CN116843949A - 一种单晶硅生长变形检测方法、装置、设备及存储介质 - Google Patents
一种单晶硅生长变形检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116843949A CN116843949A CN202310645681.6A CN202310645681A CN116843949A CN 116843949 A CN116843949 A CN 116843949A CN 202310645681 A CN202310645681 A CN 202310645681A CN 116843949 A CN116843949 A CN 116843949A
- Authority
- CN
- China
- Prior art keywords
- monocrystalline silicon
- deformation
- image set
- single crystal
- silicon
- 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
- 229910021421 monocrystalline silicon Inorganic materials 0.000 title claims abstract description 162
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 title claims description 51
- 238000001514 detection method Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 29
- 239000013078 crystal Substances 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000002372 labelling Methods 0.000 claims abstract description 15
- 238000002360 preparation method Methods 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000011897 real-time detection Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims 4
- 229910052710 silicon Inorganic materials 0.000 claims 4
- 239000010703 silicon Substances 0.000 claims 4
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 239000002699 waste material Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (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)
- Quality & Reliability (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
Abstract
本发明涉及单晶硅制备技术领域，尤其涉及一种单晶硅生长变形检测方法、装置、设备及存储介质，包括：获取单晶硅拉制图像集，并对所述单晶硅拉制图像集进行标注处理，得到标注图像集，对所述标注图像集进行特征提取，得到特征图像集，利用所述特征图像集对预训练模型训练，得到训练完成的单晶硅检测模型，利用所述单晶硅检测模型对待检测单晶硅图像集进行检测，得到单晶硅检测结果，对所述单晶硅检测结果中发生形变的单晶硅进行处理，恢复单晶硅制备，基于深度学习卷积神经网络的理论，自动、实时、精准地判断等径晶棒生长是否有扭曲变形的存在，输出变形的程度进行生产操作，提高设备的整体自动化水平。
Description
技术领域
本发明涉及单晶硅制备技术领域，特别是涉及一种单晶硅生长变形检测方法、装置、设备及存储介质。
背景技术
直拉单晶硅晶格完整、机械强度高，是集成电路的基础材料，也是太阳能电池的主要材料之一。在拉晶的过程中，由于横向生长速度与提拉速度不匹配，导致的晶棒内凹或外凸特征就是变形。变形会影响产量和成晶率，变形严重导致断苞，浪费材料与工时，且有可能从等径开始一直扭曲变形到拉晶结束。
