CN109919908A - 发光二极管芯片缺陷检测的方法和装置 - Google Patents
发光二极管芯片缺陷检测的方法和装置 Download PDFInfo
- Publication number
- CN109919908A CN109919908A CN201910065080.1A CN201910065080A CN109919908A CN 109919908 A CN109919908 A CN 109919908A CN 201910065080 A CN201910065080 A CN 201910065080A CN 109919908 A CN109919908 A CN 109919908A
- Authority
- CN
- China
- Prior art keywords
- image
- electrode
- defect
- defects
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种发光二极管芯片缺陷检测的方法和装置,属于半导体技术领域。所述方法包括:获取待检测芯片的图像;将待检测芯片的图像划分为外延部分的图像和电极部分的图像;从外延部分的图像中截取外延缺陷部分的图像,并将外延缺陷部分的图像输入第一卷积神经网络,得到外延缺陷部分的缺陷类型,第一卷积神经网络的参数通过采用多个标定有缺陷类型的外延缺陷图像进行训练得到;从电极部分的图像中截取电极缺陷部分的图像,并将电极缺陷部分的图像输入第二卷积神经网络,得到电极缺陷部分的缺陷类型,第二卷积神经网络的参数通过采用多个标定有缺陷类型的电极缺陷图像进行训练得到。本发明特别满足工业生产的需求。
Description
技术领域
本发明涉及半导体技术领域,特别涉及一种发光二极管芯片缺陷检测的方法和装置。
背景技术
发光二极管(英文:Light Emitting Diode,简称:LED)是一种可以把电能转化成光能的半导体二极管。LED的核心组件是芯片,芯片包括外延片和设置在外延片上的电极。
芯片在加工过程中可能会产生各种缺陷,如六角、微粗、划伤、颗粒、雾化、绿点等,因此在芯片加工之后,一般会对芯片进行缺陷检测,并按照检测结果(包括缺陷的类型、大小、数量等)划分芯片的等级。
最原始的缺陷检测方法是人工通过显微镜观察待检测的芯片,检测效率和识别准确率都无法满足工业生产需求。后来随着光学检测设备的发展,可以获取到待检测芯片的图像,通过将待检测芯片的图像与无缺陷芯片的图像进行对比,即可确定出待检测芯片是否存在缺陷,检测效率和识别准确率都得到了极大的提升,但是检测能力有限,无法实现芯片的等级划分。现在基于计算机处理能力的大幅提升,可以将待检测芯片的图像依次与各种缺陷芯片的图像进行对比,将相似度最高的缺陷芯片的图像对应的缺陷类型作为待检测芯片的缺陷类型,进而根据待检测芯片的缺陷类型划分等级。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
芯片上同一类型缺陷的表现形式多种多样,如六方晶系、立方晶系和斜方晶系上面缺陷的形状是不同的。但是在具体实现时基本上不可能提供所有表示形式缺陷的图像与待检测芯片的图像进行对比,检测结果的准确性不高,而且将待检测芯片的图像分别与同一类型缺陷各种表示形式的图像进行对比,比较数量庞大,检测效率较低。而如果只选择一种表现形式缺陷的图像进行对比,则检测结果很可能不准确,还是无法满足工业生产需求。
发明内容
本发明实施例提供了一种发光二极管芯片缺陷检测的方法和装置,能够解决现有技术缺陷检测的准确度无法满足工业生产需求的问题。所述技术方案如下:
一方面,本发明实施例提供了一种发光二极管芯片缺陷检测的方法,所述方法包括:
获取待检测芯片的图像;
采用边缘检测模型处理所述待检测芯片的图像,将所述待检测芯片的图像划分为外延部分的图像和电极部分的图像;
将所述外延部分的图像与无缺陷外延片的图像进行比较,从所述外延部分的图像中截取外延缺陷部分的图像,并将所述外延缺陷部分的图像输入第一卷积神经网络,得到所述外延缺陷部分的缺陷类型,所述第一卷积神经网络的参数通过采用多个标定有缺陷类型的外延缺陷图像进行训练得到;
将所述电极部分的图像与无缺陷电极的图像进行比较,从所述电极部分的图像中截取电极缺陷部分的图像,并将所述电极缺陷部分的图像输入第二卷积神经网络,得到所述电极缺陷部分的缺陷类型,所述第二卷积神经网络的参数通过采用多个标定有缺陷类型的电极缺陷图像进行训练得到。
可选地,所述将所述电极缺陷部分的图像输入第二卷积神经网络,得到所述电极缺陷部分的缺陷类型,包括:
对所述电极缺陷部分的图像进行归一化,得到预定规格的电极图像;
将所述预定规格的电极图像输入所述第二卷积神经网络,得到所述电极缺陷部分的缺陷类型。
可选地,所述方法还包括:
获取多个电极缺陷图像;
接收各个所述电极缺陷图像标定的缺陷类型;
采用多个所述电极缺陷图像和各个所述电极缺陷图像标定的缺陷类型,对所述第二卷积神经网络进行训练。
进一步地,所述采用多个所述电极缺陷图像和各个所述电极缺陷图像标定的缺陷类型,对所述第二卷积神经网络进行训练,包括:
依次将多个所述电极缺陷图像输入所述第二卷积神经网络,得到各个所述电极缺陷图像的缺陷类型,并在所述电极缺陷图像得到的缺陷类型与标定的缺陷类型不同时,反向传播调整所述第二卷积神经网络的参数,直到多个所述电极缺陷图像得到的缺陷类型与标定的缺陷类型相同。
可选地,所述方法还包括:
统计所述外延部分的图像中截取的外延缺陷部分的图像的数量、大小和缺陷类型,以及所述电极部分的图像中截取的电极缺陷部分的图像的数量、大小和缺陷类型,确定所述待检测芯片的质量等级。
另一方面,本发明实施例提供了一种发光二极管芯片缺陷检测的装置,所述装置包括:
芯片图像获取模块,用于获取待检测芯片的图像;
图像划分模块,用于采用边缘检测模型处理所述待检测芯片的图像,将所述待检测芯片的图像划分为外延部分的图像和电极部分的图像;
外延图像处理模块,用于将所述外延部分的图像与无缺陷外延片的图像进行比较,从所述外延部分的图像中截取外延缺陷部分的图像,并将所述外延缺陷部分的图像输入第一卷积神经网络,得到所述外延缺陷部分的缺陷类型,所述第一卷积神经网络的参数通过采用多个标定有缺陷类型的外延缺陷图像进行训练得到;
