[发明专利]一种基于特征相似度的自适应聚类方法及应用

说明书

本发明公开了一种基于特征相似度的自适应聚类方法，包括如下步骤：S01：设置初始深度学习参数，提取样品特征；S02：设置初始聚类数k以及步长x，以此确定m个聚类数；S03：对样品特征进行聚类；S04：针对每一组聚类结果，计算其对应的聚类效果函数值f(p)；S05：根据最大聚类数对应的聚类效果函数值梯度，确定新的聚类数k’；S06：重复步骤S03‑S05，直至最大聚类数对应的聚类效果函数值梯度小于梯度阈值，记录当前聚类效果函数值f(k’)；S07：调整深度学习参数，重复步骤S02‑S06n次，选择使当前聚类效果函数值f(k’)最大的深度学习参数和聚类数；并得出其对应的聚类结果。本发明能够更精细准确的对样品特征进行聚类，有利于发现更多导致白色像素的原因。

技术领域

本发明涉及聚类方法，具体涉及一种基于特征相似度的自适应聚类方法及应用。

背景技术

白色像素分布是衡量CIS(CMOS图像传感器)的关键指标之一，CMOS图像传感器中白色像素分布情况直接关系到其产生的图像质量，尤其是在低光或高温下产生图像的均匀性。产生白色像素的根本原因是CMOS图像传感器所在硅片表面具有缺陷或硅片表面被金属玷污，缺陷和金属玷污物可能来源于物料、机台和工艺等；其中，不同工艺原因会造成CMOS图像传感器中白色像素特定的分布模式，而且造成白色像素的工艺原因和白色像素的分布模式之间具有比较明确的一一对应关系。因此，根据CMOS图像传感器输出图像的测试数据可以寻找出白色像素分布模式，进而快速准确地分析造成白色像素分布模式的原因，从而找到产生白色像素分布模式的工艺问题，并反馈给工艺制造。通过对测试数据的分析，可以尽快调整对应的工艺步骤，这对于CIS的质量和制造效率提升有着积极的推动作用。

现有技术中针对CIS中白色像素分布的分析，还没有高速有效的智能分析方法。现有技术中针对CIS输出的图像通常进行人工分析，以经验值或者肉眼观察的方式确定白色像素，并采用肉眼观察的方式总结出白色像素分布情况，再根据制造经验确定造成白色像素分布的原因。现有技术中的分析方法效率低，只能对CMOS图像传感器的测试数据进行简单扼要的分析，无法对白色像素进行有效分类，进而无法准确确定白色像素的分布模式。

随着人工智能的发展，聚类方法逐渐应用在白色像素分布领域；在对白色像素分布模式进行分类时，往往无法准确确定白色像素的聚类数，而聚类数的确定又决定着分类结果的准确性。若无法对白色像素进行准确分类，则不能准确找出白色像素分布与工艺制造之间的对应关系。

发明内容

本发明的目的是提供一种基于特征相似度的自适应聚类方法及应用，能够更精细准确的对样品特征进行聚类，有利于发现更多导致白色像素分布的原因，进而提高白色像素分析效率。

为了实现上述目的，本发明采用如下技术方案：一种基于特征相似度的自适应聚类方法，包括如下步骤：

S01：设置初始深度学习参数，提取样品特征；

S02：设置初始聚类数k以及步长x，以此确定m个聚类数；k、x、m均为大于0的整数；

S03：针对每一个聚类数，对所述样品特征进行聚类，从而得出m组聚类结果；

S04：针对每一组聚类结果，计算其对应的聚类效果函数值f(p)，从而得出m个聚类效果函数值；p表示聚类数；

S05：根据最大聚类数对应的聚类效果函数值梯度；确定新的聚类数k’；

S06：重复步骤S03-S05，直至最大聚类数对应的聚类效果函数值梯度小于梯度阈值，记录当前聚类效果函数值f(k’)；

S07：调整深度学习参数，重复步骤S02-S06n次，选择使当前聚类效果函数值f(k’)最大的深度学习参数和聚类数；并得出其对应的聚类结果。

进一步地，所述步骤S01中深度学习参数包括网络深度、训练批次、批处理大小和特征个数。