【技术实现步骤摘要】
本专利技术涉及工业视觉和图像识别，尤其涉及一种芯片排布异常的识别方法及装置。
技术介绍
1、工业视觉中质检主要经历了三个阶段。第一阶段人工检测，人眼进行检视，利用大脑进行判断，最终误差较大，可靠度低；第二阶段自动视觉检测，采用显微镜等电子设备，结合电子影像，放大瑕疵，增加判断准确度，但依旧耗时耗力。第三阶段自动化光学检测，利用工业相机获取图像，利用机器视觉等技术进行处理，提高检测准确度和速度。
2、但由于工业有很多特定目标，要求准确度也极高，目前并没有一套通用的目标识别系统，无法对满足所有芯片的质检，所以目前很多芯片质检还处于第一第二阶段。
技术实现思路
1、本专利技术提供一种芯片排布异常的识别方法及装置，用以解决现有技术中芯片的异常检测的准确度低的技术问题。
2、第一方面，本申请实施例提供一种芯片排布异常的识别方法，包括：
3、获取待质检芯片的二值图特征和灰度图特征；
4、融合所述二值图特征和所述灰度图特征，获取多层融合特征；
5、基于所述多层融合特征识别所述待质检芯片中的异常图形。
6、在一些实施例中，所述获取待质检芯片的灰度图特征，包括：
7、获取所述待质检芯片的待识别图像；
8、对所述待识别图像进行灰度化处理，得到灰度图像；
9、将所述灰度图像输入至第一神经网络模型中，获取所述第一神经网络模型输出的灰度图特征，所述第一神经网络模型采用可分离卷积算法和普通卷积算法，所述
10、在一些实施例中，所述获取待质检芯片的二值图特征，包括：
11、对所述灰度图像进行二值化分割，并基于阈值分割法获取二值图像；
12、将所述二值图像输入至第二神经网络模型中，获取所述第二神经网络模型输出的二值图特征，所述第二神经网络模型采用普通卷积算法。
13、在一些实施例中，所述获取所述待质检芯片的待识别图像，包括：
14、获取所述待质检芯片的原始图像；
15、基于预设步长，从所述原始图像中获取待质检芯片的待识别图像。
16、在一些实施例中，所述灰度图特征为金字塔结构。
17、在一些实施例中，所述基于所述多层融合特征识别所述待质检芯片中的异常图形，包括:
18、将所述多层融合特征输入至第三神经网络模型中，获取所述第三神经网络模型输出的所述待质检芯片的检测框，所述检测框用于识别所述待质检芯片中的异常图形，所述第三神经网络模型是基于回归算法训练得到的。
19、在一些实施例中，所述将所述多层融合特征输入至第三神经网络模型中，获取所述第三神经网络模型输出的所述待质检芯片的检测框，包括：
20、基于所述多层融合特征，计算检测框；
21、将所述检测框映射到待质检芯片的原始图像上，进行非极大抑制处理，获取所述待质检芯片的检测框集合。
22、在一些实施例中，所述方法还包括：
23、在所述检测框的数量大于0的情况下，判断所述待质检芯片为不合格。
24、第二方面，本申请实施例还提供一种芯片排布异常的识别装置，包括：
25、第一获取模块，用于获取待质检芯片的二值图特征和灰度图特征；
26、第二获取模块，用于融合所述二值图特征和所述灰度图特征，获取多层融合特征；
27、第一识别模块，用于基于所述多层融合特征识别所述待质检芯片中的异常图形。
28、在一些实施例中，所述第一获取模块包括第一获取子模块，第一处理子模块，第二获取子模块，其中：
29、所述第一获取子模块用于获取所述待质检芯片的待识别图像；
30、所述第一处理子模块用于对所述待识别图像进行灰度化处理，得到灰度图像；
31、所述第二获取子模块用于将所述灰度图像输入至第一神经网络模型中，获取所述第一神经网络模型输出的灰度图特征，所述第一神经网络模型采用可分离卷积算法和普通卷积算法，所述灰度图特征为多尺度特征。
32、在一些实施例中，所述第一获取模块包括第二处理子模块，第三获取子模块，其中：
33、所述第二处理子模块用于对所述灰度图像进行二值化分割，并基于阈值分割法获取二值图像；
34、所述第三获取子模块用于将所述二值图像输入至第二神经网络模型中，获取所述第二神经网络模型输出的二值图特征，所述第二神经网络模型采用普通卷积算法。
