CN116984747A - 基于lmc工艺使用激光束刻蚀射频区域的方法 - Google Patents
基于lmc工艺使用激光束刻蚀射频区域的方法 Download PDFInfo
- Publication number
- CN116984747A CN116984747A CN202311203551.3A CN202311203551A CN116984747A CN 116984747 A CN116984747 A CN 116984747A CN 202311203551 A CN202311203551 A CN 202311203551A CN 116984747 A CN116984747 A CN 116984747A
- Authority
- CN
- China
- Prior art keywords
- etching
- illumination component
- image
- matrix
- different
- 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
Links
- 238000005530 etching Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008569 process Effects 0.000 title claims abstract description 22
- 238000005286 illumination Methods 0.000 claims abstract description 170
- 239000011159 matrix material Substances 0.000 claims abstract description 99
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims description 55
- 230000008859 change Effects 0.000 claims description 42
- 238000002310 reflectometry Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000002844 melting Methods 0.000 description 19
- 230000008018 melting Effects 0.000 description 19
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000010329 laser etching Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000001465 metallisation Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000003746 surface roughness Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003698 laser cutting Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/36—Removing material
- B23K26/362—Laser etching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Plasma & Fusion (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Computer Graphics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于LMC工艺使用激光束刻蚀射频区域的方法。该方法首先分解刻蚀图像,得到高频分量图像和照明分量图像;对不同速率下的照明分量图像中的切口轮廓叠加得到模板图像;由照明分量图像确定宏观特征描述子;对高频分量图像分析得到微观结构矩阵;将模板图像和修改后的微观结构矩阵输入孪生网络得到热特性描述子;将基于不同大小的方阵得到的热特性描述子进行聚类,得到安全刻蚀类型;基于模板图像、安全刻蚀类型和对应的速率训练专家网络,将模板图像输入专家网络中得到最佳刻蚀速率。本发明从微观特征和宏观特征分析确定出最佳刻蚀速率,实现对激光功率分布的控制,提高了刻蚀的精度。
Description
技术领域
本发明涉及激光束加工技术领域,具体涉及基于LMC工艺使用激光束刻蚀射频区域的方法。
背景技术
在使用普通三维非金属材料作为天线产品的载体时,利用原子级电磁冲击金属化工艺对天线载体的三维表面进行金属化处理,再利用激光加工天线走线,将表面多余部分的金属层去除,从而得到所需的三维立体电路天线。随着无线通信技术的发展,对天线的性能要求越来越高,需要天线具有更小的体积、更高的集成度和更好的电性能。激光金属化电路(Laser Metalized Circuit,LMC)工艺利用原子级电磁冲击在非金属表面实现金属化,再用激光辐射蚀刻出天线图案,实现了高集成的三维天线设计。
目前,常见的使用激光束刻蚀天线载体的三维表面的方法为,通过全功率连续激光进行刻蚀,但传统的全功率连续激光刻蚀不能灵活调节功率,其不同材料对激光刻蚀的响应不同,传统的全功率连续激光刻蚀技术无法针对不同材料进行灵活调整,会导致处理效果不理想,传统的全功率连续激光刻蚀还可能会导致切口熔化变形以及金属层剥落问题的发生,降低了刻蚀的精度和可靠性,进而在对基于LMC工艺刻蚀天线图案时,导致降低天线的匹配精度和可靠度。
发明内容
为了解决传统的全功率连续激光刻蚀不能灵活调节功率,降低了刻蚀的精度的技术问题,本发明的目的在于提供基于LMC工艺使用激光束刻蚀射频区域的方法,所采用的技术方案具体如下:
获取刻蚀区域的刻蚀图像;分解刻蚀图像,得到高频分量图像和照明分量图像;对不同速率下刻蚀获得的照明分量图像中的切口轮廓叠加,得到模板图像;