电极图像处理模块,用于将所述电极部分的图像与无缺陷电极的图像进行比较,从所述电极部分的图像中截取电极缺陷部分的图像,并将所述电极缺陷部分的图像输入第二卷积神经网络,得到所述电极缺陷部分的缺陷类型,所述第二卷积神经网络的参数通过采用多个标定有缺陷类型的电极缺陷图像进行训练得到。
可选地,所述电极图像处理模块包括:
电极图像归一化子模块,用于对所述电极缺陷部分的图像进行归一化,得到预定规格的电极图像;
电极缺陷类型确定子模块,用于将所述预定规格的电极图像输入所述第二卷积神经网络,得到所述电极缺陷部分的缺陷类型。
可选地,所述装置还包括:
电极缺陷图像获取模块,用于获取多个电极缺陷图像;
电极缺陷类型接收模块,用于接收各个所述电极缺陷图像标定的缺陷类型;
电极缺陷类型训练模块,用于采用多个所述电极缺陷图像和各个所述电极缺陷图像标定的缺陷类型,对所述第二卷积神经网络进行训练。
进一步地,所述电极缺陷类型训练模块用于,
依次将多个所述电极缺陷图像输入所述第二卷积神经网络,得到各个所述电极缺陷图像的缺陷类型,并在所述电极缺陷图像得到的缺陷类型与标定的缺陷类型不同时,反向传播调整所述第二卷积神经网络的参数,直到多个所述电极缺陷图像得到的缺陷类型与标定的缺陷类型相同。
可选地,所述装置还包括:
确定模块,用于统计所述外延部分的图像中截取的外延缺陷部分的图像的数量、大小和缺陷类型,以及所述电极部分的图像中截取的电极缺陷部分的图像的数量、大小和缺陷类型,确定所述待检测芯片的质量等级。
本发明实施例提供的技术方案带来的有益效果是:
通过在获取待检测芯片的图像之后,先利用边缘检测模型将待检测芯片的图像划分为外延部分的图像和电极部分的图像,可以针对两个部分不同的缺陷情况分别进行处理,化繁为简,提高处理效率。再对外延部分的图像和电极部分的图像分别进行类似的处理,以外延部分的图像为例,先将外延部分的图像与无缺陷外延片的图像进行比较,从中截取出外延片缺陷部分的图像,可以针对缺陷部分进行缺陷类型的判定,排除非缺陷部分或者其它缺陷部分的影响,针对性强,有利于提高准确性和降低运算量。再利用多个标定有缺陷类型的外延缺陷图像训练出的第一卷积神经网络,由外延缺陷部分的图像得到其缺陷类型,不存在多次比较的问题,可以大大提高检测效率。而且卷积神经网络的参数是采用各种缺陷图像训练出来的,各种缺陷类型、缺陷的各种表现形式都会涉及到,检测结果的准确度可以保证,特别满足工业生产的需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种发光二极管芯片缺陷检测的方法的流程图;
图2是本发明实施例提供的芯片图像的示意图;
图3是本发明实施例提供的另一种发光二极管芯片缺陷检测的方法的流程图;
图4是本发明实施例提供的一种发光二极管芯片缺陷检测的装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种发光二极管芯片缺陷检测的方法。图1为本发明实施例提供的一种发光二极管芯片缺陷检测的方法的流程图。参见图1,该方法包括:
步骤101:获取待检测芯片的图像。
在实际应用中,可以利用自动光学检测(英文:Automated Optical Inspection,简称:AOI)设备获取待检测芯片的图像。AOI设备是基于光学原理对工件缺陷进行检测的设备。AOI设备对工件进行检测时,会先通过摄像头扫描工件,得到工件的图像;再处理图像,检查出工件上的缺陷。但是AOI设备可以识别的缺陷种类减少,因此本发明只是利用AOI设备获取到待检测芯片的图像。
步骤102:采用边缘检测模型处理待检测芯片的图像,将待检测芯片的图像划分为外延部分的图像和电极部分的图像。
在实际应用中,发光二极管芯片包括外延片和设置在外延片上的电极。由于电极的铺设情况只能从芯片的正面看到,同时外延片的情况也可以从芯片的正面看到,因此通常将芯片的正面,即最后形成电极的表面的图像作为芯片的图像。图2为本发明实施例提供的芯片图像的示意图。其中,10表示外延片,20表示电极。参见图2,从芯片图像上既能看到设置在芯片顶部的电极的情况,也能看到电极未覆盖区域露出的外延片的情况。
由于外延片是透光的,电极是不透光的,而芯片的图像是将光线射向芯片得到的,因此芯片的图像中外延部分和电极部分相差很大,直接利用边缘检测模型即可将待检测芯片的图像划分为外延部分的图像和电极部分的图像。
示例性地,可以采用差分边缘检测算法、Reborts算法、Sobel算法、Canny算法中的一种将待检测芯片的图像划分为外延部分的图像和电极部分的图像。
步骤103:将外延部分的图像与无缺陷外延片的图像进行比较,从外延部分的图像中截取外延缺陷部分的图像,并将外延缺陷部分的图像输入第一卷积神经网络,得到外延缺陷部分的缺陷类型,第一卷积神经网络的参数通过采用多个标定有缺陷类型的外延缺陷图像进行训练得到。
在本实施例中,无缺陷外延片的图像为没有缺陷的外延片的图像。没有缺陷的外延片可以采用人工检测的方式确定,外延片的图像可以利用AOI设备获取。需要说明的是,由于外延部分的图像是从待检测芯片的图像中划分出来的,因此外延部分的图像中会缺失电极部分的图像,而无缺陷外延片的图像一般会统一选择整个外延片的图像,以避免针对不同形状的电极图像相应更换不同形状的外延片图像,此时只需要将外延部分的图像与无缺陷外延片中相应部分的图像进行比较即可。
如果芯片的外延部分没有缺陷,则外延部分的图像与无缺陷外延片中相应部分的图像一样;如果芯片的外延部分存在缺陷,则外延部分的图像中外延缺陷部分的图像会与无缺陷外延片中相应部分的图像不同,同时外延部分的图像中其它部分的图像与无缺陷外延片中相应部分的图像一样。因此,直接将外延部分的图像与无缺陷外延片的图像进行比较,找出芯片的外延部分中与无缺陷外延片中不同的部分,即可得到芯片的外延部分中缺陷部分的图像。
在具体实现时,依次比较外延部分的图像中各个像素的特征值与无缺陷外延片的图像上相同位置像素的特征值,选取特征值不同或者差值超过设定范围的所有像素,并将选取的像素中相互之间的距离不超过设定值的两个像素归为同一个缺陷部分的图像。
