CN117372431B - 一种纳米压印模具的图像检测方法 - Google Patents

一种纳米压印模具的图像检测方法 Download PDF

Info

Publication number
CN117372431B
CN117372431B CN202311668843.4A CN202311668843A CN117372431B CN 117372431 B CN117372431 B CN 117372431B CN 202311668843 A CN202311668843 A CN 202311668843A CN 117372431 B CN117372431 B CN 117372431B
Authority
CN
China
Prior art keywords
pixel
layer
representing
convolution
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311668843.4A
Other languages
English (en)
Other versions
CN117372431A (zh
Inventor
冀然
李晓飞
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.)
Germanlitho Co ltd
Original Assignee
Germanlitho 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 Germanlitho Co ltd filed Critical Germanlitho Co ltd
Priority to CN202311668843.4A priority Critical patent/CN117372431B/zh
Publication of CN117372431A publication Critical patent/CN117372431A/zh
Application granted granted Critical
Publication of CN117372431B publication Critical patent/CN117372431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/04—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/82—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
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种纳米压印模具的图像检测方法，属于图像处理技术领域，包括以下步骤：S1、对原始模具图像进行预处理，生成标准模具图像，并对标准模具图像的所有像素点进行拆分，生成第一像素点样本集合和第二像素点样本集合；S2、构建像素质量修正模型；S3、将第一像素点样本集合和第二像素点样本集合输入至像素质量修正模型中，对标准模具图像进行修正，完成图像检测。本发明构建的像素质量修正模型可以对标准模具图像进行特征卷积处理、裁剪处理和像素点修正处理，进一步提高模具图像的质量，保证模具图像可以清晰地反映模具情况，便于人工观察模具情况，及时发现模具异常情况。

