CN115212790B - 用于光阻剥离液生产的自动配料系统及其配料方法 - Google Patents
用于光阻剥离液生产的自动配料系统及其配料方法 Download PDFInfo
- Publication number
- CN115212790B CN115212790B CN202210772607.6A CN202210772607A CN115212790B CN 115212790 B CN115212790 B CN 115212790B CN 202210772607 A CN202210772607 A CN 202210772607A CN 115212790 B CN115212790 B CN 115212790B
- Authority
- CN
- China
- Prior art keywords
- feature
- vector
- matrix
- characteristic
- map
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/20—Measuring; Control or regulation
- B01F35/22—Control or regulation
- B01F35/2201—Control or regulation characterised by the type of control technique used
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/80—Forming a predetermined ratio of the substances to be mixed
- B01F35/81—Forming mixtures with changing ratios or gradients
-
- 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
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Photosensitive Polymer And Photoresist Processing (AREA)
- Image Analysis (AREA)
- Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
Abstract
本申请涉及智能生产配料的领域,其具体地公开了一种用于光阻剥离液生产的自动配料系统及其配料方法,其通过深度神经网络模型作为特征提取器来提取作为理想被剥离的印刷电路板的表面特征作为参考,并基于此参考特征来对加入氢氧化物及碱金属胺类的组合物的比例进行智能准确地判断。这样就可以避免发生印刷电路中金属图形的腐蚀以及下部侵蚀的情况,进而能够在提高剥离效果的同时,避免其引入难以接受的负面效果。
Description
技术领域
本发明涉智能生产配料的领域,且更为具体地,涉及一种用于光阻剥离液生产的自动配料系统及其配料方法。
背景技术
在硅基材料制造工艺中,通常先在二氧化硅、铜等材料表面上铺设形成光阻的涂层,并利用适当的掩膜进行曝光、显影,根据所用光阻的特性,除去曝光或者未曝光部分的光阻,在所要求的部位形成光阻图案。光阻剥离液用于将涂覆在微电路保护区域上作为掩膜的光阻除去,它是硅基材料进行光阻化学清洗过程所需的常用化学品。
例如,在印刷电路板(Pr i nted C i rcu it Board,PCB)的制备过程中,其首先在基板上涂覆干膜,曝光显影工程后进行蚀刻以形成电路;之后,从基板上部使用剥离液玻璃去除上述干膜以形成该印刷电路板。
为了提高光阻剥离液的剥离效果,通常在光阻剥离液中加入氢氧化物及碱金属胺类的组合物,但是随着提高的剥离性,会引发金属图形的腐蚀、下部被侵蚀等问题。
因此,期待一种用于光阻剥离液生产的自动配料系统,其能够基于被剥离的印刷电路板的表面情况来智能地确定氢氧化物及碱金属胺类的组合物的加入比例,以在提高剥离效果的同时,避免其引入难以接受的负面效果。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于光阻剥离液生产的自动配料系统及其配料方法,其通过深度神经网络模型作为特征提取器来提取作为理想被剥离的印刷电路板的表面特征作为参考,并基于此参考特征来对加入氢氧化物及碱金属胺类的组合物的比例进行智能准确地判断。这样就可以避免发生印刷电路中金属图形的腐蚀以及下部侵蚀的情况,进而能够在提高剥离效果的同时,避免其引入难以接受的负面效果。
根据本申请的一个方面,提供了一种用于光阻剥离液生产的自动配料系统,其包括:
结局参考数据获取模块,用于获取参考图像,所述参考图像为被理想剥离处理后的PCB板图像;
参考数据编码模块,用于将所述参考图像通过使用空间注意力机制的第一卷积神经网络以得到参考特征矩阵;
配料数据获取模块,用于获取待配料的光阻剥离液中各个组分的质量百分比;
配料数据关联编码模块,用于将所述待配料的光阻剥离液中各个组分的质量百分比通过上下文编码器以得到配方特征向量;
自注意力校正模块,用于基于所述参考特征矩阵对所述配方特征向量进行特征分布校正以得到校正后配方特征向量;
映射模块,用于将所述校正后配方特征向量与所述参考特征矩阵进行向量相乘以将所述参考特征矩阵的高维特征信息映射到所述校正后配方特征向量的高维特征空间中以得到分类特征向量;以及
配料结果生成模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否加入氢氧化物,以及,是否加入碱金属胺类。
在上述用于光阻剥离液生产的自动配料系统中,所述参考数据编码模块,进一步用于使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行:对所述参考图像进行卷积处理以得到卷积特征图;将所述卷积特征图通过所述第一卷积神经网络的空间注意力模块以得到空间注意力得分图;将所述空间注意力得分图与所述卷积特征图进行按位置点乘以得到空间注意特征图;对所述空间注意力特征图进行沿通道维度的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络的最后一层的输出为所述参考特征矩阵。
在上述用于光阻剥离液生产的自动配料系统中,所述参考数据编码模块,进一步用于:将所述卷积特征图通过所述空间注意力模块的卷积层以得到空间注意力图;以及,将所述空间注意力图输入Sigmoid激活函数以得到所述空间注意力得分图,其中,所述空间注意力得分图中各个位置的值在0到1的区间内。
在上述用于光阻剥离液生产的自动配料系统中,所述配料数据关联编码模块,包括:嵌入编码单元,用于使用所述上下文编码器的嵌入层将所述待配料的光阻剥离液中各个组分的质量百分比转化为输入向量以获得嵌入输入向量;以及,上下文编码单元,用于使用所述上下文编码器的转换器对所述嵌入输入向量进行基于全局的上下文语义编码以获得所述配方特征向量。
