公开(公告)号：CN112967243B

公开(公告)日：2023-01-13

申请号：CN202110219336.7

申请日：2021-02-26

Applicant: 清华大学深圳国际研究生院(CN)

Inventor： 曾龙 ,  王宏羽 ,  杨凡 ,  王硕 ,  林宜龙 ,  刘飞

IPC: G06T7/00 ,  G06T7/13 ,  G06T7/136 ,  G06T7/62 ,  G06T7/73 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 一种基于YOLO的深度学习芯片封装裂纹缺陷检测方法，包括如下步骤：第一步，采集得到芯片单元图像；第二步，对采集的图像进行缺陷类别信息以及缺陷目标坐标的标注；第三步，进行数据增强，制作用于训练的数据集；第四步，基于YOLOv4网络构建缺陷检测所用的深度学习网络模型；第五步，使用预训练的参数作为初始权重，训练深度学习网络；第六步，使用训练好的网络进行预测，其中将待检测图片标准化处理后输入网络，得到网络head的输出，将head输出解码，采用优化非极大值抑制NMS过滤解码后的结果，得到网络预测结果；第七步，采用置信度阈值和裂纹边界阈值对所述第六步的网络预测结果进一步过滤，得到最终结果。本发明对芯片裂纹类缺陷有良好的检测效果。

公开(公告)号：CN112917241B

公开(公告)日：2022-02-11

申请号：CN202110229244.7

申请日：2021-03-02

Applicant: 清华大学深圳国际研究生院

Inventor： 冯平法 ,  孙震 ,  曾龙 ,  刘飞

IPC: B23Q15/00

Abstract: 本发明公开一种孔系形位误差修正方法：对孔系进行形位精度分析，构造孔系形位精度拓扑关系；根据该拓扑关系构造孔系优化目标函数以及精度约束条件，建立孔系加工误差补偿模型；依据相应的孔系加工标准，将孔系零件毛坯在机床上完成粗加工及半精加工，完成后留有余量；对半精加工后的孔系进行切削加工、形位精度检测、误差修正计算和补偿加工；误差修正计算是对形位精度检测显示不符合加工精度要求的孔系，依据孔系加工误差补偿模型，采用误差修正算法对检测的结果进行修正，误差修正算法的输入为不符合加工精度要求的孔系的形位表达，输出为对应的期望形位表达，孔的输入与输出之间的差值为该孔需要修正的量；根据需要修正的量进行补偿加工。

公开(公告)号：CN112917241A

公开(公告)日：2021-06-08

申请号：CN202110229244.7

申请日：2021-03-02

Applicant: 清华大学深圳国际研究生院

Inventor： 冯平法 ,  孙震 ,  曾龙 ,  刘飞

IPC: B23Q15/00

Abstract: 本发明公开一种孔系形位误差修正方法：对孔系进行形位精度分析，构造孔系形位精度拓扑关系；根据该拓扑关系构造孔系优化目标函数以及精度约束条件，建立孔系加工误差补偿模型；依据相应的孔系加工标准，将孔系零件毛坯在机床上完成粗加工及半精加工，完成后留有余量；对半精加工后的孔系进行切削加工、形位精度检测、误差修正计算和补偿加工；误差修正计算是对形位精度检测显示不符合加工精度要求的孔系，依据孔系加工误差补偿模型，采用误差修正算法对检测的结果进行修正，误差修正算法的输入为不符合加工精度要求的孔系的形位表达，输出为对应的期望形位表达，孔的输入与输出之间的差值为该孔需要修正的量；根据需要修正的量进行补偿加工。

公开(公告)号：CN119399124A

公开(公告)日：2025-02-07

申请号：CN202411413254.6

申请日：2024-10-11

Applicant: 清华大学深圳国际研究生院

Inventor： 刘飞 ,  黄心柔 ,  冯平法 ,  曾龙

IPC: G06T7/00 ,  G06N3/045 ,  G06N3/096 ,  G06N3/088 ,  G06N3/0455 ,  G06N3/0464

Abstract: 一种基于蒸馏学习的无监督式芯片异常检测方法，包括：S1、使用包含好品芯片图像和经异常化处理的好品芯片图像的数据集对教师网络进行训练，以使教师网络能够重建出好品芯片图像和对应的异常图像；S2.冻结训练好的教师网络的权重，通过蒸馏学习的方式，利用好品芯片图像对学生网络进行训练，使学生网络学习并模仿教师网络重建出好品芯片图像的能力；S3.将待检测图像输入教师网络和学生网络，获取各自的重建图像；通过检测网络分析并比较二者的重建图像，输出异常分数图；根据异常分数图确定待检测图像是否包含异常，以及确定异常区域的位置和程度。本发明避免了直接与原图比较的常规做法，可大大减少因重建偏差导致的误检，提高了检测的准确性。

公开(公告)号：CN112967243A

公开(公告)日：2021-06-15

申请号：CN202110219336.7

申请日：2021-02-26

Applicant: 清华大学深圳国际研究生院

Inventor： 曾龙 ,  王宏羽 ,  杨凡 ,  王硕 ,  林宜龙 ,  刘飞

IPC: G06T7/00 ,  G06T7/13 ,  G06T7/136 ,  G06T7/62 ,  G06T7/73 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于YOLO的深度学习芯片封装裂纹缺陷检测方法，包括如下步骤：第一步，采集得到芯片单元图像；第二步，对采集的图像进行缺陷类别信息以及缺陷目标坐标的标注；第三步，进行数据增强，制作用于训练的数据集；第四步，基于YOLOv4网络构建缺陷检测所用的深度学习网络模型；第五步，使用预训练的参数作为初始权重，训练深度学习网络；第六步，使用训练好的网络进行预测，其中将待检测图片标准化处理后输入网络，得到网络head的输出，将head输出解码，采用优化非极大值抑制NMS过滤解码后的结果，得到网络预测结果；第七步，采用置信度阈值和裂纹边界阈值对所述第六步的网络预测结果进一步过滤，得到最终结果。本发明对芯片裂纹类缺陷有良好的检测效果。