[发明专利]一种基于无监督学习的半导体激光器芯片缺陷检测方法

说明书

本发明公开了一种基于无监督学习的半导体激光器芯片缺陷检测方法，该方法以深度学习中的无监督学习为基础，采用的是基于卷积变分自编码器改进而来的，采用卷积变分自编码器的模型与Transfromer的多头注意力机制相结合。一部分图像由卷积变分自编码器经编码器、解码器处理后输出，另一部分图像由卷积变分自编码器中的编码器处理后交由多头注意力机制处理后输出，两组图像进行重构得到重构图像。该方法采取差分机制，完成差分计算，通过阈值判断与特定值比较，来判断芯片有源区是否存在缺陷缺陷。本发明提供的方法可以克服目前半导体激光器芯片缺陷样本不足的问题，并减少了对人工标注数据样本的依赖，消除无关区域的影响，提高检测的准确率。

技术领域

本发明涉及一种半导体激光器芯片领域，具体涉及一种基于无监督学习的半导体激光器芯片缺陷检测方法。

背景技术

自20世纪60年代后，半导体激光器作为一种基础的光电子器件，在光电子技术中被广泛应用。由于半导体激光器具备输出波长范围广、结构简单、易于集成等优势，广泛用于材料加工、光学通讯、医学、激光传感、军事和航天等领。随着各领域对半导体激光器需求不断增大，要求输出功率不断提高，可靠性已成为以半导体激光器为核心器件的开发和应用领域的关键问题，并逐渐被研究人员和产业界关注。而通过研究半导体的缺陷从而进一步对激光器的失效机理进行探索、对失效进行检测并提出改善措施是提高半导体激光器可靠性的必经之路。半导体激光器的缺陷包括很多种，主要包括芯片封装表面缺陷和有源区的缺陷，芯片表面缺陷对芯片的正常工作产生的影响很小，而有源区的小块损失会对整个工作状态产生深远的影响。

目前的芯片缺陷检测方法有：1、传统的人工检测方法，需要专业人士对芯片进行观察分析，消耗大量的人力物力，检测精度低。2、基于传统机器学习的目标检测方法：通过人工提取特征模型建立，常用的特征包括：HOG、SIFT、Haar等，特征提取模型之后进行支持向量机等分类任务，进而得到我们所关注的目标结果，这种目标检测方法提取的特征模型有局限性，检测精度和人工相比有一定提升但是达不到检测要求。3、基于卷积神经网络的目标检测方法：卷积神经网络能够很好的提取部分和整体的特征，最新的神经网络结构有Fast-RCNN、U-net、Efficientdetd等，达到了很高的准确率，但是对于有源区芯片缺陷来说，有着样本数据不平衡，数据集不够大，要求处理速度不达标等缺点。

自从深度学习广泛应用计算机视觉以来，在图像识别和目标检测等领域表现出了强大的性能，深度学习能够提取图像的深层特征，克服了传统方法在目标特征提取不足的问题，因此，为芯片表面缺陷检测提供了新的机遇。而深度学习领域，根据训练样本是否需要标记，可以将深度学习分为监督学习和无监督学习。前者需要大量的数据进行训练并需要对数据进行标注，在半导体激光器芯片有源区缺陷检测领域需要进行像素级别的标注，需要消耗大量人力物力，而且缺陷样本数据不平衡，总体样本数据量达不到监督学习的要求，而基于无监督学习的半导体激光器芯片缺陷检测能很好的达到目的，提高检测准确率。

发明内容

本发明的目的在于面向半导体激光器新芯片缺陷检测问题，围绕目前检测技术中缺陷数据难标注，消耗大量人力物力，样本数据不平衡，数据集不够大以及检测精度低解决的问题，本发明以深度学习中无监督学习为基础，提供一种利用无监督学习检测芯片的有源区缺陷的检测方法。

为了解决上述技术问题，本发明采用的技术方案为：

本发明设计一种基于无监督学习的半导体激光器芯片缺陷检测方法，该方法是基于卷积的变分自编码器改进而来，采用卷积变分自编码器的模型结合Transfromer的多头注意力机制对图像进行处理，输出重构图像，完成差分计算，从而判断芯片有源区是否存在缺陷，具体方法包括以下步骤：

步骤1:对半导体激光器芯片有源区进行图像的采集；

步骤2：对半导体激光器芯片有源区进行图像的预处理；