基于增量学习CNN树形模型的基板缺陷检测方法技术

本发明专利技术公开了一种基于增量学习CNN树形模型的基板缺陷检测方法，该方法包括下述步骤：构建源结点网络，将多层结点通过并行级联的方式构成初始结点网络，每个结点设有基板缺陷分类CNN网络；计算输入基板图像的三维似然矩阵，将三维似然矩阵的值元素进行降序排序，并为每个子结点建立相应Softmax似然值表；利用半监督的生长规则将待检测的缺陷类添加到初始结点网络的子结点，以树形的增长方式适应新的或新旧组合的基板缺陷样本类；基于反向传播策略重新训练或微调基板缺陷分类CNN网络隐含层；基于训练后的树形网络每个结点的基板缺陷分类CNN网络，输出基板缺陷类型结果。本发明专利技术能实现准确快速的基板缺陷检测，具有更优的鲁棒性。

【技术实现步骤摘要】

本专利技术涉及基板缺陷检测，具体涉及一种基于增量学习cnn树形模型的基板缺陷检测方法。

技术介绍

1、在微电子制造中，柔性基板表面缺陷是直接影响封装基板最终性能的重要因素，及时且准确挑选出有缺陷的基板是避免对电子加工厂商造成巨大经济损失和有效节约成本最关键的环节。封装基板以日益高度集成和多层元件封装来满足人们对电子产品功能日益增加的需求，与之相应的基板制造技术与加工工艺也变得越发复杂，这导致基板出现故障的风险和缺陷检测难度显著增加。目前，处理基板合格检测问题的方法主要分为两种，一种是人工目视抽检，由于质检员的主观决策与疲劳因素，目视检测存在误判率高和效率低等问题；另一种是基于智能检测算法的在线判别，这些方法利用精密机械定位机构结合智能控制算法，使基板缺陷检测效率与准确率得到改善。

2、发展智能缺陷检测算法是自动识别系统的必然趋势。由于柔性基板表面缺陷类型呈日益复杂化的趋势，传统基于手动特征提取与分析的方法存在缺陷检测效率与准确率受限问题。因此，引进与设计新颖的cnn网络模型成为柔性基板缺陷智能检测领域的研究热点。经过近几年的发展，国内也产生了许本文档来自技高网...

【技术保护点】

1.一种基于增量学习CNN树形模型的基板缺陷检测方法，其特征在于，包括下述步骤：

2.根据权利要求1所述的基于增量学习CNN树形模型的基板缺陷检测方法，其特征在于，基板缺陷分类CNN网络采用基于空洞空间卷积池化金字塔和ECA注意力机制模块的CNN网络框架，所述空洞空间卷积池化金字塔将不同空洞率的空洞卷积平行或级联堆叠，获取多尺度的基板缺陷信息增益，所述ECA注意力机制模块通过自适应调整通道间的权重。

3.根据权利要求1所述的基于增量学习CNN树形模型的基板缺陷检测方法，其特征在于，所述Softmax输出层通过Softmax函数将CNN对图像的响应转化为指数标度代替...

【技术特征摘要】

1.一种基于增量学习cnn树形模型的基板缺陷检测方法，其特征在于，包括下述步骤：

2.根据权利要求1所述的基于增量学习cnn树形模型的基板缺陷检测方法，其特征在于，基板缺陷分类cnn网络采用基于空洞空间卷积池化金字塔和eca注意力机制模块的cnn网络框架，所述空洞空间卷积池化金字塔将不同空洞率的空洞卷积平行或级联堆叠，获取多尺度的基板缺陷信息增益，所述eca注意力机制模块通过自适应调整通道间的权重。

3.根据权利要求1所述的基于增量学习cnn树形模型的基板缺陷检测方法，其特征在于，所述softmax输出层通过softmax函数将cnn对图像的响应转化为指数标度代替分类为每个子结点的图像数量，得到输入图像的三维似然矩阵。

4.根据权利要求3所述的基于增量学习cnn树形模型的基板缺陷检测方法，其特征在于，所述softmax函数表示为：

5.根据权利要求1所述的基于增量学习cnn树形模型的基板缺陷检测方法，其特征在于，所述三维似然矩阵表示为：

6.根据权利要求...

【专利技术属性】
技术研发人员：曾勇，单纯，梅艳芳，彭正新，李致富，卓琳青，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：