【技术实现步骤摘要】
本专利技术涉及一种基于改进destseg的无监督晶粒缺陷异常检测方法，属于数字图像处理领域。
技术介绍
1、晶圆的生产工业十分复杂，会在光刻、化学腐蚀等工艺作用下产生各类无规则的异常缺陷，如氧化膜残留、麻坑、玻璃凹陷断开等缺陷，这些缺陷会严重影响后续芯片电路印刷、封装等工序，进而影响产品的性能和成本，因此对晶圆的表面质量进行异常缺陷检测显得尤为重要。
2、目前外观表面检测主要采用无接触的方法，机器视觉作为其代表，具有操作维持成本低，精度高的优势。自动光学检测平台相机等硬件成本低，同时克服了人类易于疲劳影响检测精度的问题，可以24小时不间断检测运行。高精度相机搭配深度学习可以对一些复杂的微弱缺陷具有良好的检测识别精度。
3、由于晶圆制造的工艺原因，晶粒上被分为多个区域，这些区域上的缺陷形态各异，缺陷种类繁多，同时这些区域还具有复杂背景的情况，会对缺陷的成像造成干扰，晶圆对工艺和缺陷标准要求十分严格，微弱的缺陷也需要检测，这种复杂背景下的微弱缺陷对缺陷识别方法带来了极大的挑战。
4、针对上述问题，传统图像滤波的方式可以抑制背景干扰，但是由于缺陷十分微弱且和背景区别较小，一般的图像滤波方法难以有效保留缺陷目标的完整信息，这对缺陷检测带来了困难。传统卷积神经网络是一种有效的特征提取方法，但是由于卷积神经网络其本身的缺陷，他使用相同的卷积核去处理图像的每一块区域，无法有效区分缺陷目标和背景噪声。有专家学者针对此类问题，在卷积神经网络中加入了注意力模块，注意力模块可以通过学习的方式针对性地对背景噪声和缺陷
技术实现思路
1、为了提升晶粒微弱缺陷的检测精度，本专利技术提供了一种基于改进destseg的无监督晶粒缺陷异常检测方法，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无监督晶粒缺陷异常检测方法，包括：
3、步骤1：利用destseg网络中教师网络和学生网络分别对待检测的晶粒图像进行特征提取；
4、步骤2：将所述教师网络和学生网络提取的特征图相乘后，输入多尺度特征融合模块中进行增强；
5、步骤3：利用注意力机制对所述步骤2增强后的特征进行注意力增强；
6、步骤4：通过残差模块和头部模块输出最终的缺陷预测分割结果；
7、所述多尺度特征融合模块首先利用csp模块进行特征提取，然后利用eca模块进行注意力增强，三个分辨率尺寸的特征图分别经过所述csp模块和eca模块后，逐级进行二次线性插值上采样，然后与更高分辨率的特征图进行拼接。
8、可选的，所述步骤3的注意力机制为：可变形卷积空间注意力空间金字塔池化模块dcsasppf，dcsasppf模块在sppf模块中加入可变形卷积空间注意力机制dcsa；
9、所述dcsasppf模块包括依次连接的头部cbs模块、第一dcsa模块、第二dcsa模块、第三dcsa模块，且每个dcsa模块后面均串联一个二维最大池化层，所述dcsasppf模块将3个二维最大池化层输出的特征图与所述头部cbs模块输出的特征图进行拼接，拼接后输入尾部cbs模块；
10、所述dcsa模块的计算过程包括：首先对输入的特征图进行全局的最大和平均池化得到两张特征图，然后对两张特征图进行拼接后，利用3×3的可变形卷积将特征图的通道由2转变为1，通过sigmoid激活得到新的注意力特征图，将注意力特征图数值控制在[0,1]，最后将注意力特征图与原特征图进行相乘得到增强后的特征图。
11、可选的，所述多尺度特征融合模块中csp模块的数量由深层到浅层的数量依次为6、4、2。
12、可选的，cbs模块包括依次连接的：标准卷积层、批量归一化层和silu激活函数。
13、可选的，所述方法采用合成的异常晶粒图像训练检测异常网络，所述合成的异常晶粒图像使用dtd可编程的纹理图像与无缺陷的晶粒良品图像进行合成得到。
14、可选的，所述异常晶粒图像的合成过程包括：
15、首先在所述无缺陷的晶粒良品图像上生成随机的二维柏林噪声并进行阈值化处理得到噪声区域的掩码，再通过dtd图像数据和晶粒图像进行线性组合来覆盖噪声掩码区域。
16、可选的，所述教师网络使用resnet18网络。
17、可选的，所述学生网络的编码器部分采用随机初始化的resnet18网络，解码器部分采用具有四个残差块的反向resnet18网络。
