CN117893538B - 基于机器视觉的半导体器件质量检测方法、装置及系统 - Google Patents
基于机器视觉的半导体器件质量检测方法、装置及系统 Download PDFInfo
- Publication number
- CN117893538B CN117893538B CN202410296125.7A CN202410296125A CN117893538B CN 117893538 B CN117893538 B CN 117893538B CN 202410296125 A CN202410296125 A CN 202410296125A CN 117893538 B CN117893538 B CN 117893538B
- Authority
- CN
- China
- Prior art keywords
- image
- reasoning
- vector
- semiconductor device
- characterization vector
- 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
Links
- 239000004065 semiconductor Substances 0.000 title claims abstract description 242
- 238000001514 detection method Methods 0.000 title claims abstract description 139
- 239000013598 vector Substances 0.000 claims abstract description 595
- 238000012512 characterization method Methods 0.000 claims abstract description 390
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 132
- 238000000605 extraction Methods 0.000 claims description 85
- 238000000034 method Methods 0.000 claims description 69
- 238000012545 processing Methods 0.000 claims description 40
- 238000007689 inspection Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 6
- 230000006798 recombination Effects 0.000 claims description 5
- 238000005215 recombination Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 156
- 238000013461 design Methods 0.000 description 57
- 238000004590 computer program Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000000712 assembly Effects 0.000 description 5
- 238000000429 assembly Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器视觉的半导体器件质量检测方法、装置及系统,采用依据初始图像表征向量在一个或多个推理层面对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像分别在各推理层面的本真情况推理结果,基于对初始图像表征向量进行表征向量调节,获得质量检测结果表征向量,对质量检测结果表征向量进行检测结果还原映射,以令质量检测结果在各推理层面下都遵循本真情况,使得对图像进行质量检测分析的基础是真实有效的,增加质量检测结果的可靠性。
Description
技术领域
本申请涉及图像处理领域,并且更具体地,涉及一种基于机器视觉的半导体器件质量检测方法、装置及系统。
背景技术
半导体器件是现代电子技术的基石,广泛应用于计算机、通信、消费电子等领域。随着半导体技术的不断发展,对半导体器件的质量要求也越来越高。因此,如何快速、准确地检测半导体器件的质量,成为半导体产业的一个重要研究方向。传统的半导体器件质量检测方法主要依赖人工检测,这种方法存在着检测效率低、误检率高、检测结果受检测人员主观因素影响等问题。为了解决这些问题,人们开始研究基于机器视觉的半导体器件质量检测方法。
机器视觉是一种利用计算机模拟人类视觉系统的技术,可以快速、准确地获取和处理图像信息。基于机器视觉的半导体器件质量检测方法,利用机器视觉技术对半导体器件进行图像采集和处理,提取出半导体器件的特征信息,并与预设的标准进行对比,从而判断半导体器件的质量是否合格。然而,现有的基于机器视觉的半导体器件质量检测方法仍然存在着一些问题。由于机器视觉图像容易受到光照、反射、折射、数据传输等因素的影响,导致图像中存在着不属于半导体器件本身的信息,这些不属于图像本身的信息,或者,不属于半导体器件本身的信息将对根据图像展现出的信息进行特征提取进行质量检测得到的结果产生误导,也即质量检测的结果不准确。
发明内容
有鉴于此,本申请实施例至少提供一种基于机器视觉的半导体器件质量检测方法、装置及系统。
根据本申请实施例的一个方面,提供了一种基于机器视觉的半导体器件质量检测方法,应用于图像处理设备,所述方法包括:
获取拟识别半导体器件图像,对所述拟识别半导体器件图像进行图像表征向量抽取,得到所述拟识别半导体器件图像的初始图像表征向量;
依据所述初始图像表征向量,在一个或多个推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像分别在各所述推理层面的本真情况推理结果;
如果所述本真情况推理结果表明所述拟识别半导体器件图像在相应的所述推理层面下不属于本真情况,获取所述初始图像表征向量在相应的所述推理层面下的调节表征向量;
依据所述调节表征向量,对所述初始图像表征向量进行表征向量调节,得到所述初始图像表征向量对应的质量检测结果表征向量;
对所述质量检测结果表征向量进行检测结果还原映射,得到所述拟识别半导体器件图像对应的质量检测结果,所述质量检测结果在各所述推理层面下都遵循所述本真情况。
根据本申请实施例的一个示例,其中,所述图像表征向量抽取通过一个或多个图像表征向量抽取组件实现,如果所述图像表征向量抽取组件的数量为多个时,所述对所述拟识别半导体器件图像进行图像表征向量抽取,得到所述拟识别半导体器件图像的初始图像表征向量,包括:
调取第一图像表征向量抽取组件,对所述拟识别半导体器件图像进行图像表征向量抽取,得到第一初始图像表征向量;
从Q=2开始,依次遍历到S,对每个Q执行以下处理:
调取第Q图像表征向量抽取组件,依据第P初始图像表征向量,对所述拟识别半导体器件图像进行图像表征向量抽取,得到第Q初始图像表征向量,其中,P=Q-1,1<Q≤S,S表示所述图像表征向量抽取组件的数量;
将第S初始图像表征向量确定为所述拟识别半导体器件图像的初始图像表征向量。
根据本申请实施例的一个示例,其中,所述调取第Q图像表征向量抽取组件,依据第P初始图像表征向量,对所述拟识别半导体器件图像进行图像表征向量抽取,得到第Q初始图像表征向量之前,所述方法还包括:
依据所述第P初始图像表征向量,在各所述推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像分别在各所述推理层面的第P本真情况推理结果;
依据所述第P本真情况推理结果,对所述第P初始图像表征向量进行表征向量验证,得到第P质量检测结果表征向量;
所述调取第Q图像表征向量抽取组件,依据第P初始图像表征向量,对所述拟识别半导体器件图像进行图像表征向量抽取,得到第Q初始图像表征向量,包括:
调取第Q图像表征向量抽取组件,依据所述第P质量检测结果表征向量,对所述拟识别半导体器件图像进行图像表征向量抽取,得到所述第Q初始图像表征向量。
根据本申请实施例的一个示例,其中,所述依据所述第P本真情况推理结果,对所述第P初始图像表征向量进行表征向量验证,得到第P质量检测结果表征向量,包括:
如果具有所述第P本真情况推理结果表明所述拟识别半导体器件图像在相应的所述推理层面下不属于所述本真情况,对所述第P初始图像表征向量进行表征向量调节,得到第P质量检测结果表征向量;
如果各个所述第P本真情况推理结果都表明所述拟识别半导体器件图像在相应的所述推理层面下属于所述本真情况,将所述第P初始图像表征向量确定为所述第P质量检测结果表征向量。
根据本申请实施例的一个示例,其中,所述依据所述初始图像表征向量,在一个或多个推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像分别在各所述推理层面的本真情况推理结果,包括:
获取各所述推理层面分别对应的本真情况推理组件,以及对各所述推理层面各自进行如下操作:
调取相应的所述本真情况推理组件,依据所述初始图像表征向量,在所述推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像在所述推理层面的本真情况支持系数;
如果所述本真情况支持系数不小于支持系数预设值,将所述推理层面的本真情况推理结果确定为第一推理结果,所述第一推理结果表征所述拟识别半导体器件图像在所述推理层面下属于所述本真情况;
如果所述本真情况支持系数小于所述支持系数预设值,将所述推理层面的本真情况推理结果确定为第二推理结果,所述第二推理结果表征所述拟识别半导体器件图像在所述推理层面下不属于所述本真情况。
