基于多模态特征融合的VCSEL芯片退化评估方法

本发明涉及半导体器件检测，尤其涉及一种基于多模态特征融合的vcsel芯片退化评估方法。

背景技术：

1、垂直腔面发射激光器（vcsel）芯片因其结构紧凑、阈值电流低、发光光斑质量好以及易于阵列化集成等优点，被广泛应用于光通信、三维传感、激光雷达及消费电子等领域。在实际生产和应用过程中，vcsel芯片在制造工艺波动、封装应力以及长期工作应力等因素作用下，容易产生不同形式的性能退化，从而影响器件的一致性、稳定性和使用寿命。因此，对vcsel芯片的退化程度进行有效评估，对提升产品可靠性和降低失效率具有重要意义。

2、现有技术中，vcsel芯片的退化评估通常依赖于电学参数或光学参数的测试结果，例如阈值电流、输出光功率、斜率效率等指标。该类方法能够反映芯片整体性能的变化趋势，但在实际应用中存在一定局限性：一方面，在退化早期阶段，部分退化主要表现为非辐射复合中心增加或局部材料性能变化，上述电学或光学参数的变化幅度较小，难以及时反映芯片的退化状态；另一方面，当退化区域位于发光孔外围、腔体边缘或电极接触区域时，其对整体电学或光功率参数的影响有限，容易导致误判或漏判。随着成像检测技术的发展，基于vcsel发光图像的退化检测方法逐渐被应用，通过采集芯片的近场或远场发光图像，可以获得光斑形态、空间分布不均匀性以及局部异常等信息，从而对部分结构性退化特征进行识别。然而，该类方法同样存在不足，在退化初期或成像噪声较大的情况下，发光图像特征变化不明显，难以准确地反映芯片的真实退化程度。

3、由此可见，现有技术针对vcsel芯片的退化评估方法均存在对特定退化机理敏感性不足的问题，难以全面、稳定地表征芯片在不同退化位置和不同退化阶段下的状态。因此，亟需一种能够提升退化评估准确性和稳定性的技术方案。

技术实现思路

1、为克服现有vcsel芯片退化评估方法存在的特定退化机理敏感性不足的技术问题，本发明提出一种基于多模态特征融合的vcsel芯片退化评估方法。

2、本发明提供的基于多模态特征融合的vcsel芯片退化评估方法，包括如下步骤：

3、s1.获取待评估芯片的多模态原始数据，所述多模态原始数据包括图像原始数据和光电原始数据；

4、s2.对所述图像原始数据进行标注和预处理，得到图像处理数据；将所述图像处理数据输入神经网络进行特征提取，得到用于表征芯片发光形态及空间分布特性的图像特征信息；

5、从所述光电原始数据中提取退化敏感参数；对所述退化敏感参数进行归一化和标准化处理，得到光电处理数据；将所述光电处理数据输入多层感知机进行特征提取，得到用于表征芯片电学性能状态和光学性能状态的参数特征信息；

6、s3.分别对所述图像特征信息和所述参数特征信息进行退化评估，生成中间评估参数；所述中间评估参数包括图像模态退化指标和光电退化指标；

7、s4.将所述中间评估参数进行特征拼接形成多模态联合特征；将所述多模态联合特征输入融合网络，得到融合特征；

8、s5.将所述融合特征输入退化回归层，输出用于表征芯片退化程度的评估结果。

9、进一步的，步骤s1中，所述图像原始数据包括待评估芯片的可见光表面图像和红外发光图像；所述光电原始数据包括待评估芯片的电流、电压、输出光功率以及发射波长中的至少一种。

10、进一步的，步骤s2中，所述神经网络为卷积神经网络，所述卷积神经网络包括卷积层、多尺度卷积模块和全局池化层；所述卷积层用于对所述图像处理数据进行卷积处理，提取光斑纹理、边缘结构及退化区域信息，生成卷积数据；所述多尺度卷积模块用于对所述卷积数据进行多尺度卷积处理，提取局部退化纹理特征和大范围亮度分布特征，生成特征图；所述全局池化层用于对所述特征图进行全局池化操作，得到图像特征信息。

11、进一步的，步骤s2中，所述退化敏感参数包括阈值电流变化率、输出功率下降比例、斜率效率变化和光谱漂移量中的至少一种。

12、进一步的，步骤s2中，所述多层感知机包括输入层、第一全连接层、第二全连接层和输出层；所述输入层用于接收所述光电处理数据；所述第一全连接层用于对所述光电处理数据进行全连接加权及偏置处理，并通过relu激活函数进行非线性变换，生成第一隐层特征；所述第二全连接层用于对所述第一隐层特征进行全连接加权及偏置处理，并通过relu激活函数进行非线性变换，生成第二隐层深度特征；所述输出层用于将所述第二隐层深度特征输出为所述参数特征信息。

13、进一步的，步骤s3中，所述图像模态退化指标的生成过程为：对所述图像特征信息进行全局平均池化处理以压缩空间维度，并生成图像高级语义向量；对所述图像高级语义向量进行线性映射处理，生成所述图像模态退化指标。

