CN111489345A - 区域分割模型的训练方法、装置、设备及存储介质 - Google Patents

区域分割模型的训练方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111489345A
CN111489345A CN202010284782.1A CN202010284782A CN111489345A CN 111489345 A CN111489345 A CN 111489345A CN 202010284782 A CN202010284782 A CN 202010284782A CN 111489345 A CN111489345 A CN 111489345A
Authority
CN
China
Prior art keywords
training
target layer
region
detected
segmentation model
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
CN202010284782.1A
Other languages
English (en)
Other versions
CN111489345B (zh
Inventor
李琰
刘双全
魏存峰
刘宝东
李春苗
邹艺
郑玉爽
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.)
Institute of High Energy Physics of CAS
Original Assignee
Institute of High Energy Physics of CAS
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 Institute of High Energy Physics of CAS filed Critical Institute of High Energy Physics of CAS
Priority to CN202010284782.1A priority Critical patent/CN111489345B/zh
Publication of CN111489345A publication Critical patent/CN111489345A/zh
Application granted granted Critical
Publication of CN111489345B publication Critical patent/CN111489345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • 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
    • G06T2207/30164—Workpiece; Machine component
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开提供了一种区域分割模型的训练方法、装置、设备及存储介质。该方法包括：获取待检测器件的断层图像；根据待检测器件的结构，确定断层图像的目标层；选取目标层及与目标层相邻的第一预设层数的各层的断层图像作为第一训练数据，对第一神经网络进行训练，得到目标层分割模型；以及基于预设的区域分割算法，对目标层的断层图像进行区域分割，并将分割出的各区域的断层图像作为第二训练数据，对第二神经网络进行训练，得到区域分割模型。该方法训练得到的目标层分割模型及区域分割模型，可以对获取的断层图像进行分割，快速准确地获得分割的区域。

Description

区域分割模型的训练方法、装置、设备及存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种区域分割模型的训练方法、装置、设备及存储介质。
背景技术
近年来，功率半导体器件广泛应用于高铁及轨道交通、汽车电子、风电、太阳能、家电节能、UPS(Uninterruptible Power System，不间断电源)、数控机床、焊机、电力传输等领域。
在真空回流焊接工艺过程中，器件中的绝缘基板与散热板之间的焊层可能会存在气孔。气孔的出现可能会影响模块的热性能，使得模块热阻增大、散热性能降低、器件局部温度升高。
因此，快速准确地识别出气孔区域对器件的可靠性和使用寿命的研究显得十分重要。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种区域分割模型的训练方法、装置、设备及存储介质，该方法训练得到的目标层分割模型及区域分割模型，可以对获取的断层图像进行分割，快速准确地获得分割的区域。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提供一种区域分割模型的训练方法，包括：获取待检测器件的断层图像；根据待检测器件的结构，确定断层图像的目标层；选取目标层及与目标层相邻的第一预设层数的各层的断层图像作为第一训练数据，对第一神经网络进行训练，得到目标层分割模型；以及基于预设的区域分割算法，对目标层的断层图像进行区域分割，并将分割出的各区域的断层图像作为第二训练数据，对第二神经网络进行训练，得到区域分割模型。