根据本申请实施例的一个示例,其中,如果所述推理层面的数量为一个,所述获取各所述推理层面分别对应的本真情况推理组件,包括:
获取初始推理组件,获取图像训练样例对应的多个图像表征向量训练样例,以及各所述图像表征向量训练样例的本真情况先验支持系数;
对于各所述图像表征向量训练样例,调取所述初始推理组件,依据所述图像表征向量训练样例,在所述推理层面对所述图像训练样例的内容进行本真情况推理,得到所述图像表征向量训练样例对应的本真情况支持系数,以及结合所述本真情况支持系数和相应的所述本真情况先验支持系数,确定所述图像表征向量训练样例对应的误差值;
依据各所述图像表征向量训练样例对应的误差值对所述初始推理组件进行调试,得到所述推理层面对应的本真情况推理组件;
其中,所述获取图像训练样例对应的多个图像表征向量训练样例,包括:
获取图像训练样例,并对所述图像训练样例进行图像表征向量抽取,得到所述图像训练样例的初始图像表征向量;
对所述图像训练样例的初始图像表征向量进行向量重组,得到所述图像训练样例对应的多个图像表征向量训练样例;
如果所述推理层面的数量为多个,所述获取各所述推理层面分别对应的本真情况推理组件,包括:
获取初始推理组件,并获取第一推理层面的图像训练样例对应的第一图像表征向量训练样例,以及所述第一图像表征向量训练样例的第一本真情况先验支持系数;
调取所述初始推理组件,依据所述第一图像表征向量训练样例,对所述第一推理层面的图像训练样例的内容进行本真情况推理,得到第一本真情况支持系数,以及结合所述第一本真情况支持系数和所述第一本真情况先验支持系数,对所述初始推理组件进行调试,得到所述第一推理层面对应的本真情况推理组件;
从H=2开始,依次遍历到T,对每个H执行以下处理:
获取第G推理层面的图像训练样例对应的第G本真情况支持系数,依据所述第G本真情况支持系数,对所述初始推理组件进行调试,得到第H推理层面对应的本真情况推理组件;其中,G=H-1,1<H≤T,T表示所述推理层面的数量。
根据本申请实施例的一个示例,其中,所述依据所述第G本真情况支持系数,对所述初始推理组件进行调试,得到所述第H推理层面对应的本真情况推理组件,包括:
获取第H推理层面的图像训练样例对应的第H图像表征向量训练样例,以及所述第H图像表征向量训练样例的第H本真情况先验支持系数;
调取所述初始推理组件,依据所述第H图像表征向量训练样例,对所述第H推理层面的图像训练样例的内容进行本真情况推理,得到第H本真情况支持系数;
结合所述第H本真情况支持系数和所述第G本真情况支持系数,确定第一误差值,以及结合所述第H本真情况支持系数和所述第H本真情况先验支持系数,确定第二误差值;
结合所述第一误差值和所述第二误差值对所述初始推理组件进行调试,得到所述第H推理层面对应的本真情况推理组件。
根据本申请实施例的一个示例,其中,所述依据所述初始图像表征向量,在一个或多个推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像分别在各所述推理层面的本真情况推理结果之后,所述方法还包括:
如果各个所述推理层面的本真情况推理结果都表明所述拟识别半导体器件图像在相应的所述推理层面下属于所述本真情况,对所述初始图像表征向量进行检测结果还原映射,得到所述拟识别半导体器件图像对应的所述质量检测结果;
所述调节表征向量与目标推理层面一一对应,所述拟识别半导体器件图像在所述目标推理层面下不属于所述本真情况,所述依据所述调节表征向量,对所述初始图像表征向量进行表征向量调节,得到所述初始图像表征向量对应的质量检测结果表征向量,包括:
获取所述拟识别半导体器件图像分别在各所述目标推理层面下的本真情况支持系数,将各所述本真情况支持系数分别作为对应的所述调节表征向量的偏心调节系数;
依据各所述调节表征向量的偏心调节系数,对各所述调节表征向量进行偏心调节整合,得到参考调节表征向量;
获取所述初始图像表征向量的表征向量层面,以及所述参考调节表征向量的表征向量层面;
如果所述初始图像表征向量的表征向量层面与所述参考调节表征向量的表征向量层面不同时,对所述参考调节表征向量的表征向量层面进行调节,得到目标调节表征向量;
如果所述初始图像表征向量的表征向量层面与所述参考调节表征向量的表征向量层面相同,将所述参考调节表征向量确定为所述目标调节表征向量;
依据所述调节表征向量的数量,确定所述初始图像表征向量的调节程度,所述调节程度与所述调节表征向量的数量变化趋势相同;
将所述调节程度与所述目标调节表征向量的相乘结果,确定为整合表征向量,并将所述初始图像表征向量和所述整合表征向量进行求和,得到所述质量检测结果表征向量。
根据本申请实施例的另一方面,提供了一种基于机器视觉的半导体器件质量检测装置,所述装置包括:
图像特征抽取模块,用于获取拟识别半导体器件图像,对所述拟识别半导体器件图像进行图像表征向量抽取,得到所述拟识别半导体器件图像的初始图像表征向量;
本真情况推理模块,用于依据所述初始图像表征向量,在一个或多个推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像分别在各所述推理层面的本真情况推理结果;
表征向量获取模块,用于如果所述本真情况推理结果表明所述拟识别半导体器件图像在相应的所述推理层面下不属于本真情况,获取所述初始图像表征向量在相应的所述推理层面下的调节表征向量;
表征向量调节模块,用于依据所述调节表征向量,对所述初始图像表征向量进行表征向量调节,得到所述初始图像表征向量对应的质量检测结果表征向量;
检测结果解析模块,用于对所述质量检测结果表征向量进行检测结果还原映射,得到所述拟识别半导体器件图像对应的质量检测结果,所述质量检测结果在各所述推理层面下都遵循所述本真情况。
根据本申请实施例的又一方面,提供了一种基于机器视觉的半导体器件质量检测系统,包括图像处理设备和与所述图像处理设备通信连接的摄像设备,所述图像处理设备包括:处理器;以及存储器,其中所述存储器中存储有计算机存储介质,所述计算机存储介质在由所述处理器运行时,使得所述处理器执行如上所述的方法。
本申请至少具有的有益效果包括:
本申请实施例提供的基于机器视觉的半导体器件质量检测方法,通过对拟识别半导体器件图像进行图像表征向量抽取,得到拟识别半导体器件图像的初始图像表征向量,依据初始图像表征向量,在一个或多个推理层面对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像在各推理层面的本真情况推理结果,如果本真情况推理结果表明拟识别半导体器件图像在相应的推理层面下不属于本真情况,获取相应的推理层面下的调节表征向量,依据调节表征向量,对初始图像表征向量进行表征向量调节,得到初始图像表征向量对应的质量检测结果表征向量,对质量检测结果表征向量进行检测结果还原映射,得到在各推理层面下都遵循本真情况的质量检测结果。基于此,采用依据初始图像表征向量在一个或多个推理层面对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像分别在各推理层面的本真情况推理结果,基于对初始图像表征向量进行表征向量调节,获得质量检测结果表征向量,对质量检测结果表征向量进行检测结果还原映射,以令质量检测结果在各推理层面下都遵循本真情况,使得对图像进行质量检测分析的基础是真实有效的,增加质量检测结果的可靠性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请的技术方案。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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他的附图。
图1是本申请提供的一种基于机器视觉的半导体器件质量检测系统的架构示意图;
图2是本申请提供的一种基于机器视觉的半导体器件质量检测方法的流程示意图;
图3是本申请实施例提供的一种基于机器视觉的半导体器件质量检测装置的结构示意图;
图4是本申请实施例提供的一种图像处理设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了便于更清楚理解本申请,首先介绍实现本申请的基于机器视觉的半导体器件质量检测方法的应用环境,如图1所示,提供一种基于机器视觉的半导体器件质量检测系统,其中包括图像处理设备10和摄像设备集群,摄像设备集群可以包括一个或者多个摄像设备,这里将不对摄像设备的数量进行限制。如图1所示,摄像设备集群具体可以包括摄像设备1、摄像设备2、… 、摄像设备n;可以理解的是,摄像设备1、摄像设备2、摄像设备3、… 、摄像设备n均可以与图像处理设备10进行网络连接,以便于每个终端均可以通过网络连接与图像处理设备10之间进行数据交互。
可理解的是,图像处理设备10可以是指执行半导体器件图像处理的设备,该图像处理设备10还可以用于存储半导体器件图像。其中,图像处理设备可以是布设在后台或云端的服务器,服务器可以是独立的一个物理服务器,也可以是至少两个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、中容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。或者还可以是个人电脑、笔记本电脑等具有数据处理能力的设备。各个摄像设备以及图像处理设备可以通过有线或无线通信方式进行直接或间接地连接,同时,摄像设备以及图像处理设备的数量可以为一个或至少两个,本申请在此不做限制。
进一步地,请参见图2,是本申请实施例提供的一种基于机器视觉的半导体器件质量检测方法的流程示意图。如图2所示,该方法可由图1中的图像处理设备执行,其中,该基于机器视觉的半导体器件质量检测方法可以包括如下步骤:
