[发明专利]一种电致发光半导体板材表面缺陷AI检测方法

权利要求书

1.一种电致发光半导体板材表面缺陷AI检测方法，其特征在于包括如下顺序的步骤：(1)第一次图像增强处理；(2)图像缺陷标注和转化；(3)训练、验证和测试图像的随机分配；(4)第二次图像增强处理；(5)建立目标检测神经网络；(6)数据训练获得最佳权重参数；(7)板材图像AI检测。

2.根据权利要求1所述的AI检测方法，其特征在于所述的第一次图像增强处理包括以下顺序的步骤：(1)输入包含缺陷的半导体板材电致发光图像，利用图像裁剪函数，将输入图像大小调整的像素为640×640的正方形图像；(2)编写图像随机翻转算法，将图像水平方向和竖直方向翻转概率设为0.5，进行图像翻转并保存；(3)编写图像随机旋转算法，设定步长为2°-10°，各个旋转方向是否旋转的概率设为0.5，以保证图像变化的随机性，进行图像旋转并保存；(4)获得共计4倍于原输入图像数的互不相同的，像素为640×640为半导体板材缺陷图像，进行批量重命名。

3.根据权利要求1所述的AI检测方法，其特征在于所述的图像缺陷标注和转化包括以下顺序的步骤：(1)对半导体板材缺陷位置进行标注，获得每处缺陷对应的的图像信息；(2)编写格式转化算法，将可扩展标记语言格式的缺陷信息转化为张量格式，张量前系数表示缺陷种类，对应卷积神经网络输入端所需格式；(3)将缺陷图像标签和张量名称进行归一化处理，通过排序算法，使之按相同标签名顺序排列。

4.根据权利要求1所述的AI检测方法，其特征在于所述的训练、验证和测试图像的随机分配包括以下顺序的步骤：(1)编写随机取样算法，通过random.Sample函数对按序排列的图像以及对应标签进行遍历，以5-8：2-4：1的取样比例以随机步长取样；(2)确定文件路径，将缺陷信息以张量形式保存在相应数据集中。

5.根据权利要求1所述的AI检测方法，其特征在于所述的第二次图像增强处理包括以下顺序的步骤：(1)设定程序每次对图像参数归一化处理时读取4-9个图片的数据；(2)从训练集中随机取4-9个张图片，进行随机分布、随机缩放和随机拼接处理。

6.根据权利要求1所述的AI检测方法，其特征在于所述的建立目标检测神经网络包括以下顺序的步骤：(1)采用自适应锚框计算方法，在初始锚框的基础上输出预测框，进而和真实框groundtruth比对，计算二者差值，再反向更新、迭代，对网络权重参数进行调整；每次训练时，以自适应方式输出训练集中的最佳锚框值；(2)输入经过预处理的规格为3x640x640的图像，并复制4份，然后采用切片操作将复制的图像裁剪为4个3x320x320的切片；(3)使用concat函数在图像深度方向上连接4个切片，获得规格为12x320x320输出图像；(4)通过卷积核数为32的卷积层，生成规格为32x320x320图像，再经过batch_borm函数和leaky_relu函数将输出结果输入到下一个卷积层；(5)主干网络采用Resnet残差网络结构，经卷积核数为32的卷积层卷积后，通过残差结构与初始输入相加，并通过depth multiple函数控制模型的深度；(6)将原输入分成两个分支，分别进行卷积操作使通道数减半，然后输入分支一进行瓶颈网络倍增操作，随后利用concat函数将输出分为输出分支一和输出分支二，从而使跨阶段局部网络的输入和输出图像特征大小相同；(7)对高层特征图进行反卷积和反池化的上采样过程，特征融合采用直接相加的方法，使用自适应特征池化恢复每个候选区域和所有特征层次之间被破坏的信息路径，聚合每个特征层次上的每个候选区域，避免被任意分配；(8)在spp层输入特征图像，经过1x1的卷积层后输出，然后经过并列的三个Maxpool进行下采样，将结果与其初始特征相加，输出结果。