[发明专利]一种基于神经网络的柔性IC基板表面缺陷分层分类方法

权利要求书

1.一种基于神经网络的柔性IC基板表面缺陷分层分类方法，其特征在于，包括下述步骤：

构建基于神经网络的柔性IC基板缺陷分层分类树状模型，包括根节点、分支节点和叶节点；

根节点对不同批次的IC基板进行身份辨识并选择性激活对应分支节点模型；

分支节点对应不同的批次，每个分支节点模型通过均衡概率分布的数据集组织策略结合支持向量机对IC基板的健康状态进行二分类，

叶节点协同根节点对输出的缺陷数据进行分类并溯源缺陷位置，利用基于多尺度特征稠密金字塔连接的YOLOv3检测器执行缺陷分类和位置溯源。

2.根据权利要求1所述基于神经网络的柔性IC基板表面缺陷分层分类方法，其特征在于，所述根节点的输入来自多尺度成像模块的低模态通道，为大幅面基板图像。

3.根据权利要求1所述基于神经网络的柔性IC基板表面缺陷分层分类方法，其特征在于，所述根节点采用优化后的DCNN网络对不同批次的IC基板进行身份辨识，优化后的DCNN网络设有输入层、卷积层、池化层、全连接层和输出层；

卷积层采用双线性插值对输入二维图像进行稠密重构，并以可变形卷积网络作为特征提取器，获得重构图像的特征映射图集合；

池化层采用最大池化操作对特征映射图进行降维；

输出层采用Softmax回归。

4.根据权利要求3所述基于神经网络的柔性IC基板表面缺陷分层分类方法，其特征在于，卷积层采用双线性插值对输入二维图像进行稠密重构，具体表示为：

其中，下标[Δx,Δy]表示偏离可变卷积模板中心点的距离；g(,)为一维核函数；

采用可变形卷积获得重构图像的特征映射图集合，具体表示为：

其中，Δp为一个二维可学习的偏移量，I表示与图像相关的大小为n×m的输入矩阵，K∈R^n×m表示形状和大小自适应可变的卷积核，Δm_n为在不规则采样中的预测权重，S[i,j]为特征映射图，b为相应的偏差向量，ReLU(*)表示作为激活函数的整流线性单元；

池化层采用最大池化操作对特征映射图进行降维，具体表示为：

其中，表示在特征映射图中点(i，j)的最大池化输出，w表示池化窗口大小，t表示池化的步长；

输出层采用Softmax回归，具体表示为：

其中，y为基于k个基板类型的输出离散概率，f₂为第二个全连接层的输出。

5.根据权利要求1所述基于神经网络的柔性IC基板表面缺陷分层分类方法，其特征在于，所述分支节点输入来自多尺度成像模块的高模态通道，为基板图像重采样的高分辨率显微镜图像。

6.根据权利要求1所述基于神经网络的柔性IC基板表面缺陷分层分类方法，其特征在于，所述每个分支节点模型通过均衡概率分布的数据集组织策略结合支持向量机对IC基板的健康状态进行二分类，具体步骤包括：

基于根节点IC基板身份辨识输出，相应的分支节点模型被激活；

基板图像经金相显微镜放大后被重采样，图像被划分成多个区域，当高分辨显微镜图像数量达到设定阈值时，则输入图像进行合格与病态的二状态区分；

若IC基板被分类器判别为合格，结束当前进程并跳出循环进入下一批次基板健康状态识别；

若被判定为病态，则叶节点被激活并进入缺陷分类和位置溯源；

将故障类型与合格基板子数据集构成训练数据集，并确定概率函数；

分类器通过铰链损失函数在训练数据集上学习正样本和缺陷数据集特征。