CN113643235A - 一种基于深度学习的芯片计数方法 - Google Patents

一种基于深度学习的芯片计数方法 Download PDF

Info

Publication number
CN113643235A
CN113643235A CN202110759323.9A CN202110759323A CN113643235A CN 113643235 A CN113643235 A CN 113643235A CN 202110759323 A CN202110759323 A CN 202110759323A CN 113643235 A CN113643235 A CN 113643235A
Authority
CN
China
Prior art keywords
chip
image
map
confidence
deep learning
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
CN202110759323.9A
Other languages
English (en)
Other versions
CN113643235B (zh
Inventor
胡珂杰
樊治国
邵汉阳
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.)
Qingdao Gaozhong Information Technology Co ltd
Original Assignee
Qingdao Gaozhong Information 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 Qingdao Gaozhong Information Technology Co ltd filed Critical Qingdao Gaozhong Information Technology Co ltd
Priority to CN202110759323.9A priority Critical patent/CN113643235B/zh
Publication of CN113643235A publication Critical patent/CN113643235A/zh
Application granted granted Critical
Publication of CN113643235B publication Critical patent/CN113643235B/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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • 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
    • G06T2207/30204—Marker
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的芯片计数方法，包括：收集各个场景下需要计数的芯片图像；将芯片图像输入主干网络中，通过对图像特征的深度学习，生成不同尺度特征并融合获得特征图；将特征图送入置信度预测器，得到置信度图；将置信度图与特征图相乘后的特征图送入阈值编码器中，得到阈值图；将阈值图和置信度图送入二值化层，通过阈值过滤芯片区域，得到连通区域分割图；通过分割图可以检测连通区域，对芯片进行计数，得到最终的芯片数量。本发明利用庞大的数据，通过深度学习完成模型训练，自适应学习阈值映射不同的图像，更准确地检测每个芯片，更容易应用于实际场景的芯片计数，不受场景限制。

