[发明专利]一种基于DenseNet进行激光芯片缺陷分类的方法

权利要求书

1.一种基于DenseNet进行激光芯片缺陷分类的方法，其特征在于，包括搭建DenseNet网络模型；

获得芯片表面缺陷数据集，并投入搭建好的DenseNet网络模型中进行预训练；

将预训练的DenseNet网络模型进行微调，进行激光器芯片的缺陷分类。

2.根据权利要求1所述的基于DenseNet进行激光芯片缺陷分类的方法，其特征在于，所述DenseNet网络模型采用pytorch进行搭建。

3.根据权利要求1所述的基于DenseNet进行激光芯片缺陷分类的方法，其特征在于，所述DenseNet网络模型将整个网络划分成了多个Dense块，每个Dense块之间具有过渡层，所述过渡层包含1*1的卷积层和2*2的平均池化层；

Dense块通过密集连接将块内的每个卷积层连接起来。

4.根据权利要求3所述的基于DenseNet进行激光芯片缺陷分类的方法，其特征在于，所述Dense块之间附加有额外的过渡层对特征图进行处理。

5.根据权利要求4所述的基于DenseNet进行激光芯片缺陷分类的方法，其特征在于，在所述过渡层加上压缩因子θ，令压缩因子0θ≤1。

6.根据权利要求3所述的基于DenseNet进行激光芯片缺陷分类的方法，其特征在于，所述Dense块中有L层，包括有L(L+1)/2个短连接；即将块中某一层之前所有层的输出作为该层的输入，即第L层可写作：

X_L＝H_L([X₀,X₁,…,XL_-1])。

其中[X₀,X₁,…，X_L-1]为前L-1层的所有输入拼接成一个张量；H_L则是该层的系统函数，包含：批处理归一化(BN层)、非线性激活函数ReLU以及3*3卷积层。

7.根据权利要求6所述的基于DenseNet进行激光芯片缺陷分类的方法，其特征在于，所述微调包括：

替换DenseNet网络的输入层，使用激光器芯片的缺陷样本继续训练；

微调时冻结卷积神经网络的前层的参数，调小后层的学习率对网络进行训练；

将参数微调后的DenseNet网络保存，并用于激光器芯片缺陷的分类。

8.根据权利要求1所述的基于DenseNet进行激光芯片缺陷分类的方法，其特征在于，所述芯片表面缺陷数据集包括多个数据集，所述数据集保包含有显示无缺陷背景纹理的图像以及在背景纹理上标记有缺陷的图像；

每个数据集中由不同的纹理模型和缺陷模型生成。

9.根据权利要求1所述的基于DenseNet进行激光芯片缺陷分类的方法，其特征在于，所述芯片表面缺陷数据集投入搭建好的DenseNet网络模型之前需要对芯片表面缺陷数据集进行预处理，所述预处理包括图像进行归一化、标准化处理，并通过图像增强技术增加训练集的数量。