CN109635856A - 一种产线缺陷图像智能分类系统及分类方法 - Google Patents

一种产线缺陷图像智能分类系统及分类方法 Download PDF

Info

Publication number
CN109635856A
CN109635856A CN201811440961.9A CN201811440961A CN109635856A CN 109635856 A CN109635856 A CN 109635856A CN 201811440961 A CN201811440961 A CN 201811440961A CN 109635856 A CN109635856 A CN 109635856A
Authority
CN
China
Prior art keywords
classification
defect
defect image
module
producing line
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811440961.9A
Other languages
English (en)
Inventor
王鹏飞
傅豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai IC R&D Center Co Ltd
Original Assignee
Shanghai Integrated Circuit Research and Development Center Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Integrated Circuit Research and Development Center Co Ltd filed Critical Shanghai Integrated Circuit Research and Development Center Co Ltd
Priority to CN201811440961.9A priority Critical patent/CN109635856A/zh
Publication of CN109635856A publication Critical patent/CN109635856A/zh
Priority to PCT/CN2019/107241 priority patent/WO2020108042A1/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种产线缺陷图像智能分类系统，包括缺陷数据输入模块，用于读入产线生成的缺陷图像数据；缺陷数据格式转换模块，用于将缺陷图像的数据格式转换为所需的图像数据格式；多层次智能分类模块，用于对数据格式转换后的缺陷图像采用多层分类方式进行智能分类；分类结果输出模块，用于输出已分类且已达系统分类性能要求的缺陷种类。本发明应用了基于深度学习的多层次智能分类模块，及具有提升算法的神经网络分类单元组成多层分类器，利用软件系统对产线缺陷图片进行分类，从而可提高缺陷数据分析效率，减轻相关制造企业在缺陷数据分析领域所耗费的资源。本发明还公开了一种产线缺陷图像智能分类方法。

