硅晶片是晶體管、太陽能電池和集成電路等產品的主要原料,對硅晶片進行快速準確的瑕疵檢測具有重要的意義。基于機器視覺的瑕疵檢測方法比傳統(tǒng)的人工檢測等方法檢測精度高,成本低,因此逐步得到廣泛的應用。特別是深度學習的發(fā)展,讓目標（瑕疵）檢測算法的精度和速度有了進一一步的提高。但是在硅晶片瑕疵檢測過程中存在著瑕疵樣本數(shù)據(jù)集較小、瑕疵樣本數(shù)據(jù)不平衡、孔洞類微小瑕疵容易漏檢等問題。本文針對上述問題進行了深入研究,主要研究內容包括:1、提出了基于生成式對抗網絡的遷移預訓練方法,解決瑕疵樣本集較小的情況下檢測模型容易過擬合的問題。首先使用生成式對抗網絡對硅晶片數(shù)據(jù)集進行學習,利用生成模型制作一個預訓練數(shù)據(jù)集。在預訓練數(shù)據(jù)集上,對瑕疵檢測網絡進行遷移預訓練,加快了網絡的收斂并且提高了模型的檢測效果。其次,采用數(shù)據(jù)增強的方法對瑕疵數(shù)據(jù)集進行擴增,并且對不同瑕疵樣本數(shù)量進行平衡,使檢測網絡對于各種瑕疵都具有較好的檢測效果,提高了網絡的泛化能力。實驗分析了生成式對抗網絡和數(shù)據(jù)增強方法對瑕疵檢測算法精度提高的效果。實驗結果表明,本文方法得到的檢測網絡的mAPL比原始情況下提高了50%（0.44->0.66）... 

【文章來源】：北方工業(yè)大學北京市

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

圖２－１卷積祌經網絡結構??

?５?１０??圖２－２預處理操作??２．１．３卷積層與特征提取??卷積層作為卷積神經網絡的核心，對輸入的圖像進行特征提取，主要包括了??局部關聯(lián)和窗口滑動兩個關鍵的操作。將網絡中的每個神經元看成濾波器，然后??通過以一定的步長進行的窗口滑動，對局部數(shù)據(jù)進行卷積計算，獲取局部數(shù)據(jù)對??應的特征值，形成卷積特征圖。如圖２－３所示，通過３ｘ３卷積核對圖像進行卷積??操作，分別采用了無填充和有填充的方式進行卷積。??無填充值??：——｜?步長?＼ｊ．．．．．．．１４－１－Ｉ－－Ｉ－．ｎｊ??滑動窗?，?———??／?＇?卷積計?二＝＝＝＝＝＝＝＝??：５＝＝＝＝＝＝＝??，＿＼?＝４４４｜－二??填充值｜?卩??．?ｙ?＇??邊緣填

局部關聯(lián)和窗口滑動兩個關鍵的操作。將網絡中的每個神經元看成濾波器，然后??通過以一定的步長進行的窗口滑動，對局部數(shù)據(jù)進行卷積計算，獲取局部數(shù)據(jù)對??應的特征值，形成卷積特征圖。如圖２－３所示，通過３ｘ３卷積核對圖像進行卷積??操作，分別采用了無填充和有填充的方式進行卷積。??無填充值??：——｜?步長?＼ｊ．．．．．．．１４－１－Ｉ－－Ｉ－．ｎｊ??滑動窗?，?———??／?＇?卷積計?二＝＝＝＝＝＝＝＝??：５＝＝＝＝＝＝＝??，＿＼?＝４４４｜－二??填充值｜?卩??．?ｙ?＇??邊緣填充??圖２－３卷積計算??７??


本文編號：3427410