在一些实施例中，根据待检测器件的结构，确定断层图像的目标层，包括：根据待检测器件的结构，确定目标层在待检测器件的断层图像中的位置区间；选取位于位置区间的第二预设层数的各层的断层图像；分别对第二预设层数中各层的断层图像进行Laplace算子处理，得到各层的断层图像的灰度图；以及选取第二预设层数中灰度图像的灰度值最大的层为目标层。
在一些实施例中，基于预设的区域分割算法，对目标层的断层图像进行区域分割，包括：基于种子区域生长算法，对分割出的目标层的断层图像进行区域分割。
在一些实施例中，选取目标层及与目标层相邻的第一预设层数的各层的断层图像作为第一训练数据，包括：对目标层及第一预设层数的各层的断层图像进行图像变换处理，以增多作为第一训练数据的断层图像数量；以及将增多后的第一训练数据中的一部分作为训练集对第一神经网络进行训练，得到目标层分割模型；另一部分作为测试集，对目标层分割模型进行测试。
在一些实施例中，将分割出的各区域的断层图像作为第二训练数据，包括：对各区域的断层图像进行图像变换处理，以增多作为第二训练数据的断层图像数量；以及将增多后的第二训练数据中的一部分作为训练集对第二神经网络进行训练，得到区域分割模型；另一部分作为测试集，对区域分割模型进行测试。
在一些实施例中，第一神经网络和/或第二神经网络包括：改进的DeepLabv3+网络模型。
根据本公开的另一方面，提供一种气孔率检测方法，包括：获取待检测器件的断层图像；基于根据上述区域分割模型的训练方法中训练得到的目标层分割模型，对待检测器件的断层图像进行分割，以得到待检测器件的DBC区域；基于根据上述区域分割模型的训练方法中训练得到的区域分割模型，对DBC区域进行分割，得到多个气孔区域；以及根据多个气孔区域的面积和DBC区域的面积，确定待检测器件的气孔率。
在一些实施例中，根据多个气孔区域的面积和DBC区域的面积，确定待检测器件的气孔率，包括：选取多个气孔区域中面积最大的气孔区域；将面积最大的气孔区域的面积除以DBC区域的面积，得到待检测器件的最大气孔率；和/或确定多个气孔区域的总面积；将总面积除以DBC区域的面积，得到待检测器件的总气孔率。
根据本公开的再一方面，提供一种区域分割模型的训练装置，包括：图像获取模块，用于获取待检测器件的断层图像；目标层确定模块，用于根据待检测器件的结构，确定断层图像的目标层；第一训练模块，用于选取目标层及与目标层相邻的第一预设层数的各层的断层图像作为第一训练数据，对第一神经网络进行训练，得到目标层分割模型；以及第二训练模块，用于基于预设的区域分割算法，对目标层的断层图像进行区域分割，并将分割出的各区域的断层图像作为第二训练数据，对第二神经网络进行训练，得到区域分割模型。
根据本公开的再一方面，提供一种气孔率检测装置，包括：图像获得模块，用于获取待检测器件的断层图像；第一分割模块，用于基于根据上述区域分割模型的训练方法中训练得到的目标层分割模型，对待检测器件的断层图像进行分割，以得到待检测器件的DBC区域；第二分割模块，基于根据上述区域分割模型的训练方法中训练得到的区域分割模型，对DBC区域进行分割，得到多个气孔区域；以及气孔率确定模块，用于根据多个气孔区域的面积和DBC区域的面积，确定待检测器件的气孔率。
根据本公开的再一方面，提供一种电子设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，所述处理器执行所述可执行指令时实现如上述任一种方法。
根据本公开的再一方面，提供一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上述任一种方法。
本公开实施例提供的区域分割模型的训练方法，通过获取待检测器件的断层图像，根据待检测器件的结构，确定断层图像的目标层，选取目标层及与目标层相邻的各层的断层图像作为第一训练数据，对第一神经网络进行训练，得到目标层分割模型；基于预设的区域分割算法，对目标层的断层图像进行区域分割，并将分割出的各区域的断层图像作为第二训练数据，对第二神经网络进行训练，得到区域分割模型。该方法训练得到的目标层分割模型及区域分割模型，可以对获取的断层图像进行分割，快速准确地获得分割的区域。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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是根据本公开实施例示出的一种区域分割模型的训练方法流程图。
图2是根据本公开实施例示出的另一种区域分割模型的训练方法流程图。
图3是根据本公开实施例示出的另一种区域分割模型的训练方法流程图。
图4是根据本公开实施例示出的另一种区域分割模型的训练方法流程图。
图5是根据本公开实施例示出的另一种区域分割模型的训练方法流程图。
图6是根据本公开实施例示出的一种气孔率检测方法的流程图。
图7是根据一示例示出的四种类型的IGBT断层图像的目标层及DBC区域分割图。
图8是根据一示例示出的四种类型的IGBT器件的气孔区域分割图。
图9是根据一示例示出的对图9中的多个气孔区域使用轮廓检测描绘出的气孔分割图。
