CN110874600B - 基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法 - Google Patents
基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法 Download PDFInfo
- Publication number
- CN110874600B CN110874600B CN201911127648.4A CN201911127648A CN110874600B CN 110874600 B CN110874600 B CN 110874600B CN 201911127648 A CN201911127648 A CN 201911127648A CN 110874600 B CN110874600 B CN 110874600B
- Authority
- CN
- China
- Prior art keywords
- sample
- image
- group
- feature vector
- category
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06F18/23—Clustering techniques
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (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)
- Multimedia (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明实施例提供了一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法、装置、设备及存储介质,包括:获取离子束溅射沉积薄膜表面的待判别图像;基于尺度不变特征变换SIFT算法,提取待判别图像的至少一个目标特征向量,输入到目标判别模型;获取目标判别模型输出的待判别图像的至少一个目标特征向量所属的至少一个类别;将待判别图像的至少一个目标特征向量所属的至少一个类别中,包含目标特征向量个数最多的类别,作为待判别图像为凹坑图像、颗粒图像或无异常图像的结果。可见,应用本发明实施例,无需用户进行判别,就可以获得离子束溅射沉积薄膜表面的待判别图像为凹坑图像、颗粒图像或无异常图像的结果,提高了对薄膜好坏的判别效率。
Description
技术领域
本发明涉及机器学习的技术领域,特别是涉及一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法、装置、电子设备及存储介质。
背景技术
目前,相关技术中对氩离子利用离子束溅射技术经过沉积可以生成离子束溅射沉积薄膜,该薄膜表面是否有凹坑或颗粒的异常情况是评估薄膜好坏的重要指标。薄膜表面的凹坑和颗粒表明生成薄膜的质量不好,如果无异常则表明生成薄膜的质量好。目前,通常通过人工判别的方式对薄膜表面进行判别,对薄膜好坏的判别效率较低。
发明内容
本发明实施例的目的在于提供一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法、装置、电子设备及存储介质,以对薄膜表面进行判别,提高对薄膜好坏的判别效率。具体技术方案如下:
第一方面,本发明提供一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别的方法,所述方法包括:
获取离子束溅射沉积薄膜表面的待判别图像;
基于尺度不变特征变换SIFT算法,提取所述待判别图像的至少一个目标特征向量;
将所述待判别图像的至少一个目标特征向量输入到预先训练好的目标判别模型;所述目标判别模型为预先用凹坑样本图像的特征向量、颗粒样本图像的特征向量和无异常样本图像的特征向量对初始判别模型进行训练获得的;
获取所述目标判别模型输出的所述待判别图像的至少一个目标特征向量所属的至少一个类别;所述类别包含:目标特征向量为凹坑图像的特征向量的第一类别、目标特征向量为颗粒图像的特征向量的第二类别和目标特征向量为无异常图像的特征向量的第三类别;
将待判别图像的至少一个目标特征向量所属的至少一个类别中,包含目标特征向量个数最多的类别,作为所述待判别图像为凹坑图像、颗粒图像或无异常图像的结果。
可选的,所述初始判别模型为初始支持向量机SVM模型。
可选的,所述目标判别模型的训练过程包括:
获取样本离子束溅射沉积薄膜表面的各个样本图像;
按照第一预设组数,对所述各个样本图像进行分组,获得各组样本图像;
获取人工标注的各个样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的真实类别;
基于尺度不变特征变换SIFT算法,提取每个凹坑样本图像、颗粒样本图像和无异常样本图像的至少一个样本特征向量;
对各个凹坑样本图像、各个颗粒样本图像和各个无异常样本图像的各个样本特征向量分别进行聚类,获得各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量;
将各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量作为所述初始支持向量机SVM模型的支持向量机参数,获得当前中间支持向量机SVM模型;
从第一预设组数的各组样本图像中,获取第二预设组数的样本图像作为训练组样本图像;
针对每组训练组样本图像,将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中,获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别;所述类别包含:每组训练组样本图像中,每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的样本第一类别、为颗粒样本图像的特征向量的样本第二类别和为无异常样本图像的特征向量的样本第三类别;
将每组训练组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中,包含样本特征向量个数最多的类别,作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果;
基于每组训练组样本图像中的每个样本图像的真实类别,和每组训练组样本图像中的每个样本图像的预测结果,计算每组训练组样本图像预测结果的预测准确率;
当每组训练组样本图像的预测准确率均大于阈值时,确定所述当前中间支持向量机SVM模型为训练完成的目标判别模型;