变形一般由温度原因或机械问题导致，当变形发生时，可采用加温、升埚位、降低晶转或埚转等方法来恢复生长。因此，为避免长时间变形带来的资源浪费，需安排人员进行炉台巡检，对每一炉台的拉晶过程进行监测。但由于变形特征在不同的炉台、晶棒、等径不同时期的形态、亮度等差异较大，如图1所示，人眼的判断可以定性得到变形的情况，但难以准确定量判断变形的程度，且正常生长的情况远大于变形生长的情况，导致巡检的工作效率低且存在大量的动作浪费。同时，随着生产发展的需要，炉台数量增多，传统人工巡检的方式已不足以应对日益增长的业务需求。
综上所述可知，如何设计一种高效、准确定量单晶硅变形程度是目前有待解决的问题。
发明内容
本发明的目的是提供一种单晶硅生长变形检测方法，以解决现有单晶硅生长变形检测准确定量判断变形的程度、工作效率低的问题。
为解决上述技术问题，本发明提供一种单晶硅生长变形检测方法，包括：
获取单晶硅拉制图像集，并对所述单晶硅拉制图像集进行标注处理，得到标注图像集；
对所述标注图像集进行特征提取，得到特征图像集；
利用所述特征图像集对预训练模型训练，得到训练完成的单晶硅检测模型；
利用所述单晶硅检测模型对待检测单晶硅图像集进行检测，得到单晶硅检测结果；
对所述单晶硅检测结果中发生形变的单晶硅进行处理，恢复单晶硅制备。
优选地，所述获取单晶硅拉制图像，并对所述单晶硅拉制图像进行标注处理，得到标注图像集包括：
获取单晶硅拉制图像集，对所述单晶硅拉制图像集进行随机旋转、翻转及亮度与对比对的图像增强后，对图像中的棱线末端、正常光圈、变形光圈进行标注，得到标注图像集。
优选地，所述利用所述单晶硅检测模型对待检测单晶硅图像集进行检测，得到单晶硅检测结果后包括：
采用一组连续图像进行追踪，通过棱线末端的目标检测定位每一条棱线的位置，并对该棱线的正常光圈与变形光圈进行统计，基于每个目标的置信度，综合得到单条棱线的变形置信度，再统计得到一组图像的变形程度，实时检测单晶硅是否变形，得到单晶硅变形结果。
优选地，所述对所述单晶硅检测结果中发生形变的单晶硅进行恢复处理，完成单晶硅制备包括：
若所述单晶硅变形结果确认变形发生，则进行报警，输出变形等级，炉台进行对应功率调整，尝试恢复正常拉晶；
若所述单晶硅变形结果未检测到变形，拉晶正常进行，持续实时检测，直到等径结束。
优选地，所述实时检测单晶硅是否变形包括：
判别所述待检测单晶硅图像集是否是新的炉台，若是新的炉台，为新炉台配置初始化的值，否则判别所述待检测单晶硅图像的数目是否合理；
对所述待检测单晶硅图像集的每一张图像进行模型检测后，对该组图像的综合结果进行变形判断。
优选地，所述对该组图像的综合结果进行变形判断将所述训练完成的单晶硅检测模型以服务的形式部署至服务器，将采集到的生产图像及炉台工艺参数信息以HTTP请求发送至服务器，进行实时判断。
优选地，所述利用所述特征图像集对预训练模型训练，得到训练完成的单晶硅检测模型包括：
基于Faster R-CNN目标检测模型，利用ResNet-50残差神经网络作为主干网络进行图像特征的学习，对预训练模型反复迭代直至损失函数收敛，得到训练完成的单晶硅检测模型。
本发明还提供一种单晶硅生长变形检测装置，包括：
标注处理模块，获取单晶硅拉制图像集，并对所述单晶硅拉制图像集进行标注处理，得到标注图像集；
特征提取模块，对所述标注图像集进行特征提取，得到特征图像集；
训练模块，利用所述特征图像集对预训练模型训练，得到训练完成的单晶硅检测模型；
检测模块，利用所述单晶硅检测模型对待检测单晶硅图像进行检测，得到单晶硅检测结果；
恢复处理模块，对所述单晶硅检测结果中发生形变的单晶硅进行处理，恢复单晶硅制备。
本发明还提供一种单晶硅生长变形检测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述所述一种单晶硅生长变形检测方法的步骤。
本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述一种单晶硅生长变形检测方法的步骤。
本发明所提供的一种单晶硅生长变形检测方法，利用深度学习的目标检测算法对单晶硅拉制过程中产生的变形问题进行检测，能准确得到图像上的棱线、变形光圈与正常光圈的位置与置信度，精准模拟人眼观测效果，得到单张图像的检测结果，对图片中光圈特征进行实时监测，综合连续多张图像检测结果得到变形程度等级，可为工艺参数调节及时提供测量值，自动、实时、精准地等径晶棒生长是否有扭曲变形的存在，输出变形的程度进行生产操作，提高设备的整体自动化水平。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为不同程度变形的单晶硅示意图；
