[发明专利]一种基于深度学习方法的芯片缺陷检测方法

权利要求书

1.一种基于深度学习方法的芯片缺陷检测方法，其特征在于，所述方法包括以下步骤：

1)按照实际应用的工业芯片缺陷分类对芯片缺陷图片进行标注，分别制作芯片缺陷分类数据集和芯片缺陷定位检测数据集；

2)基于VGG16网络和ResNet50网络对芯片是否存在缺陷分别进行分类检测；

3)基于深度学习网络对芯片缺陷进行定位检测；

4)分别采用固定剪裁率剪枝和基于敏感度分析剪枝方式对深度学习网络模型进行通道剪枝。

2.根据权利要求1所述的一种基于深度学习方法的芯片缺陷检测方法，其特征在于，步骤3)中基于深度学习算法的芯片定位缺陷检测包括以下步骤：

1.1)首先将芯片缺陷图片分成小区域，然后使用Darknet53网络作为特征提取骨干网络，采用残差网络结构来降低降低深层网络训练的难度，采用堆叠的小卷积核进行特征提取，并采用1×1的卷积核来降低网络的参数量；

1.2)应用标签平滑的方法，在类别标签上增加噪声，并采用Leaky Relu激活函数来对神经单元的输出进行激活；

1.3)目标检测网络采用特征金字塔FPN算法，采用多尺度对不同尺寸的目标进行检测；

1.4)依据网络预测的输出结果和真实的输出结果来建立损失函数，并通过反向传播不断更新参数，让网络预测的输出结果逼近真实输出结果；

1.5)对预测的结果和标注的真实框进行对比，根据预测的分类是否正确和损失函数是否达到阈值，并采用不同损失函数对模型进行优化。

3.根据权利要求2所述的一种基于深度学习方法的芯片缺陷检测方法，其特征在于，步骤1.4)中，对于每个预测框建立三种类型的损失函数，分别为表征是否包含目标物体的损失函数，表征目标位置的损失函数和表征目标类别的损失函数。

4.根据权利要求1所述的一种基于深度学习方法的芯片缺陷检测方法，其特征在于，步骤4)中对深度学习算法的三个输出分支分别使用经验剪裁率进行剪枝，并对输出分支的裁剪率进行敏感度分析，设定一组所要剪裁部分网络依次剪掉的通道数，分别计算在相应的剪裁率下最终损失函数的增长情况。

5.根据权利要求4所述的一种基于深度学习方法的芯片缺陷检测方法，其特征在于，步骤4)中，根据敏感度和精度损失阈值计算出一组合适的剪裁率，用来对模型进行剪裁，随着剪裁率的增大，被剪裁掉的通道数也越多，网络的表达能力变弱，对模型预测的损失函数升高。

6.根据权利要求4所述的一种基于深度学习方法的芯片缺陷检测方法，其特征在于，步骤4)中，按照两种剪裁率的选择方法对深度学习网络模块通道剪枝。

7.根据权利要求1所述的一种基于深度学习方法的芯片缺陷检测方法，其特征在于，步骤1)中芯片缺陷分类数据集中，按照图片中是否存在芯片缺陷分为两类，芯片缺陷定位检测数据集中，按照工业缺陷种类分为八类，将带标签的图片划分为训练集、验证集和测试集。

8.根据权利要求1所述的一种基于深度学习方法的芯片缺陷检测方法，其特征在于，步骤2)中，采用VGG16网络来建立缺陷检测分类模型，训练方法采用动量梯度下降法，采用权重衰减法进行正则化，对网络输出结果采用softmax函数进行处理，损失函数采用和方差损失函数。

9.根据权利要求2所述的一种基于深度学习方法的芯片缺陷检测方法，其特征在于，步骤1.5)中，不同损失函数包括IoU、GIoU、CIoU、Gaussian损失函数及focal loss损失函数。

10.根据权利要求8所述的一种基于深度学习方法的芯片缺陷检测方法，其特征在于，步骤2)中，采用ResNet50网络来建立缺陷检测分类模型，减少输出层前一层的卷积核个数，训练参数和VGG16分类检测中保持一致。