一种基于全卷积网络的芯片爬胶高度提取方法和系统与流程

1.本发明涉及的是图像识别领域,特别涉及一种基于全卷积网络的芯片爬胶高度提取方法。


背景技术：

2.控制爬胶高度的系列操作中，精确测量芯片爬胶的高度是重要的一步。传统的利用显微镜观测的测量方法，其测量精度和工作效率较低，对于人力资源需求大，人工成本较高；并且不能很好的和芯片贴合设备及时交换信息以做到自动化生产，时间成本较高；此外，人工测量误差较大，不可避免的会出现因爬胶高度不合适而造成芯片浪费。且目前对芯片爬胶高度的研究主要集中在实验装置、爬胶过程监测以及爬胶形成机理等方面，对运用现代信息技术手段尤其是神经网络辅助识别爬胶高度图像等方面的研究较少。


技术实现要素：

3.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于全卷积网络的芯片爬胶高度提取方法和系统。
4.为了解决上述技术问题，本技术实施例公开了如下技术方案：
5.一种基于全卷积网络的芯片爬胶高度提取方法，包括：
6.s100.芯片爬胶图像采集模块采集被测芯片同一时刻四个侧面的爬胶图像，并传输至芯片爬胶图像预处理模块，建立爬胶图像数据集；
7.s200.芯片爬胶图像预处理模块对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集；
8.s300.对原始爬胶图像数据集进行灰度值标注，将获取的爬胶高度图像分为爬胶部分和背景部分，获取标注爬胶图像数据集，其中标注爬胶图像数据集和原始爬胶图像数据集一一对应；
9.s400.将原始数据集按照预设比例随机划分为测试集和训练集，并将标注数据集进行相应划分；
10.s500.对s400划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；
11.s600.将获取的爬胶图像输入训练好的全卷积网络，获取分割后的爬胶图像，根据爬胶边沿至芯片底边的距离确定爬胶高度。
12.进一步地，s200中，芯片爬胶图像预处理模块对爬胶图像数据集进行扩充处理，具体包括：将现有的n张图像进行水平翻转和顺时针方向旋转45
°
，使现有的图像数量将扩充为原来的3倍，从而得到3n张数据集图像。
13.进一步地，s300中，对原始爬胶图像数据集进行灰度值标注，还包括：将爬胶部分的灰度值赋值为1，其余背景部分灰度值赋值为0。
14.进一步地，s400中，将原始数据集按照预设比例随机划分为测试集和训练集，具体
为：将原始数据集按照20％和80％随机划分为测试集和训练集。
15.进一步地，s500中，对s400划分后的图像基于全卷积网络进行训练，具体包括：将训练集中图像r输入全卷积网络，得到预测图像p，根据预测图像与相应标注图像的差异进行反向传播，用损失函数计算预测图像与相应标注图像的差异，将上述步骤进行迭代计算，当损失函数低于某一阈值或者网络训练迭代次数达到某一阈值终止网络，将测试集输入训练好的神经网络获得预测图像，将获得的预测图像与测试集相应的标注图像对比计算网络准确度。
16.进一步地，全卷积网络工作流程包括：首先通过主干网络提取芯片爬胶高度监测图像的特征，然后利用膨胀空间金字塔池化和图像池化提取图像的多尺度信息，主干网络采用残差网络避免神经网络的退化；然后利用20个多层卷积层进行深度卷积，提取图像的特征；将多层卷积后获得的深层特征图的多尺度信息与残差网络获得的浅层特征图进行融合，得到特征图；然后进行1
×
1的卷积来减少特征图的通道数量，并进行上采样来调整特征图的大小，使其与现场监测图像尺寸相同；最后根据预测的图像和相应的标签图像的差异进行反向传播，优化卷积和池化中的所有参数。
17.本发明还公开了一种基于全卷积网络的芯片爬胶高度提取系统，包括：芯片爬胶高度图像采集模块、芯片爬胶图像预处理模块、芯片爬胶高度图像识别模块；其中：
18.芯片爬胶高度图像采集模块，用于采集被测芯片同一时刻四个侧面的爬胶图像，并传输至芯片爬胶图像预处理模块，建立爬胶图像数据集；
19.芯片爬胶图像预处理模块，用于对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集；还用于对原始爬胶图像数据集进行灰度值标注，将获取的爬胶高度图像分为爬胶部分和背景部分，获取标注爬胶图像数据集，其中标注爬胶图像数据集和原始爬胶图像数据集一一对应；还用于将原始数据集按照预设比例随机划分为测试集和训练集，并将标注数据集进行相应划分，并将这些划分的标注数据集输送到芯片爬胶图像识别模块；
20.芯片爬胶高度图像识别模块，用于对划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；还用于将获取的爬胶图像输入训练好的全卷积网络，获取分割后的爬胶图像，根据爬胶边沿至芯片底边的距离确定爬胶高度。
