一种基于YOLOV5s的激光器芯片缺陷检测和缺陷分类方法

摘要

本发明涉及机器视觉处理技术领域，具体涉及一种基于YOLOV5s的激光器芯片缺陷检测和缺陷分类方法，搭建YOLOV5s神经网络；激光器芯片缺陷数据集的分类与制作，激光器芯片缺陷数据集的分类按照在芯片寿命测试过程中缺陷处的温度分为一级损伤、二级损伤、三级损伤；训练数据集，采用迁移学习方法，通过原模型进行预学习，再通过训练完成的YOLOV5s神经网络学习制作好的芯片缺陷数据集的特征；本发明通过采用迁移学习方法，相对于从零开始学习的模型来说，经过迁移学习的模型在训练过程中所耗费的时间更少，模型的收敛效果也很可观，这样可以大大提高模型的识别精度。

说明书

技术领域

本发明涉及机器视觉处理技术领域，具体涉及一种基于YOLOV5s的激光器芯片缺陷检测和缺陷分类方法。

背景技术

半导体激光器具有较高的光电转化效率，具有波长覆盖面广、寿命长、可直接调制、成本低等特点，被广泛应用于光通信系统、消费电子、科研军事、医疗美容、仪器传感等领域，是目前激光器的重要研究方向之一。随着制造工艺，封装技术和材料科学的不断进步，半导体激光器的研究领域相应的跨入更高能量和更高功率。然而在激光器芯片生产过程中，经过复杂的工艺过程，难免出现缺陷。当激光器的输出功率被提高后，其腔面薄膜本身或表面的缺陷，腔面污染、焊料层出现空隙等等，均会吸收光能，出现局部蓄热，当腔面达到损伤阈值，则腔面会高温熔化，并使腔体产生暗线损伤，使得激光器芯片失效，这些损伤称为光学灾变损伤(COD)。

目前，虽然关于激光器芯片缺陷损伤检测的机器视觉方法有很多，但对于应用于工业当中的检测方法，该算法应该更多讲究高效准确，而不是运用一个超级复杂的算法模型去实现缺陷的定位与分类，复杂的算法模型导致定位和分类的时间长，容易造成定位不及时，效率低下。

发明内容

本发明所要解决的技术问题是：提供一种更为简单的算法即可实现在芯片制造的过程中能够及时观察到芯片缺陷的位置以及质量问题并进行分类的基于YOLOV5s的激光器芯片缺陷检测和缺陷分类方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于YOLOV5s的激光器芯片缺陷检测和缺陷分类方法，包括

搭建YOLOV5s神经网络；

激光器芯片缺陷数据集的分类与制作，激光器芯片缺陷数据集的分类按照在芯片寿命测试过程中缺陷处的温度分为一级损伤、二级损伤、三级损伤；

训练数据集，采用迁移学习方法，通过原模型进行预学习，再通过训练完成的YOLOV5s神经网络学习制作好的芯片缺陷数据集的特征。

进一步的，所述YOLOV5s神经网络包括输入端、Backbone、Neck和Prediction。

进一步的，所述Backbone包括Focus基准网络，所述Focus基准网络将输入的图片等间隔抽样，按照固定的步距提取特征，再将每个通道提取出来的特征连接。

进一步的，所述Neck包括金字塔FPN和金字塔PAN结构，所述金字塔FPN和金字塔PAN结构提取Backbone中传来的每个层面的语义特征，对数据集的特征进行学习。

进一步的，所述Backbone还包括残差模块CSP1_x，所述残差模块CSP1_x包括CBL模块、残差结构、全连接组；

CSP_x与CBL模块交替连接两次通过金字塔FPN和金字塔PAN结构传输到Neck网络部分中，再经过两次CBL模块和一次CSP_x模块，将第二层输出传入Neck网络中，再经过四次CBL模块和一次CSP2_x，并将该层的输出作为第三层特征金字塔的输入传到Neck结构中。

进一步的，所述Prediction与Neck的三个输出分支通过卷积层相连，实现该模型最终的激光器芯片缺陷定位识别。

进一步的，所述一级损伤包括当有源区内的温度达到130℃时，局部增益饱和和空间空穴燃烧所产生的光的丝化和自聚焦，通过光诱导加热导致局部温升形成热点，再通过重组增强缺陷反应形成黑点；

