［摘 要］ 為了兼顧實時性和準確率，提出了一種基于改進YOLOv5算法的晶圓表面缺陷檢測方法。該方法采用了輕量級網(wǎng)絡GhostNet作為主干提取網(wǎng)絡，以降低模型復雜度并提升檢測速度。同時為了提高模型的特征提取能力和檢測精度，引入了高效通道注意力機制。此外采用FReLU激活函數(shù)取代了原有的SiLU函數(shù)，以增強模型對空間的敏感性，提高檢測準確性。使用真實的晶圓缺陷數(shù)據(jù)集對改進模型進行驗證。實驗結果表明，相比于原始模型，改進YOLOv5網(wǎng)絡模型實現(xiàn)了30.02%的參數(shù)壓縮，同時目標精度達到78.6%，相較于YOLOv5s提升了4.4%，mAP值提高5.5%，檢測速度提高1.3 ms。

［關鍵詞］ 深度學習； 晶圓表面缺陷； 缺陷檢測； YOLOv5； GhostNet

［中圖分類號］ TP391.4， TN407" ［文獻標識碼］ A

晶圓表面缺陷檢測是半導體制造過程中的關鍵環(huán)節(jié)。隨著集成電路制造工藝的不斷進步和芯片工藝的微縮，對晶圓表面缺陷檢測的要求越來越嚴格。人工目視檢測方法效率低且準確率不高，因此需要采用更先進的檢測方法?；趫D像處理算法的缺陷檢測方法，如模板匹配[1-2]、邊緣檢測[3-4]、分割算法[5]等，適用于類型簡單且特征明顯的缺陷檢測，但處理復雜的缺陷時往往效果不佳。相比之下，深度學習算法以其強大的表征能力、自動學習特征等優(yōu)勢，成為目標缺陷檢測的研究熱點[6-7]。

在深度學習中，卷積神經(jīng)網(wǎng)絡[8]（CNN）因其良好的圖像特征提取效果成為晶圓表面缺陷檢測研究的重要方向之一。在眾多CNN模型中，YOLO算法以其高精度、快速和適應性強等優(yōu)點，廣泛應用于多個領域[9-12]。但使用該算法處理晶圓表面缺陷檢測任務仍存在對于復雜的缺陷類型檢測效果不佳、訓練時長過長等問題。針對這些問題，許多研究人員已經(jīng)嘗試改進YOLO算法，如優(yōu)化模型結構[13]、特征增強改進[14]、更換主干網(wǎng)絡[15]、網(wǎng)絡結構輕量化[16]等。這些改進算法取得了一定的效果，但實際應用中仍存在如小目標缺陷誤檢、漏檢等問題。因此，本文提出了一種基于改進YOLOv5算法的晶圓表面缺陷檢測方法，旨在進一步提高檢測精度和檢測速度。

本文對晶圓表面缺陷的形成機制和表現(xiàn)形式進行深入分析，通過數(shù)據(jù)增強處理獲得了增廣后的數(shù)據(jù)集。在YOLOv5模型上進行晶圓表面缺陷檢測預訓練及參數(shù)微調，實驗結果表明其檢測精度和速度都有待提高。之后對算法模型進行優(yōu)化，采用輕量化網(wǎng)絡GhostNet替換主干網(wǎng)絡，引入ECA注意力模塊加強特征提取能力，并改進激活函數(shù)以提高模型的學習能力。經(jīng)過實驗驗證，本研究提出的改進算法能夠有效地提高晶圓表面缺陷檢測的精度和速度。為了驗證提出的優(yōu)化策略的合理性和先進性，進行了消融實驗。此外，選取部分樣本對改進算法的檢測效果進行了展示和分析。

