摘要
在检测芯片表面缺陷时,多尺度和不规则形变的缺陷导致模型难以精准定位并正确聚类,为此,提出一种改进YOLOv5 网络的芯片表面缺陷检测框架.利用基于边缘信息的数据增强策略,降低芯片走线的背景纹理,增强不规则边缘的输入特征;提出多尺度空间感知池化层MSSPP(multi-scale spatial perception pooling layer)强化网络对多尺度目标的空间定位能力和高维特征提取能力;引入Con-vNext模块和RFB模块优化网络检测性能、丰富模型的感受野;最后,通过难分样本重检策略过滤错误目标、重检混淆目标,提高模型的识别精度.实验结果表明:相较于典型的目标检测算法,提出算法的识别精度更高、鲁棒性更强.在芯片表面缺陷数据集上,mAP0.5 指标达到 95.5%,可为芯片表面质检任务提供高精度的缺陷检测方案.
NETL
NSTL
维普
万方数据