Нейросетевая технология распознавания объектов топологии интегральных микросхем

Рассмотрены методы обработки изображений и распознавания на основе нейронных сетей, ориентированные на применение в системах технического зрения проектирования интегральных микросхем. Представлена структура системы, реализующей нейросетевую технологию распознавания объектов топологии интегральных...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2008
Автор:	Дудкин, А.А.
Формат:	Стаття
Мова:	Російська
Опубліковано:	Інститут проблем штучного інтелекту МОН України та НАН України 2008
Теми:	Распознавание образов. Системы цифровой обработки сигналов и изображений
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/6975
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Нейросетевая технология распознавания объектов топологии интегральных микросхем / А.А. Дудкин // Штучний інтелект. — 2008. — № 3. — С. 296-305. — Бібліогр.: 20 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859619664213049344
author	Дудкин, А.А.
author_facet	Дудкин, А.А.
citation_txt	Нейросетевая технология распознавания объектов топологии интегральных микросхем / А.А. Дудкин // Штучний інтелект. — 2008. — № 3. — С. 296-305. — Бібліогр.: 20 назв. — рос.
collection	DSpace DC
description	Рассмотрены методы обработки изображений и распознавания на основе нейронных сетей, ориентированные на применение в системах технического зрения проектирования интегральных микросхем. Представлена структура системы, реализующей нейросетевую технологию распознавания объектов топологии интегральных микросхем. Methods and algorithms for image processing and recognition based on neural network are considered , that are applied to computer vision systems for CAD of integrated circuits. A structure of a computer vision software system is proposed implemented neural network technology of Object Recognition on Integrated Circuits Layouts.
first_indexed	2025-11-29T01:08:44Z
format	Article
fulltext	«Искусственный интеллект» 3’2008 296 4Д УДК 681.327 А.А. Дудкин Объединенный институт проблем информатики НАН Беларуси, г. Минск, Беларусь doudkin@newman.bas-net.by Нейросетевая технология распознавания объектов топологии интегральных микросхем Рассмотрены методы обработки изображений и распознавания на основе нейронных сетей, ориентированные на применение в системах технического зрения проектирования интегральных микросхем. Представлена структура системы, реализующей нейросетевую технологию распознавания объектов топологии интегральных микросхем. Введение Общая тенденция к повышению уровня интеграции электронных приборов при- водит к уменьшению геометрических размеров электронных компонент. Далее повы- шение сложности электронной продукции и улучшение потребительских свойств самого изделия приводят к тому, что стремительно растет плотность монтажа на печатных платах (ПП), на которых эти компоненты размещаются. Одновременно возрастает и сложность процесса сборки: зачастую в процессе сборочного производства применяются двусторонний поверхностный монтаж, ручная установка компонентов, специальные виды пайки и механической сборки. И хотя производители стремятся к совершенствованию технологии сборки, очень часто бывает трудно уменьшить количество дефектов на схему или плату, поскольку при возрастании сложности изделия и технологии его изготовления катастрофически увеличивается и количество возможных ошибок. Поэтому контроль топологии интегральных микросхем (ИС) и ПП является составной частью жизненного цикла изделия. Сложность объекта контроля диктует необходимость использования различных видов контроля: внутрисхемного, оптического и рентгеновского. Оптимальная тестовая стратегия чаще всего реализуется на основе комбинированного подхода, обеспечи- вающего баланс между такими требованиями, как тестовое покрытие, выявляемость де- фектов, доступ, время внедрения тестирования, время безотказной работы, общая экономия средств и производительность. Однако тенденция такова, что процент схем с тестовым доступом уменьшается. Данное обстоятельство делает актуальным бесконтакт- ное тестирование; в частности, возрастает роль оптического контроля в процессе раз- работки и изготовлении как ИС, так и ПП. Исходными данными для контроля является изображение топологии и описание топологического чертежа, на основании