CN110763685A - Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置 - Google Patents

Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置 Download PDF

Info

Publication number
CN110763685A
CN110763685A CN201911007689.XA CN201911007689A CN110763685A CN 110763685 A CN110763685 A CN 110763685A CN 201911007689 A CN201911007689 A CN 201911007689A CN 110763685 A CN110763685 A CN 110763685A
Authority
CN
China
Prior art keywords
dfb
chip
laser chip
surface defect
frequency spectrum
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.)
Granted
Application number
CN201911007689.XA
Other languages
English (en)
Other versions
CN110763685B (zh
Inventor
刘拓
潘彦廷
侯宏泽
侯展璞
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.)
Shaanxi Yuanjie Semiconductor Technology Co.,Ltd.
Original Assignee
Shaanxi Source Semiconductor Technology 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 Shaanxi Source Semiconductor Technology Co Ltd filed Critical Shaanxi Source Semiconductor Technology Co Ltd
Priority to CN201911007689.XA priority Critical patent/CN110763685B/zh
Publication of CN110763685A publication Critical patent/CN110763685A/zh
Application granted granted Critical
Publication of CN110763685B publication Critical patent/CN110763685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G01N2021/8893—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques providing a video image and a processed signal for helping visual decision
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Semiconductor Lasers (AREA)

Abstract

本发明公开了芯片表面缺陷检测技术领域的一种DFB半导体激光器芯片表面缺陷的人工智能检测方法及其装置，包括图像采集模块用于获取DFB激光芯片生产过程对激光芯片采集的图像信号；频谱转换模块用于将图像采集模块采集的图像信号转换成串行数据信号；DFB芯片表面缺陷识别模块用于对图像串行数据信号进行处理，提取图像串行数据信号的频谱特征；根据频谱特征进行芯片表面缺陷的识别，本发明将采集的图像信号转换成串行数据信号后，采用预设的五层卷积层与最大池化层交错对图像串行数据信号进行处理，提取图像串行数据信号的频谱特征后，根据频谱特征进行芯片表面缺陷的识别实现对DFB芯片产品外观进行检测，提高DFB芯片产品外观缺陷检测的准确性和效率。