Description

一种基于深度学习的芯片计数方法
技术领域
本发明涉及机器视觉计数领域，尤其涉及一种基于深度学习的芯片计数方法。
背景技术
在生产线中，需要对生产出的芯片进行数量统计。由于芯片的种类多种多样，生产芯片的环境也各不相同，对不同的芯片在不同的生产环境下的计数是一个难题。常用的方式一般使用感应式的芯片计数装置，此装置的安装场景严格受限，计数场景较为单一。另一种使用人眼计数，这种方式需要花费极高的人力成本和时间成本。
在机器视觉领域中，传统芯片计数算法只适应于有明显特征，背景简单的情形。如专利号为CN109166116A的发明专利公开了“一种用于芯片计数的图像处理算法”，提取X光拍摄的芯片图像并对进行对比度增强，根据固定的阈值对芯片图像进行连通区域分割。该方法有如下几个问题： (1)芯片图像需要通过专业X光拍摄设备提取，拍摄成本高昂；(2)芯片图像需要通过固定的阈值才能对连通区域进行分割，对于不同的芯片类型需要调整不同的阈值，鲁棒性较差。
在实际应用中，由于背景复杂多变，而且待计数的芯片种类繁多，传统芯片计数算法很难通过一般的抽象特征完成对芯片的计数。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对图像数据的解释有很大的帮助，让机器能够像人一样具有分析学习能力，能够识别图像数据，远超先前相关技术。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是目前的芯片计数方法中鲁棒性差和计数效率低。为实现上述目的，本发明提供了一种基于深度学习的芯片计数方法，其特征在于，所述方法包括以下步骤：
S1：收集各个场景下需要计数的芯片图像；
S2：将所述芯片图像输入主干网络VGG16+FPN中，通过对图像特征的深度学习，生成不同尺度特征并融合获得特征图；
S3：将所述特征图送入置信度预测器，得到置信度图；
S4：将所述置信度图与所述特征图相乘后的特征图送入阈值编码器中，得到阈值图；
S5：将所述阈值图和所述置信度图送入二值化层，通过阈值过滤芯片区域，得到连通区域分割图；
S6：通过所述分割图可以检测连通区域，每个连通区域即芯片区域，对芯片进行计数，得到最终的芯片数量。
进一步地，所述步骤S1具体为：使用相机在各个场景下拍摄多类需要计数的芯片图像，对每张芯片图像进行标注；每张芯片图像中每个芯片都有相应的检测框，检测框标记为[(x1，y1)，(x2，y2)]，其中，(x1，y1)表示的是检测框左上角坐标，(x2，y2)表示检测框右下角坐标；每张芯片图像根据检测框生成相应的mask图(掩膜图)，检测框内的值全部赋值为0，检测框外的值全部赋值为1，最终生成需要计数的芯片图像。
进一步地，所述步骤S2具体为：将所述芯片图像输入至VGG16主干网络，输入的大小为1×3×512×1024，采用VGG16前13层卷积层和5层 max-pooling层，获得图像的基础特征；将所述基础特征送入FPN网络(特征金字塔网络)，通过所述FPN网络进一步提取特征，生成不同尺度特征并融合获得特征图。
更进一步地，所述基础特征由3个部分组成：
VGG16第1～7层卷积+第1～3层max_pooling得到1×256×128×256；
VGG16第8～10层卷积得到1×512×64×128；
VGG16第11～13层卷积+第4～5层max_pooling得到1×512×32×64。
进一步地，所述步骤S3具体为：将所述特征图送入置信度预测器中，所述特征图通过所述置信度预测器后得到置信度图，预测芯片区域的置信度；所述置信度图与所述芯片图像之间使用均值平方误差(MSE)作为损失函数得到LOSS_1，公式如下：
Figure RE-GDA0003285563340000031
其中：yi表示芯片图像真实值，y′i表示置信度图的预测值，N表示图片的数量。
进一步地，所述步骤S4具体为：将所述特征图与所述置信度图进行乘积，得到过滤后特征图；将过滤后特征图送入阈值编码器中，得到阈值图。
更进一步地，所述阈值编码器由PReLU的4个卷积层和2个stride 为1的平均池化组成；具体配置为：Conv：3×3，PReLU，Conv：3×3，PReLU，Conv：3×3，PReLU，Avg-pool：15×15，Conv：1×1，Avgpool： 15×15，Sigmoid。
更进一步地，为了约束Sigmoid激活函数的输出，设计压缩Sigmoid 的输出公式：
Figure RE-GDA0003285563340000032
所述压缩Sigmoid的输出值范围为(0.2，0.7)。
进一步地，所述步骤S5具体为：将所述阈值图和所述置信度图送入二值化层，所述二值化层根据所述阈值图对所述置信度图进行分割；所述置信度图经过所述二值化层后得到最终的连通区域分割图。
更进一步地，所述二值化层根据所述阈值图对所述置信度图进行分割的正向推理过程为：
Figure RE-GDA0003285563340000041
其中，点I(i，j)表示置信度图中横坐标为i纵坐标为j的值，T(i，j) 表示阈值图中横坐标为i纵坐标为j的值。
与现有技术相比，本发明的有益技术效果：
1、本发明利用庞大丰富的数据，通过深度学习完成模型的训练，从而使得算法的健壮性更高，泛化能力更强，自适应学习阈值映射不同的图像，以更准确地检测每个芯片，更容易应用于实际场景的芯片计数，对于不同生产环境下的芯片图片都可以进行有效的计数，不受场景限制。
2、本发明的芯片技术方法只需普通相机拍摄的RGB图片即可，无需特殊设备支持。