在上述用于光阻剥离液生产的自动配料系统中,所述自注意力校正模块,包括:第一预分类单元,用于将所述配方特征向量通过所述分类器以得到第一类概率值;空间交互单元,用于计算所述参考特征矩阵与所述配方特征向量之间的向量乘积以得到空间交互矩阵;度量单元,用于计算所述参考特征矩阵和所述配方特征向量之间的度量距离,所述度量距离为所述配方特征向量向量的各个元素与所述参考特征矩阵的各个元素之间的欧式距离的加和值除以所述配特征向量向量的元素的总数与所述参考特征矩阵的元素的总数之间的乘积;修正单元,用于以所述空间交互矩阵除以所述度量矩阵以得到修正特征矩阵;指数运算单元,用于计算以所述修正特征矩阵中各个位置的特征值为幂的自然指数函数值以得到指数修正特征矩阵;以及,第二预分类单元,用于将所述指数修正特征矩阵通过所述分类器以得到第二类概率;加权修正单元,用于以所述第一类概率和所述第二类概率之间的乘积作为加权系数对所述配方特征向量进行按位置点乘以得到所述校正后配方特征向量。
在上述用于光阻剥离液生产的自动配料系统中,所述第二预分类单元,包括:降维子单元,用于使用所述分类器的全连接层对所述指数修正特征矩阵进行全连接编码以将所述指数修正特征矩阵转化为一维的分类向量;以及,预分类结果生成子单元,用于将所述一维的分类向量输入所述分类器的Softmax分类函数以得到所述第二类概率。
在上述用于光阻剥离液生产的自动配料系统中,所述配料结果生成模块,进一步用于:使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述分类特征向量。
根据本申请的另一方面,一种用于光阻剥离液生产的自动配料系统的配料方法,其包括:
获取参考图像,所述参考图像为被理想剥离处理后的PCB板图像;
将所述参考图像通过使用空间注意力机制的第一卷积神经网络以得到参考特征矩阵;
获取待配料的光阻剥离液中各个组分的质量百分比;
将所述待配料的光阻剥离液中各个组分的质量百分比通过上下文编码器以得到配方特征向量;
基于所述参考特征矩阵对所述配方特征向量进行特征分布校正以得到校正后配方特征向量;
将所述校正后配方特征向量与所述参考特征矩阵进行向量相乘以将所述参考特征矩阵的高维特征信息映射到所述校正后配方特征向量的高维特征空间中以得到分类特征向量;以及
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否加入氢氧化物,以及,是否加入碱金属胺类。
在上述用于光阻剥离液生产的自动配料系统的配料方法中,将所述参考图像通过使用空间注意力机制的第一卷积神经网络以得到参考特征矩阵,包括:使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行:对所述参考图像进行卷积处理以得到卷积特征图;将所述卷积特征图通过所述第一卷积神经网络的空间注意力模块以得到空间注意力得分图;将所述空间注意力得分图与所述卷积特征图进行按位置点乘以得到空间注意特征图;对所述空间注意力特征图进行沿通道维度的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络的最后一层的输出为所述参考特征矩阵。
在上述用于光阻剥离液生产的自动配料系统的配料方法中,将所述参考图像通过使用空间注意力机制的第一卷积神经网络以得到参考特征矩阵,包括:将所述卷积特征图通过所述空间注意力模块的卷积层以得到空间注意力图;以及,将所述空间注意力图输入Sigmoid激活函数以得到所述空间注意力得分图,其中,所述空间注意力得分图中各个位置的值在0到1的区间内。
在上述用于光阻剥离液生产的自动配料系统的配料方法中,将所述待配料的光阻剥离液中各个组分的质量百分比通过上下文编码器以得到配方特征向量,包括:使用所述上下文编码器的嵌入层将所述待配料的光阻剥离液中各个组分的质量百分比转化为输入向量以获得嵌入输入向量;以及,使用所述上下文编码器的转换器对所述嵌入输入向量进行基于全局的上下文语义编码以获得所述配方特征向量。
在上述用于光阻剥离液生产的自动配料系统的配料方法中,基于所述参考特征矩阵对所述配方特征向量进行特征分布校正以得到校正后配方特征向量,包括:将所述配方特征向量通过所述分类器以得到第一类概率值;计算所述参考特征矩阵与所述配方特征向量之间的向量乘积以得到空间交互矩阵;计算所述参考特征矩阵和所述配方特征向量之间的度量距离,所述度量距离为所述配方特征向量向量的各个元素与所述参考特征矩阵的各个元素之间的欧式距离的加和值除以所述配特征向量向量的元素的总数与所述参考特征矩阵的元素的总数之间的乘积;以所述空间交互矩阵除以所述度量矩阵以得到修正特征矩阵;计算以所述修正特征矩阵中各个位置的特征值为幂的自然指数函数值以得到指数修正特征矩阵;将所述指数修正特征矩阵通过所述分类器以得到第二类概率;以所述第一类概率和所述第二类概率之间的乘积作为加权系数对所述配方特征向量进行按位置点乘以得到所述校正后配方特征向量。
在上述用于光阻剥离液生产的自动配料系统的配料方法中,将所述指数修正特征矩阵通过所述分类器以得到第二类概率,包括:使用所述分类器的全连接层对所述指数修正特征矩阵进行全连接编码以将所述指数修正特征矩阵转化为一维的分类向量;以及,将所述一维的分类向量输入所述分类器的Softmax分类函数以得到所述第二类概率。
在上述用于光阻剥离液生产的自动配料系统的配料方法中,将所述分类特征向量通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述分类特征向量。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于光阻剥离液生产的自动配料系统的配料方法。
与现有技术相比,本申请提供的用于光阻剥离液生产的自动配料系统及其配料方法,其通过深度神经网络模型作为特征提取器来从被剥离的印刷电路板的表面特征和待配料的光阻剥离液中各个组分的含量特征入手,以对于加入氢氧化物及碱金属胺类的组合物的比例进行智能准确地判断。这样就可以避免发生印刷电路中金属图形的腐蚀以及下部侵蚀的情况,进而能够在提高剥离效果的同时,避免其引入难以接受的负面效果。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于光阻剥离液生产的自动配料系统的应用场景图。
图2为根据本申请实施例的用于光阻剥离液生产的自动配料系统的框图。
图3为根据本申请实施例的用于光阻剥离液生产的自动配料系统中自注意力校正模块的框图。
图4为根据本申请实施例的用于光阻剥离液生产的自动配料系统的配料方法的流程图。
图5为根据本申请实施例的用于光阻剥离液生产的自动配料系统的配料方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,在硅基材料制造工艺中,通常先在二氧化硅、铜等材料表面上铺设形成光阻的涂层,并利用适当的掩膜进行曝光、显影,根据所用光阻的特性,除去曝光或者未曝光部分的光阻,在所要求的部位形成光阻图案。光阻剥离液用于将涂覆在微电路保护区域上作为掩膜的光阻除去,它是硅基材料进行光阻化学清洗过程所需的常用化学品。
