[发明专利]一种基于深度学习方法的芯片缺陷检测方法

说明书

本发明公开了一种基于深度学习方法的芯片缺陷检测方法，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，本发明采用VGG16网络和ResNet50网络分别对芯片是否存在缺陷进行分类，采用深度学习算法进行芯片缺陷目标检测，提高了工业芯片缺陷检测效率和质量。

技术领域

本发明属于计算机人工智能领域、深度神经网络领域以及目标识别技术领域，具体涉及一种基于深度学习方法的芯片缺陷检测方法。

背景技术

传统的人工芯片缺陷检测方法，利用人眼观察工件照片，发现缺陷进而筛选工件，这种方式受到持续用眼疲劳、人眼分辨率和主观因素的影响，不仅效率低下而且经常发生错检和漏检，从而影响产品的质量率，难以适应高精度缺陷检测的需要。

传统的机器学习缺陷检测方法，根据缺陷手工设计特征，如几何特征、颜色特征、纹理特征、投影特征等，使用浅层特征分类器，如SVM(Support Vector Machine)，KNN(k-Nearest Neighbor)，决策树等进行缺陷分类。这种方法依赖于手动设计特征，表达能力弱，灵活性低，对新任务的适应性弱，传统的机器视觉方法也难以满足工业对于高灵活性和高准确度的缺陷检测要求。

因此，希望提出一种基于深度学习的芯片缺陷检测方法，能够实现端到端的检测方式，具备高灵活性与高准确性。

发明内容

本发明的目的在于提供一种基于深度学习的缺陷定位检测方法，以解决上述存在的技术问题。本发明可取代传统的人工芯片缺陷检测方法和传统的机器学习缺陷检测方法，兼具高精度与高灵活性，网络表达能力强，不需要手动设计特征，易于应用迁移。

基于此目的，本发明采用一下技术方案：一种基于深度学习方法的芯片缺陷检测方法，包括以下步骤：

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。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：无缺陷，标记为smile；有缺陷，标记为cry。

芯片缺陷定位检测数据集中，按照工业缺陷种类分为八类：摩擦缺陷、划痕缺陷、崩边缺陷、金疙瘩缺陷、材料缺陷、栅条缺损或异常、脏污缺陷、异物缺陷。按照6：2：2的比例，将带标签的图片划分为训练集、验证集和测试集。

步骤2)，基于VGG16网络和ResNet50网络对芯片是否存在缺陷分别进行了分类检测。由于检测类别数量少，对网络进行适度精简，减少了全连接层的神经元数量，并在全连接层后采用DropOut算法对神经元进行随机丢弃。

对网络输出采用Softmax函数进行处理，损失函数采用和方差(SSE)损失函数。在训练集上训练完成后，分别在训练集和测试集上对训练好的模型进行测试，得到VGG16模型和ResNet50模型在训练集和测试集上的分类准确率。

步骤3)，基于深度学习网络对芯片缺陷进行了定位检测。引入标签平滑的方法增加样本的噪声，从而增强网络的泛化能力。

将CSPNet网络思想运用到深度学习网络上，改进了FPN网络，采用多尺寸对不同尺寸的目标进行检测，有利于在复杂多目标图像中检测大小差异较大的目标。采用IoU、GIoU、CIoU、Gaussian损失函数、focal loss损失函数优化模型，提高模型精度。

步骤4)，分别采用固定剪裁率剪枝和基于敏感度分析剪枝两种方式对步骤3中的模型进行通道剪枝。计算卷积层敏感度信息时，通过设定一组所要剪裁部分网络依次剪掉的通道数比例，分别计算在相应的剪裁率下最终损失函数的增长情况。