3、本发明的芯片技术方法可以自动调整阈值，对于芯片图像中不同大小的芯片都可以识别计数，无需人工调整阈值。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明一种基于深度学习的芯片计数方法的系统流程图；
图2是本发明一较佳实施例中系统工作流程图；
图3是VGG16网络结构图；
图4是本发明一较佳实施例中置信度预测器的配置图；
图5是本发明一较佳实施例中阈值编码器的配置图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
如图1所示，本发明提供了一种基于深度学习的芯片计数方法，包括以下步骤：
S1：收集各个场景下需要计数的芯片图像；
S2：将芯片图像输入主干网络VGG16+FPN中，通过对图像特征的深度学习，生成不同尺度特征并融合获得特征图；
S3：将特征图送入置信度预测器，得到置信度图；
S4：将置信度图与特征图相乘后的特征图送入阈值编码器中，得到阈值图；
S5：将阈值图和置信度图送入二值化层，通过阈值过滤芯片区域，得到连通区域分割图；
S6：通过分割图可以检测连通区域，每个连通区域即芯片区域，对芯片进行计数，得到最终的芯片数量。
本发明利用庞大丰富的数据，通过深度学习完成模型的训练，从而使得算法的健壮性更高，泛化能力更强，自适应学习阈值映射不同的图像，以更准确地检测每个芯片，更容易应用于实际场景的芯片计数，对于不同生产环境下的芯片图片都可以进行有效的计数，不受场景限制。
如图1和图2所示，在本发明的一个较佳实施例中，使用相机在各个场景下拍摄多类需要计数的芯片图像，对每张芯片图像进行标注，可以人工标注，也可以自动标注。每张芯片图像中每个芯片都有相应的检测框，检测框标记为[(x1，y1)，(x2，y2)]，其中，(x1，y1)表示的是检测框左上角坐标(x2，y2)则表示检测框的右下角坐标；每张芯片图像根据检测框生成相应的mask图(掩膜图)，检测框内的值全部赋值为0，检测框外的值全部赋值为1，最终生成需要计数的芯片图像。芯片图像只需普通相机拍摄的RGB图片即可，无需特殊设备支持。
将芯片图像输入至VGG16主干网络，输入的大小为 1×3×512×1024，采用VGG16前13层卷积层和5层max_pooling层，获得图像的基础特征。
基础特征由3个部分组成：
VGG16第1～7层卷积+第1～3层max_pooling得到 1×256×128×256；
VGG16第8～10层卷积得到1×512×64×128；
VGG16第11～13层卷积+第4～5层max_pooling得到 1×512×32×64。
如图3所示，vgg16总共有16层，13个卷积层和3个全连接层，第一次经过64个卷积核的两次卷积后，采用一次pooling，第二次经过两次128个卷积核卷积后，再采用pooling，再重复两次三个512个卷积核卷积后，再pooling，最后经过三次全连接。其中，conv3-64 是指第三层卷积后维度变成64，同样地，conv3-128指的是第三层卷积后维度变成128；input(224×224RGB image)指的是输入图片大小为224×224的彩色图像，通道为3，即224×224×3；maxpool是指最大池化，在vgg16中，pooling采用的是2×2最大池化方法；FC-4096 指的是全连接层中有4096个节点，同样地，FC-1000为该层全连接层有1000个节点；padding指的是对矩阵在外边填充n圈，padding＝1 即填充1圈，5X5大小的矩阵，填充一圈后变成7X7大小；vgg16每层卷积的滑动步长stride＝1，padding＝1，卷积核大小为333。
将上述基础特征送入FPN网络(特征金字塔网络)，通过FPN网络进一步提取特征，生成不同尺度特征并融合获得特征图。FPN主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量的情况下，大幅度提升了小物体检测的性能。通过高层特征进行上采样和低层特征进行自顶向下的连接，而且每一层都会进行预测。
将特征图送入置信度预测器中，置信度预测器配置如图所示：由 Conv：1×1，Relu；DeConv：4×4，Relu；DeConv：4×4，Sigmod构成(如图4所示)，特征图通过置信度预测器后得到置信度图，预测芯片区域的置信度。
置信度图与芯片图像之间使用均值平方误差(MSE)作为损失函数得到LOSS_1，公式如下：
Figure RE-GDA0003285563340000071
其中，yi表示芯片图像真实值，y′i表示置信度图的预测值，N表示图片的数量。
将前述步骤获得的特征图与获得的置信度图进行乘积，执行此操作是为了使用置信度图过滤特征图得到过滤后的特征图。
将过滤后的特征图送入阈值编码器中，得到阈值图。阈值编码器由 PReLU的4个卷积层和2个stride为1的平均池化组成。配置如下： Conv：3×3，PReLU；Conv：3×3，PReLU；Conv：3×3，PReLU；Avg-pool： 15×15；Conv：1×1，Avgpool：15×15，Sigmoid(如图5所示)。
为了覆盖较大的空间接受域和节省内存，输入被调整为原来的1/8 大小。另外，在最后两个卷积层之后，采用15×15平均池化，步长为1的方法平滑输出。在训练中，阈值编码器可能会在阈值图中产生一些很低(小于0.1)或很高(接近1)的值，这使得网络容易波动。此外，高阈值会导致很多空的连通区域出现。因此，为了约束Sigmoid激活函数的输出。设计了压缩Sigmoid，公式如下：
Figure RE-GDA0003285563340000072
从上述公式可以看出压缩Sigmoid输出值范围在(0.2，0.7)， Sigmoid的改进带来了更稳定的训练和更好的表现。