Description

一种纳米压印模具的图像检测方法
技术领域
本发明属于图像处理技术领域，具体涉及一种纳米压印模具的图像检测方法。
背景技术
在纳米压印模具加工和生产领域，对于模具的质检要求很高，如果模具出现缺陷，发生漏检或者误检的问题，生产车间以缺陷模具为基准进行批量生产，会造成大批量元件的浪费以及成本的大大增加，也会耽误工期，产生的后果难以想象。实际生产中大多采取拍摄纳米压印模具图像，人工观察纳米压印模具图像来监测模具内部状态，但往往采集的纳米压印模具图像质量较低，清晰度不够，因此需对纳米压印模具图像进行清晰度检测和处理。
发明内容
本发明为了解决以上问题，提出了一种纳米压印模具的图像检测方法。
本发明的技术方案是：一种纳米压印模具的图像检测方法包括以下步骤：
S1、采集纳米压印模具的原始模具图像，对原始模具图像进行预处理，生成标准模具图像，并对标准模具图像的所有像素点进行拆分，生成第一像素点样本集合和第二像素点样本集合；
S2、构建像素质量修正模型；
S3、将第一像素点样本集合和第二像素点样本集合输入至像素质量修正模型中，对标准模具图像进行修正，完成图像检测。
进一步地，S1包括以下步骤：
S11、采集纳米压印模具的原始模具图像，并对原始模具图像进行平滑处理，生成标准模具图像；
S12、提取标准模具图像的尺寸以及标准模具图像中各个像素点的像素值， 确定各个像素点的邻接函数；
S13、根据标准模具图像中各个像素点的邻接函数，确定像素区间；
S14、根据像素区间，将标准模具图像的像素点拆分为作为第一像素点样本集合和第二像素点样本集合。
上述进一步方案的有益效果是：在本发明中，对原理模具图像进行预处理，再对预处理后的标准模具图像中各个像素点构建邻接函数，该邻接函数可以显示像素点以及其附近像素点的像素值情况，将属于像素区间的邻接函数对应的像素点作为第一像素点样本集合，这样得到的第一像素点样本集合中，像素点的像素情况相似，可以在像素质量修正模型中输入至同一卷积层中进行处理，提高像素质量修正模型的处理效率。
进一步地，S12中，第m个像素点的邻接函数fm表达式为：；式中，M表示标准模具图像的像素点个数，xm表示第m个像素点的横坐标，ym表示第m个像素点的纵坐标，pm表示第m个像素点的像素值，pm_1表示横坐标为xm-1且纵坐标为ym的像素点的像素值，pm_2表示横坐标为xm+1且纵坐标为ym的像素点的像素值，pm_3表示横坐标为xm且纵坐标为ym+1的像素点的像素值，pm_4表示横坐标为xm且纵坐标为ym-1的像素点的像素值，e表示指数。
进一步地，S13中，像素区间的左端点pl的计算公式为：；式中，F表示所有像素点的邻接函数集合，P表示所有像素点的像素值集合，f表示所有像素点的邻接函数集合中的元素，p表示所有像素点的像素值集合中的元素；
像素区间的右端点pr的计算公式为：；式中，C表示常数。
进一步地，S14中，第一像素点样本集合和第二像素点样本集合的生成方法具体为：将标准模具图像中像素值属于像素区间的所有像素点作为第一像素点样本集合，将标准模具图像中其余像素点作为第二像素点样本集合。
进一步地，像素质量修正模型包括输入层、第一卷积层、第二卷积层、裁剪层、像素修正层和输出层；
输入层的输入端作为像素质量修正模型的输入端，输入层的第一输出端和第一卷积层的输入端连接，输入层的第二输出端和第二卷积层的输入端连接；第一卷积层的第一输出端和裁剪层的第一输入端连接，第一卷积层的第二输出端和像素修正层的第一输入端连接；第二卷积层的第一输出端和裁剪层的第二输入端连接，第二卷积层的第二输出端和像素修正层的第二输入端连接；裁剪层的输出端和像素修正层的第三输入端连接；像素修正层的输出端和输出层的输入端连接；输出层的输出端作为像素质量修正模型的输出端。