图10是根据本公开实施例示出的一种区域分割模型的训练装置的框图。
图11是根据本公开实施例示出的一种气孔率检测装置的框图。
图12是根据一示例性实施方式示出的一种电子设备的结构示意图。
图13是根据一示例性实施方式示出的一种计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面，将结合附图及实施例对本公开示例实施例中的区域分割模型的训练方法的各个步骤进行更详细的说明。
图1是根据本公开实施例示出的一种区域分割模型的训练方法流程图。本公开实施例提供的方法可以由任意具备计算处理能力的电子设备执行。
如图1所示，区域分割模型的训练方法10包括：
在步骤S102中，获取待检测器件的断层图像。
待检测器件例如可以以IGBT(Insulated Gate Bipolar Transistor，绝缘栅双极型晶体管)为例。
IGBT具有输入阻抗高、开关速度快、通态电压低、阻断电压高、承受电流大、热稳定性好等特点，是当今功率半导体器件发展主流。IGBT应用领域广阔，广泛应用于高铁及轨道交通、汽车电子、风电、太阳能、家电节能、UPS、数控机床、焊机、电力传输等领域。
例如可以通过计算机层析扫描成像技术(CL-Computed Laminography)对IGBT进行断层扫描，得到IGBT的断层图像。
在步骤S104中，根据待检测器件的结构，确定断层图像的目标层。
目标层例如可以为气孔层。
图2是根据一示例示出的IGBT模块横截面示意图。
在IGBT模块的工艺中，在真空回流焊接工艺过程中，DBC(Direct Bond Copper，陶瓷覆铜基板)下铜层(绝缘基板)与散热板之间的焊层由于工艺限制，可能会存在气孔，如图3所示。
气孔的存在可能会影响模块的热性能，使得模块热阻增大、散热性能降低、器件局部温度升高，甚至在长期工作条件状态下可能会造成焊料层与基板脱层等失效，而降低模块的可靠性和使用寿命，因此准确识别出IGBT的气孔层十分重要。
例如可以根据IGBT器件的结构，通过Laplace(拉普拉斯)算子处理，确定断层图像的气孔层。
在步骤S106中，选取目标层及与目标层相邻的第一预设层数的各层的断层图像作为第一训练数据，对第一神经网络进行训练，得到目标层分割模型。
第一预设层数例如可以为20层，也可以根据实际情况设置，本公开对此不做限制。
例如可以选取目标层及与目标层相邻的20层的各层的断层图像及标签作为第一训练数据。
其中，可以使用第三方软件labelme(开源图像标注工具)对各断层图像制作标签，例如可以使用多边形描绘出边缘，生成JSON(JavaScript Object Notation，JS对象简谱)文件，然后转为二值图。
将第一训练数据输入到第一神经网络中进行训练，可以得到目标层分割模型。
例如可以利用插值的方法将第一训练数据的数据集的大小利用resize(调整大小)函数设置为256×256。
在一些实施例中，第一神经网络包括改进的DeepLabv3+网络模型。
例如可以使用Pytorch(机器学习框架)深度学习框架搭建改进的DeepLabv3+(语义分割)网络结构。调整训练参数，使用GPU(Graphics Processing Unit，图形处理器)训练，可以得到误差函数更小、分割精度更高的参数模型。
在步骤S108中，基于预设的区域分割算法，对目标层的断层图像进行区域分割，并将分割出的各区域的断层图像作为第二训练数据，对第二神经网络进行训练，得到区域分割模型。
在一些实施例中，基于种子区域生长算法，对分割出的目标层的断层图像进行区域分割。
例如可以使用种子区域生长算法对气孔区域进行分割。具体步骤可以包括：(a)随机选取DBC区域的背景(非气孔)区域作为种子点；(b)在种子点处进行8邻域扩展，判断准则是：如果考虑的像素与种子像素灰度值相差的绝对值小于某个阈值，则将该像素包括进种子像素所在的区域；(c)当不再有像素满足加入这个区域的准则时，区域停止生长。
本领域技术人员也可以使用其他的分割算法，本公开对此不做限制。
将第二训练数据输入到第二神经网络中进行训练，可以得到区域分割模型。
例如可以将第二训练数据的数据集的大小切割成1536×1536。
在一些实施例中，第二神经网络包括改进的DeepLabv3+网络模型。
例如可以使用Pytorch深度学习框架搭建改进的DeepLabv3+网络结构。调整训练参数，使用GPU训练，可以得到误差函数更小、分割精度更高的参数模型。
本公开实施例提供的区域分割模型的训练方法，通过获取待检测器件的断层图像，根据待检测器件的结构，确定断层图像的目标层，选取目标层及与目标层相邻的各层的断层图像作为第一训练数据，对第一神经网络进行训练，得到目标层分割模型；基于预设的区域分割算法，对目标层的断层图像进行区域分割，并将分割出的各区域的断层图像作为第二训练数据，对第二神经网络进行训练，得到区域分割模型。该方法训练得到的目标层分割模型及区域分割模型，可以对获取的断层图像进行分割，快速准确地获得分割的区域。
图3是根据本公开实施例示出的另一种区域分割模型的训练方法流程图。
与图1所示的方法10不同之处在于，图3进一步提供了如何根据待检测器件的结构，确定断层图像的目标层，也即图3所示的方法，进一步提供了对图1中步骤S104的实施例。
