[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

说明书

本发明公开了芯片表面缺陷检测技术领域的一种DFB半导体激光器芯片表面缺陷的人工智能检测方法及其装置，包括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；频谱转换模块用于将图像采集模块采集的图像信号转换成串行数据信号；DFB芯片表面缺陷识别模块用于对图像串行数据信号进行处理，提取图像串行数据信号的频谱特征；根据频谱特征进行芯片表面缺陷的识别，本发明将采集的图像信号转换成串行数据信号后，采用预设的五层卷积层与最大池化层交错对图像串行数据信号进行处理，提取图像串行数据信号的频谱特征后，根据频谱特征进行芯片表面缺陷的识别实现对DFB芯片产品外观进行检测，提高DFB芯片产品外观缺陷检测的准确性和效率。

技术领域

本发明涉及芯片表面缺陷检测领域，具体为一种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。

背景技术

芯片是激光收发器最关键的原物料，其质量的好坏，直接决定了激光收发器的性能。而DFB(Distributed Feedback Laser)激光器是一种重要的激光器，DFB激光器即分布式反馈激光器，其不同之处是内置了布拉格光栅(Bragg Grating)，属于侧面发射的半导体激光器。目前，DFB激光器主要以半导体材料为介质，包括锑化镓(GaSb)、砷化镓(GaAs)、磷化铟(InP)、硫化锌(ZnS)等。DFB激光器最大特点是具有非常好的单色性(即光谱纯度)，它的线宽普遍可以做到1MHz以内，以及具有非常高的边模抑制比(SMSR)，目前可高达40-50dB以上。特别是用于5G网络或数据中心设备的高端DFB激光芯片，绝对不容许出现缺陷。为保障此类DFB激光芯片非常高的可靠性，传统的方法采用有经验工程师提供基准样式或基准规则，基于传统图像处理(例如，尺度不变特征变换匹配算法，方向梯度直方图特征，加速稳健特征)，通过这些样式或基准规则，对目标进行识别，传统图像处理对线形及高斯分布的数据集具特征提取效果，但是高端DFB芯片设计复杂，生产过程中需用大量工艺多元化，造成高端DFB芯片表面缺陷图像数据集时有非线性及非高斯分布出现。因此在对DFB芯片产品规格变化多，生产流程需快速调整时，对有鉴定芯片的优劣情况经验之工程师人力的需求过高，而工程师工作易因强度过大，而无法准确地实现对不合格的芯片检测，及时反映生产异常。

基于此，本发明设计了一种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，以解决上述问题。

发明内容

本发明的目的在于提供一种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，以解决上述背景技术中提出在对DFB芯片产品规格变化多，生产流程需快速调整时，对有鉴定芯片的优劣情况经验之工程师人力的需求过高，而工程师工作易因强度过大，而无法准确地实现对不合格的芯片检测，及时反映生产异常的问题。

为实现上述目的，本发明提供如下技术方案：一种DFB半导体激光器芯片表面缺陷的人工智能检测方法，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。

优选的，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；