[发明专利]一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测系统及方法在审

专利信息
申请号: 202110984852.9 申请日: 2021-08-25
公开(公告)号: CN113781412A 公开(公告)日: 2021-12-10
发明(设计)人: 汪俊;花诗燕;李大伟 申请(专利权)人: 南京航空航天大学
主分类号: G06T7/00 分类号: G06T7/00;G06T7/73;G06K9/46;G06K9/62;G06N3/04;G06N3/08
代理公司: 南京钟山专利代理有限公司 32252 代理人: 王路
地址: 210016 江*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 深度 学习 高分辨率 扫描 图像 芯片 多余 检测 系统 方法
【权利要求书】:

1.一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测系统,其特征在于,包括:CT扫描仪、运算服务器以及数据存储器,CT扫描仪连接着运算服务器和数据存储器,CT扫描仪用于扫描整个芯片内部区域,完成数据采集,基于深度学习模型实现多余物的检测与定位,构建高分辨率CT扫描图像分区域裁剪图像,其中包括含缺陷图像与不含缺陷的图像,对高分辨率CT扫描图像分区域进行智能化分类,筛选出含缺陷图像进行训练,使多余物的检测更加高效;运算服务器用于X光高分辨率扫描图像下芯片多余物检测所搭建的深度学习模型的运算,实现多余物位置的精确识别;所述数据存储器用于存储与管理数据。

2.根据权利要求1所述的一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测系统,其特征在于,CT扫描仪采集的数据类型为各通用图片格式,包括JPG、PNG、BMP格式。

3.一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测方法,其特征在于,具体包括以下步骤:

步骤1,CT扫描仪根据芯片对X线的吸收与透过率的不同,对芯片进行扫描,摄下芯片内部的断面或立体的图像,发现芯片内部的细小异物;

步骤2,利用CT扫描仪采集X光高分辨率扫描图像下芯片的图像数据;

步骤3,构建芯片多余物检测深度学习模型,搭建深度学习模型,将步骤2采集到的图像数据送入深度学习模型进行训练,得到训练好的完整模型;

步骤4,将从步骤2采集到的图像数据信息送入深度学习模型中,通过运算服务器的运算实现多余物位置的精确识别。

4.根据权利要求1所述的一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测方法,其特征在于,所述步骤(3)中搭建深度学习模型的过程具体包括:

步骤3a,,构建高分辨率CT扫描图像分区域裁剪图像,包括含缺陷与不含缺陷的图像,对高分辨率图像分区域进行智能化分类,筛选出含缺陷的图像进行训练;

步骤3b,对含缺陷的芯片高分辨率CT扫描图像构建数据集,用于深度学习模型的训练和测试;

步骤3c,构建基于深度学习的CT扫描图像多余物检测网络,在网络输入分辨率,卷积层数,参数量和层输出通道数量之间找到最佳平衡;

步骤3d,构建LOSS函数,LOSS函数衡量细微的差异,使优化函数利用梯度下降方法快速找到最优解。

5.根据权利要求4所述的一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测方法,其特征在于,步骤3c基于深度学习的CT扫描图像多余物检测网络中,backbone即主干网络采用CSPDarknet53;Neck采用SPP、PANet,即SpatialPyramidPooling、PathAggregation Network,SPP使用同一图像不同尺寸作为输入,得到同样长度的池化特征,处理不同纵横比和不同尺寸的输入图像;PANet通过自底向上的路径增强,利用准确的低层定位信号增强整个特征层次,缩短低层与顶层特征之间的信息路径;Head采用基于anchorbox的YOLOv3即YouOnlyLookOncev3。

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南京航空航天大学,未经南京航空航天大学许可,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/202110984852.9/1.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