1 基于YOLOv5的晶圓缺陷檢測算法

1.1 晶圓表面缺陷分類

晶圓表面缺陷可以分為自然缺陷和人為缺陷兩種類型。自然缺陷是指在晶圓生長過程中自然形成的表面缺陷，主要包括晶體缺陷、空位缺陷、位錯、晶界等。人為缺陷一般是指晶圓生產(chǎn)過程中由于制造工藝問題、操作不當、設備故障等因素引起的缺陷。通過分析缺陷的產(chǎn)生原因與表現(xiàn)方式，可以將缺陷分為晶體缺陷、表面沾污以及機械損傷這三類。表面沾污存在多種類型，包括不同形態(tài)的表面冗余物，如顆粒、線形、不規(guī)則形狀等。此外，沾污還可能來自金屬雜質、有機物殘留等。機械損傷主要表現(xiàn)為表面刮傷、劃痕、裂紋等形式。本文使用了金相顯微鏡和超景深顯微鏡作為實驗器材，用于獲取晶圓表面缺陷圖像以創(chuàng)建數(shù)據(jù)集。圖1給出了實驗獲取的部分晶圓表面缺陷類型。

1.2 YOLOv5算法原理及結構

YOLO（You Only Look Once）是一種基于卷積神經(jīng)網(wǎng)絡的單階段目標檢測算法，其核心思想是將目標檢測任務看作一個回歸問題，通過在單個CNN模型中預測邊界框和類別得分，從而實現(xiàn)高效、快速的目標檢測[17]。為了克服YOLO在小目標檢測方面不夠精確、檢測速度較慢等局限性，YOLOv5在原有算法的基礎上進行了優(yōu)化，采用更加高效的網(wǎng)絡架構、更加靈活的anchor生成以及更加準確的后處理算法等技術，進一步提高了目標檢測的精度和速度。

本研究綜合考慮目標檢測的準確度和實時性等多方面因素，選擇了YOLOv5算法作為目標檢測模型，并使用預訓練權重文件yolo5s.pt進行初始訓練。YOLOv5網(wǎng)絡結構如圖2所示，主要由4個模塊組成：輸入端（Input）、主干網(wǎng)絡（Backbone）、頸部網(wǎng)絡（Neck）和預測輸出端（Prediction Head）。

對于目標檢測任務，YOLOv5的Input輸入端負責接收圖像數(shù)據(jù)，對輸入圖像的大小、通道數(shù)、歸一化進行定義，并且進行Mosaic數(shù)據(jù)增強、自適應錨框計算、自適應圖片縮放等處理。然后將處理后的圖像輸入到主干網(wǎng)絡，從輸入圖像中提取特征。主干網(wǎng)絡采用CSPDarknet體系結構，包括C3、Focus和SPP模塊，是整個模型的核心部分。主干網(wǎng)絡的輸出通過Neck網(wǎng)絡進行進一步處理，使用FPN特征金字塔加強特征提取，對圖像進行額外的特征提取和轉換，這一階段有助于融合來自不同層次的特征以捕獲更多的上下文信息。隨著網(wǎng)絡的深化，網(wǎng)絡的特征提取和特征融合能力得到進一步提高。最后，Neck網(wǎng)絡的輸出通過預測端，利用FPN特征金字塔得到的三個加強特征的shape層傳入YoloHead獲得對圖像的預測結果，包括每個對象的邊界框、對象得分和類別概率，至此完成整個目標檢測訓練過程。

2 改進的YOLOv5模型

2.1 輕量化的骨干網(wǎng)絡

深度卷積神經(jīng)網(wǎng)絡中頻繁的卷積操作會導致計算成本大幅增加，這對于資源有限的設備來說，會影響模型的效率和響應速度。為了解決這個問題，本文提出一種基于YOLOv5的輕量化網(wǎng)絡，使用GhostNet替代CSPDarknet53作為主干網(wǎng)絡，從而構建出一個輕量級且高效的模型。