例如,在印刷电路板(Pr i nted C i rcu it Board,PCB)的制备过程中,其首先在基板上涂覆干膜,曝光显影工程后进行蚀刻以形成电路;之后,从基板上部使用剥离液玻璃去除上述干膜以形成该印刷电路板。
为了提高光阻剥离液的剥离效果,通常在光阻剥离液中加入氢氧化物及碱金属胺类的组合物,但是随着提高的剥离性,会引发金属图形的腐蚀、下部被侵蚀等问题。
因此,期待一种用于光阻剥离液生产的自动配料系统,其能够基于被剥离的印刷电路板的表面情况来智能地确定氢氧化物及碱金属胺类的组合物的加入比例,以在提高剥离效果的同时,避免其引入难以接受的负面效果。
相应地,本申请发明人考虑到在确定氢氧化物及碱金属胺类的组合物的加入比例时,需考虑理想被剥离的印刷电路板的表面特征和待配料的光阻剥离液的配方隐含特征,这本质上是一个分类的问题,也就是,基于深度神经网络模型来对这两方面的特征进行深层次的挖掘,并在特征融合后进行分类,来对于当前光阻剥离液中各个组分的含量中还是否需要加入氢氧化物,以及碱金属胺类进行分类判断,从而在提高剥离效果的同时,避免其引入难以接受的负面效果。
在本申请的技术方案中,选择将被理想剥离处理后的PCB板图像作为参考图像。相应地,在一个具体的示例中,所述被理想剥离处理后的PCB板图像为由电脑辅助制图软件设计的标准图像。然后,使用卷积神经网络作为特征提取器来提取所述参考图像中被剥离处理后对象的特征,包括印刷电路的图案、印刷电路的材料、印花电路的直径等。特别地,由于在所述参考图像中,需要更加关注到印刷电路的特征信息,例如印刷电路的材料、印刷电路的图案清晰度等,因此,使用在空间关联特征提取上更具有优势的具有空间注意力机制的第一卷积神经网络模型来对所述参考图像进行深层特征挖掘,以得到参考特征矩阵。
相应地,在本申请的技术方案中,光阻剥离液的配方为:羟胺类、超纯水、酸度系数为7.5至13的胺类、水溶性有机溶剂、防腐剂、氢氧化物和碱金属胺类。考虑到所述光阻剥离液中各个组分之间都存在着关联关系,一个组分增多那么其他的组分百分比也会发生变化,因此若想智能地控制氢氧化物及碱金属胺类的组合物的加入比例,以在提高剥离效果的同时,避免其引入难以接受的负面效果,就需要对于这些组分之间的关联特征以及这些所述组分基于全局性的关联特征进行深层挖掘。具体地,首先,获取待配料的光阻剥离液中各个组分的质量百分比。然后,使用上下文编码器对所述待配料的光阻剥离液中各个组分的质量百分比进行编码以提取所述待配料的光阻剥离液中各个组分的质量百分比之间的基于全局的高维语义特征以更适于表征所述各个组分的含量的本质特征,从而获得配方特征向量。
这样,将所述配方特征向量与所述参考特征矩阵进行向量相乘,就可以将所述参考特征矩阵的高维特征信息映射到所述配方特征向量的高维特征空间中,再进行分类就可以获得用于表示是否加入氢氧化物,以及,是否加入碱金属胺类的分类结果。但是,在将所述配方特征向量映射到所述参考特征矩阵的特征空间中时,由于所述参考特征矩阵通过使用空间注意力机制的卷积神经网络得到,在本身图像语义密度的基础上进一步经由空间注意力机制来在空间维度上提高了数据表达密度,相对于所述配方特征向量由于词嵌入阶段转换为向量的数据稀疏表达,所述参考特征矩阵在信息密度方面远高于所述配方特征向量,因此,如果直接将所述参考特征矩阵乘以所述配方特征向量,则所述映射可能存在数据密度度方面的偏差。
基于此,在本申请的技术方案中,对所述配方特征向量进行基于自注意力的数据密集修正,表示为:
其中V是所述配方特征向量,M是所述参考特征矩阵,softmax(·)表示特征向量通过分类器得到的概率值,且d(M,V)是向量和矩阵之间的距离,可以表示为向量的各个点与矩阵的各个点之间的距离和除以向量的点数与矩阵的点数的乘积。
这样,该基于自注意力的数据密集修正可以使能所述参考特征矩阵与所述配方特征向量间的基于映射关系的空间交互,并通过数据集之间的相异性的度量来表达数据密集对象实例之间的相似度,从而使得修正后的配方特征向量通过提高对数据密集的自适应依赖来提升其对于分类目标函数的密集自适应性,以便提高映射后的分类特征向量的分类能力,进而提高分类的准确性。
基于此,本申请提出了一种用于光阻剥离液生产的自动配料系统,其包括:结局参考数据获取模块,用于获取参考图像,所述参考图像为被理想剥离处理后的PCB板图像;参考数据编码模块,用于将所述参考图像通过使用空间注意力机制的第一卷积神经网络以得到参考特征矩阵;配料数据获取模块,用于获取待配料的光阻剥离液中各个组分的质量百分比;配料数据关联编码模块,用于将所述待配料的光阻剥离液中各个组分的质量百分比通过上下文编码器以得到配方特征向量;自注意力校正模块,用于基于所述参考特征矩阵对所述配方特征向量进行特征分布校正以得到校正后配方特征向量;映射模块,用于将所述校正后配方特征向量与所述参考特征矩阵进行向量相乘以将所述参考特征矩阵的高维特征信息映射到所述校正后配方特征向量的高维特征空间中以得到分类特征向量;以及,配料结果生成模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否加入氢氧化物,以及,是否加入碱金属胺类。
图1图示了根据本申请实施例的用于光阻剥离液生产的自动配料系统的应用场景图。如图1所示,在该应用场景中,首先,从电脑辅助制图设计软件(例如,如图1中所示意的C)获取PCB板被光阻剥离液剥离后的理想参考图像(例如,如图1中所示意的R1)。接着,通过部署于用于光阻剥离液生产的自动配料设备(例如,如图1中所示意的E)中的传感器(例如,如图1中所示意的质量检测仪T)获取待配料的光阻剥离液(例如,如图1中所示意的P)中各个组分的质量百分比。然后,将获得的所述参考图像以及所述待配料的光阻剥离液中各个组分的质量百分比输入至部署有用于光阻剥离液生产的自动配料算法的服务器中(例如,如图1中所示意的云服务器S),其中,所述服务器能够以用于光阻剥离液生产的自动配料算法对所述参考图像以及所述待配料的光阻剥离液中各个组分的质量百分比进行处理,以生成用于表示是否加入氢氧化物,以及,是否加入碱金属胺类的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的用于光阻剥离液生产的自动配料系统的框图。如图2所示,根据本申请实施例的用于光阻剥离液生产的自动配料系统200,包括:结局参考数据获取模块210,用于获取参考图像,所述参考图像为被理想剥离处理后的PCB板图像;参考数据编码模块220,用于将所述参考图像通过使用空间注意力机制的第一卷积神经网络以得到参考特征矩阵;配料数据获取模块230,用于获取待配料的光阻剥离液中各个组分的质量百分比;配料数据关联编码模块240,用于将所述待配料的光阻剥离液中各个组分的质量百分比通过上下文编码器以得到配方特征向量;自注意力校正模块250,用于基于所述参考特征矩阵对所述配方特征向量进行特征分布校正以得到校正后配方特征向量;映射模块260,用于将所述校正后配方特征向量与所述参考特征矩阵进行向量相乘以将所述参考特征矩阵的高维特征信息映射到所述校正后配方特征向量的高维特征空间中以得到分类特征向量;以及,配料结果生成模块270,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否加入氢氧化物,以及,是否加入碱金属胺类。