将阈值图和置信度图送入二值化层，二值化层的目标是根据阈值图对输入置信度图进行分割，二值化层根据所述阈值图对所述置信度图进行分割的正向推理过程为：
Figure RE-GDA0003285563340000081
其中，点I(i，j)表示的是置信度图中横坐标为i纵坐标为j的值， T(i，j)表示的是阈值图T中横坐标为i纵坐标为j的值。
置信度图经过二值化层后得到最终的连通区域图分割图。
通过连通区域分割图可以检测连通区域，每个连通区域即芯片区域，对芯片进行计数，得到最终的芯片数量。
本发明的芯片技术方法只需普通相机拍摄的RGB图片即可，无需特殊设备支持，本方法可以自动调整阈值，对于芯片图像中不同大小的芯片都可以识别计数，无需人工调整阈值。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于深度学习的芯片计数方法，其特征在于，所述方法包括以下步骤：
S1：收集各个场景下需要计数的芯片图像；
S2：将所述芯片图像输入主干网络VGG16+FPN中，通过对图像特征的深度学习，生成不同尺度特征并融合获得特征图；
S3：将所述特征图送入置信度预测器，得到置信度图；
S4：将所述置信度图与所述特征图相乘后的特征图送入阈值编码器中，得到阈值图；
S5：将所述阈值图和所述置信度图送入二值化层，通过阈值过滤芯片区域，得到连通区域分割图；
S6：通过所述分割图可以检测连通区域，每个连通区域即芯片区域，对芯片进行计数，得到最终的芯片数量。
2.如权利要求1所述的基于深度学习的芯片计数方法，其特征在于，所述步骤S1具体为：使用相机在各个场景下拍摄多类需要计数的芯片图像，对每张芯片图像进行标注；每张芯片图像中每个芯片都有相应的检测框，检测框标记为[(x1，y1)，(x2，y2)]，其中，(x1，y1)表示的是检测框左上角坐标，(x2，y2)表示检测框右下角坐标；每张芯片图像根据检测框生成相应的mask图，检测框内的值全部赋值为0，检测框外的值全部赋值为1，最终生成需要计数的芯片图像。
3.如权利要求1所述的基于深度学习的芯片计数方法，其特征在于，所述步骤S2具体为：将所述芯片图像输入至VGG16主干网络，输入的大小为1×3×512×1024，采用VGG16前13层卷积层和5层max-pooling层，获得图像的基础特征；将所述基础特征送入FPN网络，通过所述FPN网络进一步提取特征，生成不同尺度特征并融合获得特征图。
4.如权利要求3所述的基于深度学习的芯片计数方法，其特征在于，所述基础特征由3个部分组成：
VGG16第1～7层卷积+第1～3层max_pooling得到1×256×128×256；
VGG16第8～10层卷积得到1×512×64×128；
VGG16第11～13层卷积+第4～5层max_pooling得到1×512×32×64。
5.如权利要求1所述的基于深度学习的芯片计数方法，其特征在于，所述步骤S3具体为：将所述特征图送入置信度预测器中，所述特征图通过所述置信度预测器后得到置信度图，预测芯片区域的置信度；所述置信度图与所述芯片图像之间使用均值平方误差作为损失函数得到LOSS_1，公式如下：
Figure FDA0003151500580000021
其中：yi表示芯片图像真实值，y′i表示置信度图的预测值，N表示图片的数量。
6.如权利要求1所述的基于深度学习的芯片计数方法，其特征在于，所述步骤S4具体为：将所述特征图与所述置信度图进行乘积，得到过滤后特征图；将过滤后特征图送入阈值编码器中，得到阈值图。
7.如权利要求6所述的基于深度学习的芯片计数方法，其特征在于，所述阈值编码器由PReLU的4个卷积层和2个stride为1的平均池化组成；具体配置为：Conv：3×3，PReLU，Conv：3×3，PReLU，Cony：3×3，PReLU，Avg-pool：15×15，Conv：1×1，Avgpool：15×15，Sigmoid。
8.如权利要求7所述的基于深度学习的芯片计数方法，其特征在于，为了约束Sigmoid激活函数的输出，设计压缩Sigmoid的输出公式：
Figure FDA0003151500580000031
所述压缩Sigmoid的输出值范围为(0.2，0.7)。
9.如权利要求1所述的基于深度学习的芯片计数方法，其特征在于，所述步骤S5具体为：将所述阈值图和所述置信度图送入二值化层，所述二值化层根据所述阈值图对所述置信度图进行分割；所述置信度图经过所述二值化层后得到最终的连通区域分割图。
10.如权利要求9所述的基于深度学习的芯片计数方法，其特征在于，所述二值化层根据所述阈值图对所述置信度图进行分割的正向推理过程为：
Figure FDA0003151500580000032
其中，点I(i，j)表示置信度图中横坐标为i纵坐标为j的值，T(i，j)表示阈值图中横坐标为i纵坐标为j的值。
CN202110759323.9A 2021-07-07 2021-07-07 一种基于深度学习的芯片计数方法 Active CN113643235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110759323.9A CN113643235B (zh) 2021-07-07 2021-07-07 一种基于深度学习的芯片计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110759323.9A CN113643235B (zh) 2021-07-07 2021-07-07 一种基于深度学习的芯片计数方法