由不同速率获得的照明分量图像中各像素点处最值,构建照明分量端值图;比较照明分量端值图和照明分量图像的直方图特征,确定宏观特征描述子;
获取高频分量图像的功率谱,对功率谱进行采样,得到各个角向的频谱曲线;对所有高频分量图像不同高频分量的不同角向的频谱曲线进行相关性分析构建邻接矩阵,得到微观结构矩阵;
从微观结构矩阵中选取方阵对其进行修改;将模板图像和修改后的微观结构矩阵输入训练好的孪生网络得到热特性描述子;将基于不同大小的方阵得到的热特性描述子进行聚类,得到安全刻蚀类型;
基于模板图像、安全刻蚀类型和对应的速率训练专家网络,将模板图像输入训练好的专家网络中得到最佳刻蚀速率。
优选的,所述分解刻蚀图像,得到高频分量图像和照明分量图像,包括:
利用同态滤波算法获取刻蚀图像中的照度分量和反射分量,将照度分量作为照明分量,并得到照明分量对应的照明分量图像;将反射分量作为高频分量,并得到高频分量对应的高频分量图像。
优选的,所述对不同速率下刻蚀获得的照明分量图像中的切口轮廓叠加,得到模板图像,包括:
将照明分量图像与拉普拉斯算子进行卷积,得到切口轮廓的轮廓图像,提取出切口轮廓;
将每张照明分量图像对应的轮廓图像中的切口轮廓进行叠加,得到模板图像。
优选的,所述由不同速率获得的照明分量图像中各像素点处最值,构建照明分量端值图,包括:
所述照明分量端值图包括照明分量最大图和照明分量最小图;
获取不同速率下的照明分量图像中各个像素点处的最大像素值,由各个像素点的最大像素值构建照明分量最大图;获取不同速率下的照明分量图像中各个像素点处的最小像素值,由各个像素点的最小像素值构建照明分量最小图。
优选的,所述比较照明分量端值图和照明分量图像的直方图特征,确定宏观特征描述子,包括:
分割照明分量图像,得到子块,获取每个子块在不同方向下对应的梯度方向直方图的直方图特征;比较照明分量图像中子块与照明分量端值图中子块在不同方向下对应的直方图特征,得到差异距离值;由不同方向下对应的差异距离值构建反射率变化直方图,将所有子块的反射率变化直方图连接并转化为高维向量,得到宏观特征描述子。
优选的,所述比较照明分量图像中子块与照明分量端值图中子块在不同方向下对应的直方图特征,得到差异距离值,包括:
根据照明分量图像中子块在不同方向范围内对应的直方图特征的概率分布和照明分量端值图中子块在不同方向范围内对应的直方图特征的概率分布,计算海林格距离,作为差异距离值。
优选的,所述获取高频分量图像的功率谱,对功率谱进行采样,得到各个角向的频谱曲线,包括:
将功率谱分成多个角度范围,每个角度范围作为一个角向,对于功率谱的旋转ROI内的幅值,按照角向由内到外按照预设步长进行均值采样,计算每个预设步长范围内幅值的均值,作为范围均值;由同一角向内的范围均值按照采样顺序构成频谱曲线。
优选的,所述对所有高频分量图像不同高频分量的不同角向的频谱曲线进行相关性分析构建邻接矩阵,得到微观结构矩阵,包括:
获取不同高频分量图像中同一高频分量下的同一角向的频谱曲线的皮尔逊相关系数;
将高频分量作为微观结构矩阵的宽和高,将角向中角度的数量作为微观结构矩阵的深度维度;将皮尔逊相关系数作为微观结构矩阵中的元素值。
优选的,所述从微观结构矩阵中选取方阵对其进行修改,包括:
从微观结构矩阵的左上角的点为方阵左上角的顶点,选取预设大小的方阵,作为待替换方阵,用待替换方阵替换掉微观结构矩阵的右下角的相同大小的方阵。
优选的,所述将基于不同大小的方阵得到的热特性描述子进行聚类,得到安全刻蚀类型,包括:
基于热特性描述子的大小,对不同大小的方阵得到的热特性描述子进行聚类,得到聚类簇,将边长为微观结构矩阵的边长的一半的方阵所属的聚类簇作为安全刻蚀类型。
本发明实施例至少具有如下有益效果:
本发明通过引入功率可控的脉冲激光源,结合刻蚀速率的优化建议,实现控制激光束的脉冲能量,减少激光切割过程中的热影响区面积和内部应力,科学改善刻蚀质量,提高天线的精准匹配和可靠性。首先获取刻蚀区域的刻蚀图像;分解刻蚀图像,得到高频分量图像和照明分量图像,照明分量包含了刻蚀图像的整体光照信息,高频分量反映了图像的表面反射信息和细节等高频信息;对照明分量图像中的切口轮廓叠加,得到模板图像;对照明分量图像分析,分析图像的宏观特征,得到宏观特征描述子;对高频分量图像进行分析,分析图像的微观特征,得到微观结构矩阵;将模板图像和修改后的微观结构矩阵输入训练好的孪生网络得到热特性描述子;将基于不同大小的方阵得到的热特性描述子进行聚类,得到安全刻蚀类型;基于模板图像、安全刻蚀类型和对应的速率训练专家网络,将模板图像输入训练好的专家网络中得到最佳刻蚀速率,分别训练孪生网络并微调训练专家网络,根据形态给出刻蚀速率的建议,进而得到最佳刻蚀速率,以实现后续对激光功率分布的控制。本发明解决了LMC中热量堆积难以建模和给出合理刻蚀速率建议的问题,基于本发明提出的激光束刻蚀射频区域的方法,可以快速、方便地得到高质量的LMC技术的刻蚀区域,通过自适应获取最佳刻蚀速率,提高了刻蚀的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的基于LMC工艺使用激光束刻蚀射频区域的方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于LMC工艺使用激光束刻蚀射频区域的方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了基于LMC工艺使用激光束刻蚀射频区域的方法的具体实施方法,该方法适用于激光刻蚀场景。该场景下通过远心镜头或者长焦镜头获取不同速率下采集到的显微图像作为刻蚀图像。为了解决传统的全功率连续激光刻蚀不能灵活调节功率,降低了刻蚀的精度的技术问题。本发明据刻蚀形状和熔融现象,提出一种自动学习和规划刻蚀速率的方法。根据前多次刻蚀质量数据,分析宏观特征和微观特征带来的不同特性。分别训练孪生网络并微调训练专家网络,根据形态给出刻蚀速率的建议,得到最佳刻蚀速率,实现激光功率分布的控制。
下面结合附图具体的说明本发明所提供的基于LMC工艺使用激光束刻蚀射频区域的方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于LMC工艺使用激光束刻蚀射频区域的方法的步骤流程图,该方法包括以下步骤:
步骤S100,获取刻蚀区域的刻蚀图像;分解刻蚀图像,得到高频分量图像和照明分量图像;对不同速率下刻蚀获得的照明分量图像中的切口轮廓叠加,得到模板图像。
将一个刻蚀区域的模具分别以不同的速率进行刻蚀,获取不同速率下刻蚀得到的刻蚀区域的刻蚀图像。也即先对不同速率进行刻蚀的区域进行显微图像的纹理采集,得到刻蚀图像。其中,显微图像是指远心镜头或者长焦镜头特写刻蚀区域整个部分的画面,实施者需要收集金属样本在不同激光功率下的显微图像,每种参数组合一张图像,记为I1,I2,...,In,在本发明实施例中n的取值为15,速度是按照设备的进给量均分的。
需要说明的是,刻蚀区域是指金属化后的一个连通域,例如一个手机中框上有多个连通域,由于热积累效应是集中在一个连通域的,故在本发明实施例中只对一个连通域在不同速率下进行刻蚀得到的刻蚀图像进行分析。
进一步分解刻蚀图像,得到高频分量图像和照明分量图像,具体的:利用同态滤波算法(Homomorphic Filtering)获取刻蚀图像中的照度分量和反射分量,将照度分量作为照明分量,并得到照明分量对应的照明分量图像;将反射分量作为高频分量,并得到高频分量对应的高频分量图像。更具体的:同态滤波算法是一种将图像分解成不同频率分量的频域滤波方法,使用同态滤波算法将刻蚀图像分解为照度分量和反射分量,其中,照度分量包括了图像的低频部分,包括图像的整体光照信息。反射分量则包含了图像的表面反射信息和细节等高频信息。对照明分量和高频分量分别进行过滤处理:压缩照明分量的动态范围;增强高频分量的高频信息,最后将滤波处理后的两种分量相乘,合成增强图像。
对由刻蚀图像得到的增强图像进行均值模糊处理,由于天线区域都是高频纹理,因此这种方式可用于等效照明分量L。在本发明实施例中使用均值模糊处理对图像进行预处理的主要目的是,将图像中的高频纹理部分平滑化,使其更接近于等效的照明分量。这样处理可以减少反射分量中的高频成分,也即可以减少高频分量中的高频成分,并使其更加集中的在高频区域中,从而提高后续处理步骤中的滤波效果;除此之外,均值模糊处理还可以平滑图像中的其他干扰因素,如噪声等,有助于提高整体图像质量。
基于照明分量做除法,可以得到高频分量。具体利用照明分量对增强图像做除法,可以得到高频分量,原因是因为照明分量主要表征了图像的全局亮度和对比度信息,通过将图像除以照明分量,可以抵消图像中的照明变化,突出图像中的反射分量信息,这使得后续处理步骤中可以更加关注图像中的细节和纹理,有助于增强图像的对比度和细节信息。当照明条件一致时,尤其使用显微镜头观测刻蚀区域时,由于照明分量主要受到照明条件的影响,而在本发明实施例中,照明条件很容易视为一致,因此在不同速率下进行刻蚀的情况,如果没有发生熔融问题,高频分量H的频谱差异应较小。这种方法的简化实施方式有助于简化计算过程和降低算法复杂度,提高方法的实用性和效率。
基于高频分量H在不同速率进行刻蚀的情况下不会出现明显的频谱差异的规律,结合照明分量的信息,后续可以得到刻蚀区域的热特性描述子。
在得到高频分量和照明分量之后,分别得到高频分量图像和照明分量。
其中,照明分量图像是一种模糊处理的图像,因此没有十分锐利的边缘信息,但是仍能够保留天线刻蚀轮廓特征。本发明利用照明分量仍能够保留天线刻蚀轮廓特征的特性,对图像进行3×3拉普拉斯算子的计算,得到切口轮廓的响应。
进一步的,对不同速率下刻蚀获得的照明分量图像中的切口轮廓叠加,得到模板图像,具体的:将照明分量图像与拉普拉斯算子进行卷积,得到切口轮廓的轮廓图像,这样可以提取出边缘信息,用于描述切口轮廓。进而提取出切口轮廓;将每张照明分量图像对应的轮廓图像中的切口轮廓进行叠加,得到模板图像。在本发明实施例中拉普拉斯算子的大小为3×3。
模板图像M代表了不同参数下,未发生熔融和已经发生熔融的区域的轮廓特性。
步骤S200,由不同速率获得的照明分量图像中各像素点处最值,构建照明分量端值图;比较照明分量端值图和照明分量图像的直方图特征,确定宏观特征描述子。
由于切口熔化变形后,宏观层面上,照明分量会体现出不同的反光特性,具体表现为照明分量部分亮度变暗,部分亮度增加。微观层面上,高频分量H的频谱也会因为局部变形导致各向异性。
宏观层面上,原先平滑的金属表面在激光照射下部分熔化,表面粗糙度增加。表面粗糙度改变会导致入射光的散射特性变化,部分区域的反射率降低,部分区域反射率增加。因此在照明分量图像中,会出现与原先表面相比,部分亮度变暗,部分亮度增强的反光率变化。而在微观层面,高频分量H的频谱各向异性的产生是因为金属表面原有周期性的微结构会导致入射激光产生各向同性的散射。当局部区域发生熔融变形,破坏了原有周期结构。此时入射激光的散射特性发生改变,进一步加工可能导致进一步损伤附近的结构,因此各向同性效应进一步减弱,产生各向异性。因此高频分量H的频谱响应会因各向异性而发生方向依赖性的变化。
首先对宏观特征进行分析:
对于不同速率进行刻蚀的区域的刻蚀图像,对应多个照明分量,因为照明分量对应的照明分量图像是一个图片,因此,在照明分量图像的各个像素位置,都有不同速率进行刻蚀的区域的亮度。
按照像素位置,一一对不同速率进行刻蚀的刻蚀区域的亮度进行比较,具体的:假设坐标为(i,j)的像素,以该像素位置为坐标,对应若干个不同速率进行刻蚀的区域的照明分量值,当不同照明分量值之间发生变化较大时,则说明这个速率进行刻蚀的区域可能更容易发生、且发生了熔融或者微小变形。因为表面粗糙度改变导致反射率变化,部分区域反射率降低,部分区域反射率增加。当多个照明分量值的变化大小较大,则可以认为融化区域出现。
这样,对不同速率刻蚀区域的照明分量图像进行逐像素比较:可以构建宏观特征的特征描述子,具体是一种结合方向梯度直方图特征(Histogram of Oriented Gradient,HOG)和直方图统计的高维特征来计算得到宏观特征描述子。
首先,由不同速率获得的照明分量图像中各像素点处最值,构建照明分量端值图。所述照明分量端值图包括照明分量最大图和照明分量最小图;获取不同速率下的照明分量图像中各个像素点处的最大像素值,由各个像素点的最大像素值构建照明分量最大图;获取不同速率下的照明分量图像中各个像素点处的最小像素值,由各个像素点的最小像素值构建照明分量最小图。
照明分量最大图和照明分量最小图反映了反射率变化的基础。