步骤S110,获取拟识别半导体器件图像,对拟识别半导体器件图像进行图像表征向量抽取,得到拟识别半导体器件图像的初始图像表征向量。
拟识别半导体器件图像为通过摄像设备对半导体器件进行拍摄得到的图像,图像表征向量抽取的过程是将拟识别半导体器件图像从图像像素向低维向量进行表示的过程,可以简言之为特征抽取,得到表征如纹理、边缘、颜色、形状等特征的向量信息,通过设置合理的网络层数,还可以提取得到更深层级的语义特征信息。此处将抽取得到的表征特征信息的向量结果称之为初始图像表征向量。
可行的设计中,图像表征向量抽取可以通过一个或多个图像表征向量抽取组件完成,如果图像表征向量抽取组件的数量为一个,那么步骤S110可以包括如下步骤:调取图像表征向量抽取组件,对拟识别半导体器件图像进行图像表征向量抽取,得到拟识别半导体器件图像的初始图像表征向量。
可行的设计中,以上图像表征向量抽取组件可以采用卷积神经网络构建,或者可以为其他深度神经网络,如循环神经网络,具体不做限定。
可行的设计中,图像表征向量抽取通过一个或多个图像表征向量抽取组件实现,例如,本申请实施例提供的基于机器视觉的半导体器件质量检测方法中,如果图像表征向量抽取组件为多个,各图像表征向量抽取组件的抽取的尺度不同,例如基于图像特征金字塔原理进行图像表征向量的抽取。具体地,可以包括以下步骤:
步骤S111,调取第一图像表征向量抽取组件,对拟识别半导体器件图像进行图像表征向量抽取,得到第一初始图像表征向量。
其中,各个图像表征向量抽取组件级联,调取第一图像表征向量抽取组件(可以认为是第一个图像表征向量抽取组件)对拟识别半导体器件图像进行图像表征向量抽取,得到第一初始图像表征向量。
步骤S112,从Q=2开始,依次遍历到S,对每个Q执行以下处理:调取第Q图像表征向量抽取组件,依据第P初始图像表征向量,对拟识别半导体器件图像进行图像表征向量抽取,得到第Q初始图像表征向量。其中,P=Q-1。
可行的设计中,1<Q≤S,S表示所述图像表征向量抽取组件的数量。
也即,对Q完成遍历,可行的设计中,调取第二图像表征向量抽取组件(可以认为是第二个图像表征向量抽取组件),依据第一初始图像表征向量对拟识别半导体器件图像进行图像表征向量抽取,得到第二初始图像表征向量;调取第S图像表征向量抽取组件,依据第S-1初始图像表征向量,对拟识别半导体器件图像进行图像表征向量抽取,得到第S初始图像表征向量。
可行的设计中,步骤S112之前,本申请实施例可基于以下步骤确定第P质量检测结果表征向量:依据第P初始图像表征向量,在各推理层面对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像分别在各推理层面的第P本真情况推理结果;依据第P本真情况推理结果,对第P初始图像表征向量进行表征向量验证,得到第P质量检测结果表征向量。其中,拟识别半导体器件图像的内容的本真情况表示拟识别半导体器件图像的内容是不是其自身的真实信息,换言之,本真情况是图像的自身信息的真实性评价结果。
可行的设计中,依据第P初始图像表征向量,在各推理层面对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像分别在各推理层面的第P本真情况推理结果,可以包括如下步骤:获取各推理层面分别对应的本真情况推理组件,以及对各推理层面各自进行如下操作:调取相应的本真情况推理组件,依据第P初始图像表征向量,在推理层面对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像在推理层面的第P本真情况支持系数;如果本真情况支持系数不小于支持系数预设值时,将推理层面的本真情况推理结果确定为第一推理结果;如果本真情况支持系数小于支持系数预设值时,将推理层面的本真情况推理结果确定为第二推理结果。本真情况支持系数可以理解为支持在对应的推理层面支持拟识别半导体器件图像为本真图像的程度。
可行的设计中,第一推理结果表征拟识别半导体器件图像在推理层面下属于本真情况,第二推理结果表征拟识别半导体器件图像在推理层面下不属于本真情况。
可行的设计中,如果推理层面的数量为一个,则获取各推理层面分别对应的本真情况推理组件,可以包括如下步骤:获取初始推理组件,并获取图像训练样例对应的多个图像表征向量训练样例,以及各图像表征向量训练样例的本真情况先验支持系数(例如通过标签表示);对于各图像表征向量训练样例,调取初始推理组件,依据图像表征向量训练样例,在推理层面对图像训练样例的内容进行本真情况推理,得到图像表征向量训练样例对应的本真情况支持系数,以及结合本真情况支持系数和相应的本真情况先验支持系数,确定图像表征向量训练样例对应的误差值;依据各图像表征向量训练样例对应的误差值对初始推理组件进行调试,得到推理层面对应的本真情况推理组件。推理组件即一个进行分类预测的网络层,其结构可以包括卷积、池化、标准化等网络层。
可行的设计中,如果推理层面的数量为多个,则获取各推理层面分别对应的本真情况推理组件,可以包括如下步骤:获取初始推理组件,并获取第一推理层面的图像训练样例对应的第一图像表征向量训练样例,以及第一图像表征向量训练样例的第一本真情况先验支持系数;调取初始推理组件,依据第一图像表征向量训练样例,对第一推理层面的图像训练样例的内容进行本真情况推理,得到第一本真情况支持系数,以及结合第一本真情况支持系数和第一本真情况先验支持系数,对初始推理组件进行调试,得到第一推理层面对应的本真情况推理组件;从H=2开始,依次遍历到T,对每个H执行以下处理:获取第G推理层面的图像训练样例对应的第G本真情况支持系数,依据第G本真情况支持系数,对初始推理组件进行调试,得到第H推理层面对应的本真情况推理组件。其中,G=H-1。
也即,对H完成遍历,可行的设计中,1<H≤T,T表示推理层面的数量。
可行的设计中,依据第P本真情况推理结果,对第P初始图像表征向量进行表征向量验证,得到第P质量检测结果表征向量,可以包括如下步骤:如果具有第P本真情况推理结果表明拟识别半导体器件图像在相应的推理层面下不属于本真情况,则对第P初始图像表征向量进行表征向量调节,得到第P质量检测结果表征向量;如果各个第P本真情况推理结果都表明拟识别半导体器件图像在相应的推理层面下属于本真情况,则将第P初始图像表征向量确定为第P质量检测结果表征向量。
可行的设计中,第P本真情况推理结果与推理层面是一一对应的,例如,推理层面包括推理层面1、推理层面2以及推理层面3,第P本真情况推理结果包括推理层面1对应的推理结果、推理层面2对应的推理结果,以及推理层面3对应的推理结果,推理层面1对应的推理结果表明拟识别半导体器件图像在推理层面1下不属于本真情况,推理层面2对应的推理结果表明拟识别半导体器件图像在推理层面2下属于本真情况,推理层面3对应的推理结果表明拟识别半导体器件图像在推理层面3下不属于本真情况,也即存在第P本真情况推理结果表明拟识别半导体器件图像在相应的推理层面下不属于本真情况,此时对第P初始图像表征向量进行表征向量调节,得到第P质量检测结果表征向量。
可行的设计中,第P本真情况推理结果与推理层面是一一对应的,例如推理层面包括推理层面1、推理层面2以及推理层面3,第P本真情况推理结果包括推理层面1对应的推理结果、推理层面2对应的推理结果,以及推理层面3对应的推理结果,推理层面1对应的推理结果表明拟识别半导体器件图像在推理层面1下具有本真情况,推理层面2对应的推理结果表明拟识别半导体器件图像在推理层面2下对应本真情况,推理层面3对应的推理结果表明拟识别半导体器件图像在推理层面3下对应本真情况,即各第P本真情况推理结果都表明拟识别半导体器件图像在相应的推理层面下属于本真情况时,直接将第P初始图像表征向量确定为第P质量检测结果表征向量。
可行的设计中,步骤S112可以包括如下步骤:调取第Q图像表征向量抽取组件,依据第P质量检测结果表征向量,对拟识别半导体器件图像进行图像表征向量抽取,得到第Q初始图像表征向量。
可行的设计中,在调取第Q图像表征向量抽取组件之前,通过对第P初始图像表征向量进行表征向量验证,得到第P质量检测结果表征向量,从而调取第Q图像表征向量抽取组件,依据第P质量检测结果表征向量,对拟识别半导体器件图像进行图像表征向量抽取,得到第Q初始图像表征向量,以令在多个图像表征向量抽取组件中,依次进行表征向量验证,确保每个图像表征向量抽取组件的输入都为完成表征向量验证后的质量检测结果表征向量,令图像表征向量抽取组件可以渐渐完成对拟识别半导体器件图像的图像表征向量抽取优化,提高图像表征向量抽取的精确性。
步骤S113,将第S初始图像表征向量确定为拟识别半导体器件图像的初始图像表征向量。
可行的设计中,将第S初始图像表征向量确定为拟识别半导体器件图像的初始图像表征向量。基于此,在调取第Q图像表征向量抽取组件之前,采用对第P初始图像表征向量进行表征向量验证,得到第P质量检测结果表征向量,从而调取第Q图像表征向量抽取组件,依据第P质量检测结果表征向量,对拟识别半导体器件图像进行图像表征向量抽取,得到第Q初始图像表征向量,以令在多个图像表征向量抽取组件中,依次进行表征向量验证,确保每个图像表征向量抽取组件的输入都是经过表征向量验证后的质量检测结果表征向量,令图像表征向量抽取组件可以依次完成对拟识别半导体器件图像的图像表征向量抽取优化,提高图像表征向量抽取的精确性。
步骤S120,依据初始图像表征向量,在一个或多个推理层面对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像分别在各推理层面的本真情况推理结果。