21.进一步地，芯片爬胶图像采集模块包含同一水平面分立于四个方向的ccd相机，采集被测芯片四个侧面同一时刻的爬胶图像，共同传输给芯片爬胶图像预处理模块。
22.进一步地，芯片爬胶图像预处理模块，用于对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集，具体包括：将现有的n张图像进行水平翻转和顺时针方向旋转45
°
，使现有的图像数量将扩充为原来的3倍，从而得到3n张数据集图像。
23.进一步地，芯片爬胶高度图像识别模块，用于对划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；具体包括：将训练集中图像r输入全卷积网络，得到预测图像p，根据预测图像与相应标注图像的差异进行反向传播，用损失函数计算预测图像与相应标注图像的差异，将上述步骤进行迭代计算，当损失函数低于某一阈值或者网络训练迭代次数达到某一阈值终止网络，将测试集输入训练好的神经网络获得预测图像，将获得的预测图像与测试集相应的标注图像对比计算网络准确度。
24.本发明实施例提供的上述技术方案的有益效果至少包括：
25.本发明公开的一种基于全卷积网络的芯片爬胶高度提取方法，包括：芯片爬胶图像采集模块采集被测芯片同一时刻四个侧面的爬胶图像，并传输至芯片爬胶图像预处理模块，建立爬胶图像数据集；芯片爬胶图像预处理模块对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集；对原始爬胶图像数据集进行灰度值标注，将获取的爬胶高度图像分为爬胶部分和背景部分，获取标注爬胶图像数据集，其中标注爬胶图像数据集和原始爬胶图像数据集一一对应；将原始数据集按照预设比例随机划分为测试集和训练集，并将标注数据集进行相应划分；对划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；将获取的爬胶图像输入训练好的全卷积网络，获取分割后的爬胶图像，根据爬胶边沿至芯片底边的距离确定爬胶高度。本发明采用深度可分离卷积降低神经网络的计算量，深度可分离卷积把一步普通卷积变成两步计算，减少了参数量和计算量，减轻网络架构。本发明使用膨胀空间卷积池化金字塔，不同的采样率获得不同的膨胀卷积效果，并行叠加信息，获取图像的丰富的多尺度信息。本发明首次将神经网络引入芯片爬胶高度的识别，能够进行爬胶高度的实时在线监测。
26.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
27.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
28.图1为本发明实施例1中，一种基于全卷积网络的芯片爬胶高度提取方法的流程图；
29.图2为本发明实施例1中，全卷积网络工作原理图；
30.图3为本发明实施例2中，一种基于全卷积网络的芯片爬胶高度提取系统的结构图。
具体实施方式
31.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
32.为了解决现有技术中存在的问题，本发明实施例提供一种基于全卷积网络的芯片爬胶高度提取方法和系统。
33.实施例1
34.本实施例公开了一种基于全卷积网络的芯片爬胶高度提取方法，包括：
35.s100.芯片爬胶图像采集模块采集被测芯片同一时刻四个侧面的爬胶图像，并传输至芯片爬胶图像预处理模块，建立爬胶图像数据集；具体的，芯片爬胶图像采集模块包含同一水平面分立于四个方向的ccd相机，采集被测芯片四个侧面同一时刻的爬胶图像，共同传输给芯片爬胶图像预处理模块。
36.s200.芯片爬胶图像预处理模块对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集；
37.在本实施例中，芯片爬胶图像预处理模块对爬胶图像数据集进行扩充处理，具体包括：将现有的n张图像进行水平翻转和顺时针方向旋转45
°
，使现有的图像数量将扩充为原来的3倍，从而得到3n张数据集图像。图像总量的增加导致训练网络时训练集和测试集容量的增加。增加训练样本的多样性，避免过拟合，使得全卷积网络识别数据集中不需要的特征可能性降低，提高神经网络的鲁棒性。同时由于测试集用于验证训练后的神经网络的准确性，增加测试集的多样性，可以提高全卷积网络训练的准确性，使得训练的神经网络可靠性增强。
38.s300.对原始爬胶图像数据集进行灰度值标注，将获取的爬胶高度图像分为爬胶部分和背景部分，获取标注爬胶图像数据集，其中标注爬胶图像数据集和原始爬胶图像数据集一一对应；