参考图3，步骤S1042包括：
在步骤S1042中，根据待检测器件的结构，确定目标层在待检测器件的断层图像中的位置区间。
待检测器件仍以IGBT为例，IGBT样品扫描重建之后可以有1536层断层图像，根据IGBT的结构信息，可以确定目标层在IGBT的断层图像中的位置区间。
在步骤S1044中，选取位于位置区间的第二预设层数的各层的断层图像。
第二预设层数例如可以为300层，也可以根据实际情况设置。
例如可以根据先验信息，选取位于位置区间的300层的断层图像。
在步骤S1046中，分别对第二预设层数中各层的断层图像进行Laplace(拉普拉斯)算子处理，得到各层的断层图像的灰度图。
例如，二维图像函数为f(x，y)，二维图像函数的Laplace算子可以定义为：
Figure BDA0002448062080000081
其中，在x方向上
Figure BDA0002448062080000082
可以由下式得出：
Figure BDA0002448062080000083
在y方向上
Figure BDA0002448062080000091
可以由下式得出：
Figure BDA0002448062080000092
根据前面三个公式可知，两个变量的离散Laplace算子可以是：
Figure BDA0002448062080000093
分别对上述300层中各层的断层图像进行Laplace算子处理，可以得到各层的断层图像的灰度图。
经过Laplace算子处理后的图像的灰度图，值越大，代表图像越清晰。
本领域技术人员也可以使用其他的图像清晰度算法，本公开对此不做限制。
在步骤S1048中，选取第二预设层数中灰度图像的灰度值最大的层为目标层。
图像的边缘可以表征图像特征，理想的边缘具有阶跃模型的特性。以CL系统扫描的断层图像为例，图像的边缘情况可以反映图像的清晰程度：图像越清晰，边缘位置的灰度变化越大；反之，越模糊的图像，过渡区倾斜越大，可以利用图像边缘的梯度来评价图像的清晰度。
例如可以选取300层中灰度图像的灰度值最大的层作为目标层。
目标层例如可以为气孔层。
图4是根据本公开实施例示出的另一种区域分割模型的训练方法流程图。
与图1所示的方法10不同之处在于，图4进一步提供了如何选取目标层及与目标层相邻的第一预设层数的各层的断层图像作为第一训练数据，也即图4所示的方法，进一步提供了对图1中步骤S106的实施例。
参考图4，步骤S106包括：
在步骤S1062中，对目标层及第一预设层数的各层的断层图像进行图像变换处理，以增多作为第一训练数据的断层图像数量。
例如可以对目标层及第一预设层数的各层的断层图像及标签进行Gamma(伽马)变换、直方图均衡化、旋转等操作，以增多作为第一训练数据的断层图像数量。
在步骤S1064中，将增多后的第一训练数据中的一部分作为训练集对第一神经网络进行训练，得到目标层分割模型；另一部分作为测试集，对目标层分割模型进行测试。
例如可以将增多后的第一训练数据案子3：1的比例分为训练集及测试集，将训练集输入到第一神经网络中进行训练，得到目标层分割模型；将测试集输入到目标层分割模型中，对目标层分割模型进行测试。
在训练第一神经网络之前，可以先对训练集及测试集包含的图像及标签进行预处理，预处理例如可以包括随机镜像水平、竖直反转、随机角度旋转、随机剪裁、归一化、高斯模糊。
图5是根据本公开实施例示出的另一种区域分割模型的训练方法流程图。
与图1所示的方法10不同之处在于，图5进一步提供了如何将分割出的各区域的断层图像作为第二训练数据，也即图5所示的方法，进一步提供了对图1中步骤S108的实施例。
参考图5，步骤S108包括：
在步骤S1082中，对各区域的断层图像进行图像变换处理，以增多作为第二训练数据的断层图像数量。
例如可以对各区域的断层图像及标签进行Gamma变换、直方图均衡化、旋转等操作，以增多作为第二训练数据的断层图像数量。
在步骤S1084中，将增多后的第二训练数据中的一部分作为训练集对第二神经网络进行训练，得到区域分割模型；另一部分作为测试集，对区域分割模型进行测试。
例如可以将增多后的第二训练数据案子3：1的比例分为训练集及测试集，将训练集输入到第二神经网络中进行训练，得到区域分割模型；将测试集输入到区域分割模型中，对区域分割模型进行测试。
在训练第二神经网络之前，可以先对训练集及测试集包含的图像及标签进行预处理，预处理例如可以包括随机镜像水平、竖直反转、随机角度旋转、随机剪裁、归一化、高斯模糊。
图6是根据本公开实施例示出的一种气孔率检测方法的流程图。
参考图6，气孔率检测方法20包括：
在步骤S202中，获取待检测器件的断层图像。
待检测器件例如可以以IGBT为例。
例如可以通过CL系统对IGBT进行扫描，重建之后得到IGBT的断层图像。
在步骤S204中，基于目标层分割模型，对待检测器件的断层图像进行分割，以得到待检测器件的DBC区域。
其中，目标层分割模型是根据上述任一方法中的区域分割模型的训练方法中训练得到的。
基于目标层分割模型，对IGBT器件的断层图像进行分割，可以得到IGBT器件的DBC区域。
基于目标层分割模型，对四种类型的IGBT的断层图像进行分割，可以得到IGBT断层图像的目标层及对应的DBC区域分割图，如图8所示。