例如,先比较外延部分的图像中第1行第1列像素的特征值,与无缺陷外延片的图像中相同位置像素的特征值是否相同或者差值超过设定范围;再比较外延部分的图像中第1行第2列像素的特征值,与无缺陷外延片的图像中相同位置像素的特征值是否相同或者差值超过设定范围;……;比较外延部分的图像中第1行最后一列像素的特征值,与无缺陷外延片的图像中相同位置像素的特征值是否相同或者差值超过设定范围;比较外延部分的图像中第2行第1列像素的特征值,与无缺陷外延片的图像中相同位置像素的特征值是否相同或者差值超过设定范围;……;比较外延部分的图像中最后一行最后一列像素的特征值,与无缺陷外延片的图像中相同位置像素的特征值是否相同或者差值超过设定范围。
假如外延部分的图像中第i行第j列像素的特征值与无缺陷外延片的图像中相同位置像素的特征值不同或者差值超过设定范围,同时外延部分的图像中第m行第n列像素的特征值与无缺陷外延片的图像中相同位置像素的特征值不同或者差值超过设定范围,i、j、m和n均为正整数,i<a,j<b,m<a,n<b。如果第i行第j列像素和第i行第j列像素之间的距离不超过设定值,则将外延部分的图像中第i行第j列像素和第i行第(j+1)列像素归为同一个外延缺陷部分的图像;如果第i行第j列像素和第i行第j列像素之间的距离超过设定值,则将外延部分的图像中第i行第j列像素和第i行第(j+1)列像素归为两个不同外延缺陷部分的图像。
另外,卷积神经网络(Convolutional Neural Network,简称CNN)是人工神经网络的一种,已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显,使图像可以直接作为网络的输入,避免了传统识别算法中复杂的特征提取和数据重建过程。卷积神经网络是为识别二维形状而特殊设计的一个多层感知器,这种网络结构对平移、倾斜或者其他形式的变形具有高度不变性。
本实施例在通用的卷积神经网络的基础上,将输入设定为外延缺陷部分的图像,输出设定为外延缺陷部分的缺陷类型,并采用多个标定有缺陷类型的外延缺陷图像对卷积神经网络中的参数进行了训练,得到第一卷积神经网络。
步骤104:将电极部分的图像与无缺陷电极的图像进行比较,从电极部分的图像中截取电极缺陷部分的图像,并将电极缺陷部分的图像输入第二卷积神经网络,得到电极缺陷部分的缺陷类型,第二卷积神经网络的参数通过采用多个标定有缺陷类型的电极缺陷图像进行训练得到。
在本实施例中,无缺陷电极的图像为没有缺陷的电极的图像。没有缺陷的电极可以采用人工检测的方式确定,电极的图像可以先利用AOI设备获取电极所在芯片的图像,再利用边缘检测模型从芯片的图像中划分得到。需要说明的是,由于电极的形状可能存在不同,比如有的只有焊盘,有的包括焊盘和电极线,因此通常会针对待检测芯片中电极的形状,预先选定进行比较的无缺陷电极的图像。
至于具体的比较过程与外延部分类似,依次比较电极部分的图像中各个像素的特征值与无缺陷电极的图像上相同位置像素的特征值,选取特征值不同或者差值超过设定范围的所有像素,并将选取的像素中相互之间的距离不超过设定值的两个像素归为同一个缺陷部分的图像。
另外,第二卷积神经网络也与第一卷积神经网络类似,在通用的卷积神经网络的基础上,将输入设定为电极缺陷部分的图像,输出设定为电极缺陷部分的缺陷类型,并采用多个标定有缺陷类型的电极缺陷图像对卷积神经网络中的参数进行了训练,得到第二卷积神经网络。
需要说明的是,步骤103和步骤104的执行没有先后顺序,可以先执行步骤103再执行步骤104,也可以先执行步骤104再执行步骤103,还可以同时执行步骤103和步骤104。
本发明实施例通过在获取待检测芯片的图像之后,先利用边缘检测模型将待检测芯片的图像划分为外延部分的图像和电极部分的图像,可以针对两个部分不同的缺陷情况分别进行处理,化繁为简,提高处理效率。再对外延部分的图像和电极部分的图像分别进行类似的处理,以外延部分的图像为例,先将外延部分的图像与无缺陷外延片的图像进行比较,从中截取出外延片缺陷部分的图像,可以针对缺陷部分进行缺陷类型的判定,排除非缺陷部分或者其它缺陷部分的影响,针对性强,有利于提高准确性和降低运算量。再利用多个标定有缺陷类型的外延缺陷图像训练出的第一卷积神经网络,由外延缺陷部分的图像得到其缺陷类型,不存在多次比较的问题,可以大大提高检测效率。而且卷积神经网络的参数是采用各种缺陷图像训练出来的,各种缺陷类型、缺陷的各种表现形式都会涉及到,检测结果的准确度可以保证,特别满足工业生产的需求。
本发明实施例提供了另一种发光二极管芯片缺陷检测的方法,是图1所示的发光二极管芯片缺陷检测的一种具体实现。图3为本发明实施例提供的另一种发光二极管芯片缺陷检测的方法的流程图。参见图3,该方法包括:
步骤201:获取多个外延缺陷图像。
示例性地,该步骤201可以包括:
获取多个外延片的图像;
依次将各个外延片的图像与无缺陷外延片的图像进行比较,并将外延片的图像中与无缺陷外延片的图像不同的部分作为外延缺陷图像。
在实际应用中,该外延片的图像可以利用AOI设备获取。
另外,为了确保卷积神经网络的参数的训练效果(如卷积神经网络的输出准确),需要获取大量的缺陷图像进行训练,如各种缺陷类型的外延缺陷图像的数量均在1000张以上,以使第一卷积神经网络的输出准确。
可选地,在步骤201之后,该方法还可以包括:
对外延缺陷图像进行归一化处理,得到预定规格的外延缺陷图像。
其中,预定规格可以包括设定的尺寸或格式。
在实际应用中,为了保证卷积神经网络输出结果的准确性,将所有输入进行归一化处理,比如归一化为64像素*64像素的图像,可以避免由于输入图像的不一致造成卷积神经网络输出结果产生误差。
步骤202:接收各个外延缺陷图像标定的缺陷类型。
在实际应用中,为了在卷积神经网络输出不正确时对卷积神经网络的参数进行调整,在获取到外延缺陷图像的同时,还相应接收人为标定的各个外延缺陷图像的缺陷类型(如用不同的数字分别表示不同缺陷类型),以根据人为标定的缺陷类型对卷积神经网络的参数进行调整,使卷积神经网络输出的缺陷类型与接收的缺陷类型相同。
步骤203:采用多个电极缺陷图像和各个电极缺陷图像标定的缺陷类型,对第一卷积神经网络的参数进行训练。