图2为本发明所提供的一种单晶硅生长变形检测方法的第一种具体实施例的流程图；
图3为单晶硅生长变形检测流程图；
图4为单目标变形程度示意图；
图5为本发明实施例提供的一种单晶硅生长变形检测装置的结构框图。
具体实施方式
本发明的核心是提供一种单晶硅生长变形检测方法、装置、设备及存储介质，基于深度学习卷积神经网络的理论，自动、实时、精准地判断等径晶棒生长是否有扭曲变形的存在，输出变形的程度进行生产操作，提高设备的整体自动化水平。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图2，图2为本发明所提供的一种单晶硅生长变形检测方法的第一种具体实施例的流程图；具体操作步骤如下：
步骤S101：获取单晶硅拉制图像集，并对所述单晶硅拉制图像集进行标注处理，得到标注图像集；
获取单晶硅拉制图像集，对所述单晶硅拉制图像集进行随机旋转、翻转及亮度与对比对的图像增强后，对图像中的棱线末端、正常光圈、变形光圈进行标注，得到标注图像集。
步骤S102：对所述标注图像集进行特征提取，得到特征图像集；
步骤S103：利用所述特征图像集对预训练模型训练，得到训练完成的单晶硅检测模型；
基于Faster R-CNN目标检测模型，利用ResNet-50残差神经网络作为主干网络进行图像特征的学习，对预训练模型反复迭代直至损失函数收敛，得到训练完成的单晶硅检测模型。
步骤S104：利用所述单晶硅检测模型对待检测单晶硅图像集进行检测，得到单晶硅检测结果；
将所述训练完成的单晶硅检测模型以服务的形式部署至服务器，将采集到的生产图像及炉台工艺参数信息以HTTP请求发送至服务器，进行实时判断；
采用一组连续图像进行追踪，通过棱线末端的目标检测定位每一条棱线的位置，并对该棱线的正常光圈与变形光圈进行统计，基于每个目标的置信度，综合得到单条棱线的变形置信度，再统计得到一组图像的变形程度，实时检测单晶硅是否变形，得到单晶硅变形结果；
判别所述待检测单晶硅图像集是否是新的炉台，若是新的炉台，为新炉台配置初始化的值，否则判别所述待检测单晶硅图像的数目是否合理；
对所述待检测单晶硅图像集的每一张图像进行模型检测后，对该组图像的综合结果进行变形判断；
若所述单晶硅变形结果确认变形发生，则进行预警，输出变形等级，炉台进行对应功率调整，尝试恢复正常拉晶；
若所述单晶硅变形结果未检测到变形，拉晶正常进行，持续实时检测，直到等径结束。
步骤S105：对所述单晶硅检测结果中发生形变的单晶硅进行处理，恢复单晶硅制备。
本实施例提供一种单晶硅生长变形检测方法，通过棱线的追踪提高对单条棱线附近变形程度综合计算的准确性，模拟人工的统计思维，综合处理各图中该棱线的检测结果，提高视频连续观测效果的准确性，利用深度学习的目标检测算法对单晶硅拉制过程中产生的变形问题进行检测，能准确得到图像上的棱线、变形光圈与正常光圈的位置与置信度，精准模拟人眼观测效果，得到单张图像的检测结果，实现了自动、实时、精准地判断等径晶棒生长是否有扭曲变形的存在，输出变形的程度进行生产操作，提高设备的整体自动化水平。
基于上述实施例，本实施例对所述一种单晶硅生长变形检测方法展开描述，如图3所示，具体如下：
使用CCD相机采集不少于3千张现场单晶硅拉制等径工艺过程的图像，由于单晶炉内高温和封闭环境，视觉系统以一定倾斜角安装在观察窗上，透过镀金玻璃对炉内的等径生长状态进行图像采集，视觉系统所使用的摄像机为2592*1944分辨率的工业相机和50mm焦距的镜头。所采集的图像覆盖多个炉台的等径工步的早期、中期、后期，包括正常拉晶与拉晶变形的特征，尽可能的覆盖现场可能涉及到的各种情况，并对图像进行初步标注。
对整体图像进行随机旋转、翻转、亮度与对比度变化等数据增强方法，扩充数据并模拟真实的光圈正常与变形特征。将所有图像随机划分为验证集、训练集和测试集，并且训练集、测试集和验证集的图像不重复，精调标注，构建起图像数据集；
搭建基于深度学习神经网络的目标检测模型，在常规的Faster R-CNN基础上，采用ResNet-50残差神经网络作为主干网络进行图像特征的学习，使用残差学习的思想适应更大的深度，以多尺度训练中600x800分辨率的图像为例，通过残差模块的卷积运算提取图像特征。通过改变RPN网络的anchor尺度，解决图像变形目标长宽比问题。构建数据加载器，利用图像数据集进行训练，经过200个epoch后，得到训练完成的单晶硅检测模型，实现对目标进行棱线末端、正常光圈与变形光圈的目标检测；