Publications (2)

Publication Number Publication Date
CN113643235A true CN113643235A (zh) 2021-11-12
CN113643235B CN113643235B (zh) 2023-12-29

Family

ID=78416722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110759323.9A Active CN113643235B (zh) 2021-07-07 2021-07-07 一种基于深度学习的芯片计数方法

Country Status (1)

Country Link
CN (1) CN113643235B (zh)

Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120027297A1 (en) * 2010-07-27 2012-02-02 International Business Machines Corporation Object Segmentation at a Self-Checkout
CN105718889A (zh) * 2016-01-21 2016-06-29 江南大学 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法
EP3054279A1 (en) * 2015-02-06 2016-08-10 St. Anna Kinderkrebsforschung e.V. Methods for classification and visualization of cellular populations on a single cell level based on microscopy images
US20180075603A1 (en) * 2016-09-12 2018-03-15 MorphoTrak, LLC Automated tattoo recognition techniques
CN107944354A (zh) * 2017-11-10 2018-04-20 南京航空航天大学 一种基于深度学习的车辆检测方法
CN107967695A (zh) * 2017-12-25 2018-04-27 北京航空航天大学 一种基于深度光流和形态学方法的运动目标检测方法
CN107992898A (zh) * 2017-12-14 2018-05-04 哈尔滨工业大学（威海） 一种电子元件焊点缺陷检测方法
US20180137612A1 (en) * 2015-04-27 2018-05-17 Wuhan Wuda Zoyon Science And Technology Co., Ltd. A stepwise refinement detection method for pavement cracks
CN109166116A (zh) * 2018-08-31 2019-01-08 广州大学 一种用于芯片计数的图像处理算法
WO2019046820A1 (en) * 2017-09-01 2019-03-07 Percipient.ai Inc. IDENTIFICATION OF INDIVIDUALS IN A DIGITAL FILE USING MULTIMEDIA ANALYSIS TECHNIQUES
CN109740448A (zh) * 2018-12-17 2019-05-10 西北工业大学 基于相关滤波和图像分割的航拍视频目标鲁棒跟踪方法
CN110533672A (zh) * 2019-08-22 2019-12-03 杭州德适生物科技有限公司 一种基于条带识别的染色体排序方法
CN110766002A (zh) * 2019-10-08 2020-02-07 浙江大学 一种基于深度学习的船名字符区域检测方法
WO2020036468A1 (ko) * 2018-08-16 2020-02-20 주식회사 날비컴퍼니 이미지에 보케 효과를 적용하는 방법 및 기록매체
CN110992354A (zh) * 2019-12-13 2020-04-10 华中科技大学 基于引入自动记忆机制对抗自编码器的异常区域检测方法
CN111160120A (zh) * 2019-12-11 2020-05-15 重庆邮电大学 基于迁移学习的Faster R-CNN物品检测方法
CN111161243A (zh) * 2019-12-30 2020-05-15 华南理工大学 基于样本增强的工业产品表面缺陷检测方法
CN111417958A (zh) * 2017-12-07 2020-07-14 文塔纳医疗系统公司 用于生物图像中的联合细胞和区域分类的深度学习系统和方法
CN111553929A (zh) * 2020-05-12 2020-08-18 重庆邮电大学 基于融合网络的手机屏幕缺陷分割方法、装置及设备
CN111767801A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种基于深度学习的遥感影像水域自动提取方法及系统
CN111985381A (zh) * 2020-08-13 2020-11-24 杭州电子科技大学 一种基于伸缩卷积神经网络的引导区域密集人群计数方法
CN112070043A (zh) * 2020-09-15 2020-12-11 常熟理工学院 基于特征融合的安全帽佩戴卷积网络、训练及检测方法
CN112162930A (zh) * 2020-10-21 2021-01-01 腾讯科技（深圳）有限公司 一种控件识别的方法、相关装置、设备及存储介质
CN112396666A (zh) * 2020-12-09 2021-02-23 广西双英集团股份有限公司 基于手势识别的装配过程智能控制方法
CN112614136A (zh) * 2020-12-31 2021-04-06 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） 一种红外小目标实时实例分割方法及装置
CN112967243A (zh) * 2021-02-26 2021-06-15 清华大学深圳国际研究生院 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法
CN113012138A (zh) * 2021-03-26 2021-06-22 华南理工大学 一种甲黑线皮肤镜图像分析方法及系统

