CN116141178A - 一种半导体阀门的加工系统及其方法 - Google Patents

一种半导体阀门的加工系统及其方法 Download PDF

Info

Publication number
CN116141178A
CN116141178A CN202310406844.5A CN202310406844A CN116141178A CN 116141178 A CN116141178 A CN 116141178A CN 202310406844 A CN202310406844 A CN 202310406844A CN 116141178 A CN116141178 A CN 116141178A
Authority
CN
China
Prior art keywords
image
feature
feature map
detection
classification
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
CN202310406844.5A
Other languages
English (en)
Other versions
CN116141178B (zh
Inventor
张少特
张奇特
谭云培
袁兴泷
王兵正
谢万桥
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.)
Hangzhou Eda Precision Electromechanical Science & Technology Co ltd
Original Assignee
Hangzhou Eda Precision Electromechanical Science & 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 Hangzhou Eda Precision Electromechanical Science & Technology Co ltd filed Critical Hangzhou Eda Precision Electromechanical Science & Technology Co ltd
Priority to CN202310406844.5A priority Critical patent/CN116141178B/zh
Publication of CN116141178A publication Critical patent/CN116141178A/zh
Application granted granted Critical
Publication of CN116141178B publication Critical patent/CN116141178B/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B29/00—Machines or devices for polishing surfaces on work by means of tools made of soft or flexible material with or without the application of solid or liquid polishing agents
    • B24B29/02—Machines or devices for polishing surfaces on work by means of tools made of soft or flexible material with or without the application of solid or liquid polishing agents designed for particular workpieces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Mechanical Engineering (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及半导体阀门智能加工领域，其具体地公开了一种半导体阀门的加工系统及其方法，其采用基于深度学习的人工智能检测技术，以通过图像编码器来提取半导体阀门的第一面的检测图像和第二面的检测图像中关于抛光质量的高维局部隐含特征信息，并以两者之间的差异特征分布信息作为分类器的输入来进行第一面和第二面的抛光质量之间的一致性是否符合预定要求的分类判断。这样，对于半导体阀门每个面的抛光质量进行分析与比较，以在发现半导体阀门各个面的精度一致性较差时及时采取二次加工，提高半导体阀门精度的一致性。

