CN115375691A - 基于图像的半导体扩散纸源缺陷检测系统及其方法 - Google Patents

基于图像的半导体扩散纸源缺陷检测系统及其方法 Download PDF

Info

Publication number
CN115375691A
CN115375691A CN202211317148.9A CN202211317148A CN115375691A CN 115375691 A CN115375691 A CN 115375691A CN 202211317148 A CN202211317148 A CN 202211317148A CN 115375691 A CN115375691 A CN 115375691A
Authority
CN
China
Prior art keywords
image
feature map
detection
paper source
diffusion paper
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
CN202211317148.9A
Other languages
English (en)
Other versions
CN115375691B (zh
Inventor
石坚
蔡亮
刘世伟
王涵
吴修杰
李�杰
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.)
Jining Jiude Semiconductor Technology Co ltd
Original Assignee
Jining Jiude Semiconductor 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 Jining Jiude Semiconductor Technology Co ltd filed Critical Jining Jiude Semiconductor Technology Co ltd
Priority to CN202211317148.9A priority Critical patent/CN115375691B/zh
Publication of CN115375691A publication Critical patent/CN115375691A/zh
Application granted granted Critical
Publication of CN115375691B publication Critical patent/CN115375691B/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
    • G06N3/08—Learning methods
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/30124—Fabrics; Textile; Paper
    • 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

Landscapes

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

Abstract

本申请涉及智能检测领域，其具体地公开了一种基于图像的半导体扩散纸源缺陷检测系统及其方法，其通过从待检测扩散纸源的检测图像和参考图像中分别提取出检测特征图和参考特征图，进一步以所述参考特征图和所述检测特征图之间在高维特征空间的特征差异作为用于判断扩散纸源是否存在缺陷的特征表示，提高对于待检测扩散纸源是否存在缺陷的检测精准度。