Description

DFB半导体激光器芯片表面缺陷的人工智能检测方法及其 装置
技术领域
本发明涉及芯片表面缺陷检测领域，具体为一种DFB半导体激光器芯片表面缺陷的人工智能检测方法及其装置。
背景技术
芯片是激光收发器最关键的原物料，其质量的好坏，直接决定了激光收发器的性能。而DFB(Distributed Feedback Laser)激光器是一种重要的激光器，DFB激光器即分布式反馈激光器，其不同之处是内置了布拉格光栅(Bragg Grating)，属于侧面发射的半导体激光器。目前，DFB激光器主要以半导体材料为介质，包括锑化镓(GaSb)、砷化镓(GaAs)、磷化铟(InP)、硫化锌(ZnS)等。DFB激光器最大特点是具有非常好的单色性(即光谱纯度)，它的线宽普遍可以做到1MHz以内，以及具有非常高的边模抑制比(SMSR)，目前可高达40-50dB以上。特别是用于5G网络或数据中心设备的高端DFB激光芯片，绝对不容许出现缺陷。为保障此类DFB激光芯片非常高的可靠性，传统的方法采用有经验工程师提供基准样式或基准规则，基于传统图像处理(例如，尺度不变特征变换匹配算法，方向梯度直方图特征，加速稳健特征)，通过这些样式或基准规则，对目标进行识别，传统图像处理对线形及高斯分布的数据集具特征提取效果，但是高端DFB芯片设计复杂，生产过程中需用大量工艺多元化，造成高端DFB芯片表面缺陷图像数据集时有非线性及非高斯分布出现。因此在对DFB芯片产品规格变化多，生产流程需快速调整时，对有鉴定芯片的优劣情况经验之工程师人力的需求过高，而工程师工作易因强度过大，而无法准确地实现对不合格的芯片检测，及时反映生产异常。
基于此，本发明设计了一种DFB半导体激光器芯片表面缺陷的人工智能检测方法及其装置，以解决上述问题。
发明内容
本发明的目的在于提供一种DFB半导体激光器芯片表面缺陷的人工智能检测方法及其装置，以解决上述背景技术中提出在对DFB芯片产品规格变化多，生产流程需快速调整时，对有鉴定芯片的优劣情况经验之工程师人力的需求过高，而工程师工作易因强度过大，而无法准确地实现对不合格的芯片检测，及时反映生产异常的问题。
为实现上述目的，本发明提供如下技术方案：一种DFB半导体激光器芯片表面缺陷的人工智能检测方法，检测方法包括以下步骤：
步骤S110，包括获取DFB激光芯片生产过程中对质量检测设备采集的图像信号；
步骤S120，将所述采集的图像信号转换成串行数据信号；
步骤S130，采用预设的五层卷积层与最大池化层交错对所述图像串行数据信号进行处理，提取所述图像串行数据信号的频谱特征；根据所述频谱特征进行芯片表面缺陷的识别。
优选的，还包括以下步骤：
步骤S141，通过预设的全连接神经网络对所述频谱特征进行是否为表面缺陷的概率计算，所述表面缺陷的概率是频谱特征符合表面缺陷频谱特征的可能程度，全连接神经网络是预先行成的，通过全连接神经网络对所述频谱特征进行回归分类处理，计算该所述频谱特征所属的芯片表面图像信号符合为表面缺陷的概率；
步骤S142，根据为表面缺陷的概率对DFB芯片进行表面缺陷的判断，将表面缺陷的概率值与表面缺陷概率临界值进行比对，在表面缺陷概率达到表面缺陷概率临界值时，则确定为表面有缺陷；在表面缺陷概率未达到表面缺陷概率临界值时，则确定为表面无缺陷。
优选的，在步骤S130之前，该DFB半导体激光器芯片表面缺陷的人工智能检测方法还可以包括以下步骤：
步骤S210，在DFB激光芯片生产过程中对质量检测设备采集的图像信号，得到正样本图像信号集和负样本图像信号集，所述正样本图像信号集是对质量检测设备采集的激光芯片表面有缺陷的图像信号，所述负样本图像信号集是对质量检测设备采集的激光芯片表面无缺陷的图像信号；
步骤S230，采用卷积神经网络算法分别对所述正样本图像信号集和所述负样本图像信号集进行迭代训练，形成全连接神经网络。
一种DFB半导体激光器芯片表面缺陷的人工智能检测装置，其特征在于：包括图像采集模块、频谱转换模块和DFB芯片表面缺陷识别模块，所述图像采集模块用于获取DFB激光芯片生产过程对激光芯片采集的图像信号；所述频谱转换模块用于将所述图像采集模块采集的图像信号归一化转换成串行数据信号；所述DFB芯片表面缺陷识别模块用于采用预设的五层卷积层与平均池化层交错对所述图像串行数据信号进行处理，提取所述图像串行数据信号的频谱特征；所述DFB芯片表面缺陷识别模块用于根据所述频谱特征进行芯片表面缺陷的识别。
优选的，所述还包括了一种终端，包括储存器和处理器，所述储存器中储存有单片机可读指令，所述单片机可读指令被所述处理器执行时，使得所述处理器执行上述所述DFB半导体激光器芯片表面缺陷的人工智能检测装置的步骤。
