[发明专利]基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法

权利要求书

1.一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法，其特征在于，所述方法包括：

获取离子束溅射沉积薄膜表面的待判别图像；

基于尺度不变特征变换SIFT算法，提取所述待判别图像的至少一个目标特征向量；

将所述待判别图像的至少一个目标特征向量输入到预先训练好的目标判别模型；所述目标判别模型为预先用凹坑样本图像的特征向量、颗粒样本图像的特征向量和无异常样本图像的特征向量对初始判别模型进行训练获得的；

获取所述目标判别模型输出的所述待判别图像的至少一个目标特征向量所属的至少一个类别；所述类别包含：目标特征向量为凹坑图像的特征向量的第一类别、目标特征向量为颗粒图像的特征向量的第二类别和目标特征向量为无异常图像的特征向量的第三类别；

将待判别图像的至少一个目标特征向量所属的至少一个类别中，包含目标特征向量个数最多的类别，作为所述待判别图像为凹坑图像、颗粒图像或无异常图像的结果；所述初始判别模型为初始支持向量机SVM模型；

所述目标判别模型的训练过程包括：

获取样本离子束溅射沉积薄膜表面的各个样本图像；

按照第一预设组数，对所述各个样本图像进行分组，获得各组样本图像；

获取人工标注的各个样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的真实类别；

基于尺度不变特征变换SIFT算法，提取每个凹坑样本图像、颗粒样本图像和无异常样本图像的至少一个样本特征向量；

对各个凹坑样本图像、各个颗粒样本图像和各个无异常样本图像的各个样本特征向量分别进行聚类，获得各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量；

将各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量作为所述初始支持向量机SVM模型的支持向量机参数，获得当前中间支持向量机SVM模型；

从第一预设组数的各组样本图像中，获取第二预设组数的样本图像作为训练组样本图像；

针对每组训练组样本图像，将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中，获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别；所述类别包含：每组训练组样本图像中，每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的样本第一类别、为颗粒样本图像的特征向量的样本第二类别和为无异常样本图像的特征向量的样本第三类别；

将每组训练组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中，包含样本特征向量个数最多的类别，作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果；

基于每组训练组样本图像中的每个样本图像的真实类别，和每组训练组样本图像中的每个样本图像的预测结果，计算每组训练组样本图像预测结果的预测准确率；

当每组训练组样本图像的预测准确率均大于阈值时，确定所述当前中间支持向量机SVM模型为训练完成的目标判别模型；

当每组训练组样本图像的预测准确率不均大于阈值时，调整所述当前中间支持向量机SVM模型的模型参数，返回所述针对每组训练组样本图像，将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中，获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别的步骤。