开题报告-基于深度学习的芯片缺陷自动识别算法及装置设计.doc

本科生毕业设计（论文）开题报告题 目：基于深度学习的芯片缺陷自动识别算法及装置设计院 系 材料科学与工程学院 专业班级 材卓1201班 姓 名 学 号 指导教师 2016 年 3 月开题报告填写要求一、 开题报告主要内容：1.课题来源、目的、意义。2.国内外研究现况及发展趋势。3.预计达到的目标、关键理论和技术、主要研究内容、完成课题的方案及主要措施。4.课题研究进度安排。5.主要参考文献。二、 报告内容用小四号宋体字编辑，采用A4号纸双面打印，封面与封底采用浅蓝色封面纸（卡纸）打印。要求内容明确，语句通顺。三、 指导教师评语、教研室（系、所）或开题报告答辩小组审核意见用蓝、黑钢笔手写或小四号宋体字编辑，签名必须手写。四、 理、工、医类要求字数在3000字左右，文、管类要求字数在2000 字左右。五、 开题报告应在第八学期第二周之前完成。 华中科技大学本科生毕业设计（论文）开题报告19一、课题来源、目的及意义1课题来源武汉东湖新技术开发区第八批“3551光谷人才计划”专项资金企业创新短期人才LED芯片自动检测分选关键工艺与成套装备研制及产业化。2课题目的及意义LED是一种半导体固体发光器件，被称为第四代照明光源和绿色光源，具有高效率、低能耗、零污染、使用寿命长、响应速度快、体积小、坚固等显著优点。可以广泛应用于汽车、通讯、消费性电子、工业仪表、各种指示、显示、装饰、背光源、普通照明和城市化等领域。随着LED行业产业化推进，LED应用范围不断扩大。缺陷检测是LED整个产业链中一个必不可少环节，对产品质量控制起着至关重要的作用。LED芯片是外延片经过切割后裂片形成的，在理想情况下芯片都是排列整齐并且完整。但由于生产工艺的原因，在实际生产中不可避免会发生少量芯片的异常，出现污损、划痕、碎裂等缺陷。绝大多数异常芯片已经损坏严重无法使用，应该及时识别并丢弃。在检测和分选设备中，采用一种芯片缺陷识别方法，在检测和分选前，就能够识别出有缺陷的芯片，并且能够确定缺陷类型。这样不仅能避免对缺陷芯片检测分拣时间上的浪费，还对前级生产工艺的改进具有参考意义。因此，芯片缺陷自动识别技术的研究对代替人工缺陷检测，提高LED芯片缺陷检测精度和速率有重要意义。二、国内外研究状况和发展趋势2.1芯片缺陷研究芯片缺陷产生的原因有很多，缺陷类型也有很多不同的情况。LED芯片缺陷的分类还没形成一个统一的标准，不同的厂家和研究机构都有自己的一套分类方法，一些文献中根据缺陷产生的机理、部位等来进行分类，较为全面和细致，较为常见的是将有缺陷的芯片分为污损、烧蚀、电极缺失、划痕、碎裂、缺损六种。如图1所示，为常见芯片缺陷图片。 图2-1 污损、碎裂、缺角、崩边、残缺污损。污损是最为常见的LED芯片损坏类型，有两种产生的原因：一是在生产过程中受到灰尘或者油污的污染，属于生产故障；二是在前级工艺过程中对已经发现损坏的芯片用墨点进行标记，在半导体工艺中被称为InkedChip，属于正常的生产工艺。烧蚀。主要发生在芯片检测过程中。芯片检测需要通过金属探针对芯片施加一定的电流和电压，如果芯片短路或者检测电流或电压过大，会将芯片烧毁。划痕。在芯片生产的各个阶段都有可能产生划痕，特别是芯片切割和检测过程中，都有尖锐的金刚石刀或金属探针直接与芯片接触，有可能划伤芯片。碎裂。GaN基外延片薄而且脆，在切割过程中可能会将芯片切碎。在检测和分拣过程中，如果探针或吸嘴与芯片接触时压力过大，也会将芯片压碎。缺损。比碎裂更为严重，芯片不仅碎裂，而且有些部分已经不再盘片上。根据缺损的具体位置，缺损可分为缺角、崩边和残缺。电极缺失。芯片电极是用纯金材料在外延片特定位置沉淀形成的，芯片污染、残缺等会造成所沉积的电极不完整，即电极缺失。