优选的，所述所述终端还包括了一种储存有单片机可读指令的储存介质，所述单片机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述DFB半导体激光器芯片表面缺陷的人工智能检测方法的步骤。
优选的，所述处理器连接多媒体模块，所述多媒体组件和处理组件之间的交互。
优选的，所述处理器连接电源组件，所述电源组件为装置的各种组件提供电力，所述电源组件包括电源管理系统，一个或多个电源，及其他与为装置生成、管理和分配电力相关的组件。
优选的，所述处理器连接通讯组件，所述通讯组件接收多媒体组件传输的图像信号并发送，所述通信组件被配置为便于装置和其他设备之间有线或无线方式的通信，所述通讯模块可以接入基于通信标准的无线网络。
与现有技术相比，本发明的有益效果是：在进行DFB激光芯片生产过程中对芯片表面缺陷质量检测时，将采集的图像信号转换成串行数据信号后，采用预设的五层卷积层与最大池化层交错对图像串行数据信号进行处理，提取图像串行数据信号的频谱特征后，根据频谱特征进行芯片表面缺陷的识别就能实现对DFB芯片产品外观进行实时检测，并且大大提高了DFB芯片产品外观缺陷检测的准确性和效率，解决了工程师人力的需求过高的问题，减轻了工程师的作业负担。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明装置100模块结构示意图；
图2为本发明检测方法的流程图示意图；
图3为本发明五层卷积层示意图；
图4为本发明步骤S140的流程示意图；
图5为本发明步骤S210和步骤S230流程示意图；
图6为本发明检测执行框图；
图7为本发明DFB芯片表面缺陷识别模块结构示意图；
图8为本发明步骤S210和步骤S230模块示意图。
附图中，各标号所代表的部件列表如下：
100-装置，101-处理组件，102-存储器，103-电源组件，104-多媒体组件，105-通讯组件，106-处理器，110-图像采集模块，120-频谱转换模块，130-DFB芯片表面缺陷频谱特征提取模块，140-DFB芯片表面缺陷识别模块，141-芯片表面缺陷概率计算单元，142-芯片表面缺陷判断单元，210-样本图像信号集生成模块，230-迭代训练模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
参考图1，装置100可以包括以下一个或多个组件：处理组件101，存储器102，电源组件103，多媒体组件104，及通信组件105。
处理组件101通常控制装置100的整体操作，诸如与显示，数据通信，显微镜相机操作以及计录操作相关联的操作等。处理组件101可以包括一个或多个处理器106来执行指令，以完成上述的方法的全部或部分步骤。此外，处理器101可以包括一个或多个模块，便于处理组件101和其他组件之间的交互。例如，处理器101可以包括多媒体模块，以方便多媒体组件104和处理组件101之间的交互。
存储器102被配置为存储各种类型的数据以支持在装置100的操作。这些数据的示例包括用于在装置100上操作的任何应用程序或方法的指令。存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器。存储器102中还存储有一个或多个模块，该一个或多个模块被配置成有该一个或多个处理器106执行，以完成以下任一所示方法中的全部或者部分步骤。
电源组件103为装置100的各种组件提供电力。电源组件103可以包括电源管理系统，一个或多个电源，及其他与为装置100生成、管理和分配电力相关的组件。
多媒体组件104被配置为包括在所述装置100和用户之间的提供一个输入图像的摄像头和输出图像的屏幕。在一些实施中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。摄像头可以包括显微镜摄像头和更高分辨率的数码摄像头。如果摄像头包括三颗(类似智能手机后置)摄像头，可带来更高倍数的光学变焦和拍摄质量，摄像头可以被实现为接收用户图像输入信号。摄像头被配置为接收外部图像输入信号。所接收的图像信号可以被进一步存储在存储器102或经由通信组件105发送。
通信组件105被配置为便于装置100和其他设备之间有线或无线方式的通信。装置100可以接入基于通信标准的无线网络，如WiFi，蓝牙，4G或5G，或他们的组合。