35、在一些实施例中，所述第一获取子模块包括第一获取单元，第二获取单元，其中：
36、所述第一获取单元用于获取所述待质检芯片的原始图像；
37、所述第二获取单元用于基于预设步长，从所述原始图像中获取待质检芯片的待识别图像。
38、在一些实施例中，所述灰度图特征为金字塔结构。
39、在一些实施例中，所述第一识别模块包括第四获取子模块:
40、所述第四获取子模块用于将所述多层融合特征输入至第三神经网络模型中，获取所述第三神经网络模型输出的所述待质检芯片的检测框，所述检测框用于识别所述待质检芯片中的异常图形，所述第三神经网络模型是基于回归算法训练得到的。
41、在一些实施例中，所述第四获取子模块包括第一计算单元，第三获取单元，其中：
42、所述第一计算单元用于基于所述多层融合特征，计算检测框；
43、所述第三获取单元用于将所述检测框映射到待质检芯片的原始图像上，进行非极大抑制处理，获取所述待质检芯片的检测框集合。
44、在一些实施例中，所述芯片排布异常的识别装置还包括：
45、第一判断模块，用于在所述检测框的数量大于0的情况下，判断所述待质检芯片为不合格。
46、第三方面，本申请实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述芯片排布异常的识别方法。
47、第四方面，本申请实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述芯片排布异常的识别方法。
48、第五方面，本申请实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述芯片排布异常的识别方法。
49、本申请实施例提供的芯片排布异常的识别方法及装置，通过获取待质检芯片的二值图特征和灰度图特征，并对二值图特征和灰度图特征进行特征融合，最后根据融合后的多层融合特征识别待质检芯片中的异常，可以提高对芯片中异常的检测准确度。
本文档来自技高网...【技术保护点】
1.一种芯片排布异常的识别方法，其特征在于，包括：
2.根据权利要求1所述的芯片排布异常的识别方法，其特征在于，所述获取待质检芯片的灰度图特征，包括：
3.根据权利要求2所述的芯片排布异常的识别方法，其特征在于，所述获取待质检芯片的二值图特征，包括：
4.根据权利要求2所述的芯片排布异常的识别方法，其特征在于，所述获取所述待质检芯片的待识别图像，包括：
5.根据权利要求2所述的芯片排布异常的识别方法，其特征在于，所述灰度图特征为金字塔结构。
6.根据权利要求1所述的芯片排布异常的识别方法，其特征在于，所述基于所述多层融合特征识别所述待质检芯片中的异常图形，包括:
7.根据权利要求6所述的芯片排布异常的识别方法，其特征在于，所述将所述多层融合特征输入至第三神经网络模型中，获取所述第三神经网络模型输出的所述待质检芯片的检测框，包括：
8.根据权利要求7所述的芯片排布异常的识别方法，其特征在于，所述方法还包括：
9.一种芯片排布异常的识别装置，其特征在于，包括：
10.一种电子设
...【技术特征摘要】
1.一种芯片排布异常的识别方法，其特征在于，包括：
2.根据权利要求1所述的芯片排布异常的识别方法，其特征在于，所述获取待质检芯片的灰度图特征，包括：
3.根据权利要求2所述的芯片排布异常的识别方法，其特征在于，所述获取待质检芯片的二值图特征，包括：
4.根据权利要求2所述的芯片排布异常的识别方法，其特征在于，所述获取所述待质检芯片的待识别图像，包括：
5.根据权利要求2所述的芯片排布异常的识别方法，其特征在于，所述灰度图特征为金字塔结构。
6.根据权利要求1所述的芯片排布异常的识别方法，其特征在于，所述基于所述多层...
【专利技术属性】
技术研发人员：彭明莎，王贤良，孟凡军，
申请(专利权)人：北京海鑫智圣技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。