[發(fā)明專利]基于CNN和SVM的劣質芯片識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202111090640.2
• 申請日: 2021-09-17
• 公開（公告）號: CN113920389A
• 公開（公告）日: 2022-01-11
• 發(fā)明（設計）人: 戴鴻君
• 申請（專利權）人: 山東浪潮科學研究院有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06N3/04
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 孫園園

1.一種基于CNN和SVM的劣質芯片識別方法，其特征在于，該方法具體如下：

利用深度學習中的支持向量機分類器，通過原廠芯片的若干差異參數作為正樣例數據，構建、訓練并測試處劣質芯片分類器；

利用卷積神經網絡提取出劣質芯片的圖片特征，通過劣質芯片的圖片特征構建、訓練并測試劣質芯片檢測模型；

將劣質芯片分類器嵌入進劣質芯片檢測模型中構建劣質芯片雙重檢測模型；

將劣質芯片雙重檢測模型嵌入到樹莓派中，樹莓派嵌入劣質芯片檢測裝置中。

2.根據權利要求1所述的基于CNN和SVM的劣質芯片識別方法，其特征在于，構建、訓練并測試劣質芯片分類器具體如下：

構建數據集：收集原廠芯片的若干差異參數作為正樣例數據，收集市面上劣質芯片差異參數作為負樣例數據，將標記為正的正樣例數據和標記為負的負樣例數據整合成數據集；數據集分為測試集和訓練集；

構建并訓練劣質芯片分類器：將訓練集輸入到SVM函數中，在服務器中進行訓練得到劣質芯片分類器；劣質芯片分類器將芯片分為正類和負類，負類為劣質芯片；

測試劣質芯片分類器：將測試集依次輸入劣質芯片分類器中，測試輸出結果是否符合測試集中數據集類別：若不符合，則重新訓練劣質芯片分類器。

3.根據權利要求1所述的基于CNN和SVM的劣質芯片識別方法，其特征在于，構建、訓練并測試劣質芯片檢測模型具體如下：

構建劣質芯片圖片數據庫：以眾包的方式收集劣質芯片圖片，在劣質芯片圖片上打標簽，標簽的位置為芯片上的污點位置、缺口位置及劃痕位置，構建劣質芯片圖片數據庫；將劣質芯片圖片數據庫分為訓練集和測試集；

構建并訓練劣質芯片檢測模型：將訓練集輸入到卷積神經網絡模型函數中，通過服務器進行訓練得到劣質芯片檢測模型；劣質芯片檢測模型利用芯片圖片識別芯片是否為劣質芯片；

測試劣質芯片檢測模型：將測試集依次輸入到劣質芯片檢測模型中，根據劣質芯片檢測模型輸出的結果判斷芯片檢測是否正確：若不正確，則重新訓練劣質芯片檢測模型，直到完全擬合。

4.根據權利要求1所述的基于CNN和SVM的劣質芯片識別方法及系統(tǒng)，其特征在于，將劣質芯片分類器嵌入進劣質芯片檢測模型中構建劣質芯片雙重檢測模型具體如下：

在第一個卷積層后添加一劣質芯片分類器以及判斷分類結果的激活模塊，形成劣質芯片雙重檢測模型；

將劣質芯片分類器的數據集和劣質芯片檢測模型的劣質芯片圖片數據庫整合到一起，形成由一個芯片圖片和該芯片對應的參數組成的一體化數據集；

將一體化數據集輸入整合后的劣質芯片雙重檢測模型中，重新訓練劣質芯片雙重檢測模型。

5.根據權利要求4所述的基于CNN和SVM的劣質芯片識別方法及系統(tǒng)，其特征在于，重新訓練劣質芯片雙重檢測模型具體如下：

一體化數據集進入劣質芯片雙重檢測模型中，劣質芯片檢測模型進行圖片的特征提取；

劣質芯片雙重檢測模型將特征提取參數發(fā)送給劣質芯片分類器，并行操作；

判斷劣質芯片分類器輸出是否為正結果：

若劣質芯片分類器輸出正結果，則激活判斷分類結果的激活模塊；

劣質芯片檢測模型會繼續(xù)將已經提取的圖片特征向量發(fā)送到后續(xù)的卷積層，繼續(xù)進行判斷，直至輸出負結果；

若劣質芯片分類器輸出負結果，則劣質芯片雙重檢測模型就直接輸出負結果。

6.根據權利要求1所述的基于CNN和SVM的劣質芯片識別方法，其特征在于，劣質芯片檢測裝置的工作過程具體如下：

(1)、將待檢測芯片的參數以及圖片輸入到劣質芯片檢測裝置中；

(2)、劣質芯片檢測模型進行圖片的特征提取；

(3)、將特征提取參數發(fā)送給劣質芯片分類器，并行操作；

(4)、劣質芯片分類器根據特征提取參數輸出待檢測芯片的檢測結果：

①、若檢測結果為負，則待檢測芯片為劣質芯片；

②、若檢測結果為證，則待檢測芯片為非劣質芯片。