qin x,zhang z,huang c,etal.basnet:boundary-aware salient object detection[j].2019ieee/cvf conferenceon computer vision and pattern recognition(cvpr),2019:7471-81”提出的rrm借助u型架构捕获丰富的语义信息实现边界细化，但是不能很好地保留长距离的底层位置信息，边界分割精度仍有提升空间。此外，全局分割精度和速度也是分割方法的重要性能指标，也是学者们研究的热点，一些基于卷积神经网络的方法和基于自注意力的方法不断被提出。其中，“xie e,wang w,yu z,et al.segformer:simple and efficient design forsemantic segmentation with transformers[j].arxiv,2021,abs/2105.15203.”提出基于自注意力的segformer网络，该网络利用层次化transformer编码器生成高分辨率精细特征和低分辨率粗糙特征后，通过mlp解码器聚合这些特征，实现了较高的分割精度和速度。相比传统方法，上述深度学习方法虽然分割精度和稳定性更高，但在非均匀背景和缺陷的干扰下，目标边缘区域的分割仍然是一个具有挑战性的问题。
技术实现思路
1、为了提升在非均匀背景和缺陷的干扰下阵列目标分割的精度，本专利技术提供了基于边界感知segformer的晶圆目标分割方法，所述技术方案如下：
2、本专利技术的第一个目的在于提供一种晶圆阵列目标图像分割方法，包括：
3、步骤1：采集阵列目标图像，将所述阵列目标图像分为m个区域，对每个区域ri并行处理，i＝0,1,…,m；
4、步骤2：采用自适应种子搜索策略在区域内搜索理想种子目标，所述自适应种子搜索策略包括：利用种子位置与目标定位精度的相关性构建种子分布热力图，并在热力图的引导下自适应搜索所述理想种子目标；
5、步骤3：以每个理想种子目标为起点，预测所有目标的质心位置和矩形mask，实现区域ri内目标的全局分割；
6、步骤4：采用边界感知segformer网络对全局分割结果进行精确分割，得到所述阵列目标图像的分割结果。
7、可选的，所述自适应种子搜索策略包括：
8、步骤21：先定位区域ri的矩形边界，在图像边界处取4个与边界平行的条形感兴趣区域roi，然后采用多目标模板匹配得到4个roi内目标质心集合，分别取靠近图像边界的质心构成阵列区域ri的矩形边界；最后将其均分为4个子矩形区域，区域之间有重合以避免丢失区域边界处的目标；
9、步骤22：利用种子位置与目标定位精度的相关性生成种子分布热力图，选择权重最高种子为初始种子，输出其在图像中的实际位置；
10、步骤23：根据所述初始种子在图像中的实际位置，生成2倍于模板大小的roi，然后基于模板匹配定位目标，如果归一化互相关系数小于设定阈值，根据所述热力图搜索下一个候选种子目标，直到成功定位4个理想种子目标为止。
11、可选的，所述步骤3包括：以每个理想种子目标为起点，沿着水平方向和垂直方向推理，预测区域内所有目标的质心位置和矩形mask；设图像坐标系下存在点a(xi,yi)，b(xj,yj)，所述水平推理的公式为：
12、
13、所述垂直推理的公式为：
14、
15、其中，s本文档来自技高网...
【技术保护点】
1.一种晶圆阵列目标图像分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的晶圆阵列目标图像分割方法，其特征在于，所述自适应种子搜索策略包括：
3.根据权利要求1所述的晶圆阵列目标图像分割方法，其特征在于，所述步骤3包括：以每个理想种子目标为起点，沿着水平方向和垂直方向推理，预测区域内所有目标的质心位置和矩形Mask；设图像坐标系下存在点A(xi,yi)，B(xj,yj)，所述水平推理的公式为：
4.根据权利要求1所述的晶圆阵列目标图像分割方法，其特征在于，所述边界感知SegFormer网络包括：预测模块和改进的门控残差细化模块；
5.根据权利要求1所述的晶圆阵列目标图像分割方法，其特征在于，所述边界感知SegFormer网络的训练过程中采用混合损失函数监督细化模块的输出，所述混合损失函数的表达式为：
6.根据权利要求1所述的晶圆阵列目标图像分割方法，其特征在于，所述交叉熵损失为：
7.根据权利要求1所述的晶圆阵列目标图像分割方法，其特征在于，所述交并比损失为：
8.根据权利要求1所述的
9.一种晶圆阵列目标图像分割系统，其特征在于，所述系统用于实现权利要求1-8任一项所述的阵列目标图像分割方法，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，实现根据权利要求1至8中任一项所述的晶圆目标图像分割方法。
...【技术特征摘要】
1.一种晶圆阵列目标图像分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的晶圆阵列目标图像分割方法，其特征在于，所述自适应种子搜索策略包括：
3.根据权利要求1所述的晶圆阵列目标图像分割方法，其特征在于，所述步骤3包括：以每个理想种子目标为起点，沿着水平方向和垂直方向推理，预测区域内所有目标的质心位置和矩形mask；设图像坐标系下存在点a(xi,yi)，b(xj,yj)，所述水平推理的公式为：
4.根据权利要求1所述的晶圆阵列目标图像分割方法，其特征在于，所述边界感知segformer网络包括：预测模块和改进的门控残差细化模块；
5.根据权利要求1所述的晶圆阵列目标图像分割方法，其特征在于，所述边界感知segform...
【专利技术属性】
技术研发人员：顾高升，吴静静，吕扬，
申请(专利权)人：无锡九霄科技有限公司，
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。