基于 YOLOv5-EA-FPNs 的芯片缺陷检测方法研究

针对芯片缺陷检测中,缺陷尺寸跨度大、特征相似、小目标难识别、漏检等问题,本文提出基于YOLOv5改进的缺陷检测方法。针对小目标缺陷检测中出现的漏检、误检等问题,提出新增小目标特征检测器(small target feature detector, S-Detector),提升模型对小目标缺陷的学习能力;针对缺陷尺寸跨度大、特征相似等问题,提出具有高效聚焦学习能力的特征金字塔结构(efficient attention feature pyramid networks, EA-FPNs),提升模型对不同尺寸缺陷的检测能力;针对预测阶段冗余框较多导致时间开销大的问题,提出基于面积的边界框融合算法(bounding box fusion algorithm, BFA),减少冗余框。实验结果表明,本文方法相较于改进前,检测精确度提升1.2%,小目标缺陷精确度提升1.6%;采用BFA消除冗余框的同时,平均检测时长为26.8μs/张,较使用BFA前减少了5.2μs。本文所提方法具有良好性能,能够提升检测效率。     

核电人工智能应用：现状、挑战和机遇

近年来,人工智能技术被广泛应用于核电领域,以促进核电厂通过实现自诊断、自寻优、自适应,最终达到提高生产效率、降低运行成本、提高运行安全性的目的。本文介绍了在核电领域经常使用的人工智能技术,总结了其在智慧矿山、智能设计、智能制造和智能运维4个核工业典型应用场景中的研究现状,最后,从数据样本、网络安全、深度学习的解释性3个方面分析了人工智能技术在核电领域应用的挑战和发展趋势。