2.2 机器视觉在缺陷检测中的应用研究在现代工业自动化生产中，涉及到对各种各样零部件的检测、测量和识别，例如，光盘表面印刷质量检查，汽车零配件尺寸检查和自动装配的完整性检查，电子装配线的元件自动定位，饮料瓶盖的印刷质量检查，产品包装上的条码和字符识别等。对这类连续大批量生产而对外观质量的要求又非常高的应用，人工识别零件相对于机器识别具有准确度高，漏检率低的优点，在很长一段时间内是主要的识别和抓取方式，然而人工识别工作量大，工人长期面对重复单一动作易疲劳，劳动生产率很低，尤其是在当前人力资源成本大幅度上升的情况下，经济效益很低，而且在很多工业现场，生产条件都是相当恶劣的，不适合工人进入，需要自动识别装置。90年代以来，大规模集成电路的飞速发展，一方面使得计算机的运算速度成倍的提高，而计算机的价格却持续下降，另一方面随着CCD的分辨率逐步提高，图像识别的精度也越来越高。相对于人工检测，机器视觉具有低成本、无损伤、准确、快速的优点：1) 无损伤。视觉与被观察的对象无接触，因此对观测与被观测者都不会产生任何损伤，十分安全可靠。这是其他感觉方式无法比拟的。2) 机器视觉扩展了人类的视觉范围。理论上，人眼观察不到的范围，计算机视觉也可以观察。例如红外线、微波、超声波等人类就观察不到，而机器视觉可以利用这方面的敏感器形成红外线、微波、超声波等图像。3) 机器视觉可以广泛地用于长时间恶劣的工作环境。人无法长时间地观察对象，而机器视觉不知疲劳，始终如一地观察。 视觉处理软件图像采集卡光学镜头相机光源待测物体图2-2 机器视觉系统的组成框图一个典型的基于PC的机器视觉系统包括：光源、光学镜头、相机、图像采集卡、图像处理系统五个部分。光源：光源提供稳定可靠的照明，使所得图像的背景灰度均匀、对比明显，以便后续的处理。在目前的机器视觉应用系统中，好的光源与照明方案往往是整个系统成败的关键，光源与照明方案的配合应尽可能地突出物体特征量，在物体需要监测的部分与那些不重要部分之间应尽可能地产生明显的区别。其中，LED光源凭借其诸多的优点在现代机器视觉中得到越来越多的应用。光学镜头：光学镜头调整焦距和光圈大小，使成像清晰，亮度适中相当于人眼的晶状体，在机器视觉系统中非常重要。镜头的主要性能指标有焦距、光阑系数、倍率、接口等。相机：相机是机器视觉系统获取原始信息的最主要部分，目前主要使用的CMOS相机和CCD相机。目前CCD摄像机以其小巧、可靠、清晰度等特点在商用与工业领域得到了广泛使用。图像采集卡：在基于PC机的机器视觉系统中，图像采集卡是控制相机拍照，完成图像采集与数字化，协调整个系统的重要设备。视觉处理软件：视觉处理软件提供优化的封装好的函数包，以方便、快捷地对采集到的图像进行处理。在LED检测分选流程中，机器视觉系统的主要功能是采集扩张膜上芯片的图像，并进行相应的处理。主要是进行视觉定位、样本匹配和表面缺陷检测。视觉定位提供芯片在抹上分布的机床相对位置，样本匹配通过选取样本与膜上的芯片匹配，选取符合要求的芯片，表面缺陷识别是将表面有破损、污染等不合格芯片排除。图2-3 图像缺陷检测流程图在图像处理过程中，首先在初始化过程中设置光源亮度、镜头焦距、曝光时间等参数。然后对相机进行标定，建立相机图像坐标空间与实际物理坐标空间的对应关系。之后使用CCD相机对需要检测的芯片采集图像，并对采集到的图像进行预处理，以消除图像中的噪声和增强工件的特征锐度等。对预处理后的图像根据样本进行图像匹配，在图像中找到工件完成图像的配准和定位。然后根据图像和工件的特点选取相应的图像处理方法来检测缺陷。2.3传统芯片缺陷识别方法研究传统芯片缺陷识别方法采用“缺陷目标分割提取-人工缺陷特征选取-人工特征描述计算-统计方法或浅层网络识别( 如BP 神经网络、支持向量机等) ”的方式。