CN113822870A - 一种电致发光半导体板材表面缺陷ai检测方法 - Google Patents
一种电致发光半导体板材表面缺陷ai检测方法 Download PDFInfo
- Publication number
- CN113822870A CN113822870A CN202111137952.4A CN202111137952A CN113822870A CN 113822870 A CN113822870 A CN 113822870A CN 202111137952 A CN202111137952 A CN 202111137952A CN 113822870 A CN113822870 A CN 113822870A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- random
- images
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 239000004065 semiconductor Substances 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 230000002950 deficient Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 229910052710 silicon Inorganic materials 0.000 abstract description 3
- 239000010703 silicon Substances 0.000 abstract description 3
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 abstract description 3
- 229910010271 silicon carbide Inorganic materials 0.000 abstract description 3
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 abstract description 2
- 229910001218 Gallium arsenide Inorganic materials 0.000 abstract description 2
- 229910052732 germanium Inorganic materials 0.000 abstract description 2
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 abstract description 2
- 230000003287 optical effect Effects 0.000 abstract 1
- 238000005401 electroluminescence Methods 0.000 description 15
- 239000002245 particle Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 206010027146 Melanoderma Diseases 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种电致发半导体光板材表面缺陷AI检测方法,所述方法步骤包括进行第一次图像增强处理、进行图像缺陷标注和转化、训练验证测试图像的随机分配、进行第二次图像增强处理、建立目标检测神经网络、进行数据训练获得最佳权重参数、板材图像AI检测。本发明旨在解决现有技术中对电致发光半导体板材表面进行缺陷检测时,由于受图像数据集质量和数量的限制,以及图像数据预处理方法单一,像素算法网络规模较小的制约,缺陷识别速度慢,精确度低,并且缺乏准确分类和定位能力的技术问题。本方法适用于硅、锗、砷化镓、碳化硅等半导体芯片、面板的检测。
Description
技术领域
本发明涉及一种表面缺陷AI检测方法,尤其涉及一种电致发光半导体板材表面缺陷AI检测方法,属于图像识别和无损检测领域。
背景技术
电致发光(英文electroluminescent)简称EL,EL检测是一种利用高分辨率的红外相机拍摄的近红外图像检测板材表面缺陷的测试技术,在光伏电站运维等领域具有关键作用,其中对于EL图像缺陷特征信息的识别,是检测过程的核心部分。