Description

基于图像的半导体扩散纸源缺陷检测系统及其方法
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种基于图像的半导体扩散纸源缺陷检测系统及其方法。
背景技术
国内半导体行业起步较晚，特别是芯片生产过程中用到的以高纯基础材料为主的辅材及耗材更是少之又少，例如，生产功率芯片生产过程中的其中一个扩散工艺所用到的耗材是扩散纸源。扩散纸源外观以4寸、5寸圆形和4寸、5寸方形为主，之前生产主要以人眼观察为主，对于有明显缺陷的纸张可以分拣出，但对于细微的隐裂人眼是无法识别的，同时人工分拣还存在效率和人工投入等实际问题。
因此，期待一种自动化的半导体扩散纸源缺陷检测方案。
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基于图像的半导体扩散纸源缺陷检测系统及其方法，其通过从待检测扩散纸源的检测图像和参考图像中分别提取出检测特征图和参考特征图，进一步以所述参考特征图和所述检测特征图之间在高维特征空间的特征差异作为用于判断扩散纸源是否存在缺陷的特征表示，提高对于待检测扩散纸源是否存在缺陷的检测精准度。
根据本申请的一个方面，提供了一种基于图像的半导体扩散纸源缺陷检测系统，其包括：图像采集模块，用于获取待检测扩散纸源的检测图像和参考图像，所述参考图像为没有缺陷的扩散纸源的图像；孪生网络模块，用于将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；特征差异模块，用于计算所述检测特征图和所述参考特征图之间的差分特征图；特征分布校正模块，用于对所述差分特征图进行特征分布校正以得到校正后差分特征图；以及检测结果生成模块，用于将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测扩散纸源是否存在缺陷。
在上述基于图像的半导体扩散纸源缺陷检测系统中，所述孪生网络模块，包括：检测图像特征提取单元，用于使用所述第一卷积神经网络的多层卷积层对所述检测图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度检测特征图；第一空间注意力单元，用于将所述深度检测特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图；以及，检测特征图生成单元，用于计算所述深度检测特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图。
在上述基于图像的半导体扩散纸源缺陷检测系统中，所述孪生网络模块，包括：参考图像特征提取单元，用于使用所述第二卷积神经网络的多层卷积层对所述参考图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参考特征图；第二空间注意力单元，用于将所述深度参考特征图输入所述第二卷积神经网络的第二空间注意力模块以得到第二空间注意力图；以及，参考特征图生成单元，用于计算所述深度参考特征图和所述第二空间注意力图的按位置点乘以得到所述参考特征图。
在上述基于图像的半导体扩散纸源缺陷检测系统中，所述特征差异模块，进一步用于：以如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；其中，所述公式为：
Figure 503712DEST_PATH_IMAGE001
其中，
Figure 512863DEST_PATH_IMAGE002
表示所述检测特征图，
Figure 620496DEST_PATH_IMAGE003
表示所述参考特征图，
Figure 812443DEST_PATH_IMAGE004
表示所述差分特征图，
Figure 925018DEST_PATH_IMAGE005
表示按位置差分。
在上述基于图像的半导体扩散纸源缺陷检测系统中，所述特征分布校正模块，进一步用于：以如下公式对所述差分特征图进行特征分布校正以得到校正后差分特征图；其中，所述公式为：
Figure 75376DEST_PATH_IMAGE006
其中
Figure 201464DEST_PATH_IMAGE007
是所述差分特征图
Figure 197102DEST_PATH_IMAGE008
通过分类器进行预分类获得的概率值。
在上述基于图像的半导体扩散纸源缺陷检测系统中，所述检测结果生成模块，包括：特征图展开单元，用于将所述校正后差分特征图基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种基于图像的半导体扩散纸源缺陷检测方法，其包括：获取待检测扩散纸源的检测图像和参考图像，所述参考图像为没有缺陷的扩散纸源的图像；将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；计算所述检测特征图和所述参考特征图之间的差分特征图；对所述差分特征图进行特征分布校正以得到校正后差分特征图；以及将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测扩散纸源是否存在缺陷。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于图像的半导体扩散纸源缺陷检测方法。
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基于图像的半导体扩散纸源缺陷检测方法。
与现有技术相比，本申请提供的一种基于图像的半导体扩散纸源缺陷检测系统及其方法，其通过从待检测扩散纸源的检测图像和参考图像中分别提取出检测特征图和参考特征图，进一步以所述参考特征图和所述检测特征图之间在高维特征空间的特征差异作为用于判断扩散纸源是否存在缺陷的特征表示，提高对于待检测扩散纸源是否存在缺陷的检测精准度。
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图示了根据本申请实施例的基于图像的半导体扩散纸源缺陷检测系统的应用场景图；
图2图示了根据本申请实施例的基于图像的半导体扩散纸源缺陷检测系统的框图；
图3图示了根据本申请实施例的基于图像的半导体扩散纸源缺陷检测系统的架构示意图；
图4图示了根据本申请实施例的基于图像的半导体扩散纸源缺陷检测系统中检测结果生成模块的框图；
图5图示了根据本申请实施例的基于图像的半导体扩散纸源缺陷检测方法的流程图；
图6图示了根据本申请实施例的电子设备的框图。
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：