Description

一种半导体阀门的加工系统及其方法
技术领域
本申请涉及半导体阀门智能加工领域，且更为具体地，涉及一种半导体阀门的加工系统及其方法。
背景技术
半导体精密阀门镜面抛光是采用人工手持打磨工具夹持砂纸棒、橡胶磨头、羊毛磨头等耗材对夹持在工作台的零件进行打磨、抛光处理。但是人工对半导体精密阀门进行镜面抛光导致产品的质量参差不齐，同时人工生产的效率极低、劳动强度大和耗材损耗快等缺点。
针对上述问题，中国专利CN111230601 B揭露了一种半导体精密阀门镜面处理方法，其根据待抛磨孔的情况来选择相应的磨头循序渐进地对孔由粗到细地进行打磨和抛光。虽然上述方案能够提高半导体阀门加工精度，但在实际生产中，却发现半导体阀门的各个面的精度一致性较差，也就是，各个面的抛光质量之间存在较大差异。
因此，期待一种优化的半导体阀门的加工方案。
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半导体阀门的加工系统及其方法，其采用基于深度学习的人工智能检测技术，以通过图像编码器来提取半导体阀门的第一面的检测图像和第二面的检测图像中关于抛光质量的高维局部隐含特征信息，并以两者之间的差异特征分布信息作为分类器的输入来进行第一面和第二面的抛光质量之间的一致性是否符合预定要求的分类判断。这样，对于半导体阀门每个面的抛光质量进行分析与比较，以在发现半导体阀门各个面的精度一致性较差时及时采取二次加工，提高半导体阀门精度的一致性。
相应地，根据本申请的一个方面，提供了一种半导体阀门的加工系统，其包括：
摄像模块，用于获取待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像；
分辨率增强模块，用于将所述第一面的检测图像和所述第二面的检测图像分别通过基于自动编解码器的分辨率增强器以得到第一面像素增强图像和第二面像素增强图像；
双重检测模块，用于将所述第一面像素增强图像和所述第二面像素增强图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到第一检测特征图和第二检测特征图，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；
差分模块，用于计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；
空间增强模块，用于将所述差分特征图通过空间注意力模块以得到空间增强差分特征图；
通道增强模块，用于基于所述空间增强差分特征图，对所述空间增强差分特征图进行通道维度表达增强以得到分类特征图；以及
加工控制结果生成模块，用于将所述分类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第一面和第二面的抛光质量之间的一致性是否符合预定要求。
在上述半导体阀门的加工系统中，所述分辨率增强模块，包括：图像编码单元，用于将所述第一面的检测图像和所述第二面的检测图像分别输入所述分辨率增强器的编码器，其中，所述编码器使用卷积层对所述第一面的检测图像和所述第二面的检测图像分别进行显式空间编码以得到第一图像特征和第二图像特征；以及，图像特征解码单元，用于将所述第一图像特征和所述第二图像特征分别输入所述分辨率增强器的解码器，其中，所述解码器使用反卷积层对所述第一图像特征和所述第二图像特征进行反卷积处理以得到所述第一面像素增强图像和所述第二面像素增强图像。
在上述半导体阀门的加工系统中，所述第一图像编码器和所述第二图像编码器为深度残差网络模型。
在上述半导体阀门的加工系统中，所述差分模块，进一步用于：以如下公式来计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；其中，所述公式为：
Figure SMS_1
，其中，/>
Figure SMS_2
表示所述第一检测特征图，/>
Figure SMS_3
表示第二检测特征图，/>
Figure SMS_4
表示所述差分特征图，/>
Figure SMS_5
表示按位置作差。
在上述半导体阀门的加工系统中，所述空间增强模块，进一步用于：使用所述空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到空间增强差分特征图。
在上述半导体阀门的加工系统中，所述通道增强模块，包括：特征相关性累积区分机制建模单元，用于以如下公式对所述空间增强差分特征图进行特征相关性累积区分机制建模以获得通道权重特征向量；其中，所述公式为：
Figure SMS_6
其中，
Figure SMS_7
表示所述空间增强差分特征图，/>
Figure SMS_10
和/>
Figure SMS_12
分别表示对所述空间增强差分特征图进行基于不同卷积核的单层卷积操作，且/>
Figure SMS_9
表示对所述空间增强差分特征图的每个特征矩阵的全局池化操作，/>
Figure SMS_11
表示/>
Figure SMS_13
激活函数，/>
Figure SMS_15
表示
Figure SMS_8
激活函数，/>
Figure SMS_14
表示按位置相加，/>
Figure SMS_16
表示所述通道权重特征向量；以及，施加单元，用于将所述通道权重特征向量各个特征值作为加权因子对所述空间增强差分特征图的沿通道维度排列的各个特征矩阵进行加权以得到所述分类特征图。
在上述半导体阀门的加工系统中，所述加工控制结果生成模块，包括：展开单元，用于将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；概率化单元，用于将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；以及，分类结果生成单元，用于将最大概率值对应的分类标签确定为所述分类结果。
根据本申请的另一方面，还提供了一种半导体阀门的加工方法，其包括：
获取待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像；
将所述第一面的检测图像和所述第二面的检测图像分别通过基于自动编解码器的分辨率增强器以得到第一面像素增强图像和第二面像素增强图像；
