[发明专利]一种基于Faster RCNN改进的芯片缺陷识别方法

权利要求书

1.一种基于Faster RCNN改进的芯片缺陷识别方法，其特征在于包括如下步骤:

步骤（1）对图片进行预处理，水平反转，缩放等操作，得到实际网络需要的一个输入；

步骤（2）将预训练好的图片送入骨干网络中提取特征图，作为 RPN 网络的输入，并对预训练权重进行初始化；

步骤（3）基于Paddle Detection框架搭建Faster RCNN模型；

步骤（4）对RPN模块进行训练；

步骤（5）使用Faster RCNN模块保存的训练参数对芯片图片进行缺陷检测。

2.根据权利要求1所述一种基于Faster RCNN改进的芯片缺陷识别方法，其特征在于：

步骤（1）中训练数据集采用公共合成PCB数据集，标注缺陷位置及缺陷类别，其中包含6种缺陷（缺失孔，鼠标咬伤，开路，短路，杂散，伪铜）用于检测、分类和配准任务。

3.根据权利要求1所述一种基于Faster RCNN改进的芯片缺陷识别方法，其特征在于：

步骤（2）中初始化骨干网络为ImageNet分类数据集预训练权重，随后接入 RPN 模块，根据上述的训练方法单独训练 RPN 网络并微调前面的骨干网络。

4.根据权利要求1所述一种基于Faster RCNN改进的芯片缺陷识别方法，其特征在于：

步骤（3）中使用飞桨推出的Paddle Detection端到端目标检测开发套件进行检测，该框架中提供了丰富的数据增强、网络组件、损失函数等模块，集成了模型压缩和跨平台高性能部署能力。

5.根据权利要求1所述一种基于Faster RCNN改进的芯片缺陷识别方法，其特征在

于：

步骤（4）中利用RPN（提取RP的全卷积网络）网络生成anchor（锚框）根据分类与定位预测值，得到正样本的anchor的位置，随后去除超出图像边界的anchor，对剩余的anchor根据置信度排序依据IOU阈值为0.7执行一次NMS（非极大值抑制），得到最终剩余的RP（候选框）送入ROI Pooling（感兴趣池化层）模块。

6.根据权利要求1所述一种基于Faster RCNN改进的芯片缺陷识别方法，其特征在于：

步骤（5）中Faster RCNN模型包括特征提取网络、RPN（Region proposal network）模块、RoI Pooling(Region of Interest)模块与RCNN模块四个模块，把Faster RCNN的四个模块作为一个整体进行端到端的训练。

7.根据权利要求6所述一种基于Faster RCNN改进的芯片缺陷识别方法，其特征在于：

在特征提取模块使用Anchor（锚框）替代Selective Search选取候选区域，并在原始的100个卷积后增加一个1×1卷积，将通道数降低为1024，为了增加最后特征图尺寸，将骨干网络中的的第五个卷积组里的卷积步长从2变为1，将下采样率从32降到了16，同时该阶段使用空洞数为2的空洞卷积增加感受野。

8.根据权利要求6所述一种基于Faster RCNN改进的芯片缺陷识别方法，其特征在于：

在RCNN模块使用了全连接网络，要求特征维度固定，方便送到全连接层中。

9.一种基于Faster RCNN改进的芯片缺陷识别方法，其特征在于，训练RPN网络时使用自适应的多任务损失函数，计算公式表示为：

其中，表示多分类问题，表示回归问题，代表平衡损失函数，、，其中

损失函数计算公式表示为：

其中， 是多分类问题，是回归问题。