如上所述，在扩散纸源的生产过程中，对于有明显缺陷的纸张可以分拣出，但对于细微的隐裂人眼是无法识别的，同时人工分拣还存在效率和人工投入等实际问题。因此，期待一种自动化的半导体扩散纸源缺陷检测方案。
缺陷检测是图像处理领域常见的任务类型，因此，半导体扩散纸源缺陷检测可通过基于图像的缺陷检测来实现。但细微的隐裂在图像端很难被捕捉到，其原因为一方面细微的隐裂属于小尺寸对象，另一方面细微的隐裂具有形状不规则性且易与扩散纸源的边缘等发生混淆，导致缺陷检测的精准度不高。
针对上述技术问题，本申请的申请人以参考图像（没有缺陷的标准扩散纸源）作为参考，以参考图像和检测图像之间在高维特征空间的特征差异作为用于判断扩散纸源是否存在缺陷的特征表示。
具体地，首先获取待检测扩散纸源的检测图像和参考图像，所述参考图像为没有缺陷的扩散纸源的图像。接着，将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。也就是，使用所述孪生网络模型来分别提取所述检测图像和所述参考图像的高维图像隐含特征。这里，所述孪生网络模型的第一卷积神经网络和第二卷积神经网络具有相同的网络结构，因此，如果检测图像和参考图像在图像源域端存在差异，在经过相同的网络结构编码后，其会在高维特征空间中存在差异。
特别地，在本申请的技术方案中，因扩散纸源的缺陷存在于扩散纸源的特定空间位置，因此，为了使得所述扩散纸源的缺陷特征能够在特征提取过程中被更多地关注，将空间注意力机制集成于所述第一卷积神经网络和所述第二卷积神经网络。
接着，计算所述检测特征图和所述参考特征图之间的差分特征图，以此来表示扩散纸源的检测图像和参考图像在高维特征空间中的特征差异表示。继而，将所述差分特征图通过分类器就可以得到用于表示待检测扩散纸源是否存在缺陷的分类结果。
特别地，在计算所述检测特征图和所述参考特征图之间的差分特征图时，尽管所述检测特征图和所述参考特征图是通过第一卷积神经网络模型和第二卷积神经网络模型的孪生网络模型得到的，但是所述检测特征图和所述参考特征图之间不可避免地会存在特征分布上的偏差，从而在所述差分特征图中引入局部异常分布，这使得在所述差分特征图通过分类器进行分类时，由于所述分类器的权重需要适配这种局部异常分布，可能与所述差分特征图发生类相干干涉。
因此，对所述差分特征图，例如记为
Figure 975569DEST_PATH_IMAGE009
进行基于预分类的类概率相干补偿机制校正，表示为：
Figure 31250DEST_PATH_IMAGE006
其中
Figure 379055DEST_PATH_IMAGE007
是所述差分特征图
Figure 679848DEST_PATH_IMAGE008
通过分类器进行预分类获得的概率值。
也就是，由于所述差分特征图
Figure 265551DEST_PATH_IMAGE010
存在局部异常分布，因此在对其进行分类时，分类器本身的权重矩阵也会在某些局部存在相适配的异常分布，从而对所述差分特征图
Figure 23291DEST_PATH_IMAGE011
的类概率表达造成的相干干涉。基于此，通过将预分类得到的分类器的类别概率值作为所述差分特征图
Figure 622506DEST_PATH_IMAGE012
的分类的乘性干扰噪声项，来对所述差分特征图
Figure 287843DEST_PATH_IMAGE013
进行类概率的相干补偿，以恢复无干扰情况下的所述差分特征图
Figure 495095DEST_PATH_IMAGE014
的等效概率强度表征，从而实现所述差分特征图
Figure 689316DEST_PATH_IMAGE015
的校正，提高分类结果的准确性。这样，提高对于待检测扩散纸源是否存在缺陷的检测精准度。
基于此，本申请提出了一种基于图像的半导体扩散纸源缺陷检测系统，其包括：图像采集模块，用于获取待检测扩散纸源的检测图像和参考图像，所述参考图像为没有缺陷的扩散纸源的图像；孪生网络模块，用于将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；特征差异模块，用于计算所述检测特征图和所述参考特征图之间的差分特征图；特征分布校正模块，用于对所述差分特征图进行特征分布校正以得到校正后差分特征图；以及，检测结果生成模块，用于将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测扩散纸源是否存在缺陷。
图1图示了根据本申请实施例的基于图像的半导体扩散纸源缺陷检测系统的应用场景图。如图1所示，在该应用场景中，通过摄像头（例如，如图1中所示意的C）获取待检测扩散纸源（例如，如图1中所示意的P）的检测图像（例如，如图1中所示意的F1）和参考图像（例如，如图1中所示意的F2），所述参考图像为没有缺陷的扩散纸源的图像。接着，将上述图像输入至部署有用于基于图像的半导体扩散纸源缺陷检测算法的服务器（例如，图1中的S）中，其中，所述服务器能够以所述基于图像的半导体扩散纸源缺陷检测算法对所述图像进行处理，以生成用于表示待检测扩散纸源是否存在缺陷的分类结果。
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基于图像的半导体扩散纸源缺陷检测系统的框图。如图2所示，根据本申请实施例的基于图像的半导体扩散纸源缺陷检测系统300，包括：图像采集模块310；孪生网络模块320；特征差异模块330；特征分布校正模块340，以及，检测结果生成模块350。
其中，所述图像采集模块310，用于获取待检测扩散纸源的检测图像和参考图像，所述参考图像为没有缺陷的扩散纸源的图像；所述孪生网络模块320，用于将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；所述特征差异模块330，用于计算所述检测特征图和所述参考特征图之间的差分特征图；特征分布校正模块340，用于对所述差分特征图进行特征分布校正以得到校正后差分特征图；以及，检测结果生成模块350，用于将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测扩散纸源是否存在缺陷。
图3图示了根据本申请实施例的基于图像的半导体扩散纸源缺陷检测系统的架构示意图。如图3所示，首先通过所述图像采集模块310获取待检测扩散纸源的检测图像和参考图像，所述参考图像为没有缺陷的扩散纸源的图像；然后，所述孪生网络模块320将所述图像采集模块310获取的检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；所述特征差异模块330计算所述孪生网络模块320生成的检测特征图和所述参考特征图之间的差分特征图；接着，所述特征分布校正模块340对所述特征差异模块330计算所得的差分特征图进行特征分布校正以得到校正后差分特征图；进而，所述检测结果生成模块350将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测扩散纸源是否存在缺陷。
