[发明专利]一种基于深度学习的芯片表面缺陷分类装置和方法

权利要求书

1.一种基于深度学习的芯片表面缺陷分类方法，其特征在于，包括如下步骤：

S01：将拍摄图像输入至图像预处理单元，所述图像预处理单元对拍摄图像进行预处理，形成处理图像，将拍摄图像和处理图像合并为图像集，所述图像集包括训练图像集；其中，所述训练图像集包括多个训练图像及其对应的缺陷类型；

S02：将训练图像集输入至训练单元中进行模型训练，得到识别模型；

S03：将待识别图像输入至所述识别模型中，通过所述识别模型的识别，得出对应的缺陷类型。

2.根据权利要求1所述的一种基于深度学习的芯片表面缺陷分类方法，其特征在于，所述步骤S01中图像预处理单元对拍摄图像进行预处理的方法包括放大、缩小、旋转、错切中的一种或多种；所述拍摄图像经过所述图像预处理单元进行预处理之后，形成至少一个处理图像。

3.根据权利要求2所述的一种基于深度学习的芯片表面缺陷分类方法，其特征在于，所述处理图像与对应的拍摄图像的缺陷类型相同。

4.根据权利要求1所述的一种基于深度学习的芯片表面缺陷分类方法，其特征在于，所述步骤S01中图像预处理单元对拍摄图像进行预处理之前，对拍摄图像进行噪声判断，并删除判断为噪声图像的拍摄图像。

5.根据权利要求1所述的一种基于深度学习的芯片表面缺陷分类方法，其特征在于，所述步骤S01中将所述图像集分为训练图像集和测试图像集，且所述训练图像集和测试图像集无交集，所述测试图像集包括多个测试图像及其对应的缺陷类型。

6.根据权利要求5所述的一种基于深度学习的芯片表面缺陷分类方法，其特征在于，所述步骤S02中得到识别模型具体包括如下步骤：

S021：将训练图像集输入至训练单元中进行模型训练，得出训练中的识别模型；

S022：将测试图像集输入至训练中的识别模型中进行模型测试，得出该训练中的识别模型的分类准确率；

S023：重复步骤S021-S022M次，且第M次重复步骤S021-S022得出识别模型；其中，第M次重复步骤S021-S022得出的分类准确率大于等于准确率阈值，M为大于0的整数。

7.根据权利要求6所述的一种基于深度学习的芯片表面缺陷分类方法，其特征在于，所述步骤S023中重复步骤S021-S022N次，若第N次得出的分类准确率大于等于准确率阈值，且分类准确率在N次迭代内不再提升，则第N次重复步骤S021-S022得出识别模型；其中，N为小于等于M的整数。

8.根据权利要求6所述的一种基于深度学习的芯片表面缺陷分类方法，其特征在于，所述步骤S021中将训练图像集中所有训练图像依次输入至训练单元中进行模型训练；

所述步骤S022中将测试图像集中所有的测试图像依次输入至训练中的识别模型中进行模型测试。

9.根据权利要求1所述的一种基于深度学习的芯片表面缺陷分类方法，其特征在于，所述识别模型为深度卷积神经网络模型。

10.一种基于深度学习的芯片表面缺陷分类装置，其特征在于，包括图像预处理单元和训练单元；

所述图像预处理单元用于对拍摄图像进行预处理，形成处理图像，所述拍摄图像和处理图像形成图像集，所述图像集包括训练图像集，所述训练图像集输入至所述训练单元进行模型训练，得出识别模型，待识别图像输入至所述识别模型中，通过所述识别模型的识别，得出对应的缺陷类型；其中，所述训练图像集包括多个训练图像及其对应的缺陷类型。