论文部分内容阅读
微流控芯片将生物化学实验室中检测、分选等操作集成到微纳米尺度的芯片上，在医疗、科研等众多领域被广泛应用。然而芯片表面存在的灰尘、结构连通等缺陷可能会造成错误的实验或诊断结果，因此微流控芯片表面缺陷检测方法的研究，对于提高芯片质量、避免缺陷干扰具有重要的应用价值。
针对微流控芯片表面或微纳结构表面缺陷检测已经有了大量相关研究，其中图像检测技术取得了广泛应用。然而，现有的图像检测技术大多针对相似尺寸的缺陷，微流控芯片表面缺陷尺度范围大、长宽比更极端，当这些方法应用到芯片缺陷检测时，效果会下降。另外，较软的芯片材质与加工不规范可能导致一些未知缺陷，现有方法对于未知结构型缺陷的识别效果不理想。同时，外界环境对图像质量的影响也增加了缺陷检测的难度。针对以上问题，本文通过图像处理、深度学习等技术对芯片表面图像进行处理分析，实现准确的缺陷检测，具体研究工作如下:
首先，针对芯片图像相似度高、拼接错位的问题，通过透射成像与芯片结构造成的亮度差异实现了图像的准确配准，并通过将矩形边框作为匹配模板提高了配准速度，配准时间由1279ms降低到202ms;通过Mask匀光法与直方图规定化消除了亮度不均，并进一步增强了被阴影遮盖的细节，有效避免了阴影对缺陷检测产生的影响。
其次，利用Yolact++网络检测芯片表面已知缺陷，基于差分进化算法设计anchor，通过Focal优化目标提升了细长缺陷的检测效果;进一步针对FPN的不同层级设计了不同的anchor，以较少的参数量实现了更好的检测效果，尤其是芯片表面的纤维、割划等细长缺陷，效果提升了11.36％，缺陷预测AP50达到了93.59％。
最后，针对未知缺陷的检测提出了一种多任务学习方法，该多任务网络通过两个分支的任务分别提高网络提取特征的描述性与紧凑性，能够有效区分异常与正常样本;针对一类分类器构建时的样本平衡问题，提出了基于超像素分割与聚类算法的均匀采样方案，能够有效平衡芯片不同结构样本的比例，避免了稀少结构被误检为缺陷的问题;通过多任务网络与一类分类器，实现了对未知缺陷的有效检测，AUC达到了0.9381。
本文通过机器视觉、深度学习等技术手段实现了已知缺陷与未知缺陷的有效检测，为后续芯片处理与使用提供指导，避免了缺陷对实验与诊断的干扰，具有较高的应用价值。
针对微流控芯片表面或微纳结构表面缺陷检测已经有了大量相关研究，其中图像检测技术取得了广泛应用。然而，现有的图像检测技术大多针对相似尺寸的缺陷，微流控芯片表面缺陷尺度范围大、长宽比更极端，当这些方法应用到芯片缺陷检测时，效果会下降。另外，较软的芯片材质与加工不规范可能导致一些未知缺陷，现有方法对于未知结构型缺陷的识别效果不理想。同时，外界环境对图像质量的影响也增加了缺陷检测的难度。针对以上问题，本文通过图像处理、深度学习等技术对芯片表面图像进行处理分析，实现准确的缺陷检测，具体研究工作如下:
首先，针对芯片图像相似度高、拼接错位的问题，通过透射成像与芯片结构造成的亮度差异实现了图像的准确配准，并通过将矩形边框作为匹配模板提高了配准速度，配准时间由1279ms降低到202ms;通过Mask匀光法与直方图规定化消除了亮度不均，并进一步增强了被阴影遮盖的细节，有效避免了阴影对缺陷检测产生的影响。
其次，利用Yolact++网络检测芯片表面已知缺陷，基于差分进化算法设计anchor，通过Focal优化目标提升了细长缺陷的检测效果;进一步针对FPN的不同层级设计了不同的anchor，以较少的参数量实现了更好的检测效果，尤其是芯片表面的纤维、割划等细长缺陷，效果提升了11.36％，缺陷预测AP50达到了93.59％。
最后，针对未知缺陷的检测提出了一种多任务学习方法，该多任务网络通过两个分支的任务分别提高网络提取特征的描述性与紧凑性，能够有效区分异常与正常样本;针对一类分类器构建时的样本平衡问题，提出了基于超像素分割与聚类算法的均匀采样方案，能够有效平衡芯片不同结构样本的比例，避免了稀少结构被误检为缺陷的问题;通过多任务网络与一类分类器，实现了对未知缺陷的有效检测，AUC达到了0.9381。
本文通过机器视觉、深度学习等技术手段实现了已知缺陷与未知缺陷的有效检测，为后续芯片处理与使用提供指导，避免了缺陷对实验与诊断的干扰，具有较高的应用价值。