基于神经网络的Mini/Micro LED自动光学检测算法研究

作     者：张呈恺 

作者单位：西安电子科技大学 

学位级别：硕士

导师姓名：蔡觉平

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080901[工学-物理电子学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081104[工学-模式识别与智能系统] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 0835[工学-软件工程] 0803[工学-光学工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：Mini LED Micro LED 神经网络 自动光学检测 

摘      要：LED(Light-Emitting Diode)是一种性能优异的发光半导体器件,缩小化的Mini LED与Micro LED可以用于高分辨率小型化的显示面板,相比传统的LCD与OLED显示技术,基于Mini/Micro LED的显示面板功耗低,像素响应速度快,使用寿命长,是未来消费电子领域显示技术的热门候选。自动光学检测是LED生产制造中必不可少的工艺环节,传统自动光学检测算法对Mini/Micro LED检测的准确率差,计算效率低,难以并行加速,严重制约了Mini/Micro LED的产能。本文使用基于神经网络的目标检测模型实现Mini/Micro LED检测并对模型进行改进优化,提高Mini/Micro LED自动光学检测算法的准确率和计算效率。本文主要工作内容如下:1、结合Mini/Micro LED自动光学检测的应用场景和卷积神经网络算法的工作机制,提出使用基于卷积神经网络的目标检测模型实现Mini/Micro LED自动光学检测的方案。该方案使用的目标检测模型由三个不同的部分组成,分别为特征提取网络、特征融合网络和分类回归网络。特征提取网络是提取LED晶片的特征信息的主干部分,特征融合网络会将不同维度和大小的特征信息进行融合,分类回归网络最后使用这些特征信息进行LED晶片进行分类和定位。本文使用生产线上获得的7种类型不同、尺寸大小不同的LED图像对该模型进行训练,实现前后处理算法,完成自动光学检测功能。最后对该算法进行实验分析,验证了基于卷积神经网络的自动光学检测算法比传统自动光学检测算法拥有更高准确率和计算效率。2、根据基于卷积神经网络的自动光学检测算法实验分析得出的问题,本文设计了对目标检测模型的改进方案。在模型结构上,本文引入自注意力机制,在特征融合网络中使用Transformer结构部分替代原有的卷积结构提高模型对小尺寸、高密度目标的检测能力;在训练上,本文使用基于Wasserstein距离的度量方法计算目标预测框位置损失,提高模型对小目标检测的训练效果;针对Mini/Micro LED图像的特点,裁剪了对LED检测不必要的网络结构,减少后处理的数据量,提高算法的计算效率。使用相同方法对改进后的模型进行训练,完成自动光学检测功能。经过实验分析,验证了改进后的模型提高了自动光学检测算法对小尺寸、高密度LED检测的准确率,进一步降低了算法的计算耗时。