[发明专利]利用神经网络模型对异常晶背图像进行分类的方法及装置

权利要求书

1.一种利用神经网络模型对异常晶背图像进行分类的方法，包括如下步骤：

步骤S1，从数据库获取异常晶背图像进行标记，构建训练集、测试集以及验证集；

步骤S2，利用神经网络模型构建晶背图像分类模型，利用训练集中的训练样本对所构建的晶背图像分类模型进行训练，生成可快速准确识别有异常的晶背缺陷图的晶背图像分类模型；

步骤S3，获取实际线上的晶背图像，将其输入到训练好的晶背图像分类模型进行分类，输出分类结果。

2.如权利要求1所述的一种利用神经网络模型对异常晶背图像进行分类的方法，其特征在于：于步骤S2中，基于Faster RCNN网络构建所述晶背图像分类模型。

3.如权利要求2所述的一种利用神经网络模型对异常晶背图像进行分类的方法，其特征在于：所构建的晶背图像分类模型包括卷积神经网络、RPN网络、ROIpooling层以及分类层。

4.如权利要求3所述的一种利用神经网络模型对异常晶背图像进行分类的方法，其特征在于，步骤S2进一步包括：

步骤S200，利用神经网络模型构建晶背图像分类模型，；

步骤S201，将训练集中作为训练样本的晶背图像输入到所述晶背图像分类模型，经所述卷积神经网络进行特征提取，输出每张图像的特征图；

步骤S202，将提取的特征图输入到RPN网络与ROI pooling层两个分支，其中一个分支利用RPN网络生成Anchor box，对其进行裁剪过滤后通过softmax函数判断anchors属于前景或者后景，同时利用边框回归修正anchor box，形成较精确的候选探测框，另一个分支将特征图输入到ROI pooling层，同时ROI pooling层接收RPN层得到的候选探测框信息，结合两者提取候选探测框所对应位置的特征图；

步骤S203，利用探测分类概率和探测边框回归对分类概率和边框回归联合训练，最后输出边界盒的位置及缺陷类别。

5.如权利要求4所述的一种利用神经网络模型对异常晶背图像进行分类的方法，其特征在于，于步骤S1之后，还包括如下步骤：

对标记好的样本进行扩增。

6.如权利要求5所述的一种利用神经网络模型对异常晶背图像进行分类的方法，其特征在于，对标记好的训练样本进行扩增可采用旋转、翻转或多张图合成方式。

7.如权利要求5所述的一种利用神经网络模型对异常晶背图像进行分类的方法，其特征在于：于步骤S201中，所述卷积神经网络采用残差网络resnet，在残差网络resnet最后一个block运用可变形卷积。

8.如权利要求7所述的一种利用神经网络模型对异常晶背图像进行分类的方法，其特征在于：于步骤S201中，在进行特征提取时还运用特征金字塔网络FPN进行特征融合。

9.如权利要求8所述的一种利用神经网络模型对异常晶背图像进行分类的方法，其特征在于：于步骤S203中，利用soft-nms算法对该些候选探测框进行融合，以提高候选探测框的位置准确率。

10.一种利用神经网络模型对异常晶背图像进行分类的装置，包括：

训练图像集生成单元，用于从数据库获取异常晶背图像进行标记,，构建训练集、测试集以及验证集；

晶背图像分类模型构建及训练单元，用于利用神经网络模型构建晶背图像分类模型，利用训练集中的训练样本对所构建的晶背图像分类模型进行训练，生成可快速准确识别有异常的晶背缺陷图的晶背图像分类模型；

晶背图像分类单元，用于获取实际线上的晶背图像，将其输入到训练好的晶背图像分类模型进行分类，输出分类结果。