中国专利201810794758.5公开了一种太阳能电池片电致发光图像检测和缺陷识别方法,具体包括如下步骤:获得待检测的太阳能电池片电致发光图像,定位栅线并进行区域分割;删除栅线区域并重新组合图像,计算图像灰度值并进行二维构建;计算粒子群的类间离散度矩阵,确定当前最佳位置;更新粒子种群最优个体和粒子历史最优个体;利用混沌模型产生新的混沌变量;更新粒子群所有粒子的位置和速度,重新计算直到达到迭代次数;根据得到的最佳位置分割得到电池片缺陷图像,并进行缺陷识别。
中国专利201911187612.5公开了一种应用于光伏电站现场的EL缺陷检测方法,包括如下步骤:对获取的原始光伏组件的EL图像进行预处理,得到矫正后的电致发光图像;对矫正后的EL图像进行裁切,形成m×n规格的电池片;对得到的电池片进行灰度化、腐蚀、膨胀、二值化、像素运算的方式处理,根据像素投影找到可能出现的EL缺陷,进行缺陷分析。
上述方法,能够对电致发光图像进行分割、分类和组合处理,通过像素运算确定板材表面缺陷的种类。但受图像数据集质量和数量的限制,以及图像数据预处理方法单一和像素算法网络规模较小的制约,对于电致发光图像所显示的板材缺陷识别速度慢,精确度低,并且缺乏对同一板材表面不同类别缺陷的准确分类和定位能力。
发明内容
针对现有技术的不足,本发明旨在提供一种电致发光半导体板材表面缺陷AI检测方法,以期解决现有技术中图像数据单一、像素算法网络规模小、识别过程速度慢,精确度低以及缺乏缺陷的准确定位的技术问题。本方法适用于硅、锗、砷化镓、碳化硅等半导体芯片、面板的检测。
为解决上述技术问题,本发明公开一种电致发光半导体板材表面缺陷AI检测方法,包括以下顺序的步骤:
1、第一次图像增强处理
(1)输入包含缺陷的半导体板材电致发光图像,利用图像裁剪函数,将输入图像大小调整的像素为640×640的正方形图像;
(2)编写图像随机翻转算法,将图像水平方向和竖直方向翻转概率设为0.5,进行图像翻转并保存;
(3)编写图像随机旋转算法,设定步长为2°-10°,各个旋转方向是否旋转的概率设为0.5,以保证图像变化的随机性,进行图像旋转并保存;
(4)获得共计4倍于原输入图像数的互不相同的,像素为640×640为半导体板材缺陷图像,进行批量重命名。
2、图像缺陷标注和转化
(1)对半导体板材缺陷位置进行标注,获得每处缺陷对应的的图像信息;
(2)编写格式转化算法,将可扩展标记语言格式的缺陷信息转化为张量格式,张量前系数表示缺陷种类,对应卷积神经网络输入端所需格式;
(3)将缺陷图像标签和张量名称进行归一化处理,通过排序算法,使之按相同标签名顺序排列。
3、训练、验证和测试图像的随机分配
(1)编写随机取样算法,通过random.Sample函数对按序排列的图像以及对应标签进行遍历,以5-8:2-4:1的取样比例以随机步长取样;
(2)确定文件路径,将缺陷信息以张量形式保存在相应数据集中。
4、第二次图像增强处理
(1)设定程序每次对图像参数归一化处理时读取4-9个图片的数据;
(2)从训练集中随机取4-9张图片,进行随机分布、随机缩放和随机拼接处理。
5、建立目标检测神经网络
(1)采用自适应锚框计算方法,在初始锚框的基础上输出预测框,进而和真实框groundtruth进行比对,计算二者差值,再反向更新、迭代,对网络权重参数进行调整,每次训练时,以自适应方式输出训练集中的最佳锚框值;
(2)输入经过预处理的规格为3x640x640的图像,并复制4份,然后采用切片操作将复制的图像裁剪为4个3x320x320的切片;
(3)使用concat函数在图像深度方向上连接4个切片,获得规格为12x320x320输出图像;
(4)再通过卷积核数为32的卷积层,生成规格为32x320x320图像,再经过batch_borm函数和leaky_relu函数将输出结果输入到下一个卷积层;
(5)主干网络采用Resnet残差网络结构,经卷积核数为32的卷积层卷积后,通过残差结构与初始输入相加,并通过depth multiple函数控制模型的深度;
(6)将原输入分成两个分支,分别进行卷积操作使通道数减半,然后输入分支一进行瓶颈网络倍增操作,随后利用concat函数将输出分为输出分支一和输出分支二,从而使跨阶段局部网络的输入和输出图像特征大小相同;
(7)对高层特征图进行反卷积和反池化的上采样过程,特征融合采用直接相加的方法。使用自适应特征池化恢复每个候选区域和所有特征层次之间被破坏的信息路径,聚合每个特征层次上的每个候选区域,避免被任意分配;
(8)在spp层输入特征图像,经过1x1的卷积层后输出,然后经过并列的三个Maxpool进行下采样,将结果与其初始特征相加,输出结果。
6、数据训练获得最佳权重参数
