科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统图像处理算法的芯片缺陷检测方法难以实现缺陷的精确提取且泛化性较差的问题，提出了结合空间注意力机制(SAM)、空间金字塔池化(SPP)、移动端神经网络(Mobile-Net)和密集条件随机场(DCRF)改进经典UNet芯片X线图像焊缝气泡缺陷的检测方法(DSSMob-U-Net)．首先，针对经典U-Net网络特征提取能力不足、泛化性较差的问题，引入Mobile-Net作为U-Net的主干特征提取网络，提高网络获取缺陷形状和位置信息的能力，并减少网络的参数量，降低模型对训练样本量的要求；其次，在Mobile-Net的低维特征提取部分引入空间注意力机制，并在特征提取后引入空间金字塔池化，提升网络对图像高、低维特征的提取能力，解码后针对解码器上采样层导致的特征信息丢失问题，在分类完成后引入密集条件随机场，结合像素点的像素值和所属类别信息对像素的分类结果重新评估，进一步提高分割精度；最后，在芯片缺陷数据集上进行实验，验证了DSSMob-U-Net模型的有效性，并与其他常用的语义分割网络进行比较，结果表明该模型具有更好的检测性能．
- 出版日期2022
- 单位江南大学