由于等径变形检测的特殊性，需要使用一组连续图像进行综合结果输出来保证检测结果的准确性。通过对棱线末端的目标检测定位每一条棱线的位置，并对该棱线附近的正常光圈与变形光圈进行统计，基于每个目标的置信度，综合得到单条棱线的变形置信度，再统计得到一组图像的变形程度，以追踪策略模拟视频追踪检测效果，实时检测输出晶棒是否变形，其具体的实现逻辑如下：
对输入的图像判别是否是新的炉台，若是新的炉台，为新炉台配置初始化的值，否则判别图像的数目是否合理；
对该组图像的每一张图像进行模型检测，并存储保存结果；
一组图像检测结束后，对该组图像的综合结果进行判断，具体逻辑如下：
对该组图像的图像采集时间进行判断，分析连续两张图像的时间差是否合理，避免异常情况导致图像不连续；
通过对连续两张图像在相同位置检测到到相同的目标框视为脏污干扰，在综合结果中去除该类目标框；
对棱线末端、正常光圈、变形光圈设定合理的阈值，对所有得到的检测结果目标框去除小于阈值的目标框，得到最终用于追踪的目标框结果。
使用一组图像的棱线末端中心点坐标拟合得到晶棒的中心位置与晶棒像素半径，通过连续图像间的棱线末端移动距离得到转动角度，基于转动角度与每张图像上的棱线末端中心位置将每个棱线末端目标框划分到晶棒的4条棱线中，并将光圈目标框与棱线末端目标框进行绑定。
判断是否存在任一条棱线的变形光圈目标框数据超过2个，如果存在，则为变形，否则为正常拉晶。
对于变形的图像线，综合计算整体的变形程度，计算逻辑如下：
对四条棱线的变形光圈与正常光圈的数据进行统计，去除不含有变形光圈的棱线，得到剩下棱线的数量；
如图4所示对同一个棱线目标，以变形光圈置信度减去正常光圈置信度的结果作为目标变形程度值，以各目标的均值作为该棱线的变形程度值；
使用变形棱线的变形程度之和除以对应的棱线数量，得到整组图像的变形程度值
输出变形结果及存在变形时的变形程度值。
将模型与策略以服务的形式部署到现场服务器，对CCD程序采集到的一组现场生产过程图像和对应的炉台工艺参数信息，将数据以HTTP请求发送到服务器，服务器使用上述模型与策略对等径变形情况进行实时判断。
如果确认变形发生，进行预警，输出变形等级，炉台进行对应功率调整，尝试恢复正常拉晶生长，防止变形严重导致的断苞等能源的浪费，如果未检测到变形，拉晶正常进行，持续实时检测，直到等径结束。
本发明实施例提供的一种单晶硅生长变形检测方法，利用深度学习的目标检测算法对单晶硅拉制过程中产生的变形问题进行检测，能准确得到图像上的棱线、变形光圈与正常光圈的位置与置信度，精准模拟人眼观测效果，得到单张图像的检测结果，通过棱线的追踪提高对单条棱线附近变形程度综合计算的准确性，模拟人工的统计思维，综合处理各图中该棱线的检测结果，具有视频连续观测效果的准确性，实现了检测速度快，快速检测并综合输出结果，返回到炉台进行生产工艺应用，及时性高，且本方法对场景适用性强，可用于不同型号的单晶硅生长炉，提高设备的整体自动化水平。
请参考图5，图5为本发明实施例提供的一种单晶硅生长变形检测装置的结构框图；具体装置可以包括：
标注处理模块100，获取单晶硅拉制图像集，并对所述单晶硅拉制图像集进行标注处理，得到标注图像集；
特征提取模块200，对所述标注图像集进行特征提取，得到特征图像集；
训练模块300，利用所述特征图像集对预训练模型训练，得到训练完成的单晶硅检测模型；
检测模块400，利用所述单晶硅检测模型对待检测单晶硅图像进行检测，得到单晶硅检测结果；
恢复处理模块500，对所述单晶硅检测结果中发生形变的单晶硅进行处理，恢复单晶硅制备。
本实施例的一种单晶硅生长变形检测装置用于实现前述的一种单晶硅生长变形检测方法，因此一种单晶硅生长变形检测装置中的具体实施方式可见前文中的一种单晶硅生长变形检测方法的实施例部分，例如，标注处理模块100，特征提取模块200，训练模块300，检测模块400，恢复处理模块500，分别用于实现上述一种单晶硅生长变形检测方法中步骤S101，S102，S103、S104、S105，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
以上对本发明所提供的一种单晶硅生长变形检测方法、装置、设备及存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