传统方法中，为了更好对缺陷进行识别，在对输入图像进行特征提取、分割及匹配之前进行预处理。主要目的是为了消除图像中无关紧要的的信息，恢复真实有效的信息，增强相关信息的可检测性，从而增加特征提取、分割及匹配和识别等后续图像处理的可靠性。图像在采集、传输、存储过程中不可避免地会受到不同程度的破坏和各种噪声的干扰，导致图像失真或偏离，所以需要对图像进行预处理消除图像受到的影响。图像分割是根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。图像预处理之后得到的图像除了被检测芯片以外还包括了许多不需要关注的背景区域，所以在后续处理之前还需要根据特性不同将图像分割为不同区域，将背景蓝膜与目标芯片分隔开，再进一步将芯片的电极、发光区和缺陷等分隔开。现今国内外广泛使用的图像分割方法主要可分为基于阈值分割、基于变形模型分割、基于区域生长分割、基于聚类法分割、基于遗传算法分割等。图2-4 分割前芯片图像图2-5 单个芯片示意图通过图像分割技术，我们提取了感兴趣区域或者目标芯片。但是图像分割后包含的信息是对于图像目标芯片的原始描述，描述信息的维度过高，包含了大量的冗余信息。因此这些信息必须要进行抽象处理降维，去除掉其中不需要的部分，从而得到一个或者多个有效描述的特征量。这些特征量就被称为目标特征，确定这些特征的过程就叫做特征提取。而通过这些抽象的特征描述，我们就可以快速的完成对于待检测物体的分类。用于图像识别的特征大致可归纳为:1)颜色或灰度的统计特征；2)纹理、边缘特征；3)代数特征；4)变换系数特征或滤波器系数特征。目前国内外广泛研究的图像特征提取方法主要围绕着以上5类特征。最后是进行缺陷检测。缺陷检测的输出包括两个类型。一是检测缺陷存在与否，二是在检测缺陷存在与否的基础上还要对缺陷进行分类。前者可以看作一个多输入（多个图像特征向量）到单输出的判断过程。而后者则是一个多输入到多输出的判断过程。判断过程的建立就是对缺陷分类器进行设计。当前常见的分类器按照是否具有学习能力分为两类，一类是基于统计特性的分类分类器，例如k-邻近法、决策树分类法等；另一类则主要是基于神经网络理论的分类，如基于反向传播算法（BP)的分类器，以及基于径向基函数的分类器等。 孙梁等人对LED芯片生产过程中出现的缺陷和损坏现象进行了分析和归类。提取芯片图像暗点数、边缘点数、块数、面积和亮点数5种与芯片位置无关的图像特征,通过建立正态分布模型,并基于最小风险贝叶斯决策构建分类器对各种缺陷和损坏芯片进行识别。实验表明该方法具有较高的精度和效率,能够满足LED芯片外观检测的需要。芬兰拉彭兰塔大学 Jouko Lampinen 对木材表面几何特征提取，利用多层感知器对木材缺陷识别，识别正确率达到 84%。反向传播学习（BP)算法，基于前馈多层感知器（MLP)，由Werbos于1974年提出。因为其算法简单，收敛速度快等优点成为了当今最有名、也是最常使用的神经网络算法。该算法的基本思想是通过反向传播的方法来对MLP进行训练，从而得到一个非线性的映射关系。在训练过程中，突触权值不断进行调整以使得实际输出与期望输出之间的差异最小。经过了以上的训练之后，拥有固定权值的MLP分类器就可以用于模式识别与分类等应用。2.4基于深度学习的缺陷识别方法研究芯片缺陷识别的传统方法采用“缺陷目标分割提取-人工缺陷特征选取-人工特征描述计算-统计方法或浅层网络识别( 如BP 神经网络、支持向量机等) ”的方式。因为芯片图像背景复杂而不均匀、整体灰度起伏大、缺陷目标类型多样、对比度低，芯片图像缺陷的准确分割、人工特征的有效描述和人工特征的准确选取往往很困难，需要启发式方法和专业知识，依赖个人经验，依赖准确缺陷分割的统计模型或浅层网络模型，适应性较差。