将所述第一面像素增强图像和所述第二面像素增强图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到第一检测特征图和第二检测特征图，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；
计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；
将所述差分特征图通过空间注意力模块以得到空间增强差分特征图；
基于所述空间增强差分特征图，对所述空间增强差分特征图进行通道维度表达增强以得到分类特征图；以及
将所述分类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第一面和第二面的抛光质量之间的一致性是否符合预定要求。
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半导体阀门的加工方法。
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半导体阀门的加工方法。
与现有技术相比，本申请提供的一种半导体阀门的加工系统及其方法，其采用基于深度学习的人工智能检测技术，以通过图像编码器来提取半导体阀门的第一面的检测图像和第二面的检测图像中关于抛光质量的高维局部隐含特征信息，并以两者之间的差异特征分布信息作为分类器的输入来进行第一面和第二面的抛光质量之间的一致性是否符合预定要求的分类判断。这样，对于半导体阀门每个面的抛光质量进行分析与比较，以在发现半导体阀门各个面的精度一致性较差时及时采取二次加工，提高半导体阀门精度的一致性。
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半导体阀门的加工系统的应用场景图。
图2为根据本申请实施例的半导体阀门的加工系统的框图。
图3为根据本申请实施例的半导体阀门的加工系统的架构示意图。
图4为根据本申请实施例的半导体阀门的加工系统中加工控制结果生成模块的框图。
图5为根据本申请实施例的半导体阀门的加工方法的流程图。
图6为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。
申请概述
相应地，考虑在实际进行半导体阀门加工过程中，由于对半导体阀门每个面的抛光是分开进行，会出现各个面的抛光质量之间存在较大差异的情况，也就是半导体阀门的各个面的精度一致性较差，因此，在本申请的技术方案中，期望对于半导体阀门每个面的抛光质量进行比较，以在发现半导体阀门各个面的精度一致性较差时及时采取二次加工，提高半导体阀门精度的一致性。为了实现上述目的，可以通过对半导体阀门各个面之间的检测图像进行分析与比较。但是，由于检测图像中存在大量信息，并且由于光线、粉尘等环境因素对半导体阀门各个面的抛光质量检测与分析会造成较大的干扰，难以对其进行深度挖掘，从而降低半导体阀门加工精度的一致性。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为从半导体阀门各个面的检测图像中挖掘关于抛光质量的高维隐含特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先获取待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像。在本申请的一个具体示例中，可以使用摄像头来获取所述待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像。
考虑到所述待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像中存在大量与抛光质量无关的干扰信息，例如，光线、粉尘等环境干扰信息。因此，将所述第一面的检测图像和所述第二面的检测图像分别通过基于自动编解码器的分辨率增强器以增强所述第一面的检测图像和所述第二面的检测图像中关于抛光质量的信息而降低对与抛光质量无关的干扰信息的关注度。其中，所述分辨率增强器包括编码器和解码器，所述编码器使用卷积层对所述第一面的检测图像和所述第二面的检测图像分别进行显式空间编码以得到第一图像特征和第二图像特征，所述解码器使用反卷积层对所述第一图像特征和所述第二图像特征进行反卷积处理以得到所述第一面像素增强图像和所述第二面像素增强图像。
然后，将所述第一面像素增强图像和所述第二面像素增强图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到第一检测特征图和第二检测特征图。也就是使用在图像特征提取领域具有优异性能表现的图像编码器来检测与提取所述第一面像素增强图像和所述第二面像素增强图像中关于抛光质量的高维局部隐含特征信息。特别地，考虑到在本申请的技术方案中期望对于半导体阀门每个面的抛光质量进行比较，因此所述双重检测模型中所述第一图像编码器和所述第二图像编码器具有相同的网络结构以减少模型的差异对半导体阀门每个面的抛光质量的特征挖掘带来的影响。
继而，计算所述第一检测特征图和所述第二检测特征图之间的差分特征图以衡量所述第一检测特征图和所述第二检测特征图在高维特征空间中的特征分布之间的差异。
考虑到在所述差分特征图中，不同位置的特征值用于表示所述第一检测特征图和所述第二检测特征图之间逐位置的差异性，其在最终的分类判断中具有不同的影响权重，因此，为了使得所述差分特征图具有更加相对的空间可鉴别性，进一步地将所述差分特征图通过空间注意力模块以得到空间增强差分特征图。
在得到所述空间增强差分特征图之后，将其通过分类器以得到分类结果，所述分类结果用于表示第一面和第二面的抛光质量之间的一致性是否符合预定要求。在本申请的技术方案中，所述分类器的分类标签包括第一面和第二面的抛光质量之间的一致性符合预定要求（第一标签），以及第一面和第二面的抛光质量之间的一致性不符合预定要求（第二标签），其中，所述分类器通过软最大值函数来确定所述空间增强差分特征图属于哪个分类标签。在本申请的一个具体示例中，响应于第一面和第二面的抛光质量之间的一致性不符合预定要求的分类结果，发出需要进行二次加工的提示信息。这样，对于半导体阀门每个面的抛光质量进行分析与比较，以在发现半导体阀门各个面的精度一致性较差时及时采取二次加工，提高半导体阀门精度的一致性。
