[发明专利]一种基于TensorRT加速推理的芯片缺陷检测方法及系统

权利要求书

1.一种基于TensorRT加速推理的芯片缺陷检测方法，其特征在于，包括：

S1：获取芯片图像数据集并对其进行预处理，得到处理好的芯片图像数据集；

S2：使用芯片图像数据集对改进YOLOv5模型进行训练，得到多个目标检测模型；

S3：将所有目标检测模型转换成TensorRT模型并将TensorRT模型拼接；

S4：获取待检测芯片图像，采用拼接后的TensorRT模型对待检测芯片图像进行处理，得到推理结果；

S5：对推理结果进行降维处理；采用改进NMS算法对降维处理后的推理结果进行去冗余处理，得到待检测芯片的缺陷检测结果。

2.根据权利要求1所述的一种基于TensorRT加速推理的芯片缺陷检测方法，其特征在于，对改进YOLOv5模型进行训练的过程包括：改进YOLOv5模型包括backbone网络、neck网络和head网络；

backbone网络中采用形变卷积提取特征，采用backbone网络对芯片图像进行处理，得到不同尺寸的特征图；

neck网络融合不同尺寸的特征图，得到融合特征图；

head网络对融合特征图进行处理，得到预测结果；

采用总损失函数对改进YOLOv5模型的参数进行调整，得到训练好的改进YOLOv5模型。

3.根据权利要求2所述的一种基于TensorRT加速推理的芯片缺陷检测方法，其特征在于，采用形变卷积提取特征的公式为：

其中，y(p₀)表示位置点p₀在输出特征图上的位置，w(p_n)表示位置点Pn的权重，R表示规则网格，Δp_n表示偏移量，ω_n表示偏移量Δp_n的权重，x()表示点在输入特征图上的位置。

4.根据权利要求2所述的一种基于TensorRT加速推理的芯片缺陷检测方法，其特征在于，总损失函数为：

Loss＝w₁·loss_cls+w₂·loss_reg+w₃·loss_obj

其中，less_cls表示分类损失，loss_reg表示定位损失，loss_obj表示置信度损失，w₁、w₂、w₃分别对应三种损失的权重。

5.根据权利要求4所述的一种基于TensorRT加速推理的芯片缺陷检测方法，其特征在于，分类损失为：

其中，n表示样本的总数量，x表示样本，y_gt表示标签，y_p表示预测输出，x表示样本；ω₁表示第一调节权重，ω₂表示第二调节权重，sample()表示求和。

6.根据权利要求1所述的一种基于TensorRT加速推理的芯片缺陷检测方法，其特征在于，对推理结果进行降维处理的公式为：

length＝box_num*box_{pram_num}*memory_size+1

其中，length表示降维后存储推理结果的数组长度，box_num表示预测框的数量，box_{pram_num}表示预测框中参数的数量，memory_size表示数据类型占内存的大小。

7.根据权利要求1所述的一种基于TensorRT加速推理的芯片缺陷检测方法，其特征在于，推理结果包括多个预测框信息，预测框信息包括预测框的坐标、长度、宽度和置信度。