在步骤S206中，基于区域分割模型，对DBC区域进行分割，得到多个气孔区域。
其中，区域分割模型是根据上述任一方法中的区域分割模型的训练方法中训练得到的。
基于区域分割模型，对IGBT器件的DBC区域进行分割，可以得到IGBT的多个气孔区域。
基于区域分割模型，对图7所示的各DBC区域进行分割，可以得到IGBT的DBC区域及对应的气孔分割图，如图8所示。
在步骤S208中，根据多个气孔区域的面积和DBC区域的面积，确定待检测器件的气孔率。
例如可以使用轮廓检测描绘出多个气孔区域的面积和DBC区域的面积。
对图8中的多个气孔区域使用轮廓检测描绘出的气孔分割图如图9所示。
在一些实施例中，选取多个气孔区域中面积最大的气孔区域；将面积最大的气孔区域的面积除以DBC区域的面积，得到待检测器件的最大气孔率。
在一些实施例中，确定多个气孔区域的总面积；将总面积除以DBC区域的面积，得到待检测器件的总气孔率。
在一些实施例中，选取多个气孔区域中面积最大的气孔区域；将面积最大的气孔区域的面积除以DBC区域的面积，得到待检测器件的最大气孔率；确定多个气孔区域的总面积；将总面积除以DBC区域的面积，得到待检测器件的总气孔率。
上述四种类型的IGBT根据气孔率检测方法20得到的总气孔率和最大气孔率如表1所示。
表1
IGBT类型 最大气孔面积 气孔总面积 DBC面积 最大气孔率 总气孔率
类型一 345.5 3598.0 991140.0 0.035％ 0.363％
类型二 617.5 4091.0 699864.5 0.088％ 0.585％
类型三 443.0 6299.5 732871.0 0.060％ 0.860％
类型四 1295.0 3891.5 824524.0 0.157％ 0.472％
本公开实施例提供的气孔率检测方法，通过获取待检测器件的断层图像，基于目标层分割模型，对断层图像进行分割，得到待检测图像的DBC区域；基于区域分割模型，对DBC区域进行分割，得到多个气孔区域；根据多个气孔区域的面积和DBC区域的面积，确定待检测器件的气孔率。该方法可以实现自动、准确、快速的检测大批量、不同类型的器件的气孔率。
需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图10是根据本公开实施例示出的一种区域分割模型的训练装置的框图。
如图10所示，装置30包括：图像获取模块302、目标层确定模块304、第一训练模块306及第二训练模块308。
其中，图像获取模块302用于获取待检测器件的断层图像。
目标层确定模块304用于根据待检测器件的结构，确定断层图像的目标层。
第一训练模块306用于选取目标层及与目标层相邻的第一预设层数的各层的断层图像作为第一训练数据，对第一神经网络进行训练，得到目标层分割模型。
第二训练模块308用于基于预设的区域分割算法，对目标层的断层图像进行区域分割，并将分割出的各区域的断层图像作为第二训练数据，对第二神经网络进行训练，得到区域分割模型。
在一些实施例中，目标层确定模块304包括区间确定单元、图像选取单元、灰度图获得单元及目标层确定单元。其中，区间确定单元用于根据待检测器件的结构，确定目标层在待检测器件的断层图像中的位置区间；图像选取单元用于选取位于位置区间的第二预设层数的各层的断层图像；灰度图获得单元用于分别对第二预设层数中各层的断层图像进行Laplace算子处理，得到各层的断层图像的灰度图；以及目标层确定单元用于选取第二预设层数中灰度图像的灰度值最大的层为目标层。
在一些实施例中，基于种子区域生长算法，对分割出的目标层的断层图像进行区域分割。
在一些实施例中，第一训练模块包括：第一图像处理单元及第一数据分割单元。其中，第一图像处理单元用于对目标层及第一预设层数的各层的断层图像进行图像变换处理，以增多作为第一训练数据的断层图像数量；以及第一数据分割单元用于将增多后的第一训练数据中的一部分作为训练集对第一神经网络进行训练，得到目标层分割模型；另一部分作为测试集，对目标层分割模型进行测试。
在一些实施例中，第二训练模块包括：第二图像处理单元及第二数据分割单元。其中，第二图像处理单元用于对各区域的断层图像进行图像变换处理，以增多作为第二训练数据的断层图像数量；以及第二数据分割单元将增多后的第二训练数据中的一部分作为训练集对第二神经网络进行训练，得到区域分割模型；另一部分作为测试集，对区域分割模型进行测试。
在一些实施例中，第一神经网络和/或第二神经网络包括：改进的DeepLabv3+网络模型。
本公开实施例提供的区域分割模型的训练装置，通过获取待检测器件的断层图像，根据待检测器件的结构，确定断层图像的目标层，选取目标层及与目标层相邻的各层的断层图像作为第一训练数据，对第一神经网络进行训练，得到目标层分割模型；基于预设的区域分割算法，对目标层的断层图像进行区域分割，并将分割出的各区域的断层图像作为第二训练数据，对第二神经网络进行训练，得到区域分割模型。该装置训练得到的目标层分割模型及区域分割模型，可以对获取的断层图像进行分割，快速准确地获得分割的区域。
图11是根据本公开实施例示出的一种气孔率检测装置的框图。
如图11所示，装置40包括：图像获得模块402、第一分割模块404、第二分割模块406及气孔率确定模块408。