具体地,在本申请实施例中,所述结局参考数据获取模块210和所述参考数据编码模块220,用于获取参考图像,所述参考图像为被理想剥离处理后的PCB板图像,并将所述参考图像通过使用空间注意力机制的第一卷积神经网络以得到参考特征矩阵。如前所述,考虑到若想智能地确定氢氧化物及碱金属胺类的组合物的加入比例,就需要对于被剥离的印刷电路板的表面特征和待配料的光阻剥离液中各个组分的含量特征进行挖掘,这本质上是一个分类的问题,也就是,在本申请的技术方案中,可以基于深度神经网络模型来对这两方面的特征进行深层次的挖掘,并在特征融合后进行分类,来对于当前光阻剥离液中各个组分的含量中还是否需要加入氢氧化物,以及碱金属胺类进行分类判断,从而在提高剥离效果的同时,避免其引入难以接受的负面效果。
也就是,具体地,在本申请的技术方案中,考虑到所述被剥离的印刷电路板的表面情况能够基于被剥离后的PCB板的图像来表征,因此,在本申请的技术方案中,选择将被理想剥离处理后的PCB板图像作为参考图像。相应地,在一个具体的示例中,所述被理想剥离处理后的PCB板图像为由电脑辅助制图软件设计的标准图像。然后,使用卷积神经网络作为特征提取器来提取所述参考图像中被剥离处理后对象的特征,包括印刷电路的图案、印刷电路的材料、印花电路的直径等。特别地,由于在所述参考图像中,需要更加关注到印刷电路的特征信息,例如印刷电路的材料、印刷电路的图案清晰度等,因此,进一步使用在空间关联特征提取上更具有优势的具有空间注意力机制的第一卷积神经网络模型来对所述参考图像进行深层特征挖掘,以得到参考特征矩阵。
更具体地,在本申请的实施例中,所述参考数据编码模块,进一步用于使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行:首先,对所述参考图像进行卷积处理以得到卷积特征图。接着,将所述卷积特征图通过所述第一卷积神经网络的空间注意力模块以得到空间注意力得分图。相应地,在一个具体示例中,将所述卷积特征图通过所述空间注意力模块的卷积层以得到空间注意力图;并且将所述空间注意力图输入Sigmoid激活函数以得到所述空间注意力得分图,其中,所述空间注意力得分图中各个位置的值在0到1的区间内。然后,将所述空间注意力得分图与所述卷积特征图进行按位置点乘以得到空间注意特征图。接着,对所述空间注意力特征图进行沿通道维度的均值池化以得到池化特征图。最后,对所述池化特征图进行非线性激活以得到激活特征图。其中,所述第一卷积神经网络的最后一层的输出为所述参考特征矩阵。
具体地,在本申请实施例中,所述配料数据获取模块230和所述配料数据关联编码模块240,用于获取待配料的光阻剥离液中各个组分的质量百分比,并将所述待配料的光阻剥离液中各个组分的质量百分比通过上下文编码器以得到配方特征向量。应可以理解,在本申请的技术方案中,所述光阻剥离液的配方为:羟胺类、超纯水、酸度系数为7.5至13的胺类、水溶性有机溶剂、防腐剂、氢氧化物和碱金属胺类,考虑到所述光阻剥离液中各个组分之间都存在着关联关系,一个组分增多那么其他的组分百分比也会发生变化,因此若想智能地控制氢氧化物及碱金属胺类的组合物的加入比例,以在提高剥离效果的同时,避免其引入难以接受的负面效果,就需要对于这些组分之间的关联特征以及这些所述组分基于全局性的关联特征进行深层挖掘。也就是,在本申请的技术方案中,首先,获取待配料的光阻剥离液中各个组分的质量百分比,其中,所述待配料的光阻剥离液中各个组分为:羟胺类、超纯水、酸度系数为7.5至13的胺类、水溶性有机溶剂、防腐剂、氢氧化物和碱金属胺类。然后,使用上下文编码器对所述待配料的光阻剥离液中各个组分的质量百分比进行编码,以提取所述待配料的光阻剥离液中各个组分的质量百分比之间的基于全局的高维语义特征以更适于表征所述各个组分的含量的本质特征,从而获得配方特征向量。
更具体地,在本申请实施例中,所述配料数据关联编码模块,包括:嵌入编码单元,用于使用所述上下文编码器的嵌入层将所述待配料的光阻剥离液中各个组分的质量百分比转化为输入向量以获得嵌入输入向量;上下文编码单元,用于使用所述上下文编码器的转换器对所述嵌入输入向量进行基于全局的上下文语义编码以获得所述配方特征向量。
具体地,在本申请实施例中,所述自注意力校正模块250,用于基于所述参考特征矩阵对所述配方特征向量进行特征分布校正以得到校正后配方特征向量。应可以理解,在本申请的技术方案中,进一步将所述配方特征向量与所述参考特征矩阵进行向量相乘,就可以将所述参考特征矩阵的高维特征信息映射到所述配方特征向量的高维特征空间中,再进行分类就可以获得用于表示是否加入氢氧化物,以及,是否加入碱金属胺类的分类结果。但是,在将所述配方特征向量映射到所述参考特征矩阵的特征空间中时,由于所述参考特征矩阵通过使用空间注意力机制的卷积神经网络得到,在本身图像语义密度的基础上进一步经由空间注意力机制来在空间维度上提高了数据表达密度,相对于所述配方特征向量由于词嵌入阶段转换为向量的数据稀疏表达,所述参考特征矩阵在信息密度方面远高于所述配方特征向量,因此,如果直接将所述参考特征矩阵乘以所述配方特征向量,则所述映射可能存在数据密度度方面的偏差。因此,在本申请的技术方案中,进一步基于所述参考特征矩阵对所述配方特征向量进行基于自注意力的数据密集修正,以获得校正后配方特征向量。在一个具体示例中,基于所述参考特征矩阵对所述配方特征向量进行特征分布校正的公式表示为:
其中V是所述配方特征向量,M是所述参考特征矩阵,softmax(·)表示特征向量通过分类器得到的概率值,且d(M,V)是向量和矩阵之间的距离,可以表示为向量的各个点与矩阵的各个点之间的距离和除以向量的点数与矩阵的点数的乘积。
更具体地,在本申请实施例中,所述自注意力校正模块,包括:首先,将所述配方特征向量通过所述分类器以得到第一类概率值。接着,计算所述参考特征矩阵与所述配方特征向量之间的向量乘积以得到空间交互矩阵。然后,计算所述参考特征矩阵和所述配方特征向量之间的度量距离,所述度量距离为所述配方特征向量向量的各个元素与所述参考特征矩阵的各个元素之间的欧式距离的加和值除以所述配特征向量向量的元素的总数与所述参考特征矩阵的元素的总数之间的乘积。接着,以所述空间交互矩阵除以所述度量矩阵以得到修正特征矩阵。然后,计算以所述修正特征矩阵中各个位置的特征值为幂的自然指数函数值以得到指数修正特征矩阵。接着,将所述指数修正特征矩阵通过所述分类器以得到第二类概率。相应地,在一个具体示例中,其包括:降维子单元,用于使用所述分类器的全连接层对所述指数修正特征矩阵进行全连接编码以将所述指数修正特征矩阵转化为一维的分类向量;以及,预分类结果生成子单元,用于将所述一维的分类向量输入所述分类器的Softmax分类函数以得到所述第二类概率。最后,以所述第一类概率和所述第二类概率之间的乘积作为加权系数对所述配方特征向量进行按位置点乘以得到所述校正后配方特征向量。应可以理解,这样,通过该所述基于自注意力的数据密集修正可以使能所述参考特征矩阵与所述配方特征向量间的基于映射关系的空间交互,并通过数据集之间的相异性的度量来表达数据密集对象实例之间的相似度,从而使得所述修正后的配方特征向量通过提高对数据密集的自适应依赖来提升其对于分类目标函数的密集自适应性,以便提高映射后的分类特征向量的分类能力,进而提高分类的准确性。
