[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

说明书

本发明属于芯片缺陷检测技术领域，具体涉及一种基于TensorRT加速推理的芯片缺陷检测方法及系统；该方法包括：获取芯片图像数据集并对其进行预处理；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；将所有目标检测模型转换成TensorRT模型并将TensorRT模型拼接；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；对推理结果进行降维和去冗余处理，得到待检测芯片的缺陷检测结果；本发明根本上解决现有设备质检速度与精度上的不足，检测效率更高、速度更快，节约了人力成本，实用性高。

技术领域

本发明属于芯片缺陷检测技术领域，具体涉及一种基于TensorRT加速推理的芯片缺陷检测方法及系统。

背景技术

近年来，随着我国经济增长以及人工智能化时代的到来，各行各业都加入数字化转型的队伍，电子设备已逐渐成为人们工作生活中不可缺少的部分，由于芯片属于各电子设备正常运行的核心，芯片的需求量也在不断攀升，一旦芯片出现质量问题，将带来巨大损失，所以供应厂商对芯片质检的把控不容忽视。目标检测技术是近年来计算机视觉领域的研究热点，随着深度学习技术的快速发展，目标检测取得了巨大进展，该项技术借助卷积神经网络，利用已经标注好的数据集对网络参数进行训练，自动提取目标中的潜在特征，最终完成目标的分类与定位。

由于近年来产业智能化转型，目标检测技术将广泛应用于产线质检，从最初耗时耗力的人工质检，到如今使用AOI设备代替人工，提高了机械化水平。但是AOI设备的检测算法标准过于单一，效率低下，准确率也存在一定问题，并且不同批次有不同的合格标准，泛化性极差，并未最大化提高人工复查效率。于是将深度学习与目标检测技术相结合。然后应用于芯片质检的方案，能够大大提高产线质检效率与产品的生产质量。

目前，基于深度学习的目标检测算法主要分为单阶段检测算法和双阶段检测算法。其中，单阶段检测算法主要有YOLO、SSD等，之所以称为单阶段检测算法，是因为该类算法在训练过程中，生成预测框的同时，进行分类与回归操作；双阶段检测方法主要有RCNN系列等，该类方法首先通过RPN网络产生的一系列感兴趣区域，然后将这些感兴趣区域送入卷积神经网络进行分类与回归操作。

在基于深度学习的目标检测技术发展的同时，量化技术也逐渐成熟，量化是将训练好的模型转为低精度表示与计算。常用的软件工具就包括NVIDIA的TensorRT，TensorRT是一种深度学习推理引擎，是一套从模型获得，到模型优化与编译，再到模型部署的完整工具。TensorRT支持当前常用的Pytorch、Tensorflow、Caffe等主流框架。

由于芯片需求量与日俱增，质量要求更不容忽视，所以工业产线质检对检测速度、精度要求更高，所以，发明一种能在保证检测速度的同时兼顾检测精度的芯片缺陷检测方法是有待解决的问题。

发明内容

针对现有技术存在的不足，本发明提出了一种基于TensorRT加速推理的芯片缺陷检测方法及系统，该方法包括：

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。

优选的，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；