[发明专利]基于GAF-深度学习及弱电流源结构的TSV测试方法

权利要求书

1.基于GAF-深度学习及弱电流源结构的TSV测试方法，其特征在于：所述TSV故障识别分类方法是按照下列步骤进行的：

(1)通过HSPICE搭建弱电流源测试结构采集TSV四类充放电信号，四类信号分别是无故障、泄漏故障、空洞故障以及泄漏故障、空洞故障同时存在的复合故障。

(2)为保证图片信息的充足，取信号中连续长度为300的时间短序列作为格拉姆算法的输入，将截取到的时间序列转化为(.csv)格式文件，导入格拉姆算法，运行后可得到这个时间段内的TSV充放电信号特征图，设置图片大小为256×256；

(3)将信号特征图输入MobileNetV2网络的卷积层，通过深度可分离卷积模块，提取深层的图片特征，最后通过全连接层和softmax映射到最后的分类数目上，最后得到TSV故障分类结果。

2.根据权利要求1提出的基于GAF-深度学习及弱电流源结构的TSV测试方法，其特征在于：步骤(1)提出的弱电流源结构包括两个反相器和两个传输门以及一个镜像恒流源，传输门可以看做开关，通过在CMOS管栅极由反相器产生的互补脉冲信号电压控制；镜像恒流源的部分，作用是减缓TSV放电速度，有利于故障检测。

3.根据权利要求1提出的基于GAF-深度学习及弱电流源结构的TSV测试方法，其特征在于：步骤(2)包含以下步骤：

(1)给定时间序列为X＝[x1,x2,…,xn]，首先进行最大最小值特征缩放：

(2)通过编码如下值表示极坐标中重新定标的时间序列X：

在上面等式中，t_i是时间戳，而N是调整极坐标范围的常数因子，φ为时间序列中各值的角余弦，且其取值范围为最后将缩放后的时间序列转换为极坐标系统中的值。

(3)格拉姆角场法有两种不同编码方法，格拉姆角和场法(GASF)和格拉姆角差场法(GADF)，定义了格拉姆角和场法，如下：

定义了格拉姆角差法，如下：

4.根据权利要求1提出的基于GAF-深度学习及弱电流源结构的TSV测试方法，其特征在于：步骤(3)提出的MobileNetV2网络是一个轻量型卷积神经网络，使用深度可分离卷积，其引入倒残差结构和线性激活函数，相较于传统残差神经网络结构，其对于输入特征矩阵采用1x1卷积核将通道变得更深，再通过3x3的卷积核进行逐通道卷积提取特征，最后再采用1x1卷积核进行降维处理。针对倒残差结构的最后一个1x1卷积层，使用了线性激活函数代替原本的非线性激活变换，防止非线性激活变换破坏太多信息。