[发明专利]一种基于DenseNet进行激光芯片缺陷分类的方法

说明书

本发明涉及芯片分类技术领域，具体涉及一种基于DenseNet进行激光芯片缺陷分类的方法，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；本发明通过搭建DenseNet网络模型，利用密集连接机制使得DenseNet实现了特征重用，减轻了梯度消失的问题，而且以更少的参数、更高的训练速度获得了更优的分类准确率；因此利用现有的芯片表面缺陷数据集对网络进行预训练，并保存预训练后的网络参数，对预训练后的卷积神经网络进行微调，再用微调过后的网络来进行激光器芯片缺陷的分类检测。

技术领域

本发明涉及芯片分类技术领域，具体涉及一种基于DenseNet进行激光芯片缺陷分类的方法。

背景技术

半导体激光器具有较高的光电转化效率，具有波长覆盖面广、寿命长、可直接调制、成本低等特点，被广泛应用于光通信系统、消费电子、科研军事、医疗美容、仪器传感等领域，是目前激光器的重要研究方向之一。随着制造工艺，封装技术和材料科学的不断进步，半导体激光器的研究领域相应的跨入更高能量和更高功率。然而在激光器芯片生产过程中，经过复杂的工艺过程，难免出现缺陷。当激光器的输出功率被提高后，其腔面薄膜本身或表面的缺陷，腔面污染、焊料层出现空隙等等，均会吸收光能，出现局部蓄热，当腔面达到损伤阈值，则腔面会高温熔化，并使腔体产生暗线损伤，使得激光器芯片失效，这些损伤称为光学灾变损伤(COD)。

对于激光器芯片，由于缺陷有裂痕，杂质，静电损伤，腔面错位等多种形式，且缺陷部位尺寸较小，同时也无现成的缺陷图像数据库，因而现有的缺陷识别技术的自动化及智能化的水平尚不够高，难以满足需求。

发明内容

本发明所要解决的技术问题是：提供一种有效的避免了因激光芯片缺陷样本不足而引发的图像分类时产生的过拟合问题的基于DenseNet进行激光芯片缺陷分类的方法。

为了解决上述技术问题，本发明采用的技术方案为：一种基于DenseNet进行激光芯片缺陷分类的方法，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。

本发明的有益效果在于：通过搭建DenseNet网络模型，DenseNet具有密集连接机制的卷积神经网络，即在一个Dense块中每个层都会接受其之前所有层的输出作为其额外的输入；正是由于该密集连接机制使得DenseNet实现了特征重用，减轻了梯度消失的问题，而且以更少的参数、更高的训练速度获得了更优的分类准确率；因此利用现有的芯片表面缺陷数据集对网络进行预训练，并保存预训练后的网络参数，对预训练后的卷积神经网络进行微调，再用微调过后的网络来进行激光器芯片缺陷的分类检测。

附图说明

图1为本发明具体实施方式的一种基于DenseNet进行激光芯片缺陷分类的方法的ReLU非线性激活函数；

图2为本发明具体实施方式的一种基于DenseNet进行激光芯片缺陷分类的方法的Dense块结构图；

图3为本发明具体实施方式的一种基于DenseNet进行激光芯片缺陷分类的方法的DenseNet简略结构图；

图4为本发明具体实施方式的一种基于DenseNet进行激光芯片缺陷分类的方法的DenseNet详细结构图；

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1至图4，一种基于DenseNet进行激光芯片缺陷分类的方法，包括