可行的设计中,本真情况推理可以通过本真情况推理组件完成,以上本真情况推理组件与推理层面是一一对应的,换言之,不同的推理层面对应的本真情况推理组件不同,不同的推理层面下的本真情况推理组件的组件架构一致,但是对应不同的参数,如上所述,本真情况推理组件包括卷积单元(Conv)、池化单元(pooling)、标准化单元(norm)。可行的设计中,推理层面表示拟识别半导体器件图像的内容维度,推理层面与拟识别半导体器件图像的内容维度对应,拟识别半导体器件图像的内容维度包括色彩和对比度(色彩是否异常鲜艳、对比度是否过高或过低,非本真图像可能会出现不自然的颜色或对比度,与真实场景不符)、清晰度和细节(图像模糊、失真或缺乏细节,可能表明存在非本真信息)、形状和尺寸(非本真图像信息可能会出现变形、扭曲或尺寸不正常的物体)、纹理和质感(图像中的纹理不清晰、不自然或缺乏质感,可能是非本真信息造成)、光影(不真实的光影或阴影可能是非本真信息的迹象)、异常元素(如不存在于现实中的物体、奇特的形状或不合理的组合)等层面。
可行的设计中,本申请实施例提供的基于机器视觉的半导体器件质量检测方法中,步骤S120可以包括以下步骤S121~步骤S124。
步骤S121,获取各推理层面分别对应的本真情况推理组件,以及对各推理层面分别执行以下步骤S122~S124。
可行的设计中,以上本真情况推理可以基于本真情况推理组件完成,以上本真情况推理组件与推理层面对应,不同的推理层面对应的本真情况推理组件不同,不同的推理层面下的本真情况推理组件架构一致,参数不一致,本真情况推理组件包括卷积单元(Conv)、池化单元(pooling)、标准化单元(norm)。可行的设计中,如果推理层面的数量为一个,以上获取各推理层面分别对应的本真情况推理组件,可以包括如下步骤:获取初始推理组件,以及获取图像训练样例对应的多个图像表征向量训练样例,以及各图像表征向量训练样例的本真情况先验支持系数;对于各图像表征向量训练样例,调取初始推理组件,依据图像表征向量训练样例,在推理层面对图像训练样例的内容进行本真情况推理,得到图像表征向量训练样例对应的本真情况支持系数,以及结合本真情况支持系数和相应的本真情况先验支持系数,确定图像表征向量训练样例对应的误差值;依据各图像表征向量训练样例对应的误差值对初始推理组件进行调试,得到推理层面对应的本真情况推理组件。
可行的设计中,以上本真情况支持系数与图像表征向量训练样例对应,图像表征向量训练样例与本真情况先验支持系数对应,以上结合本真情况支持系数和相应的本真情况先验支持系数,确定图像表征向量训练样例对应的误差值,可以包括如下步骤:将图像表征向量训练样例的本真情况支持系数和图像表征向量训练样例的本真情况先验支持系数进行作差,得到图像表征向量训练样例对应的误差值。
可行的设计中,以上获取图像训练样例对应的多个图像表征向量训练样例,可以包括如下步骤:获取图像训练样例,对图像训练样例进行图像表征向量抽取,得到图像训练样例的初始图像表征向量;对图像训练样例的初始图像表征向量进行向量重组,得到图像训练样例对应的多个图像表征向量训练样例。
可行的设计中,以上对图像训练样例的初始图像表征向量进行向量重组,得到图像训练样例对应的多个图像表征向量训练样例,可以包括如下步骤:对于初始图像表征向量中的各向量元素各自进行如下操作:将向量元素确定为目标向量元素,并将目标向量元素和初始图像表征向量中的其余向量元素进行任意组合,获得目标向量元素对应的一个或多个图像表征向量训练样例。
可行的设计中,图像训练样例对应的各图像表征向量训练样例均为图像训练样例的初始图像表征向量的子特征。
可行的设计中,初始图像表征向量为:[a,b,c,d,e,f,g],图像训练样例对应的多个图像表征向量训练样例例如为[ab]、[abc]、[abcd]、[abcde]、[abcdef]、[bc]、[bcd]等。基于此,对图像训练样例进行图像表征向量抽取,得到图像训练样例的初始图像表征向量,对图像训练样例的初始图像表征向量进行向量重组,得到图像训练样例对应的多个图像表征向量训练样例,可以扩充初始推理组件的训练样例数量,帮助增加调试获得的本真情况推理组件的推理能力。
可行的设计中,如果推理层面的数量为多个,以上获取各推理层面分别对应的本真情况推理组件,可以包括如下步骤:获取初始推理组件,并获取第一推理层面的图像训练样例对应的第一图像表征向量训练样例,以及第一图像表征向量训练样例的第一本真情况先验支持系数;调取初始推理组件,依据第一图像表征向量训练样例,对第一推理层面的图像训练样例的内容进行本真情况推理,得到第一本真情况支持系数,以及结合第一本真情况支持系数和第一本真情况先验支持系数,对初始推理组件进行调试,得到第一推理层面对应的本真情况推理组件;从H=2开始,依次遍历到T,对每个H执行以下处理:获取第G推理层面的图像训练样例对应的第G本真情况支持系数,依据第G本真情况支持系数,对初始推理组件进行调试,得到第H推理层面对应的本真情况推理组件。其中,G=H-1。
可行的设计中,1<H≤T,T表示推理层面的数量。
可行的设计中,以上获取第一推理层面的图像训练样例对应的第一图像表征向量训练样例,可以包括如下步骤:获取第一推理层面的图像训练样例,并对第一推理层面的图像训练样例进行图像表征向量抽取,得到第一推理层面的图像训练样例的初始图像表征向量;并对第一推理层面的图像训练样例的初始图像表征向量进行向量重组,得到第一推理层面的图像训练样例的多个第一图像表征向量训练样例。
可行的设计中,以上结合第一本真情况支持系数和第一本真情况先验支持系数,对初始推理组件进行调试,得到第一推理层面对应的本真情况推理组件,可以包括如下步骤:将第一本真情况支持系数和第一本真情况先验支持系数的作差结果确定为第一推理层面的误差值,依据第一推理层面的误差值对初始推理组件进行调试,得到第一推理层面对应的本真情况推理组件。
可行的设计中,通过获取第G推理层面的图像训练样例对应的第G本真情况支持系数,依据第G本真情况支持系数,对初始推理组件进行调试,得到第H推理层面对应的本真情况推理组件,以令第H推理层面对应的本真情况推理组件可以参照第G推理层面对应的本真情况推理组件的参数,令第H推理层面对应的本真情况推理组件的推理方向和第G推理层面对应的本真情况推理组件的推理方向具有正交性,增加不同推理层面的本真情况推理组件之间的推理独立。
可行的设计中,获取第一推理层面的图像训练样例对应的第一本真情况支持系数,依据第一本真情况支持系数,对初始推理组件进行调试,得到第二推理层面对应的本真情况推理组件;获取第二推理层面的图像训练样例对应的第二本真情况支持系数,依据第二本真情况支持系数,对初始推理组件进行调试,得到第三推理层面对应的本真情况推理组件。
可行的设计中,以上依据第G本真情况支持系数,对初始推理组件进行调试,得到第H推理层面对应的本真情况推理组件,可以包括如下步骤:获取第H推理层面的图像训练样例对应的第H图像表征向量训练样例,以及第H图像表征向量训练样例的第H本真情况先验支持系数;调取初始推理组件,依据第H图像表征向量训练样例,对第H推理层面的图像训练样例的内容进行本真情况推理,得到第H本真情况支持系数;结合第H本真情况支持系数和第G本真情况支持系数,确定第一误差值,以及结合第H本真情况支持系数和第H本真情况先验支持系数,确定第二误差值;结合第一误差值和第二误差值对初始推理组件进行调试,得到第H推理层面对应的本真情况推理组件。
可行的设计中,以上第一误差值可以通过计算第H本真情况支持系数和第G本真情况支持系数的L1范数得到。可行的设计中,以上第二误差值可以直接将第H本真情况支持系数减去第H本真情况先验支持系数得到。
可行的设计中,以上结合第一误差值和第二误差值对初始推理组件进行调试,得到第H推理层面对应的本真情况推理组件,可以包括如下步骤:将第一误差值和第二误差值进行相加,得到第H推理层面的总误差值,依据总误差值对初始推理组件进行调试,得到第H推理层面对应的本真情况推理组件。
基于此,通过获取第G推理层面的图像训练样例对应的第G本真情况支持系数,依据第G本真情况支持系数对初始推理组件进行调试,获得第H推理层面对应的本真情况推理组件,以令第H推理层面对应的本真情况推理组件可以参照借助第G推理层面对应的本真情况推理组件的参数,令第H推理层面对应的本真情况推理组件的推理方向与第G推理层面对应的本真情况推理组件的推理方向具有正交性,使得不同推理层面的本真情况推理组件之间的推理独立。
步骤S122,调取相应的本真情况推理组件,依据初始图像表征向量,在推理层面对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像在推理层面的本真情况支持系数。
可行的设计中,以上步骤S122可以包括如下步骤:对于各推理层面,调取推理层面对应的本真情况推理组件,依据初始图像表征向量,在推理层面对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像在推理层面的本真情况支持系数。
可行的设计中,推理层面包括推理层面1、推理层面2以及推理层面3,调取推理层面1对应的本真情况推理组件,依据初始图像表征向量,在推理层面1对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像在推理层面1的本真情况支持系数;调取推理层面2对应的本真情况推理组件,依据初始图像表征向量,在推理层面2对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像在推理层面2的本真情况支持系数;调取推理层面3对应的本真情况推理组件,依据初始图像表征向量,在推理层面3对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像在推理层面3的本真情况支持系数。
步骤S123,如果本真情况支持系数不小于支持系数预设值,将推理层面的本真情况推理结果确定为第一推理结果。
可行的设计中,以上第一推理结果用于指示拟识别半导体器件图像在推理层面下属于本真情况。可行的设计中,以上支持系数预设值的具体数值不做限定,以上支持系数预设值用于判断拟识别半导体器件图像在推理层面下是否属于本真情况。
步骤S124,如果本真情况支持系数小于支持系数预设值,将推理层面的本真情况推理结果确定为第二推理结果。