对于照明分量图像{L1,L2,...,Ln},其中每幅照明分量图像的大小为w×h个像素。则每个照明分量图像可以表示为一个w×h的矩阵。照明分量图像中各个像素点的最大像素值的反映了各位置的反射率上限,各个像素点的最小像素值反映了各位置的反射率下限,其构成了反射率变化范围。也即为对每个位置(x,y)的像素点,在n幅图像上像素点处的像素值组成一个向量,求该向量的最大值和最小值,作为L_max和L_min在照明分量最大图和照明分量最小图中该位置的像素值。
由于参数变化会导致样本表面结构和反射率发生改变。照明分量端值图反映了同一位置像素在各图像之间的反射率变化范围,也反映了可能的反射强度范围。
而HOG特征可以量化梯度分布的变化,从而表征结构变化导致的反射率变化程度。两者结合可以更好地表示和分析表面属性的变化情况。
故对每张照明分量图像通过目标检测算法,得到反映照明梯度分布的HOG特征,最后构建宏观特征描述子。也即比较照明分量端值图和照明分量图像的直方图特征,确定宏观特征描述子。
采用HOG特征可以有效表示图像局部区域的梯度方向分布信息,由于表面结构的改变往往会导致梯度方向分布发生变化,通过与照明分量端值图进行比较,可以量化结构变化引起的梯度特征差异,即反射率的变化程度。
确定宏观特征描述子,具体的:分割照明分量图像,得到子块,获取每个子块在不同方向下对应的梯度方向直方图的直方图特征;比较照明分量图像中子块与照明分量端值图中子块在不同方向下对应的直方图特征,得到差异距离值;由不同方向下对应的差异距离值构建反射率变化直方图,将所有子块的反射率变化直方图连接并转化为高维向量,得到宏观特征描述子。
分割照明分量图像,得到子块,具体的:将照明分量图像等分成m×n个子块。
进一步,获取每个子块在不同方向下对应的梯度直方图的直方图特征。计算每个子块在x方向和y方向的梯度Gx,Gy,使用3×3的索贝尔算子(Sobel)。然后在子块的每个像素位置(x,y),计算梯度幅值A和方向θ。
进一步的,将0-360度的方向θ划分成b个bin根据每个像素位置的θ值,统计每个bin的像素数目,形成梯度方向直方图,其中bin即为方向范围。在本发明实施例中b的取值为9,对应0-40,40-80等方向区间。同样的,对照明分量端值图和照明分量图像均构建各个子块的直方图特征fhog。
比较照明分量图像中子块与照明分量端值图中子块在不同方向下对应的直方图特征,得到差异距离值,具体的:根据照明分量图像中子块在不同方向范围内对应的直方图特征的概率分布和照明分量端值图中子块在不同方向范围内对应的直方图特征的概率分布,计算海林格距离,作为差异距离值。
该差异距离值的计算公式为:
其中,为照明分量图像中子块和照明分量端值图中子块的差异距离值;b为方向范围的数量;/>为照明分量图像中子块的第i个方向范围对应的直方图特征的概率分布;/>为照明分量端值图中子块的第i个方向范围对应的直方图特征的概率分布。
当两个直方图特征fhog分布非常相似时,它们的海林格距离(HellingerDistance)接近0。当存在较大差异时,距离值会增大。因此,Hellinger距离越大,表示该照明分量图像子块中的梯度方向分布与照明分量端值图的差异越大,反射率的变化也越显著。通过统计每个子块的Hellinger距离,可以有效地检测出表面结构变化导致的反射率变化区域。
在获得照明分量图像中每个子块和两个照明分量端值图中每个子块的Hellinger距离d1和d2后,对每个子块内的差异距离值进行汇总统计。
由差异距离值的最大值和最小值构成距离值范围,将距离值范围均匀划分为m个区间,统计每个区间中距离值的数量,行为反射率变化特征的反射率变化直方图,也即由不同方向下的差异距离值构建反射率变化直方图。在本发明实施例中m的取值为10,在其他实施例中由实施者根据实际情况调整该取值。
反射率变化直方图反映了该区间内子块的反射率变化的整体情况。当距离值更集中在大值的区域内时,说明反射率变化更明显。
对图像的所有区间中的子块重复上述过程,每个区间均获得一个反射率变化直方图。将所有区间的反射率变化直方图按顺序连接起来,形成一个高维向量。这个高维向量便是整个刻蚀区域在不同速率进行刻蚀时产生变化的宏观特征描述子。
反射率变化直方图集成汇总了图像各个局部区域中的反射率变化特征,可以有效表示和检测出由表面结构变化导致的反射率变化区域。
步骤S300,获取高频分量图像的功率谱,对功率谱进行采样,得到各个角向的频谱曲线;对所有高频分量图像不同高频分量的不同角向的频谱曲线进行相关性分析构建邻接矩阵,得到微观结构矩阵。
进一步的,对微观特征进行分析。由于金属化的表面本身带有一定的周期结构,当熔融现象发生时,由于各向异性的原因,在相同光照条件下会发生频谱的变化。未发生熔融时,高频分量H频谱变化较小。
使用功率谱的计算方式,对高频分量图像做二维快速傅里叶变换,得到复数频谱图,仅取实数部分,得到每张高频分量图像的功率谱,表征为不同角向的频谱曲线。然后计算不同角向频谱曲线的相关系数。
获取高频分量图像的功率谱,对功率谱进行采样,得到各个角向的频谱曲线的方法为:将功率谱分成多个角度范围,每个角度范围作为一个角向,对于功率谱的旋转ROI内的幅值,按照角向由内到外按照预设步长进行均值采样,计算每个预设步长范围内幅值的均值,作为范围均值;由同一角向内的范围均值按照采样顺序构成频谱曲线。在本发明实施例中角度范围为10°,在其他实施例中由实施者根据实际情况调整该取值。在本发明实施例中将r的1/25的长度作为预设步长,也即采样的步数为25。
首先将功率谱分成多个角度进行,本实施例以10°为一个区间进行采样,称为角向,沿每个角向,获取频谱强度F(r,θ),其中r表示半径,θ表示角度,具体的,由于采样是功率谱的旋转的角向内的幅值,因此幅值按照角向方向,由内到外进行均值的采样。在区域内,从内到外按照半径r采样,采样的步数为25,计算每个角向的各个步数区间内均值,重复该步骤,获取整个角向的25个数值从而得到各个角向的频谱曲线。
进一步的,对所有高频分量图像不同高频分量的不同角向的频谱曲线进行相关性分析构建邻接矩阵,得到微观结构矩阵。也即对所有高频分量的同一角向的频谱曲线进行相关系数的计算,具体的:获取不同高频分量图像中同一高频分量下的同一角向的频谱曲线的皮尔逊相关系数;将高频分量作为微观结构矩阵的宽和高,将角向中角度的数量作为微观结构矩阵的深度维度;将皮尔逊相关系数作为微观结构矩阵中的元素值。
