【技术实现步骤摘要】
本专利技术涉及图像识别方法，具体涉及基于半导体切筋产品外表面缺陷的智能识别系统及方法。
技术介绍
1、半导体切筋产品是指半导体行业中的一类产品，用于半导体芯片的制造和加工过程中，产品具体包括切割切筋，背砂切筋，封装底座及晶圆胶带，其生产及加工过程中，外表面上易产生凹坑，部分由于生产过程中的不良工艺或材料缺陷引起的，同理的，由于切割工艺中的机械刀具或其他物体与表面的接触导致的，其外表面易出现划痕或磨损，因此需要对其外表面缺陷处进行检测处理。
2、但常规多采用表面缺陷检测仪，采用专门设计的激光扫描仪，对表面进行快速扫描和检测，该方法效率较高，但实际投入使用的过程中，由于半导体切筋产品的形状不一，并且其外表面划痕、凹坑形状不一，微小划痕或凹坑无法通过激光扫描仪智能识别，由于激光扫描仪基于预设的程序进行扫描，程序迭代与扫描准确率相关联，若程序迭代较慢，则激光扫描仪则无法应对新发生与新增的外表面缺陷进行有效检测；
3、因此，基于半导体切筋产品外表面缺陷的智能识别系统及方法。
技术实现思路
1、本专利技术的目的在于针的不足之处，提供基于半导体切筋产品外表面缺陷的智能识别系统及方法，旨在采用卷积神经网络作为机器学习模型，基于提取所得特征数据进行模型训练，基于训练后的模型将其部署并投入使用，基于模型实时对产品图像进行识别处理，规避由于激光扫描仪基于预设的程序进行扫描，程序迭代与扫描准确率相关联，若程序迭代较慢，则激光扫描仪则无法应对新发生与新增的外表面缺陷进行有效检测的技术
2、为此，本申请提供基于半导体切筋产品外表面缺陷的智能识别系统，包括如下模块：
3、图像采集模块，用于半导体切筋产品外表面的图像收集处理；
4、预处理模块，基于收集所得图像数据进行预处理；
5、特征提取模块，用于图像数据特征提取处理；
6、机器学习模块，用于输出训练后的模型，包括模型配置模块、数据分割模块、训练模块、验证模块、优化模块及输出模块；
7、识别模块，用于实时识别收集所得图像数据，包括判定模块及标记模块；
8、确认模块，用于确认并复核图像识别结果；
9、反馈模块，用于实时输出反馈；
10、可视化模块，用于提供可视化映射，包括显示组件。
11、在一些具体实施方式中，图像采集模块，具体为：
12、用于半导体切筋产品外表面的图像收集处理，所述图像收集处理共包括确定需求、确定光照条件及图像采集设置；
13、确定需求，确定需要识别的外表面缺陷类型和特征，确定图像采集的要求，要求包括分辨率，确定图像的清晰度和细节水平，帧率，对焦模式；
14、确定光照条件，确定照明类型，确定波长的光源，确定照明强度，确定光源角度；
15、图像采集设置，基于拍摄角度确定图像采集的角度，捕捉到表面的不同部分，基于拍摄距离确保图像不失真。
16、在一些具体实施方式中，预处理模块，具体为：
17、基于收集所得图像数据进行预处理，预处理包括图像去噪、图像增强和阈值化处理；
18、图像去噪，具体包括确定滤波器、生成高斯核、滤波处理、边界处理及输出结果；
19、采用高斯滤波器进行图像去噪处理，确定滤波器大小，高斯滤波器的大小通过参数决定，以确保有一个中心点；
20、生成高斯核，基于滤波器大小确定高斯核；
21、滤波处理，将生成的高斯核应用于图像的每个像素位置，对于每个像素，将其周围的像素值与高斯核进行卷积运算，以计算出该像素的新值；
22、边界处理，对图像进行滤波时，采用填充边界像素值作为边界处理方法；
23、输出结果，滤波完成后，得到的图像即为经过高斯滤波处理后的结果；
24、图像增强，采用直方图均衡化增强图像的对比度；
25、阈值化处理，将图像转换为二值图像，采用全局阈值化方法，将图像分割为目标和背景。
26、在一些具体实施方式中，特征提取模块，具体为：
27、用于图像数据特征提取处理，特征提取包括区域分割、提取处理、构件特征向量和输出特征向量；
28、区域分割，基于阈值化处理的二值图像进行分割，将预处理后的图像分割成不同的区域，以便对每个区域提取特征；
29、提取处理，从每个区域中提取特征，特征包括用于描述该区域的形状、纹理和颜色；
