| 基于 YOLOv5-EA-FPNs 的芯片缺陷检测方法研究 |
| |
| 引用本文： | 张 恒,程 成,袁 彪,赵洪坪,吕 雪,杭 芹.基于 YOLOv5-EA-FPNs 的芯片缺陷检测方法研究[J].电子测量与仪器学报,2023,37(5):36-45. |
| |
| 作者姓名： | 张 恒 程 成 袁 彪 赵洪坪 吕 雪 杭 芹 |
| |
| 作者单位： | 1.重庆邮电大学计算机科学与技术学院 |
| |
| 基金项目： | 国 家 自 然 科 学 基 金 项 目 ( 12005030)、 重 庆 市 自 然 科 学 基 金 ( cstc2021jcyj-bsh0252)、 磁 约 束 聚 变 安 徽 省 实 验 室 开 放 基 金
(2021AMF01004)项目资助 |
| |
| 摘 要： | 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。
|
| 关 键 词： | 芯片缺陷检测 深度学习 特征金字塔 多尺度融合 小目标检测 YOLOv5 |
Research on chip defect detection method based on YOLOv5-EA-FPNs |
| |
| Zhang Heng,Cheng Cheng,Yuan Biao,Zhao Hongping,Lyu Xue,Hang Qin.Research on chip defect detection method based on YOLOv5-EA-FPNs[J].Journal of Electronic Measurement and Instrument,2023,37(5):36-45. |
| |
| Authors: | Zhang Heng Cheng Cheng Yuan Biao Zhao Hongping Lyu Xue Hang Qin |
| |
| Affiliation: | 1.School of Computer Science and Technology, Chongqing University of Posts and Telecommunications |
| |
| Abstract: | |
| |
| Keywords: | chip defect detection deep learning FPNs multi-scale fusion small object detection YOLOv5 |
|
| 点击此处可从《电子测量与仪器学报》浏览原始摘要信息 |
|
点击此处可从《电子测量与仪器学报》下载全文 |