由于人对外界的认知是从局部到全局,而图像的空间联系也是局部的像素较为紧密,距离较远的像素相关性则较弱。因此,神经网络的每个神经元其实没有必要对全局图像进行感知,只需要对局部进行感知,然后在更高层将局部的信息综合起来就得到了全局的信息。
卷积神经网络采用通常设置在靠近网络输入端位置的卷积层(alternatingconvolutional layer)实现对局部进行感知,采用通常设置在靠近网络输出端位置的全连接层实现将局部的信息综合起来。
在具体实现中,卷积层采用至少一种卷积核在图像上做卷积,提取图像中各个局部感知区域的特征,不同种类的卷积核提取的图像特征不同。全连接层是建立上一层的各个神经元与下一层的所有神经元的连接。全连接层的所有输入与任意一个输出满足如下公式:
h=f(∑iWi*xi+b);
其中,h为全连接层的输出,b为偏置值,xi为全连接层的各个输入,Wi为全连接层的各个输入到输出的权重,i表示全连接层的任意一个输入,∑i表示对全连接层的所有输入求和,f()表示函数关系,一般为sigmoid函数或者tanh函数。
本实施例中卷积神经网络的参数可以包括卷积层采用的卷积核,以及全连接层采用的权重和偏置值。另外,除了卷积层和全连接层,卷积神经网络还可以包括通常设置在卷积层输出端的池化层(pooling layer),用于降低图像特征的维度。池化层对不同位置的特征进行聚合统计。如果卷积神经网络还包括池化层,则卷积神经网络的参数还可以包括池化层进行划分的单元。
在实际应用中,卷积神经网络的参数的初始值可以随机设置,然后依次将各个缺陷图像输入卷积神经网络,并在每个缺陷图像输入卷积神经网络之后,获取卷积神经网络输出的缺陷类型,与标定的缺陷类型进行对比,当两者不同时调整卷积神经网络的参数,以使两者相同。即该步骤203可以包括:
依次将多个外延缺陷图像输入第一卷积神经网络,得到各个外延缺陷图像的缺陷类型,并在外延缺陷图像得到的缺陷类型与标定的缺陷类型不同时,反向传播调整第一卷积神经网络的参数,直到多个外延缺陷图像得到的缺陷类型与标定的缺陷类型相同。
例如,先将第1个外延缺陷图像输入第一卷积神经网络,得到第1个外延缺陷图像的缺陷类型,如果第1个外延缺陷图像得到的缺陷类型与标定的缺陷类型一样,则保持第一卷积神经网络的参数不变;如果第1个外延缺陷图像得到的缺陷类型与标定的缺陷类型不同,则按照设定的顺序调整第一卷积神经网络的参数,直到第1个外延缺陷图像得到的缺陷类型与标定的缺陷类型一样。再将第2个外延缺陷图像输入第一卷积神经网络,得到第2个外延缺陷图像的缺陷类型,如果第2个外延缺陷图像得到的缺陷类型与标定的缺陷类型一样,则保持第一卷积神经网络的参数不变;如果第2个外延缺陷图像得到的缺陷类型与标定的缺陷类型不同,则按照设定的顺序调整第一卷积神经网络的参数,直到第2个外延缺陷图像得到的缺陷类型与标定的缺陷类型一样……最后将最后一个外延缺陷图像输入第一卷积神经网络,得到最后一个外延缺陷图像的缺陷类型,如果最后一个外延缺陷图像得到的缺陷类型与标定的缺陷类型一样,则保持第一卷积神经网络的参数不变;如果最后一个外延缺陷图像得到的缺陷类型与标定的缺陷类型不同,则按照设定的顺序调整第一卷积神经网络的参数,直到最后一个外延缺陷图像得到的缺陷类型与标定的缺陷类型一样。然后重复上述循环,直到一个循环中一直保持第一卷积神经网络的参数不变,则第一卷积神经网络训练完毕。
进一步地,反向传播调整卷积神经网络的参数,可以包括:
采用梯度下降法调整卷积神经网络的参数。
在实际应用中,可以逐渐调整(逐渐增大或逐渐减小)卷积神经网络的参数,如继续增大或减小卷积神经网络的参数,直到得到的缺陷类型与标定的缺陷类型一样。
需要说明的是,步骤201-步骤203为可选步骤,通过步骤201-步骤203可以实现对第一卷积神经网络的参数的训练。
步骤204:获取多个电极缺陷图像。
示例性地,该步骤204可以包括:
获取多个芯片的图像;
采用边缘检测模型处理多个芯片的图像,分别将各个芯片的图像划分为外延部分的图像和电极部分的图像;
依次将各个芯片的图像划分出的电极部分的图像与无缺陷电极的图像进行比较,并将电极部分的图像中与无缺陷电极的图像不同的部分作为电极缺陷图像。
在实际应用中,该芯片的图像也可以利用AOI设备获取。
另外,如前所述,为了确保卷积神经网络的参数的训练效果(如卷积神经网络的输出准确),需要获取大量的缺陷图像进行训练。例如,各种缺陷类型的电极缺陷图像的数量均在1000张以上,以使第二卷积神经网络的输出准确。
可选地,在步骤204之后,该方法还可以包括:
对电极缺陷图像进行归一化处理,得到预定规格的电极缺陷图像。
其中,预定规格可以包括设定的尺寸或格式。
在实际应用中,为了保证卷积神经网络输出结果的准确性,将所有输入进行归一化处理,比如归一化为64像素*64像素的图像,可以避免由于输入图像的不一致造成卷积神经网络输出结果产生误差。
步骤205:接收各个电极缺陷图像标定的缺陷类型。
可选地,该步骤205可以与步骤202类似,在此不再详述。
步骤206:采用多个电极缺陷图像和各个电极缺陷图像标定的缺陷类型,对第二卷积神经网络进行训练。
可选地,该步骤206可以与步骤203类似,即该步骤206可以包括:
依次将多个电极缺陷图像输入第二卷积神经网络,得到各个电极缺陷图像的缺陷类型,并在电极缺陷图像得到的缺陷类型与标定的缺陷类型不同时,反向传播调整第二卷积神经网络的参数,直到多个电极缺陷图像得到的缺陷类型与标定的缺陷类型相同。
需要说明的是,步骤204-步骤206为可选步骤,通过步骤204-步骤206可以实现对第二卷积神经网络的参数的训练。另外,步骤201-步骤203和步骤204-步骤206的执行没有先后顺序,可以先执行步骤201-步骤203再执行步骤204-步骤206,也可以先执行步骤204-步骤206再执行步骤201-步骤203,还可以同时执行步骤201-步骤203和步骤204-步骤206。
步骤207:获取待检测芯片的图像。
示例性地,该步骤207可以与步骤101相同,在此不再详述。
步骤208:采用边缘检测模型处理待检测芯片的图像,将待检测芯片的图像划分为外延部分的图像和电极部分的图像。
示例性地,该步骤208可以与步骤102相同,在此不再详述。