針對主流的CNN網(wǎng)絡廣泛存在的冗余性，GhostNet將一個大的卷積核分解成多個較小的卷積核，代替原主干網(wǎng)絡中的大型標準卷積層，從而減少模型所需的參數(shù)和計算量[18]。這種分解技術可以大大減少模型的存儲需求和計算復雜度，從而加快推理時間，提高工作效率。此外，GhostNet采用SE（Squeeze-and-Excitation）注意力模塊[19]來調整通道關系并增強網(wǎng)絡特征表示能力，提高模型計算速度和運行效率的同時提高泛化性能和魯棒性。

改進后的GhostNet_YOLOv5網(wǎng)絡結構如圖3所示。在主干網(wǎng)絡進行改進后，整個模型的層數(shù)從214層增加到492層，但參數(shù)卻從7220783降低到4771904，參數(shù)量降低大約34%。計算量也從原來16.0GFLOPs降低至7.9GFLOPs，意味著GhostNet_YOLOv5更適合在計算資源有限的設備上進行部署，該改進模型可以在實時目標檢測等場景中發(fā)揮更好的性能。

改進的GhostNet_YOLOv5網(wǎng)絡模型仍采用YOLOv5模型中的損失函數(shù)，采用GIOU_Loss做邊界框的位置損失函數(shù)，使用二進制交叉熵（BCE）和Logits損失函數(shù)計算分類概率和目標得分的損失：

L=λ1Lcls+λ2Lloc+λ3Lobj（1）

式中：L為總體多任務損失函數(shù)，Lcls為分類損失函數(shù)，Lloc為位置損失函數(shù)，Lobj為目標置信度損失函數(shù)，λ1、λ2、λ3為平衡不同損失項的權重系數(shù)。

相比于其他輕量化網(wǎng)絡，GhostNet具有更高的計算效率和更好的泛化性能和魯棒性。與MobileNet系列和ShuffleNet系列相比，GhostNet采用了更直接的分解技術和注意力機制，可以更有效地減少參數(shù)量和計算量。相比于EfficientNet系列，GhostNet可以更靈活地設計網(wǎng)絡結構，同時保持較高的準確率。因此，選擇GhostNet輕量化網(wǎng)絡可以在保持較高準確率的同時，提高計算效率和泛化能力。

2.2 引入注意力機制

在應用YOLOv5算法模型進行晶圓表面缺陷檢測過程中發(fā)現(xiàn)一些問題，如缺陷定位不準確、對小目標檢測效果不佳以及對缺陷形態(tài)多樣性不夠適應等。為了解決這些問題，考慮引入注意力機制[20]。注意力機制可以根據(jù)輸入數(shù)據(jù)的重要性分配不同的注意力權重，增強對晶圓表面缺陷的響應。

根據(jù)注意力施加的方式和位置的不同，可以分為空間域注意力、通道域注意力和混合域注意力。對不同注意力機制進行學習和比較后，最終選擇引入了ECA（Efficient Channel Attention）通道注意力機制。該機制可以自適應地調整通道權重，更準確地捕捉缺陷特征，提高分類準確性。相比混合域和空間域注意力機制，通道注意力機制計算量小，同時保證檢測準確率，提高計算效率。

ECA注意力模塊是一種輕量級的注意力機制，主要由全局平均池化、一維卷積、Sigmoid函數(shù)等操作構成，采用分組卷積用于改進CNN架構[21]，其結構如圖4所示。

ECA模塊實現(xiàn)過程如下：首先使用全局平均池化對每個空間位置的通道特征進行平均池化操作獲取全局信息，然后使用一維卷積計算通道之間的交互，并使用Sigmoid激活函數(shù)非線性映射，該過程不涉及通道降維。圖4中通道維度C和卷積核大小k成比例，是為了保證在不同的網(wǎng)絡結構和特征維度下，ECA模塊的計算效率和準確性得到平衡。