(1)输入预处理完成的半导体板材电致发光图像,进行迭代训练;
(2)在每次迭代过程中,计算损失函数值,召回率recall(找对的正类/所有本应该被找对的正类)值和平均精度map(MeanAverage Precision)值,绘制折线统计图表;
(3)获得最佳参数权重文件,每次迭代后进行最佳参数的覆盖保存,获得最佳参数集文件,用于板材图像AI检测。
7、板材图像AI检测
输入由近红外相机直接拍摄的未经预处理的半导体板材EL图像,获取包含缺陷种类和位置信息的缺陷识别结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
(1)本发明采用AI检测技术,可以基于电致发光图像,检测板材有无隐裂、黑斑异常现象,并对缺陷位置进行定位标注。
(2)本发明在电致发光半导体板材图像数据集极为有限的情况下,对缺陷图像进行两次图像增强处理,在不影响缺陷定位准确度的情况下,显著提高了了数据集丰富度和识别精确度。
(3)本发明采用数据集随机分类算法,在两次图像增强之对数据进行张量形式的转化和分类处理,保证了用于训练、验证和测试的数据的排他性,从而提高了检测模型的稳定性,提高了目标识别的泛化能力。
(4)本发明采用残差神经网络、特征融合方法和跨阶段局部网络相结合的方法构建目标检测网络,在增加了模型复杂度和扩展了网络规模的同时,提高了识别精度、增强了模型鲁棒性、减少了内存消耗并提高了识别速度。
(5)本发明采用覆盖保存最佳权重配置的方法,保证了训练结果的有效性,提高了识别精度和识别速度。
附图说明
图1是分类损失函数均值图;
图2是召回率;
图3是平均精度值;
图4是隐裂光伏板检测结果;
图5是黑斑光伏板检测结果;
图6是隐裂和黑斑共存光伏板检测结果。
具体实施方式
为了使本发明的目的、技术方案的原理及优点更加清晰,以下结合附图及具体实施方案,对本发明进行进一步详细说明。在本实施方式中,所描述的具体实施方案仅仅用以解释本发明,并不用于限定本发明。
实施例
采用电致发光技术在碳化硅半导体平板表面照相,然后通过本发明所述方法进行缺陷检测,检测步骤如下:
采用电致发光技术在硅半导体光伏组件表面照相,然后通过本发明所述方法进行缺陷检测,检测步骤如下:
1、进行第一次图像增强处理
(1)输入500张包含黑斑和隐裂缺陷的半导体板材电致发光图像,利用图像裁剪函数,将输入图像大小调整的像素为640×640的正方形图像;
(2)设计图像随机翻转算法,将图像水平方向和竖直方向翻转概率设为0.5。进行图像翻转并保存;
(3)设计图像随机旋转算法,设定步长为5°,各个旋转方向是否旋转的概率设为0.5,以保证图像变化的随机性。进行图像旋转并保存;
(4)获得共计2000张互不相同的,像素为640×640为半导体板材黑斑和隐裂缺陷图像,进行0至2000的批量重命名操作。
2、进行图像缺陷标注和转化
(1)对半导体板材黑斑位置进行标注,获得每处缺陷对应的的图像信息;
(2)设计格式转化算法,将可扩展标记语言格式的缺陷信息转化为张量格式,张量前系数表示缺陷种类,对应卷积神经网络输入端所需格式;
(3)将缺陷图像标签和张量名称进行归一化处理,通过排序算法,使之按相同标签名顺序排列。
3、训练、验证和测试图像的随机分配
(1)设计随机取样算法,通过random.Sample函数对按序排列的图像以及对应标签进行遍历,以6:3:1的取样比例以随机步长取样;
(2)确定文件路径,将缺陷信息以张量形式保存在相应数据集中。
4、进行第二次图像增强处理
(1)设定程序每次对图像参数归一化处理时读取六个图片的数据;
(2)从训练集中随机取6张图片,进行随机分布、随机缩放和随机拼接处理。
5、建立目标检测神经网络
(1)采用自适应锚框计算方法,在初始锚框的基础上输出预测框,进而和真实框groundtruth进行比对,对二者差值进行计算,再反向更新、迭代,对网络权重参数进行调整,每次训练时,以自适应方式输出训练集中的最佳锚框值;
(2)输入经过预处理的规格为3x640x640的图像,并复制四份,然后采用切片操作将复制的四个图像裁剪为了四个3x320x320的切片;
(3)使用concat函数在图像深度方向上连接四个切片,获得规格为12x320x320输出图像;
(4)再通过卷积核数为32的卷积层,生成规格为32x320x320图像,再经过batch_borm函数和leaky_relu函数将输出结果输入到下一个卷积层;
(5)主干网络采用Resnet残差网络结构,经卷积核数为32的卷积层卷积后,通过残差结构与初始输入相加,并通过depth multiple函数控制模型的深度;