当每组训练组样本图像的预测准确率不均大于阈值时,调整所述当前中间支持向量机SVM模型的模型参数,返回所述针对每组训练组样本图像,将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中,获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别的步骤。
可选的,所述方法还包括:
获取第一预设组数的各组样本图像中除去训练组样本图像的各组样本图像作为测试组样本图像;
针对每组测试组样本图像,将测试组样本图像中的每个样本图像的至少一个样本特征向量输入到所述训练完成的目标判别模型中,获得所述训练完成的目标判别模型输出的至少一个样本特征向量所属的至少一个类别;所述类别包含:每组训练组样本图像中,每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的测试样本第一类别、为颗粒样本图像的特征向量的测试样本第二类别和为无异常样本图像的特征向量的测试样本第三类别;
将每组测试组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中,包含样本特征向量个数最多的类别,作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果;
基于每组测试组样本图像中的每个样本图像的真实类别,和每组测试组样本图像中的每个样本图像的预测结果,计算每组测试组样本图像预测结果的预测准确率;
当每组测试组样本图像的预测准确率均大于阈值时,确定所述训练完成的目标判别模型为训练好的目标判别模型;
当每组测试组样本图像的预测准确率不均大于阈值时,调整所述训练完成的目标判别模型的模型参数,返回所述针对每组测试组样本图像,将测试组样本图像中的每个样本图像的至少一个样本特征向量输入到所述训练完成的目标判别模型中,获得所述训练完成的目标判别模型输出的至少一个样本特征向量所属的至少一个类别的步骤。
可选的,所述初始支持向量机SVM模型的模型函数为:
其中,x为待预测的每个样本特征向量,f(x)为是否为凹坑的预测结果,f(x)为1时为凹坑,f(x)为0时为不是凹坑;xi为凹坑支持向量机特征向量、颗粒支持向量机特征向量和无异常支持向量机特征向量,yi为与xi相对应的支持向量机特征向量的类别值,当支持向量机特征向量属于凹坑时为1,不属于凹坑时为-1,和b*为待训练的模型参数;sgn为跳变函数,大于0时输出1,小于0输出0;其中σ为预设的常数;
其中,x为待预测的每个样本特征向量,F(x)为是否为颗粒的预测结果,F(x)为1时为颗粒,F(x)为0时为不是颗粒;xi为凹坑支持向量机特征向量、颗粒支持向量机特征向量和无异常支持向量机特征向量,yi为与xi相对应的支持向量机特征向量的类别值,当支持向量机特征向量属于颗粒时为1,不属于颗粒时为-1,和b*为待训练的模型参数;sgn为跳变函数,大于0时输出1,小于0输出0;其中σ为预设的常数。
第二方面,本发明提供一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别的装置,所述装置包括:
判别图像获取单元,用于获取离子束溅射沉积薄膜表面的待判别图像;
目标特征向量提取单元,用于基于尺度不变特征变换SIFT算法,提取所述待判别图像的至少一个目标特征向量;
输入单元,用于将所述待判别图像的至少一个目标特征向量输入到预先训练好的目标判别模型;所述目标判别模型为预先用凹坑样本图像的特征向量、颗粒样本图像的特征向量和无异常样本图像的特征向量对初始判别模型进行训练获得的;
目标特征向量类别获取单元,用于获取所述目标判别模型输出的所述待判别图像的至少一个目标特征向量所属的至少一个类别;所述类别包含:目标特征向量为凹坑图像的特征向量的第一类别、目标特征向量为颗粒图像的特征向量的第二类别和目标特征向量为无异常图像的特征向量的第三类别;
结果获取单元,用于将待判别图像的至少一个目标特征向量所属的至少一个类别中,包含目标特征向量个数最多的类别,作为所述待判别图像为凹坑图像、颗粒图像或无异常图像的结果。
可选的,所述初始判别模型为初始支持向量机SVM模型。
可选的,所述装置还包括:训练单元;
所述训练单元,具体用于:
获取样本离子束溅射沉积薄膜表面的各个样本图像;
按照第一预设组数,对所述各个样本图像进行分组,获得各组样本图像;
获取人工标注的各个样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的真实类别;
基于尺度不变特征变换SIFT算法,提取每个凹坑样本图像、颗粒样本图像和无异常样本图像的至少一个样本特征向量;
对各个凹坑样本图像、各个颗粒样本图像和各个无异常样本图像的各个样本特征向量分别进行聚类,获得各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量;
将各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量作为所述初始支持向量机SVM模型的支持向量机参数,获得当前中间支持向量机SVM模型;
从第一预设组数的各组样本图像中,获取第二预设组数的样本图像作为训练组样本图像;
针对每组训练组样本图像,将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中,获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别;所述类别包含:每组训练组样本图像中,每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的样本第一类别、为颗粒样本图像的特征向量的样本第二类别和为无异常样本图像的特征向量的样本第三类别;
将每组训练组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中,包含样本特征向量个数最多的类别,作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果;
基于每组训练组样本图像中的每个样本图像的真实类别,和每组训练组样本图像中的每个样本图像的预测结果,计算每组训练组样本图像预测结果的预测准确率;
当每组训练组样本图像的预测准确率均大于阈值时,确定所述当前中间支持向量机SVM模型为训练完成的目标判别模型;
当每组训练组样本图像的预测准确率不均大于阈值时,调整所述当前中间支持向量机SVM模型的模型参数,返回所述针对每组训练组样本图像,将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中,获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别的步骤。