特别地，在本申请的技术方案中，通过将所述差分特征图通过空间注意力模块，可以在特征矩阵的空间特征分布维度强化所述空间增强差分特征图的特征表达，因此，如果能够进一步在所述空间增强差分特征图的通道特征分布维度上强化其特征表达，即，对所述空间增强差分特征图的各个特征矩阵进行通道加权，则显然能够提升所述空间增强差分特征图的表达效果。
因此，本申请的申请人考虑到对所述空间增强差分特征图，例如表示为
Figure SMS_17
进行特征相关性累积区分机制建模以获得通道权重特征向量，例如表示为/>
Figure SMS_18
，/>
Figure SMS_19
具体为：
Figure SMS_20
其中，
Figure SMS_21
和/>
Figure SMS_22
分别表示对所述空间增强差分特征图进行基于不同卷积核的单层卷积操作，且/>
Figure SMS_23
表示对所述空间增强差分特征图的每个特征矩阵的全局池化操作。
这里，所述特征相关性累积区分机制建模首先通过卷积操作来生成加权特征图的两种新的局部关联单元，再利用Sigmoid函数和ReLU函数对局部关联特征进行类似神经网络架构的简单的嵌入、复位和更新，之后通过全局平均池化操作来累积局部特征相对于整体特征的相关性，从而使用特征区分机制来显式地建模特征重要性序列，就可以基于所述空间增强差分特征图的各个特征矩阵的特征累积区分机制来确定通道维度下适当的加权因数。然后，再将所述通道权重特征向量
Figure SMS_24
对所述空间增强差分特征图的通道维度上排列的各个特征矩阵进行加权，就可以提升所述空间增强差分特征图的表达效果。/>
图1为根据本申请实施例的半导体阀门的加工系统的应用场景图。如图1所示，在该应用场景中，首先由摄像头（例如，如图1中所示意的C）获取待加工半导体阀门（例如，如图1中所示意的V）的第一面（例如，如图1中所示意的A1）的检测图像和所述待加工半导体阀门的第二面（例如，如图1中所示意的A2）的检测图像。进而，将所述待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像输入至部署有半导体阀门的加工算法的服务器（例如，如图1所示意的S）中，其中，所述服务器能够基于所述半导体阀门的加工算法对所述待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像进行处理，以得到用于表示第一面和第二面的抛光质量之间的一致性是否符合预定要求的分类结果。
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为根据本申请实施例的半导体阀门的加工系统的框图。如图2所示，根据本申请实施例的半导体阀门的加工系统100，包括：摄像模块110，用于获取待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像；分辨率增强模块120，用于将所述第一面的检测图像和所述第二面的检测图像分别通过基于自动编解码器的分辨率增强器以得到第一面像素增强图像和第二面像素增强图像；双重检测模块130，用于将所述第一面像素增强图像和所述第二面像素增强图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到第一检测特征图和第二检测特征图，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；差分模块140，用于计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；空间增强模块150，用于将所述差分特征图通过空间注意力模块以得到空间增强差分特征图；通道增强模块160，用于基于所述空间增强差分特征图，对所述空间增强差分特征图进行通道维度表达增强以得到分类特征图；以及，加工控制结果生成模块170，用于将所述分类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第一面和第二面的抛光质量之间的一致性是否符合预定要求。
图3为根据本申请实施例的半导体阀门的加工系统的架构示意图。如图3所示，首先，获取待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像；接着，将所述第一面的检测图像和所述第二面的检测图像分别通过基于自动编解码器的分辨率增强器以得到第一面像素增强图像和第二面像素增强图像；然后，将所述第一面像素增强图像和所述第二面像素增强图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到第一检测特征图和第二检测特征图，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；继而，计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；随后，将所述差分特征图通过空间注意力模块以得到空间增强差分特征图；再基于所述空间增强差分特征图，对所述空间增强差分特征图进行通道维度表达增强以得到分类特征图；最后，将所述分类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第一面和第二面的抛光质量之间的一致性是否符合预定要求。
相应地，考虑在实际进行半导体阀门加工过程中，由于对半导体阀门每个面的抛光是分开进行，会出现各个面的抛光质量之间存在较大差异的情况，也就是半导体阀门的各个面的精度一致性较差，因此，在本申请的技术方案中，期望对于半导体阀门每个面的抛光质量进行比较，以在发现半导体阀门各个面的精度一致性较差时及时采取二次加工，提高半导体阀门精度的一致性。为了实现上述目的，可以通过对半导体阀门各个面之间的检测图像进行分析与比较。但是，由于检测图像中存在大量信息，并且由于光线、粉尘等环境因素对半导体阀门各个面的抛光质量检测与分析会造成较大的干扰，难以对其进行深度挖掘，从而降低半导体阀门加工精度的一致性。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为从半导体阀门各个面的检测图像中挖掘关于抛光质量的高维隐含特征信息提供了新的解决思路和方案。
在上述半导体阀门的加工系统100中，所述摄像模块110，用于获取待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像。在本申请的一个具体示例中，可以使用摄像头来获取所述待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像。
