【技术实现步骤摘要】
本专利技术涉及晶体管线形变化检测，具体为一种基于混合模型的晶体管线形变化ai检测方法。
技术介绍
1、在工业生产中，晶体管的线形变化检测是确保产品质量的关键环节。晶体管作为电子设备的核心组件，其线形变化（如位置偏移或形状畸变）可能导致电路性能下降甚至失效。传统的检测方法主要依赖人工目检或单一传感器技术，存在效率低、主观性强、难以量化微小变化等问题。随着工业自动化的发展，基于机器视觉的检测技术逐渐普及，但现有方法通常采用单一模型（如卷积神经网络或形态学算法），难以同时捕捉晶体管线形的空间分布特征和形态细节特征，导致检测精度不足。
2、此外，晶体管线形变化具有多样性，包括位置偏移、弯曲畸变、局部断裂等复杂情况，单一模型的特征提取能力有限，无法全面覆盖这些变化类型。现有技术中，特征融合和分类决策通常采用简单串联或并联结构，未能充分考虑空间特征与形态特征的权重分配，导致模型泛化能力较差。同时，传统方法对实时图像数据的预处理不够充分，边缘模糊或噪声干扰容易影响检测结果。
3、针对上述问题，需一种能够结合多维度特征提取、动态...
【技术保护点】
1.一种基于混合模型的晶体管线形变化AI检测方法，其特征在于，包括：获取晶体管线形样本图像数据，对所述晶体管线形样本图像数据进行预处理操作，构建包含特征提取组件与分类决策组件的混合模型架构；利用预处理后的晶体管线形样本图像数据对所述混合模型架构进行训练优化，确定目标混合检测模型；获取待检测晶体管线形实时图像数据，将所述待检测晶体管线形实时图像数据输入所述目标混合检测模型，执行线形变化特征提取与分类判断操作，确定并输出晶体管线形变化检测结果。
2.根据权利要求1所述的基于混合模型的晶体管线形变化AI检测方法，其特征在于，所述构建包含特征提取组件与分类决策组件...
【技术特征摘要】
1.一种基于混合模型的晶体管线形变化ai检测方法，其特征在于，包括：获取晶体管线形样本图像数据，对所述晶体管线形样本图像数据进行预处理操作，构建包含特征提取组件与分类决策组件的混合模型架构；利用预处理后的晶体管线形样本图像数据对所述混合模型架构进行训练优化，确定目标混合检测模型；获取待检测晶体管线形实时图像数据，将所述待检测晶体管线形实时图像数据输入所述目标混合检测模型，执行线形变化特征提取与分类判断操作，确定并输出晶体管线形变化检测结果。
2.根据权利要求1所述的基于混合模型的晶体管线形变化ai检测方法，其特征在于，所述构建包含特征提取组件与分类决策组件的混合模型架构，包括：分析所述晶体管线形样本图像数据的特征类型，确定用于空间特征提取的第一子组件与用于形态特征提取的第二子组件，将所述第一子组件与所述第二子组件并联构成所述特征提取组件；分析所述晶体管线形样本图像数据的分类需求，确定用于特征融合的第三子组件与用于变化判断的第四子组件，将所述第三子组件与所述第四子组件串联构成所述分类决策组件；将所述特征提取组件的输出端与所述分类决策组件的输入端连接，形成所述混合模型架构。
3.根据权利要求2所述的基于混合模型的晶体管线形变化ai检测方法，其特征在于，所述对所述晶体管线形样本图像数据进行预处理操作，包括：对所述晶体管线形样本图像数据执行灰度化转换处理，生成灰度图像数据；对所述灰度图像数据进行边缘增强滤波处理，提取晶体管线形轮廓特征；对所述轮廓特征进行尺寸归一化处理，生成符合所述特征提取组件输入要求的标准化图像数据。
4.根据权利要求3所述的基于混合模型的晶体管线形变化ai检测方法，其特征在于，所述利用预处理后的晶体管线形样本图像数据对所述混合模型架构进行训练优化，包括：从所述标准化图像数据中划分训练集与验证集，将所述训练集输入所述混合模型架构，通过所述特征提取组件提取空间特征与形态特征，经所述分类决策组件融合后输出初始判断结果；计算所述初始判断结果与预设标准结果的差异值，根据所述差异值调整所述混合模型架构的参数权重；利用所述验证集对调整后的混合模型架构进行性能验证，当验证结果满足预设精度条件时，确定所述目标混合检测模型。
5.根据权利要求4所述的基于混合模型的晶体管线形变化ai检测方法，其特征在于，所述执行线形变化特征提取与分类判断操作，包括：将所述待检测晶体管线形实时图像数据输入所述特征提取组件，通过所述第一子组件提取图像中晶体管线形的位置分布特征，通过所述第二子组件提取图像中晶体管线形的形状轮廓特征；将所述位置分布特征与所述形状轮廓特征输入所述分类决策组件，通过所述第三子组件进行多维度...
【专利技术属性】
技术研发人员：王鑫，范增，马文斌，徐锬，郭干城，
申请(专利权)人：上海千映智能科技有限公司，
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。