第三方面,本发明提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别的方法步骤。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行上述任一基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法的步骤。
第五方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法。
本发明实施例提供的基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法、装置、电子设备及存储介质,可以获取离子束溅射沉积薄膜表面的待判别图像;基于尺度不变特征变换SIFT算法,提取所述待判别图像的至少一个目标特征向量;将所述待判别图像的至少一个目标特征向量输入到预先训练好的目标判别模型;所述目标判别模型为预先用凹坑样本图像的特征向量、颗粒样本图像的特征向量和无异常样本图像的特征向量对初始判别模型进行训练获得的;获取所述目标判别模型输出的所述待判别图像的至少一个目标特征向量所属的至少一个类别;所述类别包含:目标特征向量为凹坑样本图像的特征向量的第一类别、目标特征向量为颗粒样本图像的特征向量的第二类别和目标特征向量为无异常样本图像的特征向量的第三类别;将待判别图像的至少一个目标特征向量所属的至少一个类别中,包含目标特征向量个数最多的类别,作为所述待判别图像为凹坑样本图像、颗粒样本图像或无异常样本图像的结果。可见,应用本发明实施例,无需用户进行判别,就可以获得离子束溅射沉积薄膜表面的待判别图像为凹坑图像、颗粒图像或无异常图像的结果,提高了对薄膜好坏的判别效率。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中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为本发明实施例提供的基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别的方法的一种流程图;
图2为本发明实施例提供的一种目标判别模型的训练方法的一种流程图;
图3为本发明实施例提供的基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别的装置的结构示意图;
图4为本发明实施例提供的电子设备的结构示意图。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决通过人工判别的方式对薄膜表面进行判别,对薄膜好坏的判别效率较低的问题,本发明实施例提供了一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法、装置、电子设备及存储介质。
本发明实施例所提供的基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法可以应用于任意需要对基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别的电子设备,如:电脑或移动终端等,在此不做具体限定。为了描述方便,以下简称电子设备。
参见图1,为本发明实施例提供的基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法的流程图,如图1所示,该方法的具体处理流程可以包括:
步骤S101,获取离子束溅射沉积薄膜表面的待判别图像。
可实施的,可以将通过离子束溅射沉积镀膜的元器件放入显微镜下,用工业相机在50倍物镜下对元器件表面进行拍摄,获取离子束溅射沉积薄膜表面的待判别图像。从离子束溅射沉积薄膜表面可以获取多个待判别图像。
步骤S102,基于尺度不变特征变换SIFT算法,提取所述待判别图像的至少一个目标特征向量。
具体的,基于尺度不变特征变换SIFT算法,提取图像的特征向量在后续进行详细描述。
步骤S103,将所述待判别图像的至少一个目标特征向量输入到预先训练好的目标判别模型;所述目标判别模型为预先用凹坑样本图像的特征向量、颗粒样本图像的特征向量和无异常样本图像的特征向量对初始判别模型进行训练获得的。
可实施的,所述初始判别模型为初始支持向量机SVM模型。
可实施的,目标判别模型的训练过程参见图1之后的图2。可实施的,可以选择LibSVM软件包对初始支持向量机SVM模型进行学习,从而生成分类器。
步骤S104,获取所述目标判别模型输出的所述待判别图像的至少一个目标特征向量所属的至少一个类别;所述类别包含:目标特征向量为凹坑图像的特征向量的第一类别、目标特征向量为颗粒图像的特征向量的第二类别和目标特征向量为无异常图像的特征向量的第三类别。
步骤S105,将待判别图像的至少一个目标特征向量所属的至少一个类别中,包含目标特征向量个数最多的类别,作为所述待判别图像为凹坑图像、颗粒图像或无异常图像的结果。
例如,如果待判别图像提取出了三个目标特征向量,其中两个目标特征向量判别出属于凹坑图像的特征向量,一个目标特征向量判别出属于无异常图像的特征向量,则确定待判别图像为凹坑图像。
可实施的,一个离子束溅射沉积薄膜表面可以拍摄出多个待判别图像,应用本发明实施例可以对各个待判别图像进行判别,从而可以确定出离子束溅射沉积薄膜表面凹坑图像、颗粒图像和无异常图像的数量,从而可以对离子束溅射沉积薄膜表面的凹坑、颗粒和无异常的数量进行统计。
可见,应用本发明实施例,无需用户进行判别,就可以获得离子束溅射沉积薄膜表面的待判别图像为凹坑图像、颗粒图像或无异常图像的结果,提高了对薄膜好坏的判别效率。
而且,较大程度减少了技术人员识别待判别图像的工作量,从而减少了评估薄膜质量的人工成本。无需人工判别,用户体验较高的同时,减少了因为人为判断误差所造成的判别不准确的问题。电子设备的判别效率远高于人工判别,可以更加高效的为调整离子束溅射薄膜相关参数提供准确的反馈信息,真实性和可靠性较高。
可实施的,可以基于尺度不变特征变换SIFT算法,提取图像的特征向量。
首先建立高斯差分尺度空间如下:
D(x,y,σ(m))=(G(x,y,σ(m+1))-G(x,y,σ(m)))*I(x,y);
其中,D(x,y,σ(m)),为高斯差分尺度空间,通常用DOG表示。G(x,y,σ(m+1))与G(x,y,σ(m))是尺度可变高斯函数,I(x,y)表示原图像,x和y为像素点的位置信息;σ(m)是尺度空间因子,值越小表示图像被平滑的越少,相应的尺度也就越小,通常用σ表示;m∈[0,s+2],其中s为组内索引,s为预设参数,σ0为预设经验值。可实施的,σ0为可以为1.6;s可以为3;D(x,y,σ(m))为高斯差分尺度空间,通常也叫DOG空间。