(6)将原输入分成两个分支,分别进行卷积操作使得通道数减半,然后分支一进行瓶颈网络倍增操作,随后利用concat函数将输出分为分支一和分支二,从而使得跨阶段局部网络的输入和输出图像特征大小相同;
(7)对高层特征图进行反卷积和反池化的上采样过程,特征融合采用直接相加的方法。使用自适应特征池化恢复每个候选区域和所有特征层次之间被破坏的信息路径,聚合每个特征层次上的每个候选区域,避免被任意分配;
(8)在spp层输入特征图像,经过1x1的卷积层后输出,然后经过并列的三个Maxpool进行下采样,将结果与其初始特征相加,输出结果。
6、数据训练获得最佳权重参数
(1)输入预处理完成的2000张半导体板材电致发光图像信息,进行100次迭代训练;
(2)在每次迭代过程中,计算损失函数值,召回率recall值和map(mean AveragePrecision)值,绘制折线统计图表;
(3)获得最佳参数权重文件,每次迭代后进行最佳参数的覆盖保存,获得最佳参数集文件,用于板材图像AI检测。
7、板材图像AI检测
输入由近红外相机直接拍摄的未经预处理的半导体板材EL图像,获取包含缺陷种类和位置信息的缺陷识别结果。平均每张像素640×640大小图像识别用时0.016秒。
测试效果:如图1-图6所示,在迭代数超过70次后,召回率(找对的正类/所有本应该被找对的正类)和map值达到约99.5%,并趋于稳定。损失函数值在100次迭代后降至0.02,可见该模型具有优异的缺陷识别能力。不仅识别了隐裂、黑斑单独存在的光伏板,也检测到了隐裂和黑斑共存在光伏板,并且对缺陷进行文字标识,方便对结果分析。
Claims (8)
1.一种电致发光半导体板材表面缺陷AI检测方法,其特征在于包括如下顺序的步骤:(1)第一次图像增强处理;(2)图像缺陷标注和转化;(3)训练、验证和测试图像的随机分配;(4)第二次图像增强处理;(5)建立目标检测神经网络;(6)数据训练获得最佳权重参数;(7)板材图像AI检测。
2.根据权利要求1所述的AI检测方法,其特征在于所述的第一次图像增强处理包括以下顺序的步骤:(1)输入包含缺陷的半导体板材电致发光图像,利用图像裁剪函数,将输入图像大小调整的像素为640×640的正方形图像;(2)编写图像随机翻转算法,将图像水平方向和竖直方向翻转概率设为0.5,进行图像翻转并保存;(3)编写图像随机旋转算法,设定步长为2°-10°,各个旋转方向是否旋转的概率设为0.5,以保证图像变化的随机性,进行图像旋转并保存;(4)获得共计4倍于原输入图像数的互不相同的,像素为640×640为半导体板材缺陷图像,进行批量重命名。
3.根据权利要求1所述的AI检测方法,其特征在于所述的图像缺陷标注和转化包括以下顺序的步骤:(1)对半导体板材缺陷位置进行标注,获得每处缺陷对应的的图像信息;(2)编写格式转化算法,将可扩展标记语言格式的缺陷信息转化为张量格式,张量前系数表示缺陷种类,对应卷积神经网络输入端所需格式;(3)将缺陷图像标签和张量名称进行归一化处理,通过排序算法,使之按相同标签名顺序排列。
4.根据权利要求1所述的AI检测方法,其特征在于所述的训练、验证和测试图像的随机分配包括以下顺序的步骤:(1)编写随机取样算法,通过random.Sample函数对按序排列的图像以及对应标签进行遍历,以5-8:2-4:1的取样比例以随机步长取样;(2)确定文件路径,将缺陷信息以张量形式保存在相应数据集中。
5.根据权利要求1所述的AI检测方法,其特征在于所述的第二次图像增强处理包括以下顺序的步骤:(1)设定程序每次对图像参数归一化处理时读取4-9个图片的数据;(2)从训练集中随机取4-9个张图片,进行随机分布、随机缩放和随机拼接处理。
6.根据权利要求1所述的AI检测方法,其特征在于所述的建立目标检测神经网络包括以下顺序的步骤:(1)采用自适应锚框计算方法,在初始锚框的基础上输出预测框,进而和真实框groundtruth比对,计算二者差值,再反向更新、迭代,对网络权重参数进行调整;每次训练时,以自适应方式输出训练集中的最佳锚框值;(2)输入经过预处理的规格为3x640x640的图像,并复制4份,然后采用切片操作将复制的图像裁剪为4个3x320x320的切片;(3)使用concat函数在图像深度方向上连接4个切片,获得规格为12x320x320输出图像;(4)通过卷积核数为32的卷积层,生成规格为32x320x320图像,再经过batch_borm函数和leaky_relu函数将输出结果输入到下一个卷积层;(5)主干网络采用Resnet残差网络结构,经卷积核数为32的卷积层卷积后,通过残差结构与初始输入相加,并通过depth multiple函数控制模型的深度;(6)将原输入分成两个分支,分别进行卷积操作使通道数减半,然后输入分支一进行瓶颈网络倍增操作,随后利用concat函数将输出分为输出分支一和输出分支二,从而使跨阶段局部网络的输入和输出图像特征大小相同;(7)对高层特征图进行反卷积和反池化的上采样过程,特征融合采用直接相加的方法,使用自适应特征池化恢复每个候选区域和所有特征层次之间被破坏的信息路径,聚合每个特征层次上的每个候选区域,避免被任意分配;(8)在spp层输入特征图像,经过1x1的卷积层后输出,然后经过并列的三个Maxpool进行下采样,将结果与其初始特征相加,输出结果。