在示例性实施例中，装置100可以被一个或多个应用专用集成电路(ASIC)，数字信号处理器(DSP)，现场可编程门阵列(FPGA)，控制器，微控制器，微处理器或其他电子元件实现，用于执行下述方法。其中，该实施例的终端中的处理器被配置为执行；获取高清摄像头采集DFB半导体激光器芯片表面的；采用卷积神经网络算法对DFB半导体激光器芯片表面的图像进行识别，从芯片表面的图像提取所述图像特征；对所述激光器芯片表面缺陷的存在性判断；如果所有的所述芯片表面缺陷特征均存在，则确定所述DFB半导体激光器芯片表面有缺陷。
该实施例中的终端中处理器执行操作的具体方式将在有关有DFB半导体激光器芯片表面缺陷的人工智能检测方法的实施例中进行详细描述，此处将不做详细阐述说明。
图2是根据一示例性实施例示出的一种DFB半导体激光器芯片表面缺陷的人工智能检测方法的流程图。该激光器芯片表面缺陷的人工智能检测方法可用于智能手机，电脑等终端中。如图2所示，该DFB半导体激光器芯片表面缺陷的人工智能检测方法可以包括以下步骤。
步骤S110，获取DFB激光芯片生产过程中对质量检测设备采集的图像信号。DFB激光芯片在正常生产运作过程中，会产生表面有缺陷的芯片。可以理解的是，表面有缺陷的芯片与表面无缺陷的芯片，产生的图像存在区别。
获取DFB激光芯片生产过程中采集的图像信号，可以是在生产时即时获取的，也可以是在前一段时间内对生产设备采集的图像信号。
步骤S120，将图像信号转换成串行数据信号。
本步骤要做的处理主要是对原始图像数据进行预处理，其中包括：
去均值：把输入数据各个维度都中心化为0，其目的就是把样本的中心拉回到坐标系原点上。归一化：幅度归一化到同样的范围，即减少各维度数据取值范围的差异而带来的干扰。例如，我们有两个维度的特征A和B，A范围是0到10，而B范围是0到10000，如果直接使用这两个特征是有问题的，好的做法就是归一化，即A和B的数据都变为0到1的范围。PCA/白化：用PCA降维；白化是对数据各个特征轴上的幅度归一化。原始图像数据经过预处理后成为适合卷积神经网络处理的串行数据信号。
步骤S130，采用预设的五层卷积层与最大池化层交错对图像串行数据信号进行处理，提取图像串行数据信号的频谱特征。
卷积神经网络依旧是层级网络，只是层的功能和形式做了变化，可以说是传统神经网络的一个改进。卷积操作是基于图像二维结构定义的，其定义局部感受域每个底层特征只跟输入的一个子集有关，如拓扑邻域。卷积层里面的拓扑局部限制会使得权重矩阵非常稀疏，比传统层级网络稠密矩阵乘法更方便高效。计算相同的局部特征可能是在整个图的任意平移位置，所以我们用这样一个局部特征算子在整个图中扫描。这就是卷积并把输入图变换为一个特征图。这个扫描可以看作在不同的位置提取相同的特征。
深度卷积网络需要大量的有标注样本进行训练，而且还需要在训练过程中进行样本增强。而且由于卷积结构的存在和数据量的庞大，训练一个深度卷积网络需要密集的运算量，因此大部分深度卷积网络都是通过云计算GPU训练的。
通过5层卷积层与最大池化层交错对DFB半导体激光器芯片表面图像串行数据信号进行处理，在保证能够准确对图像频谱进行缺陷识别的同时，大大简化了识别过程，提高了对芯片表面缺陷识别的效率。
例如，如图3所示，输入的图像串行数据信号被预处理为224*224*3的数据矩阵，然后依次通过55*55*96的卷积层，最大池化层，27*27*256的卷积层，最大池化层，13*13*384的卷积层，13*13*384卷积层，13*13*256卷积层，最大池化层进行处理，输出结果通过一个softmax对于图像频谱进行有缺陷及无缺陷分类识别。
如图3所示，预设的五层卷积层所需训练之参数包括58,279,960个权重参数以及9,570个偏置参数，总共需要训练58,289,538个参数。需要用大量的DFB激光芯片生产过程中采集的有标注样本图像信号进行迭代训练，训练出所需的58,289,538个参数值。
步骤S130，根据根据所述频谱特征进行芯片表面缺陷的识别。
利用如上所述的方法，在获取DFB激光芯片生产过程中对质量检测设备采集的图像信后，将图像信号转换成卷积层可用的串行数据信号，采用预设的五层卷积层与最大池化层交错对所述图像串行数据信号进行处理，提取所述图像串行数据信号的频谱特征；根据所述频谱特征进行芯片表面缺陷的实时检测，并且大大提高了对芯片表面缺陷检测的准确和效率。
可选的，图4是根据图2对应示例性实施例示出的对步骤S140的细节的描述。如图4所示，该步骤S140可以包括以下步骤。
步骤S141，通过预设的全连接神经网络对所述频谱特征进行是否为表面缺陷的概率计算。表面缺陷的概率是频谱特征符合表面缺陷频谱特征的可能程度。全连接神经网络是预先行成的。通过全连接神经网络对频谱特征进行回归分类处理，计算该频谱特征所属的芯片表面图像信号符合为表面缺陷的概率。
步骤S142，根据为表面缺陷的概率对DFB芯片进行表面缺陷的判断。
