基于深度學(xué)習(xí)的藍(lán)寶石襯底表面缺陷檢測與分類算法研究
發(fā)布時(shí)間:2021-04-19 06:58
藍(lán)寶石由于其獨(dú)特的晶格結(jié)構(gòu),以及在物理、光學(xué)、化學(xué)和力學(xué)等方面的優(yōu)越性能,成為半導(dǎo)體領(lǐng)域尤其是LED領(lǐng)域極為重要的襯底材料。在藍(lán)寶石襯底的制作過程中,需要經(jīng)過一系列機(jī)械和化學(xué)過程,因此不可避免的會(huì)產(chǎn)生一些表面缺陷。而表面缺陷會(huì)影響到后續(xù)外延層以及相關(guān)器件的成品率。如何快速、準(zhǔn)確的定位表面缺陷信息,并對表面缺陷類型進(jìn)行有效分類,對于襯底表面質(zhì)量檢測結(jié)果的準(zhǔn)確性以及研究工藝參數(shù)對表面質(zhì)量的影響具有重要的作用。本文以藍(lán)寶石襯底表面缺陷為研究對象,針對藍(lán)寶石襯底表面缺陷快速、高準(zhǔn)確度、智能化的檢測與分類發(fā)展需求,基于深度學(xué)習(xí)的方法,重點(diǎn)開展藍(lán)寶石襯底表面缺陷檢測與分類算法的研究工作。具體研究內(nèi)容如下:(1)圖像數(shù)據(jù)集的制備。首先采用線掃描自動(dòng)化圖像采集系統(tǒng),對藍(lán)寶石襯底表面的缺陷進(jìn)行圖像采集。緊接著通過圖像翻轉(zhuǎn)、旋轉(zhuǎn)以及生成對抗網(wǎng)絡(luò)GAN等數(shù)據(jù)增強(qiáng)技術(shù)對缺陷圖像進(jìn)行擴(kuò)充。然后將擴(kuò)充完成后缺陷圖像用LabelImg標(biāo)注軟件對缺陷圖像進(jìn)行人工標(biāo)注。最后將標(biāo)注過的缺陷圖像劃分為訓(xùn)練集、驗(yàn)證集、測試集。(2)目標(biāo)檢測算法模型的訓(xùn)練與測試。首先對Faster RCNN、SSD、YOLOV3檢測算法模型的...
【文章來源】:華僑大學(xué)福建省
【文章頁數(shù)】:108 頁
【學(xué)位級(jí)別】:碩士
【部分圖文】:
線掃描圖像采集系統(tǒng)示意圖
14(b)翻轉(zhuǎn)[63](Flip):將圖像按照固定的一個(gè)軸進(jìn)行翻轉(zhuǎn),常見的翻轉(zhuǎn)方式主要包括垂直翻轉(zhuǎn)、水平翻轉(zhuǎn)。假設(shè)像素點(diǎn)000P(x,y)垂直翻轉(zhuǎn)、水平翻轉(zhuǎn)后的對應(yīng)的像素點(diǎn)分別為111P(x,y)、222P(x,y),如下圖2.3(a)、2.3(b)所示。(a)垂直翻轉(zhuǎn)(b)水平翻轉(zhuǎn)圖2.3圖像翻轉(zhuǎn)則翻轉(zhuǎn)前后111P(x,y)、222P(x,y)的坐標(biāo)關(guān)系為:1010xxyyh==+(2.4)2020xxwyy=+=(2.5)其中w、h分別表示原始圖像的寬度和高度。若用矩陣形式可表示為:10101000110011xxyhy=(2.6)20201001010011xwxyy=(2.7)
15假設(shè)原始缺陷圖像為下圖2.4(a),垂直翻轉(zhuǎn)和水平翻轉(zhuǎn)后的圖像依次為圖2.4(b)、圖2.4(c)所示。(a)原始圖像(b)垂直翻轉(zhuǎn)(c)水平翻轉(zhuǎn)圖2.4圖像翻轉(zhuǎn)(2)生成對抗網(wǎng)絡(luò)(GenerativeAdversarialNetwork,GAN)生成對抗網(wǎng)絡(luò)GAN[64],是蒙特利爾大學(xué)的IanGoodfellow教授和他的團(tuán)隊(duì)提出的一種深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu),它屬于非監(jiān)督式的學(xué)習(xí)。GAN主要由兩個(gè)獨(dú)立的神經(jīng)網(wǎng)絡(luò)模型組成,一個(gè)是生成神經(jīng)網(wǎng)絡(luò)模型,另一個(gè)是判別神經(jīng)網(wǎng)絡(luò)模型,其結(jié)構(gòu)如下圖2.5所示。