18、本专利技术的第二个目的在于提供一种电子设备，包括存储器和处理器；
19、所述存储器，用于存储计算机程序；
20、所述处理器，用于当执行所述计算机程序时，实现如上述任一项所述的无监督晶粒缺陷异常检测方法。
21、本专利技术的第三个目的在于提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上述任一项所述的无监督晶粒缺陷异常检测方法。
22、本专利技术有益效果是：
23、本专利技术通过知识蒸馏的网络结构，从教师网络中获取特征信息，可以实现无监督异常检测，无需大量标注数据集，即可完成缺陷检测，对工业场景十分友好，可以有效解决数据标注困难以及未知缺陷检测难的问题。
24、此外，本专利技术对destseg网络进行改进，在教师网络和学生网络的多层特征输出融合过程中，引入所提出的多尺度特征融合模块，用于解决微弱目标特征在教师模型和学生模型融合后下采样后带来的特征丢失问题，实现微弱目标的语义信息由深层向浅层流动，消融实验结果证明，相比于原destseg网络直接拼接的方式，本专利技术提出的多尺度特征融合模块可以有效提升网络对晶粒缺陷的识别精度。
25、在本专利技术的一种实施方式中，在分割网络中引入了一种可变形卷积空间注意力空间金字塔池化模块dcsasppf，在普通的sppf模块中加入三个可变形卷积注意力模块，可以增强微弱缺陷特征信息，抑制复杂纹理背景干扰，进一步强化了分割网络对缺陷特征的提取能力，对比实验证明，本专利技术的dcsasppf模块进一步提升了检测精度。
本文档来自技高网...【技术保护点】
1.一种无监督晶粒缺陷异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的无监督晶粒缺陷异常检测方法，其特征在于，所述步骤3的注意力机制为：可变形卷积空间注意力空间金字塔池化模块DCSASPPF，DCSASPPF模块在SPPF模块中加入可变形卷积空间注意力机制DCSA；
3.根据权利要求1所述的无监督晶粒缺陷异常检测方法，其特征在于，所述多尺度特征融合模块中CSP模块的数量由深层到浅层的数量依次为6、4、2。
4.根据权利要求2所述的无监督晶粒缺陷异常检测方法，其特征在于，CBS模块包括依次连接的：标准卷积层、批量归一化层和SiLu激活函数。
5.根据权利要求1所述的无监督晶粒缺陷异常检测方法，其特征在于，所述方法采用合成的异常晶粒图像训练检测异常网络，所述合成的异常晶粒图像使用DTD可编程的纹理图像与无缺陷的晶粒良品图像进行合成得到。
6.根据权利要求5所述的无监督晶粒缺陷异常检测方法，其特征在于，所述异常晶粒图像的合成过程包括：
7.根据权利要求1所述的无监督晶粒缺陷异常检测方法，其特征在于
8.根据权利要求1所述的无监督晶粒缺陷异常检测方法，其特征在于，所述学生网络的编码器部分采用随机初始化的ResNet18网络，解码器部分采用具有四个残差块的反向ResNet18网络。
9.一种电子设备，其特征在于，包括存储器和处理器；
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至8任一项所述的无监督晶粒缺陷异常检测方法。
...【技术特征摘要】
1.一种无监督晶粒缺陷异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的无监督晶粒缺陷异常检测方法，其特征在于，所述步骤3的注意力机制为：可变形卷积空间注意力空间金字塔池化模块dcsasppf，dcsasppf模块在sppf模块中加入可变形卷积空间注意力机制dcsa；
3.根据权利要求1所述的无监督晶粒缺陷异常检测方法，其特征在于，所述多尺度特征融合模块中csp模块的数量由深层到浅层的数量依次为6、4、2。
4.根据权利要求2所述的无监督晶粒缺陷异常检测方法，其特征在于，cbs模块包括依次连接的：标准卷积层、批量归一化层和silu激活函数。
5.根据权利要求1所述的无监督晶粒缺陷异常检测方法，其特征在于，所述方法采用合成的异常晶粒图像训练检测异常网络，所述合成的异常...
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。