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. 8 μs/ 张,较使用 BFA 前减少了 5. 2 μs。 本文所提方法具有良好性能,能够提升检测效率。