которого с помощью генератора (мультипликатора) это изображение формируется на поверхности фоторезиста или ПП. Вследствие различного рода эффектов и явлений, сопровождающих процесс мультиплицирования, результирующее изображение не является точной масшта- бированной копией оригинала. Искажения вносятся на каждом этапе прохождения данных от оптических устройств до устройств их обработки. При этом наиболее существенные искажения в результирующее изображение вносятся оптическим объективом. В частности, имеют место геометрические искажения с центральной симметрией, обусловленные конструк- Нейросетевая технология распознавания объектов топологии... «Штучний інтелект» 3’2008 297 4Д тивными особенностями самого объектива, а также способом его монтировки. Другой тип искажений связан с конструкцией объектива и проявляется в том, что изображение как бы подвергается фильтрации низкочастотным фильтром. Еще один тип искажений как формы, так и размеров – эффект оптической близости – проявляется при воспроизведении структурных элементов, размеры которых соизмеримы с длиной волны излучения генератора топологии. Помимо оптических искажений имеют место искажения ввода сгенерированного изображения. При автоматизированном определении дефектов на изображениях топологии ИС требуется по некоторым признакам выделять (идентифицировать, распознать) некоторые однородные области изображения, причем, как правило, подобие нечеткое и часто нару- шается. Если образы сильно искажены, то становится слишком трудоемким выделение информативных признаков для эффективной классификации. Этапы предварительной обработки изображения, например фильтрация, сглаживание и скелетизация, позволяют уменьшить влияние искажений на процесс распознавания [1-3]. Тем не менее, при обработке визуальной информации в различных предметных областях имеет место задача распознавания в условиях неполной и нечеткой информации. Наиболее подходят для ее решения нейросетевые технологии. Нейроннная сеть (НС) при этом выступает в роли классификатора. Применение в задачах обработки визуальной информации обосно- вывается также свойством обучаемости или адаптивности НС к новым задачам, при этом сохраняются архитектура сети и алгоритм ее функционирования. Это, в свою очередь, позволяет использовать одну и ту же модель в различных задачах. Существует ряд НС, позволяющих решать задачу распознавания образов с опре- деленной степенью точности [4-7]: многослойный персептрон, сеть радиальной базисной функции, сети АРТ, сети Хопфилда, самоорганизующееся отображение Кохонена. На- иболее подходящим для этой цели является неокогнитрон [8], [9], который представляет собой многоуровневую НС, состоящую из каскадного соединения слоев нейронов. В основе его работы лежит принцип иерархической обработки, обеспечивающий извле- чение инвариантных признаков [9-11]. При этом обработка обычно осуществляется в два этапа: сначала извлекаются признаки, затем достигается их инвариантность простран- ственным объединением. Для любого признака извлекается ряд значений с идентичными размерами рецепторных областей, но распределенными по входному слою. Это достига- ется путем разделения весовых коэффициентов между нейронами одного типа, выделяющими одинаковый признак. Объединение значений активностей соседних нейронов, чувствительных к одному и тому же локальному признаку в различных местоположениях, приводит к отклику на определенный признак, который инвариантен к местным изменениям. Распознаваемый образ подается на входной слой НС и далее послойно обрабатывается последующими ее слоями, при этом нейроны на более глубокого слоя распознают более сложные признаки образа. Для повышения точности иерархического распознавания и увеличения про- изводительности НС исследования проводятся в следующих направлениях: − Модификация правил выделения признаков за счет введения новых дополнительных инвариантов относительно искажений [12], [13]. − Модификация структуры и принципов послойной обработки НС [14]. − Разработка алгоритмов самообучения НС [15-18]. Таким образом, идея заключается в разработке нейросетевых алгоритмов для основных этапов обработки объектов топологии, критичных для принятия решения при распознавании. Концепция нейросетевой обработки и идентификации видеоизобра- жений предполагает использование следующих подходов к обработке изображений топологических слоев ИС: 1) проблемно-ориентированной предварительной обработки, сохраняющей инфор- мационные признаки топологических объектов, что позволяет сократить число связей НС, упростить и ускорить процесс обучения; Дудкин А.