-
题名融合倒置残差与膨胀重参数化的晶圆缺陷检测算法
- 1
-
-
作者
王泉
王梦楠
孙家栋
陈德基
肖上
-
机构
南京信息工程大学计算机学院
无锡学院物联网工程学院
无锡九霄科技有限公司
-
出处
《计算机工程与应用》
北大核心
2025年第19期190-201,共12页
-
基金
国家自然科学基金(62072216)
江苏省高校自然科学研究面上项目(21KJB520020)
+2 种基金
无锡市“锡山英才计划”创新领军人才项目(2022xsyc002)
无锡市“太湖之光”科技攻关项目(K20221044)
无锡学院引进人才科研启动专项经费资助(2023r005)。
-
文摘
针对当前晶圆缺陷检测算法在检测精度、模型参数量和计算量之间难以兼顾的问题,提出一种基于YOLOv8的轻量化晶圆缺陷检测算法(YOLOv8-based lightweight defect detection on wafers,YOLOv8_LDW)。通过融合倒置残差机制和膨胀重参数化模块,设计了C2f_IDR模块并引入主干网络中,增强了模型对复杂缺陷全局上下文信息与局部细节特征的联合建模能力,同时提升推理效率。提出高级筛选路径聚合网络(high-level screening path aggregation network,HSPAN),通过双向筛选与融合机制对颈部网络进行重构,实现了多尺度特征的高效聚合,并有效抑制了冗余特征的干扰。为了进一步提升模型对微小缺陷的关注度以及复杂形状缺陷的回归精度,采用Focaler-Shape IoU损失函数替换传统CIoU损失函数。实验结果表明,改进模型在真实晶圆缺陷数据集上的F1Score和mAP50分别达到97.2%和98.3%,较基线模型提升1.4%和0.8%,参数量和计算量分别降低了42.5%和22.2%,模型大小仅为3.69 MB。此外,改进模型在公共数据集Wafer Defect上进行验证,相较于原模型,R、F1 Score和mAP50分别提升了7.2%、1.8%和2.0%,展现了较强的泛化能力和鲁棒性,可有效适应不同缺陷类型的数据分布。由此表明,改进后的算法能够在保持高检测精度的同时,大幅降低模型参数量和计算成本,满足晶圆缺陷检测对高效性和轻量化的实际应用需求。
-
关键词
晶圆缺陷检测
YOLOv8n
轻量化
focaler-shape
IoU
高级筛选路径聚合网络(HSPAN)
-
Keywords
wafer defect detection
YOLOv8n
lightweight
focaler-shape IoU
high-level screening path aggregation network(HSPAN)
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