39.在本实施例中，对原始爬胶图像数据集进行灰度值标注，还包括：将爬胶部分的灰度值赋值为1，其余背景部分灰度值赋值为0。将原始图像和标注图像用于全卷积网络的训练与测试。
40.s400.将原始数据集按照预设比例随机划分为测试集和训练集，并将标注数据集进行相应划分；在一些优选实施例中，将原始数据集按照20％和80％随机划分为测试集和训练集，并将标注数据集进行相应划分。
41.s500.对s400划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；在本实施例中，对s400划分后的图像基于全卷积网络进行训练，具体包括：将训练集中图像r输入全卷积网络，得到预测图像p，根据预测图像与相应标注图像的差异进行反向传播，用损失函数计算预测图像与相应标注图像的差异，将上述步骤进行迭代计算，当损失函数低于某一阈值或者网络训练迭代次数达到某一阈值终止网络，将测试集输入训练好的神经网络获得预测图像，将获得的预测图像与测试集相应的标注图像对比计算网络准确度。
42.具体的，全卷积网络架构包括：首先通过主干网络提取芯片爬胶高度监测图像的特征，然后利用膨胀空间金字塔池化和图像池化提取图像的多尺度信息，主干网络采用残差网络避免神经网络的退化。利用20个多层卷积层进行深度卷积，提取图像的特征。采用深度可分离卷积使得深度卷积神经网络据有轻量级神经网络的特性。多层卷积后获得的深层特征图的多尺度信息与残差网络获得的浅层特征图进行融合，获得图像的丰富信息，得到特征图。最后，为了得到预测的图像p，需要进行1
×
1的卷积来减少特征图的通道数量，并进行上采样来调整特征图的大小，使其与现场监测图像尺寸相同。然后根据预测的图像p和相应的标签图像o的差异进行反向传播，优化卷积和池化中的所有参数。
43.在一些优选实施例中，网络结构具体如图2：输入的在线监测图像经过2个3
×
3的卷积提取输入图像的浅层特征；进一步将得到的特征图经过多次的深度可分离卷积与1
×
1卷积并行的操作，进行图像的快速分割，最后进行两次3
×
3的深度可分离卷积。将经过残差网络得到的深度特征图进行不同卷积率的膨胀卷积操作得到不同尺度的特征图，融合多尺度信息。进一步，将多尺度信息融合的多维特征图通过4倍上采样扩大特征图的尺寸。随后在残差网络中提取浅层特征图，经过1
×
1卷积进行降维，融合浅层特征与深层特征，最后经过1
×
1的卷积与4倍上采样即可将爬胶图像和背景精确地分割。
44.在整个架构中，残差网络提取图像的深层信息，通过膨胀卷积替代池化操作提高
精确度。在膨胀空间卷积池化金字塔和解码模块使用深度可分离卷积，提高整个网络的运行速率和鲁棒性。
45.在线监测图像经过全卷积网络获得爬胶高度和背景区域分割后的图像，为了突出爬胶图像在原始输入图像上的位置及形貌，通过分割后的图像中爬胶图像形貌特征计算爬胶高度可以直接对芯片爬胶生产进行及时反馈调控相关参数，提升芯片制造产品的质量，具体通过形貌特征计算爬胶高度的方法将在以后的工作进行。
46.s600.将获取的爬胶图像输入训练好的全卷积网络，获取分割后的爬胶图像，根据爬胶边沿至芯片底边的距离确定爬胶高度。
47.本实施例还公开了一种基于全卷积网络的芯片爬胶高度提取系统，如图3，包括：芯片爬胶高度图像采集模块、芯片爬胶图像预处理模块、芯片爬胶高度图像识别模块；其中：
48.芯片爬胶高度图像采集模块，用于采集被测芯片同一时刻四个侧面的爬胶图像，并传输至芯片爬胶图像预处理模块，建立爬胶图像数据集；
49.芯片爬胶图像预处理模块，用于对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集；还用于对原始爬胶图像数据集进行灰度值标注，将获取的爬胶高度图像分为爬胶部分和背景部分，获取标注爬胶图像数据集，其中标注爬胶图像数据集和原始爬胶图像数据集一一对应；还用于将原始数据集按照预设比例随机划分为测试集和训练集，并将标注数据集进行相应划分，并将这些划分的标注数据集输送到芯片爬胶图像识别模块；
50.芯片爬胶高度图像识别模块，用于对划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；还用于将获取的爬胶图像输入训练好的全卷积网络，获取分割后的爬胶图像，根据爬胶边沿至芯片底边的距离确定爬胶高度。
51.在一些优选实施例中，芯片爬胶图像采集模块包含同一水平面分立于四个方向的ccd相机，采集被测芯片四个侧面同一时刻的爬胶图像，共同传输给芯片爬胶图像预处理模块。
52.在一些优选实施例中，芯片爬胶图像预处理模块，用于对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集，具体包括：将现有的n张图像进行水平翻转和顺时针方向旋转45
°