计算频谱曲线之间的皮尔逊相关系数,以F1(r,10)和F2(r,10)为例,第一张高频分量图像和第二张高频分量图像的第一个角向(0~10°),进一步计算两张高频分量图像中同一角向的频谱曲线的皮尔逊相关系数。每个角向,均存在一个皮尔逊相关系数,对于两个图像的相同角向的比较,由于有10个角向,故存在10个皮尔逊相关系数。那么基于这10个皮尔逊相关系数,如果有c个高频分量的图像,那么邻接矩阵可以被构建为宽高为c的方阵,方阵的深度维度为10,深度为度是表示一个坐标对应地向量维度,例如RGB彩色图像的深度为3。
最终,基于邻接矩阵的计算方式,将不同速率进行刻蚀的区域的高频向量统一描述为微观结构矩阵。
综合利用两类特征可以有效识别熔化区域,因为它们从宏观和微观两个层面反映了熔化造成的结构与性质变化。本发明使用简单有效的图像处理手段,提取和融合两类特征,以生成熔化特征描述子的两个部分。
步骤S400,从微观结构矩阵中选取方阵对其进行修改;将模板图像和修改后的微观结构矩阵输入训练好的孪生网络得到热特性描述子;将基于不同大小的方阵得到的热特性描述子进行聚类,得到安全刻蚀类型。
构建热影响模型,进一步将光-热影响因果关系表征到高维空间,得到刻蚀区域的热特性描述子X。
首先基于宏观特征描述子的差异大小进行最大区别的样本的匹配和最小区别匹配的分配,作为熔融特性相似和不相似标签。然后训练孪生网络将微观结构矩阵和模板图像表征为高维向量,进行属性的区分,让孪生网络基于模板图像和微观结构矩阵表示为高维向量,这样,可以同时基于形状和表面特性来描述一个刻蚀区域的刻蚀区域的热特性,得到刻蚀区域的热特性描述子X。
首先使用欧式距离,也即L2距离,将不同刻蚀区域测试得到的宏观特征描述子进行相似度度量。宏观特征描述子描述的是表面结构变化导致的反射率变化区域的分布特性,无论刻蚀区域形状如何,对于手机中框,曲面部分的熔融特性大概率是存在相似性的,因此,本发明将宏观特征描述子视为高维向量,基于L2距离进行度量,距离越大,说明基底结构导致的宏观熔融的特性不同,甚至有一方不发生熔融。反之,则认为两者的宏观熔融特性是相同的。
那么,基于匈牙利(K-M)算法,可以构建最大距离分配和最小距离分配,对于最大距离分配,是指将尽可能将两者不同的宏观特征描述子对应的宏观熔融特性视为一个匹配对,代表了截然不同的宏观熔融特性。基于最小距离分配,可以尽可能将相同的熔融特性进行匹配,一个匹配对中的宏观熔融特性是相似的。
由于轮廓、微观特征与熔融的现象存在因果关系,因此,本发明使用宏观特征描述子建立孪生网络和对应的训练样本,用模板图像和微观结构矩阵输入到孪生网络,并区分不同的熔融特性。
为了使用孪生网络进行比对,实现对不同的形状M和微观结构F_nano的度量学习,基于最大距离分配的匹配对中,两者被标记为不同,即余弦相似度为0,反之,基于最小距离分配的匹配对中,两者被标记为相同,即余弦相似度为1。
本发明实施例中,使用孪生网络基于模板图像和微观结构矩阵进行不同刻蚀区域的热特性的区分的技术特征为:孪生网络的输入端是两个不同的CNN网络,使用VGG16网络或其它变种,分别将模板图像和微观结构矩阵输入不同的CNN网络,CNN网络末端输出的是两个高维向量,本发明实施例中,高维向量的维度皆为512维度。
将两个512维的向量拼接后,继续输入到FCN全连接神经网络中,最终输出128维的刻蚀区域的热特性描述子X。
这样,通过孪生网络的学习,可以根据模板图像和微观的纹理各个角向的频率特征来描述不同种类刻蚀区域的热特性描述子X。
为了在LMC工艺中快速选择合适的刻蚀参数,由于孪生网络已经完成了训练,因此基于上述的孪生网络的训练后,基于模板图像的CNN网络已经完成了权重初始化,具备基于轮廓来提取轮廓特征,进而评估熔融特性的能力。
步骤S500,基于模板图像、安全刻蚀类型和对应的速率训练专家网络,将模板图像输入训练好的专家网络中得到最佳刻蚀速率。
由于微观结构矩阵已经是基于n个功率/速率来构建的微观结构的变化所描述的邻接矩阵,因此,做如下处理后,可以快速判断LMC的初始切割速率。
首先对所有的已有的测试样本的刻蚀区域的热特性描述子X进行高维空间的聚类。在聚类之前,由于已经知道n个速率中,速度是逐级加快的,因此前某个速率可能是临界点,即如果切割时超过某个速率,是能够避免熔融现象的,因此,对于微观结构矩阵,由于左上角代表了慢速切割的情况,即最容易发生熔融现象的情况,因此,对于微观结构矩阵中自左上角原点开始,选取边长为m的方阵,替换为微观结构矩阵中右下角的等大小的方阵,可以“篡改”微观结构矩阵为没有熔融现象的情况。
从微观结构矩阵中选取方阵对其进行修改,具体的:从微观结构矩阵的左上角的点为方阵左上角的顶点,选取预设大小的方阵,作为待替换方阵,用待替换方阵替换掉微观结构矩阵的右下角的相同大小的方阵。
将“篡改”后的微观结构矩阵和未经修改的图像模板输入到已经训练好的孪生网络中,可以得到新的128维的刻蚀区域的热特性描述子X。
其中,预设大小m取值不超过c/2,即m=1,2,3,4…c/2,其中c为微观结构矩阵的宽高,m为方阵的边长,可以快速得到某个情况下“没有发生熔融”的样本,也即得到修改后的微观结构矩阵。
对于扩增后的样本,进行无监督聚类,以区分刻蚀区域的热特性描述子X的类型。
进一步的,将基于不同大小的方阵得到的热特性描述子进行聚类,得到安全刻蚀类型,具体的:基于热特性描述子的大小,对不同大小的方阵得到的热特性描述子进行聚类,得到聚类簇,将边长为微观结构矩阵的边长的一半的方阵所属的聚类簇作为安全刻蚀类型,也即为将边长为微观结构矩阵的宽的一半的方阵所属的聚类簇作为安全刻蚀类型。
更具体的:使用DBSCAN算法(Density-Based Spatial Clustering ofApplications with Noise)进行无监督的聚类,其中邻域样本数阈值minPts为14,邻域半径eps为0.2,共得到6个组,粗略代表6个类型。已知方阵大小为c/2时,是可以大概率克服熔融现象的,因此,将6个类型中,方阵大小为c/2的热特性描述子所在类型,作为安全刻蚀类型。基于安全刻蚀类型,可以确定当热特性描述子X属于该类型时,安全刻蚀的速率是设备的中等速度。