GAN網(wǎng)絡(luò)研究的是聯(lián)合分布概率,主要通過隨機(jī)變量來生成具有和真實(shí)樣本無限接近的樣本。生成網(wǎng)絡(luò)模型生成與真實(shí)樣本無限接近的樣本來以假亂真,欺騙判別網(wǎng)絡(luò)模型;判別式模型主要用來將真實(shí)的訓(xùn)練樣本與生成網(wǎng)絡(luò)模型生成的樣本進(jìn)行比對。而判別網(wǎng)絡(luò)模型盡力辨別出真假樣本。兩個(gè)網(wǎng)絡(luò)不斷相互對抗,不斷調(diào)整各自的參數(shù)直到達(dá)到一定的平衡后,才完成模型學(xué)習(xí)的結(jié)果。圖2.5生成對抗網(wǎng)絡(luò)結(jié)構(gòu)示意圖
本文編號(hào):3147068
【文章來源】:華僑大學(xué)福建省
【文章頁數(shù)】:108 頁
【學(xué)位級(jí)別】:碩士
【部分圖文】:
線掃描圖像采集系統(tǒng)示意圖
14(b)翻轉(zhuǎn)[63](Flip):將圖像按照固定的一個(gè)軸進(jìn)行翻轉(zhuǎn),常見的翻轉(zhuǎn)方式主要包括垂直翻轉(zhuǎn)、水平翻轉(zhuǎn)。假設(shè)像素點(diǎn)000P(x,y)垂直翻轉(zhuǎn)、水平翻轉(zhuǎn)后的對應(yīng)的像素點(diǎn)分別為111P(x,y)、222P(x,y),如下圖2.3(a)、2.3(b)所示。(a)垂直翻轉(zhuǎn)(b)水平翻轉(zhuǎn)圖2.3圖像翻轉(zhuǎn)則翻轉(zhuǎn)前后111P(x,y)、222P(x,y)的坐標(biāo)關(guān)系為:1010xxyyh==+(2.4)2020xxwyy=+=(2.5)其中w、h分別表示原始圖像的寬度和高度。若用矩陣形式可表示為:10101000110011xxyhy=(2.6)20201001010011xwxyy=(2.7)
15假設(shè)原始缺陷圖像為下圖2.4(a),垂直翻轉(zhuǎn)和水平翻轉(zhuǎn)后的圖像依次為圖2.4(b)、圖2.4(c)所示。(a)原始圖像(b)垂直翻轉(zhuǎn)(c)水平翻轉(zhuǎn)圖2.4圖像翻轉(zhuǎn)(2)生成對抗網(wǎng)絡(luò)(GenerativeAdversarialNetwork,GAN)生成對抗網(wǎng)絡(luò)GAN[64],是蒙特利爾大學(xué)的IanGoodfellow教授和他的團(tuán)隊(duì)提出的一種深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu),它屬于非監(jiān)督式的學(xué)習(xí)。GAN主要由兩個(gè)獨(dú)立的神經(jīng)網(wǎng)絡(luò)模型組成,一個(gè)是生成神經(jīng)網(wǎng)絡(luò)模型,另一個(gè)是判別神經(jīng)網(wǎng)絡(luò)模型,其結(jié)構(gòu)如下圖2.5所示。GAN網(wǎng)絡(luò)研究的是聯(lián)合分布概率,主要通過隨機(jī)變量來生成具有和真實(shí)樣本無限接近的樣本。生成網(wǎng)絡(luò)模型生成與真實(shí)樣本無限接近的樣本來以假亂真,欺騙判別網(wǎng)絡(luò)模型;判別式模型主要用來將真實(shí)的訓(xùn)練樣本與生成網(wǎng)絡(luò)模型生成的樣本進(jìn)行比對。而判別網(wǎng)絡(luò)模型盡力辨別出真假樣本。兩個(gè)網(wǎng)絡(luò)不斷相互對抗,不斷調(diào)整各自的參數(shù)直到達(dá)到一定的平衡后,才完成模型學(xué)習(xí)的結(jié)果。圖2.5生成對抗網(wǎng)絡(luò)結(jié)構(gòu)示意圖
本文編號(hào):3147068
本文鏈接:http://www.sikaile.net/kejilunwen/zidonghuakongzhilunwen/3147068.html
最近更新
教材專著