其中，图像获得模块402用于获取待检测器件的断层图像；第一分割模块404用于基于目标层分割模型，对待检测器件的断层图像进行分割，以得到待检测器件的DBC区域；第二分割模块406基于区域分割模型，对DBC区域进行分割，得到多个气孔区域；以及气孔率确定模块408用于根据多个气孔区域的面积和DBC区域的面积，确定待检测器件的气孔率。
在一些实施例中，根据多个气孔区域的面积和DBC区域的面积，确定待检测器件的气孔率，包括：选取多个气孔区域中面积最大的气孔区域；将面积最大的气孔区域的面积除以DBC区域的面积，得到待检测器件的最大气孔率；和/或确定多个气孔区域的总面积；将总面积除以DBC区域的面积，得到待检测器件的总气孔率。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图12来描述根据本公开的这种实施方式的电子设备800。图12显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图12所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图1中所示的S102，获取待检测器件的断层图像；S104，根据待检测器件的结构，确定断层图像的目标层；S106，选取目标层及与目标层相邻的第一预设层数的各层的断层图像作为第一训练数据，对第一神经网络进行训练，得到目标层分割模型；S108，基于预设的区域分割算法，对目标层的断层图像进行区域分割，并将分割出的各区域的断层图像作为第二训练数据，对第二神经网络进行训练，得到区域分割模型。
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图13所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (12)

1.一种区域分割模型的训练方法，其特征在于，包括：
获取待检测器件的断层图像；
根据所述待检测器件的结构，确定所述断层图像的目标层；
选取所述目标层及与所述目标层相邻的第一预设层数的各层的断层图像作为第一训练数据，对第一神经网络进行训练，得到目标层分割模型；以及
基于预设的区域分割算法，对所述目标层的断层图像进行区域分割，并将分割出的各区域的断层图像作为第二训练数据，对第二神经网络进行训练，得到区域分割模型。
2.根据权利要求1所述的方法，其特征在于，根据所述待检测器件的结构，确定所述断层图像的目标层，包括：
根据所述待检测器件的结构，确定所述目标层在所述待检测器件的断层图像中的位置区间；
选取位于所述位置区间的第二预设层数的各层的断层图像；
分别对所述第二预设层数中各层的断层图像进行Laplace算子处理，得到各层的断层图像的灰度图；以及
选取所述第二预设层数中灰度图像的灰度值最大的层为所述目标层。
3.根据权利要求1所述的方法，其特征在于，基于预设的区域分割算法，对所述目标层的断层图像进行区域分割，包括：
基于种子区域生长算法，对分割出的所述目标层的断层图像进行区域分割。
4.根据权利要求1-3任一项所述的方法，其特征在于，选取所述目标层及与所述目标层相邻的第一预设层数的各层的断层图像作为第一训练数据，包括：
对所述目标层及所述第一预设层数的各层的断层图像进行图像变换处理，以增多作为所述第一训练数据的断层图像数量；以及
将增多后的所述第一训练数据中的一部分作为训练集对所述第一神经网络进行训练，得到所述目标层分割模型；另一部分作为测试集，对所述目标层分割模型进行测试。
5.根据权利要求1-3任一项所述的方法，其特征在于，将分割出的各区域的断层图像作为第二训练数据，包括：
对各区域的断层图像进行图像变换处理，以增多作为所述第二训练数据的断层图像数量；以及
将增多后的所述第二训练数据中的一部分作为训练集对所述第二神经网络进行训练，得到所述区域分割模型；另一部分作为测试集，对所述区域分割模型进行测试。
6.根据权利要求1-3任一项所述的方法，其特征在于，所述第一神经网络和/或所述第二神经网络包括：改进的DeepLabv3+网络模型。
7.一种气孔率检测方法，其特征在于，包括：
获取待检测器件的断层图像；
基于根据权利要求1-6任一项所述的区域分割模型的训练方法中训练得到的目标层分割模型，对所述待检测器件的断层图像进行分割，以得到所述待检测器件的DBC区域；
基于根据权利要求1-6任一项所述的区域分割模型的训练方法中训练得到的区域分割模型，对所述DBC区域进行分割，得到多个气孔区域；以及
根据所述多个气孔区域的面积和所述DBC区域的面积，确定所述待检测器件的气孔率。
8.根据权利要求7所述的方法，其特征值在于，根据所述多个气孔区域的面积和所述DBC区域的面积，确定所述待检测器件的气孔率，包括：
选取所述多个气孔区域中面积最大的气孔区域；将所述面积最大的气孔区域的面积除以所述DBC区域的面积，得到所述待检测器件的最大气孔率；和/或
确定所述多个气孔区域的总面积；将所述总面积除以所述DBC区域的面积，得到所述待检测器件的总气孔率。
9.一种区域分割模型的训练装置，其特征在于，包括：
图像获取模块，用于获取待检测器件的断层图像；
目标层确定模块，用于根据所述待检测器件的结构，确定所述断层图像的目标层；