为了在后续生产中不再进行反复的测试,直接通过轮廓估算最保守的刻蚀速率,本发明进一步基于安全刻蚀类型的样本以及训练的孪生网络的权重,构建新的深度学习步骤:
将安全刻蚀类型的所有样本对应的速率,视为速率为设备中等速度。
然后,DBSCAN分组的剩余类型中,热特性描述子对应的方阵的大小进行递减排序,其中,方阵的大小为最小时对应的样本的速率,被视为最慢的刻蚀速率,而其他样本则按照方阵的大小的顺序,从中等速度到最慢刻蚀速率之间的线性递减方式进行排列。
这样,不同类型的样本都有不同的速率的标签。将孪生网络T中,输入模板图像M的CNN网络结构和权重单独提取出来,作为新的专家网络Y。
具体的,将CNN网络的最后一层作为隐含层,该层的节点数与CNN网络原始输出维度一致,例如512维。
在隐含层后接一个输出层,只有1个节点,代表最终的速率输出。
然后将不同类型的聚类样本按照代表的速率进行标签。
本发明实施例中采用均方误差损失函数(MSE)作为网络的损失函数,衡量网络输出速率与真实速率之间的误差。使用随机梯度下降等优化算法进行网络训练,通过反向传播更新网络参数。
实施者需要设置合理的学习率与训练轮数,逐步减少学习率,并使用验证集评估网络训练效果,避免过拟合。本实施例使用添加少量随机噪声的方式扩增到102k个训练样本进行训练,共20个epoch,其中,epoch为当一个完整的数据集通过了神经网络一次并且返回了一次的过程。
这样可以微调专家网络Y中CNN提取层的参数,其余层参数从随机初始化开始训练。
最终得到专家网络Y,在输入模板图像M时,可以输出一个最佳刻蚀速率。
根据得到的最佳刻蚀速率,实现对天线的蚀刻,其提高了刻蚀的精度和可靠性,提高了天线的匹配精度和可靠度。
综上所述,本发明获取刻蚀区域的刻蚀图像;分解刻蚀图像,得到高频分量图像和照明分量图像;对不同速率下刻蚀获得的照明分量图像中的切口轮廓叠加,得到模板图像;由不同速率获得的照明分量图像中各像素点处最值,构建照明分量端值图;比较照明分量端值图和照明分量图像的直方图特征,确定宏观特征描述子;获取高频分量图像的功率谱,对功率谱进行采样,得到各个角向的频谱曲线;对所有高频分量图像不同高频分量的不同角向的频谱曲线进行相关性分析构建邻接矩阵,得到微观结构矩阵;从微观结构矩阵中选取方阵对其进行修改;将模板图像和修改后的微观结构矩阵输入训练好的孪生网络得到热特性描述子;将基于不同大小的方阵得到的热特性描述子进行聚类,得到安全刻蚀类型;基于模板图像、安全刻蚀类型和对应的速率训练专家网络,将模板图像输入训练好的专家网络中得到最佳刻蚀速率。本发明解决了LMC中热量堆积难以建模和给出合理刻蚀速率建议的问题,基于本发明提出的激光束刻蚀射频区域的方法,可以快速、方便地得到高质量的LMC技术的刻蚀区域。
Claims (10)
1.一种基于LMC工艺使用激光束刻蚀射频区域的方法,其特征在于,该方法包括以下步骤:
获取刻蚀区域的刻蚀图像;分解刻蚀图像,得到高频分量图像和照明分量图像;对不同速率下刻蚀获得的照明分量图像中的切口轮廓叠加,得到模板图像;
由不同速率获得的照明分量图像中各像素点处最值,构建照明分量端值图;比较照明分量端值图和照明分量图像的直方图特征,确定宏观特征描述子;
获取高频分量图像的功率谱,对功率谱进行采样,得到各个角向的频谱曲线;对所有高频分量图像不同高频分量的不同角向的频谱曲线进行相关性分析构建邻接矩阵,得到微观结构矩阵;
从微观结构矩阵中选取方阵对其进行修改;将模板图像和修改后的微观结构矩阵输入训练好的孪生网络得到热特性描述子;将基于不同大小的方阵得到的热特性描述子进行聚类,得到安全刻蚀类型;
基于模板图像、安全刻蚀类型和对应的速率训练专家网络,将模板图像输入训练好的专家网络中得到最佳刻蚀速率。
2.根据权利要求1所述的基于LMC工艺使用激光束刻蚀射频区域的方法,其特征在于,所述分解刻蚀图像,得到高频分量图像和照明分量图像,包括:
利用同态滤波算法获取刻蚀图像中的照度分量和反射分量,将照度分量作为照明分量,并得到照明分量对应的照明分量图像;将反射分量作为高频分量,并得到高频分量对应的高频分量图像。
3.根据权利要求1所述的基于LMC工艺使用激光束刻蚀射频区域的方法,其特征在于,所述对不同速率下刻蚀获得的照明分量图像中的切口轮廓叠加,得到模板图像,包括:
将照明分量图像与拉普拉斯算子进行卷积,得到切口轮廓的轮廓图像,提取出切口轮廓;
将每张照明分量图像对应的轮廓图像中的切口轮廓进行叠加,得到模板图像。
4.根据权利要求1所述的基于LMC工艺使用激光束刻蚀射频区域的方法,其特征在于,所述由不同速率获得的照明分量图像中各像素点处最值,构建照明分量端值图,包括:
所述照明分量端值图包括照明分量最大图和照明分量最小图;
获取不同速率下的照明分量图像中各个像素点处的最大像素值,由各个像素点的最大像素值构建照明分量最大图;获取不同速率下的照明分量图像中各个像素点处的最小像素值,由各个像素点的最小像素值构建照明分量最小图。
5.根据权利要求1所述的基于LMC工艺使用激光束刻蚀射频区域的方法,其特征在于,所述比较照明分量端值图和照明分量图像的直方图特征,确定宏观特征描述子,包括:
分割照明分量图像,得到子块,获取每个子块在不同方向下对应的梯度方向直方图的直方图特征;比较照明分量图像中子块与照明分量端值图中子块在不同方向下对应的直方图特征,得到差异距离值;由不同方向下对应的差异距离值构建反射率变化直方图,将所有子块的反射率变化直方图连接并转化为高维向量,得到宏观特征描述子。
6.根据权利要求5所述的基于LMC工艺使用激光束刻蚀射频区域的方法,其特征在于,所述比较照明分量图像中子块与照明分量端值图中子块在不同方向下对应的直方图特征,得到差异距离值,包括:
根据照明分量图像中子块在不同方向范围内对应的直方图特征的概率分布和照明分量端值图中子块在不同方向范围内对应的直方图特征的概率分布,计算海林格距离,作为差异距离值。
7.根据权利要求1所述的基于LMC工艺使用激光束刻蚀射频区域的方法,其特征在于,所述获取高频分量图像的功率谱,对功率谱进行采样,得到各个角向的频谱曲线,包括:
将功率谱分成多个角度范围,每个角度范围作为一个角向,对于功率谱的旋转ROI内的幅值,按照角向由内到外按照预设步长进行均值采样,计算每个预设步长范围内幅值的均值,作为范围均值;由同一角向内的范围均值按照采样顺序构成频谱曲线。