将图像金字塔每层的一张图像使用不同m值做高斯模糊,使得金字塔的每层含有多张高斯模糊图像,将金字塔每层多张图像合称为一组(Octave),金字塔每层只有一组图像,组数和金字塔层数相等,每组含有多张,也叫层Interval图像。
关键点是由DOG空间的局部极值点组成的,关键点的初步探查是通过同一组内各DOG相邻两层图像之间比较完成的。为了寻找DOG函数的极值点,每一个像素点要和它所有的相邻点比较,看其是否比它的图像域和尺度域的相邻点大或者小。中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较,以确保在尺度空间和二维图像空间都检测到极值点,所述极值点包括极大值点和极小值点。这样,获取极值点。
接下来,消除边缘响应。
通过上述DOG空间对极值点所在的尺度空间进行描述,获取极值点之后,需要对极值点进行定位,消除边缘响应。首先用Taylor展开表示DOG空间:
由上式得到特征描述的各阶导数在极值点的估计,接着通过D(X)表示出Hessian矩阵,即H矩阵:
H的特征值α和β,代表x和y方向的梯度;
Tr(H)=Dxx+Dyy=α+β
Det(H)=DxxDyy-(Dxy)=αβ
通过主曲率和阈值进行比较,从极值点中,筛选出关键点,确定关键点准确位置。
主曲率公式如下:
α=rβ
理论上是上边的等式,但是我们无法通过计算得到α和β,所以我们需要设定经验值来对主曲率进行判断,r的经验值我们一般取10。
通过如下公式进行判断:
若上式不成立则去除该极值点,确定该极值点不是关键点,余下的作为关键点。
排除边缘影响之后要进行关键点的方向分配,需要通过计算沉积薄膜图像的关键点的梯度的模和相位来获取位置信息,其计算式如下:
其中,m(x,y)为模,θ(x,y)为相位;L(x,y,σ)=G(x,y,σ)*I(x,y);
L(x,y,σ)为一个图像的尺度空间,定义为一个变化尺度的高斯函数与原图像的卷积。σ也记为σ(m)是尺度空间因子,值越小表示图像被平滑的越少,相应的尺度也就越小。大尺度对应于图像的概貌特征,小尺度对应于图像的细节特征。
获取关键点的梯度和方向之后将坐标轴进行旋转,使坐标轴的x轴与关键点的主方向重合。旋转之后,以关键点为中心取一个16*16的窗口。关键点位于窗口的中心,计算出窗口中每个像素点的方向和梯度大小之后,利用高斯函数对结果进行加权运算。关键点周围每一个4*4的窗格都会生成一个8维的特征向量,因此每一个关键点都会生成一个4*4*8=128维的特征向量。
图2为本发明实施例提供的一种目标判别模型的训练方法的一种流程图,如图2所示,可以包括:
步骤S201,获取样本离子束溅射沉积薄膜表面的各个样本图像。
可实施的,可以获取一个样本离子束溅射沉积薄膜表面的各个样本图像,也可以获取各个样本离子束溅射沉积薄膜表面的各个样本图像。
步骤S202,按照第一预设组数,对所述各个样本图像进行分组,获得各组样本图像。
可实施的,第一预设组数可以为10组,20组等。
步骤S203,获取人工标注的各个样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的真实类别。
步骤S204,基于尺度不变特征变换SIFT算法,提取每个凹坑样本图像、颗粒样本图像和无异常样本图像的至少一个样本特征向量。
步骤S205,对各个凹坑样本图像、各个颗粒样本图像和各个无异常样本图像的各个样本特征向量分别进行聚类,获得各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量。
可实施的,可以采用K-means算法对凹坑样本图像的各个凹坑样本特征向量聚类,聚类的过程可以为:
从各个凹坑样本特征向量中,选取n个样本特征向量作为初始聚类中心,聚类为n类特征向量;n为预设的值;
计算每类中,各个特征向量的均值,作为每类的均值特征向量;
获取每个特征向量与每类的均值特征向量的距离的最小值,所述距离为每个特征向量与均值特征向量的每维度的差值的平方和,再开根号;
将每个特征向量划分为距离最小的那类,获取重新划分后的n类;
返回所述计算每类中,各个特征向量的均值,作为每类的均值特征向量的步骤,直到每类中的特征向量的个数以及各个特征向量的均值不再发生变化;
计算每类中各个特征向量的均值作为该类的凹坑支持向量机特征向量,获取各类的各个凹坑支持向量机特征向量;
颗粒和无异常的同理,获得颗粒和无异常的各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量。
步骤S206,将各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量作为所述初始支持向量机SVM模型的支持向量机参数,获得当前中间支持向量机SVM模型。
可实施的,支持向量机SVM模型的模型函数为:
其中,x为待预测的每个样本特征向量,f(x)为是否为凹坑的预测结果,f(x)为1时为凹坑,f(x)为0时为不是凹坑;xi为凹坑支持向量机特征向量、颗粒支持向量机特征向量和无异常支持向量机特征向量,yi为与xi相对应的支持向量机特征向量的类别值,当支持向量机特征向量属于凹坑时为1,不属于凹坑时为-1,和b*为待训练的模型参数;sgn为跳变函数,大于0时输出1,小于0输出0;其中σ为预设的常数;
其中,x为待预测的每个样本特征向量,F(x)为是否为颗粒的预测结果,F(x)为1时为颗粒,F(x)为0时为不是颗粒;xi为凹坑支持向量机特征向量、颗粒支持向量机特征向量和无异常支持向量机特征向量,yi为与xi相对应的支持向量机特征向量的类别值,当支持向量机特征向量属于颗粒时为1,不属于颗粒时为-1,和b*为待训练的模型参数;sgn为跳变函数,大于0时输出1,小于0输出0;其中σ为预设的常数。
当模型输出的值为10时,特征向量为凹坑图像的特征向量;当模型输出的值为01时,特征向量为颗粒图像的特征向量;模型输出的值为00时,特征向量为无异常图像的特征向量。
步骤S207,从第一预设组数的各组样本图像中,获取第二预设组数的样本图像作为训练组样本图像。
步骤S208,针对每组训练组样本图像,将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中,获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别;所述类别包含:每组训练组样本图像中,每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的样本第一类别、为颗粒样本图像的特征向量的样本第二类别和为无异常样本图像的特征向量的样本第三类别。
