[发明专利]数据增强及装置、数据增强设备和存储介质在审

专利信息
申请号: 202110260102.7 申请日: 2021-03-10
公开(公告)号: CN112884691A 公开(公告)日: 2021-06-01
发明(设计)人: 陈鲁;肖安七;张嵩 申请(专利权)人: 深圳中科飞测科技股份有限公司
主分类号: G06T5/50 分类号: G06T5/50;G06T7/00
代理公司: 北京清亦华知识产权代理事务所(普通合伙) 11201 代理人: 邵泳城
地址: 518110 广东省深圳市龙华区大浪街*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 数据 增强 装置 设备 存储 介质
【权利要求书】:

1.一种数据增强方法,其特征在于,包括:

获取具有缺陷的第一工件图像;

识别并截取所述第一工件图像中所述缺陷所在的图像区域,以作为第一融合图像;

获取无缺陷的第二工件图像,以作为第二融合图像;及

融合所述第一融合图像和所述第二融合图像,以获取训练图像。

2.根据权利要求1所述的数据增强方法,其特征在于,还包括:

在融合所述第一融合图像和所述第二融合图像前,对所述第一融合图像进行变换处理,所述变换处理包括镜像、平移、旋转、剪切和变形中至少一种。

3.根据权利要求1所述的数据增强方法,其特征在于,所述第一融合图像为多个,所述融合所述第一融合图像和所述第二融合图像,以获取训练图像,包括:

从多个所述第一融合图像中选取目标融合图像;及

将所述目标融合图像与所述第二融合图像融合,以获取所述训练图像。

4.根据权利要求1-3任一项所述的数据增强方法,其特征在于,还包括:

将所有所述训练图像作为训练集,输入至目标检测模型进行训练,以使得所述目标检测模型收敛。

5.根据权利要求4所述的数据增强方法,其特征在于,所述将所有所述训练图像作为训练集,输入至目标检测模型进行训练,以使得所述目标检测模型收敛,包括:

标注所述训练图像中与所述第一融合图像对应的所述缺陷的类型和位置,以生成验证图像;

输入所述训练集至所述目标检测模型,以输出检测结果;

根据所述验证图像和所述检测结果确定损失值;及

根据所述损失值调整所述目标检测模型,以使得目标检测模型收敛。

6.根据权利要求5所述的数据增强方法,其特征在于,所述根据所述验证图像和所述检测结果确定损失值,包括:

将所述检测结果中所述缺陷的类型和对应的所述验证图像的所述缺陷的类型进行比对,以确定类型损失值;

将所述检测结果中所述缺陷的位置和所述验证集中对应的所述验证图像的所述缺陷的位置进行比对,以确定位置损失值;

根据所述类型损失值和所述位置损失值确定所述损失值。

7.根据权利要求5或6所述的数据增强方法,其特征在于,所述将所有所述训练图像作为训练集,输入至所述目标检测模型进行训练,以使得所述目标检测模型收敛,还包括:

在所述损失值小于预设阈值时,确定所述目标检测模型收敛;

在所述损失值大于所述预设阈值时,对所述训练集进行变换处理,并根据变换处理后的所述训练集再次训练所述目标检测模型,直至所述目标检测模型收敛。

8.根据权利要求1所述的数据增强方法,其特征在于,所述第二工件图像为多个,多个所述第二工件图像的图像背景互不相同。

9.根据权利要求1所述的数据增强方法,其特征在于,所述工件包括晶圆,所述缺陷包括外来物、残胶和氧化中至少一种。

10.一种数据增强装置,其特征在于,包括:

第一获取模块,用于获取具有缺陷的第一工件图像;

识别模块,用于识别并截取所述第一工件图像中所述缺陷所在的图像区域,以作为第一融合图像;

第二获取模块,用于获取无缺陷的第二工件图像,以作为第二融合图像;

融合模块,用于融合所述第一融合图像和所述第二融合图像,以获取训练图像。

11.一种数据增强设备,其特征在于,包括处理器,所述处理器用于:

获取具有缺陷的第一工件图像;

识别并截取所述第一工件图像中所述缺陷所在的图像区域,以作为第一融合图像;

获取无缺陷的第二工件图像,以作为第二融合图像;及

融合所述第一融合图像和所述第二融合图像,以获取训练图像。

12.一种包含计算机程序的非易失性计算机可读存储介质,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1-9任意一项所述的数据增强方法。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳中科飞测科技股份有限公司,未经深圳中科飞测科技股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110260102.7/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top