，使现有的图像数量将扩充为原来的3倍，从而得到3n张数据集图像。
53.在一些优选实施例中，芯片爬胶高度图像识别模块，用于对划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；具体包括：将训练集中图像r输入全卷积网络，得到预测图像p，根据预测图像与相应标注图像的差异进行反向传播，用损失函数计算预测图像与相应标注图像的差异，将上述步骤进行迭代计算，当损失函数低于某一阈值或者网络训练迭代次数达到某一阈值终止网络，将测试集输入训练好的神经网络获得预测图像，将获得的预测图像与测试集相应的标注图像对比计算网络准确度。
54.本实施例公开的一种基于全卷积网络的芯片爬胶高度提取方法，包括：芯片爬胶图像采集模块采集被测芯片同一时刻四个侧面的爬胶图像，并传输至芯片爬胶图像预处理模块，建立爬胶图像数据集；芯片爬胶图像预处理模块对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集；对原始爬胶图像数据集进行灰度值标注，将获取的
爬胶高度图像分为爬胶部分和背景部分，获取标注爬胶图像数据集，其中标注爬胶图像数据集和原始爬胶图像数据集一一对应；将原始数据集按照预设比例随机划分为测试集和训练集，并将标注数据集进行相应划分；对划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；将获取的爬胶图像输入训练好的全卷积网络，获取分割后的爬胶图像，根据爬胶边沿至芯片底边的距离确定爬胶高度。本发明采用深度可分离卷积降低神经网络的计算量，深度可分离卷积把一步普通卷积变成两步计算，减少了参数量和计算量，减轻网络架构。本发明使用膨胀空间卷积池化金字塔，不同的采样率获得不同的膨胀卷积效果，并行叠加信息，获取图像的丰富的多尺度信息。本发明首次将神经网络引入芯片爬胶高度的识别，能够进行爬胶高度的实时在线监测。
55.应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
56.在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
57.本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
58.结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动磁盘、cd-rom或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。该asic可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
59.对于软件实现，本技术中描述的技术可用执行本技术所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
60.上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

技术特征：
1.一种基于全卷积网络的芯片爬胶高度提取方法，其特征在于，包括：s100.芯片爬胶图像采集模块采集被测芯片同一时刻四个侧面的爬胶图像，并传输至芯片爬胶图像预处理模块，建立爬胶图像数据集；s200.芯片爬胶图像预处理模块对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集；s300.对原始爬胶图像数据集进行灰度值标注，将获取的爬胶高度图像分为爬胶部分和背景部分，获取标注爬胶图像数据集，其中标注爬胶图像数据集和原始爬胶图像数据集一一对应；s400.将原始数据集按照预设比例随机划分为测试集和训练集，并将标注数据集进行相应划分；s500.对s400划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；s600.将获取的爬胶图像输入s500中训练好的全卷积网络，获取分割后的爬胶图像，根据爬胶边沿至芯片底边的距离确定爬胶高度。2.如权利要求1所述的一种基于全卷积网络的芯片爬胶高度提取方法，其特征在于，s200中，芯片爬胶图像预处理模块对爬胶图像数据集进行扩充处理，具体包括：将现有的n张图像进行水平翻转和顺时针方向旋转45
°