深度学习（Deep Learning，DL）是机器学习中一个崭新的领域，让机器学习（Machine Learning，ML）更加接近人工智能。深度学习的实质，就是模拟视觉感知系统的层次结构，建立含有丰富隐层结构的机器学习模型，通过大量的数据训练，学习获得有用的本质特征，提高分类识别以及预测的准确性。目前深度学习广泛应用于人脸模型、语音、字符识别等方面。在图像识别方面，深度学习最早用在手写体数据集MINST的识别上，取得当时的最好结果，将错误率降低至1.2%。2012年10月，Hinton等在ImageNet问题上将深度学习和卷积神经网络(Convolutional Neural Networks，CNN)结合，将错误率从原先的26%降低至 15%。卷积神经网络是深度学习算法中的一种，具有结构简单、适应性强、训练参数少而连接多等特点。余永维等人针对建立射线无损检测智能化信息处理平台的需要，提出一种基于深度学习网络的智能识别方法。以卷积神经网络结构为基础，结合径向基神经网络非线性映射能力，构建一种模拟视觉感知原理的深度学习网络结构。在获取注意区域的基础上，模拟人类大脑深度学习的层次感知系统，使可疑区域的像素灰度信号直接通过深度学习层次网络，通过卷积网络逐层挖掘可疑缺陷区域的本质特征，利用径向基网络部分实现对射线图像缺陷的直接智能识别。实验对复杂射线图像的缺陷识别率超过91%，优于传统方法。徐珊珊等人为提高木材缺陷识别率，提出一种基于卷积神经网络算法的识别方法。采用渐近式学习方法来确定训练样本数目，给出了对应的网络结构，降低了算法消耗的时间。试验结果表明，无需对图像进行复杂的预处理，能识别多种木材缺陷，精度较高且复杂度较小，具有很好的鲁棒性，也克服传统算法的诸多固有缺点。国内外已经存在将卷积神经网络应用于图像缺陷识别的研究，并且都取得较好的效果，相比于传统方法，精度较高而适应性强。本课题探讨使用卷积神经网络解决芯片缺陷识别问题。本课题利用卷积神经网络，构建一种深度学习网络层次结构，提出完全不同于传统缺陷识别的方法，像素灰度信号直接通过已训练的层状网络深度模型，通过卷积网络深度挖掘缺陷的本质特征，直接利用卷积神经网络实现智能识别，能够改善传统芯片缺陷识别方法的不足之处。三、预计达到的目标、关键理论及技术、主要研究内容、完成课题的方案及主要措施3.1 主要研究内容芯片缺陷识别是工业自动化过程中的重要步骤，基于计算机视觉的芯片识别由于具有高速、便捷等优点，得到了广泛的研究。深度学习技术能够有效地学习图像描述，在自动的芯片识别中具有很大的挖掘空间。本课题的研究内容有：1、芯片缺陷识别装置设计及建模；2、深度卷积神经网络图像识别算法研究；3、基于卷积神经网络的芯片自动识别软件编程的实现。3.2预计达到目标针对课题内容，为方便装置的及后期调试，本课题需达到以下要求：1、芯片缺陷识别装置机械运动机构设计图2、基于卷积神经网络的芯片自动识别算法编码实现及说明。本课题构建一种模拟视觉感知原理的深度学习网络结构，利用已有的样本集训练构建的网络模型，测试样本灰度信号直接通过深度学习层次网络挖掘缺陷的本质特征，实现芯片图像缺陷的识别及分类。检测时，模型的输入是从相机获取的未经任何预处理的LED芯片图像，经过分割算法的分割，获得单颗的芯片图像，通过卷积网络图像分类，分为好坏芯片两种类型。3.3关键理论及技术基于卷积神经网络的芯片自动识别算法编码实现及实验装置设计验证是本次毕业设计的重点。所涉及的理论及技术主要有以下：1、机械原理与机械设计相关理论。芯片缺陷识别实验装置设计过程中要用到大学本科所学的机械原理与机械设计相关理论知识来对实验装置的机械结构进行设计，以保证所设计的机构的合理、高效以及经济。2、Pro/E建模技术。