А. «Искусственный интеллект» 3’2008 298 4Д 2) выделения (идентификации) объекта на изображении для нейросетевой обра- ботки за счет использования информации об иерархии признаков, что сокращает затраты времени на обработку (осуществляется поиск лишь в идентифицированной области); 3) использования набора классификаторов, в котором по результатам классифи- кации на тестовой выборке производится выбор наилучшей модели классификатора для обработки всех изображений. Как правило, эффективные методы предварительной обработки удается получить с учетом специфики изображения топологического слоя или ФШ. Поэтому предлагаемые методы существенно учитывают особенности изображений, а алгоритмы обработки слоя являются параметрически настраиваемыми, причем шаги каждого алгоритма также могут варьироваться. Основу обработки составляют быстрые алгоритмы вычисления дес- крипторов в различных ортогональных базисах, алгоритмы фильтрации на основе преобразований Уолша, Хаара, Адамара и математической морфологии, которые опи- саны в [19], [20]. В данной же статье рассмотрена нейросетевая реализация второго и третьего подходов, а также представлена структура системы, реализующей нейросетевую технологию распознавания объектов топологии интегральных микросхем. Выделение объекта на изображении Выделение объектов на изображениях слоев – одна из основных задач, которая решается после выполнения сегментации. При производстве фотошаблонов и ИС для выделенных объектов контролируются конструкторско-технологические ограничения (КТО) и определяются их дефекты. Основные требования к алгоритму выделения объек- тов: высокая скорость при обработке больших изображений и низкий процент ошибок при работе с зашумленными изображениями, которые к тому же могут иметь разные уровни яркости. Существуют разные подходы к решению данного класса задач, которые имеют свои достоинства и недостатки. Так, корреляционные методы обладают относи- тельно высокой вычислительной сложностью, к тому же их эффективность существенно снижается при увеличении уровня шумов на анализируемом изображении. Различные уровни яркости также негативно влияют на качество работы корреляционных методов. Алгоритмы, основанные на использовании геометрических признаков, менее чувстви- тельны к вариациям яркости, однако очень чувствительны к уровню шумов. Исполь- зование моментных инвариантов осложняется высокой чувствительностью этих признаков даже к небольшим вариациям формы выделяемых объектов относительно эталонов. В общем случае получение моментных инвариантов связано с большими вычислительными затратами, хотя существуют быстрые алгоритмы, которые можно использовать при определенных условиях. Алгоритмы, основанные на использовании в качестве признаков моментных инвариантов, также теряют свою эффективность при увеличении количества шумов на анализируемом изображении. Алгоритм поиска элементов топологии на основе НС состоит из двух основных этапов: − обучения НС; − сканирования изображения окном, размер которого равен размеру обучающего изображения, и определения по отклику НС, является ли изображение внутри окна элементом. Для поиска элементов топологии разработаны следующие НС: многослойный персептрон, самоорганизующиеся карты Кохонена, неокогнитрон. Многослойный персептрон состоит из множества слоев нейронных элементов, причем доказано, что достаточно трех слоев для создания сколь угодно сложной решающей граничной поверхности в пространстве обучающих образов. Соответ- ственно такая сеть состоит из k нейронов входного слоя, i нейронов скрытого слоя и j нейронов выходного слоя, а также матриц связей wk, i и wi, j. Каноническим методом Нейросетевая технология распознавания объектов топологии... «Штучний інтелект» 3’2008 299 4Д обучения такой сети считается алгоритм обратного распространения ошибки. При построении НС количество нейронов первого слоя определяется в соответствии с количеством параметров (информативных признаков): яркостных значений, семан- тических дескрипторов и рядом дополнительных, таких, как отношение периметра аппроксимирующей окружности к периметру сегмента; отношение площади фоно- вых объектов на сегменте к площади сегмента, образуемого внешним контуром, т.е. к такой площади сегмента, если бы на нем не было фоновых объектов; отно- шение длины выпуклой оболочки сегмента к длине внешнего периметра сегмента, характеризующее выпуклость границы сегмента. Количество нейронов второго слоя определяется эмпирически. Выходной слой имеет один нейрон, активность которого определяет принадлежность µ изображения окна к элементу в виде некоторой функции, значение которой сравнивается с некоторым заданным порогом. НС с радиальной базисной функцией положительно отличается от сетей обратного распространения ошибки в том, что для данной сети не существует проблемы выбора количества скрытых нейронов, так как они определяются количеством групп (кластеров), на которые разбивается пространство обучающих образов при помощи радиальной базисной функции. Сеть на основе радиальной базисной функции состоит из трех слоев нейронов: входного, скрытого и выходного. Причем входной слой обучается на основе радиальной базисной функции, а выходной – на основе алгоритма обратного рас- пространения ошибки. Скрытый слой нейронов полностью связан с линейным выходным слоем, функция активации которого определяется преобразованием Гаусса: ) у exp( 2 2 k k Iv = , где kk CXI −= – евклидово расстояние. Самоорганизующаяся НС Кохонена представляет собой сеть с прямыми связями. В качестве метода обучения используется конкурентное обучение. По мере поступления входных образов на такую сеть посредством обучения происходит раз- биение n-мерного входного пространства на различные области решений, каждой из которых соответствует отдельный нейрон. Самоорганизация таких сетей осуществ- ляется в результате топологического упорядочивания входной информации. При этом соседние наиболее похожие входные образы должны отображаться на соседние нейроны второго слоя. Такие сети функционируют по конкурентному принципу. В соответствии с ним выходное значение нейрона-победителя с номером k равняется единице, а для остальных нейронов равно нулю:    ≠ = == .если,0 ;если,1 )( kj kj SFY jj Номер нейронного элемента-победителя может определяться в соответствии с минимальным евклидовым расстоянием между входным и весовым векторами: 22 22 2 11 )(...)()( jnnjjjj wxwxwxWXD −++−+−=−= ; .min jjk WXD −= Эффективностъ применения нейросетевого метода поиска объектов показана в сравнении с корреляционным методом. Входными данными для тестирования являлись полутоновые фрагменты фотоизображения поликремниевого слоя ИС. Производился поиск двух объектов (варианты 1 и 2). Результаты тестирования (табл. 1) показали, что метод формирования критерия схожести двух изображений с Дудкин А.А. «Искусственный интеллект» 3’2008 300 4Д помощью описанной НС является лучшим по сравнению с методом расчета корреля- ции этих двух изображений. Этот результат был достигнут вследствие того, что НС является инвариантной к искажениям формы и яркости изображения распозна- ваемого объекта, а также требует меньшего количества обучающих образцов для достижения необходимой точности. Таблица 1 – Результаты тестирования Объем обучающей выборки Точность распознавания Корреляционный метод Нейронная сеть Вариант 1 Вариант 2 Вариант 1 Вариант 2 1 63,1 67,4 87,0 89,0 3 72,3 73,6 96,3 97,0 6 81,4 84,2 98,5 99,0 Неокогнитрон содержит следующие элементы: R-слои, S-слои, C-слои, S -подслои, C -подслои, S~ -нейроны, C~ -нейроны, S -связи, C -связи. Архитектура НС показана на рис. 1, где R – это рецепторный слой, его нейроны отвечают за подачу входного изображения в НС; слои S и C обведены тонкой линией, их образуют S~ - и C~ - нейроны соответственно, которые выполняют функцию выделения на изображении таких признаков, как линии, углы, пересечения (они расположены в овалах); S- и C- слои делятся на S - и C -подслои (обведены жирной линией). R S1 C1 S2 C2 Sn Cn Рисунок 1 – Общая архитектура сети S -подслой состоит из S~ -нейронов, которые выделяют один и тот же признак изображения, например линию. Таким образом, S -подслой образует своего рода карту этого признака в предыдущем слое. S~ -нейроны имеют S -связи с модифицируемыми весовыми коэффициентами, которые принимают свои значения во время обучения подслоя. S -связи, идущие от одного S~ -нейрона, образуют в предыдущем слое рецепторное поле, которое можно разделить на P подгрупп в соответствии с количеством C -подслоев в предыдущем слое, т.е. к каждому C -подслою направлена своя подгруппа S -связей. Каждая подгруппа рецепторного поля характеризуется определенным размером и положением в предыдущем подслое. Размер подгруппы рецепторного поля соответствует размеру Нейросетевая технология распознавания объектов топологии... «Штучний інтелект» 3’2008 301 4Д выделяемого признака. Положение рецепторного поля определяется положением S~ - нейрона в S -подслое, т.е. положение рецепторных полей для нейронов из одного S - подслоя отличается только параллельным сдвигом относительно друг друга. Поскольку нейроны из одногоS -подслоя выделяют один и тот же признак, то можно обучить только один нейрон из этого подслоя и использовать его весовые коэффициенты для всех остальных нейронов. S~ -нейрон обучается с помощью функции вычисления динамического среднего: [ ])()1( 1 1)()1( twtu t twtw −+⋅ + +=+ , где t – номер итерации обучения; w – значение весового коэффициента; u – значение активности нейрона на входе обучаемой связи. Функция активации S~ -нейрона соответствует радиальной базисной функции:               −+−+ = ∑ ∑ − = ∈ ∀ N kvwpvnUpvnU knU ClP p Alv ClvCl Sl 1 1 2)),()),((min),(( exp),( , где l – порядковый номер слоя; k – номер обучаемой плоскости; n – двумерный индекс нейрона в k-й плоскости; w – весовой коэффициент связи; v – двухмерное смещение входной связи в подгруппе связей Al; Al – двухмерная величина, характе- ризующая размер рецепторной подгруппы в предыдущем C -подслое; N, p – общее количество входных связей и порядковый номер подслоя, соединенного с обучае- мым нейроном соответственно. Параметр )),((min pvnU Clv + ∀ введен в соотноше- ние с целью исключения в рецепторной подгруппе влияния постоянной составляющей, что необходимо для того, чтобы НС была инвариантна к изменению яркости распознаваемого изображения. ),( knU Cl определяется как 1max( ( , )),SlU n v p− + ,v Dl p P∀ ∈ ∀ ∈ , где l – порядковый номер слоя; p, P – порядковый номер плоскости и множество плоскостей из предыдущего S-слоя соответственно; Dl – двухмерная величина, характеризующая размеры рецепторных подгрупп C~ -нейрона; v – двухмерный индекс связи внутри этих подгрупп. C -подслой состоит из C~ -нейронов, которые обобщают один признак из преды- дущего подслоя. Обобщение означает, что если в рецепторном поле C~ -нейрона обнару- живается хотя бы один активный нейрон, то C~ -нейрон тоже переходит в активное состояние, т.е. выполняется функция ИЛИ нечеткой логики по всему рецепторному полю нейрона и ее значение присваивается выходному сигналу нейрона. Обычно рецепторное поле C~ -нейрона образуется в одном подслое предыдущего слоя либо в нескольких, когда признаки, выделяемые этими подслоями, необходимо объединить, чтобы получить более сложный признак. Например, когда в C -подслое вы- деляется признак перепада яркости, то связи от этого C -подслоя необходимо устанав- ливать с двумя S -подслоями из предыдущих слоев, первый из которых выделяет признак перепада яркого на темный, а второй – с темного на яркий. Положение подгрупп рецепторных полей для C~ -нейрона определяется так же, как и для S~ -нейрона. Дудкин А.А. «Искусственный интеллект» 3’2008 302 4Д НС, которая применялась при экспериментах, содержала слои R, S1, C1 и S2. Размер рецепторного слоя равен размеру образа элемента ИС. S1-слой предназначен для выделения общих признаков, встречающихся у всех элементов ИС, таких, как линейные границы перепадов яркостей различной ориентации. Все подслои этого слоя состоят из нейронов с одинаковыми размерами подгрупп рецепторного поля 4x4 нейрона. Обучающие образы для этих подслоев изображены на рис. 2. Рисунок 2 – Обучающие образы S1-слоя C1-слой предназначен для обобщения признаков, выделяемых в S1-слое, а рецепторные подгруппы его нейронов организованы таким образом, чтобы объединять такие парные признаки, как вертикальные перепады яркости с темного на светлый и со светлого на темный. Эти признаки объединены на рис. 3 горизонтальной прямоугольной скобкой. В результате получаем четыре подслоя в C1-слое. Размер подгрупп рецепторного поля выбран такой, чтобы активность нейронов из этого слоя была инвариантна по отношению к малым сдвигам признаков, выделяемых в предыдущем слое, и составляет поле 2×2. S2-слой предназначен для выделения совокупности признаков, присущих одному конкретному элементу ИС. Поскольку S2-слой формирует выходное значение сети, то он состоит из одного S~ -нейрона, а размеры подгрупп рецепторного поля этого нейрона совпадают с размером C -подслоев из предыдущего слоя. Так как весовые коэффициенты этого нейрона хранят уникальную информацию об искомом изображении, то возможно создание базы данных элементов ИС. Поиск объекта осуществляется следующим образом. 1. Запросить у оператора образцы изображений искомых элементов или загрузить указанную архитектуру из БД. 2. Сформировать архитектуру для поиска элементов на изображении ИС. 3. Сохранить в БД информацию об архитектуре НС ( размер рецепторного слоя и матрицы весовых коэффициентов выходного S~-нейрона). 4. Осуществить поиск элементов на изображении ИС и сформировать файл, содержащий координаты мест расположения указанного элемента. Анализ и классификация С целью улучшения характеристик обработки информации и точности распозна- вания был проведен анализ структуры неокогнитрона и разработана архитектура много- слойной НС, которая реализует многоуровневый процесс распознавания. В основе правила активации нейронов лежит новый метод сравнения матриц яркостей изобра- жений, который позволяет сравнивать матрицы с нечетким позиционированием соответ- ствующих элементов матриц. При этом функция активации определяется формулой Нейросетевая технология распознавания объектов топологии... «Штучний інтелект» 3’2008 303 4Д где n – количество точек в эталонной матрице; x,yw – значения точек в эталонной матрице; x,ya' – значения соответствующих точек на анализируемом изображении,                 ∅=      ∩ ∩      ∅≠      ∩ ∩      = ++ −=−= ++ −=−= ++ −=−= ++ −=−= ++ −=−= ++ −=−= ++ −=−= ++ −=−= .)(max);(min )(max);(min , ;)(max);(min )(max);(min ,0 ' , ...,,;...,, , ...,,;...,, , ...,,;...,, , ...,,;...,, , , ...,,;...,, , ...,,;...,, , ...,,;...,, , ...,,;...,, , ryyrxx RRryRRrx ryyrxx RRryRRrx ryyrxx RRryRRrx ryyrxx RRryRRrx yx ryyrxx RRryRRrx ryyrxx RRryRRrx ryyrxx RRryRRrx ryyrxx RRryRRrx yx ww aaa ww aa a Параметр R – радиус геометрических искажений, определяющий максимально допустимое смещение пикселей эталона на изображении (образе), вычисляется по формуле R = [0,3×1/F], где         += ∑ − == + YX yx h yx h yxh gg YX F ,1 1,1 ,1, ),(111 δ ,         += ∑ − == + 1, 1,1 1,, ),(111 YX yx v yx v yxv gg XY F δ , h yxg , , v yxg , – значения вертикального и горизонтального градиентов в точке (x, y), 1, ( ) ( ); ( , ) 0 в остальных случаях . sign a sign b a bδ ≠ =   В результате применения (1) получаем значения в интервале [ ]0; 2c∈ , где значения [ )0; 1c ∈ говорят об обратной корреляции, значения с = 1 – об отсутствии корреляции, а значения ( ]1; 2c∈ – о прямой корреляции. Метод многоуровневой классификации обеспечивает более устойчивую класси- фикацию изображений благодаря иерархической организации признаков изображения, идентифицируемых классификатором. Уровни иерархии признаков соответствуют уровням классификатора, где каждый признак следующего уровня комбинирует про- странственное расположение признаков предыдущего уровня, формируя более «круп- ный» признак, где на последнем уровне распознается все входное изображение целиком. 2 vh FF F + = , (2) ( ) ( ) ( ) , , , , , , , 2 2 , , , , , , , , , , ' ' 1 , ' ' ' x y x y x y x y x y x y x y x y x y x y x y x y x y x y x y x y x y n w a w a c n w a w n w a a − = +           − −             ∑ ∑ ∑ ∑ ∑ ∑ ∑ (1) Дудкин А.А. «Искусственный интеллект» 3’2008 304 4Д В рассматриваемой здесь постановке задачи распознавания предполагается, что существует набор изображений объектов, в котором каждый объект представлен несколькими изображениями, отличающимися друг от друга. Чтобы сформировать такое множество, разделим все изображения объектов на три множества: обучающее, тестовое для обучения и тестовое. Обучающее множество − это множество изображений объектов, которое формируется как результат алгоритма формирования обучающего множества. Главной характеристикой является его репрезентативность, т.е. достаточность различных представлений объекта на изображении для того, чтобы классификатор смог распознать все остальные возможные вариации представления объекта. Тестовое множество для обучения − это некоторая небольшая часть общего множества изображений, которая используется при формировании обучающего множества. Будем считать, что тестовое множество для обучения является репрезентативным, но в то же время избыточным. Избыточность заключается во включении в множество таких элементов, которые можно исключить из процесса обучения. Тестовое множество − это бóльшая часть общего множества изображений. Теперь для формирования обучающего множества выполняются следующие действия: 1. Выбрать в обучающее множество по одному экземпляру изображений каждого класса из тестового множества для обучения. 2. Произвести обучение. 3. Выполнить распознавание на тестовом множестве для обучения. 4. Добавить в обучающее множество экземпляры изображений каждого класса, которые не были распознаны. 5. Повторить пп. 2 – 4 до тех пор, пока не будет достигнут требуемый уровень распознавания. После построения обучающего множества для каждого слоя решается задача кластеризации входных данных слоя, к которой сводится задача обучения слоя. Поиск лучшей архитектуры НС осуществлялся следующим методом. Для различных вариан- тов архитектуры она обучалась на обучающем множестве, затем тестировалась на тестовом множестве для обучения. По результатам тестов выбиралась лучшая архитек- тура. Чтобы сравнить качество распознавания в целом, проводилось тестирование классификатора, основанного на стандартном корреляционном методе идентификации. Структура нейросетевой системы обработки изображений показана на рис. 3. Человеко- машинный интерфейс Построение НС и обучение Поиск элементов и классификация СУБД БД структур НС Список координат элементов топологии потоки управления потоки данных Изображения топологии Предва- ритель- ная об- работка БД элементов топологии Выделе- ние об- ласти поиска Рисунок 3 – Структура нейросетевой системы Нейросетевая технология распознавания объектов топологии... «Штучний інтелект» 3’2008 305 4Д Заключение Разработанные конкурирующие НС (многослойный персептрон, самоорганизую- щиеся карты Кохонена и их комбинации), а также методы их обучения обеспечивают стабильность и снижение вычислительной сложности процесса обучения при нечеткой информации об объектах топологии. В целом использование предложенных методов при разработке СТЗ позволяет в несколько раз сократить объем вычислительных операций при увеличении достоверности распознавания объектов на изображениях. Литература 1. Гонсалес Р. Цифровая обработка изображений. – М.: Техносфера, 2005. – 1072 с. 2. Абламейко С.В. Обработка изображений: технология, методы, применение. – Минск: Ин-т техн. кибернетики НАН Беларуси, 2000. – 304 с. 3. Fukushima K. Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position // Biol. Cybern. – 1980. – Vol. 36. – P. 193-202. 4. Галушкин А.И. Теория нейронных сетей. Кн. 1: учеб. пособие для вузов. – М.: ИПРЖР, 2000. – 528 с. 5. Сигеру Омату. Нейроуправление и его приложения. Кн. 2 Пер. с англ. Н.В. Батина / Под ред. А.И. Галуш- кина, В.А. Птичкина. – М.: ИПРЖР, 2000. – 272 с. 6. Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4: учеб. пособие для вузов / Под общей ред. А.И. Галушкина. – М.: ИПРЖР, 2001. – 256 с. 7. Терехов В.А. Нейросетевые системы управления. – СПб: Изд-во С-Петербургского университета, 1999. – 265 с. 8. Розенблатт Ф. Принципы нейродинамики: Персептрон и теория механизмов мозга: Ф. Пер. с англ. – М.: Мир, 1965. – 480 с. 9. Fukushima K. Neocognitron: A neural network model for a mechanism of visual pattern recognition // IEEE Trans. Syst., Man, Cybern., V. SMC-13. – 1983. – P. 826-834. 10. Reid M.B. Simultaneous position, scale, and rotation invariant pattern classification using third-order neural networks // International Journal of Neural Networks. – Research & Applications. – 1989. – № 1 (3). – P. 154-159. 11. Vaillant R. Original approach for the localisation of objects in images // IEE Proc on Vision, Image, and Signal Processing. – 1994. – № 141(4). – P. 245-250. 12. Lovell D.R. The performance of the Neocognitron with various S-cell and C-cell transfer functions. – Intelligent Machines Lab., Dept. of Elec. Eng., Univ. of Queensland, 1992. 13. Satoh S. Recognition of rotated patterns using neocognitron // Proc. Int. Conf. Neural Information Processing. – 1997. – № 1. – P. 112-116. 14. Wiskott L. How does our visual system achieve shift and size invariance // Problems in Systems Neuroscience. – 2003. 15. Pan Z. Staged Training of Neocognitron by Evolutionary Algorithms // Proceedings of the Congress on Evolutionary Computation. – 1999. – №. 3. – P. 1965-1972. 16. Wersing H. Learning Optimized Features for Hierarchical Models of Invariant Object Recognition // Neural Comp. – 2003. – № 15 (7). – P. 1559-1588. 17. Behnke S. Meter Value Recognition using Locally Connected Hierarchical Networks // Proceedings of 11th European Symposium on Artificial Neural Networks. – 2003. – P. 535-540. 18. Scalzo, F. Statistical learning of visual feature hierarchies // IEEE Workshop on Learning in CVPR. – 2005. 19. Садыхов Р.Х. Обработка изображений и идентификация объектов в системах технического зрения // Искусственный интеллект. – 2006. – № 3. – C. 634-643. 20. Ваткин М.Е. Идентификация объектов на цветных изображениях топологического слоя интеграль- ной схемы // Информатика. – 2005. – № 4 (8). – C. 57-67. Doudkin A.A. Neural Network Technology of Object Recognition on Integrated Circuits Layouts Methods and algorithms for image processing and recognition based on neural network are considered , that are applied to computer vision systems for CAD of integrated circuits. A structure of a computer vision software system is proposed implemented neural network technology of Object Recognition on Integrated Circuits Layouts. Статья поступила в редакцию 24.07.2008.
id	nasplib_isofts_kiev_ua-123456789-6975
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1561-5359
language	Russian
last_indexed	2025-11-29T01:08:44Z
publishDate	2008
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
record_format	dspace
spelling	Дудкин, А.А. 2010-03-22T10:24:25Z 2010-03-22T10:24:25Z 2008 Нейросетевая технология распознавания объектов топологии интегральных микросхем / А.А. Дудкин // Штучний інтелект. — 2008. — № 3. — С. 296-305. — Бібліогр.: 20 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/6975 681.327 Рассмотрены методы обработки изображений и распознавания на основе нейронных сетей, ориентированные на применение в системах технического зрения проектирования интегральных микросхем. Представлена структура системы, реализующей нейросетевую технологию распознавания объектов топологии интегральных микросхем. Methods and algorithms for image processing and recognition based on neural network are considered , that are applied to computer vision systems for CAD of integrated circuits. A structure of a computer vision software system is proposed implemented neural network technology of Object Recognition on Integrated Circuits Layouts. ru Інститут проблем штучного інтелекту МОН України та НАН України Распознавание образов. Системы цифровой обработки сигналов и изображений Нейросетевая технология распознавания объектов топологии интегральных микросхем Neural Network Technology of Object Recognition on Integrated Circuits Layouts Article published earlier
spellingShingle	Нейросетевая технология распознавания объектов топологии интегральных микросхем Дудкин, А.А. Распознавание образов. Системы цифровой обработки сигналов и изображений
title	Нейросетевая технология распознавания объектов топологии интегральных микросхем
title_alt	Neural Network Technology of Object Recognition on Integrated Circuits Layouts
title_full	Нейросетевая технология распознавания объектов топологии интегральных микросхем
title_fullStr	Нейросетевая технология распознавания объектов топологии интегральных микросхем
title_full_unstemmed	Нейросетевая технология распознавания объектов топологии интегральных микросхем
title_short	Нейросетевая технология распознавания объектов топологии интегральных микросхем
title_sort	нейросетевая технология распознавания объектов топологии интегральных микросхем
topic	Распознавание образов. Системы цифровой обработки сигналов и изображений
topic_facet	Распознавание образов. Системы цифровой обработки сигналов и изображений
url	https://nasplib.isofts.kiev.ua/handle/123456789/6975
work_keys_str_mv	AT dudkinaa neirosetevaâtehnologiâraspoznavaniâobʺektovtopologiiintegralʹnyhmikroshem AT dudkinaa neuralnetworktechnologyofobjectrecognitiononintegratedcircuitslayouts

Нейросетевая технология распознавания объектов топологии интегральных микросхем

Репозитарії

Схожі ресурси