针对半导体器件在封装工艺中出现表面缺陷,及缺陷形态多样性和不可预测性而带来的模型适应性低等问题,提出了双向二维主成分分析和改进的卷积神经网络相结合的缺陷识别方法。首先为克服样本不均匀带来的识别精度低问题,对训练图像进行...针对半导体器件在封装工艺中出现表面缺陷,及缺陷形态多样性和不可预测性而带来的模型适应性低等问题,提出了双向二维主成分分析和改进的卷积神经网络相结合的缺陷识别方法。首先为克服样本不均匀带来的识别精度低问题,对训练图像进行反射变换等操作构造虚拟样本,然后使用双向二维主成分分析法(Bilateral two-dimensional principal component analysis,Bi-2DPCA)对图像进行降维压缩,提取图像主要特征,再由改进的AlexNet网络进行缺陷识别分类,并提出正态随机采样层,将其加在AlexNet网络的卷积层后进行下采样,同时在全连接层中引入DropConnect来提高网络的泛化性能。实验表明,提出的算法较相关算法有较高的识别率,并在实际的表面贴装工程(Surface mount assembly,SMA)塑封图像数据上得到了验证,同时该算法具有较好的泛化性能。展开更多
文摘针对半导体器件在封装工艺中出现表面缺陷,及缺陷形态多样性和不可预测性而带来的模型适应性低等问题,提出了双向二维主成分分析和改进的卷积神经网络相结合的缺陷识别方法。首先为克服样本不均匀带来的识别精度低问题,对训练图像进行反射变换等操作构造虚拟样本,然后使用双向二维主成分分析法(Bilateral two-dimensional principal component analysis,Bi-2DPCA)对图像进行降维压缩,提取图像主要特征,再由改进的AlexNet网络进行缺陷识别分类,并提出正态随机采样层,将其加在AlexNet网络的卷积层后进行下采样,同时在全连接层中引入DropConnect来提高网络的泛化性能。实验表明,提出的算法较相关算法有较高的识别率,并在实际的表面贴装工程(Surface mount assembly,SMA)塑封图像数据上得到了验证,同时该算法具有较好的泛化性能。