具体地，在所述基于图像的半导体扩散纸源缺陷检测系统300的运行过程中，所述图像采集模块310，用于获取待检测扩散纸源的检测图像和参考图像，所述参考图像为没有缺陷的扩散纸源的图像。在本申请的技术方案中，通过从待检测扩散纸源的检测图像和参考图像中分别提取出检测特征图和参考特征图，进一步以所述参考特征图和所述检测特征图之间在高维特征空间的特征差异作为用于判断扩散纸源是否存在缺陷的特征表示，因此，在本申请的一个具体示例中，可通过摄像头获取待检测扩散纸源的检测图像和参考图像。
具体地，在所述基于图像的半导体扩散纸源缺陷检测系统300的运行过程中，所述孪生网络模块320，用于将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。
应可以理解，将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。也就是，使用所述孪生网络模型来分别提取所述检测图像和所述参考图像的高维图像隐含特征。这里，所述孪生网络模型的第一卷积神经网络和第二卷积神经网络具有相同的网络结构，因此，如果检测图像和参考图像在图像源域端存在差异，在经过相同的网络结构编码后，其会在高维特征空间中存在差异。
特别地，在本申请的技术方案中，因扩散纸源的缺陷存在于扩散纸源的特定空间位置，因此，为了使得所述扩散纸源的缺陷特征能够在特征提取过程中被更多地关注，将空间注意力机制集成于所述第一卷积神经网络和所述第二卷积神经网络。在本申请的一个具体示例中，所述孪生网络模块，包括：检测图像特征提取单元，用于使用所述第一卷积神经网络的多层卷积层对所述检测图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度检测特征图；第一空间注意力单元，用于将所述深度检测特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图；以及，检测特征图生成单元，用于计算所述深度检测特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图；以及：参考图像特征提取单元，用于使用所述第二卷积神经网络的多层卷积层对所述参考图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参考特征图；第二空间注意力单元，用于将所述深度参考特征图输入所述第二卷积神经网络的第二空间注意力模块以得到第二空间注意力图；以及，参考特征图生成单元，用于计算所述深度参考特征图和所述第二空间注意力图的按位置点乘以得到所述参考特征图。
具体地，在所述基于图像的半导体扩散纸源缺陷检测系统300的运行过程中，所述特征差异模块330，用于计算所述检测特征图和所述参考特征图之间的差分特征图。在本申请的技术方案中，计算所述检测特征图和所述参考特征图之间的差分特征图，以此来表示扩散纸源的检测图像和参考图像在高维特征空间中的特征差异表示。继而，将所述差分特征图通过分类器就可以得到用于表示待检测扩散纸源是否存在缺陷的分类结果。在本申请的一个具体示例中，所述特征差异模块，进一步用于：以如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；其中，所述公式为：
Figure 11713DEST_PATH_IMAGE001
其中，
Figure 657239DEST_PATH_IMAGE016
表示所述检测特征图，
Figure 748692DEST_PATH_IMAGE017
表示所述参考特征图，
Figure 848235DEST_PATH_IMAGE018
表示所述差分特征图，
Figure 424972DEST_PATH_IMAGE019
表示按位置差分。
具体地，在所述基于图像的半导体扩散纸源缺陷检测系统300的运行过程中，所述特征分布校正模块340，用于对所述差分特征图进行特征分布校正以得到校正后差分特征图。特别地，在计算所述检测特征图和所述参考特征图之间的差分特征图时，尽管所述检测特征图和所述参考特征图是通过第一卷积神经网络模型和第二卷积神经网络模型的孪生网络模型得到的，但是所述检测特征图和所述参考特征图之间不可避免地会存在特征分布上的偏差，从而在所述差分特征图中引入局部异常分布，这使得在所述差分特征图通过分类器进行分类时，由于所述分类器的权重需要适配这种局部异常分布，可能与所述差分特征图发生类相干干涉。
因此，对所述差分特征图，例如记为
Figure 369794DEST_PATH_IMAGE020
进行基于预分类的类概率相干补偿机制校正，表示为：
Figure 519016DEST_PATH_IMAGE006
其中
Figure 258302DEST_PATH_IMAGE021
是所述差分特征图
Figure 53826DEST_PATH_IMAGE022
通过分类器进行预分类获得的概率值。
也就是，由于所述差分特征图
Figure 536760DEST_PATH_IMAGE010
存在局部异常分布，因此在对其进行分类时，分类器本身的权重矩阵也会在某些局部存在相适配的异常分布，从而对所述差分特征图
Figure 602805DEST_PATH_IMAGE011
的类概率表达造成的相干干涉。基于此，通过将预分类得到的分类器的类别概率值作为所述差分特征图
Figure 280036DEST_PATH_IMAGE012
的分类的乘性干扰噪声项，来对所述差分特征图
Figure 2005DEST_PATH_IMAGE023
进行类概率的相干补偿，以恢复无干扰情况下的所述差分特征图
Figure 288630DEST_PATH_IMAGE015
的等效概率强度表征，从而实现所述差分特征图
Figure 678023DEST_PATH_IMAGE024
的校正，提高分类结果的准确性。这样，提高对于待检测扩散纸源是否存在缺陷的检测精准度。
具体地，在所述基于图像的半导体扩散纸源缺陷检测系统300的运行过程中，所述检测结果生成模块350，用于将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测扩散纸源是否存在缺陷。
