[發明專利]基于深度學習的激光芯片缺陷檢測方法與系統、設備及存儲介質

在審

• 申請號: 202110341277.0
• 申請日: 2021-03-30
• 公開（公告）號: CN113077431A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 李燈熬;趙菊敏;郭帥
• 申請（專利權）人: 太原理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08;G06T5/50
• 代理公司: 北京一品慧誠知識產權代理有限公司 11762
• 代理人: 張宇

1.基于深度學習的激光芯片缺陷檢測方法，其特征在于，所述檢測方法包括，

S11獲得激光器芯片的原始圖像；

S12采用VGG-16網絡進行遷移學習，進行原始圖像的特征提取；

S13融合原始圖像和VGG-16網絡卷積后的圖像，輸入Faster R-CNN的RPN網絡確定候選框，并對候選框內的特征進行缺陷分類；

S14利用Fast R-CNN檢測器確定原始圖像的缺陷類型。

2.如權利要求1所述的基于深度學習的激光芯片缺陷檢測方法，其特征在于，所述S11步驟包括：利用紅外相機獲得激光器芯片的原始圖像。

3.如權利要求1所述的基于深度學習的激光芯片缺陷檢測方法，其特征在于，所述檢測方法還包括，

提取由紅外相機獲得的激光器芯片損傷缺陷圖像的數據集；

數據擴充及預處理；

利用VGG-16網絡提取特征；

將原始圖像與VGG-16網絡卷積后的圖像融合后輸入RPN網絡；

利用Fast R-CNN檢測器進行目標區域框回歸訓練；

劃分訓練集、驗證集及測試集，通過訓練集集驗證集進行初始化網絡結構，得到訓練完成的網絡；

評估Faster R-CNN模型。

4.如權利要求1所述的基于深度學習的激光芯片缺陷檢測方法，其特征在于，所述檢測方法還包括，

所述VGG-16網絡包括5個卷積層，

將原始圖像和第五層卷積后的圖像相融合再傳送給RPN網絡。

5.如權利要求1所述的基于深度學習的激光芯片缺陷檢測方法，其特征在于，所述S13還包括，

調整候選框的寬高比；

基于缺陷隨機分布的特點，設置錨點的橫縱比例小于預設閾值。

6.如權利要求1-5任意一項所述的基于深度學習的激光芯片缺陷檢測方法，其特征在于，所述缺陷類型包括表面點蝕、表面劃痕、腔面錯位、表面裂紋和/或表面擦痕。

7.基于深度學習的激光芯片缺陷檢測系統，其特征在于，激光芯片缺陷檢測系統包括，

采集模塊，用于獲得激光器芯片的原始圖像；

提取模塊，用于采用VGG-16網絡進行遷移學習，進行原始圖像的特征提取；

分類模塊，用于融合原始圖像和VGG-16網絡卷積后的圖像，輸入Faster R-CNN的RPN網絡確定候選框，并對候選框內的特征進行缺陷分類；

檢測模塊，利用Fast R-CNN檢測器確定原始圖像的缺陷類型。

8.一種激光芯片缺陷識別設備，其特征在于，所述激光芯片缺陷識別設備包括：存儲器、處理器，通信總線以及存儲在所述存儲器上的基于深度學習的激光芯片缺陷檢測程序，

所述通信總線用于實現處理器與存儲器間的通信連接；

所述處理器用于執行所述基于深度學習的激光芯片缺陷檢測程序，以實現如權利要求1至6中任一項所述的基于深度學習的激光芯片缺陷檢測方法的步驟。

9.一種存儲介質，其特征在于，所述存儲介質上存儲有基于深度學習的激光芯片缺陷檢測程序，所述基于深度學習的激光芯片缺陷檢測程序被處理器執行時實現如權利要求1至6中任意一項所述基于深度學習的激光芯片缺陷檢測方法的步驟。