MMApr, 2024

AI 引导下的缺陷检测技术模拟单晶金刚石生长

PDF
TL;DR通过利用原位光学图像识别可见的宏观缺陷状态特征，本文详细介绍了利用语义分割方法进行缺陷分割的方法，并采用基于 YOLOV3 和 DeeplabV3plus 架构的深度学习算法，在钻石生长的过程中取得了很好的准确性。
diamond growthchemical vapor depositiondefect segmentationoptical imagesdeep learning-based algorithms
发现论文，激发创造
  • 以人工智能引导的特征分割技术对单晶金刚石生长中的特征进行建模

    通过比较传统方法和机器学习驱动方法，该论文提出了一种新颖的深度学习驱动的语义分割方法，用于钻石生长领域的特征提取，实现了对钻石、挡板和背景等几何特征的像素掩膜的分离和分类，通过注重标注的人在环软件架构实现数据集的训练，结合主动学习、数据增强和模型辅助标注的模块，有效提高了标注的准确性并显著降低了标注的时间和成本，其中 DeeplabV3plus 架构的模型在准确分类感兴趣特征方面的性能优秀，对挡板的准确率达到 96.31%，对钻石顶部的准确率达到 98.60%，对钻石侧面的准确率达到 91.64%。

    Apr, 2024

  • 基于数据的方法的六边形定向自组装图案缺陷检测的 YOLOv8

    通过提出一种方法，我们展示了在获取高质量标签的过程中，使用神经网络 YOLOv8 可以实现对六边形接触孔 DSA 模式的缺陷检测，并讨论了我们的标签方法的优势和局限性，为以数据为中心的基于机器学习的缺陷检验提出了未来研究的方向。

    Jul, 2023

  • 基于分割的深度学习方法用于表面缺陷检测

    本研究提出了一种基于分割的深度学习架构，用于表面异常检测和分割，在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能，可以使用少量的样本进行训练，因此可以实际应用于工业领域。

    Mar, 2019

  • 基于半扩散模型的半导体缺陷分类和分割方法 (SEMI-DiffusionInst)

    本研究针对制造领域中先进节点技术中扫描电子显微镜图像的缺陷检测问题，提出了一个名为 “SEMI-DiffusionInst” 的新的半导体缺陷检测框架，并证明了该方法可以准确地检测并划分缺陷图案

    Jul, 2023

  • 面向基于 SEMI-SuperYOLO-NAS 的高数值孔径 EUVL 的半导体缺陷检测的改进

    该研究提出了一个可提高成像工具缺陷检测吞吐量的 ADCD 框架，该框架通过在低分辨率图像中检测纳米级缺陷实例来解决高深度聚焦挑战，并通过 SR 辅助分支实现不同分辨率图像上的缺陷检测推断，无需明确训练。

    Apr, 2024

  • 无监督与监督学习相结合的显微镜技术实现对整片 4H-SiC 晶片缺陷分析

    通过融合各种图像分析和数据挖掘技术，我们在这项工作中创建了一个强大且准确的自动化图像分析流水线，用于提取显微图像中 KOH 刻蚀的 4H-SiC 晶片的所有缺陷的类型和位置。

    Feb, 2024

  • TEM 图像中晶体缺陷的深度学习：解决 “训练数据永远不够” 的问题

    本研究提出了用于分割位错的合成训练数据的参数模型，并开发了一种优化分割重叠或相交位错线的深度学习方法，该方法在多种微结构和成像条件下都表现出高效性和优越性。

    Jul, 2023

  • 基于少量数据学习的表面缺陷检测人机知识混合增强方法

    本文提出了一种人机知识混合增强方法，用于从头开始积累少量数据，并将其作为先验知识提供给模型进行少数据学习，进而在工业缺陷检测中取得了可行性和有效性的进展。

    Apr, 2023

  • 表面缺陷检测的混合监督：从弱监督到全监督学习

    本研究提出了一种基于深度学习的表面缺陷检测方法，通过利用不同粒度的注释信息从弱标注到像素级其间不同层面进行标注，实现了注释成本的降低，同时取得了在工业质量检验几个数据集上的最优结果。

    Apr, 2021

  • 提高计算机视觉制造缺陷检测鲁棒性的一种新策略

    本研究探讨利用深度学习技术进行视觉品质检测问题，针对工业制造中数据重复性高的情况，提出通过学习数据中的特定缺陷类型来训练检测模型，从而使其更能检测出在新情况下出现的缺陷。同时，研究对泛化的影响，以训练在更广泛的条件下工作的模型。

    May, 2023