图4图示了根据本申请实施例的基于图像的半导体扩散纸源缺陷检测系统中检测结果生成模块的框图。如图4所示，所述检测结果生成模块350，包括：特征图展开单元351，用于将所述校正后差分特征图基于行向量或列向量展开为分类特征向量；全连接编码单元352，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元353，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的基于图像的半导体扩散纸源缺陷检测系统300被阐明，其通过从待检测扩散纸源的检测图像和参考图像中分别提取出检测特征图和参考特征图，进一步以所述参考特征图和所述检测特征图之间在高维特征空间的特征差异作为用于判断扩散纸源是否存在缺陷的特征表示，提高对于待检测扩散纸源是否存在缺陷的检测精准度。
如上所述，根据本申请实施例的基于图像的半导体扩散纸源缺陷检测系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的基于图像的半导体扩散纸源缺陷检测系统300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，该基于图像的半导体扩散纸源缺陷检测系统300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，该基于图像的半导体扩散纸源缺陷检测系统300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，该基于图像的半导体扩散纸源缺陷检测系统300与该终端设备也可以是分立的设备，并且该基于图像的半导体扩散纸源缺陷检测系统300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5图示了根据本申请实施例的基于图像的半导体扩散纸源缺陷检测方法的流程图。如图5示，根据本申请实施例的基于图像的半导体扩散纸源缺陷检测方法，包括步骤：S110，获取待检测扩散纸源的检测图像和参考图像，所述参考图像为没有缺陷的扩散纸源的图像；S120，将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；S130，计算所述检测特征图和所述参考特征图之间的差分特征图；S140，对所述差分特征图进行特征分布校正以得到校正后差分特征图；以及，S150，将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测扩散纸源是否存在缺陷。
在一个示例中，在上述基于图像的半导体扩散纸源缺陷检测方法中，所述步骤S120，包括：使用所述第一卷积神经网络的多层卷积层对所述检测图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度检测特征图；将所述深度检测特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图；以及，计算所述深度检测特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图。参考图像特征提取单元，用于使用所述第二卷积神经网络的多层卷积层对所述参考图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参考特征图；第二空间注意力单元，用于将所述深度参考特征图输入所述第二卷积神经网络的第二空间注意力模块以得到第二空间注意力图；以及，参考特征图生成单元，用于计算所述深度参考特征图和所述第二空间注意力图的按位置点乘以得到所述参考特征图。
在一个示例中，在上述基于图像的半导体扩散纸源缺陷检测方法中，所述步骤S130，包括：以如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；其中，所述公式为：
Figure 314104DEST_PATH_IMAGE001
其中，
Figure 257789DEST_PATH_IMAGE025
表示所述检测特征图，
Figure 144842DEST_PATH_IMAGE026
表示所述参考特征图，
Figure 890207DEST_PATH_IMAGE027
表示所述差分特征图，
Figure 407776DEST_PATH_IMAGE005
表示按位置差分。
在一个示例中，在上述基于图像的半导体扩散纸源缺陷检测方法中，所述步骤S140，包括：以如下公式对所述差分特征图进行特征分布校正以得到校正后差分特征图；
其中，所述公式为：
Figure 104336DEST_PATH_IMAGE006
其中
Figure 732764DEST_PATH_IMAGE007
是所述差分特征图
Figure 860863DEST_PATH_IMAGE028
通过分类器进行预分类获得的概率值。
在一个示例中，在上述基于图像的半导体扩散纸源缺陷检测方法中，所述步骤S150，包括：将所述校正后差分特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的基于图像的半导体扩散纸源缺陷检测方法被阐明，其通过从待检测扩散纸源的检测图像和参考图像中分别提取出检测特征图和参考特征图，进一步以所述参考特征图和所述检测特征图之间在高维特征空间的特征差异作为用于判断扩散纸源是否存在缺陷的特征表示，提高对于待检测扩散纸源是否存在缺陷的检测精准度。
示例性电子设备：
下面，参考图6来描述根据本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的框图。
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于图像的半导体扩散纸源缺陷检测系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如全局有功功率特征矩阵等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
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“示例性系统”部分中描述的根据本申请各种实施例的基于图像的半导体扩散纸源缺陷检测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“示例性系统”部分中描述的根据本申请各种实施例的基于图像的半导体扩散纸源缺陷检测方法中的功能中的步骤。
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、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。
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 (10)

