【摘 要】
：
智能制造的发展驱动了质量检测技术的高速演进,而芯片作为电子信息产业的关键产品,对智能化质量检测技术的工程需求迫切。其中,芯片表面标识的识别技术就具备较高的需求和应用价值。随着光学字符识别技术（Optical Character Recognition,OCR）逐渐深入工业领域,设计和实现适用于芯片相关制造场景的OCR方法,成为解决芯片标识识别问题的关键途径。当前,应用于产业中的芯片标识识别技术主要
论文部分内容阅读
智能制造的发展驱动了质量检测技术的高速演进,而芯片作为电子信息产业的关键产品,对智能化质量检测技术的工程需求迫切。其中,芯片表面标识的识别技术就具备较高的需求和应用价值。随着光学字符识别技术（Optical Character Recognition,OCR）逐渐深入工业领域,设计和实现适用于芯片相关制造场景的OCR方法,成为解决芯片标识识别问题的关键途径。当前,应用于产业中的芯片标识识别技术主要依赖于基于形态学的传统方法,这类方法所适用的产品范围有限,且对环境变化非常敏感。无论是传统的形态学方法还是近年出现的深度学习OCR方法,在应对复杂生产环境的芯片标识识别时都存在众多挑战。一方面是亮度过低、噪声高、分辨率差等图像质量问题;另一方面是芯片标识印刷模糊、外观多样性高、受到焊接材料干扰等产品自身特性带来的难点。为了克服这些挑战,本文开展了对基于改进深度卷积网络的芯片标识高速识别方法研究。论文主要研究内容和创新点如下:（1）提出了基于深度卷积网络的芯片图像预处理方法。预处理能够提升芯片图像质量,减少芯片图像中影响标识识别的干扰要素,使图像比处理前更适用于OCR算法。本文通过改进的光照增强算法克服了芯片图像低对比度和高噪声的问题,通过改进的图像分割算法去除焊后芯片图像中的干扰信息,并使用残差网络统一标识的排版方向。本文将上述算法整合为基于深度卷积网络的芯片图像预处理模块。实验证明,该模块能有效地弥补芯片图像的质量问题,降低芯片外观特性给OCR算法带来的干扰,经该模块处理后的图像在后置算法或模块中能产生更好识别效果。（2）提出了基于弱监督学习的标识字符提取方法。标识字符提取方法可以将有标识的芯片图像转换为单字符图像序列。本文设计了一种基于弱监督学习的文本检测算法,可有效降低对真实生产数据的标注成本。同时,本文针对标识印刷紧凑、尺寸过小的问题,提出了自适应边缘扩展填充算法和动态标签更新策略,用于提升训练标签生成的精准度。此外,本文提出了一种字符边界校正算法,进一步提升提取后字符边界的精准度。实验证明,该方法的字符提取召回率达到96.71%,具备较强的字符检出能力。（3）提出了基于深度卷积网络的标识单字符识别算法。本文针对标识单字符图像分辨率差、清晰度低、样本分布不平衡等问题,提出了芯片单字符图像数据扩增方法,即通过类别平衡和自适应色阶增强算法,进一步提高字符图像的可识别性和学习效果。通过对下采样过程和损失函数的优化,提出了基于卷积神经网络的标识字符识别算法。实验证明,标识单字符识别算法准确率达到99.52%,达到生产环境的理想水平。（4）实现了基于改进深度卷积网络的芯片字符标识识别系统。本文实现了上述设计的各类方法和算法,并整合为具有易部署性、易扩展性和易用性的芯片标识识别系统。对芯片标识识别系统的集成测试证明,本文提出的芯片标识识别方法在复杂生产环境下比常规的深度学习OCR算法更贴合芯片图像的特性,识别召回率达到93.98%,对多种外观芯片标识识别表现优秀的自适应能力。且在图像硬件加速的前提下,算法的运行速度达到20.81帧每秒,满足现有贴片工艺的生产节拍,符合生产环境的实际需求。
其他文献
近年来,由于声表面波（surface acoustic wave,SAW）传感器具有无线无源、体积小等特点被研究者们广泛关注。特别是在工业生产、航空航天等领域的极端恶劣如高温高压等环境中,SAW传感器拥有广泛的应用前景。但是,极端环境对SAW传感器的稳定性来说是一种挑战,目前成熟的SAW温度传感器最高能够工作在600°C左右,这还远不及上述应用场景下的要求。因此,需有必要研制一种能够稳定地工作于极