图3图示了根据本申请实施例的用于光阻剥离液生产的自动配料系统中自注意力校正模块的框图。如图3所示,所述自注意力校正模块250,包括:第一预分类单元251,用于将所述配方特征向量通过所述分类器以得到第一类概率值;空间交互单元252,用于计算所述参考特征矩阵与所述配方特征向量之间的向量乘积以得到空间交互矩阵;度量单元253,用于计算所述参考特征矩阵和所述配方特征向量之间的度量距离,所述度量距离为所述配方特征向量向量的各个元素与所述参考特征矩阵的各个元素之间的欧式距离的加和值除以所述配特征向量向量的元素的总数与所述参考特征矩阵的元素的总数之间的乘积;修正单元254,用于以所述空间交互矩阵除以所述度量矩阵以得到修正特征矩阵;指数运算单元255,用于计算以所述修正特征矩阵中各个位置的特征值为幂的自然指数函数值以得到指数修正特征矩阵;以及,第二预分类单元256,用于将所述指数修正特征矩阵通过所述分类器以得到第二类概率;加权修正单元257,用于以所述第一类概率和所述第二类概率之间的乘积作为加权系数对所述配方特征向量进行按位置点乘以得到所述校正后配方特征向量。
具体地,在本申请实施例中,所述映射模块260和所述配料结果生成模块270,用于将所述校正后配方特征向量与所述参考特征矩阵进行向量相乘以将所述参考特征矩阵的高维特征信息映射到所述校正后配方特征向量的高维特征空间中以得到分类特征向量,并将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否加入氢氧化物,以及,是否加入碱金属胺类。也就是,在本申请的技术方案中,在获得修正后的所述校正后配方特征向量后,进一步将所述校正后配方特征向量与所述参考特征矩阵进行向量相乘,以将所述参考特征矩阵的高维特征信息映射到所述校正后配方特征向量的高维特征空间中以得到分类特征向量,再将其通过分类器中进行分类处理,以获得用于表示是否加入氢氧化物,以及,是否加入碱金属胺类的分类结果。
更具体地,在本申请实施例中,所述配料结果生成模块,进一步用于:使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述分类特征向量。
综上,基于本申请实施例的所述用于光阻剥离液生产的自动配料系统200被阐明,其通过深度神经网络模型作为特征提取器来提取作为理想被剥离的印刷电路板的表面特征作为参考,并基于此参考特征来对加入氢氧化物及碱金属胺类的组合物的比例进行智能准确地判断。这样就可以避免发生印刷电路中金属图形的腐蚀以及下部侵蚀的情况,进而能够在提高剥离效果的同时,避免其引入难以接受的负面效果。
如上所述,根据本申请实施例的用于光阻剥离液生产的自动配料系统200可以实现在各种终端设备中,例如用于光阻剥离液生产的自动配料算法的服务器等。在一个示例中,根据本申请实施例的用于光阻剥离液生产的自动配料系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该用于光阻剥离液生产的自动配料系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该用于光阻剥离液生产的自动配料系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该用于光阻剥离液生产的自动配料系统200与该终端设备也可以是分立的设备,并且该用于光阻剥离液生产的自动配料系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了用于光阻剥离液生产的自动配料系统的配料方法的流程图。如图4所示,根据本申请实施例的用于光阻剥离液生产的自动配料系统的配料方法,包括步骤:S110,获取参考图像,所述参考图像为被理想剥离处理后的PCB板图像;S120,将所述参考图像通过使用空间注意力机制的第一卷积神经网络以得到参考特征矩阵;S130,获取待配料的光阻剥离液中各个组分的质量百分比;S140,将所述待配料的光阻剥离液中各个组分的质量百分比通过上下文编码器以得到配方特征向量;S150,基于所述参考特征矩阵对所述配方特征向量进行特征分布校正以得到校正后配方特征向量;S160,将所述校正后配方特征向量与所述参考特征矩阵进行向量相乘以将所述参考特征矩阵的高维特征信息映射到所述校正后配方特征向量的高维特征空间中以得到分类特征向量;以及,S170,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否加入氢氧化物,以及,是否加入碱金属胺类。
图5图示了根据本申请实施例的用于光阻剥离液生产的自动配料系统的配料方法的架构示意图。如图5所示,在所述用于光阻剥离液生产的自动配料系统的配料方法的网络架构中,首先,将获得的所述参考图像(例如,如图5中所示意的P1)通过使用空间注意力机制的第一卷积神经网络(例如,如图5中所示意的CNN)以得到参考特征矩阵(例如,如图5中所示意的MF1);接着,将获得的所述待配料的光阻剥离液中各个组分的质量百分比(例如,如图5中所示意的P2)通过上下文编码器(例如,如图5中所示意的E)以得到配方特征向量(例如,如图5中所示意的VF1);然后,基于所述参考特征矩阵对所述配方特征向量进行特征分布校正以得到校正后配方特征向量(例如,如图5中所示意的VF2);接着,将所述校正后配方特征向量与所述参考特征矩阵进行向量相乘以将所述参考特征矩阵的高维特征信息映射到所述校正后配方特征向量的高维特征空间中以得到分类特征向量(例如,如图5中所示意的VF);以及,最后,将所述分类特征向量通过分类器(例如,如图5中所示意的圈S)以得到分类结果,所述分类结果用于表示是否加入氢氧化物,以及,是否加入碱金属胺类。
更具体地,在步骤S110和步骤S120中,获取参考图像,所述参考图像为被理想剥离处理后的PCB板图像,并将所述参考图像通过使用空间注意力机制的第一卷积神经网络以得到参考特征矩阵。应可以理解,考虑到所述被剥离的印刷电路板的表面情况能够基于被剥离后的PCB板的图像来表征,因此,在本申请的技术方案中,选择将被理想剥离处理后的PCB板图像作为参考图像。相应地,在一个具体的示例中,所述被理想剥离处理后的PCB板图像为由电脑辅助制图软件设计的标准图像。然后,使用卷积神经网络作为特征提取器来提取所述参考图像中被剥离处理后对象的特征,包括印刷电路的图案、印刷电路的材料、印花电路的直径等。特别地,由于在所述参考图像中,需要更加关注到印刷电路的特征信息,例如印刷电路的材料、印刷电路的图案清晰度等,因此,进一步使用在空间关联特征提取上更具有优势的具有空间注意力机制的第一卷积神经网络模型来对所述参考图像进行深层特征挖掘,以得到参考特征矩阵。