1.一种基于图像的半导体扩散纸源缺陷检测系统，其特征在于，包括：图像采集模块，用于获取待检测扩散纸源的检测图像和参考图像，所述参考图像为没有缺陷的扩散纸源的图像；孪生网络模块，用于将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；特征差异模块，用于计算所述检测特征图和所述参考特征图之间的差分特征图；特征分布校正模块，用于对所述差分特征图进行特征分布校正以得到校正后差分特征图；以及检测结果生成模块，用于将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测扩散纸源是否存在缺陷。
2.根据权利要求1所述的基于图像的半导体扩散纸源缺陷检测系统，其特征在于，所述孪生网络模块，包括：检测图像特征提取单元，用于使用所述第一卷积神经网络的多层卷积层对所述检测图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度检测特征图；第一空间注意力单元，用于将所述深度检测特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图；以及检测特征图生成单元，用于计算所述深度检测特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图。
3.根据权利要求2所述的基于图像的半导体扩散纸源缺陷检测系统，其特征在于，所述孪生网络模块，包括：参考图像特征提取单元，用于使用所述第二卷积神经网络的多层卷积层对所述参考图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参考特征图；第二空间注意力单元，用于将所述深度参考特征图输入所述第二卷积神经网络的第二空间注意力模块以得到第二空间注意力图；以及参考特征图生成单元，用于计算所述深度参考特征图和所述第二空间注意力图的按位置点乘以得到所述参考特征图。
4.根据权利要求3所述的基于图像的半导体扩散纸源缺陷检测系统，其特征在于，所述特征差异模块，进一步用于：以如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；其中，所述公式为：
Figure 48156DEST_PATH_IMAGE001
其中，
Figure 907790DEST_PATH_IMAGE002
表示所述检测特征图，
Figure 597397DEST_PATH_IMAGE003
表示所述参考特征图，
Figure 636897DEST_PATH_IMAGE004
表示所述差分特征图，
Figure 62937DEST_PATH_IMAGE005
表示按位置差分。
5.根据权利要求4所述的基于图像的半导体扩散纸源缺陷检测系统，其特征在于，所述特征分布校正模块，进一步用于：以如下公式对所述差分特征图进行特征分布校正以得到校正后差分特征图；其中，所述公式为：
Figure 795270DEST_PATH_IMAGE006
其中，
Figure 237752DEST_PATH_IMAGE007
为差分特征图，
Figure 785671DEST_PATH_IMAGE008
是所述差分特征图通过所述分类器进行预分类获得的概率值。
6.根据权利要求5所述的基于图像的半导体扩散纸源缺陷检测系统，其特征在于，所述检测结果生成模块，包括：特征图展开单元，用于将所述校正后差分特征图基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.一种基于图像的半导体扩散纸源缺陷检测方法，其特征在于，包括：获取待检测扩散纸源的检测图像和参考图像，所述参考图像为没有缺陷的扩散纸源的图像；将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；计算所述检测特征图和所述参考特征图之间的差分特征图；对所述差分特征图进行特征分布校正以得到校正后差分特征图；以及将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示待检测扩散纸源是否存在缺陷。
8.根据权利要求7所述的基于图像的半导体扩散纸源缺陷检测方法，其特征在于，所述计算所述检测特征图和所述参考特征图之间的差分特征图，包括：以如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；其中，所述公式为：
Figure 629999DEST_PATH_IMAGE001
其中，
Figure 736495DEST_PATH_IMAGE009
表示所述检测特征图，
Figure 170668DEST_PATH_IMAGE010
表示所述参考特征图，
Figure 817550DEST_PATH_IMAGE011
表示所述差分特征图，
Figure 454068DEST_PATH_IMAGE005
表示按位置差分。
9.根据权利要求8所述的基于图像的半导体扩散纸源缺陷检测方法，其特征在于，对所述差分特征图进行特征分布校正以得到校正后差分特征图，包括：以如下公式对所述差分特征图进行特征分布校正以得到校正后差分特征图；其中，所述公式为：
Figure 295247DEST_PATH_IMAGE006
其中，
Figure 650005DEST_PATH_IMAGE012
为差分特征图，
Figure 100578DEST_PATH_IMAGE013
是所述差分特征图通过所述分类器进行预分类获得的概率值。
10.根据权利要求9所述的基于图像的半导体扩散纸源缺陷检测方法，其特征在于，将所述校正后差分特征图通过分类器以得到分类结果，包括：将所述校正后差分特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
CN202211317148.9A 2022-10-26 2022-10-26 基于图像的半导体扩散纸源缺陷检测系统及其方法 Active CN115375691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211317148.9A CN115375691B (zh) 2022-10-26 2022-10-26 基于图像的半导体扩散纸源缺陷检测系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211317148.9A CN115375691B (zh) 2022-10-26 2022-10-26 基于图像的半导体扩散纸源缺陷检测系统及其方法