Claims (10)
1.一种单晶硅生长变形检测方法，其特征在于，包括：
获取单晶硅拉制图像集，并对所述单晶硅拉制图像集进行标注处理，得到标注图像集；
对所述标注图像集进行特征提取，得到特征图像集；
利用所述特征图像集对预训练模型训练，得到训练完成的单晶硅检测模型；
利用所述单晶硅检测模型对待检测单晶硅图像集进行检测，得到单晶硅检测结果；
对所述单晶硅检测结果中发生形变的单晶硅进行处理，恢复单晶硅制备。
2.如权利要求1所述的单晶硅生长变形检测方法，其特征在于，所述获取单晶硅拉制图像，并对所述单晶硅拉制图像进行标注处理，得到标注图像集包括：
获取单晶硅拉制图像集，对所述单晶硅拉制图像集进行随机旋转、翻转及亮度与对比对的图像增强后，对图像中的棱线末端、正常光圈、变形光圈进行标注，得到标注图像集。
3.如权利要求1所述的单晶硅生长变形检测方法，其特征在于，所述利用所述单晶硅检测模型对待检测单晶硅图像集进行检测，得到单晶硅检测结果后包括：
采用一组连续图像进行追踪，通过棱线末端的目标检测定位每一条棱线的位置，并对该棱线的正常光圈与变形光圈进行统计，基于每个目标的置信度，综合得到单条棱线的变形置信度，再统计得到一组图像的变形程度，实时检测单晶硅是否变形，得到单晶硅变形结果。
4.如权利要求3所述的单晶硅生长变形检测方法，其特征在于，所述对所述单晶硅检测结果中发生形变的单晶硅进行处理，恢复单晶硅制备包括：
若所述单晶硅变形结果确认变形发生，则进行报警，输出变形等级，炉台进行对应功率调整，尝试恢复正常拉晶；
若所述单晶硅变形结果未检测到变形，拉晶正常进行，持续实时检测，直到等径结束。
5.如权利要求3所述的单晶硅生长变形检测方法，其特征在于，所述实时检测单晶硅是否变形包括：
判别所述待检测单晶硅图像集是否是新的炉台，若是新的炉台，为新炉台配置初始化的值，否则判别所述待检测单晶硅图像的数目是否合理；
对所述待检测单晶硅图像集的每一张图像进行模型检测后，对该组图像的综合结果进行变形判断。
6.如权利要求5所述的单晶硅生长变形检测方法，其特征在于，所述对该组图像的综合结果进行变形判断将所述训练完成的单晶硅检测模型以服务的形式部署至服务器，将采集到的生产图像及炉台工艺参数信息以HTTP请求发送至服务器，进行实时判断。
7.如权利要求1所述的单晶硅生长变形检测方法，其特征在于，所述利用所述特征图像集对预训练模型训练，得到训练完成的单晶硅检测模型包括：
基于Faster R-CNN目标检测模型，利用ResNet-50残差神经网络作为主干网络进行图像特征的学习，对预训练模型反复迭代直至损失函数收敛，得到训练完成的单晶硅检测模型。
8.一种单晶硅生长变形检测装置，其特征在于，包括：
标注处理模块，获取单晶硅拉制图像集，并对所述单晶硅拉制图像集进行标注处理，得到标注图像集；
特征提取模块，对所述标注图像集进行特征提取，得到特征图像集；
训练模块，利用所述特征图像集对预训练模型训练，得到训练完成的单晶硅检测模型；
检测模块，利用所述单晶硅检测模型对待检测单晶硅图像进行检测，得到单晶硅检测结果；
恢复处理模块，对所述单晶硅检测结果中发生形变的单晶硅进行处理，恢复单晶硅制备。
9.一种单晶硅生长变形检测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述一种单晶硅生长变形检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种单晶硅生长变形检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310645681.6A CN116843949A (zh) | 2023-06-01 | 2023-06-01 | 一种单晶硅生长变形检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310645681.6A CN116843949A (zh) | 2023-06-01 | 2023-06-01 | 一种单晶硅生长变形检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116843949A true CN116843949A (zh) | 2023-10-03 |
Family