更具体地,在步骤S130和步骤S140中,获取待配料的光阻剥离液中各个组分的质量百分比,并将所述待配料的光阻剥离液中各个组分的质量百分比通过上下文编码器以得到配方特征向量。应可以理解,在本申请的技术方案中,所述光阻剥离液的配方为:羟胺类、超纯水、酸度系数为7.5至13的胺类、水溶性有机溶剂、防腐剂、氢氧化物和碱金属胺类,考虑到所述光阻剥离液中各个组分之间都存在着关联关系,一个组分增多那么其他的组分百分比也会发生变化,因此若想智能地控制氢氧化物及碱金属胺类的组合物的加入比例,以在提高剥离效果的同时,避免其引入难以接受的负面效果,就需要对于这些组分之间的关联特征以及这些所述组分基于全局性的关联特征进行深层挖掘。也就是,在本申请的技术方案中,首先,获取待配料的光阻剥离液中各个组分的质量百分比,其中,所述待配料的光阻剥离液中各个组分为:羟胺类、超纯水、酸度系数为7.5至13的胺类、水溶性有机溶剂、防腐剂、氢氧化物和碱金属胺类。然后,使用上下文编码器对所述待配料的光阻剥离液中各个组分的质量百分比进行编码,以提取所述待配料的光阻剥离液中各个组分的质量百分比之间的基于全局的高维语义特征以更适于表征所述各个组分的含量的本质特征,从而获得配方特征向量。
更具体地,在步骤S150中,基于所述参考特征矩阵对所述配方特征向量进行特征分布校正以得到校正后配方特征向量。应可以理解,在将所述配方特征向量映射到所述参考特征矩阵的特征空间中时,由于所述参考特征矩阵通过使用空间注意力机制的卷积神经网络得到,在本身图像语义密度的基础上进一步经由空间注意力机制来在空间维度上提高了数据表达密度,相对于所述配方特征向量由于词嵌入阶段转换为向量的数据稀疏表达,所述参考特征矩阵在信息密度方面远高于所述配方特征向量,因此,如果直接将所述参考特征矩阵乘以所述配方特征向量,则所述映射可能存在数据密度度方面的偏差。因此,在本申请的技术方案中,进一步基于所述参考特征矩阵对所述配方特征向量进行基于自注意力的数据密集修正,以获得校正后配方特征向量。在一个具体示例中,基于所述参考特征矩阵对所述配方特征向量进行特征分布校正的公式表示为:
其中V是所述配方特征向量,M是所述参考特征矩阵,softmax(·)表示特征向量通过分类器得到的概率值,且d(M,V)是向量和矩阵之间的距离,可以表示为向量的各个点与矩阵的各个点之间的距离和除以向量的点数与矩阵的点数的乘积。
更具体地,在步骤S160和步骤S170中,将所述校正后配方特征向量与所述参考特征矩阵进行向量相乘以将所述参考特征矩阵的高维特征信息映射到所述校正后配方特征向量的高维特征空间中以得到分类特征向量,并将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否加入氢氧化物,以及,是否加入碱金属胺类。也就是,在本申请的技术方案中,在获得修正后的所述校正后配方特征向量后,进一步将所述校正后配方特征向量与所述参考特征矩阵进行向量相乘,以将所述参考特征矩阵的高维特征信息映射到所述校正后配方特征向量的高维特征空间中以得到分类特征向量,再将其通过分类器中进行分类处理,以获得用于表示是否加入氢氧化物,以及,是否加入碱金属胺类的分类结果。
综上,基于本申请实施例的所述用于光阻剥离液生产的自动配料系统的配料方法被阐明,其通过深度神经网络模型作为特征提取器来从被剥离的印刷电路板的表面特征和待配料的光阻剥离液中各个组分的含量特征入手,以对于加入氢氧化物及碱金属胺类的组合物的比例进行智能准确地判断。这样就可以避免发生印刷电路中金属图形的腐蚀以及下部侵蚀的情况,进而能够在提高剥离效果的同时,避免其引入难以接受的负面效果。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于光阻剥离液生产的自动配料系统的配料方法中的功能中的步骤。
所述计算机程序产品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申请实施例操作的程序代码,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。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的用于光阻剥离液生产的自动配料系统的配料方法中的步骤。
所述计算机可读存储介质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包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,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。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种用于光阻剥离液生产的自动配料系统,其特征在于,包括:
结局参考数据获取模块,用于获取参考图像,所述参考图像为被理想剥离处理后的PCB板图像;
参考数据编码模块,用于将所述参考图像通过使用空间注意力机制的第一卷积神经网络以得到参考特征矩阵;
配料数据获取模块,用于获取待配料的光阻剥离液中各个组分的质量百分比;
配料数据关联编码模块,用于将所述待配料的光阻剥离液中各个组分的质量百分比通过上下文编码器以得到配方特征向量;
自注意力校正模块,用于基于所述参考特征矩阵对所述配方特征向量进行特征分布校正以得到校正后配方特征向量;
映射模块,用于将所述校正后配方特征向量与所述参考特征矩阵进行向量相乘以将所述参考特征矩阵的高维特征信息映射到所述校正后配方特征向量的高维特征空间中以得到分类特征向量;以及
配料结果生成模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否加入氢氧化物,以及,是否加入碱金属胺类;
其中,所述自注意力校正模块,包括:
第一预分类单元,用于将所述配方特征向量通过所述分类器以得到第一类概率值;
空间交互单元,用于计算所述参考特征矩阵与所述配方特征向量之间的向量乘积以得到空间交互矩阵;
度量单元,用于计算所述参考特征矩阵和所述配方特征向量之间的度量距离,所述度量距离为所述配方特征向量的各个元素与所述参考特征矩阵的各个元素之间的欧式距离的加和值除以所述配方特征向量的元素的总数与所述参考特征矩阵的元素的总数之间的乘积;
修正单元,用于以所述空间交互矩阵除以所述度量距离以得到修正特征矩阵;