第一训练模块，用于选取所述目标层及与所述目标层相邻的第一预设层数的各层的断层图像作为第一训练数据，对第一神经网络进行训练，得到目标层分割模型；以及
第二训练模块，用于基于预设的区域分割算法，对所述目标层的断层图像进行区域分割，并将分割出的各区域的断层图像作为第二训练数据，对第二神经网络进行训练，得到区域分割模型。
10.一种气孔率检测装置，其特征在于，包括：
图像获得模块，用于获取待检测器件的断层图像；
第一分割模块，用于基于根据权利要求1-6任一项所述的区域分割模型的训练方法中训练得到的目标层分割模型，对所述待检测器件的断层图像进行分割，以得到所述待检测器件的DBC区域；
第二分割模块，基于根据权利要求1-6任一项所述的区域分割模型的训练方法中训练得到的区域分割模型，对所述DBC区域进行分割，得到多个气孔区域；以及
气孔率确定模块，用于根据所述多个气孔区域的面积和所述DBC区域的面积，确定所述待检测器件的气孔率。
11.一种电子设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，其特征在于，所述处理器执行所述可执行指令时实现如权利要求1-8任一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1-8任一项所述的方法。
CN202010284782.1A 2020-04-13 2020-04-13 区域分割模型的训练方法、装置、设备及存储介质 Active CN111489345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010284782.1A CN111489345B (zh) 2020-04-13 2020-04-13 区域分割模型的训练方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010284782.1A CN111489345B (zh) 2020-04-13 2020-04-13 区域分割模型的训练方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111489345A true CN111489345A (zh) 2020-08-04
CN111489345B CN111489345B (zh) 2023-08-15

Family

ID=71794828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010284782.1A Active CN111489345B (zh) 2020-04-13 2020-04-13 区域分割模型的训练方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111489345B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907521A (zh) * 2021-02-05 2021-06-04 上海展湾信息科技有限公司 基于ssd和glcm的焊接气孔目标检测方法
CN113470029A (zh) * 2021-09-03 2021-10-01 北京字节跳动网络技术有限公司 训练方法及装置、图像处理方法、电子设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909010A (zh) * 2017-10-27 2018-04-13 北京中科慧眼科技有限公司 一种道路障碍物检测方法与装置
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN109993031A (zh) * 2017-12-29 2019-07-09 杭州海康威视数字技术股份有限公司 一种畜力车目标违章行驶行为检测方法、装置及相机
CN110046577A (zh) * 2019-04-17 2019-07-23 北京迈格威科技有限公司 行人属性预测方法、装置、计算机设备和存储介质
CN110648337A (zh) * 2019-09-23 2020-01-03 武汉联影医疗科技有限公司 髋关节分割方法、装置、电子设备和存储介质
CN110706246A (zh) * 2019-10-15 2020-01-17 上海微创医疗器械（集团）有限公司 一种血管图像分割方法、装置、电子设备和存储介质
CN110930417A (zh) * 2019-11-26 2020-03-27 腾讯科技（深圳）有限公司 图像分割模型的训练方法和装置、图像分割方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909010A (zh) * 2017-10-27 2018-04-13 北京中科慧眼科技有限公司 一种道路障碍物检测方法与装置
CN109993031A (zh) * 2017-12-29 2019-07-09 杭州海康威视数字技术股份有限公司 一种畜力车目标违章行驶行为检测方法、装置及相机