Publications (2)

Publication Number Publication Date
CN115375691A true CN115375691A (zh) 2022-11-22
CN115375691B CN115375691B (zh) 2023-04-07

Family

ID=84074393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211317148.9A Active CN115375691B (zh) 2022-10-26 2022-10-26 基于图像的半导体扩散纸源缺陷检测系统及其方法

Country Status (1)

Country Link
CN (1) CN115375691B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115863204A (zh) * 2023-02-27 2023-03-28 青岛芯康半导体科技有限公司 晶片加工用在线厚度监视和测量方法及系统
CN115901794A (zh) * 2023-02-17 2023-04-04 广州达普绅智能设备有限公司 一种条形光源检测瓶口瑕疵的系统及方法
CN115937792A (zh) * 2023-01-10 2023-04-07 浙江非线数联科技股份有限公司 基于区块链的智慧社区运营管理系统
CN116030048A (zh) * 2023-03-27 2023-04-28 山东鹰眼机械科技有限公司 灯检机及其方法
CN116051506A (zh) * 2023-01-28 2023-05-02 东莞市言科新能源有限公司 聚合物锂离子电池的智能化生产系统及其方法
CN116295116A (zh) * 2023-04-13 2023-06-23 广东省旭晟半导体股份有限公司 红外线发射模组及其制备方法
CN116647946A (zh) * 2023-07-27 2023-08-25 济宁九德半导体科技有限公司 基于半导体的加热控制系统及其方法
CN117197487A (zh) * 2023-09-05 2023-12-08 东莞常安医院有限公司 一种免疫胶体金诊断试纸条自动识别系统
CN117475241A (zh) * 2023-12-27 2024-01-30 山西省水利建筑工程局集团有限公司 用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222792A (zh) * 2019-06-20 2019-09-10 杭州电子科技大学 一种基于孪生网络的标签缺陷检测算法
CN112734016A (zh) * 2021-01-20 2021-04-30 成都圭坡拓科技有限公司 用于钢筋表面的光滑程度检测的神经网络的训练方法
CN114580515A (zh) * 2022-02-28 2022-06-03 上海味伊思技术有限公司 用于半导体脱焊智能检测的神经网络训练方法
US20220284720A1 (en) * 2021-03-04 2022-09-08 Hon Hai Precision Industry Co., Ltd. Method for grouping cells according to density and electronic device employing method
WO2022198808A1 (zh) * 2021-03-24 2022-09-29 齐鲁工业大学 基于双线性注意力网络的医学影像数据分类方法及系统
CN115239515A (zh) * 2022-07-28 2022-10-25 德玛克(长兴)精密机械有限公司 用于机械部件的精密智能化加工制造系统及其制造方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222792A (zh) * 2019-06-20 2019-09-10 杭州电子科技大学 一种基于孪生网络的标签缺陷检测算法
CN112734016A (zh) * 2021-01-20 2021-04-30 成都圭坡拓科技有限公司 用于钢筋表面的光滑程度检测的神经网络的训练方法
US20220284720A1 (en) * 2021-03-04 2022-09-08 Hon Hai Precision Industry Co., Ltd. Method for grouping cells according to density and electronic device employing method
WO2022198808A1 (zh) * 2021-03-24 2022-09-29 齐鲁工业大学 基于双线性注意力网络的医学影像数据分类方法及系统
CN114580515A (zh) * 2022-02-28 2022-06-03 上海味伊思技术有限公司 用于半导体脱焊智能检测的神经网络训练方法
CN115239515A (zh) * 2022-07-28 2022-10-25 德玛克(长兴)精密机械有限公司 用于机械部件的精密智能化加工制造系统及其制造方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHIGANG LING等: ""Deep Siamese Semantic Segmentation Network for PCB Welding Defect Detection"", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 *
倪良波等: ""基于孪生残差神经网络的遥感影像变化检测"", 《计算机工程与设计》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937792A (zh) * 2023-01-10 2023-04-07 浙江非线数联科技股份有限公司 基于区块链的智慧社区运营管理系统
CN115937792B (zh) * 2023-01-10 2023-09-12 浙江非线数联科技股份有限公司 基于区块链的智慧社区运营管理系统
CN116051506A (zh) * 2023-01-28 2023-05-02 东莞市言科新能源有限公司 聚合物锂离子电池的智能化生产系统及其方法
CN115901794A (zh) * 2023-02-17 2023-04-04 广州达普绅智能设备有限公司 一种条形光源检测瓶口瑕疵的系统及方法
CN115863204A (zh) * 2023-02-27 2023-03-28 青岛芯康半导体科技有限公司 晶片加工用在线厚度监视和测量方法及系统
CN116030048A (zh) * 2023-03-27 2023-04-28 山东鹰眼机械科技有限公司 灯检机及其方法
CN116295116A (zh) * 2023-04-13 2023-06-23 广东省旭晟半导体股份有限公司 红外线发射模组及其制备方法
CN116647946A (zh) * 2023-07-27 2023-08-25 济宁九德半导体科技有限公司 基于半导体的加热控制系统及其方法
CN116647946B (zh) * 2023-07-27 2023-10-13 济宁九德半导体科技有限公司 基于半导体的加热控制系统及其方法
CN117197487A (zh) * 2023-09-05 2023-12-08 东莞常安医院有限公司 一种免疫胶体金诊断试纸条自动识别系统
CN117197487B (zh) * 2023-09-05 2024-04-12 东莞常安医院有限公司 一种免疫胶体金诊断试纸条自动识别系统
CN117475241A (zh) * 2023-12-27 2024-01-30 山西省水利建筑工程局集团有限公司 用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法

