【技术实现步骤摘要】
本专利技术涉及一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，用以提高对芯片缺陷自动判断的准确率和检测速率，实现对激光器芯片光学灾变损伤缺陷成因的自动智能判别。
技术介绍
1、高功率激光器的研究与制造已经成为整个光通信领域的核心技术，然而在激光器芯片生产过程中，经过复杂的工艺过程，难免出现损伤和缺陷。缺陷类型自动识别技术是目前激光器芯片检测系统的重要技术之一，缺陷识别技术包括图像分割、特征提取、目标识别、缺陷数据库的建立、缺陷分类等步骤，目前在缺陷种类较少、辨识度较高、缺陷部位尺寸较大的材料方面有一定的应用。但对于激光器芯片，由于缺陷有裂痕、杂质、静电损伤、腔面错位等多种形式，且缺陷部位尺寸较小，同时也无现成的缺陷图像数据库，因而现有的缺陷识别技术的自动化及智能化的水平尚不够高，难以满足需求。深度学习和人工智能技术的发展能够提升缺陷分类和识别的准确度以及缺陷信息的提取速度，因此，本专利技术考虑结合深度学习和人工智能技术，开发一种能够提高对芯片缺陷自动判断的准确率和检测速率的技术。
技术实现思路
1、本专利技术旨在解决激光器芯片缺陷部位尺寸较小，现有的缺陷识别技术的自动化及智能化的水平尚不够高的技术问题，提供一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，该方法可有效增强对于多尺度特征的鲁棒性，有效提高芯片缺陷自动检测的准确度与检测速度。
2、本专利技术是采用如下技术方案实现的：一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，包括faster r-cnn
3、将一个激光器芯片图像输入resnet-101模型中，resnet-101模型对该图像提取重要特征信息后得到n组特征图，n组特征图输入特征金字塔结构fp-va中，先经过特征金字塔网络fpn运算得到n-1组特征图，针对每一组特征图，多尺度特征融合结构fpud将其他组的特征图缩放至与该组特征图相同大小，然后将n-1组特征图叠加，通过一个1×1的卷积层获得输出一个结果，最终输出n-1组经过多尺度融合后的特征图；n-1组经过多尺度融合后的特征图又经过超轻量级子空间注意力机制ulsam实现了多尺度、多频的特征表示；
4、经过特征金字塔结构fp-va处理后的n-1组特征图，分别经过区域候选网络regionproposal networks(rpn)和兴趣域池化层roi pooling的处理后，输出至分类与回归层classification and regression；区域候选网络region proposal networks(rpn)针对每一张特征图均生成候选区域，兴趣域池化层roipooling层收集区域候选网络regionproposal networks(rpn)生成的候选区域的坐标信息，并从特征金字塔结构fp-va输入的n-1组特征图将候选区域内的信息提取出来，得到n-1组提案特征图；分类与回归层classification and regression利用n-1组提案特征图计算出具体类别，获得候选区域中缺陷的最终精确位置，并通过边框回归修正物体的精确位置，从而为后续芯片缺陷的分析检测提供依据。
5、本专利技术使用基于卷积神经网络的目标检测模型实现缺陷区域的检测，通过特征融合和注意力机制提高相应任务的准确性。
6、进一步的，在模型搭建完成后，需要制作激光器芯片缺陷图像数据集，作为训练集，对模型进行训练。
7、本专利技术针对现有的缺陷识别技术对于高速激光器芯片的缺陷识别分类准确度尚不够高及特征提取速度尚不够快的问题，提出一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，使用基于卷积神经网络的目标检测模型实现缺陷区域的快速检测，用以辅助激光器芯片光学灾变损伤缺陷成因的自动智能判别。
本文档来自技高网...【技术保护点】
1.一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，包括faster R-CNN模型，该模型包括特征提取网络、区域候选网络、兴趣域池化层以及分类与回归层；在fasterR-CNN模型中嵌入一个ResNet-101模型，即特征提取网络采用ResNet-101模型，并在ResNet-101模型后连接有一个特征金字塔结构；所述特征金字塔结构包括特征金字塔网络、多尺度特征融合结构以及超轻量级子空间注意力机制；特征金字塔结构分别连接区域候选网络和兴趣域池化层；兴趣域池化层连接分类与回归层；
2.如权利要求1所述的一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，其特征在于，ResNet-101模型包含layer1、layer2、layer3、layer4四层，每层包括多个瓶颈结构，每个瓶颈结构中的3×3传统卷积均采用可变形卷积替换；ResNet-101模型输出C2、C3、C4、C5四组特征图。
3.如权利要求2所述的一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，其特征在于，特征金字塔网络包括自下而上模块、自上而下模块、横向连接模块和卷积融合模块；自
4.如权利要求3所述的一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，其特征在于，多尺度特征融合结构包括三个模块，其中，第一个模块首先对特征金字塔网络输出的P2和P3两组特征图进行池化操作，将其缩小到与P4相同的大小，然后将三种特征图叠加，通过一个1×1的卷积层获得输出结果该过程可表示为
5.如权利要求1-4任一项所述的一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，其特征在于，其特征在于，超轻量级子空间注意力机制使用depthwise卷积和一个filter的pointwise卷积进行计算。
6.如权利要求1-4任一项所述的一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，其特征在于，在模型搭建完成后，需要制作激光器芯片缺陷图像数据集，作为训练集，对模型进行训练。
7.如权利要求1-4任一项所述的一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，其特征在于，所述激光器芯片图像采用红外图像。
...【技术特征摘要】
1.一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，包括faster r-cnn模型，该模型包括特征提取网络、区域候选网络、兴趣域池化层以及分类与回归层；在fasterr-cnn模型中嵌入一个resnet-101模型，即特征提取网络采用resnet-101模型，并在resnet-101模型后连接有一个特征金字塔结构；所述特征金字塔结构包括特征金字塔网络、多尺度特征融合结构以及超轻量级子空间注意力机制；特征金字塔结构分别连接区域候选网络和兴趣域池化层；兴趣域池化层连接分类与回归层；
2.如权利要求1所述的一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，其特征在于，resnet-101模型包含layer1、layer2、layer3、layer4四层，每层包括多个瓶颈结构，每个瓶颈结构中的3×3传统卷积均采用可变形卷积替换；resnet-101模型输出c2、c3、c4、c5四组特征图。
3.如权利要求2所述的一种基于特征融合和注意力机制的激光器芯片缺陷检测方法，其特征在于，特征金字塔网络包括自下而上模块、自上而下模块、横向连接模块和卷积融合模块；自下而上模块利用c2到c5四组特征图，这些特征图在组内具有相同的大小，但在组间呈现出逐渐递减的大小关系；组间的特征图通过卷积组进行连接，每个卷积组均由卷积层、批处理和激活函数构成；自上而下模块首先对c5特征图进行1×1卷积运...
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。