所述二级损伤包括当温度到达300℃附近时，一级损伤的黑点被扩展成黑线，缺陷面积增大；

所述三级损伤包括当温度到达1200℃时，激光器芯片有源区局部开始融化，出现大面积的由多条黑线组成的大块缺陷，产生灾变性的损伤。

本发明的有益效果在于：通过采用迁移学习方法，相对于从零开始学习的模型来说，经过迁移学习的模型在训练过程中所耗费的时间更少，模型的收敛效果也很可观，这样可以大大提高模型的识别精度；YOLOV5s是YOLOV5系列中最小的模型，适用于小目标物体检测，YOLOV5s在输入端采用Mosaic数据增强，就是将输入的数据图片按照随机缩放、随机裁剪、随机排布的方式进行拼接，变成另一张数据集，这样一来极大的扩展了数据集的规模，该方法对于小目标的检测效果比较理想；在项目实际使用时，很多图片的长宽比不同，因此缩放填充后，两端的黑边大小都不同，而如果填充的比较多，则存在信息冗余，影响推理速度；Yolov5的代码中datasets.py的letterbox函数中进行了修改，对原始图像自适应的添加最少的黑边；图像高度上两端的黑边变少了，在推理时，计算量也会减少，即目标检测速度会得到提升；因此YOLOV5s模型相对于其他复杂的神经网络来说较为合适。

附图说明

图1为本发明具体实施方式的一种基于YOLOV5s的激光器芯片缺陷检测和缺陷分类方法的FPN+PAN结构示意图。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

实施例一

请参照图1，一种基于YOLOV5s的激光器芯片缺陷检测和缺陷分类方法，包括

搭建YOLOV5s神经网络；

激光器芯片缺陷数据集的分类与制作，激光器芯片缺陷数据集的分类按照在芯片寿命测试过程中缺陷处的温度分为一级损伤、二级损伤、三级损伤；

训练数据集，采用迁移学习方法，通过原模型进行预学习，再通过训练完成的YOLOV5s神经网络学习制作好的芯片缺陷数据集的特征。

其中，

YOLOV5s模型的搭建

YOLOV5s网络由四部分组成，即输入端、Backbone、Neck和Prediction四部分。其中Backbone主干网络中由Focus基准网络开头，Focus意为切片操作，是将输入的图片等间隔抽样，按照固定的步距提取特征，然后再将每个通道提取出来的特征连接起来。其次是连接CBL模块，即卷积神经网络中卷积操作、批规范化和非线性激活操作。另外，在Backbone中还有大量的残差模块CSP1_x，CSP1_x模块由CBL模块、残差结构、全连接组成。CSP_x与CBL模块交替连接两次通过FPN+PAN结构传输到Neck网络部分中，再经过两次CBL模块和一次CSP_x模块，将第二层输出传入Neck网络中，再经过四次CBL模块和一次CSP2_x(CSP2_x由CBL模块和全连接组成)，将该层的输出作为第三层特征金字塔的输入传到Neck结构中。Neck的总体结构就是金字塔FPN+PAN，如图1所示。该结构能够充分提取Backbone中传来的每个层面的语义特征，能够对数据集的特征充分的学习。最后的Prediction部分与Neck的三个输出分支通过卷积层相连，实现该模型最终的激光器芯片缺陷定位识别。

芯片缺陷数据集的分类

芯片缺陷的分类按照按照在芯片寿命测试过程中缺陷处的温度分为一级损伤(黑点)、二级损伤(黑线)、三级损伤(COBD)，参照表1，当有源区内的温度达到130℃时，局部增益饱和和空间空穴燃烧所产生的光的丝化和自聚焦，通过光诱导加热导致局部温升形成热点，再通过重组增强缺陷反应(REDR)形成黑点，当温度到达300℃附近时，黑点被扩展成黑线，缺陷面积增大，此时热失控过程启动，当温度到达1200℃时，此时的激光器芯片有源区局部开始融化，出现大面积的由多条黑线组成的大块缺陷，产生灾变性的损伤，即COBD。该分类能够合理的解释最终灾变光学体损伤(COBD)的产生过程，同时也能够使芯片制造商清楚的了解目前该芯片的质量状况。按照表1所示的分类对采集好的数据集进行打标，制作芯片缺陷数据集。

表1数据集的分类

模型的训练过程

该训练过程采用迁移学习方法，先让原模型去在一个比较庞大的图片数据集上学习图像的边缘特征、纹理特征、灰度特征等，再用预训练好的YOLOV5s神经网络去学习制作好的芯片缺陷数据集的特征。相对于从零开始学习的模型来说，经过迁移学习的模型在训练过程中所耗费的时间更少，模型的收敛效果也很可观，这样可以大大提高模型的识别精度。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。