指数运算单元,用于计算以所述修正特征矩阵中各个位置的特征值为幂的自然指数函数值以得到指数修正特征矩阵;以及
第二预分类单元,用于将所述指数修正特征矩阵通过所述分类器以得到第二类概率;
加权修正单元,用于以所述第一类概率和所述第二类概率之间的乘积作为加权系数对所述配方特征向量进行按位置点乘以得到所述校正后配方特征向量。
2.根据权利要求1所述的用于光阻剥离液生产的自动配料系统,其中,所述参考数据编码模块,进一步用于使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行:
对所述参考图像进行卷积处理以得到卷积特征图;
将所述卷积特征图通过所述第一卷积神经网络的空间注意力模块以得到空间注意力得分图;
将所述空间注意力得分图与所述卷积特征图进行按位置点乘以得到空间注意特征图;
对所述空间注意力特征图进行沿通道维度的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第一卷积神经网络的最后一层的输出为所述参考特征矩阵。
3.根据权利要求2所述的用于光阻剥离液生产的自动配料系统,其中,所述参考数据编码模块,进一步用于:
将所述卷积特征图通过所述空间注意力模块的卷积层以得到空间注意力图;以及
将所述空间注意力图输入Sigmoid激活函数以得到所述空间注意力得分图,其中,所述空间注意力得分图中各个位置的值在0到1的区间内。
4.根据权利要求3所述的用于光阻剥离液生产的自动配料系统,其中,所述配料数据关联编码模块,包括:
嵌入编码单元,用于使用所述上下文编码器的嵌入层将所述待配料的光阻剥离液中各个组分的质量百分比转化为输入向量以获得嵌入输入向量;以及
上下文编码单元,用于使用所述上下文编码器的转换器对所述嵌入输入向量进行基于全局的上下文语义编码以获得所述配方特征向量。
5.根据权利要求4所述的用于光阻剥离液生产的自动配料系统,其中,所述第二预分类单元,包括:
降维子单元,用于使用所述分类器的全连接层对所述指数修正特征矩阵进行全连接编码以将所述指数修正特征矩阵转化为一维的分类向量;以及
预分类结果生成子单元,用于将所述一维的分类向量输入所述分类器的Softmax分类函数以得到所述第二类概率。
6.根据权利要求5所述的用于光阻剥离液生产的自动配料系统,其中,所述配料结果生成模块,进一步用于:使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果;
其中,所述公式为:softmax{(Wn,Bn):...:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述分类特征向量。
7.一种用于光阻剥离液生产的自动配料系统的配料方法,其特征在于,包括:
获取参考图像,所述参考图像为被理想剥离处理后的PCB板图像;
将所述参考图像通过使用空间注意力机制的第一卷积神经网络以得到参考特征矩阵;
获取待配料的光阻剥离液中各个组分的质量百分比;
将所述待配料的光阻剥离液中各个组分的质量百分比通过上下文编码器以得到配方特征向量;
基于所述参考特征矩阵对所述配方特征向量进行特征分布校正以得到校正后配方特征向量;
将所述校正后配方特征向量与所述参考特征矩阵进行向量相乘以将所述参考特征矩阵的高维特征信息映射到所述校正后配方特征向量的高维特征空间中以得到分类特征向量;以及
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否加入氢氧化物,以及,是否加入碱金属胺类;
其中,基于所述参考特征矩阵对所述配方特征向量进行特征分布校正以得到校正后配方特征向量,包括:
将所述配方特征向量通过所述分类器以得到第一类概率值;
计算所述参考特征矩阵与所述配方特征向量之间的向量乘积以得到空间交互矩阵;
计算所述参考特征矩阵和所述配方特征向量之间的度量距离,所述度量距离为所述配方特征向量的各个元素与所述参考特征矩阵的各个元素之间的欧式距离的加和值除以所述配方特征向量的元素的总数与所述参考特征矩阵的元素的总数之间的乘积;
以所述空间交互矩阵除以所述度量距离以得到修正特征矩阵;
计算以所述修正特征矩阵中各个位置的特征值为幂的自然指数函数值以得到指数修正特征矩阵;以及
将所述指数修正特征矩阵通过所述分类器以得到第二类概率;
以所述第一类概率和所述第二类概率之间的乘积作为加权系数对所述配方特征向量进行按位置点乘以得到所述校正后配方特征向量。
8.根据权利要求7所述的用于光阻剥离液生产的自动配料系统的配料方法,其中,将所述参考图像通过使用空间注意力机制的第一卷积神经网络以得到参考特征矩阵,包括:
使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行:
对所述参考图像进行卷积处理以得到卷积特征图;
将所述卷积特征图通过所述第一卷积神经网络的空间注意力模块以得到空间注意力得分图;
将所述空间注意力得分图与所述卷积特征图进行按位置点乘以得到空间注意特征图;
对所述空间注意力特征图进行沿通道维度的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第一卷积神经网络的最后一层的输出为所述参考特征矩阵。
9.根据权利要求8所述的用于光阻剥离液生产的自动配料系统的配料方法,其中,将所述参考图像通过使用空间注意力机制的第一卷积神经网络以得到参考特征矩阵,包括:
将所述卷积特征图通过所述空间注意力模块的卷积层以得到空间注意力图;以及
将所述空间注意力图输入Sigmoid激活函数以得到所述空间注意力得分图,其中,所述空间注意力得分图中各个位置的值在0到1的区间内。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772607.6A CN115212790B (zh) | 2022-06-30 | 2022-06-30 | 用于光阻剥离液生产的自动配料系统及其配料方法 |
PCT/CN2022/119034 WO2024000828A1 (zh) | 2022-06-30 | 2022-09-15 | 用于光阻剥离液生产的自动配料系统及其配料方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772607.6A CN115212790B (zh) | 2022-06-30 | 2022-06-30 | 用于光阻剥离液生产的自动配料系统及其配料方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115212790A CN115212790A (zh) | 2022-10-21 |
CN115212790B true CN115212790B (zh) | 2023-04-07 |
Family