可行的设计中,以上第二推理结果表征拟识别半导体器件图像在推理层面下不属于本真情况。可行的设计中,在以上步骤S120之后,还可以基于以下步骤确定质量检测结果:如果各个推理层面的本真情况推理结果都表明拟识别半导体器件图像在相应的推理层面下属于本真情况时,对初始图像表征向量进行检测结果还原映射,得到拟识别半导体器件图像对应的质量检测结果。
可行的设计中,如果各个推理层面的本真情况推理结果都表明拟识别半导体器件图像在相应的推理层面下属于本真情况,代表对初始图像表征向量进行检测结果还原映射获得的质量检测结果可以在各推理层面下都遵循本真情况,对初始图像表征向量进行检测结果还原映射得到的结果确定为拟识别半导体器件图像对应的质量检测结果。
其中,在对初始图像表征向量进行检测结果还原映射时,可以采用全连接组件将图像表征向量映射到质量类别标签,实现半导体器件的质量检测。得到的质量检测结果即对应的类别标签,例如合格、不合格,或者更具体的缺陷类别,此处不做限定。
步骤S130,如果本真情况推理结果表明拟识别半导体器件图像在相应的推理层面下不属于本真情况,获取初始图像表征向量在相应的推理层面下的调节表征向量。
可行的设计中,推理层面与本真情况推理结果一一对应,如果本真情况推理结果表明拟识别半导体器件图像在推理层面1下不属于本真情况时,获取初始图像表征向量在推理层面1下的调节表征向量,如果本真情况推理结果表明拟识别半导体器件图像在推理层面2下不属于本真情况时,获取初始图像表征向量在推理层面2下的调节表征向量。
可行的设计中,以上调节表征向量,用于对初始图像表征向量的相应的表征向量层面进行调节,令对调节后的初始图像表征向量进行检测结果还原映射得到的质量检测结果在相应的表征向量层面下符合本真情况。可行的设计中,以上获取初始图像表征向量在相应的推理层面下的调节表征向量,可以包括如下步骤:获取表征向量-层面关联关系(即表征向量和层面是一一映射的),如果本真情况推理结果表明拟识别半导体器件图像在相应的推理层面下不属于本真情况,将相应的推理层面确定为目标推理层面,从表征向量-层面关联关系中索引包括目标推理层面的目标匹配项,将目标匹配项中的表征向量确定为目标推理层面的调节表征向量。
步骤S140,依据调节表征向量对初始图像表征向量进行表征向量调节,得到初始图像表征向量对应的质量检测结果表征向量。
可行的设计中,以上表征向量调节,用于调节初始图像表征向量,令对获得的质量检测结果表征向量进行检测结果还原映射,得到的质量检测结果在各推理层面下都遵循本真情况,换言之,得到的质量检测结果在各推理层面下都是符合图像本身信息做出的推理结果,准确可靠。可行的设计中,如果调节表征向量的为一个,则将调节表征向量作为参考调节表征向量,步骤S140可以包括如下步骤:依据参考调节表征向量,对初始图像表征向量进行表征向量调节,得到初始图像表征向量对应的质量检测结果表征向量。
可行的设计中,本申请实施例提供的基于机器视觉的半导体器件质量检测方法中,调节表征向量与目标推理层面对应,拟识别半导体器件图像在目标推理层面下不属于本真情况,如果调节表征向量的为多个,步骤S140可以通过步骤S141~S143实现。
步骤S141,获取拟识别半导体器件图像分别在各目标推理层面下的本真情况支持系数,将各本真情况支持系数分别作为对应的调节表征向量的偏心调节系数。
可行的设计中,调节表征向量与目标推理层面对应,目标推理层面包括推理层面1、推理层面2和推理层面3,获取拟识别半导体器件图像在目标推理层面1下的本真情况支持系数a1,获取拟识别半导体器件图像在目标推理层面2下的本真情况支持系数b1,获取拟识别半导体器件图像在目标推理层面3下的本真情况支持系数c1,将本真情况支持系数a1确定为目标推理层面1对应的调节表征向量的偏心调节系数,将本真情况支持系数b1确定为目标推理层面2对应的调节表征向量的偏心调节系数,将本真情况支持系数c1确定为目标推理层面3对应的调节表征向量的偏心调节系数。其中,偏心调节系数即偏向于对应对象值的权重值。
步骤S142,依据各调节表征向量的偏心调节系数,对各调节表征向量进行偏心调节整合,得到参考调节表征向量。
可行的设计中,以上参考调节表征向量V为:
V=a1V1+a2V2+…+anVn
其中,V为参考调节表征向量,a1~an分别为各调节表征向量的偏心调节系数,V1~Vn为调节表征向量。可以理解,以上偏心调节的过程为先对对应的调节表征向量进行加权,然后将加权后的结果进行相加得到参考调节表征向量。
步骤S143,依据参考调节表征向量对初始图像表征向量进行表征向量调节,得到初始图像表征向量对应的质量检测结果表征向量。
可行的设计中,以上步骤S143可以包括如下步骤:获取初始图像表征向量的表征向量层面,以及参考调节表征向量的表征向量层面;如果初始图像表征向量的表征向量层面与参考调节表征向量的表征向量层面不同,则对参考调节表征向量的表征向量层面进行调节,得到目标调节表征向量;如果初始图像表征向量的表征向量层面与参考调节表征向量的表征向量层面相同,则将参考调节表征向量确定为目标调节表征向量;依据调节表征向量的数量确定初始图像表征向量的调节程度,调节程度与调节表征向量的数量变化趋势相同(也即二者是正相关的,一个增大,另一个随之增大);将调节程度与目标调节表征向量的相乘结果,确定为整合表征向量,并将初始图像表征向量和整合表征向量进行求和,得到质量检测结果表征向量。
可行的设计中,如果初始图像表征向量的表征向量层面与参考调节表征向量的表征向量层面不同时,对参考调节表征向量的表征向量层面进行调节,得到目标调节表征向量,目标调节表征向量的表征向量层面与初始图像表征向量的表征向量层面相同。
可行的设计中,以上质量检测结果表征向量Y为:
Y=Y1+Y2
其中,Y为质量检测结果表征向量,Y1为初始图像表征向量,Y2为整合表征向量。
可行的设计中,以上整合表征向量Y2为:
Y2=b·X
其中,Y2为整合表征向量,b为调节程度,X表示目标调节表征向量。
基于此,通过对初始图像表征向量的相应的表征向量层面进行调节,令对调节后的初始图像表征向量进行检测结果还原映射得到的结果可以在相应的表征向量层面具有本真情况,增加质量检测结果的可靠性。
步骤S150,对质量检测结果表征向量进行检测结果还原映射,得到拟识别半导体器件图像对应的质量检测结果,质量检测结果在各推理层面下都遵循本真情况。
基于此,通过对拟识别半导体器件图像进行图像表征向量抽取,得到拟识别半导体器件图像的初始图像表征向量,依据初始图像表征向量,在一个或多个推理层面对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像在各推理层面的本真情况推理结果,如果本真情况推理结果表明拟识别半导体器件图像在相应的推理层面下不属于本真情况时,获取相应的推理层面下的调节表征向量,依据调节表征向量,对初始图像表征向量进行表征向量调节,得到初始图像表征向量对应的质量检测结果表征向量,对质量检测结果表征向量进行检测结果还原映射,得到在各推理层面下都遵循本真情况的质量检测结果。基于此,通过依据初始图像表征向量,在一个或多个推理层面对拟识别半导体器件图像的内容进行本真情况推理,得到拟识别半导体器件图像分别在各推理层面的本真情况推理结果,基于对初始图像表征向量进行表征向量调节,得到质量检测结果表征向量,对质量检测结果表征向量进行检测结果还原映射,以令质量检测结果在各推理层面下都遵循本真情况,使得对图像进行质量检测分析的基础是真实有效的,增加质量检测结果的可靠性。
请参见图3,是本申请实施例提供的一种基于机器视觉的半导体器件质量检测装置的结构示意图。上述基于机器视觉的半导体器件质量检测装置可以是运行于网络设备中的一个计算机程序(包括程序代码),例如该基于机器视觉的半导体器件质量检测装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。如图3所示,该基于机器视觉的半导体器件质量检测装置可以包括:图像特征抽取模块310、本真情况推理模块320、表征向量获取模块330、表征向量调节模块340、检测结果解析模块350。
其中,图像特征抽取模块310用于获取拟识别半导体器件图像,对所述拟识别半导体器件图像进行图像表征向量抽取,得到所述拟识别半导体器件图像的初始图像表征向量;本真情况推理模块320用于依据所述初始图像表征向量,在一个或多个推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像分别在各所述推理层面的本真情况推理结果;表征向量获取模块330用于如果所述本真情况推理结果表明所述拟识别半导体器件图像在相应的所述推理层面下不属于本真情况,获取所述初始图像表征向量在相应的所述推理层面下的调节表征向量;表征向量调节模块340用于依据所述调节表征向量,对所述初始图像表征向量进行表征向量调节,得到所述初始图像表征向量对应的质量检测结果表征向量;检测结果解析模块350用于对所述质量检测结果表征向量进行检测结果还原映射,得到所述拟识别半导体器件图像对应的质量检测结果,所述质量检测结果在各所述推理层面下都遵循所述本真情况。
根据本申请的一个实施例,图2所示的基于机器视觉的半导体器件质量检测方法所涉及的步骤可由图3所示的基于机器视觉的半导体器件质量检测装置中的各个模块来执行。根据本申请的一个实施例,图3所示的基于机器视觉的半导体器件质量检测装置中的各个模块可以分别或全部合并为一个或若干个单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的至少两个子单元,可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述模块是基于逻辑功能划分的,在实际应用中,一个模块的功能也可以由至少两个单元来实现,或者至少两个模块的功能由一个单元实现。在本申请的其它实施例中,基于机器视觉的半导体器件质量检测装置也可以包括其他单元,在实际应用中,这些功能也可以由其他单元协助实现,并且可以由至少两个单元协作实现。