Description

一种产线缺陷图像智能分类系统及分类方法
技术领域
本发明涉及产线缺陷分析技术领域，更具体地，涉及一种产线缺陷图像智能分类系统及分类方法。
背景技术
在例如集成电路制造产业中，随着半导体特征尺寸的不断缩小，集成电路制造技术遇到的挑战越来越多。其中，在芯片制造过程中产生的越来越多的缺陷，已严重地影响到了集成电路产线的良率。
为了解决这个问题，集成电路制造公司需要投入大量的资源，以及时对生产过程中产生的缺陷数据进行分析，并找出产生缺陷的原因，从而采取措施提高产线的良率。因此，集成电路产线对提高工作效率，应用智能分类系统有强烈的需求。
随着近年人工智能技术的开发应用，尤其是深度学习技术的迅速发展，为集成电路产线缺陷数据智能分类系统的实现提供了必要的技术手段。
发明内容
本发明的目的在于克服现有技术存在的上述缺陷，提供一种产线缺陷图像智能分类系统及分类方法。
为实现上述目的，本发明的技术方案如下：
本发明提供了一种产线缺陷图像智能分类系统，包括：
一缺陷数据输入模块，用于读入产线生成的缺陷图像数据；
一缺陷数据格式转换模块，用于将所述缺陷图像的数据格式转换为所需的图像数据格式；
一多层次智能分类模块，用于对数据格式转换后的所述缺陷图像采用多层分类方式进行智能分类；
一分类结果输出模块，用于输出已分类且已达系统分类性能要求的缺陷种类。
进一步地，所述多层次智能分类模块设有多层分类器；其中，每一下层分类器根据设定的缺陷类型，对接受的所述缺陷图像进行自动分类，将处理后已经达到系统分类性能要求的缺陷种类提交给分类结果输出模块，并将没有被分类的所述缺陷图像归为一类，作为上层分类器的输入，所述分类结果输出模块对各层分类器提交的所有已经达到系统分类性能要求的缺陷种类进行汇总并统一输出。
进一步地，各层所述分类器分别设有多个基于提升算法用于分类的神经网络分类单元，用于提高所述分类性能要求。
进一步地，所述分类性能要求包括分类准确率和召回率。
进一步地，所述分类结果输出模块还将所述多层次智能分类模块未能分类的剩余所述缺陷图像输出至一人工处理模块。
本发明还提供了一种产线缺陷图像智能分类方法，包括以下步骤：
步骤S01：利用一缺陷数据输入模块，读入产线生成的缺陷图像数据；
步骤S02：利用一缺陷数据格式转换模块，将所述缺陷图像的数据格式转换为所需的图像数据格式；
步骤S03：利用一多层次智能分类模块，对经数据格式转换后的所述缺陷图像采用多层分类方式进行智能分类；
步骤S04：利用一分类结果输出模块，用于输出已分类且已达系统分类性能要求的缺陷种类。
进一步地，所述多层次智能分类模块设有多层分类器；其中，每一下层分类器根据设定的缺陷类型，对接受的所述缺陷图像进行自动分类，将处理后已经达到系统分类性能要求的缺陷种类提交给分类结果输出模块，并将没有被分类的所述缺陷图像归为一类，作为上层分类器的输入，所述分类结果输出模块对各层分类器提交的所有已经达到系统分类性能要求的缺陷种类进行汇总并统一输出。
进一步地，各层所述分类器分别设有多个基于提升算法用于分类的神经网络分类单元，用于提高所述分类性能要求。
进一步地，所述分类性能要求包括分类准确率和召回率。
进一步地，所述分类结果输出模块还将所述多层次智能分类模块未能分类的剩余所述缺陷图像输出至一人工处理模块。
从上述技术方案可以看出，本发明应用了基于深度学习的多层次智能分类模块结构，并应用了具有提升算法的神经网络分类单元组成多层分类器，利用软件系统对产线缺陷图片进行分类，从而可提高缺陷数据分析效率，减轻相关制造企业在缺陷数据分析领域所耗费的资源。本发明具有以下优点：
第一，提高分类的准确率，将误分类控制在很小的概率。
第二，提高召回率，减少需要人工干预分类的缺陷图片的数量，从而节省大量的资源。
第三，因为多层次智能分类模块是多层次结构，系统更易于扩展，当有新的缺陷类型需要进行分类时，只需要通过较轻量的训练，增加系统(分类器)的层级，而不需要对系统整体进行重新训练。
附图说明