8.根据权利要求7所述的基于LMC工艺使用激光束刻蚀射频区域的方法,其特征在于,所述对所有高频分量图像不同高频分量的不同角向的频谱曲线进行相关性分析构建邻接矩阵,得到微观结构矩阵,包括:
获取不同高频分量图像中同一高频分量下的同一角向的频谱曲线的皮尔逊相关系数;
将高频分量作为微观结构矩阵的宽和高,将角向中角度的数量作为微观结构矩阵的深度维度;将皮尔逊相关系数作为微观结构矩阵中的元素值。
9.根据权利要求1所述的基于LMC工艺使用激光束刻蚀射频区域的方法,其特征在于,所述从微观结构矩阵中选取方阵对其进行修改,包括:
从微观结构矩阵的左上角的点为方阵左上角的顶点,选取预设大小的方阵,作为待替换方阵,用待替换方阵替换掉微观结构矩阵的右下角的相同大小的方阵。
10.根据权利要求1所述的基于LMC工艺使用激光束刻蚀射频区域的方法,其特征在于,所述将基于不同大小的方阵得到的热特性描述子进行聚类,得到安全刻蚀类型,包括:
基于热特性描述子的大小,对不同大小的方阵得到的热特性描述子进行聚类,得到聚类簇,将边长为微观结构矩阵的边长的一半的方阵所属的聚类簇作为安全刻蚀类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311203551.3A CN116984747B (zh) | 2023-09-19 | 2023-09-19 | 基于lmc工艺使用激光束刻蚀射频区域的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311203551.3A CN116984747B (zh) | 2023-09-19 | 2023-09-19 | 基于lmc工艺使用激光束刻蚀射频区域的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116984747A true CN116984747A (zh) | 2023-11-03 |
CN116984747B CN116984747B (zh) | 2023-11-24 |
Family
ID=88530423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311203551.3A Active CN116984747B (zh) | 2023-09-19 | 2023-09-19 | 基于lmc工艺使用激光束刻蚀射频区域的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116984747B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010041004A1 (en) * | 2000-04-14 | 2001-11-15 | Trusight Ltd. | Method for automated high speed improvement of digital color images |
CN101859572A (zh) * | 2009-04-06 | 2010-10-13 | 日立环球储存科技荷兰有限公司 | 垂直磁记录写系统 |
CN102798308A (zh) * | 2012-08-23 | 2012-11-28 | 南京工业大学 | 一种微通道散热器与微通道的加工方法 |
CN107492070A (zh) * | 2017-07-10 | 2017-12-19 | 华北电力大学 | 一种双通道卷积神经网络的单图像超分辨率计算方法 |
CN107937915A (zh) * | 2017-12-19 | 2018-04-20 | 深圳技术大学(筹) | 一种基于激光直写技术的微液滴操控方法 |
CN110446580A (zh) * | 2017-01-18 | 2019-11-12 | Ipg光子公司 | 用于相干成像的方法和系统以及用于材料改性的反馈控制 |
CN110499500A (zh) * | 2019-08-29 | 2019-11-26 | 讯创(天津)电子有限公司 | 一种无机非金属材料5g三维镭雕手机天线的制作方法 |
CN112488961A (zh) * | 2020-12-16 | 2021-03-12 | 四川长虹电器股份有限公司 | 一种基于对数方程的t参数同态滤波方法 |
CN113369697A (zh) * | 2021-06-22 | 2021-09-10 | 深圳信息职业技术学院 | 激光抛光在线检测系统及方法 |
US20210333343A1 (en) * | 2019-12-09 | 2021-10-28 | Nous Imaging, Inc. | Systems and method of precision functional mapping-guided interventional planning |
CN114376558A (zh) * | 2022-03-24 | 2022-04-22 | 之江实验室 | 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 |
CN115932773A (zh) * | 2022-12-15 | 2023-04-07 | 南京市德赛西威汽车电子有限公司 | 基于谱形特征的目标角度检测方法、装置、设备及介质 |
-
2023
- 2023-09-19 CN CN202311203551.3A patent/CN116984747B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010041004A1 (en) * | 2000-04-14 | 2001-11-15 | Trusight Ltd. | Method for automated high speed improvement of digital color images |
CN101859572A (zh) * | 2009-04-06 | 2010-10-13 | 日立环球储存科技荷兰有限公司 | 垂直磁记录写系统 |
