[发明专利]一种基于深度学习的芯片计数方法

权利要求书

1.一种基于深度学习的芯片计数方法，其特征在于，所述方法包括以下步骤：

S1：收集各个场景下需要计数的芯片图像；

S2：将所述芯片图像输入主干网络VGG16+FPN中，通过对图像特征的深度学习，生成不同尺度特征并融合获得特征图；

S3：将所述特征图送入置信度预测器，得到置信度图；

S4：将所述置信度图与所述特征图相乘后的特征图送入阈值编码器中，得到阈值图；

S5：将所述阈值图和所述置信度图送入二值化层，通过阈值过滤芯片区域，得到连通区域分割图；

S6：通过所述分割图可以检测连通区域，每个连通区域即芯片区域，对芯片进行计数，得到最终的芯片数量。

2.如权利要求1所述的基于深度学习的芯片计数方法，其特征在于，所述步骤S1具体为：使用相机在各个场景下拍摄多类需要计数的芯片图像，对每张芯片图像进行标注；每张芯片图像中每个芯片都有相应的检测框，检测框标记为[(x1，y1)，(x2，y2)]，其中，(x1，y1)表示的是检测框左上角坐标，(x2，y2)表示检测框右下角坐标；每张芯片图像根据检测框生成相应的mask图，检测框内的值全部赋值为0，检测框外的值全部赋值为1，最终生成需要计数的芯片图像。

3.如权利要求1所述的基于深度学习的芯片计数方法，其特征在于，所述步骤S2具体为：将所述芯片图像输入至VGG16主干网络，输入的大小为1×3×512×1024，采用VGG16前13层卷积层和5层max-pooling层，获得图像的基础特征；将所述基础特征送入FPN网络，通过所述FPN网络进一步提取特征，生成不同尺度特征并融合获得特征图。

4.如权利要求3所述的基于深度学习的芯片计数方法，其特征在于，所述基础特征由3个部分组成：

VGG16第1～7层卷积+第1～3层max_pooling得到1×256×128×256；

VGG16第8～10层卷积得到1×512×64×128；

VGG16第11～13层卷积+第4～5层max_pooling得到1×512×32×64。

5.如权利要求1所述的基于深度学习的芯片计数方法，其特征在于，所述步骤S3具体为：将所述特征图送入置信度预测器中，所述特征图通过所述置信度预测器后得到置信度图，预测芯片区域的置信度；所述置信度图与所述芯片图像之间使用均值平方误差作为损失函数得到LOSS_1，公式如下：

其中：y_i表示芯片图像真实值，y′_i表示置信度图的预测值，N表示图片的数量。

6.如权利要求1所述的基于深度学习的芯片计数方法，其特征在于，所述步骤S4具体为：将所述特征图与所述置信度图进行乘积，得到过滤后特征图；将过滤后特征图送入阈值编码器中，得到阈值图。

7.如权利要求6所述的基于深度学习的芯片计数方法，其特征在于，所述阈值编码器由PReLU的4个卷积层和2个stride为1的平均池化组成；具体配置为：Conv：3×3，PReLU，Conv：3×3，PReLU，Cony：3×3，PReLU，Avg-pool：15×15，Conv：1×1，Avgpool：15×15，Sigmoid。

8.如权利要求7所述的基于深度学习的芯片计数方法，其特征在于，为了约束Sigmoid激活函数的输出，设计压缩Sigmoid的输出公式：

所述压缩Sigmoid的输出值范围为(0.2，0.7)。

9.如权利要求1所述的基于深度学习的芯片计数方法，其特征在于，所述步骤S5具体为：将所述阈值图和所述置信度图送入二值化层，所述二值化层根据所述阈值图对所述置信度图进行分割；所述置信度图经过所述二值化层后得到最终的连通区域分割图。

10.如权利要求9所述的基于深度学习的芯片计数方法，其特征在于，所述二值化层根据所述阈值图对所述置信度图进行分割的正向推理过程为：

其中，点I(i，j)表示置信度图中横坐标为i纵坐标为j的值，T(i，j)表示阈值图中横坐标为i纵坐标为j的值。