图1是本发明一较佳实施例的一种产线缺陷图像智能分类系统结构示意图。
图2是本发明一较佳实施例的一种基于深度学习的多层次智能分类模块结构示意图。
图3是本发明一较佳实施例的一种分类器结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步的详细说明。
需要说明的是，在下述的具体实施方式中，在详述本发明的实施方式时，为了清楚地表示本发明的结构以便于说明，特对附图中的结构不依照一般比例绘图，并进行了局部放大、变形及简化处理，因此，应避免以此作为对本发明的限定来加以理解。
在以下本发明的具体实施方式中，请参考图1，图1是本发明一较佳实施例的一种产线缺陷图像智能分类系统结构示意图。如图1所示，以应用于集成电路制造中为例，本发明的一种产线缺陷图像智能分类系统，是一种基于深度学习的多层次智能分类系统，包括：一个缺陷数据输入模块，一个缺陷数据格式转换模块，一个多层次智能分类模块，以及一个分类结果输出模块等几个主要组成部分。
请参考图1。缺陷数据输入模块可用于实时检测集成电路产线是否有新的缺陷数据生成，这些缺陷数据来自产线缺陷数据生成系统；缺陷数据输入模块并且读入产线生成的这些新的缺陷数据。这些缺陷数据通常采用图像数据形式。本发明不限于此。
缺陷数据输入模块还可以用于导入产线的其他数据信息。
缺陷数据输入模块的输出端与缺陷数据格式转换模块的输入端相连。缺陷数据格式转换模块用于将产线产生的缺陷图像的数据格式转换为多层次智能分类模块所需的、即可以读取的图像数据格式。
缺陷数据格式转换模块的输出端与多层次智能分类模块的输入端相连。多层次智能分类模块用于对经数据格式转换后的缺陷图像采用多层分类方式进行实时智能分类。
多层次智能分类模块的输出端与分类结果输出模块的输入端相连。分类结果输出模块用于将由多层次智能分类模块输入的已分类且已达系统分类性能要求的缺陷种类进行输出。
请参考图2，图2是本发明一较佳实施例的一种基于深度学习的多层次智能分类模块结构示意图。如图2所示，多层次智能分类模块是一种基于深度学习的多层次智能分类模块，其设有多层分类器，例如图示的m层分类器(分类器1-分类器m)结构。其中，每一层分类器可由应用了提升算法的多个神经网络分类单元组成。神经网络分类单元例如可以是基于Boosting(如AdaBoost)、Bagging(如随机森林)等提升算法所设计的神经网络分类单元，可参考现有技术加以理解，故不再展开说明。并且，每一层分类器的神经网络的数据可以是不同的。
请参考图3，图3是本发明一较佳实施例的一种分类器结构示意图。如图3所示，每一层分类器均可由多个用于分类的神经网络组成，并采用了提升算法，以提高分类性能要求，即提高每一个缺陷的分类准确率和召回率。
在图2的m层分类器中，每一下层分类器根据设定的缺陷类型，对接受的缺陷图像进行自动分类，将处理后已经达到系统分类性能要求的缺陷种类提交给分类结果输出模块，并将没有被分类的缺陷图像归为一类，作为上层分类器的输入，分类结果输出模块对各层分类器提交的所有已经达到系统分类性能要求的缺陷种类进行汇总并统一输出至缺陷数据分析系统。
分类结果输出模块还可将多层次智能分类模块未能分类的剩余缺陷图像输出至一人工处理模块。人工处理模块可包含在缺陷数据分析系统中。
本实例中的智能分类系统中的多层次智能分类模块，其性能评价标准主要由准确率和召回率两个指标所构成。假设对于一类缺陷，分类准确的数量记为TP，该类被误分为其他类的数量记为FN，其他类被误分为该类的数量记为FP，则准确率和召回率可定义如下：
准确率＝TP/(TP+FP)
召回率＝TP/(TP+FN)
基于集成电路产线缺陷分类的特点和要求，智能分类系统必须保证很高的准确率和召回率。对于一些非常重要的缺陷类型，要求不能被误识别为其他类型，故其召回率为1。当不能实现这一要求时，这些重要的缺陷需要仍旧由人工来分类。因此，集成电路产线缺陷分类的这一特点，对智能分类系统的实现提出了非常高的要求。
