[发明专利]MEMS传感器缺陷检测的方法及系统

说明书

本发明MEMS传感器缺陷检测的方法及系统，采用对抗生成神经网络结合Faster R‑CNN网络进行MEMS传感器缺陷检测。本发明较传统的Faster R‑CNN方法的优点在于它可以利用对抗生成神经网络生成更多的feature map，然后对生成的建议框进行回归调整，去提升网络预测的准确率，解决了样本数据集较少的问题。另外，本发明是去生成feature map，其尺寸一般不是很大，所以实现起来容易，再加上生成的feature map只是用来去训练生成建议框的回归层，所以不用在乎生成器生成的是哪一类疵病的feature map，这样就可以不用再把生成的feature map进行标注，这样也大大的降低了制作数据集的工作量，同时也解决了疵病图缺少导致训练数据不足的情况。

技术领域

本申请属于图像数据处理技术领域，具体涉及MEMS传感器缺陷检测的方法及系统。

背景技术

MEMS传感器是采用微电子和微机械加工技术制造出来的新型传感器。与传统的传感器相比，它具有体积小、重量轻、成本低、功耗低、可靠性高、适于批量化生产、易于集成和实现智能化的特点。同时，在微米量级的特征尺寸使得它可以完成某些传统机械传感器所不能实现的功能。也正是因为其尺寸太小，用人工去检测其制造上表面的疵病，错误率不能控制。

R-CNN和Fast R-CNN引领了近两年目标检测的潮流，Fast R-CNN对R-CNN进行了加速，Faster R-CNN则进一步对Fast R-CNN进行了加速，使得这种基于CNN的目标检测方法在real-time上看到了希望，使之运用到工程上成为了可能。但如果用传统Faster R-CNN的方法识别，由于MEMS传感器的疵病图的数量集是有限的，训练集不够，会影响整个网络的识别准确率。

发明内容

为了提高MEMS传感器表面疵病检测结果的准确性，本发明提供一种MEMS传感器缺陷检测的方法及系统，基于传统Faster rcnn改进的Gan faster rcnn。该方法在有限的MEMS传感器的疵病图数据集下，利用对抗生成神经网络生成更多feature map数据，然后再把生成的feature map数据投入到生成建议框的回归训练中，以此来提高生成建议框的准确性，提升整个网络准确性。

根据本发明实施例的第一方面，提供一种MEMS传感器缺陷检测方法，包括：

采集MEMS传感器图像；

构造用于MEMS传感器疵病检测的Gan faster rcnn神经网络，该神经网络包括backbone和对抗生成网络，所述backbone用于将输入的进来的所述图像中的疵病图进行特征提取，通过生成器生成feature map，然后把feature map输入到两个部分，其一输入到生成建议框部分的网络对生成建议框进行回归进行训练，其二是输入到所述对抗生成网络中进行训练，使对抗生成网络能够生成逼真的feature map和对应标签，把生成的数据制作成数据集，再把原有的疵病图去构造另外一组数据集，用这两组数据集共同去对建议框的调整进行训练；

将待测MEMS传感器的图像输入到训练好的所述神经网络中，获取图像中MEMS传感器疵病的定位。

根据本发明实施例的第二方面，提供一种MEMS传感器缺陷检测系统，包括：

摄像头，采集MEMS传感器图像；

处理器，其配配置为：