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！

龙图腾网获悉西安电子科技大学申请的专利一种基于改进卷积变分自编码器的芯片表面缺陷并行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：CN114463280B 。

龙图腾网通过国家知识产权局官网在2025-08-22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：202210029841.X，技术领域涉及：G06T7/00；该发明授权一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法是由任获荣;马振;韩健;平续斌;焦小强;张志新设计研发完成，并于2022-01-12向国家知识产权局提交的专利申请。

本一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法在说明书摘要公布了：本发明公开了一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法，改善了现有技术中芯片表面缺陷检测仍须智能化的问题。该发明含有以下步骤，步骤1，芯片图像采集与预处理；步骤2，构建并训练改进的卷积变分自编码器；步骤3，对待测芯片进行实时缺陷检测。本发明对传统的变分自编码器进行了部分改进，仅使用正常样本进行无监督训练，无需有标注的缺陷样本数据，就能够检测出与正常样本相异的所有缺陷，减少了人力物力，同时该方法将原始图像分解成多个子图像后并行处理，可以高效快速低成本地对芯片表面进行各类缺陷检测。

本发明授权一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法在权利要求书中公布了：1.一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法，其特征在于：含有以下步骤， 步骤1，芯片图像采集与预处理； 步骤2，构建并训练改进的卷积变分自编码器；包含以下步骤： 步骤2.1、构建改进的卷积变分自编码器网络，该网络由一个编码器和一个解码器构成： 设置编码器包含有五个卷积子模块，每个卷积子模块均由两个全卷积层和一个最大池化层构成，用于卷曲图像特征并减少参数数量，解码器结构含有与编码器完全对称的结构，将卷积层变为转置卷积层，最大池化层变为最大反池化层，在编码器和解码器的各个卷积子模块之间，加入自注意力模块CBAM和深度连接注意力网络模块DCAnet进行连接，其中CBAM模块又包含有通道注意力子模块CAM和空间注意力子模块SAM； 步骤2.2、训练卷积变分自编码器： 在训练阶段将采集到的正常芯片表面图像输入改进的卷积变分自编码器网络中，使用交叉熵损失作为重构损失，并计入为损失函数中的一项，计算方式如下：Loss1＝||x'-x||2其中x'表示重构图像数据，x表示输入图像数据；同时，为了将编码器正则化，使用KL散度作为损失函数的另一项，Loss2＝KLNμ,σ2|N0,1，其中Nμ,σ2为输入图像数据在低维潜在空间表示中隐变量的正态分布，显然均值μ,方差σ2为该隐变量的特征参数，N0,1为标准正态分布，该过程总的损失函数则为Loss＝Loss1+Loss2，而另一编码器E2的网络结构与编码器E1完全一致； 步骤3，对待测芯片进行实时缺陷检测；包含以下步骤：实时采集工业生产线上的待测芯片表面图像，将采集到的待测芯片图像同样分解为NxN个像素为SxT大小相同的图像，创建多个图像检测任务，为每个图像检测任务创建一个线程，多个线程并行处理图像缺陷检测任务，将实时采集的芯片表面图像分别输入检测网络中的编码器E1和编码器E2，以便编码器E1提取出正常芯片表面图像的显著特征，且该特征用低维潜在空间表示C1，并用经解码器D1生成重构图像； 当输入的芯片表面图像Q1存在缺陷时，网络模型中的编码器E2会提取出缺陷图像特征，并获得该图像的低维潜在空间特征表示C2，记||C1-C2||为芯片表面缺陷异常分数得分值之一，卷积变分自编码器网络模型中与编码器E2相连接的解码器D1在生成重构图像的过程中能够自动去除缺陷特征，而保留正常特征；于是将缺陷芯片的重构图像Q2与输入的缺陷芯片表面图像Q1相减得到残差图，残差图含有的信息不仅能够判定待测芯片是否存在缺陷而且能够标定出缺陷位置，将残差图进行数字化处理得到其具体数值表示||Q1-Q2||记为另一缺陷得分值，将上述两个缺陷得分值进行加权求和，于是获得最终的异常得分值的计算公式M＝λ1||C1-C2||+λ2||Q1-Q2||，将该异常得分值值与设定的阈值进行比较，超过阈值则认定为存在缺陷，并利用残差图标定缺陷。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2号西安电子科技大学北校区；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”。