步骤209:将外延部分的图像与无缺陷外延片的图像进行比较,从外延部分的图像中截取外延缺陷部分的图像,并将外延缺陷部分的图像输入第一卷积神经网络,得到外延缺陷部分的缺陷类型,第一卷积神经网络的参数通过采用多个标定有缺陷类型的外延缺陷图像进行训练得到。
可选地,将外延缺陷部分的图像输入第一卷积神经网络,得到外延缺陷部分的缺陷类型,可以包括:
对外延缺陷部分的图像进行归一化,得到预定规格的外延缺陷图像;
将预定规格的外延缺陷图像输入第一卷积神经网络,得到外延缺陷部分的缺陷类型。
与步骤201对应,将图像进行归一化处理再输入卷积神经网络,可以避免由于输入图像的不一致造成卷积神经网络输出结果产生误差。
步骤210:将电极部分的图像与无缺陷电极的图像进行比较,从电极部分的图像中截取电极缺陷部分的图像,并将电极缺陷部分的图像输入第二卷积神经网络,得到电极缺陷部分的缺陷类型,第二卷积神经网络的参数通过采用多个标定有缺陷类型的电极缺陷图像进行训练得到。
可选地,将电极缺陷部分的图像输入第二卷积神经网络,得到电极缺陷部分的缺陷类型,可以包括:
对电极缺陷部分的图像进行归一化,得到预定规格的电极缺陷图像;
将预定规格的电极缺陷图像输入第二卷积神经网络,得到电极缺陷部分的缺陷类型。
与步骤204对应,将图像进行归一化处理再输入卷积神经网络,可以避免由于输入图像的不一致造成卷积神经网络输出结果产生误差。
步骤211:统计外延部分的图像中截取的外延缺陷部分的图像的数量、大小和缺陷类型,以及电极部分的图像中截取的电极缺陷部分的图像的数量、大小和缺陷类型,确定待检测芯片的质量等级。
在实际应用中,可以根据行业通用的产品质量标准中对缺陷数量、大小和类型等方面的需求,按照统计结果,将待检测芯片划分到相应的等级中。
需要说明的是,步骤211为可选步骤,通过步骤211可以实现芯片的筛选,以便对芯片进行不同的处理。例如,对于质量上乘(如缺陷比例低于10%)的芯片和质量合格(如缺陷比例在20%~30%之间)的芯片进行不同的分装,对于质量不合格(如缺陷比例在40%以上)的芯片丢弃等。
本发明实施例提供了一种发光二极管芯片缺陷检测的装置,适用于实现图1或者图3所示的发光二极管芯片缺陷检测的方法。图4为本发明实施例提供的一种发光二极管芯片缺陷检测的装置的结构示意图。参见图4,该装置包括:
芯片图像获取模块301,用于获取待检测芯片的图像;
图像划分模块302,用于采用边缘检测模型处理待检测芯片的图像,将待检测芯片的图像划分为外延部分的图像和电极部分的图像;
外延图像处理模块303,用于将外延部分的图像与无缺陷外延片的图像进行比较,从外延部分的图像中截取外延缺陷部分的图像,并将外延缺陷部分的图像输入第一卷积神经网络,得到外延缺陷部分的缺陷类型,第一卷积神经网络的参数通过采用多个标定有缺陷类型的外延缺陷图像进行训练得到;
电极图像处理模块304,用于将电极部分的图像与无缺陷电极的图像进行比较,从电极部分的图像中截取电极缺陷部分的图像,并将电极缺陷部分的图像输入第二卷积神经网络,得到电极缺陷部分的缺陷类型,第二卷积神经网络的参数通过采用多个标定有缺陷类型的电极缺陷图像进行训练得到。
可选地,外延图像处理模块303可以包括:
外延图像归一化子模块,用于对外延缺陷部分的图像进行归一化,得到预定规格的外延图像;
外延缺陷类型确定子模块,用于将预定规格的外延图像输入第一卷积神经网络,得到外延缺陷部分的缺陷类型。
相应地,电极图像处理模块304可以包括:
电极图像归一化子模块,用于对电极缺陷部分的图像进行归一化,得到预定规格的电极图像;
电极缺陷类型确定子模块,用于将预定规格的电极图像输入第二卷积神经网络,得到电极缺陷部分的缺陷类型。
可选地,该装置还可以包括:
外延缺陷图像获取模块,用于获取多个外延缺陷图像;
外延缺陷类型接收模块,用于接收各个外延缺陷图像标定的缺陷类型;
外延缺陷类型训练模块,用于采用多个外延缺陷图像和各个外延缺陷图像标定的缺陷类型,对第一卷积神经网络进行训练。
进一步地,外延缺陷类型训练模块可以用于,
依次将多个外延缺陷图像输入第一卷积神经网络,得到各个外延缺陷图像的缺陷类型,并在外延缺陷图像得到的缺陷类型与标定的缺陷类型不同时,反向传播调整第一卷积神经网络的参数,直到多个外延缺陷图像得到的缺陷类型与标定的缺陷类型相同。
可选地,该装置还可以包括:
电极缺陷图像获取模块,用于获取多个电极缺陷图像;
电极缺陷类型接收模块,用于接收各个电极缺陷图像标定的缺陷类型;
电极缺陷类型训练模块,用于采用多个电极缺陷图像和各个电极缺陷图像标定的缺陷类型,对第二卷积神经网络进行训练。
进一步地,电极缺陷类型训练模块可以用于,
依次将多个电极缺陷图像输入第二卷积神经网络,得到各个电极缺陷图像的缺陷类型,并在电极缺陷图像得到的缺陷类型与标定的缺陷类型不同时,反向传播调整第二卷积神经网络的参数,直到多个电极缺陷图像得到的缺陷类型与标定的缺陷类型相同。
可选地,该装置还可以包括:
确定模块,用于统计外延部分的图像中截取的外延缺陷部分的图像的数量、大小和缺陷类型,以及电极部分的图像中截取的电极缺陷部分的图像的数量、大小和缺陷类型,确定待检测芯片的质量等级。
需要说明的是:上述实施例提供的发光二极管芯片缺陷检测的装置在检测发光二极管芯片缺陷时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的发光二极管芯片缺陷检测的装置与发光二极管芯片缺陷检测的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种发光二极管芯片缺陷检测的方法,其特征在于,所述方法包括:
获取待检测芯片的图像;
采用边缘检测模型处理所述待检测芯片的图像,将所述待检测芯片的图像划分为外延部分的图像和电极部分的图像;
将所述外延部分的图像与无缺陷外延片的图像进行比较,从所述外延部分的图像中截取外延缺陷部分的图像,并将所述外延缺陷部分的图像输入第一卷积神经网络,得到所述外延缺陷部分的缺陷类型,所述第一卷积神经网络的参数通过采用多个标定有缺陷类型的外延缺陷图像进行训练得到;
将所述电极部分的图像与无缺陷电极的图像进行比较,从所述电极部分的图像中截取电极缺陷部分的图像,并将所述电极缺陷部分的图像输入第二卷积神经网络,得到所述电极缺陷部分的缺陷类型,所述第二卷积神经网络的参数通过采用多个标定有缺陷类型的电极缺陷图像进行训练得到。