30、形状特征，提取区域的几何特征，几何特征包括面积、周长和圆度；
31、纹理特征，采用灰度共生矩阵提取纹理信息；
32、颜色特征，提取区域的颜色直方图；
33、构建特征向量，从每个区域提取的特征组合成一个特征向量，将每个特征按照顺序排列，构成一个特征向量确保特征向量的维度与特征的数量相匹配，且特征之间具备的相关性；
34、输出特征向量，将每个区域的特征向量输出，作为输入数据供后续机器学习模型使用，将每个区域的特征向量保存到内存中，确保特征向量的格式与后续处理的需求相符；
35、在一些具体实施方式中，机器学习模块，具体为：
36、机器学习模块包括模型配置模块、数据分割模块、模型配置模块、训练模块、验证模块、优化模块及输出模块；
37、数据分割模块，与特征提取模块相连接，用于提取特征数据并进行数据分割；
38、数据分割，将数据集划分为训练集、验证集和测试集，用于模型训练、调参和评估，采用交叉验证将数据集划分为训练集和验证集，确保每个数据集中包含正常和缺陷样本；
39、模型配置模块，采用卷积神经网络作为机器学习模型，并基于tensorflow作为深度学习框架，构建适用于图像分类任务的卷积神经网络模型；
40、构建适用于图像分类任务的卷积神经网络模型，具体包括定义结构及选定激活函数、选择损失函数及优化器和模型编译；
41、定义结构，包括卷积层、池化层、全连接层；
42、卷积层通过应用卷积核检测图像中的局部特征，设卷积层为3个，每一层的参数定义为：
43、第一层，卷积核数量为32，卷积核大小为（3，3），步长为（1，1），激活函数为relu；
44、第二层，卷积核数量为64，卷积核大小为（3，3），步长为（1，1），激活函数为relu；
45、第三层，卷积核数量为128，卷积核大小为（3，3），步长为（1，1），激活函数为relu；
46、池化层，设每个卷积层后面添加最大池化层，池化操作定义为：
47、池化大小为（2，2），步长为（2，2）；
48、全连接层，卷积和池化层之后，添加一个全连接层，用于将特征映射转换为最终的分类结果，定义为：
49、神经元数量为256，激活函数为relu；
50、relu为激活函数，用于卷积神经网络中引入非线性变换，其具体为：...
【技术保护点】
1.基于半导体切筋产品外表面缺陷的智能识别系统，其特征在于，包括如下模块：
2.如权利要求1所述的基于半导体切筋产品外表面缺陷的智能识别系统，其特征在于，图像采集模块，具体为：
3.如权利要求2所述的基于半导体切筋产品外表面缺陷的智能识别系统，其特征在于，预处理模块，具体为：
4.如权利要求3所述的基于半导体切筋产品外表面缺陷的智能识别系统，其特征在于，特征提取模块，具体为：
5.如权利要求4所述的基于半导体切筋产品外表面缺陷的智能识别系统，其特征在于，机器学习模块，具体为：
6.如权利要求5所述的基于半导体切筋产品外表面缺陷的智能识别系统，其特征在于，识别模块，具体为：
7.如权利要求6所述的基于半导体切筋产品外表面缺陷的智能识别系统，其特征在于，确认模块，具体为：
8.如权利要求7所述的基于半导体切筋产品外表面缺陷的智能识别系统，其特征在于，反馈模块，具体为：
9.基于半导体切筋产品外表面缺陷的智能识别方法，其特征在于，包括如下步骤：
【技术特征摘要】
1.基于半导体切筋产品外表面缺陷的智能识别系统，其特征在于，包括如下模块：
2.如权利要求1所述的基于半导体切筋产品外表面缺陷的智能识别系统，其特征在于，图像采集模块，具体为：
3.如权利要求2所述的基于半导体切筋产品外表面缺陷的智能识别系统，其特征在于，预处理模块，具体为：
4.如权利要求3所述的基于半导体切筋产品外表面缺陷的智能识别系统，其特征在于，特征提取模块，具体为：
5.如权利要求4所述的基于半导体切筋产品外表面...
【专利技术属性】
技术研发人员：鲍永峰，陈盼盼，
申请(专利权)人：深圳市曜通科技有限公司，
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。