[發明專利]一種基于錨點集優化的硅片圖像缺陷檢測方法

在審

• 申請號: 201910853422.6
• 申請日: 2019-09-10
• 公開（公告）號: CN110555842A
• 公開（公告）日: 2019-12-10
• 發明（設計）人: 王安紅;王曉茹;張雪英;趙利軍;李沛豪
• 申請（專利權）人: 太原科技大學;太原理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 14116 太原中正和專利代理事務所(普通合伙)
• 代理人: 焦進宇

1.一種基于錨點集優化的硅片圖像缺陷檢測方法，其特征在于，該硅片檢測方法按以下步驟進行:

(1)訓練數據構建

在網絡訓練前，將原始圖像進行對稱、旋轉、鏡像以及調整亮度的方式擴充訓練樣本，防止過擬合，通過同態濾波增強目標區域與背景區域的灰度差異；

(2)利用深度卷積神經網絡進行特征提取-設計Faster R-CNN和ResNet-50的融合網絡對于Faster R-CNN的特征提取部分，選用ResNet-50模型，首先在ImageNet上預訓練殘差神經網絡—ResNet-50網絡，然后將預處理后的訓練集圖像輸入殘差神經網絡的淺層網絡，通過多個激活的卷積層自動提取圖像特征，得到不同大小的特征圖；

(3)通過RPN網絡進行區域建議，利用優化后的錨點集生成候選框

RPN網絡根據深度神經網絡得到的卷積特征，使用優化后的錨點集進行訓練和區域建議，并自動生成候選框；

(4)通過RoI pooling層使每個RoI生成固定尺寸的特征圖

將RPN網絡生成的候選錨點映射到殘差網絡的第四層卷積的特征圖上，并與第五層卷積相連接，再通過RoI pooling層得到固定大小的特征圖，即固定每個建議的大??；

(5)分類與回歸

將上一層的結果通過全連接層連接softmax層進行缺陷類別的具體判斷，連接邊框回歸層獲得缺陷區域的精確位置。

2.根據權利要求1所述的一種基于錨點集優化的硅片圖像缺陷檢測方法，其特征在于：

步驟(1)中，網絡訓練開始之前，除了對輸入圖像進行擴充外，還應對輸入圖像進行預處理，即對于任意大小的輸入圖像，在進入網絡之前都對圖片進行歸整化的設定，即圖像短邊不超過600，長邊不超過1000，并在規整化后的數據集上進行網絡的訓練。

3.根據權利要求1所述的一種基于錨點集優化的硅片圖像缺陷檢測方法，其特征在于：步驟(2)中，在ImageNet上預訓練一個殘差神經網絡，方法是：基于ResNet-50圖像分類網絡，在ImageNet數據集上訓練，得到的網絡參數作為初始參數，之后的訓練和測試都在這個初始參數上作微調。

Faster R-CNN和ResNet-50的融合模型中，ResNet-50是由16個殘差塊堆疊而成的卷積結構，每個殘差塊由卷積層、批歸一化層、修正線性單元ReLu堆疊行成，在特征提取部分，對于工業背景復雜度小、功耗低的需求，選擇ResNet-50的淺層結構進行特征提取，然后將第五層卷積網絡附著在RPN網絡之后。