根据本申请的一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理组件和存储组件的例如计算机的通用图像处理设备上运行能够执行如图2中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图3中所示的基于机器视觉的半导体器件质量检测装置,以及来实现本申请实施例的基于机器视觉的半导体器件质量检测方法。上述计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述计算设备中,并在其中运行。
请参见图4,是本申请实施例提供的一种图像处理设备的结构示意图。如图4所示,上述图像处理设备1000可以包括:处理器1001,网络接口1004和存储器1005,此外,上述图像处理设备1000还可以包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非易失性的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个在远离前述处理器1001的存储装置。如图4所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图4所示的图像处理设备1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于提供输入的接口;而处理器1001可以用于调用存储器1005中存储的设备控制应用程序,以实现以上实施例中提供的方法。应当理解,本申请实施例中所描述的图像处理设备1000可执行前文图2对应实施例中对基于机器视觉的半导体器件质量检测方法的描述,也可执行前文图3所对应实施例中对基于机器视觉的半导体器件质量检测装置的描述,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
此外,这里需要指出的是:本申请实施例还提供了一种计算机可读存储介质,且上述计算机可读存储介质中存储有前文提及的基于机器视觉的半导体器件质量检测装置所执行的计算机程序,且上述计算机程序包括程序指令,当上述处理器执行上述程序指令时,能够执行前文图2对应实施例中对上述基于机器视觉的半导体器件质量检测方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。
作为示例,上述程序指令可被部署在一个图像处理设备上执行,或者被部署在一个地点的至少两个图像处理设备上执行,又或者,在分布在至少两个地点且通过通信网络互连的至少两个图像处理设备上执行,分布在至少两个地点且通过通信网络互连的至少两个图像处理设备可以组成区块链网络。
上述计算机可读存储介质可以是前述任一实施例提供的基于机器视觉的半导体器件质量检测装置或者上述图像处理设备的中部存储单元,例如图像处理设备的硬盘或中存。该计算机可读存储介质也可以是该图像处理设备的外部存储设备,例如该图像处理设备上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(securedigital,SD)卡,闪存卡(flash card)等。进一步地,该计算机可读存储介质还可以既包括该图像处理设备的中部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该图像处理设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。本申请实施例的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同内容,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。
本申请实施例还提供了一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现前文图2对应实施例中对上述基于机器视觉的半导体器件质量检测方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机程序产品的实施例中未披露的技术细节,请参照本申请方法实施例的描述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程网络连接设备的处理器以产生一个机器,使得通过计算机或其他可编程网络连接设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程网络连接设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程网络连接设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (8)
1.一种基于机器视觉的半导体器件质量检测方法,其特征在于,应用于图像处理设备,所述方法包括:
获取拟识别半导体器件图像,对所述拟识别半导体器件图像进行图像表征向量抽取,得到所述拟识别半导体器件图像的初始图像表征向量;
依据所述初始图像表征向量,在一个或多个推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像分别在各所述推理层面的本真情况推理结果;
如果所述本真情况推理结果表明所述拟识别半导体器件图像在相应的所述推理层面下不属于本真情况,获取所述初始图像表征向量在相应的所述推理层面下的调节表征向量;其中,所述拟识别半导体器件图像的内容的本真情况表示所述拟识别半导体器件图像的内容是不是其自身的真实信息,代表所述拟识别半导体器件图像的自身信息的真实性评价结果;
依据所述调节表征向量,对所述初始图像表征向量进行表征向量调节,得到所述初始图像表征向量对应的质量检测结果表征向量;
对所述质量检测结果表征向量进行检测结果还原映射,得到所述拟识别半导体器件图像对应的质量检测结果,所述质量检测结果在各所述推理层面下都遵循所述本真情况;
其中,所述图像表征向量抽取通过一个或多个图像表征向量抽取组件实现,如果所述图像表征向量抽取组件的数量为多个时,所述对所述拟识别半导体器件图像进行图像表征向量抽取,得到所述拟识别半导体器件图像的初始图像表征向量,包括:
调取第一图像表征向量抽取组件,对所述拟识别半导体器件图像进行图像表征向量抽取,得到第一初始图像表征向量;
从Q=2开始,依次遍历到S,对每个Q执行以下处理:
调取第Q图像表征向量抽取组件,依据第P初始图像表征向量,对所述拟识别半导体器件图像进行图像表征向量抽取,得到第Q初始图像表征向量,其中,P=Q-1,1<Q≤S,S表示所述图像表征向量抽取组件的数量;
将第S初始图像表征向量确定为所述拟识别半导体器件图像的初始图像表征向量;
所述调取第Q图像表征向量抽取组件,依据第P初始图像表征向量,对所述拟识别半导体器件图像进行图像表征向量抽取,得到第Q初始图像表征向量之前,所述方法还包括:
依据所述第P初始图像表征向量,在各所述推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像分别在各所述推理层面的第P本真情况推理结果;
依据所述第P本真情况推理结果,对所述第P初始图像表征向量进行表征向量验证,得到第P质量检测结果表征向量;
所述调取第Q图像表征向量抽取组件,依据第P初始图像表征向量,对所述拟识别半导体器件图像进行图像表征向量抽取,得到第Q初始图像表征向量,包括:
调取第Q图像表征向量抽取组件,依据所述第P质量检测结果表征向量,对所述拟识别半导体器件图像进行图像表征向量抽取,得到所述第Q初始图像表征向量。
2.根据权利要求1所述的方法,其特征在于,所述依据所述第P本真情况推理结果,对所述第P初始图像表征向量进行表征向量验证,得到第P质量检测结果表征向量,包括:
如果具有所述第P本真情况推理结果表明所述拟识别半导体器件图像在相应的所述推理层面下不属于所述本真情况,对所述第P初始图像表征向量进行表征向量调节,得到第P质量检测结果表征向量;
如果各个所述第P本真情况推理结果都表明所述拟识别半导体器件图像在相应的所述推理层面下属于所述本真情况,将所述第P初始图像表征向量确定为所述第P质量检测结果表征向量。
3.根据权利要求1所述的方法,其特征在于,所述依据所述初始图像表征向量,在一个或多个推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像分别在各所述推理层面的本真情况推理结果,包括:
获取各所述推理层面分别对应的本真情况推理组件,以及对各所述推理层面各自进行如下操作:
调取相应的所述本真情况推理组件,依据所述初始图像表征向量,在所述推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像在所述推理层面的本真情况支持系数;
如果所述本真情况支持系数不小于支持系数预设值,将所述推理层面的本真情况推理结果确定为第一推理结果,所述第一推理结果表征所述拟识别半导体器件图像在所述推理层面下属于所述本真情况;
如果所述本真情况支持系数小于所述支持系数预设值,将所述推理层面的本真情况推理结果确定为第二推理结果,所述第二推理结果表征所述拟识别半导体器件图像在所述推理层面下不属于所述本真情况。
4.根据权利要求3所述的方法,其特征在于,如果所述推理层面的数量为一个,所述获取各所述推理层面分别对应的本真情况推理组件,包括:
获取初始推理组件,获取图像训练样例对应的多个图像表征向量训练样例,以及各所述图像表征向量训练样例的本真情况先验支持系数;
对于各所述图像表征向量训练样例,调取所述初始推理组件,依据所述图像表征向量训练样例,在所述推理层面对所述图像训练样例的内容进行本真情况推理,得到所述图像表征向量训练样例对应的本真情况支持系数,以及结合所述本真情况支持系数和相应的所述本真情况先验支持系数,确定所述图像表征向量训练样例对应的误差值;