CN102798308A (zh) * | 2012-08-23 | 2012-11-28 | 南京工业大学 | 一种微通道散热器与微通道的加工方法 |
CN110446580A (zh) * | 2017-01-18 | 2019-11-12 | Ipg光子公司 | 用于相干成像的方法和系统以及用于材料改性的反馈控制 |
CN107492070A (zh) * | 2017-07-10 | 2017-12-19 | 华北电力大学 | 一种双通道卷积神经网络的单图像超分辨率计算方法 |
CN107937915A (zh) * | 2017-12-19 | 2018-04-20 | 深圳技术大学(筹) | 一种基于激光直写技术的微液滴操控方法 |
CN110499500A (zh) * | 2019-08-29 | 2019-11-26 | 讯创(天津)电子有限公司 | 一种无机非金属材料5g三维镭雕手机天线的制作方法 |
US20210333343A1 (en) * | 2019-12-09 | 2021-10-28 | Nous Imaging, Inc. | Systems and method of precision functional mapping-guided interventional planning |
CN112488961A (zh) * | 2020-12-16 | 2021-03-12 | 四川长虹电器股份有限公司 | 一种基于对数方程的t参数同态滤波方法 |
CN113369697A (zh) * | 2021-06-22 | 2021-09-10 | 深圳信息职业技术学院 | 激光抛光在线检测系统及方法 |
CN114376558A (zh) * | 2022-03-24 | 2022-04-22 | 之江实验室 | 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 |
CN115932773A (zh) * | 2022-12-15 | 2023-04-07 | 南京市德赛西威汽车电子有限公司 | 基于谱形特征的目标角度检测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116984747B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sedighi et al. | A new and robust method for character segmentation and recognition in license plate images | |
CN107316013A (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
CN104778457B (zh) | 基于多示例学习的视频人脸识别方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN105184779A (zh) | 一种基于快速特征金字塔的车辆多尺度跟踪方法 | |
CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
CN111127384A (zh) | 基于偏振成像的强反射工件视觉测量方法 | |
CN110516525A (zh) | 基于gan和svm的sar图像目标识别方法 | |
CN104680549B (zh) | 基于高阶邻域tmf模型的sar图像变化检测方法 | |
CN104732552A (zh) | 基于非平稳条件场的sar图像分割方法 | |
CN101271465A (zh) | 一种基于信息瓶颈理论的镜头聚类方法 | |
CN117474029B (zh) | 基于区块链的ai偏振增强图码波频采集成像识别方法 | |
CN116984747B (zh) | 基于lmc工艺使用激光束刻蚀射频区域的方法 | |
Wen et al. | Complex surface ROI detection for steel plate fusing the gray image and 3D depth information | |
CN111488811B (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
Surmacz et al. | An improved algorithm for feature extraction from a fingerprint fuzzy image | |
Yu et al. | 3D reconstruction and defect pattern recognition of bonding wire based on stereo vision | |
CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
Fan et al. | Digital 3D system for classifying fabric pilling based on improved active contours and neural network | |
CN114581629A (zh) | 一种基于局部质心的几何特征检测线的提取方法 | |
CN116403150A (zh) | 一种基于融合c3-cbam注意力机制的口罩检测算法 | |
Li et al. | Crack Detection and Recognition Model of Parts Based on Machine Vision. | |
Zhuang et al. | Image processing and deep normalized CNN for the location measurement and reading distance prediction of RFID multi-tags |
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 |