步骤S209,将每组训练组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中,包含样本特征向量个数最多的类别,作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果。
步骤S210,基于每组训练组样本图像中的每个样本图像的真实类别,和每组训练组样本图像中的每个样本图像的预测结果,计算每组训练组样本图像预测结果的预测准确率。
步骤S211,当每组训练组样本图像的预测准确率均大于阈值时,确定所述当前中间支持向量机SVM模型为训练完成的目标判别模型。
可实施的,阈值可以为80%,85%和90%等值。
步骤S212,当每组训练组样本图像的预测准确率不均大于阈值时,调整所述当前中间支持向量机SVM模型的模型参数,返回执行所述步骤S208,直到每组训练组样本图像的预测准确率均大于阈值。
可实施的,可以调整待训练的模型参数。
可见,可以用上述方法对初始支持向量机SVM模型训练获得训练完成的目标判别模型,可以对特征向量进行判别,节省时间。
进一步的,还可以对训练完成的目标判别模型进一步进行测试,测试是否达到预期效果,测试的过程如下:
获取第一预设组数的各组样本图像中除去训练组样本图像的各组样本图像作为测试组样本图像;
针对每组测试组样本图像,将测试组样本图像中的每个样本图像的至少一个样本特征向量输入到所述训练完成的目标判别模型中,获得所述训练完成的目标判别模型输出的至少一个样本特征向量所属的至少一个类别;所述类别包含:每组训练组样本图像中,每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的测试样本第一类别、为颗粒样本图像的特征向量的测试样本第二类别和为无异常样本图像的特征向量的测试样本第三类别;
将每组测试组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中,包含样本特征向量个数最多的类别,作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果;
基于每组测试组样本图像中的每个样本图像的真实类别,和每组测试组样本图像中的每个样本图像的预测结果,计算每组测试组样本图像预测结果的预测准确率;
当每组测试组样本图像的预测准确率均大于阈值时,确定所述训练完成的目标判别模型为训练好的目标判别模型;
当每组测试组样本图像的预测准确率不均大于阈值时,调整所述训练完成的目标判别模型的模型参数,返回所述针对每组测试组样本图像,将测试组样本图像中的每个样本图像的至少一个样本特征向量输入到所述训练完成的目标判别模型中,获得所述训练完成的目标判别模型输出的至少一个样本特征向量所属的至少一个类别的步骤。
因此,经过测试组样本图像测试成功后的目标判别模型,进一步保证了目标判别模型在应用过程中对待判别图像进行判别的准确率。
本发明实施例提供的基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别装置的结构示意图,如图3所示,所述装置包括:
待判别图像获取单元301,用于获取离子束溅射沉积薄膜表面的待判别图像;
目标特征向量提取单元302,用于基于尺度不变特征变换SIFT算法,提取所述待判别图像的至少一个目标特征向量;
输入单元303,用于将所述待判别图像的至少一个目标特征向量输入到预先训练好的目标判别模型;所述目标判别模型为预先用凹坑样本图像的特征向量、颗粒样本图像的特征向量和无异常样本图像的特征向量对初始判别模型进行训练获得的;
目标特征向量类别获取单元304,用于获取所述目标判别模型输出的所述待判别图像的至少一个目标特征向量所属的至少一个类别;所述类别包含:目标特征向量为凹坑图像的特征向量的第一类别、目标特征向量为颗粒图像的特征向量的第二类别和目标特征向量为无异常图像的特征向量的第三类别;
结果获取单元305,用于将待判别图像的至少一个目标特征向量所属的至少一个类别中,包含目标特征向量个数最多的类别,作为所述待判别图像为凹坑图像、颗粒图像或无异常图像的结果。
可选的,所述初始判别模型为初始支持向量机SVM模型。
可选的,所述装置还包括:训练单元;
所述训练单元,具体用于:
获取样本离子束溅射沉积薄膜表面的各个样本图像;
按照第一预设组数,对所述各个样本图像进行分组,获得各组样本图像;
获取人工标注的各个样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的真实类别;
基于尺度不变特征变换SIFT算法,提取每个凹坑样本图像、颗粒样本图像和无异常样本图像的至少一个样本特征向量;
对各个凹坑样本图像、各个颗粒样本图像和各个无异常样本图像的各个样本特征向量分别进行聚类,获得各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量;
将各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量作为所述初始支持向量机SVM模型的支持向量机参数,获得当前中间支持向量机SVM模型;
从第一预设组数的各组样本图像中,获取第二预设组数的样本图像作为训练组样本图像;
针对每组训练组样本图像,将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中,获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别;所述类别包含:每组训练组样本图像中,每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的样本第一类别、为颗粒样本图像的特征向量的样本第二类别和为无异常样本图像的特征向量的样本第三类别;
将每组训练组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中,包含样本特征向量个数最多的类别,作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果;
基于每组训练组样本图像中的每个样本图像的真实类别,和每组训练组样本图像中的每个样本图像的预测结果,计算每组训练组样本图像预测结果的预测准确率;
当每组训练组样本图像的预测准确率均大于阈值时,确定所述当前中间支持向量机SVM模型为训练完成的目标判别模型;