人工神经网络作为机器学习中的一个重要分支,随着深度学习的发展,在计算机视觉,自然语言处理等人工智能领域得到广泛应用,使用基于神经网络的方法在这些领域的表现已经逼近或超越人类。为了获得更加准确的决策,人们使用更大的数据集和更加复杂的网络结构,使得神经网络需要更长的训练和推理时间,传统通用芯片如CPU,GPU等显得效率不足。根据神经网络的特点在芯片体系结构上进行定制设计的专用芯片具有更高的效率,更加适
卷积神经网络（Convolutional Neural Network,CNN）是深度学习领域最重要的神经网络之一,被广泛地应用于图像处理和目标识别等方面。随着卷积神经网络层数的不断加深,结果不仅没有变得更好,反而出现了网络退化的问题。为了解决这个问题,He Kai Ming提出了残差神经网络（Residual Neteork,ResNet）。通过在网络中的不同层之间进行残差连接使得网络更容易实现
随着硬件计算能力的不断提升以及算法模型的快速更新迭代,人工智能技术在实际生活中拥有广泛的应用。以深度卷积神经网络（Convolutional Neural Network,CNN）为代表的数学模型在语义分割、语义识别、目标检测等计算机视觉领域有着极佳的性能表现。卷积神经网络是一种计算密集型高效算法,目前主要采用通用处理器CPU或GPU完成算法的反向训练和前向推理过程。但是,面对实际应用场景对于硬件
硬件特洛伊木马（Hardware Trojans,简写HTs）是指在芯片设计或制造过程中,在非授权情况下对原始电路进行有目的的修改或篡改,以达到在无条件或者在某种特定触发条件下实现改变系统功能,泄露机密情报或摧毁电路的目的。在Moore定律和Dennard缩放比例定律的指导下,芯片的集成度越来越高。在超大规模集成电路中,单个芯片可以容纳上亿个晶体管。随着IC（Integrated Circuit,
神经网络是人工智能算法的一个重要分支,这种算法具有统一的结构,更换权值即可实现不同的任务,同时权值还可以通过自动的训练获得。这些特性使神经网络可以广泛应用在很多领域,如机器视觉、自然语言处理、加密解密等。但是神经网络具有运算消耗算力大的特点,因此构造一种可以高效处理神经网络算法的推理任务的加速器非常有必要。本文首先分析了卷积神经网络和神经网络加速器的基本理论,在此基础上对神经网络计算模型进行分析,
柔性可穿戴传感器可实现各种情况下的实时人体信号采集,在物联网发展迅速的现代社会起到至关重要的作用。基于石墨烯的新型柔性力学传感器具有良好的生物相容性和优异的电化学性能,且容易通过结构工程进行各种优化设计,但针对各种应用场景的性能优化方案和制备方法还需要更深入的研究。为了探究具有更高敏感度、稳定性和可拉伸范围的柔性石墨烯应力传感器的制备方法,本文利用H2-N2等离子体处理氧化石墨烯（GO）,同时实现
雨是现实生活中十分常见的天气,它严重影响能见度,特别是下暴雨的时候。无论是依附在镜头上的雨滴,还是来自各个方向的雨,不断累积,最终使背景场景模糊,严重影响计算机视觉任务的准确性,例如:视频监控、目标检测、自动驾驶中的物体跟踪等。去除图像中的雨线或雨滴不仅可以提高图像的视觉质量,而且对这些计算机视觉任务十分有帮助。如何从下雨场景拍摄的视频和单一图像中恢复出无雨的视频或者背景图像一直是计算机视觉和模式
随着时代的发展,现代战场对于武器装备的要求也越来越高,其中认知能力是必不可少的关键能力之一。通过人工智能技术的使用,使装备系统能够智能地发现、确定、跟踪、瞄准和攻击威胁目标,并对攻击后的效果进行评估。辐射源的识别是认知侦察的关键环节之一,引起了国内外学者们的普遍关注。本文以辐射源识别为核心,重点针对辐射源数据分布存在偏差而识别率低的问题,展开基于迁移学习的辐射源识别技术的研究。具体而言,本文运用迁
随着当今物质生活水平的提高,制造业的标准也在逐步提高,工业制造的元件越来越精密,产品要求越来越高,常用的工厂检测已经不能适应现今大规模的生产进程,并且会束缚生产进度。比如人工检测主要通过工人肉眼识别元器件缺陷,但要求操作工有着丰富的经验以及大量的时间与耐心,且对微小缺陷的检测准确率低。传感器检测能够有效检测部分缺陷,但不同的缺陷需要不同的传感器来检测,有些精密传感器的价格极其昂贵,大大增加了成本。