[发明专利]基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法

说明书

本发明属于人工智能和微波芯片技术领域，公开了一种基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法，对作为数据集的微波芯片进行图像预处理，具体预处理包括灰度转换、图像旋转矫正和去除背景噪声等操作。采集图像经过预处理后，再进行缺陷分类标注，将缺陷分类标注后的数据集分为训练集以及测试集。搭建YOLOv5网络结构，使用经过缺陷分类标注后的训练集对YOLOv5网络结构进行训练，通过反向传播算法调整网络模型权重参数，使用测试集对最终网络进行测试分析，结果表明经过放大处理的微波芯片表面，实现自动快速的缺陷检测以及定位，并达到了较高的准确率、召回率和mAP值。

技术领域

本发明涉及人工智能和微波芯片技术领域，具体涉及一种基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法。

背景技术

作为新一轮科技革命和产业变革的重要驱动力，人工智能正加速与实体经济深度融合，不仅在推动产业数字化过程中找到了更多应用场景，也逐步形成了人工智能产业发展独有的规律。目前，我国人工智能产业发展的五大趋势特征，包括数据总量呈爆发式增长态势、微波计算芯片将成重点领域、量子机器学习将成为重要引擎等。

随着近几年微波芯片的快速发展，微波芯片的制备工艺逐步完善，微波芯片的缺陷成为了研究人员争先研究的课题。而卷积神经网络算法在图像识别分类、语音分析检索、目标检测监控等领域中具有重要的应用价值和非凡的研究意义。YOLO系列算法以其“简洁”的优势独树一帜，在工业界广受欢迎。卷积神经网络最初是通过软件编程的方法实现用于目标检测，研究者们逐渐开始将其用于微波芯片的缺陷检测。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法，通过对微波芯片缺陷原始数据集进行预处理，结合YOLOv5深度学习模型以及模型性能测试，建立完善从图像处理、网络训练以及缺陷识别的关键技术的研究与应用，通过试验对算法实时性以及正确率进行分析，结果表明经过放大处理的微波芯片表面，实现自动快速的缺陷检测以及定位，并达到了较高的准确率、召回率和mAP值。

本发明的技术思路是：通过综合芯片的生产过程的机理和缺陷产生的原因、深度学习的基本概念以及发展、卷积神经网络的定义以及常用模型和目前的深度学习的硬件加速技术。针对作为数据集的微波芯片采集图像进行图像预处理，具体预处理包括灰度转换、图像旋转矫正和去除背景噪声等操作。采集图像经过预处理后，再进行缺陷分类标注，将缺陷分类标注后的数据集分为训练集以及测试集。搭建YOLOv5网络结构，使用经过缺陷分类标注后的训练集对YOLOv5网络结构进行训练，通过反向传播算法调整网络模型权重参数，使用测试集对最终网络进行测试分析，使用soft-NMS算法来代替NMS算法以提升预测准确率，最终优化网络结构，对识别算法的实时性以及准确率进行验证。

为了达到上述目的，本发明采用以下技术方案予以实现。

基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法，包括以下步骤：

步骤1，采用显微镜对微波芯片缺陷所在的区域进行放大拍摄，获取微波芯片缺陷原始数据集；

步骤2，对所述微波芯片缺陷原始数据集进行预处理，得到预处理后的微波芯片缺陷数据集；

步骤3，将所述预处理后的微波芯片缺陷数据集进行缺陷分类标注后分为训练集和测试集；

步骤4，搭建YOLOv5网络结构，采用所述训练集对所述YOLOv5网络结构进行训练，通过反向传播算法和随机梯度下降算法结合调整网络中的权重参数，得到训练好的YOLOv5网络模型；

步骤5，采用所述测试集对所述训练好的YOLOv5网络模型进行测试，确定微波芯片缺陷的类型和位置，以及YOLOv5网络模型的准确率、召回率和mAP值。

本发明技术方案的特点和进一步的改进为：