ID=83610389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210772607.6A Active CN115212790B (zh) | 2022-06-30 | 2022-06-30 | 用于光阻剥离液生产的自动配料系统及其配料方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115212790B (zh) |
WO (1) | WO2024000828A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115738747B (zh) * | 2022-11-29 | 2024-01-23 | 浙江致远环境科技股份有限公司 | 用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备方法 |
CN115588156B (zh) * | 2022-12-09 | 2023-02-28 | 河南瑞德克气力输送设备有限公司 | 一种串罐连续定量给料系统 |
CN117745187B (zh) * | 2024-02-07 | 2024-05-14 | 吉林大学 | 基于agv的药物自动配送系统及其方法 |
CN117854615B (zh) * | 2024-03-07 | 2024-05-03 | 苏州博洋化学股份有限公司 | 一种显示面板用铜蚀刻液配方及其研制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581767A (zh) * | 2022-01-19 | 2022-06-03 | 上海土蜂科技有限公司 | 图像处理系统、方法及其计算机装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI535494B (zh) * | 2011-12-23 | 2016-06-01 | 友達光電股份有限公司 | 光阻剝離液的供應系統及其供應方法 |
CN212119585U (zh) * | 2020-03-10 | 2020-12-11 | 上海正帆科技股份有限公司 | 一种有机溶液的提纯系统 |
US20210398338A1 (en) * | 2020-06-22 | 2021-12-23 | Nvidia Corporation | Image generation using one or more neural networks |
US20220138555A1 (en) * | 2020-11-03 | 2022-05-05 | Intel Corporation | Spectral nonlocal block for a neural network and methods, apparatus, and articles of manufacture to control the same |
CN113496044A (zh) * | 2021-01-29 | 2021-10-12 | 十堰时风达工贸有限公司 | 一种基于区块链的电商物流管理系统及方法 |
CN114663959A (zh) * | 2022-04-12 | 2022-06-24 | 上海雾滴行科技有限公司 | 报警管理系统及其工作方法 |
-
2022
- 2022-06-30 CN CN202210772607.6A patent/CN115212790B/zh active Active
- 2022-09-15 WO PCT/CN2022/119034 patent/WO2024000828A1/zh unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581767A (zh) * | 2022-01-19 | 2022-06-03 | 上海土蜂科技有限公司 | 图像处理系统、方法及其计算机装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115212790A (zh) | 2022-10-21 |
WO2024000828A1 (zh) | 2024-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115212790B (zh) | 用于光阻剥离液生产的自动配料系统及其配料方法 | |
CN115203380B (zh) | 基于多模态数据融合的文本处理系统及其方法 | |
CN110277085B (zh) | 确定多音字发音的方法及装置 | |
CN115018068B (zh) | 用于光阻洗净液生产的自动配料系统及其配料方法 | |
CN115796173B (zh) | 针对监管报送需求的数据处理方法和系统 | |
CN115186774B (zh) | 智能电缆剥线设备及其方法 | |
CN111414987A (zh) | 神经网络的训练方法、训练装置和电子设备 | |
CN114065693B (zh) | 超大规模集成电路结构布局的优化方法、系统和电子设备 | |
CN109460775B (zh) | 一种基于信息熵的数据填充方法及装置 | |
CN115147655A (zh) | 油气集输监控系统及其方法 | |
CN115186673A (zh) | 科技信息管理系统及其管理方法 | |
CN115878330B (zh) | 线程的运行控制方法及其系统 | |
CN115392369A (zh) | 基于物联网的室内空气质量预测系统及其预测方法 | |
CN115374822A (zh) | 基于多级特征融合的故障诊断方法及其系统 | |
CN115146676A (zh) | 电路故障检测方法及其系统 | |
CN115221281A (zh) | 知识产权检索系统及其检索方法 | |
CN115118675A (zh) | 基于智能网卡设备实现的数据流传输加速方法及其系统 | |
CN113190354A (zh) | 基于物联网的边缘计算的工作参数控制方法 | |
CN115309895A (zh) | 基于研发项目文本描述的进度管理系统及其管理方法 | |
WO2024036690A1 (zh) | 用于剥膜液生产的自动配料系统及其配料方法 | |
CN115661758A (zh) | 基于人工智能的公共场所人群密集度监测方法及其系统 | |
CN110717037A (zh) | 对用户分类的方法和装置 | |
CN112633402B (zh) | 一种实现动态计算的高精度高比例的分类模型及分类方法 | |
CN117313642A (zh) | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 | |
CN114726870A (zh) | 基于可视化拖拽的混合云资源编排方法、系统和电子设备 |
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 |