当每组训练组样本图像的预测准确率不均大于阈值时,调整所述当前中间支持向量机SVM模型的模型参数,返回所述针对每组训练组样本图像,将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中,获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别的步骤。
可见,应用本发明实施例,无需用户进行判别,就可以获得离子束溅射沉积薄膜表面的待判别图像为凹坑图像、颗粒图像或无异常图像的结果,提高了对薄膜好坏的判别效率。
本发明实施例还提供了一种电子设备,如图4所示,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信,
存储器403,用于存放计算机程序;
处理器401,用于执行存储器403上所存放的程序时,实现如下步骤:
获取离子束溅射沉积薄膜表面的待判别图像;基于尺度不变特征变换SIFT算法,提取所述待判别图像的至少一个目标特征向量;将所述待判别图像的至少一个目标特征向量输入到预先训练好的目标判别模型;所述目标判别模型为预先用凹坑样本图像的特征向量、颗粒样本图像的特征向量和无异常样本图像的特征向量对初始判别模型进行训练获得的;获取所述目标判别模型输出的所述待判别图像的至少一个目标特征向量所属的至少一个类别;所述类别包含:目标特征向量为凹坑图像的特征向量的第一类别、目标特征向量为颗粒图像的特征向量的第二类别和目标特征向量为无异常图像的特征向量的第三类别;将待判别图像的至少一个目标特征向量所属的至少一个类别中,包含目标特征向量个数最多的类别,作为所述待判别图像为凹坑图像、颗粒图像或无异常图像的结果。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质及计算机程序产品等实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (6)
1.一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法,其特征在于,所述方法包括:
获取离子束溅射沉积薄膜表面的待判别图像;
基于尺度不变特征变换SIFT算法,提取所述待判别图像的至少一个目标特征向量;
将所述待判别图像的至少一个目标特征向量输入到预先训练好的目标判别模型;所述目标判别模型为预先用凹坑样本图像的特征向量、颗粒样本图像的特征向量和无异常样本图像的特征向量对初始判别模型进行训练获得的;
获取所述目标判别模型输出的所述待判别图像的至少一个目标特征向量所属的至少一个类别;所述类别包含:目标特征向量为凹坑图像的特征向量的第一类别、目标特征向量为颗粒图像的特征向量的第二类别和目标特征向量为无异常图像的特征向量的第三类别;
将待判别图像的至少一个目标特征向量所属的至少一个类别中,包含目标特征向量个数最多的类别,作为所述待判别图像为凹坑图像、颗粒图像或无异常图像的结果;所述初始判别模型为初始支持向量机SVM模型;
所述目标判别模型的训练过程包括:
获取样本离子束溅射沉积薄膜表面的各个样本图像;
按照第一预设组数,对所述各个样本图像进行分组,获得各组样本图像;
获取人工标注的各个样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的真实类别;
基于尺度不变特征变换SIFT算法,提取每个凹坑样本图像、颗粒样本图像和无异常样本图像的至少一个样本特征向量;
对各个凹坑样本图像、各个颗粒样本图像和各个无异常样本图像的各个样本特征向量分别进行聚类,获得各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量;
将各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量作为所述初始支持向量机SVM模型的支持向量机参数,获得当前中间支持向量机SVM模型;
从第一预设组数的各组样本图像中,获取第二预设组数的样本图像作为训练组样本图像;
针对每组训练组样本图像,将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中,获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别;所述类别包含:每组训练组样本图像中,每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的样本第一类别、为颗粒样本图像的特征向量的样本第二类别和为无异常样本图像的特征向量的样本第三类别;
将每组训练组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中,包含样本特征向量个数最多的类别,作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果;
基于每组训练组样本图像中的每个样本图像的真实类别,和每组训练组样本图像中的每个样本图像的预测结果,计算每组训练组样本图像预测结果的预测准确率;
当每组训练组样本图像的预测准确率均大于阈值时,确定所述当前中间支持向量机SVM模型为训练完成的目标判别模型;
当每组训练组样本图像的预测准确率不均大于阈值时,调整所述当前中间支持向量机SVM模型的模型参数,返回所述针对每组训练组样本图像,将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中,获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别的步骤。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第一预设组数的各组样本图像中除去训练组样本图像的各组样本图像作为测试组样本图像;
针对每组测试组样本图像,将测试组样本图像中的每个样本图像的至少一个样本特征向量输入到所述训练完成的目标判别模型中,获得所述训练完成的目标判别模型输出的至少一个样本特征向量所属的至少一个类别;所述类别包含:每组训练组样本图像中,每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的测试样本第一类别、为颗粒样本图像的特征向量的测试样本第二类别和为无异常样本图像的特征向量的测试样本第三类别;
将每组测试组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中,包含样本特征向量个数最多的类别,作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果;
基于每组测试组样本图像中的每个样本图像的真实类别,和每组测试组样本图像中的每个样本图像的预测结果,计算每组测试组样本图像预测结果的预测准确率;