为了克服上述难点，本发明采用了多层次的智能分类解决方案，如图2所示，其中每一层分类器的结构可如图3所示。
请参考图2和图3。假定将待分类的集成电路产线缺陷记为N类，包括设定的缺陷n1类至缺陷nm类。第一层分类器1将来自集成电路产线缺陷数据的缺陷图片分为n1+1类。其中，n1类是通过第一层分类器1处理后已经达到系统分类性能要求的缺陷种类；没有被第一层分类器1分类的缺陷数据被归为一类(即n1+1中的1)，并作为第二层分类器2的输入。
在第二层分类器2中，将由第一层分类器1输入的没有被分类缺陷图片再分为n2+1类。其中，n2类是通过第二层分类器2处理后已经达到系统分类性能要求的缺陷种类；没有被第二层分类器2分类的缺陷数据被归为一类(即n2+1中的1)，并作为第三层分类器3的输入。
以此类推，经过m层分类器处理后，智能分类系统输出已经达到性能要求的缺陷种类以及分类结果，其余未能分类的缺陷图像则输出至人工处理模块，交由人工继续进行分类处理。
其中，每一层分类器中的各神经网络以下一层分类器处理后的输入缺陷数据为基础(第一层分类器1直接以来自产线缺陷数据生成系统的集成电路产线缺陷数据为分类基础)，采用提升算法进行再次分类处理，然后将本层的分类处理结果输出至上一层的分类器。
经过上述多层次智能分类，提高了分类的准确率和召回率，可将误分类控制在很小的概率，减少需要人工干预分类的缺陷图片的数量，从而节省了大量的资源。并且，因为是多层次结构，系统更易于扩展，当有新的缺陷类型需要进行分类时，只需要通过较轻量的训练，增加系统的层级，而不需要对系统整体进行重新训练。
本发明也可应用于其他领域的产线缺陷分析中。
下面通过具体实施方式及附图，对本发明的一种产线缺陷图像智能分类方法进行详细说明。
请参考图1-图3。本发明的一种产线缺陷图像智能分类方法，可采用上述的产线缺陷图像智能分类系统，并可包括以下步骤：
步骤S01：利用一缺陷数据输入模块，读入产线生成的缺陷图像数据。
可采用上述的缺陷数据输入模块，实时检测集成电路产线是否有新的缺陷图像数据生成，并且读入产线生成的这些新的缺陷图像数据。
步骤S02：利用一缺陷数据格式转换模块，将缺陷图像的数据格式转换为所需的图像数据格式。
可采用上述的缺陷数据格式转换模块，将产线产生的缺陷图像的数据格式转换为多层次智能分类模块所需的、即可以读取的图像数据格式。
步骤S03：利用一多层次智能分类模块，对经数据格式转换后的缺陷图像采用多层分类方式进行智能分类。
可采用上述的多层次智能分类模块，对经数据格式转换后的缺陷图像采用多层分类方式进行实时智能分类。
请参考图2。多层次智能分类模块设有多层分类器1-分类器m；其中，每一下层分类器根据设定的缺陷类型，对接受的缺陷图像进行自动分类，将处理后已经达到系统分类性能要求的缺陷种类提交给分类结果输出模块，并将没有被分类的缺陷图像归为一类，作为上层分类器的输入，分类结果输出模块对各层分类器提交的所有已经达到系统分类性能要求的缺陷种类进行汇总并统一输出。
请参考图3。各层分类器分别设有多个基于提升算法用于分类的神经网络分类单元1-n，用于提高分类性能要求。
分类性能要求可包括分类准确率和召回率。
步骤S04：利用一分类结果输出模块，用于输出已分类且已达系统分类性能要求的缺陷种类。
可采用上述的分类结果输出模块，将由多层次智能分类模块输入的已分类且已达系统分类性能要求的缺陷种类进行输出。分类结果输出模块还可将多层次智能分类模块未能分类的剩余缺陷图像输出至一人工处理模块。
综上所述，本发明应用了基于深度学习的多层次智能分类模块结构，并应用了具有提升算法的神经网络分类单元组成多层分类器，利用软件系统对产线缺陷图片进行分类，从而可提高缺陷数据分析效率，减轻相关制造企业在缺陷数据分析领域所耗费的资源。
以上所述的仅为本发明的优选实施例，所述实施例并非用以限制本发明的专利保护范围，因此凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (10)

