[发明专利]DFB半导体激光器芯片表面缺陷的人工智能检测方法及其装置

权利要求书

1.一种DFB半导体激光器芯片表面缺陷的人工智能检测方法，其特征在于：检测方法包括以下步骤：

步骤S110，包括获取DFB激光芯片生产过程中对质量检测设备采集的图像信号；

步骤S120，将所述采集的图像信号转换成串行数据信号；

步骤S130，采用预设的五层卷积层与最大池化层交错对所述图像串行数据信号进行处理，提取所述图像串行数据信号的频谱特征；根据所述频谱特征进行芯片表面缺陷的识别；

还包括以下步骤：

步骤S141，通过预设的全连接神经网络对所述频谱特征进行是否为表面缺陷的概率计算，所述表面缺陷的概率是频谱特征符合表面缺陷频谱特征的可能程度，全连接神经网络是预先行成的，通过全连接神经网络对所述频谱特征进行回归分类处理，计算该所述频谱特征所属的芯片表面图像信号符合为表面缺陷的概率；

步骤S142，根据为表面缺陷的概率对DFB芯片进行表面缺陷的判断，将表面缺陷的概率值与表面缺陷概率临界值进行比对，在表面缺陷概率达到表面缺陷概率临界值时，则确定为表面有缺陷；在表面缺陷概率未达到表面缺陷概率临界值时，则确定为表面无缺陷；

五层卷积层包括依次设置的55*55*96的卷积层、27*27*256的卷积层、13*13*384的卷积层、13*13*384卷积层、13*13*256卷积层；

55*55*96的卷积层与27*27*256的卷积层中间设置第一最大池化层；27*27*256的卷积层与第一个13*13*384的卷积层之间设置第二最大池化层；13*13*256卷积层与第一4096全连接层之间设置第三最大池化层；第一4096全连接层的输出连接第一4096全连接层。

2.根据权利要求1所述的一种DFB半导体激光器芯片表面缺陷的人工智能检测方法，其特征在于：在步骤S130之前，该DFB半导体激光器芯片表面缺陷的人工智能检测方法还包括以下步骤：

步骤S210，在DFB激光芯片生产过程中对质量检测设备采集的图像信号，得到正样本图像信号集和负样本图像信号集，所述正样本图像信号集是对质量检测设备采集的激光芯片表面有缺陷的图像信号，所述负样本图像信号集是对质量检测设备采集的激光芯片表面无缺陷的图像信号；

步骤S230，采用卷积神经网络算法分别对所述正样本图像信号集和所述负样本图像信号集进行迭代训练，形成全连接神经网络。

3.一种DFB半导体激光器芯片表面缺陷的人工智能检测装置，其特征在于：包括图像采集模块、频谱转换模块和DFB芯片表面缺陷识别模块，所述图像采集模块用于获取DFB激光芯片生产过程对激光芯片采集的图像信号；所述频谱转换模块用于将所述图像采集模块采集的图像信号归一化转换成串行数据信号；所述DFB芯片表面缺陷识别模块用于采用预设的五层卷积层与平均池化层交错对所述图像串行数据信号进行处理，提取所述图像串行数据信号的频谱特征；所述DFB芯片表面缺陷识别模块用于根据所述频谱特征进行芯片表面缺陷的识别；

五层卷积层包括依次设置的55*55*96的卷积层、27*27*256的卷积层、13*13*384的卷积层、13*13*384卷积层、13*13*256卷积层；

55*55*96的卷积层与27*27*256的卷积层中间设置第一最大池化层；27*27*256的卷积层与第一个13*13*384的卷积层之间设置第二最大池化层；13*13*256卷积层与第一4096全连接层之间设置第三最大池化层；第一4096全连接层的输出连接第一4096全连接层。

4.根据权利要求3所述的一种DFB半导体激光器芯片表面缺陷的人工智能检测装置，其特征在于：还包括了一种终端，包括储存器和处理器，所述储存器中储存有单片机可读指令，所述单片机可读指令被所述处理器执行时，使得所述处理器执行上述所述DFB半导体激光器芯片表面缺陷的人工智能检测装置的步骤。

5.根据权利要求4所述的一种DFB半导体激光器芯片表面缺陷的人工智能检测装置，其特征在于：所述终端还包括了一种储存有单片机可读指令的储存介质，所述单片机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述DFB半导体激光器芯片表面缺陷的人工智能检测方法的步骤。