2.根据权利要求1所述的方法,其特征在于,所述将所述电极缺陷部分的图像输入第二卷积神经网络,得到所述电极缺陷部分的缺陷类型,包括:
对所述电极缺陷部分的图像进行归一化,得到预定规格的电极图像;
将所述预定规格的电极图像输入所述第二卷积神经网络,得到所述电极缺陷部分的缺陷类型。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获取多个电极缺陷图像;
接收各个所述电极缺陷图像标定的缺陷类型;
采用多个所述电极缺陷图像和各个所述电极缺陷图像标定的缺陷类型,对所述第二卷积神经网络进行训练。
4.根据权利要求3所述的方法,其特征在于,所述采用多个所述电极缺陷图像和各个所述电极缺陷图像标定的缺陷类型,对所述第二卷积神经网络进行训练,包括:
依次将多个所述电极缺陷图像输入所述第二卷积神经网络,得到各个所述电极缺陷图像的缺陷类型,并在所述电极缺陷图像得到的缺陷类型与标定的缺陷类型不同时,反向传播调整所述第二卷积神经网络的参数,直到多个所述电极缺陷图像得到的缺陷类型与标定的缺陷类型相同。
5.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
统计所述外延部分的图像中截取的外延缺陷部分的图像的数量、大小和缺陷类型,以及所述电极部分的图像中截取的电极缺陷部分的图像的数量、大小和缺陷类型,确定所述待检测芯片的质量等级。
6.一种发光二极管芯片缺陷检测的装置,其特征在于,所述装置包括:
芯片图像获取模块,用于获取待检测芯片的图像;
图像划分模块,用于采用边缘检测模型处理所述待检测芯片的图像,将所述待检测芯片的图像划分为外延部分的图像和电极部分的图像;
外延图像处理模块,用于将所述外延部分的图像与无缺陷外延片的图像进行比较,从所述外延部分的图像中截取外延缺陷部分的图像,并将所述外延缺陷部分的图像输入第一卷积神经网络,得到所述外延缺陷部分的缺陷类型,所述第一卷积神经网络的参数通过采用多个标定有缺陷类型的外延缺陷图像进行训练得到;
电极图像处理模块,用于将所述电极部分的图像与无缺陷电极的图像进行比较,从所述电极部分的图像中截取电极缺陷部分的图像,并将所述电极缺陷部分的图像输入第二卷积神经网络,得到所述电极缺陷部分的缺陷类型,所述第二卷积神经网络的参数通过采用多个标定有缺陷类型的电极缺陷图像进行训练得到。
7.根据权利要求6所述的装置,其特征在于,所述电极图像处理模块包括:
电极图像归一化子模块,用于对所述电极缺陷部分的图像进行归一化,得到预定规格的电极图像;
电极缺陷类型确定子模块,用于将所述预定规格的电极图像输入所述第二卷积神经网络,得到所述电极缺陷部分的缺陷类型。
8.根据权利要求6或7所述的装置,其特征在于,所述装置还包括:
电极缺陷图像获取模块,用于获取多个电极缺陷图像;
电极缺陷类型接收模块,用于接收各个所述电极缺陷图像标定的缺陷类型;
电极缺陷类型训练模块,用于采用多个所述电极缺陷图像和各个所述电极缺陷图像标定的缺陷类型,对所述第二卷积神经网络进行训练。
9.根据权利要求8所述的装置,其特征在于,所述电极缺陷类型训练模块用于,
依次将多个所述电极缺陷图像输入所述第二卷积神经网络,得到各个所述电极缺陷图像的缺陷类型,并在所述电极缺陷图像得到的缺陷类型与标定的缺陷类型不同时,反向传播调整所述第二卷积神经网络的参数,直到多个所述电极缺陷图像得到的缺陷类型与标定的缺陷类型相同。
10.根据权利要求6或7所述的装置,其特征在于,所述装置还包括:
确定模块,用于统计所述外延部分的图像中截取的外延缺陷部分的图像的数量、大小和缺陷类型,以及所述电极部分的图像中截取的电极缺陷部分的图像的数量、大小和缺陷类型,确定所述待检测芯片的质量等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910065080.1A CN109919908B (zh) | 2019-01-23 | 2019-01-23 | 发光二极管芯片缺陷检测的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910065080.1A CN109919908B (zh) | 2019-01-23 | 2019-01-23 | 发光二极管芯片缺陷检测的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919908A true CN109919908A (zh) | 2019-06-21 |
CN109919908B CN109919908B (zh) | 2020-11-10 |
Family
ID=66960697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910065080.1A Active CN109919908B (zh) | 2019-01-23 | 2019-01-23 | 发光二极管芯片缺陷检测的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919908B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930390A (zh) * | 2019-11-22 | 2020-03-27 | 郑州智利信信息技术有限公司 | 基于半监督深度学习的芯片管脚缺失检测方法 |
CN111080615A (zh) * | 2019-12-12 | 2020-04-28 | 创新奇智(重庆)科技有限公司 | 基于卷积神经网络的pcb缺陷检测***及检测方法 |
CN111145164A (zh) * | 2019-12-30 | 2020-05-12 | 上海感图网络科技有限公司 | 一种基于人工智能的ic芯片缺陷检测方法 |
CN112304960A (zh) * | 2020-12-30 | 2021-02-02 | 中国人民解放军国防科技大学 | 一种基于深度学习的高分辨率图像物体表面缺陷检测方法 |