1.一种产线缺陷图像智能分类系统，其特征在于，包括：
一缺陷数据输入模块，用于读入产线生成的缺陷图像数据；
一缺陷数据格式转换模块，用于将所述缺陷图像的数据格式转换为所需的图像数据格式；
一多层次智能分类模块，用于对数据格式转换后的所述缺陷图像采用多层分类方式进行智能分类；
一分类结果输出模块，用于输出已分类且已达系统分类性能要求的缺陷种类。
2.根据权利要求1所述的产线缺陷图像智能分类系统，其特征在于，所述多层次智能分类模块设有多层分类器；其中，每一下层分类器根据设定的缺陷类型，对接受的所述缺陷图像进行自动分类，将处理后已经达到系统分类性能要求的缺陷种类提交给分类结果输出模块，并将没有被分类的所述缺陷图像归为一类，作为上层分类器的输入，所述分类结果输出模块对各层分类器提交的所有已经达到系统分类性能要求的缺陷种类进行汇总并统一输出。
3.根据权利要求2所述的产线缺陷图像智能分类系统，其特征在于，各层所述分类器分别设有多个基于提升算法用于分类的神经网络分类单元，用于提高所述分类性能要求。
4.根据权利要求1-3任一所述的产线缺陷图像智能分类系统，其特征在于，所述分类性能要求包括分类准确率和召回率。
5.根据权利要求1或2所述的产线缺陷图像智能分类系统，其特征在于，所述分类结果输出模块还将所述多层次智能分类模块未能分类的剩余所述缺陷图像输出至一人工处理模块。
6.一种产线缺陷图像智能分类方法，其特征在于，包括以下步骤：
步骤S01：利用一缺陷数据输入模块，读入产线生成的缺陷图像数据；
步骤S02：利用一缺陷数据格式转换模块，将所述缺陷图像的数据格式转换为所需的图像数据格式；
步骤S03：利用一多层次智能分类模块，对经数据格式转换后的所述缺陷图像采用多层分类方式进行智能分类；
步骤S04：利用一分类结果输出模块，用于输出已分类且已达系统分类性能要求的缺陷种类。
7.根据权利要求6所述的产线缺陷图像智能分类方法，其特征在于，所述多层次智能分类模块设有多层分类器；其中，每一下层分类器根据设定的缺陷类型，对接受的所述缺陷图像进行自动分类，将处理后已经达到系统分类性能要求的缺陷种类提交给分类结果输出模块，并将没有被分类的所述缺陷图像归为一类，作为上层分类器的输入，所述分类结果输出模块对各层分类器提交的所有已经达到系统分类性能要求的缺陷种类进行汇总并统一输出。
8.根据权利要求7所述的产线缺陷图像智能分类方法，其特征在于，各层所述分类器分别设有多个基于提升算法用于分类的神经网络分类单元，用于提高所述分类性能要求。
9.根据权利要求6-8任一所述的产线缺陷图像智能分类方法，其特征在于，所述分类性能要求包括分类准确率和召回率。
10.根据权利要求6或7所述的产线缺陷图像智能分类方法，其特征在于，所述分类结果输出模块还将所述多层次智能分类模块未能分类的剩余所述缺陷图像输出至一人工处理模块。
CN201811440961.9A 2018-11-29 2018-11-29 一种产线缺陷图像智能分类系统及分类方法 Pending CN109635856A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811440961.9A CN109635856A (zh) 2018-11-29 2018-11-29 一种产线缺陷图像智能分类系统及分类方法
PCT/CN2019/107241 WO2020108042A1 (zh) 2018-11-29 2019-09-23 一种产线缺陷图像智能分类系统及分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811440961.9A CN109635856A (zh) 2018-11-29 2018-11-29 一种产线缺陷图像智能分类系统及分类方法