芯片缺陷识别实验装置的建模我们拟采用三维建模软件Pro/E进行建模，涉及到Pro/E的三维建模技术。3、图像识别技术。本次毕业设计利用机器视觉目检代替人工目检，机器视觉系统采集芯片图像，通过对芯片图像的识别来识别芯片缺陷，其中必不可少会涉及到图像识别的相关理论及技术。4、深度学习及卷积神经网络相关理论。基于深度学习的芯片缺陷自动识别算法的核心是卷积神经网络，需要详细了解卷积神经网络理论，为卷积神经网络模型的构建和算法的实现提供理论支持。3.4课题方案及主要措施3.4.1实验装置结构设计如图所示为实验装置结构示意图。图3-1 芯片缺陷识别实验装置结构示意图从图中可以看出整个硬件系统主要由照明光源、镜头、图像传感器、机械运动平台、数据处理平台（计算机）组成。其中照明光源、镜头、图像传感器构成了图像采集系统，该部分主要用于获取晶圆图像。由于图像传感器的取景范围有限，不可能在一次采集中获得所有芯片的图像，因此需要一个能够自由移动的机械平台，在计算机的控制下改变晶圆的位置使得我们可以采集到所有芯片的图像信息。采集到的所有图像信息都汇总到计算机中储存，输入到缺陷识别系统，由计算机软件进行处理，实时确定并输出缺陷类型。机械运动平台由X轴系统、Y轴系统、Z轴系统、轴系统。在四轴驱动结构中，Z轴位于最上方，与相机相连，驱动相机升降运动，控制镜头到芯片盘的距离。旋转台与X轴相连，可由X轴驱动沿X轴运动。X轴平台与Y轴平台相连，可由Y轴驱动沿Y轴运动。最终芯片盘实现四个方向的自由运动。机械运动平台设计需求要求X、Y、Z重复定位精度为，轴重复定位精度为0.001。图3-2 实验装置四轴驱动示意图X轴 伺服电机+滚珠丝杠+直线导轨Y轴 伺服电机+滚珠丝杠+直线导轨Z轴 伺服电机+滚珠丝杠+直线导轨轴 伺服电机+齿形带+V型导轨平台的核心部件是丝杆、丝杆螺母、导轨及滑块，以及承载这几个构件的导轨安装座。丝杆螺母和导轨滑块是直接的运动传递部件，其精度（包括制造和安装）直接决定整个平台的精度。首先需要对机械结构进行需求分析，明白机械结构的行程要求、精度要求等机械需求，再围绕着需求展开设计。3.4.2深度学习缺陷识别算法编码CNN是在多层神经网络的基础上发展起来的针对图像分类和识别而特别设计的一种深度学习方法。如图所示的多层神经网络结构，其中包括一个输入层和一个输出层，中间有多个隐藏层。每一层有若干个神经元，相邻的两层之间的后一层的每一个神经元都分别与前一层的每一个神经元连接。在一般的识别问题中，输入层代表特征向量，输入层的每一个神经元代表一个特征值。在图像识别问题中，输入层的每一个神经元可能代表一个像素的灰度值。图3-3 多层神经网络结构以只含一个隐藏的神经网络为例。图3-4浅层神经网络结构激励函数和输出分别用公式表达：以上式子推广到多个隐藏层。多层神经网络中每相邻两层的神经元都全相连，参数太多，训练速度受到限制。而卷积神经网络使用了针对图像识别的特殊结构，可以解决这些问题可以快速训练。卷积神经网络有三个基本概念：局部感知域（local receptive fields），共享权重(shared weights)和池化（pooling）。局部感知域。以大小为28X28的图像为例，假如第一个隐藏层的每个神经元只与输入层的5X5的区域连接，如下图所示。5X5的区域称为局部感知域。该局部感知域的25个神经元与第一个隐藏层的同一个神经元连接，每个连接上有一个权重参数，因此局部感知域共有5X5个权重。如果将局部感知域沿着从左往右，从上往下的顺序滑动，就会得对应隐藏层中不同的神经元，如下图分别展示了第一个隐藏层的前两个神经元与输入层的连接情况。图3-5 局部感知（卷积）示意图这样参数个数为,比全连接减少了25倍以上。而那55个像素值对应55个参数，相当于卷积操作。共享权重。第一个隐藏层的个神经元都使用一样的55的权重，在图像中的不同位置处提取同一个特征。一种权重作为一种卷积核，对图像提取一种特征。每个卷积核都会将图像生成为另一幅图像。比如三个卷积核就可以将生成三幅图像，如图所示。图3-6 多卷积核作用示意图池化紧随卷积层之后使用，其作用是简化卷积层的输出。例如，池化层中的每一个神经元可能将前一层的一个2X2区域内的神经元求和。而另一个经常使用的max-pooling，该池化单元简单地将一个2X2的输入域中的最大激励输出，如下图所示：图3-7 池化作用示意图如果卷积层的输出包含24X24个神经元，那么在池化后可得到12X12个神经元。每一个特征映射后分别有一个池化处理，前面所述的卷积层池化后的结构为：图3-8 卷积层池化示意图网络中的最后一层是一个全连接层，即该层的每个神经元都与最后一个Max-pooling层的每个神经元连接。图3-9卷积层池化示意图实际使用的卷积神经网络可以相当复杂。Alex Krizhevsky等人2012年的文章“ImageNet classification with deep convolutional neural networks”对ImageNet的一个子数据集进行了分类，所使用的卷积网络结构如图所示。这篇文章中使用了7个隐藏层，前5个是卷积层（有些使用了max-pooling），后2个是全连接层。输出层是有1000个单元的softmax层，分别对应1000个图像类别。图 3-10 Alex的卷积神经网络结构示意图图3-11 本课题拟采用卷积神经网络结构示意图本课题使用的卷积神经网络输入层的神经元数目根据图像大小而确定，若芯片图像像素为，那么网络中输入层的神经元个数为，输入为、。由于本课题初步拟定将芯片分为好坏芯片两种类型，那么本卷积神经网络的输出层神经元数目为1，仅有好和坏两个值，假设好芯片输出值为1，坏芯片输出值为0。中间方框内为隐藏层，还待进一步研究和改进。深度学习算法大能够有效的关键在于大规模的数据，因为每个深度学习拥有很多的参数，少量的数据无法将参数训练充分。因而，要利用深度学习实现缺陷识别，首先要搜集大量的LED芯片图像，形成庞大的数据集，其中包括好芯片和坏芯片，并分别做了标记，即数据集中所有的图像都是带标签的。前期已经获得足够多的图像数据。将数据集按照3:1:1比例分为训练集、验证集和测试集。接着，使用Matlab软件在Windows系统上编码实现卷积神经网络。需要使用到MatConvNet工具包。MatConvNet是机器视觉应用中实现卷积神经网络（Convolutional Neural Network，CNN）的MATLAB工具箱。该工具箱的设计，简单、高效、灵活，能够运行、学习最高水平的CNN。它揭露了简单使用MATLAB能实现CNN的搭建，它提供了程序计算带滤波器组线性卷积，特征池等更多的功能。这样，MatConvNet允许新的CNN结构的快速构建。同时，它支持在CPU和GPU上高效计算，允许在大规模数的据集，如ImageNetILSVRC上训练复杂的模型。输入搜集的大量的带标签的训练集，对卷积神经网络进行训练。利用验证集选择满足要求的卷积神经网络模型，使用测试集的错误率来评价模型推广到已有数据集之外数据的识别能力。最后，即可通过训练好的卷积神经网络模型对芯片图像进行分类。四、课题研究进度安排表 课题研究进度安排表学期周次工作任务2015-2016第一学期20周21周查阅相关文献资料21周22周开始翻译外文文献2015-2016第二学期01周02周完成外文文献的翻译工作04周05周毕业设计开题及答辩06周10周完成卷积神经网络算法及说明08周12周完成实验装置的结构设计及建模12周16周补充前面的不足，毕业论文撰写及答辩五、主要参考文献1 王宪保，李洁，姚明海等. 