【技术实现步骤摘要】
本专利技术涉及图像分类领域，尤其是一种基于缺陷熵动态深度推理的micro led检测方法，以及一种基于缺陷熵动态深度推理的micro led检测系统。
技术介绍
1、micro led是一种尺寸小于50微米的发光半导体器件，与传统的led器件相比，倍增的led集成数目使得micro led产品具有更强的亮度和更高的对比度。在micro led的实际的生产工艺中，芯片的生长工艺和加工工艺导致并非所有芯片性能都符合实际应用标准，因此需要进行巨量转移技术(mass transfer printing，mtp)，将大量良品晶片转移到固定背板上，以保证显示产品的良品率。
2、在巨量转移前，对晶圆级micro led芯片进行检测，定位并识别芯片，并将芯片信息提供给转移设备是必不可少的步骤。但相较于传统led，micro led在8英寸晶圆片上的集成程度从4万颗提升到80万颗以上，传统的机械移动式的飞针测试已经无法满足micro led大规模生产中对检测速度和成本上的需求
3、因此，快速高效且无接触式的检测方法成为一个关键研究课题。然而现有的深度学习模型通常采用统一的推理策略，无法针对不同复杂度的图像进行差异化处理。对于简单类别，统一的推理策略可能导致计算资源的浪费，影响推理效率；而对于复杂类别，推理不足又会导致特征提取不充分，影响识别效果。为了满足micro led工业检测的快速需求，迫切需要一种能够动态调整推理深度的方法，以提高检测效率和准确度。
技术实现思路
1、本
2、本专利技术采用的技术方案如下：
3、一种基于缺陷熵动态深度推理的micro led检测方法，该方法利用训练的神经网络模型对待推理的micro led图像的类别进行推理；其中，根据所述待推理的micro led图像的缺陷熵来确定由所述神经网络模型进行推理的推理深度。
4、进一步的，在从所述神经网络模型中所能选择的最大推理深度范围内，所确定的推理深度，与所述待推理的micro led图像的缺陷熵成正相关。
5、进一步的，所述神经网络模型的每个中间层均加入有分类器，根据确定的推理深度，选择由神经网络模型的对应层级的分类器输出分类结果。
6、进一步的，每个分类器前均连接有特征变换层，所述特征变换层对所在层的特征图进行卷积并激活后，传递给所在层的分类器。
7、进一步的，通过开启用于推理的最后一个层级的分类器，来完成对推理深度的确定。
8、进一步的，在计算所述待推理的micro led图像的缺陷熵前，先对所述待推理的micro led图像进行预处理；所述预处理包括对像素值的归一化处理，以及双边滤波处理。
9、进一步的，所述双边滤波处理的方法为：
10、
11、其中，i(x,y)表示经归一化的待推理的micro led图像在(x,y)处的像素值；ω是滤波窗口的范围；是空间域的高斯函数，其中是像素间的空间距离，σs表示空间域的标准差；是强度域的高斯函数,其中r＝|i(xi,yi)-i(x,y)|是像素强度的差异，σr表示强度域的标准差；wp表示归一化因子。
12、进一步的，所述待推理的micro led图像的缺陷熵的计算方法，包括：
13、对所述待推理的micro led图像进行边缘检测，得到边缘强度e(i,j)，其中(i,j)表示待推理的micro led图像中像素点的位置；
14、计算边缘强度e(i,j)的边缘强度直方图h(e)，其中e为边缘强度的取值范围；
15、根据边缘强度直方图h(e)得到边缘的归一化概率分布p(e)；
16、根据边缘的归一化概率分布p(e)得到待推理的micro led图像的缺陷熵hedge:
17、hedge＝-∑ep(e)logp(e)。
18、进一步的，根据所述待推理的micro led图像的缺陷熵来确定由所述神经网络模型进行推理的推理深度，包括：
19、根据缺陷熵计算推理深度l：
20、
21、其中，lmax和lmin分别是神经网络模型的最大和最小的推理深度；hbase表示训练神经网络模型的数据集的所有样本的平均缺陷熵。
22、本专利技术和提供了一种基于缺陷熵动态深度推理的micro led检测系统，该系统被配置为执行上述的micro led检测方法。
23、综上所述，由于采用了上述技术方案，本专利技术的有益效果是：
24、本专利技术提出了一种基于缺陷熵动态深度推理的micro led检测方案，通过在推理前计算每个待推理的micro led图像的缺陷熵，提前预估图像的复杂度，动态调整模型推理时的推理深度，使模型在指定深度提前完成推理，输出分类结果。使模型自适应地优化不同复杂度图像的推理过程。缺陷熵通过对图像进行预处理、边缘检测、特征提取和信息熵计算得出，能够反映图像的结构复杂度。较高的缺陷熵表示图像细节丰富，需更深的推理层数；较低的缺陷熵表示图像简单，需较浅的推理层数。这样，通过预估缺陷熵，模型能在推理时动态调整深度，以自适应匹配推理资源需求，避免了在推理过程中一边计算一边判断是否退出的问题，从而提高了推理效率和识别精度。
本文档来自技高网...【技术保护点】
1.一种基于缺陷熵动态深度推理的Micro LED检测方法，该方法利用训练的神经网络模型对待推理的Micro LED图像的类别进行推理；
2.如权利要求1所述的基于缺陷熵动态深度推理的Micro LED检测方法，其特征在于，在从所述神经网络模型中所能选择的最大推理深度范围内，所确定的推理深度，与所述待推理的Micro LED图像的缺陷熵成正相关。
3.如权利要求1所述的基于缺陷熵动态深度推理的Micro LED检测方法，其特征在于，所述神经网络模型的每个中间层均加入有分类器，根据确定的推理深度，选择由神经网络模型的对应层级的分类器输出分类结果。
4.如权利要求3所述的基于缺陷熵动态深度推理的Micro LED检测方法，其特征在于，每个分类器前均连接有特征变换层，所述特征变换层对所在层的特征图进行卷积并激活后，传递给所在层的分类器。
5.如权利要求3所述的基于缺陷熵动态深度推理的Micro LED检测方法，其特征在于，通过开启用于推理的最后一个层级的分类器，来完成对推理深度的确定。
6.如权利要求1所述的基于缺陷熵动态深度
7.如权利要求6所述的基于缺陷熵动态深度推理的Micro LED检测方法，其特征在于，所述双边滤波处理的方法为：
8.如权利要求1-7任一所述的基于缺陷熵动态深度推理的Micro LED检测方法，其特征在于，所述待推理的Micro LED图像的缺陷熵的计算方法，包括：
9.如权利要求8所述的基于缺陷熵动态深度推理的Micro LED检测方法，其特征在于，根据所述待推理的Micro LED图像的缺陷熵来确定由所述神经网络模型进行推理的推理深度，包括：
10.一种基于缺陷熵动态深度推理的Micro LED检测系统，其特征在于，该系统被配置为执行如权利要求1-9任一所述的Micro LED检测方法。
...【技术特征摘要】
1.一种基于缺陷熵动态深度推理的micro led检测方法，该方法利用训练的神经网络模型对待推理的micro led图像的类别进行推理；
2.如权利要求1所述的基于缺陷熵动态深度推理的micro led检测方法，其特征在于，在从所述神经网络模型中所能选择的最大推理深度范围内，所确定的推理深度，与所述待推理的micro led图像的缺陷熵成正相关。
3.如权利要求1所述的基于缺陷熵动态深度推理的micro led检测方法，其特征在于，所述神经网络模型的每个中间层均加入有分类器，根据确定的推理深度，选择由神经网络模型的对应层级的分类器输出分类结果。
4.如权利要求3所述的基于缺陷熵动态深度推理的micro led检测方法，其特征在于，每个分类器前均连接有特征变换层，所述特征变换层对所在层的特征图进行卷积并激活后，传递给所在层的分类器。
5.如权利要求3所述的基于缺陷熵动态深度推理的micro led检测方法，其特征在于，通过开启用于推理的最后一个层级的分类器，来完成对...
【专利技术属性】
技术研发人员：褚洁，张箭洋，李龙，蔡觉平，温凯林，
申请(专利权)人：西安电子科技大学，
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。