[发明专利]一种基于全卷积网络的芯片爬胶高度提取方法和系统

权利要求书

1.一种基于全卷积网络的芯片爬胶高度提取方法，其特征在于，包括：

S100.芯片爬胶图像采集模块采集被测芯片同一时刻四个侧面的爬胶图像，并传输至芯片爬胶图像预处理模块，建立爬胶图像数据集；

S200.芯片爬胶图像预处理模块对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集；

S300.对原始爬胶图像数据集进行灰度值标注，将获取的爬胶高度图像分为爬胶部分和背景部分，获取标注爬胶图像数据集，其中标注爬胶图像数据集和原始爬胶图像数据集一一对应；

S400.将原始数据集按照预设比例随机划分为测试集和训练集，并将标注数据集进行相应划分；

S500.对S400划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；

S600.将获取的爬胶图像输入S500中训练好的全卷积网络，获取分割后的爬胶图像，根据爬胶边沿至芯片底边的距离确定爬胶高度。

2.如权利要求1所述的一种基于全卷积网络的芯片爬胶高度提取方法，其特征在于，S200中，芯片爬胶图像预处理模块对爬胶图像数据集进行扩充处理，具体包括：将现有的n张图像进行水平翻转和顺时针方向旋转45°，使现有的图像数量将扩充为原来的3倍，从而得到3n张数据集图像。

3.如权利要求1所述的一种基于全卷积网络的芯片爬胶高度提取方法，其特征在于，S300中，对原始爬胶图像数据集进行灰度值标注，还包括：将爬胶部分的灰度值赋值为1，其余背景部分灰度值赋值为0。

4.如权利要求1所述的一种基于全卷积网络的芯片爬胶高度提取方法，其特征在于，S400中，将原始数据集按照预设比例随机划分为测试集和训练集，具体为：将原始数据集按照20％和80％随机划分为测试集和训练集。

5.如权利要求1所述的一种基于全卷积网络的芯片爬胶高度提取方法，其特征在于，S500中，对S400划分后的图像基于全卷积网络进行训练，具体包括：将训练集中图像R输入全卷积网络，得到预测图像P，根据预测图像与相应标注图像的差异进行反向传播，用损失函数计算预测图像与相应标注图像的差异，将上述步骤进行迭代计算，当损失函数低于某一阈值或者网络训练迭代次数达到某一阈值终止网络，将测试集输入训练好的神经网络获得预测图像，将获得的预测图像与测试集相应的标注图像对比计算网络准确度。

6.如权利要求5所述的一种基于全卷积网络的芯片爬胶高度提取方法，其特征在于，全卷积网络工作流程包括：首先通过主干网络提取芯片爬胶高度监测图像的特征，然后利用膨胀空间金字塔池化和图像池化提取图像的多尺度信息，主干网络采用残差网络避免神经网络的退化；然后利用20个多层卷积层进行深度卷积，提取图像的特征；将多层卷积后获得的深层特征图的多尺度信息与残差网络获得的浅层特征图进行融合，得到特征图；然后进行1×1的卷积来减少特征图的通道数量，并进行上采样来调整特征图的大小，使其与现场监测图像尺寸相同；最后根据预测的图像和相应的标签图像的差异进行反向传播，优化卷积和池化中的所有参数。

7.一种基于全卷积网络的芯片爬胶高度提取系统，其特征在于，包括：芯片爬胶高度图像采集模块、芯片爬胶图像预处理模块、芯片爬胶高度图像识别模块；其中：

芯片爬胶高度图像采集模块，用于采集被测芯片同一时刻四个侧面的爬胶图像，并传输至芯片爬胶图像预处理模块，建立爬胶图像数据集；

芯片爬胶图像预处理模块，用于对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集；还用于对原始爬胶图像数据集进行灰度值标注，将获取的爬胶高度图像分为爬胶部分和背景部分，获取标注爬胶图像数据集，其中标注爬胶图像数据集和原始爬胶图像数据集一一对应；还用于将原始数据集按照预设比例随机划分为测试集和训练集，并将标注数据集进行相应划分，并将这些划分的标注数据集输送到芯片爬胶图像识别模块；

芯片爬胶高度图像识别模块，用于对划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；还用于将获取的爬胶图像输入训练好的全卷积网络，获取分割后的爬胶图像，根据爬胶边沿至芯片底边的距离确定爬胶高度。