Also Published As

Publication number Publication date
CN115375691B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115375691B (zh) 基于图像的半导体扩散纸源缺陷检测系统及其方法
EP3483767B1 (en) Device for detecting variant malicious code on basis of neural network learning, method therefor, and computer-readable recording medium in which program for executing same method is recorded
CN108268869B (zh) 目标检测方法、装置及系统
JP5406705B2 (ja) データ補正装置及び方法
CN114782882B (zh) 基于多模态特征融合的视频目标行为异常检测方法和系统
JP2015041164A (ja) 画像処理装置、画像処理方法およびプログラム
CN115797670A (zh) 基于卷积神经网络的斗轮性能监测方法及其系统
CN115761642A (zh) 基于图像处理的破碎作业监控方法及其系统
CN116343301B (zh) 基于人脸识别的人员信息智能校验系统
CN115620303A (zh) 人事档案智慧管理系统
CN115511890A (zh) 异型网络接口大流量数据的分析系统
CN117030129A (zh) 纸杯在线检漏方法及其系统
CN110503152B (zh) 用于目标检测的双路神经网络训练方法及图像处理方法
CN115392320A (zh) 具有防盗功能的变压器及其方法
CN116071309A (zh) 元器件的声扫缺陷检测方法、装置、设备和存储介质
CN115205788A (zh) 食材质量监控系统
CN114708578A (zh) 唇部动作检测方法、装置、可读存储介质和电子设备
CN112960213A (zh) 使用特征概率分布表示的智能包装质量检测方法
CN116797533B (zh) 电源适配器的外观缺陷检测方法及其系统
CN112418353A (zh) 用于电池隔膜异常检测的神经网络的训练方法
CN115631497A (zh) 一种工商管理系统及其方法
CN112734016A (zh) 用于钢筋表面的光滑程度检测的神经网络的训练方法
CN112767342A (zh) 基于双分支推断机制的瓦斯气体智能检测方法
CN112800995A (zh) 使用多尺度特征加权的智能颗粒大小检测方法
CN112819040A (zh) 基于权值生成机制的用于水泥加工的智能控制方法

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
CB03 Change of inventor or designer information

Inventor after: Shi Jian

Inventor before: Shi Jian

Inventor before: Cai Liang

Inventor before: Liu Shiwei

Inventor before: Wang Han

Inventor before: Wu Xiujie

Inventor before: Li Jie

CB03 Change of inventor or designer information