，使现有的图像数量将扩充为原来的3倍，从而得到3n张数据集图像。3.如权利要求1所述的一种基于全卷积网络的芯片爬胶高度提取方法，其特征在于，s300中，对原始爬胶图像数据集进行灰度值标注，还包括：将爬胶部分的灰度值赋值为1，其余背景部分灰度值赋值为0。4.如权利要求1所述的一种基于全卷积网络的芯片爬胶高度提取方法，其特征在于，s400中，将原始数据集按照预设比例随机划分为测试集和训练集，具体为：将原始数据集按照20％和80％随机划分为测试集和训练集。5.如权利要求1所述的一种基于全卷积网络的芯片爬胶高度提取方法，其特征在于，s500中，对s400划分后的图像基于全卷积网络进行训练，具体包括：将训练集中图像r输入全卷积网络，得到预测图像p，根据预测图像与相应标注图像的差异进行反向传播，用损失函数计算预测图像与相应标注图像的差异，将上述步骤进行迭代计算，当损失函数低于某一阈值或者网络训练迭代次数达到某一阈值终止网络，将测试集输入训练好的神经网络获得预测图像，将获得的预测图像与测试集相应的标注图像对比计算网络准确度。6.如权利要求5所述的一种基于全卷积网络的芯片爬胶高度提取方法，其特征在于，全卷积网络工作流程包括：首先通过主干网络提取芯片爬胶高度监测图像的特征，然后利用膨胀空间金字塔池化和图像池化提取图像的多尺度信息，主干网络采用残差网络避免神经网络的退化；然后利用20个多层卷积层进行深度卷积，提取图像的特征；将多层卷积后获得的深层特征图的多尺度信息与残差网络获得的浅层特征图进行融合，得到特征图；然后进行1
×
1的卷积来减少特征图的通道数量，并进行上采样来调整特征图的大小，使其与现场监测图像尺寸相同；最后根据预测的图像和相应的标签图像的差异进行反向传播，优化卷积和池化中的所有参数。7.一种基于全卷积网络的芯片爬胶高度提取系统，其特征在于，包括：芯片爬胶高度图像采集模块、芯片爬胶图像预处理模块、芯片爬胶高度图像识别模块；其中：
芯片爬胶高度图像采集模块，用于采集被测芯片同一时刻四个侧面的爬胶图像，并传输至芯片爬胶图像预处理模块，建立爬胶图像数据集；芯片爬胶图像预处理模块，用于对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集；还用于对原始爬胶图像数据集进行灰度值标注，将获取的爬胶高度图像分为爬胶部分和背景部分，获取标注爬胶图像数据集，其中标注爬胶图像数据集和原始爬胶图像数据集一一对应；还用于将原始数据集按照预设比例随机划分为测试集和训练集，并将标注数据集进行相应划分，并将这些划分的标注数据集输送到芯片爬胶图像识别模块；芯片爬胶高度图像识别模块，用于对划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；还用于将获取的爬胶图像输入训练好的全卷积网络，获取分割后的爬胶图像，根据爬胶边沿至芯片底边的距离确定爬胶高度。8.如权利要求7所述的一种基于全卷积网络的芯片爬胶高度提取系统，其特征在于，芯片爬胶图像采集模块包含同一水平面分立于四个方向的ccd相机，采集被测芯片四个侧面同一时刻的爬胶图像，共同传输给芯片爬胶图像预处理模块。9.如权利要求7所述的一种基于全卷积网络的芯片爬胶高度提取系统，其特征在于，芯片爬胶图像预处理模块，用于对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集，具体包括：将现有的n张图像进行水平翻转和顺时针方向旋转45
°
，使现有的图像数量将扩充为原来的3倍，从而得到3n张数据集图像。10.如权利要求7所述的一种基于全卷积网络的芯片爬胶高度提取系统，其特征在于，芯片爬胶高度图像识别模块，用于对划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；具体包括：将训练集中图像r输入全卷积网络，得到预测图像p，根据预测图像与相应标注图像的差异进行反向传播，用损失函数计算预测图像与相应标注图像的差异，将上述步骤进行迭代计算，当损失函数低于某一阈值或者网络训练迭代次数达到某一阈值终止网络，将测试集输入训练好的神经网络获得预测图像，将获得的预测图像与测试集相应的标注图像对比计算网络准确度。

技术总结
一种基于全卷积网络的芯片爬胶高度提取方法，包括：采集被测芯片同一时刻四个侧面的爬胶图像，建立爬胶图像数据集；对爬胶图像数据集进行扩充处理，获得扩充处理后的原始爬胶图像数据集；对原始爬胶图像数据集进行灰度值标注，将获取的爬胶高度图像分为爬胶部分和背景部分，获取标注爬胶图像数据集；将原始数据集按照预设比例随机划分为测试集和训练集，并将标注数据集进行相应划分；对划分后的图像基于全卷积网络进行训练，得到训练好的全卷积网络模型；将获取的爬胶图像输入训练好的全卷积网络，获取分割后的爬胶图像，根据爬胶边沿至芯片底边的距离确定爬胶高度。本发明解决了现有技术芯片爬胶高度的测量误差较大、测量精度较低的问题。较低的问题。较低的问题。


技术研发人员：李辉 刘胜 张亿凯 张正浩 申胜男 王点
受保护的技术使用者：岳阳珞佳智能科技有限公司
技术研发日：2022.02.18
技术公布日：2022/5/25