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120027297A1 (en) * 2010-07-27 2012-02-02 International Business Machines Corporation Object Segmentation at a Self-Checkout
EP3054279A1 (en) * 2015-02-06 2016-08-10 St. Anna Kinderkrebsforschung e.V. Methods for classification and visualization of cellular populations on a single cell level based on microscopy images
US20180137612A1 (en) * 2015-04-27 2018-05-17 Wuhan Wuda Zoyon Science And Technology Co., Ltd. A stepwise refinement detection method for pavement cracks
CN105718889A (zh) * 2016-01-21 2016-06-29 江南大学 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法
US20180075603A1 (en) * 2016-09-12 2018-03-15 MorphoTrak, LLC Automated tattoo recognition techniques
WO2019046820A1 (en) * 2017-09-01 2019-03-07 Percipient.ai Inc. IDENTIFICATION OF INDIVIDUALS IN A DIGITAL FILE USING MULTIMEDIA ANALYSIS TECHNIQUES
CN107944354A (zh) * 2017-11-10 2018-04-20 南京航空航天大学 一种基于深度学习的车辆检测方法
CN111417958A (zh) * 2017-12-07 2020-07-14 文塔纳医疗系统公司 用于生物图像中的联合细胞和区域分类的深度学习系统和方法
CN107992898A (zh) * 2017-12-14 2018-05-04 哈尔滨工业大学（威海） 一种电子元件焊点缺陷检测方法
CN107967695A (zh) * 2017-12-25 2018-04-27 北京航空航天大学 一种基于深度光流和形态学方法的运动目标检测方法
WO2020036468A1 (ko) * 2018-08-16 2020-02-20 주식회사 날비컴퍼니 이미지에 보케 효과를 적용하는 방법 및 기록매체
CN109166116A (zh) * 2018-08-31 2019-01-08 广州大学 一种用于芯片计数的图像处理算法
CN109740448A (zh) * 2018-12-17 2019-05-10 西北工业大学 基于相关滤波和图像分割的航拍视频目标鲁棒跟踪方法
CN110533672A (zh) * 2019-08-22 2019-12-03 杭州德适生物科技有限公司 一种基于条带识别的染色体排序方法
CN110766002A (zh) * 2019-10-08 2020-02-07 浙江大学 一种基于深度学习的船名字符区域检测方法
CN111160120A (zh) * 2019-12-11 2020-05-15 重庆邮电大学 基于迁移学习的Faster R-CNN物品检测方法
CN110992354A (zh) * 2019-12-13 2020-04-10 华中科技大学 基于引入自动记忆机制对抗自编码器的异常区域检测方法
CN111161243A (zh) * 2019-12-30 2020-05-15 华南理工大学 基于样本增强的工业产品表面缺陷检测方法
CN111553929A (zh) * 2020-05-12 2020-08-18 重庆邮电大学 基于融合网络的手机屏幕缺陷分割方法、装置及设备
CN111767801A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种基于深度学习的遥感影像水域自动提取方法及系统
CN111985381A (zh) * 2020-08-13 2020-11-24 杭州电子科技大学 一种基于伸缩卷积神经网络的引导区域密集人群计数方法
CN112070043A (zh) * 2020-09-15 2020-12-11 常熟理工学院 基于特征融合的安全帽佩戴卷积网络、训练及检测方法
CN112162930A (zh) * 2020-10-21 2021-01-01 腾讯科技（深圳）有限公司 一种控件识别的方法、相关装置、设备及存储介质
CN112396666A (zh) * 2020-12-09 2021-02-23 广西双英集团股份有限公司 基于手势识别的装配过程智能控制方法
CN112614136A (zh) * 2020-12-31 2021-04-06 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） 一种红外小目标实时实例分割方法及装置
CN112967243A (zh) * 2021-02-26 2021-06-15 清华大学深圳国际研究生院 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法
CN113012138A (zh) * 2021-03-26 2021-06-22 华南理工大学 一种甲黑线皮肤镜图像分析方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
XIAOQING GUO: ""Learn to Threshold: ThresholdNet With Confidence-Guided Manifold Mixup for Polyp Segmentation"", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
ZHEN LI等: ""Progressive Learning Algorithm for Efficient Person Re- Identification"", 《2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 *
张艳琳;钱小燕;张淼;葛红娟;: "自适应多特征融合相关滤波目标跟踪", 中国图象图形学报, no. 06 *
胡珂杰: ""基于3D骨骼的人体行为识别关键技术研究"", 《中国硕士学位论文全文数据库》 *
雷臻宇: ""基于深度学习的芯片视觉计数算法研究"", 《中国硕士学位论文全文数据库》 *