依据各所述图像表征向量训练样例对应的误差值对所述初始推理组件进行调试,得到所述推理层面对应的本真情况推理组件;
其中,所述获取图像训练样例对应的多个图像表征向量训练样例,包括:
获取图像训练样例,并对所述图像训练样例进行图像表征向量抽取,得到所述图像训练样例的初始图像表征向量;
对所述图像训练样例的初始图像表征向量进行向量重组,得到所述图像训练样例对应的多个图像表征向量训练样例;
如果所述推理层面的数量为多个,所述获取各所述推理层面分别对应的本真情况推理组件,包括:
获取初始推理组件,并获取第一推理层面的图像训练样例对应的第一图像表征向量训练样例,以及所述第一图像表征向量训练样例的第一本真情况先验支持系数;
调取所述初始推理组件,依据所述第一图像表征向量训练样例,对所述第一推理层面的图像训练样例的内容进行本真情况推理,得到第一本真情况支持系数,以及结合所述第一本真情况支持系数和所述第一本真情况先验支持系数,对所述初始推理组件进行调试,得到所述第一推理层面对应的本真情况推理组件;
从H=2开始,依次遍历到T,对每个H执行以下处理:
获取第G推理层面的图像训练样例对应的第G本真情况支持系数,依据所述第G本真情况支持系数,对所述初始推理组件进行调试,得到第H推理层面对应的本真情况推理组件;其中,G=H-1,1<H≤T,T表示所述推理层面的数量。
5.根据权利要求4所述的方法,其特征在于,所述依据所述第G本真情况支持系数,对所述初始推理组件进行调试,得到所述第H推理层面对应的本真情况推理组件,包括:
获取第H推理层面的图像训练样例对应的第H图像表征向量训练样例,以及所述第H图像表征向量训练样例的第H本真情况先验支持系数;
调取所述初始推理组件,依据所述第H图像表征向量训练样例,对所述第H推理层面的图像训练样例的内容进行本真情况推理,得到第H本真情况支持系数;
结合所述第H本真情况支持系数和所述第G本真情况支持系数,确定第一误差值,以及结合所述第H本真情况支持系数和所述第H本真情况先验支持系数,确定第二误差值;
结合所述第一误差值和所述第二误差值对所述初始推理组件进行调试,得到所述第H推理层面对应的本真情况推理组件。
6.根据权利要求1所述的方法,其特征在于,所述依据所述初始图像表征向量,在一个或多个推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像分别在各所述推理层面的本真情况推理结果之后,所述方法还包括:
如果各个所述推理层面的本真情况推理结果都表明所述拟识别半导体器件图像在相应的所述推理层面下属于所述本真情况,对所述初始图像表征向量进行检测结果还原映射,得到所述拟识别半导体器件图像对应的所述质量检测结果;
所述调节表征向量与目标推理层面一一对应,所述拟识别半导体器件图像在所述目标推理层面下不属于所述本真情况,所述依据所述调节表征向量,对所述初始图像表征向量进行表征向量调节,得到所述初始图像表征向量对应的质量检测结果表征向量,包括:
获取所述拟识别半导体器件图像分别在各所述目标推理层面下的本真情况支持系数,将各所述本真情况支持系数分别作为对应的所述调节表征向量的偏心调节系数;
依据各所述调节表征向量的偏心调节系数,对各所述调节表征向量进行偏心调节整合,得到参考调节表征向量;
获取所述初始图像表征向量的表征向量层面,以及所述参考调节表征向量的表征向量层面;
如果所述初始图像表征向量的表征向量层面与所述参考调节表征向量的表征向量层面不同时,对所述参考调节表征向量的表征向量层面进行调节,得到目标调节表征向量;
如果所述初始图像表征向量的表征向量层面与所述参考调节表征向量的表征向量层面相同,将所述参考调节表征向量确定为所述目标调节表征向量;
依据所述调节表征向量的数量,确定所述初始图像表征向量的调节程度,所述调节程度与所述调节表征向量的数量变化趋势相同;
将所述调节程度与所述目标调节表征向量的相乘结果,确定为整合表征向量,并将所述初始图像表征向量和所述整合表征向量进行求和,得到所述质量检测结果表征向量。
7.一种基于机器视觉的半导体器件质量检测装置,其特征在于,所述装置包括:
图像特征抽取模块,用于获取拟识别半导体器件图像,对所述拟识别半导体器件图像进行图像表征向量抽取,得到所述拟识别半导体器件图像的初始图像表征向量;
本真情况推理模块,用于依据所述初始图像表征向量,在一个或多个推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像分别在各所述推理层面的本真情况推理结果;
表征向量获取模块,用于如果所述本真情况推理结果表明所述拟识别半导体器件图像在相应的所述推理层面下不属于本真情况,获取所述初始图像表征向量在相应的所述推理层面下的调节表征向量;其中,所述拟识别半导体器件图像的内容的本真情况表示所述拟识别半导体器件图像的内容是不是其自身的真实信息,代表所述拟识别半导体器件图像的自身信息的真实性评价结果;
表征向量调节模块,用于依据所述调节表征向量,对所述初始图像表征向量进行表征向量调节,得到所述初始图像表征向量对应的质量检测结果表征向量;
检测结果解析模块,用于对所述质量检测结果表征向量进行检测结果还原映射,得到所述拟识别半导体器件图像对应的质量检测结果,所述质量检测结果在各所述推理层面下都遵循所述本真情况;
其中,所述图像表征向量抽取通过一个或多个图像表征向量抽取组件实现,如果所述图像表征向量抽取组件的数量为多个时,所述图像特征抽取模块对所述拟识别半导体器件图像进行图像表征向量抽取,得到所述拟识别半导体器件图像的初始图像表征向量,包括:
调取第一图像表征向量抽取组件,对所述拟识别半导体器件图像进行图像表征向量抽取,得到第一初始图像表征向量;
从Q=2开始,依次遍历到S,对每个Q执行以下处理:
调取第Q图像表征向量抽取组件,依据第P初始图像表征向量,对所述拟识别半导体器件图像进行图像表征向量抽取,得到第Q初始图像表征向量,其中,P=Q-1,1<Q≤S,S表示所述图像表征向量抽取组件的数量;
将第S初始图像表征向量确定为所述拟识别半导体器件图像的初始图像表征向量;
所述调取第Q图像表征向量抽取组件,依据第P初始图像表征向量,对所述拟识别半导体器件图像进行图像表征向量抽取,得到第Q初始图像表征向量之前,所述图像特征抽取模块还用于:
依据所述第P初始图像表征向量,在各所述推理层面对所述拟识别半导体器件图像的内容进行本真情况推理,得到所述拟识别半导体器件图像分别在各所述推理层面的第P本真情况推理结果;
依据所述第P本真情况推理结果,对所述第P初始图像表征向量进行表征向量验证,得到第P质量检测结果表征向量;
所述调取第Q图像表征向量抽取组件,依据第P初始图像表征向量,对所述拟识别半导体器件图像进行图像表征向量抽取,得到第Q初始图像表征向量,包括:
调取第Q图像表征向量抽取组件,依据所述第P质量检测结果表征向量,对所述拟识别半导体器件图像进行图像表征向量抽取,得到所述第Q初始图像表征向量。
8.一种基于机器视觉的半导体器件质量检测系统,其特征在于,包括图像处理设备和与所述图像处理设备通信连接的摄像设备,所述图像处理设备包括:
处理器;
以及存储器,其中所述存储器中存储有计算机存储介质,所述计算机存储介质在由所述处理器运行时,使得所述处理器执行如权利要求1~6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410296125.7A CN117893538B (zh) | 2024-03-15 | 2024-03-15 | 基于机器视觉的半导体器件质量检测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410296125.7A CN117893538B (zh) | 2024-03-15 | 2024-03-15 | 基于机器视觉的半导体器件质量检测方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117893538A CN117893538A (zh) | 2024-04-16 |
CN117893538B true CN117893538B (zh) | 2024-05-31 |
Family
ID=90651031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410296125.7A Active CN117893538B (zh) | 2024-03-15 | 2024-03-15 | 基于机器视觉的半导体器件质量检测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893538B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184689A (zh) * | 2020-10-12 | 2021-01-05 | 罗建华 | 一种半导体器件检测方法、装置、智能终端及存储介质 |
CN113111719A (zh) * | 2021-03-16 | 2021-07-13 | 苏州海宸威视智能科技有限公司 | 基于重结构化类脑卷积的无人机视角下的车辆检测方法 |
CN113487629A (zh) * | 2021-07-07 | 2021-10-08 | 电子科技大学 | 一种基于结构化场景和文本描述的图像属性编辑方法 |
CN114238586A (zh) * | 2021-12-24 | 2022-03-25 | 中国计量大学上虞高等研究院有限公司 | 基于联邦学习框架的Bert结合卷积神经网络的情感分类方法 |
JP2022087930A (ja) * | 2020-12-02 | 2022-06-14 | セイコーエプソン株式会社 | 被検査画像の検査を実行する方法、情報処理装置、及び、コンピュータープログラム |