上述进一步方案的有益效果是：在本发明中，第一卷积层和第二卷积层分别对不同像素情况的像素点进行分类处理，第一卷积层对邻接函数值聚集在像素区间的像素点进行特征卷积处理，第二卷积层对其余像素点进行特征卷积处理，这样可以达到对像素点分类处理的目的，提高特征卷积处理效率，再通过裁剪层和像素修正层完成裁剪处理和像素修正处理，以此提高图像的质量。
进一步地，第一卷积层的表达式为：；式中，J1表示第一卷积层的输出，S1表示第一像素点样本集合中所有像素点所在区域面积，L表示标准模具图像的长，W表示标准模具图像的宽，bh表示第一卷积层中第h个卷积核的参数，dh表示第h个卷积核的偏差，/>表示第一像素点样本集合中所有像素点的像素值之间的标准差，H表示第一卷积层的卷积核个数，σ(·)表示激活函数，lh表示第一卷积层中第h个卷积核的长，wh表示第一卷积层中第h个卷积核的宽；
第二卷积层的表达式为：；式中，J2表示第二卷积层的输出，S2表示第二像素点样本集合中所有像素点所在区域面积，bg表示第二卷积层中第g个卷积核的参数，dg表示第二卷积层中第g个卷积核的偏差，/> 表示第二像素点样本集合中所有像素点的像素值之间的标准差，G表示第二卷积层的卷积核个数，lg表示第二卷积层中第g个卷积核的长，wg表示第二卷积层中第g个卷积核的宽。
进一步地，裁剪层的表达式为：，/>，；式中，Cut表示裁剪层的输出，J1表示第一卷积层的输出，J2表示第二卷积层的输出，X表示第一像素特征矩阵，Y表示第二像素特征矩阵，I表示单位矩阵，||·||2表示L2范数运算，a表示裁剪层中裁剪框的长，b表示裁剪层中裁剪框的宽，L表示标准模具图像的长，W表示标准模具图像的宽。
进一步地，像素修正层的表达式为：；式中，Z表示像素修正层的输出，J1表示第一卷积层的输出，J2表示第二卷积层的输出，Cut表示裁剪层的输出，/>表示第一像素点样本集合中所有像素点的像素值之间的均值，/>表示第二像素点样本集合中所有像素点的像素值之间的均值，e表示指数。
本发明的有益效果是：
（1）本发明通过对纳米压印模具的原始模具图像进行预处理，得到标准模具图像，并对标准模具图像的所有像素点进行拆分，形成两个像素点样本集合，便于像素质量修正模型对不同的像素点集合进行卷积处理；
（2）本发明构建的像素质量修正模型可以对标准模具图像进行特征卷积处理、裁剪处理和像素点修正处理，进一步提高模具图像的质量，保证模具图像可以清晰地反映模具情况，便于人工观察模具情况，及时发现模具异常情况。
附图说明
图1为纳米压印模具的图像检测方法的流程图；
图2为像素质量修正模型的结构示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种纳米压印模具的图像检测方法，包括以下步骤：
S1、采集纳米压印模具的原始模具图像，对原始模具图像进行预处理，生成标准模具图像，并对标准模具图像的所有像素点进行拆分，生成第一像素点样本集合和第二像素点样本集合；
S2、构建像素质量修正模型；
S3、将第一像素点样本集合和第二像素点样本集合输入至像素质量修正模型中，对标准模具图像进行修正，完成图像检测。
在本发明实施例中，S1包括以下步骤：
S11、采集纳米压印模具的原始模具图像，并对原始模具图像进行平滑处理，生成标准模具图像；
S12、提取标准模具图像的尺寸以及标准模具图像中各个像素点的像素值， 确定各个像素点的邻接函数；
S13、根据标准模具图像中各个像素点的邻接函数，确定像素区间；
S14、根据像素区间，将标准模具图像的像素点拆分为作为第一像素点样本集合和第二像素点样本集合。
在本发明中，对原理模具图像进行预处理，再对预处理后的标准模具图像中各个像素点构建邻接函数，该邻接函数可以显示像素点以及其附近像素点的像素值情况，将属于像素区间的邻接函数对应的像素点作为第一像素点样本集合，这样得到的第一像素点样本集合中，像素点的像素情况相似，可以在像素质量修正模型中输入至同一卷积层中进行处理，提高像素质量修正模型的处理效率。