Publications (1)

Publication Number Publication Date
CN109635856A true CN109635856A (zh) 2019-04-16

Family

ID=66069744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811440961.9A Pending CN109635856A (zh) 2018-11-29 2018-11-29 一种产线缺陷图像智能分类系统及分类方法

Country Status (2)

Country Link
CN (1) CN109635856A (zh)
WO (1) WO2020108042A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020108042A1 (zh) * 2018-11-29 2020-06-04 上海集成电路研发中心有限公司 一种产线缺陷图像智能分类系统及分类方法
JP2021096151A (ja) * 2019-12-17 2021-06-24 日本電気硝子株式会社 欠陥分類方法、欠陥分類装置及びガラス物品の製造方法
WO2022252279A1 (zh) * 2021-06-01 2022-12-08 中科晶源微电子技术（北京）有限公司 缺陷分类器和缺陷分类方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150098655A1 (en) * 2013-10-08 2015-04-09 National Tsing Hua University Method of Defect Image Classification through Integrating Image Analysis and Data Mining
CN107679552A (zh) * 2017-09-11 2018-02-09 北京飞搜科技有限公司 一种基于多分支训练的场景分类方法以及系统
CN107886131A (zh) * 2017-11-24 2018-04-06 佛山科学技术学院 一种基于卷积神经网络检测电路板元器件极性方法和装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080175468A1 (en) * 2007-01-24 2008-07-24 Hermes Microvision, Inc. Method and system for creating knowledge and selecting features in a semiconductor device
CN104850858B (zh) * 2015-05-15 2016-09-07 华中科技大学 一种注塑制品缺陷检测识别方法
JP2017102671A (ja) * 2015-12-01 2017-06-08 キヤノン株式会社 識別装置、調整装置、情報処理方法及びプログラム
CN106846316B (zh) * 2017-02-10 2020-03-27 云南电网有限责任公司电力科学研究院 一种gis内部典型缺陷图像自动识别方法
CN108345911B (zh) * 2018-04-16 2021-06-29 东北大学 基于卷积神经网络多级特征的钢板表面缺陷检测方法
CN109635856A (zh) * 2018-11-29 2019-04-16 上海集成电路研发中心有限公司 一种产线缺陷图像智能分类系统及分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150098655A1 (en) * 2013-10-08 2015-04-09 National Tsing Hua University Method of Defect Image Classification through Integrating Image Analysis and Data Mining
CN107679552A (zh) * 2017-09-11 2018-02-09 北京飞搜科技有限公司 一种基于多分支训练的场景分类方法以及系统
CN107886131A (zh) * 2017-11-24 2018-04-06 佛山科学技术学院 一种基于卷积神经网络检测电路板元器件极性方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何俊杰等: "基于区域神经网络的TFT-LCD 电路缺陷检测方法", 《计算机与现代化》 *
猴子吃果冻: "6.集成算法boosting----AdaBoost算法", 《博客园》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020108042A1 (zh) * 2018-11-29 2020-06-04 上海集成电路研发中心有限公司 一种产线缺陷图像智能分类系统及分类方法
JP2021096151A (ja) * 2019-12-17 2021-06-24 日本電気硝子株式会社 欠陥分類方法、欠陥分類装置及びガラス物品の製造方法
WO2021124775A1 (ja) * 2019-12-17 2021-06-24 日本電気硝子株式会社 欠陥分類方法、欠陥分類装置及びガラス物品の製造方法
JP7349066B2 (ja) 2019-12-17 2023-09-22 日本電気硝子株式会社 欠陥分類方法、欠陥分類装置及びガラス物品の製造方法
WO2022252279A1 (zh) * 2021-06-01 2022-12-08 中科晶源微电子技术（北京）有限公司 缺陷分类器和缺陷分类方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2020108042A1 (zh) 2020-06-04

Similar Documents

Publication Publication Date Title
Luo et al. FPCB surface defect detection: A decoupled two-stage object detection framework
Feng et al. Exploring classification equilibrium in long-tailed object detection
Gader et al. Recognition of handwritten digits using template and model matching
CN109635856A (zh) 一种产线缺陷图像智能分类系统及分类方法
US10650508B2 (en) Automatic defect classification without sampling and feature selection
Romdhani et al. Computationally efficient face detection
Crammer et al. On the learnability and design of output codes for multiclass problems
US7415387B2 (en) Die and wafer failure classification system and method
CN105108584B (zh) 一种车削颤振检测方法
CN101964063B (zh) 一种改进的AdaBoost分类器构造方法
US20210110215A1 (en) Information processing device, information processing method, and computer-readable recording medium recording information processing program
CN112347910B (zh) 一种基于多模态深度学习的信号指纹识别方法
CN113743528A (zh) 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统
US20200143209A1 (en) Task dependent adaptive metric for classifying pieces of data
Wei et al. Mixed-type wafer defect recognition with multi-scale information fusion transformer
CN117033912B (zh) 一种设备故障预测方法、装置、可读存储介质及电子设备
CN112906672B (zh) 钢轨缺陷识别方法及系统
CN104794499A (zh) 一种基于自适应熵权的区间灰色关联分类器设计方法
CN110163206A (zh) 车牌识别方法、系统、存储介质和装置
Mandal et al. PV system fault classification using SVM accelerated by dimension reduction using PCA
CN111461264B (zh) 基于生成对抗网络的具有可伸缩性模块化图像识别方法
CN114926702A (zh) 一种基于深度注意力度量的小样本图像分类方法
CN113537339A (zh) 一种基于多标签图像分类的识别共生或伴生矿物的方法与系统
CN113326971A (zh) 一种基于PCA和Adaboost的隧道交通事故持续时间预测方法
KR102018788B1 (ko) 이미지 분류 시스템 및 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination