面向芯片微弱缺陷检测的随机小波特征学习方法及系统

本发明涉及信号处理与智能检测，尤其涉及一种面向芯片微弱缺陷检测的随机小波特征学习方法及系统。

背景技术：

1、随着半导体制造技术的飞速发展，先进芯片的封装结构日趋复杂，集成度不断提升。这导致生产过程中出现的缺陷类型愈发多样，缺陷尺度持续向微纳级别缩减，对检测技术的灵敏度和准确性提出了极高要求。在实际生产环境中，通过超声激励等方式采集的芯片振动响应信号，不仅包含反映结构状态的缺陷特征，还不可避免地受到材料本征噪声、传感器噪声及环境干扰的叠加影响，致使信号普遍表现出低信噪比和特征混叠的特点。微弱缺陷的响应信号往往淹没在强噪声背景中，且不同类型缺陷的特征在时频域上高度重叠，难以有效分离与辨识，这使得高精度、高可靠性的芯片在线缺陷检测成为一项严峻的技术挑战。

2、目前，针对芯片缺陷检测的技术路线主要可分为两大类：基于信号分解的传统分析方法和基于数据驱动的融合学习方法。

3、基于信号分解的方法通常遵循“先降噪后分析”的范式。其核心思想是将观测信号在预设或自适应的基函数（如小波基、经验模态分解的imf分量等）上进行分解，通过抑制或剔除与噪声相关的成分，从而增强和提取出隐含的缺陷特征。典型技术包括小波阈值去噪、变分模态分解（vmd）以及稀疏表示等。这类方法具有较好的物理可解释性，其处理过程与信号的内在机理联系紧密。然而，它们通常需要多步骤的串联处理（如分解、分量选择、特征计算等），流程较为繁琐，且各步骤的参数设定与分量筛选往往严重依赖于领域专家的先验知识与经验，泛化能力有限。在面对不同芯片类型、不同封装工艺时，难以实现稳定、高效的端到端自动化分析。

4、基于融合学习的方法属于数据驱动范畴，通常包含特征提取与模式识别两个关键环节。根据特征获取方式的不同，可进一步细分为基于手工特征的方法和基于自动特征的方法。前者依赖于信号处理领域知识，人工设计和提取信号的时域、频域或时频域统计特征（如峰值、峭度、频谱能量等），然后结合支持向量机（svm）、随机森林等传统机器学习模型进行分类。这种方法自动化程度低，特征设计的完备性与判别力直接决定最终性能上限，且难以应对复杂多变的缺陷模式。后者则以深度学习为代表，尤其是卷积神经网络（cnn），通过多层非线性变换自动从原始信号或其变换中学习层次化的特征表示，并完成端到端的缺陷分类。只要网络结构足够深（如resnet、densenet等）且训练数据充足，深度学习模型能够学习到从含噪信号到缺陷类别的复杂映射，展现出强大的特征表征能力。但是，这种强大能力是以高昂的计算成本为代价的：深度模型通常参数量巨大，训练过程需要海量数据和强大的gpu算力支持，推理时也消耗较多内存与时间。尽管模型压缩、剪枝等技术能在一定程度上缓解此问题，但其开发与部署仍对计算资源有较高要求，难以直接适配资源受限的工业在线检测场景。

5、综上所述，现有技术存在明显的矛盾与局限：传统的信号处理方法虽物理意义清晰，但自动化程度低、流程复杂、效率不佳；而基于深度学习的自动方法虽能实现端到端学习，却模型复杂、计算开销大、可解释性弱，且对训练数据和算力资源依赖严重。因此，如何在保持方法良好物理可解释性和适应性的同时，显著降低模型的复杂度与计算资源消耗，实现高效、精准的芯片微弱缺陷在线检测，已成为本领域亟待解决的关键技术问题。

技术实现思路

1、为此，本发明实施例提供了一种面向芯片微弱缺陷检测的随机小波特征学习方法及系统，用于解决现有技术中深度检测模型参数复杂、计算成本高、对微弱缺陷特征提取能力不足以及在低信噪比环境下鲁棒性差的问题。

2、为了解决上述技术问题，本发明实施例提供一种面向芯片微弱缺陷检测的随机小波特征学习方法，该方法包括：

3、s1：获取在外部激励作用下待测芯片的振动响应信号，构建带标签的缺陷信号数据集；

4、s2：对所述数据集中的原始信号进行多阶差分处理，生成包含原始信号及至少一阶差分信号的多通道输入信号；

5、s3：对所述多通道输入信号进行归一化处理；

6、s4：随机小波核特征提取：针对每个通道的归一化信号，执行以下操作：

7、s41：从包含多种类型的小波基函数库中，随机生成多个具有不同尺度参数的小波核；

8、s42：将所述归一化信号与所述随机生成的小波核进行卷积运算，得到原始特征响应；

9、s43：对所述原始特征响应进行统计特征提取，得到低维统计特征向量；

10、s44：将所述低维统计特征向量输入可学习的余弦池化层进行非线性变换，生成高层特征表示；所述可学习的余弦池化层通过可训练的参数自适应调整余弦函数的频率与相位；

11、s5：将不同通道经步骤s4提取得到的高层特征表示进行拼接，形成融合特征；

12、s6：将所述融合特征输入轻量化分类网络进行处理，所述分类网络至少包括分组多尺度自适应注意力机制，用于对不同来源通道的特征组进行差异化的通道注意力加权；

13、s7：基于所述分类网络的输出，获得芯片缺陷的分类结果。

14、优选地，步骤s2中所述多阶差分处理，具体包括生成0阶、1阶和2阶差分信号，所述0阶差分信号即为所述原始信号。

15、优选地，步骤s41中，所述小波核的类型包括morlet小波、hermitian小波、laplace小波和harmonic小波中的至少一种；所述小波核的参数包括缩放因子a、平移因子b和衰减因子ζ，其中缩放因子a在预设范围内均匀随机采样，平移因子b在预设范围内均匀随机采样，衰减因子ζ从预设的离散值集合中随机选择。

16、优选地，步骤s42中，所述卷积运算为带膨胀因子的随机卷积，其运算定义为：

17、；

18、其中，为小波核权重向量，为输入信号，为小波核长度，为膨胀因子，为偏置项，为求和索引，为输出序列的位置索引，为在输出位置的卷积响应值；所述膨胀因子根据小波核长度与输入信号长度自适应确定，以实现多尺度特征提取。

19、优选地，步骤s43中，所述统计特征提取操作仅针对所述原始特征响应中大于零的部分进行，所提取的统计特征包括：正值比例、最长正值连续区间比例、全局正值均值以及基于正值比例归一化的局部正值均值中的至少两种。

20、优选地，步骤s44中，所述可学习的余弦池化层的变换函数为：

21、；

22、其中，为输入的特征向量，和分别为可学习的频率缩放因子向量和相位偏移参数向量，表示逐元素相乘，为变换函数。

23、优选地，步骤s6中，所述分组多尺度自适应注意力机制的具体实现包括：

24、将所述融合特征按来源通道划分为多个特征子组；

25、针对每个特征子组，根据其通道数量自适应确定一维卷积核的大小；

26、使用所述确定的一维卷积核对各特征子组分别进行卷积，并经sigmoid函数激活，生成各子组的注意力权重向量；

27、将所有子组的注意力权重向量进行拼接，并与原始的融合特征进行逐通道相乘，实现特征重加权。

28、优选地，步骤s6中，所述轻量化分类网络还包括分类头模块，所述分类头模块依次包括第一全连接层、relu6激活函数和第二全连接层，所述第二全连接层的输出维度等于缺陷类别数。

29、优选地，还包括模型训练步骤：使用所述缺陷信号数据集对所述轻量化分类网络进行训练，采用交叉熵损失函数和adam优化器，并应用学习率衰减策略优化网络参数。

30、本发明实施例还提供了一种面向芯片微弱缺陷检测的随机小波特征学习系统，该系统用于实现上述所述的面向芯片微弱缺陷检测的随机小波特征学习方法，具体包括：

31、数据获取与预处理模块，用于获取在外部激励作用下待测芯片的振动响应信号，构建带标签的缺陷信号数据集；

32、信号动态层次构建模块，用于对所述数据集中的原始信号进行多阶差分处理，生成包含原始信号及至少一阶差分信号的多通道输入信号；

33、信号归一化模块，用于对所述多通道输入信号进行归一化处理；

34、随机小波核特征提取模块，用于随机小波核特征提取：针对每个通道的归一化信号，执行以下操作：

35、从包含多种类型的小波基函数库中，随机生成多个具有不同尺度参数的小波核；

36、将所述归一化信号与所述随机生成的小波核进行卷积运算，得到原始特征响应；

37、对所述原始特征响应进行统计特征提取，得到低维统计特征向量；

38、将所述低维统计特征向量输入可学习的余弦池化层进行非线性变换，生成高层特征表示；所述可学习的余弦池化层通过可训练的参数自适应调整余弦函数的频率与相位；

39、特征融合模块，用于将不同通道经随机小波核特征提取模块提取得到的高层特征表示进行拼接，形成融合特征；

40、轻量化分类网络模块，用于将所述融合特征输入轻量化分类网络进行处理，所述分类网络至少包括分组多尺度自适应注意力机制，用于对不同来源通道的特征组进行差异化的通道注意力加权；

41、缺陷识别与输出模块，用于基于所述分类网络的输出，获得芯片缺陷的分类结果。

42、从以上技术方案可以看出，本发明申请具有以下有益效果：

43、（1）本发明采用参数随机化的小波核卷积与仅关注正值响应的统计特征提取（如ppv、lspv）相结合的策略。随机小波核提供了丰富多样的特征匹配模板，而基于统计的特征压缩能够有效抑制随机噪声的干扰，聚焦于与小波模式显著相关的信号成分。同时，可学习的余弦池化和分组多尺度注意力机制进一步增强了特征表达的判别力和稳定性。实验表明，在-5db的低信噪比强噪声环境下，本方法仍能保持98.07%的高检测准确率，显著优于传统方法，特别适用于实际工业场景中信号质量不理想的挑战。

44、（2）本发明通过单层随机卷积替代了深度神经网络中多层的堆叠计算，大幅减少了可训练参数的数量和前向推理的计算量。特征提取阶段的参数大部分为随机生成且固定，仅需优化后续轻量化网络中的少量参数（如余弦池化的、）。整个模型结构精简，在保证性能的同时，模型推理时间仅为6.72秒。这种低计算负载的特性使其能够高效运行于边缘计算设备或嵌入式平台，满足生产线对实时在线检测与资源受限部署的迫切需求。

45、（3）本发明深度融合了信号处理先验知识与数据驱动学习。随机小波核本身具有明确的时频物理意义（如morlet小波对瞬态振荡的匹配），统计特征（如ppv反映匹配比例，lspv反映持续特性）可直接关联信号与缺陷的物理机理。这使得模型决策过程更为透明，有助于工程师理解和信任检测结果。此外，随机小波核的生成不依赖于特定数据集，可学习的结构（如余弦池化、注意力）具有自适应性，使得该方法能够相对容易地迁移到其他类型的机械振动故障诊断或微弱信号检测任务中，具有良好的泛化潜力。