在本发明实施例中，S12中，第m个像素点的邻接函数fm表达式为：；式中，M表示标准模具图像的像素点个数，xm表示第m个像素点的横坐标，ym表示第m个像素点的纵坐标，pm表示第m个像素点的像素值，pm_1表示横坐标为xm-1且纵坐标为ym的像素点的像素值，pm_2表示横坐标为xm+1且纵坐标为ym的像素点的像素值，pm_3表示横坐标为xm且纵坐标为ym+1的像素点的像素值，pm_4表示横坐标为xm且纵坐标为ym-1的像素点的像素值，e表示指数。
在本发明实施例中，S13中，像素区间的左端点pl的计算公式为：；式中，F表示所有像素点的邻接函数集合，P表示所有像素点的像素值集合，f表示所有像素点的邻接函数集合中的元素，p表示所有像素点的像素值集合中的元素；
像素区间的右端点pr的计算公式为：；式中，C表示常数。
在本发明实施例中，S14中，第一像素点样本集合和第二像素点样本集合的生成方法具体为：将标准模具图像中像素值属于像素区间的所有像素点作为第一像素点样本集合，将标准模具图像中其余像素点作为第二像素点样本集合。
在本发明实施例中，如图2所示，像素质量修正模型包括输入层、第一卷积层、第二卷积层、裁剪层、像素修正层和输出层；
输入层的输入端作为像素质量修正模型的输入端，输入层的第一输出端和第一卷积层的输入端连接，输入层的第二输出端和第二卷积层的输入端连接；第一卷积层的第一输出端和裁剪层的第一输入端连接，第一卷积层的第二输出端和像素修正层的第一输入端连接；第二卷积层的第一输出端和裁剪层的第二输入端连接，第二卷积层的第二输出端和像素修正层的第二输入端连接；裁剪层的输出端和像素修正层的第三输入端连接；像素修正层的输出端和输出层的输入端连接；输出层的输出端作为像素质量修正模型的输出端。
在本发明中，第一卷积层和第二卷积层分别对不同像素情况的像素点进行分类处理，第一卷积层对邻接函数值聚集在像素区间的像素点进行特征卷积处理，第二卷积层对其余像素点进行特征卷积处理，这样可以达到对像素点分类处理的目的，提高特征卷积处理效率，再通过裁剪层和像素修正层完成裁剪处理和像素修正处理，以此提高图像的质量。
在本发明实施例中，第一卷积层的表达式为：；式中，J1表示第一卷积层的输出，S1表示第一像素点样本集合中所有像素点所在区域面积，L表示标准模具图像的长，W表示标准模具图像的宽，bh表示第一卷积层中第h个卷积核的参数，dh表示第h个卷积核的偏差，/>表示第一像素点样本集合中所有像素点的像素值之间的标准差，H表示第一卷积层的卷积核个数，σ(·)表示激活函数，lh表示第一卷积层中第h个卷积核的长，wh表示第一卷积层中第h个卷积核的宽；
第二卷积层的表达式为：；式中，J2表示第二卷积层的输出，S2表示第二像素点样本集合中所有像素点所在区域面积，bg表示第二卷积层中第g个卷积核的参数，dg表示第二卷积层中第g个卷积核的偏差，/>表示第二像素点样本集合中所有像素点的像素值之间的标准差，G表示第二卷积层的卷积核个数，lg表示第二卷积层中第g个卷积核的长，wg表示第二卷积层中第g个卷积核的宽。
在本发明实施例中，裁剪层的表达式为：，，/>；式中，Cut表示裁剪层的输出，J1表示第一卷积层的输出，J2表示第二卷积层的输出，X表示第一像素特征矩阵，Y表示第二像素特征矩阵，I表示单位矩阵，||·||2表示L2范数运算，a表示裁剪层中裁剪框的长，b表示裁剪层中裁剪框的宽，L表示标准模具图像的长，W表示标准模具图像的宽。
在本发明实施例中，像素修正层的表达式为：；式中，Z表示像素修正层的输出，J1表示第一卷积层的输出，J2表示第二卷积层的输出，Cut表示裁剪层的输出，/>表示第一像素点样本集合中所有像素点的像素值之间的均值，/>表示第二像素点样本集合中所有像素点的像素值之间的均值，e表示指数。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (1)

1.一种纳米压印模具的图像检测方法，其特征在于，包括以下步骤：
S1、采集纳米压印模具的原始模具图像，对原始模具图像进行预处理，生成标准模具图像，并对标准模具图像的所有像素点进行拆分，生成第一像素点样本集合和第二像素点样本集合；
S2、构建像素质量修正模型；
S3、将第一像素点样本集合和第二像素点样本集合输入至像素质量修正模型中，对标准模具图像进行修正，完成图像检测；
所述S1包括以下步骤：
S11、采集纳米压印模具的原始模具图像，并对原始模具图像进行平滑处理，生成标准模具图像；
S12、提取标准模具图像的尺寸以及标准模具图像中各个像素点的像素值， 确定各个像素点的邻接函数；
S13、根据标准模具图像中各个像素点的邻接函数，确定像素区间；
S14、根据像素区间，将标准模具图像的像素点拆分为作为第一像素点样本集合和第二像素点样本集合；
所述S12中，第m个像素点的邻接函数fm表达式为：；式中，M表示标准模具图像的像素点个数，xm表示第m个像素点的横坐标，ym表示第m个像素点的纵坐标，pm表示第m个像素点的像素值，pm_1表示横坐标为xm-1且纵坐标为ym的像素点的像素值，pm_2表示横坐标为xm+1且纵坐标为ym的像素点的像素值，pm_3表示横坐标为xm且纵坐标为ym+1的像素点的像素值，pm_4表示横坐标为xm且纵坐标为ym-1的像素点的像素值，e表示指数；
所述S13中，像素区间的左端点pl的计算公式为：；式中，F表示所有像素点的邻接函数集合，P表示所有像素点的像素值集合，f表示所有像素点的邻接函数集合中的元素，p表示所有像素点的像素值集合中的元素；
所述像素区间的右端点pr的计算公式为：；式中，C表示常数；
所述S14中，第一像素点样本集合和第二像素点样本集合的生成方法具体为：将标准模具图像中像素值属于像素区间的所有像素点作为第一像素点样本集合，将标准模具图像中其余像素点作为第二像素点样本集合；
所述像素质量修正模型包括输入层、第一卷积层、第二卷积层、裁剪层、像素修正层和输出层；
所述输入层的输入端作为像素质量修正模型的输入端，所述输入层的第一输出端和第一卷积层的输入端连接，所述输入层的第二输出端和第二卷积层的输入端连接；所述第一卷积层的第一输出端和裁剪层的第一输入端连接，所述第一卷积层的第二输出端和像素修正层的第一输入端连接；所述第二卷积层的第一输出端和裁剪层的第二输入端连接，所述第二卷积层的第二输出端和像素修正层的第二输入端连接；所述裁剪层的输出端和像素修正层的第三输入端连接；所述像素修正层的输出端和输出层的输入端连接；所述输出层的输出端作为像素质量修正模型的输出端；
所述第一卷积层的表达式为：；式中，J1表示第一卷积层的输出，S1表示第一像素点样本集合中所有像素点所在区域面积，L表示标准模具图像的长，W表示标准模具图像的宽，bh表示第一卷积层中第h个卷积核的参数，dh表示第h个卷积核的偏差，/>表示第一像素点样本集合中所有像素点的像素值之间的标准差，H表示第一卷积层的卷积核个数，σ(·)表示激活函数，lh表示第一卷积层中第h个卷积核的长，wh表示第一卷积层中第h个卷积核的宽；
所述第二卷积层的表达式为：；式中，J2表示第二卷积层的输出，S2表示第二像素点样本集合中所有像素点所在区域面积，bg表示第二卷积层中第g个卷积核的参数，dg表示第二卷积层中第g个卷积核的偏差，/>表示第二像素点样本集合中所有像素点的像素值之间的标准差，G表示第二卷积层的卷积核个数，lg表示第二卷积层中第g个卷积核的长，wg表示第二卷积层中第g个卷积核的宽；
所述裁剪层的表达式为：，/>，；式中，Cut表示裁剪层的输出，J1表示第一卷积层的输出，J2表示第二卷积层的输出，X表示第一像素特征矩阵，Y表示第二像素特征矩阵，I表示单位矩阵，||·||2表示L2范数运算，a表示裁剪层中裁剪框的长，b表示裁剪层中裁剪框的宽，L表示标准模具图像的长，W表示标准模具图像的宽；
所述像素修正层的表达式为：；式中，Z表示像素修正层的输出，J1表示第一卷积层的输出，J2表示第二卷积层的输出，Cut表示裁剪层的输出，/>表示第一像素点样本集合中所有像素点的像素值之间的均值，/>表示第二像素点样本集合中所有像素点的像素值之间的均值，e表示指数。
CN202311668843.4A 2023-12-07 2023-12-07 一种纳米压印模具的图像检测方法 Active CN117372431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311668843.4A CN117372431B (zh) 2023-12-07 2023-12-07 一种纳米压印模具的图像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311668843.4A CN117372431B (zh) 2023-12-07 2023-12-07 一种纳米压印模具的图像检测方法

Publications (2)

Publication Number Publication Date
CN117372431A CN117372431A (zh) 2024-01-09
CN117372431B true CN117372431B (zh) 2024-02-20

Family

ID=89400634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311668843.4A Active CN117372431B (zh) 2023-12-07 2023-12-07 一种纳米压印模具的图像检测方法

Country Status (1)

Country Link
CN (1) CN117372431B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649661B (zh) * 2024-01-30 2024-04-12 青岛超瑞纳米新材料科技有限公司 一种碳纳米管制备状态图像处理方法
CN118010759B (zh) * 2024-04-08 2024-09-06 青岛天仁微纳科技有限责任公司 一种纳米压印图像的检测方法
CN118397002B (zh) * 2024-06-27 2024-08-30 青岛天仁微纳科技有限责任公司 一种纳米压印晶圆生产的质量管理方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683102A (zh) * 2016-12-30 2017-05-17 西安电子科技大学 基于脊波滤波器和卷积结构模型的sar图像分割方法
CN108846404A (zh) * 2018-06-25 2018-11-20 安徽大学 一种基于相关约束图排序的图像显著性检测方法及装置
CN110660074A (zh) * 2019-10-10 2020-01-07 北京同创信通科技有限公司 一种建立废钢等级划分神经网络模型方法
CN111340721A (zh) * 2020-02-18 2020-06-26 国网电子商务有限公司 一种像素的修正方法、装置、设备及可读存储介质
CN113781510A (zh) * 2021-09-15 2021-12-10 上海金仕达软件科技有限公司 边缘检测方法、装置及电子设备
DE112021001906T5 (de) * 2020-06-05 2023-01-26 Hitachi Astemo, Ltd. Recheneinrichtung und parallaxenberechnungsverfahren
WO2023070911A1 (zh) * 2021-10-27 2023-05-04 西安工程大学 一种基于自注意力的彩色纹理织物缺陷区域的检测方法
CN117011291A (zh) * 2023-09-28 2023-11-07 高盈表业(深圳)有限公司 一种手表外壳质量视觉检测方法
CN117094909A (zh) * 2023-08-31 2023-11-21 青岛天仁微纳科技有限责任公司 一种纳米压印晶圆图像采集处理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104220898B (zh) * 2012-03-28 2017-05-17 国立研究开发法人量子科学技术研究开发机构 基于mr图像的pet吸收校正图像生成方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683102A (zh) * 2016-12-30 2017-05-17 西安电子科技大学 基于脊波滤波器和卷积结构模型的sar图像分割方法
CN108846404A (zh) * 2018-06-25 2018-11-20 安徽大学 一种基于相关约束图排序的图像显著性检测方法及装置
CN110660074A (zh) * 2019-10-10 2020-01-07 北京同创信通科技有限公司 一种建立废钢等级划分神经网络模型方法
CN111340721A (zh) * 2020-02-18 2020-06-26 国网电子商务有限公司 一种像素的修正方法、装置、设备及可读存储介质
DE112021001906T5 (de) * 2020-06-05 2023-01-26 Hitachi Astemo, Ltd. Recheneinrichtung und parallaxenberechnungsverfahren
CN113781510A (zh) * 2021-09-15 2021-12-10 上海金仕达软件科技有限公司 边缘检测方法、装置及电子设备
WO2023070911A1 (zh) * 2021-10-27 2023-05-04 西安工程大学 一种基于自注意力的彩色纹理织物缺陷区域的检测方法
CN117094909A (zh) * 2023-08-31 2023-11-21 青岛天仁微纳科技有限责任公司 一种纳米压印晶圆图像采集处理方法
CN117011291A (zh) * 2023-09-28 2023-11-07 高盈表业(深圳)有限公司 一种手表外壳质量视觉检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Mitigation of Ionospheric Noise in Azimuth Offset Based on the Split-Spectrum Method;Tatsuya Yamashita 等;《IEEE Transactions on Geoscience and Remote Sensing》;第60卷;1-11 *
基于短距离优先加权均值的Stoilov改进算法;刘婷 等;《计算机应用》;第35卷(第5期);1449-1453 *
基于超像素分割的图像与视频低多边形渲染方法;韩艳茹;《中国优秀硕士学位论文全文数据库 信息科技辑》;第2021年卷(第7期);I138-443 *

Also Published As

Publication number Publication date
CN117372431A (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
CN117372431B (zh) 一种纳米压印模具的图像检测方法
CN113239954B (zh) 基于注意力机制的图像语义分割特征融合方法
CN104458766B (zh) 一种基于结构纹理法的布匹表面瑕疵检测方法
CN107977686B (zh) 一种工业x光图像的分类方法
CN110992374B (zh) 一种基于深度学习的头发精细化分割方法及系统
CN110702648B (zh) 基于非下采样轮廓波变换的荧光光谱污染物分类方法
CN106023098B (zh) 基于张量结构多字典学习与稀疏编码的图像修补方法
CN117252878B (zh) 一种纳米压印模具的图像缺陷检测方法
DE112021003356T5 (de) Inspektionsvorrichtung, Einheitsauswahlvorrichtung, Inspektionsverfahren und Inspektionsprogramm
CN114331869A (zh) 一种坝面裂缝语义分割方法
CN114170473A (zh) 基于病理图像的dMMR亚型分类方法及系统
CN112614113A (zh) 一种基于深度学习的带钢缺陷检测方法
CN110992267A (zh) 一种基于DPSR与Lightweight CNN的磨粒识别方法
CN111210408A (zh) 一种基于射线图像的复合材料缺陷识别方法
CN111126435B (zh) 基于深度学习的黄色培育钻石品级分类系统
CN113239730B (zh) 一种基于计算机视觉的结构虚假模态参数自动剔除方法
CN115205230A (zh) 一种基于新型注意力机制的混凝土桥梁表观裂缝识别方法
CN114004823A (zh) 一种浮游植物计数方法及装置
CN113570524A (zh) 一种用于高反光噪声深度图像的修复方法
CN113516193A (zh) 基于图像处理的红枣缺陷识别分类方法及装置
CN112508945A (zh) 一种基于计算机视觉的固体火箭发动机无损检测方法
CN111553557A (zh) 一种基于深度学习的车间产品质量评估方法
EP1696223B1 (de) Verfahren zur Kornformbeschreibung von Partikeln aus photografisch erzeugten digitalen Bilddateien
Sun et al. Defect Detection of Alloy Particles Based on Neural Networks and Wavelet Transformation
CN114004829B (zh) 基于迁移学习的筷子缺陷检测方法及系统

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