当每组测试组样本图像的预测准确率均大于阈值时,确定所述训练完成的目标判别模型为训练好的目标判别模型;
当每组测试组样本图像的预测准确率不均大于阈值时,调整所述训练完成的目标判别模型的模型参数,返回所述针对每组测试组样本图像,将测试组样本图像中的每个样本图像的至少一个样本特征向量输入到所述训练完成的目标判别模型中,获得所述训练完成的目标判别模型输出的至少一个样本特征向量所属的至少一个类别的步骤。
3.根据权利要求1所述的方法,其特征在于,所述初始支持向量机SVM模型的模型函数为:
其中,x为待预测的每个样本特征向量,f(x)为是否为凹坑的预测结果,f(x)为1时为凹坑,f(x)为0时为不是凹坑;xi为凹坑支持向量机特征向量、颗粒支持向量机特征向量和无异常支持向量机特征向量,yi为与xi相对应的支持向量机特征向量的类别值,当支持向量机特征向量属于凹坑时为1,不属于凹坑时为-1,和b*为待训练的模型参数;sgn为跳变函数,大于0时输出1,小于0输出0;其中σ为预设的常数;
4.一种基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别装置,其特征在于,所述装置包括:
待判别图像获取单元,用于获取离子束溅射沉积薄膜表面的待判别图像;
目标特征向量提取单元,用于基于尺度不变特征变换SIFT算法,提取所述待判别图像的至少一个目标特征向量;
输入单元,用于将所述待判别图像的至少一个目标特征向量输入到预先训练好的目标判别模型;所述目标判别模型为预先用凹坑样本图像的特征向量、颗粒样本图像的特征向量和无异常样本图像的特征向量对初始判别模型进行训练获得的;
目标特征向量类别获取单元,用于获取所述目标判别模型输出的所述待判别图像的至少一个目标特征向量所属的至少一个类别;所述类别包含:目标特征向量为凹坑图像的特征向量的第一类别、目标特征向量为颗粒图像的特征向量的第二类别和目标特征向量为无异常图像的特征向量的第三类别;
结果获取单元,用于将待判别图像的至少一个目标特征向量所属的至少一个类别中,包含目标特征向量个数最多的类别,作为所述待判别图像为凹坑图像、颗粒图像或无异常图像的结果;所述初始判别模型为初始支持向量机SVM模型;
所述装置还包括:训练单元;
所述训练单元,具体用于:
获取样本离子束溅射沉积薄膜表面的各个样本图像;
按照第一预设组数,对所述各个样本图像进行分组,获得各组样本图像;
获取人工标注的各个样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的真实类别;
基于尺度不变特征变换SIFT算法,提取每个凹坑样本图像、颗粒样本图像和无异常样本图像的至少一个样本特征向量;
对各个凹坑样本图像、各个颗粒样本图像和各个无异常样本图像的各个样本特征向量分别进行聚类,获得各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量;
将各个凹坑支持向量机特征向量、各个颗粒支持向量机特征向量和各个无异常支持向量机特征向量作为所述初始支持向量机SVM模型的支持向量机参数,获得当前中间支持向量机SVM模型;
从第一预设组数的各组样本图像中,获取第二预设组数的样本图像作为训练组样本图像;
针对每组训练组样本图像,将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中,获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别;所述类别包含:每组训练组样本图像中,每个样本图像的至少一个样本特征向量为凹坑样本图像的特征向量的样本第一类别、为颗粒样本图像的特征向量的样本第二类别和为无异常样本图像的特征向量的样本第三类别;
将每组训练组样本图像中的每个样本图像的至少一个样本特征向量所属的至少一个类别中,包含样本特征向量个数最多的类别,作为所述样本图像为凹坑样本图像、颗粒样本图像或无异常样本图像的预测结果;
基于每组训练组样本图像中的每个样本图像的真实类别,和每组训练组样本图像中的每个样本图像的预测结果,计算每组训练组样本图像预测结果的预测准确率;
当每组训练组样本图像的预测准确率均大于阈值时,确定所述当前中间支持向量机SVM模型为训练完成的目标判别模型;
当每组训练组样本图像的预测准确率不均大于阈值时,调整所述当前中间支持向量机SVM模型的模型参数,返回所述针对每组训练组样本图像,将每组训练组样本图像中的每个样本图像的至少一个样本特征向量输入到所述当前中间支持向量机SVM模型中,获得所述当前中间支持向量机SVM模型输出的至少一个样本特征向量所属的至少一个类别的步骤。
5.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-3任一所述的方法步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911127648.4A CN110874600B (zh) | 2019-11-18 | 2019-11-18 | 基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911127648.4A CN110874600B (zh) | 2019-11-18 | 2019-11-18 | 基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874600A CN110874600A (zh) | 2020-03-10 |
CN110874600B true CN110874600B (zh) | 2020-09-25 |
Family
ID=69717102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911127648.4A Active CN110874600B (zh) | 2019-11-18 | 2019-11-18 | 基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874600B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187289B (zh) * | 2021-12-23 | 2022-08-09 | 武汉市坤瑞塑胶模具制品有限公司 | 一种基于计算机视觉的塑料制品缩坑检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1672099A (zh) * | 2002-06-10 | 2005-09-21 | 杜邦光掩公司 | 光掩膜及修补缺陷的方法 |
