[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

说明书

本发明公开了一种基于深度学习的芯片表面缺陷分类方法，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；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，通过识别模型的识别，得出对应的缺陷类型。本发明提供的一种基于深度学习的芯片表面缺陷分类装置和方法，本发明使用包括放缩、旋转、错切在内的图像处理方法对原始拍摄图像进行预处理，从而形成大量的训练图像和测试图像，提高了识别模型的训练准确性。

技术领域

本发明涉及机器视觉领域，具体涉及一种基于深度学习的芯片表面缺陷分类装置和方法。

背景技术

集成电路芯片广泛应用于各个领域，是国家经济发展及信息安全的关键。但在其封装制造过程中，芯片表面产生的缺陷会直接影响工作寿命和可靠性。传统的人工检测和分类方法，存在依靠主观经验、耗时耗力、误检率高等缺点，已无法适应产线上高精度高速度的需求。

传统基于机器视觉的芯片缺陷分类技术具有较成熟的框架体系，依次包括如下流程：图像采集，缺陷图像分割，缺陷区域提取，缺陷特征提取与降维，缺陷的识别与分类。但该流程较为依赖缺陷图像预处理以及特征提取阶段，图像处理算法的选择和使用也至关重要。针对这一点，深度卷积神经网络已在各类图像相关的应用场景中证明其特征提取的有效性，以及分类处理、识别和检测等计算机视觉任务的高准确率。

然而，在卷积神经网络进行芯片缺陷识别的过程中，需要先对卷积神经网络模型进行训练，得到能够进行缺陷识别的模型，在训练过程中，需要大量的缺陷图像以及对应的缺陷类型。而实际生产中，由于线上产生的缺陷图片数量有限，难以满足深度卷积神经网络训练数据需求量大的特点；若用于训练的缺陷图像数量不足，则会影响模型的准确性。

发明内容

本发明的目的是提供一种基于深度学习的芯片表面缺陷分类装置和方法，本发明使用包括放缩、旋转、错切在内的图像处理方法对原始拍摄图像进行预处理，从而形成大量的训练图像和测试图像，提高了识别模型的训练准确性。

为了实现上述目的，本发明采用如下技术方案：一种基于深度学习的芯片表面缺陷分类方法，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。

进一步地，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。

进一步地，所述处理图像与对应的拍摄图像的缺陷类型相同。

进一步地，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。

进一步地，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。

进一步地，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；