在一示例性实施例中，通过预设一个安全DFB芯片表面缺陷概率临界值，将表面缺陷的概率值与表面缺陷概率临界值进行比对，在表面缺陷概率达到表面缺陷概率临界值时，则确定为表面有缺陷；在表面缺陷概率未达到表面缺陷概率临界值时，则确定为表面无缺陷。
例如，在计算是否为表面缺陷得到的概率为96.58％，从而根据设定的安全DFB芯片表面缺陷概率临界值(假设为80％)，确定为表面缺陷。
利用如上所述的方法，在提取所述图像串行数据信号的频谱特征后，通过预设的全连接神经网络对所述频谱特征进行是否为表面缺陷的概率计算，进而实现对芯片表面缺陷的判断，进一步保证了进行芯片表面缺陷检测识别的准确性。
可选的，图5是根据图4对应示例性实施例示出的另一种DFB半导体激光器芯片表面缺陷的人工智能检测方法，在步骤S130之前，该用于DFB半导体激光器芯片表面缺陷的人工智能检测方法还可以包括以下步骤。
步骤S210，在DFB激光芯片生产过程中对质量检测设备采集的图像信号，得到正样本图像信号集和负样本图像信号集。正样本图像信号集是对质量检测设备采集的激光芯片表面有缺陷的图像信号。负样本图像信号集是对质量检测设备采集的激光芯片表面无缺陷的图像信号。
例如，在DFB激光芯片生产过程中对质量检测设备采集时，通过有专业经验之工程师对所采集的图像信号进行分类，分为芯片表面有缺陷的图像及芯片表面无缺陷的图像。
步骤S230，采用卷积神经网络算法分别对正样本图像信号集和负样本图像信号集进行迭代训练，形成全连接神经网络。
理论上全连接神经网络的层数越多，在通过连接神经网络进行半导体激光器芯片表面缺陷的检测的准确度就越高，但是也越消耗计算资源。
下述为本公开装置实施例，可以用于执行本上述用于DFB半导体激光器芯片表面缺陷的人工智能检测方法实施例。
图6是根据一示例性实施例示出的一种DFB半导体激光器芯片表面缺陷的人工智能检测执行的框图，该装置包含但不限于：图像采集模块110，频谱转换模块120，DFB芯片表面缺陷频谱特征提取模块130，DFB芯片表面缺陷识别模块140。
图像采集模块110，用于获取DFB激光芯片生产过程中对质量检测设备采集的图像信号；
频谱转换模块120，用于将所述并行的图像信号转换成可供卷积层读入的串行数据信号；DFB芯片表面缺陷频谱特征提取模块130，用于预设的五层卷积层与最大池化层交错对所述图像串行数据信号进行处理，提取所述图像串行数据信号的频谱特征；
DFB芯片表面缺陷识别模块140，用于根据所述频谱特征进行芯片表面缺陷的识别。
上述装置中各个模块的功能和作用的实现过程具体详见上述DFB半导体激光器芯片表面缺陷的人工智能检测方法中对应步骤的实现过程，在此不再赘述。
可选的，图7所示，图6所示的DFB芯片表面缺陷识别模块140包括但不限于：芯片表面缺陷概率计算单元141和芯片表面缺陷判断单元142。
芯片表面缺陷概率计算单元141，用于通过预设的全连接神经网络对所述频谱特征进行是否为表面缺陷的概率计算；
芯片表面缺陷判断单元142，用于根据为表面缺陷的概率对DFB芯片进行表面缺陷的判断。
可选的，如图8所示，图6所示出的DFB半导体激光器芯片表面缺陷的人工智能检测则执行还包括但不限于：样本图像信号集生成模块210和迭代训练模块230。
样本图像信号集生成模块210，在DFB激光芯片生产过程中对质量检测设备采集的图像信号，得到正样本图像信号集和负样本图像信号集：
迭代训练模块230，采用卷积神经网络算法分别对正样本图像信号集和负样本图像信号集进行迭代训练，形成全连接神经网络。
可选的，图8所示出的DFB半导体激光器芯片表面缺陷的人工智能检测则执行还包括但不限于：扩展处理模块。
扩展处理模块，用于通过摄像头分别对所述正样本图像信号集和负样本图像信号集进行扩展处理。
可选的，本发明还提供一种终端，执行如上述示例性实施例任一所示的DFB半导体激光器芯片表面缺陷的人工智能检测方法的全部或者部分步骤。终端包括：
处理器；以及与所述处理器通信连接的存储器：其中，所述存储器存储有可读性指令，所述存可读性指令被所述处理器执行时实现如上述任一示例性实施例所述的方法。
该实施例中的终端中处理器执行操作的具体方式已经在有关DFB半导体激光器芯片表面缺陷的人工智能检测方法的实施例中执行了详细描述，此处将不做详细阐述说明。
在示例性实施例中，还提供了一种存储介质，该存储介质为计算机可读性存储介质，例如可以为包括指令的临时性和非临时性计算机可读性存储介质。该存储介质例如包括指令的存储器102，上述指令可由终端100的处理器106执行以完成上述DFB半导体激光器芯片表面缺陷的人工智能检测方法。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (9)