CN113870202A (zh) * | 2021-09-18 | 2021-12-31 | 中科海拓(无锡)科技有限公司 | 一种基于深度学习技术的远端芯片缺陷检测*** |
CN114066890A (zh) * | 2022-01-14 | 2022-02-18 | 成都数联云算科技有限公司 | 齿轮缺陷检测方法、装置、计算机设备及存储介质 |
CN114397306A (zh) * | 2022-03-25 | 2022-04-26 | 南方电网数字电网研究院有限公司 | 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法 |
US11656181B2 (en) | 2018-12-21 | 2023-05-23 | Industrial Technology Research Institute | Inspection apparatus and inspection method for inspecting light-emitting diodes |
CN116777894A (zh) * | 2023-07-05 | 2023-09-19 | 山东睿芯半导体科技有限公司 | 芯片的表面缺陷检测方法和装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009236593A (ja) * | 2008-03-26 | 2009-10-15 | Mitsubishi Electric Corp | 外観検査支援装置 |
CN101666923A (zh) * | 2008-09-02 | 2010-03-10 | 北京京东方光电科技有限公司 | 液晶显示面板缺陷的处理方法、处理***和维修设备 |
CN103278511A (zh) * | 2013-05-17 | 2013-09-04 | 南京大学 | 基于多尺度角点特征提取的晶片缺陷检测方法 |
CN104597057A (zh) * | 2015-02-02 | 2015-05-06 | 东华大学 | 一种基于机器视觉的柱状二极管表面缺陷检测装置 |
CN106504238A (zh) * | 2016-10-31 | 2017-03-15 | 成都交大光芒科技股份有限公司 | 基于图像处理和卷积神经网络的铁路接触网缺陷检测方法 |
CN107408209A (zh) * | 2014-12-03 | 2017-11-28 | 科磊股份有限公司 | 无需取样及特征选择的自动缺陷分类 |
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
CN107607554A (zh) * | 2017-09-26 | 2018-01-19 | 天津工业大学 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
CN107611046A (zh) * | 2017-07-28 | 2018-01-19 | 华灿光电(浙江)有限公司 | 一种内层缺陷的检测装置及检测方法 |
CN108061735A (zh) * | 2017-12-01 | 2018-05-22 | 工业互联网创新中心(上海)有限公司 | 零部件表面缺陷的识别方法和装置 |
CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
CN109242033A (zh) * | 2018-09-21 | 2019-01-18 | 长鑫存储技术有限公司 | 晶片缺陷模式分类方法及装置、存储介质、电子设备 |
-
2019
- 2019-01-23 CN CN201910065080.1A patent/CN109919908B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009236593A (ja) * | 2008-03-26 | 2009-10-15 | Mitsubishi Electric Corp | 外観検査支援装置 |
CN101666923A (zh) * | 2008-09-02 | 2010-03-10 | 北京京东方光电科技有限公司 | 液晶显示面板缺陷的处理方法、处理***和维修设备 |
CN103278511A (zh) * | 2013-05-17 | 2013-09-04 | 南京大学 | 基于多尺度角点特征提取的晶片缺陷检测方法 |
CN107408209A (zh) * | 2014-12-03 | 2017-11-28 | 科磊股份有限公司 | 无需取样及特征选择的自动缺陷分类 |
CN104597057A (zh) * | 2015-02-02 | 2015-05-06 | 东华大学 | 一种基于机器视觉的柱状二极管表面缺陷检测装置 |
CN106504238A (zh) * | 2016-10-31 | 2017-03-15 | 成都交大光芒科技股份有限公司 | 基于图像处理和卷积神经网络的铁路接触网缺陷检测方法 |
CN107611046A (zh) * | 2017-07-28 | 2018-01-19 | 华灿光电(浙江)有限公司 | 一种内层缺陷的检测装置及检测方法 |
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
CN107607554A (zh) * | 2017-09-26 | 2018-01-19 | 天津工业大学 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
CN108061735A (zh) * | 2017-12-01 | 2018-05-22 | 工业互联网创新中心(上海)有限公司 | 零部件表面缺陷的识别方法和装置 |
CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
CN109242033A (zh) * | 2018-09-21 | 2019-01-18 | 长鑫存储技术有限公司 | 晶片缺陷模式分类方法及装置、存储介质、电子设备 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11656181B2 (en) | 2018-12-21 | 2023-05-23 | Industrial Technology Research Institute | Inspection apparatus and inspection method for inspecting light-emitting diodes |
CN110930390A (zh) * | 2019-11-22 | 2020-03-27 | 郑州智利信信息技术有限公司 | 基于半监督深度学习的芯片管脚缺失检测方法 |
CN110930390B (zh) * | 2019-11-22 | 2020-09-22 | 深圳市海芯微迅半导体有限公司 | 基于半监督深度学习的芯片管脚缺失检测方法 |
CN111080615A (zh) * | 2019-12-12 | 2020-04-28 | 创新奇智(重庆)科技有限公司 | 基于卷积神经网络的pcb缺陷检测***及检测方法 |
CN111080615B (zh) * | 2019-12-12 | 2023-06-16 | 创新奇智(重庆)科技有限公司 | 基于卷积神经网络的pcb缺陷检测***及检测方法 |
CN111145164A (zh) * | 2019-12-30 | 2020-05-12 | 上海感图网络科技有限公司 | 一种基于人工智能的ic芯片缺陷检测方法 |
CN112304960A (zh) * | 2020-12-30 | 2021-02-02 | 中国人民解放军国防科技大学 | 一种基于深度学习的高分辨率图像物体表面缺陷检测方法 |
CN113870202A (zh) * | 2021-09-18 | 2021-12-31 | 中科海拓(无锡)科技有限公司 | 一种基于深度学习技术的远端芯片缺陷检测*** |
CN114066890A (zh) * | 2022-01-14 | 2022-02-18 | 成都数联云算科技有限公司 | 齿轮缺陷检测方法、装置、计算机设备及存储介质 |
CN114397306A (zh) * | 2022-03-25 | 2022-04-26 | 南方电网数字电网研究院有限公司 | 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法 |
CN116777894A (zh) * | 2023-07-05 | 2023-09-19 | 山东睿芯半导体科技有限公司 | 芯片的表面缺陷检测方法和装置 |
CN116777894B (zh) * | 2023-07-05 | 2023-12-29 | 山东睿芯半导体科技有限公司 | 芯片的表面缺陷检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109919908B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919908A (zh) | 发光二极管芯片缺陷检测的方法和装置 | |
US12020417B2 (en) | Method and system for classifying defects in wafer using wafer-defect images, based on deep learning | |
CN109684906B (zh) | 基于深度学习的检测红脂大小蠹的方法 | |
US20130322733A1 (en) | System for detection of non-uniformities in web-based materials | |
TWI834005B (zh) | 干擾過濾之深度學習網路 | |
CN115294473A (zh) | 一种基于目标检测与实例分割的绝缘子故障识别方法及*** | |
CN116091505B (zh) | 一种蓝宝石衬底自动缺陷检测分类的方法和*** | |
CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
CN114359245A (zh) | 一种工业场景下产品表面缺陷检测方法 | |
CN113420619A (zh) | 一种遥感影像建筑物提取方法 | |
CN110443789A (zh) | 一种免疫固定电泳图自动识别模型的建立及使用方法 | |
CN115861170A (zh) | 基于改进yolo v4算法的表面缺陷检测方法 | |
CN116385430A (zh) | 一种机器视觉瑕疵检测方法、装置、介质及设备 | |
CN117474863A (zh) | 一种压缩多头自注意力神经网络的芯片表面缺陷检测方法 | |
CN114549391A (zh) | 一种基于偏振先验的电路板表面缺陷检测方法 | |
CN109919907A (zh) | 发光二极管外延片缺陷检测的方法和装置 | |
CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN113887455B (zh) | 一种基于改进fcos的人脸口罩检测***及方法 | |
CN113469984B (zh) | 一种基于yolo结构的显示面板外观检测方法 | |
CN113256576B (zh) | 基于偏振成像和机器学习的光学元件自动检测***及方法 | |
CN114861771A (zh) | 基于特征提取和深度学习的工业ct图像缺陷分类方法 | |
CN114092441A (zh) | 一种基于双重神经网络的产品表面缺陷检测方法及*** | |
CN112287895A (zh) | 用于河流排污口检测的模型构建方法、识别方法及*** | |
CN117974601B (zh) | 基于模板匹配的硅片表面缺陷检测方法及*** | |
CN115984833A (zh) | 一种基于深度学习的自动识别斜线网的方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |