【技术实现步骤摘要】
本专利技术属于芯片胶点检测，尤其涉及一种芯片胶点区域的识别方法、终端设备及计算机可读存储介质。
技术介绍
1、近年来，胶点的检测在光电子封装、半导体芯片、汽车制造和图像识别等领域得到了广泛的重视。而在小型激光器件的自动化耦合封装领域，胶点区域(通常为半径0.4mm)由于面积极小，对识别提出了极大的挑战。一方面，胶点区域的微小尺寸导致其区域的位置在耦合过程中的识别占据了相当多的时间。另一方面，检测方法的局限性导致在检测胶点区域面积和范围时出现误判。事实上，胶点检测或基于胶点的其他质量检测已经成为近年来图像识别的热点之一，在自动化设备中有着巨大的需求。
2、对于激光器件中的胶点，在识别前首先需要做以下工作:(1)确定激光器芯片的放置方向(2)确定胶点在激光器芯片内的位置和区域。而在现有技术中，由于胶点区域受激光器芯片背景干扰比较严重，从而导致识别困难。
技术实现思路
1、为了实现激光器芯片胶点的准确识别，受深度学习在图像识别上应用的启发，本专利技术提供了一种能够实现胶点区域边缘细节的提取和语义交互的芯片胶点区域的识别方法。
2、本专利技术提供了一种芯片胶点区域的识别方法，包括以下步骤：
3、步骤一、建立了基于激光器芯片胶点的lgdt数据集；
4、步骤二、基于lgdt数据集设计sfednet网络，并应用sfednet网络对图像的胶点区域进行逐像素分割和标记；
5、所述sfednet网络包括基于u-net模块的空间通道融合模块、两
6、所述u-net模块的上采样第1阶段和下采样第1阶段之间通过其中一个微弱边缘检测模块相连，所述u-net模块的上采样第2阶段和下采样第2阶段之间通过另一个微弱边缘检测模块相连，用于将胶点图像中的关键通道特征和边缘细节信息传送至输出特征图中；
7、在u-net模块的上采样阶段和下采样阶段中均设置有跳跃连接；
8、在u-net模块的下采样第3阶段至第5阶段中均应用了空间通道融合模块，获得胶点图像的多尺度语义特征图b5；
9、以多尺度语义特征图b5为初始值，在u-net模块的上采样第3阶段和第4阶段应用空间通道融合模块。
10、可选的，所述空间通道融合模块用于对lgdt数据集中的图像的胶点区域进行计算与识别，且空间通道融合模块包括相互交互的高效通道模块和位置通道模块。
11、可选的，采用空间通道融合模块对原始图像和预测图像进行处理的过程具体如下：
12、s2.1将输入图像fin传送至高效通道模块和位置通道模块中，将输入图像fin分别在高效通道模块和位置通道模块中进行操作，得到高效通道模块输出特征图fe和位置通道模块输出特征图fp；
13、s2.2、将高效通道模块输出特征图fe和位置通道模块输出特征图fp进行矩阵加法运算，得到输出图像fout。
14、可选的，所述位置通道模块输出特征图fp的获得过程如下：
15、输入图像fin分别传送至第一卷积层、第二卷积层、第三卷积层以及平均池化层中；
16、输入图像fin通过第一卷积层的ks＝1卷积核进行重构，得到第一特征图输入图像fin通过第二卷积层的ks＝1卷积核进行重构，得到第二特征图将第一特征图和第二特征图进行矩阵乘法运算，得到第三特征图
17、输入图像fin依次通过第三卷积层的ks＝1卷积核、ks＝2卷积核以及ks＝3卷积核进行重构，得到具有位置信息交互的特征图并将第三特征图和第四特征图进行矩阵乘法运算，得到第五特征图将第五特征图进行重构，得到位置通道模块输出特征图fp。
18、可选的，高效通道模块输出特征图fe的获得过程如下：
19、将输入图像fin进行全局平均池化处理；
20、通过3×3的卷积和sigmoid激活，并与输入图像fin重新组合，得到高效通道模块输出特征图fe。
21、可选的，所述微弱边缘检测模块用于对lgdt数据集中的图像的胶点区域边缘细节进行提取及语义交互，且微弱边缘检测模块包括用于对胶点区域边缘细节进行提取的边缘特征融合以及用于对胶点区域边缘细节进行语义交互的边缘特征细化。
22、可选的，所述边缘特征融合的具体过程如下：
23、输入图像fin经过边缘提取，得到第一边缘特征图输入图像fin经过反转操作，得到第二边缘特征图输入图像fin经过高频操作，得到第三边缘特征图
24、对第一边缘特征图与输入图像fin进行元素相加，得到第一边缘特征融合图对第二边缘特征图与输入图像fin进行元素相加，得到第二边缘特征融合图对第三边缘特征图与输入图像fin进行元素相加，得到第三边缘特征融合图
25、将第一边缘特征融合图、第二边缘特征融合图和第三边缘特征融合图进行张量拼接，得到具有完整边缘交互的边缘融合特征图f∈b，3c,h,w；
26、可选的，所述边缘特征细化的具体过程如下：
27、将边缘融合特征图f∈b，3c,h,w经过3×3卷积降低特征图通道数，得到输出特征图和
28、输出特征图和的通道数与特征细化第一步的每个特征图通道数相同，拼接后重新组合，得到边缘细化输出图f∈b，2c,h,w；
29、对边缘细化输出图f∈b，2c,h,w通过3×3卷积，得到边缘细化特征图
30、本专利技术还提供了一种终端设备，该终端设备包括存储器和处理器，所述存储器中存储有计算机程序；所述处理器执行所述计算机程序，实现如上述所述的识别方法。
31、本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如上述所述的识别方法。
32、与现有技术相比，本专利技术具有以下有益效果：
33、本专利技术中所采用的sfednet网络对胶点区域进行精确分割，sfednet网络包括基于u-net模块的空间通道融合模块、两个微弱边缘检测模块以及跳跃连接；首先在u-net模块的骨干网络中采用空间融合模块实现了网络计算速度的提高和对胶点区域位置的鲁棒识别；然后基于微弱边缘检测模块，实现了胶点区域边缘细节的提取和语义交互。本专利技术通过嵌入空间通道融合模块提高了计算速度，同时提高了对胶点位置识别的准确性；此外，通过采用微弱边缘检测模块将更多的权重分配到边缘的位置和通道处，从而提高胶点区域边缘分割的准确性。与其他网络模型算法的综合比较，本专利技术所提供的识别方法在检测性能上更有优势，在实际的激光器芯片胶点检测实验中，sfednet也表现出了优异的性能。
34、除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。下面将参照图，对本专利技术作进一步详细的说明。
本文档来自技高网...【技术保护点】
1.一种芯片胶点区域的识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的识别方法，其特征在于，所述空间通道融合模块用于对LGDT数据集中的图像的胶点区域进行计算与识别，且空间通道融合模块包括相互交互的高效通道模块和位置通道模块。
3.根据权利要求2所述的识别方法，其特征在于，采用空间通道融合模块对原始图像和预测图像进行处理的过程具体如下：
4.根据权利要求3所述的识别方法，其特征在于，所述位置通道模块输出特征图FP的获得过程如下：
5.根据权利要求3所述的识别方法，其特征在于，高效通道模块输出特征图Fe的获得过程如下：
6.根据权利要求2所述的识别方法，其特征在于，所述微弱边缘检测模块用于对LGDT数据集中的图像的胶点区域边缘细节进行提取及语义交互，且微弱边缘检测模块包括用于对胶点区域边缘细节进行提取的边缘特征融合以及用于对胶点区域边缘细节进行语义交互的边缘特征细化。
7.根据权利要求6所述的识别方法，其特征在于，所述边缘特征融合的具体过程如下：
8.根据权利要求6所述的识别方法，其特
9.一种终端设备，其特征在于，该终端设备包括存储器和处理器，所述存储器中存储有计算机程序；所述处理器执行所述计算机程序，实现如权利要求1-8中任意一项所述的识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如权利要求1-8中任意一项所述的识别方法。
...【技术特征摘要】
1.一种芯片胶点区域的识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的识别方法，其特征在于，所述空间通道融合模块用于对lgdt数据集中的图像的胶点区域进行计算与识别，且空间通道融合模块包括相互交互的高效通道模块和位置通道模块。
3.根据权利要求2所述的识别方法，其特征在于，采用空间通道融合模块对原始图像和预测图像进行处理的过程具体如下：
4.根据权利要求3所述的识别方法，其特征在于，所述位置通道模块输出特征图fp的获得过程如下：
5.根据权利要求3所述的识别方法，其特征在于，高效通道模块输出特征图fe的获得过程如下：
6.根据权利要求2所述的识别方法，其特征在于，所述微弱边缘检测模块用于对lgdt数据集中的图像...
【专利技术属性】
技术研发人员：段吉安，仲顺顺，刘晓东，罗定辉，邓楚轩，张帆，马著，
申请(专利权)人：中南大学，
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。