1.一种DFB半导体激光器芯片表面缺陷的人工智能检测方法，其特征在于：检测方法包括以下步骤：
步骤S110，包括获取DFB激光芯片生产过程中对质量检测设备采集的图像信号；
步骤S120，将所述采集的图像信号转换成串行数据信号；
步骤S130，采用预设的五层卷积层与最大池化层交错对所述图像串行数据信号进行处理，提取所述图像串行数据信号的频谱特征；根据所述频谱特征进行芯片表面缺陷的识别。
2.根据权利要求1所述的一种DFB半导体激光器芯片表面缺陷的人工智能检测方法，其特征在于：还包括以下步骤：
步骤S141，通过预设的全连接神经网络对所述频谱特征进行是否为表面缺陷的概率计算，所述表面缺陷的概率是频谱特征符合表面缺陷频谱特征的可能程度，全连接神经网络是预先行成的，通过全连接神经网络对所述频谱特征进行回归分类处理，计算该所述频谱特征所属的芯片表面图像信号符合为表面缺陷的概率；
步骤S142，根据为表面缺陷的概率对DFB芯片进行表面缺陷的判断，将表面缺陷的概率值与表面缺陷概率临界值进行比对，在表面缺陷概率达到表面缺陷概率临界值时，则确定为表面有缺陷；在表面缺陷概率未达到表面缺陷概率临界值时，则确定为表面无缺陷。
3.根据权利要求1所述的一种DFB半导体激光器芯片表面缺陷的人工智能检测方法，其特征在于：在步骤S130之前，该DFB半导体激光器芯片表面缺陷的人工智能检测方法还可以包括以下步骤：
步骤S210，在DFB激光芯片生产过程中对质量检测设备采集的图像信号，得到正样本图像信号集和负样本图像信号集，所述正样本图像信号集是对质量检测设备采集的激光芯片表面有缺陷的图像信号，所述负样本图像信号集是对质量检测设备采集的激光芯片表面无缺陷的图像信号；
步骤S230，采用卷积神经网络算法分别对所述正样本图像信号集和所述负样本图像信号集进行迭代训练，形成全连接神经网络。
4.一种DFB半导体激光器芯片表面缺陷的人工智能检测装置，其特征在于：包括图像采集模块、频谱转换模块和DFB芯片表面缺陷识别模块，所述图像采集模块用于获取DFB激光芯片生产过程对激光芯片采集的图像信号；所述频谱转换模块用于将所述图像采集模块采集的图像信号归一化转换成串行数据信号；所述DFB芯片表面缺陷识别模块用于采用预设的五层卷积层与平均池化层交错对所述图像串行数据信号进行处理，提取所述图像串行数据信号的频谱特征；所述DFB芯片表面缺陷识别模块用于根据所述频谱特征进行芯片表面缺陷的识别。
5.根据权利要求4所述的一种DFB半导体激光器芯片表面缺陷的人工智能检测装置，其特征在于：还包括了一种终端，包括储存器和处理器，所述储存器中储存有单片机可读指令，所述单片机可读指令被所述处理器执行时，使得所述处理器执行上述所述DFB半导体激光器芯片表面缺陷的人工智能检测装置的步骤。
6.根据权利要求5所述的一种DFB半导体激光器芯片表面缺陷的人工智能检测装置，其特征在于：所述终端还包括了一种储存有单片机可读指令的储存介质，所述单片机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述DFB半导体激光器芯片表面缺陷的人工智能检测方法的步骤。
7.根据权利要求5所述的一种DFB半导体激光器芯片表面缺陷的人工智能检测装置，其特征在于：所述处理器连接多媒体模块，所述多媒体组件和处理组件之间的交互。
8.根据权利要求5所述的一种DFB半导体激光器芯片表面缺陷的人工智能检测装置，其特征在于：所述处理器连接电源组件，所述电源组件为装置的各种组件提供电力，所述电源组件包括电源管理系统，一个或多个电源，及其他与为装置生成、管理和分配电力相关的组件。
9.根据权利要求7所述的一种DFB半导体激光器芯片表面缺陷的人工智能检测装置，其特征在于：所述处理器连接通讯组件，所述通讯组件接收多媒体组件传输的图像信号并发送，所述通信组件被配置为便于装置和其他设备之间有线或无线方式的通信，所述通讯模块可以接入基于通信标准的无线网络。
CN201911007689.XA 2019-10-22 2019-10-22 Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置 Active CN110763685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911007689.XA CN110763685B (zh) 2019-10-22 2019-10-22 Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911007689.XA CN110763685B (zh) 2019-10-22 2019-10-22 Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置