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN110046577A (zh) * 2019-04-17 2019-07-23 北京迈格威科技有限公司 行人属性预测方法、装置、计算机设备和存储介质
CN110648337A (zh) * 2019-09-23 2020-01-03 武汉联影医疗科技有限公司 髋关节分割方法、装置、电子设备和存储介质
CN110706246A (zh) * 2019-10-15 2020-01-17 上海微创医疗器械（集团）有限公司 一种血管图像分割方法、装置、电子设备和存储介质
CN110930417A (zh) * 2019-11-26 2020-03-27 腾讯科技（深圳）有限公司 图像分割模型的训练方法和装置、图像分割方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
程玉柱等: "基于深度学习的木材缺陷图像检测方法", 林业机械与木工设备 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907521A (zh) * 2021-02-05 2021-06-04 上海展湾信息科技有限公司 基于ssd和glcm的焊接气孔目标检测方法
CN112907521B (zh) * 2021-02-05 2022-11-04 上海展湾信息科技有限公司 基于ssd和glcm的焊接气孔目标检测方法
CN113470029A (zh) * 2021-09-03 2021-10-01 北京字节跳动网络技术有限公司 训练方法及装置、图像处理方法、电子设备和存储介质
CN113470029B (zh) * 2021-09-03 2021-12-03 北京字节跳动网络技术有限公司 训练方法及装置、图像处理方法、电子设备和存储介质

Also Published As

Publication number Publication date
CN111489345B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN110569899B (zh) 坝面缺陷分类模型训练方法及装置
CN111489345A (zh) 区域分割模型的训练方法、装置、设备及存储介质
JP6188976B2 (ja) 画像に含まれるテキストを検出する方法、装置及びコンピュータ読み取り可能な記録媒体
CN112651979B (zh) 肺部x光图像分割方法、系统、计算机设备及存储介质
CN110176010B (zh) 一种图像检测方法、装置、设备及存储介质
CN109377508B (zh) 图像处理方法和装置
CN112184733B (zh) 一种宫颈异常细胞检测装置及方法
CN114757950B (zh) 超声图像处理方法、装置以及计算机可读存储介质
CN109416749A (zh) 一种图像的灰阶分类方法、装置以及可读存储介质
CN110969641A (zh) 图像处理方法和装置
Shahverdi et al. An improved method for edge detection and image segmentation using fuzzy cellular automata
CN113469972B (zh) 标注医学切片图像的方法、装置、存储介质及电子设备
CN112734693B (zh) 一种管道焊缝缺陷检测方法及相关装置
CN112598687B (zh) 图像分割方法和装置、存储介质、电子设备
CN112053394A (zh) 图像处理方法、装置、电子设备及存储介质
CN111489318A (zh) 医学图像增强方法和计算机可读存储介质
Mohd Shapri et al. Accurate retrieval of region of interest for estimating point spread function and image deblurring
CN113850834B (zh) 一种肿瘤区域微血管分割方法、装置
Elaraby et al. A Novel Algorithm for Edge Detection of Noisy Medical Images
CN113657317A (zh) 一种货物位置识别方法、系统、电子设备及存储介质
CN114241036A (zh) 透明带边界的确定方法、装置、电子设备及存储介质
Elaraby et al. New algorithm for edge detection in medical images based on minimum cross entropy thresholding
US20200265582A1 (en) Fast Automatic Trimap Generation And Optimization For Segmentation Refinement
CN113724145B (zh) X光图像处理方法及装置
CN110543664A (zh) 一种面向具有特有结构fpga的工艺映射方法

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