CN109785301A (zh) * | 2018-12-27 | 2019-05-21 | 北京交通大学 | 一种基于图像处理的钢轨波磨自动识别方法与评估方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6112929B2 (ja) * | 2013-03-25 | 2017-04-12 | 株式会社日立ハイテクサイエンス | 集束イオンビーム装置、それを用いた試料の加工方法、及び集束イオンビームを用いた試料の加工コンピュータプログラム |
CN104866862B (zh) * | 2015-04-27 | 2017-12-22 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
CN105405927A (zh) * | 2015-12-08 | 2016-03-16 | 云南大学 | 一种基于纳米球刻蚀技术联合离子束溅射技术制备有序硅纳米团簇的方法 |
CN108647264B (zh) * | 2018-04-28 | 2020-10-13 | 北京邮电大学 | 一种基于支持向量机的图像自动标注方法及装置 |
-
2019
- 2019-11-18 CN CN201911127648.4A patent/CN110874600B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1672099A (zh) * | 2002-06-10 | 2005-09-21 | 杜邦光掩公司 | 光掩膜及修补缺陷的方法 |
CN109785301A (zh) * | 2018-12-27 | 2019-05-21 | 北京交通大学 | 一种基于图像处理的钢轨波磨自动识别方法与评估方法 |
Non-Patent Citations (3)
Title |
---|
Convolutional Neural Network for Wafer Surface Defect Classification and the Detection of Unknown Defect Class;Sejune Cheon et al.;《IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING》;20190304;第32卷(第2期);第163-170页 * |
Steel surface defects detection and classification using SIFT and voting strategy;B. Suvdaa et al.;《International Journal of Software Engineering and Its Applications》;20190322;第6卷(第2期);第161-166页 * |
基于支持向量机的跨座式单轨交通PC轨道梁面裂纹检测系统研究;王大洋;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20180615;第31-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110874600A (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Accurate and robust line segment extraction using minimum entropy with Hough transform | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN112883979A (zh) | 三维实例分割方法、装置、设备和计算机可读存储介质 | |
CN110889399A (zh) | 基于深度学习的高分辨率遥感影像弱小目标检测方法 | |
CN110956615A (zh) | 图像质量评估模型训练方法、装置、电子设备及存储介质 | |
CN115511856A (zh) | 一种部件的缺陷检测方法、装置、电子设备及存储介质 | |
CN110874600B (zh) | 基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法 | |
CN111738319A (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
KR101782364B1 (ko) | 케이평균군집화를 통한 학습기반의 비전검사 방법 | |
CN115169534A (zh) | 卷积神经网络的样本优化训练方法及计算机可读存储介质 | |
CN115131695A (zh) | 视频检测模型的训练方法、视频检测方法及装置 | |
CN114595352A (zh) | 一种图像识别方法、装置、电子设备及可读存储介质 | |
CN113762151A (zh) | 一种故障数据处理方法、系统及故障预测方法 | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN116958809A (zh) | 一种特征库迁移的遥感小样本目标检测方法 | |
CN110069648A (zh) | 一种图像检索方法及装置 | |
CN116977783A (zh) | 一种目标检测模型的训练方法、装置、设备及介质 | |
CN115758336A (zh) | 一种资产识别方法及装置 | |
CN114638304A (zh) | 图像识别模型的训练方法、图像识别方法及装置 | |
CN114708420A (zh) | 基于局部方差和后验概率分类器的视觉定位方法及装置 | |
CN110263196B (zh) | 图像检索方法、装置、电子设备及存储介质 | |
Chopin et al. | The influence of object shape on the convergence of active contour models for image segmentation | |
CN114648646B (zh) | 一种图像分类方法及装置 | |
CN109726724B (zh) | 一种遮挡情况下水尺图像特征加权学习识别方法 | |
CN117523324B (zh) | 图像处理方法和图像样本分类方法、装置和存储介质 |
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 |