Publications (2)

Publication Number Publication Date
CN110763685A true CN110763685A (zh) 2020-02-07
CN110763685B CN110763685B (zh) 2020-12-08

Family

ID=69332731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911007689.XA Active CN110763685B (zh) 2019-10-22 2019-10-22 Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置

Country Status (1)

Country Link
CN (1) CN110763685B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111707614A (zh) * 2020-04-13 2020-09-25 深圳市正宇兴电子有限公司 一种光学芯片表面沾污缺陷检测方法及线激光视觉检测系统
CN112017986A (zh) * 2020-10-21 2020-12-01 季华实验室 半导体产品缺陷检测方法、装置、电子设备及存储介质
CN112191544A (zh) * 2020-09-10 2021-01-08 沅陵县向华电子科技有限公司 一种基于机器视觉的电子元件检查方法
CN112926688A (zh) * 2021-03-30 2021-06-08 太原理工大学 一种基于DenseNet进行激光芯片缺陷分类的方法
CN116343213A (zh) * 2023-05-31 2023-06-27 成都数之联科技股份有限公司 模型训练及芯片的字符识别方法、装置、设备和介质
CN117589798A (zh) * 2024-01-19 2024-02-23 中诚华隆计算机技术有限公司 一种芯片故障检测方法、装置及电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9378753B2 (en) * 2014-10-31 2016-06-28 At&T Intellectual Property I, L.P Self-organized acoustic signal cancellation over a network
CN106847302A (zh) * 2017-02-17 2017-06-13 大连理工大学 基于卷积神经网络的单通道混合语音时域分离方法
CN107240102A (zh) * 2017-04-20 2017-10-10 合肥工业大学 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法
CN107665492A (zh) * 2017-06-29 2018-02-06 南京信息工程大学 基于深度网络的结直肠全景数字病理图像组织分割方法
CN108446631A (zh) * 2018-03-20 2018-08-24 北京邮电大学 基于卷积神经网络的深度学习的智能频谱图分析方法
CN108630226A (zh) * 2018-05-08 2018-10-09 上海极歌企业管理咨询中心（有限合伙） 无人停车库运维安全的人工智能检测方法及装置
CN109117897A (zh) * 2018-08-09 2019-01-01 百度在线网络技术（北京）有限公司 基于卷积神经网络的图像处理方法、装置及可读存储介质
CN109118485A (zh) * 2018-08-13 2019-01-01 复旦大学 基于多任务神经网络的消化道内镜图像分类及早癌检测系统
CN109242835A (zh) * 2018-08-24 2019-01-18 深圳市兆泰云智能科技有限公司 基于人工智能的车底缺陷检测方法、装置、设备及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9378753B2 (en) * 2014-10-31 2016-06-28 At&T Intellectual Property I, L.P Self-organized acoustic signal cancellation over a network
CN106847302A (zh) * 2017-02-17 2017-06-13 大连理工大学 基于卷积神经网络的单通道混合语音时域分离方法
CN107240102A (zh) * 2017-04-20 2017-10-10 合肥工业大学 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法
CN107665492A (zh) * 2017-06-29 2018-02-06 南京信息工程大学 基于深度网络的结直肠全景数字病理图像组织分割方法
CN108446631A (zh) * 2018-03-20 2018-08-24 北京邮电大学 基于卷积神经网络的深度学习的智能频谱图分析方法
CN108630226A (zh) * 2018-05-08 2018-10-09 上海极歌企业管理咨询中心（有限合伙） 无人停车库运维安全的人工智能检测方法及装置
CN109117897A (zh) * 2018-08-09 2019-01-01 百度在线网络技术（北京）有限公司 基于卷积神经网络的图像处理方法、装置及可读存储介质
CN109118485A (zh) * 2018-08-13 2019-01-01 复旦大学 基于多任务神经网络的消化道内镜图像分类及早癌检测系统
CN109242835A (zh) * 2018-08-24 2019-01-18 深圳市兆泰云智能科技有限公司 基于人工智能的车底缺陷检测方法、装置、设备及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111707614A (zh) * 2020-04-13 2020-09-25 深圳市正宇兴电子有限公司 一种光学芯片表面沾污缺陷检测方法及线激光视觉检测系统
CN111707614B (zh) * 2020-04-13 2023-08-18 深圳市正宇兴电子有限公司 一种光学芯片表面沾污缺陷检测方法及线激光视觉检测系统
CN112191544A (zh) * 2020-09-10 2021-01-08 沅陵县向华电子科技有限公司 一种基于机器视觉的电子元件检查方法
CN112017986A (zh) * 2020-10-21 2020-12-01 季华实验室 半导体产品缺陷检测方法、装置、电子设备及存储介质
CN112926688A (zh) * 2021-03-30 2021-06-08 太原理工大学 一种基于DenseNet进行激光芯片缺陷分类的方法
CN116343213A (zh) * 2023-05-31 2023-06-27 成都数之联科技股份有限公司 模型训练及芯片的字符识别方法、装置、设备和介质
CN116343213B (zh) * 2023-05-31 2023-08-25 成都数之联科技股份有限公司 模型训练及芯片的字符识别方法、装置、设备和介质
CN117589798A (zh) * 2024-01-19 2024-02-23 中诚华隆计算机技术有限公司 一种芯片故障检测方法、装置及电子设备

