[发明专利]一种基于Faster RCNN改进的芯片缺陷识别方法

说明书

本发明提供了一种基于Faster RCNN改进的芯片缺陷检测方法，涉及工业目标检测领域，该方法包括：对数据集进行预处理，采集训练样本集，把样本集导入Faster RCNN，通过特征提取网络对图像样本集进行特征提取，将提取到的特征输入到RPN模块进行训练生成建议框，通过样本集训练和微调得到Faster RCNN模型，使用Faster RCNN模块保存的训练参数对待检测芯片图像进行芯片缺陷检测；该样本集是使用公共合成PCB（印刷电路板）数据集训练所得出的模型，改进了特征提取网络，并使用权重自适应器进行加强学习，在一定程度上提高了检测速度和准确率，使得该发明具有更高的灵活性和识别精度，在电子信息产业中具有更好的实用价值和应用前景。

技术领域

本发明涉及工业检测领域，具体涉及利用机器学习、深度学习的一种基于FasterRCNN改进的芯片缺陷识别方法。

背景技术

随着电子制造的发展，电子产品趋向于多功能，智能化和小型化。作为电子产品的重要精密部件，芯片的质量直接影响产品的性能。因此，质量控制尤为重要，利用人工智能中的计算机视觉技术，可以很好的提升检测模型的精度，保障芯片的生产质量。

芯片缺陷是指芯片在封装过程中可能出现封装体破损、字模倾斜、管脚缺失等诸多缺陷影响芯片质量。Faster RCNN是深度学习中多阶段目标检测算法RCNN系列中的集大成者，实现了精读较高的物体检测性能，在进行缺陷检测时具有更好的精度。

在机器视觉行业及领域，传统的检测算法均是在给定某种特征的基础上，来完成物体分类和目标检测工作；目前随着深度学习技术的发展，很多的检测方法和装置开始借鉴和采用深度学习技术，但在面对缺陷检测时，通用的深度学习目标检测算法也难以产生很好的效果，甚至不产生效果。

如果能有效使用自动化的设备，并且采用专用的芯片缺陷检测算法，识别准确且能实时返回检测结果给自动化设备，则能高效率的完成芯片缺陷检测工作，大大减少人的工作量，也弥补了传统检测算法、通用深度学习检测算法的不足。因此，训练出能够准确缺陷检测的模型是现在急需解决的问题。

发明内容

针对上述问题，本发明提供了一种基于Faster RCNN改进的芯片缺陷识别方法，用以提高芯片缺陷检测。

本发明提供如下技术方案：一种基于Faster RCNN改进的芯片缺陷识别方法，包括如下步骤：

步骤(1)对芯片数据集图像进行预处理，对图像进行水平反转、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)对提取候选框(RP)的全卷积网络(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。

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。

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。

步骤(3)中使用飞桨推出的Paddle Detection的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。