Also Published As

Publication number Publication date
CN113643235B (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
CN110276767B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
US11882357B2 (en) Image display method and device
CN109636754B (zh) 基于生成对抗网络的极低照度图像增强方法
CN108717524B (zh) 一种基于双摄手机和人工智能系统的手势识别系统
CN113052210B (zh) 一种基于卷积神经网络的快速低光照目标检测方法
CN110580428A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
CN108900769A (zh) 图像处理方法、装置、移动终端及计算机可读存储介质
CN111915525B (zh) 基于改进深度可分离生成对抗网络的低照度图像增强方法
CN109063737A (zh) 图像处理方法、装置、存储介质及移动终端
CN107330390B (zh) 一种基于图像分析和深度学习的人数统计方法
CN108875619A (zh) 视频处理方法和装置、电子设备、计算机可读存储介质
CN111539343B (zh) 一种基于卷积注意力网络的黑烟车检测方法
JP4098021B2 (ja) シーン識別方法および装置ならびにプログラム
CN111680690B (zh) 一种文字识别方法及装置
CN111524145A (zh) 图片智能裁剪方法、系统、计算机设备及存储介质
KR101906796B1 (ko) 딥러닝 기반 영상 분석 장치 및 영상 분석 방법
CN109377499B (zh) 一种像素级物体分割方法及装置
CN112036454B (zh) 一种基于多核密集连接网络的图像分类方法
CN109461186A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
CN112614136A (zh) 一种红外小目标实时实例分割方法及装置
CN107578011A (zh) 视频关键帧的判定方法及装置
CN112396035A (zh) 基于注意力检测模型的物体检测方法和装置
CN110751226A (zh) 人群计数模型的训练方法、装置和存储介质
CN111178121A (zh) 基于空间特征和深度特征强化技术的害虫图像定位识别方法
CN109151325A (zh) 一种合成笑脸的处理方法及处理装置

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