7.根据权利要求1所述的AI检测方法,其特征在于所述的数据训练获得最佳权重参数包括以下顺序的步骤:(1)输入预处理完成的半导体板材电致发光图像,进行迭代训练;(2)在每次迭代过程中,计算损失函数值,召回率recall(找对的正类/所有本应该被找对的正类)值和平均精度map(mean Average Precision)值,绘制折线统计图表;(3)获得最佳参数权重文件,每次迭代后进行最佳参数的覆盖保存,获得最佳参数集文件,用于板材图像AI检测。
8.根据权利要求1所述的AI检测方法,其特征在于所述的板材图像AI检测是:输入由近红外相机直接拍摄的未经预处理的半导体板材EL图像,获取包含缺陷种类和位置信息的缺陷识别结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137952.4A CN113822870A (zh) | 2021-09-27 | 2021-09-27 | 一种电致发光半导体板材表面缺陷ai检测方法 |
NL2030315A NL2030315B1 (en) | 2021-09-27 | 2021-12-28 | Computer-implemented ai method for detecting surface defects of electroluminescent semiconductor panel |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137952.4A CN113822870A (zh) | 2021-09-27 | 2021-09-27 | 一种电致发光半导体板材表面缺陷ai检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113822870A true CN113822870A (zh) | 2021-12-21 |
Family
ID=78921352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111137952.4A Pending CN113822870A (zh) | 2021-09-27 | 2021-09-27 | 一种电致发光半导体板材表面缺陷ai检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113822870A (zh) |
NL (1) | NL2030315B1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114235759A (zh) * | 2022-02-25 | 2022-03-25 | 季华实验室 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
WO2023208091A1 (zh) * | 2022-04-29 | 2023-11-02 | 上海微电子装备(集团)股份有限公司 | 检测配方设置与优化方法、装置、电子设备和存储介质 |
CN117664909A (zh) * | 2024-01-30 | 2024-03-08 | 上海优珏新型装饰材料有限公司 | 基于近红外光谱的热循环板材无损检测方法 |
-
2021
- 2021-09-27 CN CN202111137952.4A patent/CN113822870A/zh active Pending
- 2021-12-28 NL NL2030315A patent/NL2030315B1/en active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114235759A (zh) * | 2022-02-25 | 2022-03-25 | 季华实验室 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