基于深度学习的太阳能电池片表面缺陷检测方法.模式识别与人工智能,2014,27（6）:517-5232 余永维，殷国富，殷鹰等.基于深度学习网络的射线图像缺陷识别方法. 仪器仪表学报,2014,35(9):2012-20193 Krizhevsky A,Sutskever I,Hinton G E.ImageNet Classification with Deep Convolutional Neural Networks.Advances in Neural Information Processing Systems, 2012, 25(2):20124 Kuo C F J, Hsu C T M, Liu Z X, et al. Automatic inspection system of LED chip using two-stages back-propagation neural network.Journal of Intelligent Manufacturing, 2014, 25(6):1235-12435 李卫.深度学习在图像识别中的研究及应用.武汉理工大学, 20146 尚艳丽.LED芯片检测和分选的图像匹配的算法研究.华中科技大学, 20077 钟鑫.LED芯片检测算法研究及实现.北京交通大学, 20078 李蒙.LED芯片检测系统视觉图像分析技术研究.杭州电子科技大学,20109 张明星.X射线钢管焊缝缺陷的图像处理与识别技术研究.电子科技大学, 201510 余文来.管道漏磁检测缺陷识别技术的研究.沈阳工业大学,200911 陈先昌.基于卷积神经网络的深度学习算法与应用研究.浙江工商大学, 201312 王恒欢.基于深度学习的图像识别算法研究.北京邮电大学, 201413 丰晓霞.基于深度学习的图像识别算法研究.太原理工大学, 201514 马然.基于深度学习的自然场景文本识别系统的设计与实现.吉林大学, 201515 杨钊.面向图像分类和识别的视觉特征表达与学习的研究.华南理工大学, 201416 敖道敢.无监督特征学习结合神经网络应用于图像识别.华南理工大学,201417 孙梁,郗安民.LED芯片损坏和缺陷识别.半导体光电,2009, 30(6):883-88718 薛杨柳.贴片类芯片缺陷检测识别的研究.湖北工业大学, 201419 孙志军，薛磊，许阳明等.深度学习研究综述 .计算机应用研究，2012， 29( 8):2806-281020 常鸿新科技股份有限公司，LED晶粒外观检查机操作手册，2014:621 谢飞.基于计算机视觉的自动光学检测关键技术与应用研究.南京大学,201322 Bar Y.Deep learning with non-medical training used for chest pathology identification.SPIE Medical Imaging. International Society for Optics and Photonics, 201523 LIM T Y,ATNAM M M，KHALID M AAutomatic classification of weld defects using simulated data and an MLP neural network.Insight，2007，49 ( 3 ) :154-15924 Bengio YLearning deep architectures for AI.Foundations and Trends in Machine Learning，2009,2(1) :1-12725 林妙真