CN114972182A (zh) * | 2022-04-15 | 2022-08-30 | 华为技术有限公司 | 一种物体检测方法及其装置 |
CN115546601A (zh) * | 2022-11-29 | 2022-12-30 | 城云科技(中国)有限公司 | 一种多目标识别模型及其构建方法、装置及应用 |
CN116166773A (zh) * | 2022-12-05 | 2023-05-26 | 微梦创科网络科技(中国)有限公司 | 一种变体文本识别方法、装置和可读存储介质 |
CN116363468A (zh) * | 2023-03-27 | 2023-06-30 | 陕西黄陵发电有限公司 | 一种基于特征先校正再融合的多模态显著性目标检测方法 |
CN116824244A (zh) * | 2023-06-21 | 2023-09-29 | 中国联合网络通信集团有限公司 | 一种分级模型的训练方法、物体分级方法及装置 |
CN116932878A (zh) * | 2022-04-06 | 2023-10-24 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、电子设备、存储介质和程序产品 |
CN117173172A (zh) * | 2023-11-02 | 2023-12-05 | 深圳市富邦新材科技有限公司 | 一种基于机器视觉的硅胶成型效果检测方法及系统 |
WO2024006570A1 (en) * | 2022-07-01 | 2024-01-04 | SUNDO, LLC d.b.a. ZELIG | Systems and methods for using machine learning models to effect virtual try-on and styling on actual users |
CN117392138A (zh) * | 2023-12-13 | 2024-01-12 | 四川大学 | 舌象图像处理方法、存储介质及电子设备 |
CN117690164A (zh) * | 2024-01-30 | 2024-03-12 | 成都欣纳科技有限公司 | 基于边缘计算的机场飞鸟识别驱赶方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022116884A (ja) * | 2021-01-29 | 2022-08-10 | オムロン株式会社 | モデル生成装置、推定装置、モデル生成方法、及びモデル生成プログラム |
JP2023018316A (ja) * | 2021-07-27 | 2023-02-08 | 京セラドキュメントソリューションズ株式会社 | 画像認識方法、画像認識装置、および画像認識プログラム |
JP2023043341A (ja) * | 2021-09-16 | 2023-03-29 | 富士通株式会社 | 推定モデル生成プログラム、推定モデル生成方法および情報処理装置 |
-
2024
- 2024-03-15 CN CN202410296125.7A patent/CN117893538B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184689A (zh) * | 2020-10-12 | 2021-01-05 | 罗建华 | 一种半导体器件检测方法、装置、智能终端及存储介质 |
JP2022087930A (ja) * | 2020-12-02 | 2022-06-14 | セイコーエプソン株式会社 | 被検査画像の検査を実行する方法、情報処理装置、及び、コンピュータープログラム |
CN113111719A (zh) * | 2021-03-16 | 2021-07-13 | 苏州海宸威视智能科技有限公司 | 基于重结构化类脑卷积的无人机视角下的车辆检测方法 |
CN113487629A (zh) * | 2021-07-07 | 2021-10-08 | 电子科技大学 | 一种基于结构化场景和文本描述的图像属性编辑方法 |
CN114238586A (zh) * | 2021-12-24 | 2022-03-25 | 中国计量大学上虞高等研究院有限公司 | 基于联邦学习框架的Bert结合卷积神经网络的情感分类方法 |
CN116932878A (zh) * | 2022-04-06 | 2023-10-24 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、电子设备、存储介质和程序产品 |
CN114972182A (zh) * | 2022-04-15 | 2022-08-30 | 华为技术有限公司 | 一种物体检测方法及其装置 |
WO2024006570A1 (en) * | 2022-07-01 | 2024-01-04 | SUNDO, LLC d.b.a. ZELIG | Systems and methods for using machine learning models to effect virtual try-on and styling on actual users |
CN115546601A (zh) * | 2022-11-29 | 2022-12-30 | 城云科技(中国)有限公司 | 一种多目标识别模型及其构建方法、装置及应用 |
CN116166773A (zh) * | 2022-12-05 | 2023-05-26 | 微梦创科网络科技(中国)有限公司 | 一种变体文本识别方法、装置和可读存储介质 |
CN116363468A (zh) * | 2023-03-27 | 2023-06-30 | 陕西黄陵发电有限公司 | 一种基于特征先校正再融合的多模态显著性目标检测方法 |
CN116824244A (zh) * | 2023-06-21 | 2023-09-29 | 中国联合网络通信集团有限公司 | 一种分级模型的训练方法、物体分级方法及装置 |
CN117173172A (zh) * | 2023-11-02 | 2023-12-05 | 深圳市富邦新材科技有限公司 | 一种基于机器视觉的硅胶成型效果检测方法及系统 |
CN117392138A (zh) * | 2023-12-13 | 2024-01-12 | 四川大学 | 舌象图像处理方法、存储介质及电子设备 |
CN117690164A (zh) * | 2024-01-30 | 2024-03-12 | 成都欣纳科技有限公司 | 基于边缘计算的机场飞鸟识别驱赶方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117893538A (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tursun et al. | An objective deghosting quality metric for HDR images | |
WO2019214309A1 (zh) | 模型测试的方法及装置 | |
CN111754396B (zh) | 脸部图像处理方法、装置、计算机设备和存储介质 | |
CN114359283B (zh) | 基于Transformer的缺陷检测方法和电子设备 | |
CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
CN108337505B (zh) | 信息获取方法和装置 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
CN117147561B (zh) | 用于金属拉链的表面质量检测方法及系统 | |
CN111539456B (zh) | 一种目标识别方法及设备 | |
CN111815576A (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN112132867B (zh) | 一种遥感影像变化检测方法及装置 | |
CN112113638B (zh) | 水表功能自检装置及方法 | |
CN116091874B (zh) | 图像校验方法、训练方法、装置、介质、设备及程序产品 | |
CN111179245B (zh) | 图像质量检测方法、装置、电子设备和存储介质 | |
CN117893538B (zh) | 基于机器视觉的半导体器件质量检测方法、装置及系统 | |
CN113052103A (zh) | 一种基于神经网络的电气设备缺陷检测方法及装置 | |
CN114693554B (zh) | 一种大数据图像处理方法及系统 | |
CN109753896A (zh) | 一种基于共性自动编码器的无监督异源遥感图像变化检测方法 | |
CN116188940A (zh) | 训练模型的方法、装置、存储介质以及电子设备 | |
CN115358981A (zh) | 胶水缺陷的确定方法、装置、设备及存储介质 | |
CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 | |
CN114186784A (zh) | 基于边缘计算的电学考试评分方法、系统、介质及设备 | |
CN113537407A (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
CN113627609B (zh) | 一种基于仿射变换的网络度量方法和存储设备 |
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 |