WO2023208091A1 (zh) * | 2022-04-29 | 2023-11-02 | 上海微电子装备(集团)股份有限公司 | 检测配方设置与优化方法、装置、电子设备和存储介质 |
CN117664909A (zh) * | 2024-01-30 | 2024-03-08 | 上海优珏新型装饰材料有限公司 | 基于近红外光谱的热循环板材无损检测方法 |
CN117664909B (zh) * | 2024-01-30 | 2024-04-16 | 上海优珏新型装饰材料有限公司 | 基于近红外光谱的热循环板材无损检测方法 |
Also Published As
Publication number | Publication date |
---|---|
NL2030315B1 (en) | 2023-01-13 |
NL2030315A (en) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822870A (zh) | 一种电致发光半导体板材表面缺陷ai检测方法 | |
Akram et al. | CNN based automatic detection of photovoltaic cell defects in electroluminescence images | |
CN111127452A (zh) | 一种基于云端处理的集装箱智能ocr识别方法 | |
CN111914767B (zh) | 一种基于多源遥感数据的散乱污企业检测方法及系统 | |
CN114120317B (zh) | 基于深度学习和图像处理的光学元件表面损伤识别方法 | |
CN113781466B (zh) | 基于多尺度注意力密集网络的太阳能电池板缺陷识别方法 | |
CN114862814A (zh) | 太阳能电池板缺陷检测方法及系统、存储介质及终端 | |
Sovetkin et al. | Automatic processing and solar cell detection in photovoltaic electroluminescence images | |
CN114742818A (zh) | 一种基于工业面阵摄像头视觉缺陷检测系统及其检测方法 | |
CN116681962A (zh) | 基于改进YOLOv5的电力设备热图像检测方法及系统 | |
Hoffmann et al. | Deep‐learning‐based pipeline for module power prediction from electroluminescense measurements | |
Ying et al. | Automatic detection of photovoltaic module cells using multi-channel convolutional neural network | |
CN114973032A (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
CN114972225A (zh) | 一种基于深度学习的两阶段光伏板缺陷检测方法 | |
CN111275682A (zh) | 集装箱检测方法、装置及计算机可读存储介质 | |
CN114998216A (zh) | 透明件表面缺陷快速检测方法及装置 | |
CN116205918B (zh) | 基于图卷积的多模态融合半导体检测方法、装置及介质 | |
CN114612468B (zh) | 一种基于正样本的设备外部缺陷检测方法 | |
CN116051530A (zh) | 基于图像修复的半监督光伏电池表面异常检测方法 | |
CN115526860A (zh) | 电池片缺陷检测方法、装置、计算机设备及可读存储介质 | |
CN112927222B (zh) | 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法 | |
CN112419244B (zh) | 混凝土裂缝分割方法及装置 | |
KR102426275B1 (ko) | 태양전지 셀에 대한 이미지 분류 방법 및 장치 | |
CN111861889A (zh) | 基于语义分割的太阳能电池片图像自动拼接方法及系统 | |
CN112200762A (zh) | 二极管玻壳缺陷检测方法 |
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 |