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！

龙图腾网获悉苏州鸿鹄骐骥电子科技有限公司;西安电子科技大学申请的专利基于信息熵卷积神经网络的芯片表面缺陷识别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：CN116452919B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202310425614.3，技术领域涉及：G06V10/774；该发明授权基于信息熵卷积神经网络的芯片表面缺陷识别方法是由褚洁;王宇翔;张呈恺;温凯林;李天红;孔亮;张靖晨;蔡觉平设计研发完成，并于2023-04-20向国家知识产权局提交的专利申请。

本基于信息熵卷积神经网络的芯片表面缺陷识别方法在说明书摘要公布了：本发明涉及图像处理技术，一种基于信息熵卷积神经网络的芯片表面缺陷识别方法，构建数据集：利用芯片生产工艺获得芯片所属的预设类别，利用可见光成像设备拍照采集芯片样本晶圆表面的光学图像，以构建数据集，划分训练集和测试集，构建卷积神经网络初始模型并训练：将训练集的图像输入卷积神经网络初始模型中，以交叉熵损失函数作为优化目标进行训练，以获得卷积神经网络中间模型，构建信息熵卷积神经网络初始模型，训练信息熵卷积神经网络初始模型，芯片表面缺陷识别：将所属数据集中的测试集的图像输入信息熵卷积神经网络最终模型中，由输出层输出识别结果，以此方式完成芯片表面缺陷识别。

本发明授权基于信息熵卷积神经网络的芯片表面缺陷识别方法在权利要求书中公布了：1.一种基于信息熵卷积神经网络的芯片表面缺陷识别方法，其特征在于，该方法包括以下： 1构建数据集：利用芯片生产工艺获得芯片所属的预设类别，利用可见光成像设备拍照采集芯片样本晶圆表面的光学图像，以构建数据集，划分训练集和测试集： 2构建卷积神经网络初始模型并训练：构建包括输入层、卷积层、下采样层、激活层、全连接层和输出层的卷积神经网络初始模型，所述输入层、卷积层、下采样层、激活层、全连接层和输出层依次设置，所述卷积层、下采样层和激活层均为多个，并且交替设置，将步骤1中构建的数据集的训练集的图像输入卷积神经网络初始模型中，以交叉熵损失函数作为优化目标进行训练，以获得卷积神经网络中间模型； 3构建信息熵卷积神经网络初始模型：在步骤2获得的卷积神经网络中间模型的基础上，增加以信息熵为指导的特征融合模块，以信息熵为指导的特征融合模块包括确定引入的边缘信息和纹理信息，使用特征熵一致性选择待融合的特征和使用全局注意力机制进行特征融合，特征熵一致性是特征图信息熵的方差，构建信息熵卷积神经网络的初始模型； 4训练信息熵卷积神经网络初始模型：将步骤1中构建的数据集中的训练集的图像输入步骤3构建的信息熵卷积神经网络初始模型中，以梯度加权的交叉熵损失函数为优化目标进行训练，以获得信息熵卷积神经网络最终模型；梯度加权的交叉熵损失函数，具体为： 提取步骤2中卷积神经网络中间模型，以交叉熵损失函数为优化目标提取该模型反向传播的梯度gce： 将步骤1中数据集的训练集中所有样本在步骤2中卷积神经网络中间模型中进行推理，以交叉熵损失函数为优化目标进行反向传播时以获得梯度集合Gradce，将区间[0,1]划分为m个等长梯度子区间，统计梯度集合中梯度的绝对值|gce|落在第g1≤g≤m个梯度子区间的梯度个数ug，计算每个梯度子区间内的梯度平均个数单个样本s的梯度所在梯度子区间为gs，该区间的梯度个数为则样本s的梯度加权因子αs: 单个样本s的梯度加权的交叉熵损失losswce计算为： 其中，yi为样本标签的第i个分量，a是特征描述符z经过softmax函数后的结果，ai为a的第i个分量； 5芯片表面缺陷识别：将步骤1中构建的数据集中的测试集的图像输入步骤4获得的信息熵卷积神经网络最终模型中，经过卷积层、下采样层、激活层、特征融合模块和全连接层完成图像的特征提取，由输出层输出识别结果，以此方式完成芯片表面缺陷识别。

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苏州鸿鹄骐骥电子科技有限公司;西安电子科技大学，其通讯地址为：215008 江苏省苏州市姑苏区苏站路锦堂街8号0800室(B20)；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”。

以上内容由龙图腾AI智能生成。