在上述半导体阀门的加工系统100中，所述分辨率增强模块120，用于将所述第一面的检测图像和所述第二面的检测图像分别通过基于自动编解码器的分辨率增强器以得到第一面像素增强图像和第二面像素增强图像。考虑到所述待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像中存在大量与抛光质量无关的干扰信息，例如，光线、粉尘等环境干扰信息。因此，将所述第一面的检测图像和所述第二面的检测图像分别通过基于自动编解码器的分辨率增强器以增强所述第一面的检测图像和所述第二面的检测图像中关于抛光质量的信息而降低对与抛光质量无关的干扰信息的关注度。
具体地，在本申请实施例中，所述分辨率增强模块120的编码过程，包括：首先，通过图像编码单元将所述第一面的检测图像和所述第二面的检测图像分别输入所述分辨率增强器的编码器，其中，所述编码器使用卷积层对所述第一面的检测图像和所述第二面的检测图像分别进行显式空间编码以得到第一图像特征和第二图像特征；然后，通过图像特征解码单元将所述第一图像特征和所述第二图像特征分别输入所述分辨率增强器的解码器，其中，所述解码器使用反卷积层对所述第一图像特征和所述第二图像特征进行反卷积处理以得到所述第一面像素增强图像和所述第二面像素增强图像。
在上述半导体阀门的加工系统100中，所述双重检测模块130，用于将所述第一面像素增强图像和所述第二面像素增强图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到第一检测特征图和第二检测特征图，所述第一图像编码器和所述第二图像编码器具有相同的网络结构。也就是使用在图像特征提取领域具有优异性能表现的图像编码器来检测与提取所述第一面像素增强图像和所述第二面像素增强图像中关于抛光质量的高维局部隐含特征信息。特别地，考虑到在本申请的技术方案中期望对于半导体阀门每个面的抛光质量进行比较，因此所述双重检测模型中所述第一图像编码器和所述第二图像编码器具有相同的网络结构以减少模型的差异对半导体阀门每个面的抛光质量的特征挖掘带来的影响。
具体地，在本申请实施例中，所述第一图像编码器和所述第二图像编码器为深度残差网络模型。AlexNet、VGG、GoogLeNet 等网络模型的出现将神经网络的发展带入了几十层的阶段，网络的层数越深，越有可能获得更好的泛化能力。但是当模型加深以后，网络变得越来越难训练，这主要是由于梯度弥散和梯度爆炸现象造成的。在较深层数的神经网络中，梯度信息由网络的末层逐层传向网络的首层时，传递的过程中会出现梯度接近于 0 或梯度值非常大的现象。既然浅层神经网络不容易出现梯度现象，那么可以尝试给深层神经网络添加一种回退到浅层神经网络的机制。当深层神经网络可以轻松地回退到浅层神经网络时，深层神经网络可以获得与浅层神经网络相当的模型性能。由此，提出了深度残差网络(ResidualNeural Network，简称ResNet)模型，其通过在输入和输出之间添加一条直接连接的 SkipConnection 可以让神经网络具有回退的能力。
在上述半导体阀门的加工系统100中，所述差分模块140，用于计算所述第一检测特征图和所述第二检测特征图之间的差分特征图。也就是，以差分特征图来衡量所述第一检测特征图和所述第二检测特征图在高维特征空间中的特征分布之间的差异。
具体地，在本申请实施例中，以如下公式来计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；其中，所述公式为：
Figure SMS_25
，其中，/>
Figure SMS_26
表示所述第一检测特征图，/>
Figure SMS_27
表示第二检测特征图，/>
Figure SMS_28
表示所述差分特征图，/>
Figure SMS_29
表示按位置作差。
在上述半导体阀门的加工系统100中，所述空间增强模块150，用于将所述差分特征图通过空间注意力模块以得到空间增强差分特征图。考虑到在所述差分特征图中，不同位置的特征值用于表示所述第一检测特征图和所述第二检测特征图之间逐位置的差异性，其在最终的分类判断中具有不同的影响权重，因此，为了使得所述差分特征图具有更加相对的空间可鉴别性，进一步地将所述差分特征图通过空间注意力模块以得到空间增强差分特征图。
具体地，在本申请实施例中，所述空间增强模块150的编码过程，包括：首先，使用所述空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到初始卷积特征图；接着，将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；继而，将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；然后，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到空间增强差分特征图。
在上述半导体阀门的加工系统100中，所述通道增强模块160，用于基于所述空间增强差分特征图，对所述空间增强差分特征图进行通道维度表达增强以得到分类特征图。特别地，在本申请的技术方案中，通过将所述差分特征图通过空间注意力模块，可以在特征矩阵的空间特征分布维度强化所述空间增强差分特征图的特征表达，因此，如果能够进一步在所述空间增强差分特征图的通道特征分布维度上强化其特征表达，即，对所述空间增强差分特征图的各个特征矩阵进行通道加权，则显然能够提升所述空间增强差分特征图的表达效果。
因此，本申请的申请人考虑到对所述空间增强差分特征图，例如表示为
Figure SMS_30
进行特征相关性累积区分机制建模以获得通道权重特征向量，例如表示为/>
Figure SMS_31
，/>
Figure SMS_32
具体为：/>
Figure SMS_33
其中，
Figure SMS_34
表示所述空间增强差分特征图，/>
Figure SMS_37
和/>
Figure SMS_40
分别表示对所述空间增强差分特征图进行基于不同卷积核的单层卷积操作，且/>
Figure SMS_35
表示对所述空间增强差分特征图的每个特征矩阵的全局池化操作，/>
Figure SMS_38
表示/>
Figure SMS_41
激活函数，/>
Figure SMS_43
表示
Figure SMS_36
激活函数，/>
Figure SMS_39
表示按位置相加，/>
Figure SMS_42
表示所述通道权重特征向量。
这里，所述特征相关性累积区分机制建模首先通过卷积操作来生成加权特征图的两种新的局部关联单元，再利用Sigmoid函数和ReLU函数对局部关联特征进行类似神经网络架构的简单的嵌入、复位和更新，之后通过全局平均池化操作来累积局部特征相对于整体特征的相关性，从而使用特征区分机制来显式地建模特征重要性序列，就可以基于所述空间增强差分特征图的各个特征矩阵的特征累积区分机制来确定通道维度下适当的加权因数。然后，再将所述通道权重特征向量
Figure SMS_44
对所述空间增强差分特征图的通道维度上排列的各个特征矩阵进行加权，就可以提升所述空间增强差分特征图的表达效果。
在上述半导体阀门的加工系统100中，所述加工控制结果生成模块170，用于将所述分类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第一面和第二面的抛光质量之间的一致性是否符合预定要求。在本申请的技术方案中，所述分类器的分类标签包括第一面和第二面的抛光质量之间的一致性符合预定要求（第一标签），以及第一面和第二面的抛光质量之间的一致性不符合预定要求（第二标签），其中，所述分类器通过软最大值函数来确定所述空间增强差分特征图属于哪个分类标签。在本申请的一个具体示例中，响应于第一面和第二面的抛光质量之间的一致性不符合预定要求的分类结果，发出需要进行二次加工的提示信息。这样，对于半导体阀门每个面的抛光质量进行分析与比较，以在发现半导体阀门各个面的精度一致性较差时及时采取二次加工，提高半导体阀门精度的一致性。
图4为根据本申请实施例的半导体阀门的加工系统中加工控制结果生成模块的框图。如图4所示，所述加工控制结果生成模块170，包括：展开单元171，用于将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；概率化单元172，用于将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；以及，分类结果生成单元173，用于将最大概率值对应的分类标签确定为所述分类结果。
综上，基于本申请实施例的半导体阀门的加工系统100被阐明，其采用基于深度学习的人工智能检测技术，以通过图像编码器来提取半导体阀门的第一面的检测图像和第二面的检测图像中关于抛光质量的高维局部隐含特征信息，并以两者之间的差异特征分布信息作为分类器的输入来进行第一面和第二面的抛光质量之间的一致性是否符合预定要求的分类判断。这样，对于半导体阀门每个面的抛光质量进行分析与比较，以在发现半导体阀门各个面的精度一致性较差时及时采取二次加工，提高半导体阀门精度的一致性。
如上所述，根据本申请实施例的半导体阀门的加工系统100可以实现在各种终端设备中，例如半导体阀门的加工的服务器等。在一个示例中，根据本申请实施例的半导体阀门的加工系统100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，该半导体阀门的加工系统100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，该半导体阀门的加工系统100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，该半导体阀门的加工系统100与该终端设备也可以是分立的设备，并且该半导体阀门的加工系统100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为根据本申请实施例的半导体阀门的加工方法的流程图。如图5所示，根据本申请实施例的半导体阀门的加工方法，包括：S110，获取待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像；S120，将所述第一面的检测图像和所述第二面的检测图像分别通过基于自动编解码器的分辨率增强器以得到第一面像素增强图像和第二面像素增强图像；S130，将所述第一面像素增强图像和所述第二面像素增强图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到第一检测特征图和第二检测特征图，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；S140，计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；S150，将所述差分特征图通过空间注意力模块以得到空间增强差分特征图；S160，基于所述空间增强差分特征图，对所述空间增强差分特征图进行通道维度表达增强以得到分类特征图；以及，S170，将所述分类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第一面和第二面的抛光质量之间的一致性是否符合预定要求。
这里，本领域技术人员可以理解，上述半导体阀门的加工方法中的各个步骤和操作已经在上面参考图1到图4的半导体阀门的加工系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
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为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半导体阀门的加工方法中的功能以及/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待加工半导体阀门的第一面的检测图像、第二面的检测图像等各种内容。
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“示例性方法”部分中描述的根据本申请各种实施例的半导体阀门的加工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”部分中描述的根据本申请各种实施例的半导体阀门的加工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)

1.一种半导体阀门的加工系统，其特征在于，包括：
摄像模块，用于获取待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像；
分辨率增强模块，用于将所述第一面的检测图像和所述第二面的检测图像分别通过基于自动编解码器的分辨率增强器以得到第一面像素增强图像和第二面像素增强图像；
双重检测模块，用于将所述第一面像素增强图像和所述第二面像素增强图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到第一检测特征图和第二检测特征图，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；
差分模块，用于计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；
空间增强模块，用于将所述差分特征图通过空间注意力模块以得到空间增强差分特征图；
通道增强模块，用于基于所述空间增强差分特征图，对所述空间增强差分特征图进行通道维度表达增强以得到分类特征图；以及
加工控制结果生成模块，用于将所述分类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第一面和第二面的抛光质量之间的一致性是否符合预定要求。
2. 根据权利要求1所述的半导体阀门的加工系统，其特征在于，所述分辨率增强模块，包括：
图像编码单元，用于将所述第一面的检测图像和所述第二面的检测图像分别输入所述分辨率增强器的编码器，其中，所述编码器使用卷积层对所述第一面的检测图像和所述第二面的检测图像分别进行显式空间编码以得到第一图像特征和第二图像特征；以及
图像特征解码单元，用于将所述第一图像特征和所述第二图像特征分别输入所述分辨率增强器的解码器，其中，所述解码器使用反卷积层对所述第一图像特征和所述第二图像特征进行反卷积处理以得到所述第一面像素增强图像和所述第二面像素增强图像。
3.根据权利要求2所述的半导体阀门的加工系统，其特征在于，所述第一图像编码器和所述第二图像编码器为深度残差网络模型。
4.根据权利要求3所述的半导体阀门的加工系统，其特征在于，所述差分模块，进一步用于：
以如下公式来计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；
其中，所述公式为：
Figure QLYQS_1
，其中，/>
Figure QLYQS_2
表示所述第一检测特征图，/>
Figure QLYQS_3
表示第二检测特征图，/>
Figure QLYQS_4
表示所述差分特征图，/>
Figure QLYQS_5
表示按位置作差。
5.根据权利要求4所述的半导体阀门的加工系统，其特征在于，所述空间增强模块，进一步用于：
使用所述空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到初始卷积特征图；
将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；
将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及
计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到空间增强差分特征图。
6.根据权利要求5所述的半导体阀门的加工系统，其特征在于，所述通道增强模块，包括：
特征相关性累积区分机制建模单元，用于以如下公式对所述空间增强差分特征图进行特征相关性累积区分机制建模以获得通道权重特征向量；
其中，所述公式为：
Figure QLYQS_6
其中，
Figure QLYQS_8
表示所述空间增强差分特征图，/>
Figure QLYQS_11
和/>
Figure QLYQS_14
分别表示对所述空间增强差分特征图进行基于不同卷积核的单层卷积操作，且/>
Figure QLYQS_9
表示对所述空间增强差分特征图的每个特征矩阵的全局池化操作，/>
Figure QLYQS_13
表示/>
Figure QLYQS_15
激活函数，/>
Figure QLYQS_16
表示/>
Figure QLYQS_7
激活函数，/>
Figure QLYQS_10
表示按位置相加，/>
Figure QLYQS_12
表示所述通道权重特征向量；以及
施加单元，用于将所述通道权重特征向量各个特征值作为加权因子对所述空间增强差分特征图的沿通道维度排列的各个特征矩阵进行加权以得到所述分类特征图。
7.根据权利要求6所述的半导体阀门的加工系统，其特征在于，所述加工控制结果生成模块，包括：
展开单元，用于将所述分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；
概率化单元，用于将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；以及
分类结果生成单元，用于将最大概率值对应的分类标签确定为所述分类结果。
8.一种半导体阀门的加工方法，其特征在于，包括：
获取待加工半导体阀门的第一面的检测图像和所述待加工半导体阀门的第二面的检测图像；
将所述第一面的检测图像和所述第二面的检测图像分别通过基于自动编解码器的分辨率增强器以得到第一面像素增强图像和第二面像素增强图像；
将所述第一面像素增强图像和所述第二面像素增强图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到第一检测特征图和第二检测特征图，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；
计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；
将所述差分特征图通过空间注意力模块以得到空间增强差分特征图；
基于所述空间增强差分特征图，对所述空间增强差分特征图进行通道维度表达增强以得到分类特征图；以及
将所述分类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第一面和第二面的抛光质量之间的一致性是否符合预定要求。
9. 根据权利要求8所述的半导体阀门的加工方法，其特征在于，将所述第一面的检测图像和所述第二面的检测图像分别通过基于自动编解码器的分辨率增强器以得到第一面像素增强图像和第二面像素增强图像，包括：
将所述第一面的检测图像和所述第二面的检测图像分别输入所述分辨率增强器的编码器，其中，所述编码器使用卷积层对所述第一面的检测图像和所述第二面的检测图像分别进行显式空间编码以得到第一图像特征和第二图像特征；以及
将所述第一图像特征和所述第二图像特征分别输入所述分辨率增强器的解码器，其中，所述解码器使用反卷积层对所述第一图像特征和所述第二图像特征进行反卷积处理以得到所述第一面像素增强图像和所述第二面像素增强图像。
10.根据权利要求9所述的半导体阀门的加工方法，其特征在于，所述第一图像编码器和所述第二图像编码器为深度残差网络模型。
CN202310406844.5A 2023-04-17 2023-04-17 一种半导体阀门的加工系统及其方法 Active CN116141178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310406844.5A CN116141178B (zh) 2023-04-17 2023-04-17 一种半导体阀门的加工系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310406844.5A CN116141178B (zh) 2023-04-17 2023-04-17 一种半导体阀门的加工系统及其方法

Publications (2)

Publication Number Publication Date
CN116141178A true CN116141178A (zh) 2023-05-23
CN116141178B CN116141178B (zh) 2023-07-18

Family

ID=86358490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310406844.5A Active CN116141178B (zh) 2023-04-17 2023-04-17 一种半导体阀门的加工系统及其方法

Country Status (1)

Country Link
CN (1) CN116141178B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002178252A (ja) * 2000-12-12 2002-06-25 Olympus Optical Co Ltd レンズの加工方法および加工装置
US20120289124A1 (en) * 2011-05-09 2012-11-15 Benvegnu Dominic J Endpoint detection using spectrum feature trajectories
CN106463378A (zh) * 2014-04-30 2017-02-22 应用材料公司 用于终点检测的序列特征跟踪
CN110163275A (zh) * 2019-05-16 2019-08-23 西安电子科技大学 基于深度卷积神经网络的sar图像目标分类方法
CN110405621A (zh) * 2019-07-26 2019-11-05 浙江工业大学 一种基于梯度弹性研抛工具的面形误差分级修正方法
CN113681469A (zh) * 2021-10-22 2021-11-23 南通豪派金属制品有限公司 一种抛光设备的智能化控制方法及系统
US11222217B1 (en) * 2020-08-14 2022-01-11 Tsinghua University Detection method using fusion network based on attention mechanism, and terminal device
KR20220095009A (ko) * 2020-12-29 2022-07-06 서울대학교병원 전기적 바이오 시그널 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치
CN114800229A (zh) * 2022-06-27 2022-07-29 江苏中清光伏科技有限公司 双面双玻表面抛光装置及其抛光方法
CN115294143A (zh) * 2022-10-10 2022-11-04 雷锘家具(南通)有限公司 一种用于家具制造的板材平面自动打磨方法
CN115797670A (zh) * 2022-11-22 2023-03-14 华能伊敏煤电有限责任公司 基于卷积神经网络的斗轮性能监测方法及其系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002178252A (ja) * 2000-12-12 2002-06-25 Olympus Optical Co Ltd レンズの加工方法および加工装置
US20120289124A1 (en) * 2011-05-09 2012-11-15 Benvegnu Dominic J Endpoint detection using spectrum feature trajectories
CN106463378A (zh) * 2014-04-30 2017-02-22 应用材料公司 用于终点检测的序列特征跟踪
CN110163275A (zh) * 2019-05-16 2019-08-23 西安电子科技大学 基于深度卷积神经网络的sar图像目标分类方法
CN110405621A (zh) * 2019-07-26 2019-11-05 浙江工业大学 一种基于梯度弹性研抛工具的面形误差分级修正方法
US11222217B1 (en) * 2020-08-14 2022-01-11 Tsinghua University Detection method using fusion network based on attention mechanism, and terminal device
KR20220095009A (ko) * 2020-12-29 2022-07-06 서울대학교병원 전기적 바이오 시그널 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치
CN113681469A (zh) * 2021-10-22 2021-11-23 南通豪派金属制品有限公司 一种抛光设备的智能化控制方法及系统
CN114800229A (zh) * 2022-06-27 2022-07-29 江苏中清光伏科技有限公司 双面双玻表面抛光装置及其抛光方法
CN115294143A (zh) * 2022-10-10 2022-11-04 雷锘家具(南通)有限公司 一种用于家具制造的板材平面自动打磨方法
CN115797670A (zh) * 2022-11-22 2023-03-14 华能伊敏煤电有限责任公司 基于卷积神经网络的斗轮性能监测方法及其系统

Also Published As

Publication number Publication date
CN116141178B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
JP7193252B2 (ja) 画像の領域のキャプション付加
Zhang et al. Deep hierarchical guidance and regularization learning for end-to-end depth estimation
CN113780149B (zh) 一种基于注意力机制的遥感图像建筑物目标高效提取方法
CN108509833B (zh) 一种基于结构化分析字典的人脸识别方法、装置及设备
CN116309580B (zh) 基于磁应力的油气管道腐蚀检测方法
CN109544516B (zh) 图像检测方法及装置
CN116343301B (zh) 基于人脸识别的人员信息智能校验系统
CN111611925A (zh) 一种建筑物检测与识别方法及装置
CN116665086A (zh) 一种基于学习行为智能分析的教学方法及系统
CN116704208B (zh) 基于特征关系的局部可解释方法
CN117173154A (zh) 玻璃瓶的在线图像检测系统及其方法
CN116797533B (zh) 电源适配器的外观缺陷检测方法及其系统
CN117011274A (zh) 自动化玻璃瓶检测系统及其方法
CN110889290B (zh) 文本编码方法和设备、文本编码有效性检验方法和设备
CN116994049A (zh) 全自动针织横机及其方法
CN116141178B (zh) 一种半导体阀门的加工系统及其方法
CN117152625A (zh) 一种基于CoordConv和YOLOv5的遥感小目标识别方法、系统、设备及介质
CN116678258A (zh) 用于压力容器的冷热交换器及其控制方法
CN116503314A (zh) 用于门制造的质量检测系统及方法
Huang et al. Semantic segmentation under a complex background for machine vision detection based on modified UPerNet with component analysis modules
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
CN116467485B (zh) 一种视频图像检索构建系统及其方法
CN114998990B (zh) 一种工地人员安全行为识别方法及装置
CN117237644B (zh) 基于红外小目标检测的森林余火检测方法及系统
CN116823787A (zh) 钣金件人工智能生产系统及其方法

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