14、进一步的，步骤s3中，所述光电退化指标的生成过程为：对所述参数特征信息进行线性映射处理，生成所述光电退化指标。

15、进一步的，步骤s4中，所述融合网络包括全连接层、非线性激活层和随机失活层；所述全连接层用于对所述多模态联合特征进行特征映射，得到融合映射特征；所述非线性激活层用于对所述融合映射特征进行非线性变换，得到融合激活特征；所述随机失活层用于对所述融合激活特征进行随机失活处理以实现正则化，得到融合特征。

16、进一步的，步骤s5中，所述退化回归层用于对所述融合特征进行加权及偏置处理，输出评估结果。

17、进一步的，所述评估结果的取值范围为0至1，其中0表示待评估芯片处于健康状态，1表示待评估芯片处于极限退化状态。

18、本发明提供的基于多模态特征融合的vcsel芯片退化评估方法与现有技术相比具有如下优点：

19、1）本方法通过获取待评估芯片的多模态原始数据，将图像原始数据与光电原始数据相结合，能够从空间分布特征和电学光学性能两个维度对vcsel芯片的退化状态进行综合表征，克服了单一检测手段对特定退化机理敏感性不足的问题，实现了对不同退化位置和不同退化阶段下芯片状态的全面评估；

20、2）本方法在融合之前，先分别对图像特征信息和参数特征信息进行独立的退化评估生成中间评估参数，使得每种模态的退化信息能够被充分挖掘，避免了直接融合原始特征时因模态间差异较大而导致的特征冲突或信息丢失问题，提升了融合效果和评估准确性；

21、3）本方法通过对中间评估参数进行特征拼接并输入融合网络进行深度融合，能够有效整合图像模态和光电模态的互补信息，使得在退化早期阶段即使单一模态特征变化不明显，也能通过多模态联合分析获得可靠的退化评估结果，提高了退化评估的准确性和稳定性。

1.一种基于多模态特征融合的vcsel芯片退化评估方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于多模态特征融合的vcsel芯片退化评估方法，其特征在于，步骤s1中，所述图像原始数据包括待评估芯片的可见光表面图像和红外发光图像；所述光电原始数据包括待评估芯片的电流、电压、输出光功率以及发射波长中的至少一种。

3.根据权利要求1所述的基于多模态特征融合的vcsel芯片退化评估方法，其特征在于，步骤s2中，所述神经网络为卷积神经网络，所述卷积神经网络包括卷积层、多尺度卷积模块和全局池化层；所述卷积层用于对所述图像处理数据进行卷积处理，提取光斑纹理、边缘结构及退化区域信息，生成卷积数据；所述多尺度卷积模块用于对所述卷积数据进行多尺度卷积处理，提取局部退化纹理特征和大范围亮度分布特征，生成特征图；所述全局池化层用于对所述特征图进行全局池化操作，得到图像特征信息。

4.根据权利要求1所述的基于多模态特征融合的vcsel芯片退化评估方法，其特征在于，步骤s2中，所述退化敏感参数包括阈值电流变化率、输出功率下降比例、斜率效率变化和光谱漂移量中的至少一种。

5.根据权利要求1或4所述的基于多模态特征融合的vcsel芯片退化评估方法，其特征在于，步骤s2中，所述多层感知机包括输入层、第一全连接层、第二全连接层和输出层；所述输入层用于接收所述光电处理数据；所述第一全连接层用于对所述光电处理数据进行全连接加权及偏置处理，并通过relu激活函数进行非线性变换，生成第一隐层特征；所述第二全连接层用于对所述第一隐层特征进行全连接加权及偏置处理，并通过relu激活函数进行非线性变换，生成第二隐层深度特征；所述输出层用于将所述第二隐层深度特征输出为所述参数特征信息。

6.根据权利要求1所述的基于多模态特征融合的vcsel芯片退化评估方法，其特征在于，步骤s3中，所述图像模态退化指标的生成过程为：对所述图像特征信息进行全局平均池化处理以压缩空间维度，并生成图像高级语义向量；对所述图像高级语义向量进行线性映射处理，生成所述图像模态退化指标。

7.根据权利要求1所述的基于多模态特征融合的vcsel芯片退化评估方法，其特征在于，步骤s3中，所述光电退化指标的生成过程为：对所述参数特征信息进行线性映射处理，生成所述光电退化指标。

8.根据权利要求1所述的基于多模态特征融合的vcsel芯片退化评估方法，其特征在于，步骤s4中，所述融合网络包括全连接层、非线性激活层和随机失活层；所述全连接层用于对所述多模态联合特征进行特征映射，得到融合映射特征；所述非线性激活层用于对所述融合映射特征进行非线性变换，得到融合激活特征；所述随机失活层用于对所述融合激活特征进行随机失活处理以实现正则化，得到融合特征。

9.根据权利要求1所述的基于多模态特征融合的vcsel芯片退化评估方法，其特征在于，步骤s5中，所述退化回归层用于对所述融合特征进行加权及偏置处理，输出评估结果。

10.根据权利要求9所述的基于多模态特征融合的vcsel芯片退化评估方法，其特征在于，所述评估结果的取值范围为0至1，其中0表示待评估芯片处于健康状态，1表示待评估芯片处于极限退化状态。