ID=88173395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310645681.6A Pending CN116843949A (zh) | 2023-06-01 | 2023-06-01 | 一种单晶硅生长变形检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116843949A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117364231A (zh) * | 2023-12-08 | 2024-01-09 | 苏州晨晖智能设备有限公司 | 基于多参数协同控制的硅棒含氧量调控方法及系统 |
-
2023
- 2023-06-01 CN CN202310645681.6A patent/CN116843949A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117364231A (zh) * | 2023-12-08 | 2024-01-09 | 苏州晨晖智能设备有限公司 | 基于多参数协同控制的硅棒含氧量调控方法及系统 |
| CN117364231B (zh) * | 2023-12-08 | 2024-04-12 | 苏州晨晖智能设备有限公司 | 基于多参数协同控制的硅棒含氧量调控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807353B (zh) | 一种基于深度学习的变电站异物识别方法、装置及系统 | |
| CN107123111B (zh) | 一种用于手机屏幕缺陷检测的深度残差网络构造方法 | |
| CN111507958B (zh) | 目标检测方法、检测模型的训练方法及电子设备 | |
| CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN103487729B (zh) | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 | |
| CN104331521A (zh) | 基于图像处理的变电设备异常自动识别方法 | |
| CN116843949A (zh) | 一种单晶硅生长变形检测方法、装置、设备及存储介质 | |
| CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
| CN112233092A (zh) | 一种用于无人机电力巡检智能缺陷检测的深度学习方法 | |
| CN111738056B (zh) | 一种基于改进YOLO v3的重卡盲区目标检测方法 | |
| CN106290375A (zh) | 基于激光选区烧结技术的非接触式在线缺陷自动检测系统 | |
| CN111695478B (zh) | 一种目标检测方法及设备 | |
| CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
| CN116630321B (zh) | 基于人工智能的桥梁健康智能监测系统 | |
| CN111652297B (zh) | 用于图像检测模型训练的故障图片生成方法 | |
| CN105741281A (zh) | 基于邻域离散度的图像边缘检测方法 | |
| CN112734739A (zh) | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 | |
| CN117190900A (zh) | 一种隧道围岩变形监测方法 | |
| CN116843950A (zh) | 一种单晶硅拉晶复投检测方法、装置、设备及存储介质 | |
| CN103714517B (zh) | 视频去雨方法 | |
| CN116071362B (zh) | 拉晶断苞检测方法、装置、计算机设备和存储介质 | |
| CN113870204A (zh) | 一种光学玻璃的异常检测方法及装置 | |
| CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN105205833A (zh) | 一种基于时空背景模型的运动目标检测方法及装置 | |
| CN112489018A (zh) | 一种电力线智能巡线方法及巡线 |
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 |