Also Published As

Publication number Publication date
CN110763685B (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN110763685B (zh) Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置
He et al. A fully convolutional neural network for wood defect location and identification
CN112581463B (zh) 图像缺陷的检测方法、装置、电子设备、存储介质及产品
CN113095438B (zh) 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质
Lu et al. Defect detection of PCB based on Bayes feature fusion
CN110544231B (zh) 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法
CN113888754B (zh) 一种基于雷达视觉融合的车辆多属性识别方法
CN116152254B (zh) 工业泄露目标气体检测模型训练方法、检测方法、电子设备
CN111047598B (zh) 基于深度学习的输变电设备紫外放电光斑分割方法及装置
CN115272777A (zh) 面向输电场景的半监督图像解析方法
CN109584262A (zh) 基于遥感影像的云检测方法、装置及电子设备
WO2024179409A9 (zh) 三维工业异常检测方法、装置、存储介质及电子设备
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN103106663B (zh) 计算机系统中基于图像处理实现sim卡缺陷检测的方法
CN118053027A (zh) 一种缺陷识别方法、装置、电子设备及存储介质
CN117351472A (zh) 烟叶信息检测方法、装置及电子设备
CN117407875A (zh) 一种恶意代码分类方法、系统及电子设备
CN117237256A (zh) 一种浅海珊瑚礁监测数据采集方法、装置及设备
CN117152642A (zh) 基于无人机的生态环境监管系统及其方法
Lan et al. PCB defect detection algorithm of improved YOLOv8
CN115620083A (zh) 模型训练方法、人脸图像质量评价方法、设备及介质
Qiu et al. Perception-oriented UAV Image Dehazing Based on Super-Pixel Scene Prior
Xudong et al. Research of YOLOv5s Model Acceleration Strategy in AI Chip
Zhou et al. Surface Defect Detection of Steel Plate Based on SKS-YOLO
Hu et al. A lightweight reconstruction network for surface defect inspection

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 712000 area C, plant 20, accelerator, North District, Tsinghua Science Park, 55 Century Avenue, Fengxi new town, Xixian New District, Xianyang City, Shaanxi Province

Patentee after: Shaanxi Yuanjie Semiconductor Technology Co.,Ltd.

Address before: 712000 area C, plant 20, accelerator, North District, Tsinghua Science Park, 55 Century Avenue, Fengxi new town, Xixian New District, Xianyang City, Shaanxi Province

Patentee before: SHAANXI YUANJIE SEMICONDUCTOR TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder