买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中关村芯园(北京)有限公司申请的专利一种芯片缺陷视觉检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119515875B 。

龙图腾网通过国家知识产权局官网在2025-09-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411937952.6，技术领域涉及：G06T7/00；该发明授权一种芯片缺陷视觉检测方法是由吴凡;程镜亮;孟捷设计研发完成，并于2024-12-26向国家知识产权局提交的专利申请。

本一种芯片缺陷视觉检测方法在说明书摘要公布了：本发明公开了一种芯片缺陷视觉检测方法，涉及芯片缺陷检测技术领域，本发明，通过多角度拍摄策略和自适应光学调整机制，在图像采集阶段实现对光路偏差的实时校正，增强图像数据的全面性和一致性在去噪阶段，同时引入基于卷积自编码器CAE的深度去噪网络，学习无噪图像的特征分布，针对性地去除采集图像中的随机噪声，同时保留焊点区域的重要细节特征，增强阶段结合自适应增强技术和直方图均衡化优化低对比度区域，使焊点边缘特性更加突出，显著提升图像的视觉清晰度和特征可见性；在特征提取阶段，采用多尺度卷积网络捕捉焊点裂纹的边缘变化与材料退化的纹理特性，同时通过注意力机制聚焦潜在缺陷区域的细节变化，提高特征提取的精准度和效率。

本发明授权一种芯片缺陷视觉检测方法在权利要求书中公布了：1.一种芯片缺陷视觉检测方法，其特征在于：包括， 步骤S1，通过成像设备采集芯片表面和内部的图像信息； 在采集过程中，采用多角度拍摄策略捕获图像数据，并结合自适应光学调整机制对光路偏差进行校正； 步骤S2，对采集的图像信息进行去噪与增强处理，生成特征图； 在去噪阶段，引入基于卷积自编码器CAE的深度去噪网络，学习无噪图像的特征分布，去除噪声并保留焊点区域细节； 在增强阶段，采用自适应增强技术对低对比度区域进行处理，提升焊点边缘的特性可见性； 步骤S3，利用深度学习模型从特征图中提取焊点区域的微观特性； 步骤S3中，采用多尺度卷积网络捕捉焊点裂纹的边缘变化及材料退化的纹理特性，形成焊点微观特征；同时结合注意力机制，聚焦焊点区域细节变化，将计算资源集中在潜在缺陷部位； 步骤S4，通过分类模型对提取的微观特性进行缺陷分类与判别，确定焊点是否存在疲劳退化其他问题，并生成检测结果； 所述缺陷分类与判别的过程中，在分类模型中引入焊点缺陷对比样本，并对焊点区域进行可视化标注，标注内容包括缺陷位置及其严重程度； 所述通过分类模型对提取的微观特性进行缺陷分类与判别的步骤为， 定义分类模型，模型输入综合特征Fout，通过分类模型预测缺陷类别C，公式为： C＝argmaxσWc·Fout+bc， 其中，C为分类结果，Wc为分类模型的权重矩阵，bc为分类偏置，σ为激活函数， 在分类模型训练过程中引入焊点缺陷的对比样本，优化损失函数Lc，公式为： 其中，Lc为分类损失，N为样本数量，yi表示样本i的真实标签，pi为模型预测的缺陷概率； 所述生成检测结果的步骤为， 通过生成可视化标注图对焊点缺陷进行展示，标注公式为： Ivx,y＝Ix,y+α·Mx,y， 其中，Ivx,y表示叠加标注后的可视化图像，Ix,y为原始图像，Mc,y为缺陷掩膜，α为透明度因子， 标注内容包括缺陷位置及其严重程度，缺陷位置通过掩膜计算： 若x,y属于缺陷区域，则Mx,y＝1，否则Mx,y＝0， 严重程度S定义为缺陷区域面积与焊点总面积之比： S＝缺陷面积焊点总面积； 所述采集芯片表面和内部的图像信息的步骤为， 在采集过程中，定义拍摄角度集合为Θ＝{θ1,θ2,…,θn}，每个拍摄角度对应的图像为Iθi，完整采集图像集合为Iset： Iset＝{Iθ1,Iθ2,…,Iθn}， 其中，θi表示第i个拍摄角度，n表示总的拍摄角度数， 构建光路偏差校正模型，将光路偏差的畸变函数定义为Dx,y,t，描述采集过程中光路偏差引入的像素偏移量，模型公式为： Dx,y,t＝α1x2+α2y2+βt， 其中，x,y为像素点的横纵坐标，t为采集的时间步，α1,α2分别表示横向和纵向的光学畸变系数，β表示时间相关的畸变修正系数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中关村芯园(北京)有限公司，其通讯地址为：100081 北京市海淀区西三环北路甲2号院7号楼10层11室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。