相比于SE[19]、CBAM[22]、CA[23]等其他注意力模塊，ECA注意力模塊可以自適應地調整不同位置之間的特征權重，從而能夠有效捕捉圖像中不同位置之間的長程依賴關系，從而提高模型的性能和準確性。此外，ECA注意力模塊還具有輕量級的特點，可以在保證檢測準確性的同時減少計算量，提高模型的效率。而且ECA注意力模塊能夠與其他模塊結合使用，進一步提高模型的準確性和效率。因此，ECA注意力模塊在晶圓表面缺陷檢測領域中具有廣泛的應用前景。

2.3 改進激活函數(shù)

在卷積神經(jīng)網(wǎng)絡中，激活函數(shù)的作用是將卷積層的輸出進行非線性變換，從而引入一些非線性因素，使得網(wǎng)絡可以學習到更加復雜的特征[24]。原始版本的YOLOv5中使用SiLU激活函數(shù)，它是Swish激活函數(shù)的一種特例，使用以標量輸入為基礎的搜索函數(shù)來計算激活值，Swish激活函數(shù)如：

f（x）=x*Sigmoid（βx）（2）

式中：x為卷積層的輸出，β為一個超參數(shù)，用于調整函數(shù)的形狀。當β=1時即為SiLU激活函數(shù)。通常情況下，卷積層用于線性捕捉空間依賴性，而激活層則用于提供非線性變換，以實現(xiàn)更強的特征表示能力。這種過程只依賴于神經(jīng)元本身，因此無法獲取這些空間依賴關系。

針對圖像任務，F(xiàn)ReLU激活函數(shù)因其具備自適應地獲取圖像局部上下文的能力而備受關注[25]。該激活函數(shù)的設計包含兩個核心組件，即漏斗條件和像素級別建模能力，能夠很好地解決激活函數(shù)中的空間不敏感性問題。其原理示意如圖5所示。

圖5中T（xc，i，j）為定義的漏斗式條件：

Txc，i，j=xωc，i，j·pωc（3）

式中：xc，i，j表示在第c個通道上，以（i，j）為中心的窗口，即圖中的黃色框口；p是一個在激活函數(shù)的計算過程中可調節(jié)的參數(shù)，用于控制函數(shù)的曲線形狀，使其能夠更好地適應圖像中復雜的視覺布局，提高模型的性能。FReLU激活函數(shù)的輸出結果為：

fxc，i，j=maxxc，i，j，Txc，i，j（4）

此外，F(xiàn)ReLU激活函數(shù)具有像素級別建模能力，能夠在每個像素上進行建模，適應圖像中的不同紋理和細節(jié)，從而提高了模型在圖像處理任務中的準確性。

在晶圓缺陷檢測任務中，F(xiàn)ReLU的優(yōu)勢表現(xiàn)在它可以自適應地調整負斜率的形狀，從而更好地適應晶圓圖像中的不同缺陷特征。同時，F(xiàn)ReLU的計算速度快，參數(shù)較少，優(yōu)化效果好，這些特點也有助于提高模型在晶圓缺陷檢測任務中的準確性。因此，F(xiàn)ReLU可以作為一種有效的激活函數(shù)，用于提高晶圓缺陷檢測模型的準確性。

3 實驗及結果分析

3.1 實驗環(huán)境搭建

本文訓練環(huán)境搭建包括本地和遠程兩個階段。在本地階段，由于設備顯卡為AMD Radeon，無法使用PyTorch CUDA版本，因此使用CPU進行訓練。這帶來的影響是：在使用CPU進行訓練時，計算速度會比GPU慢很多，因為GPU在并行計算方面有優(yōu)勢。本地環(huán)境下安裝Anaconda創(chuàng)建虛擬環(huán)境并安裝必要軟件包，選擇PyTorch框架進行深度學習。遠程服務器AutoDL的環(huán)境搭建更為簡單，可選擇所需鏡像進行應用。在本實驗中，均使用Pycharm集成開發(fā)環(huán)境（IDE）進行代碼開發(fā)和調試。表1給出了兩個階段的環(huán)境參數(shù)的詳細對比。

該實驗在兩個不同的環(huán)境下，使用了相同的實驗參數(shù)和數(shù)據(jù)集進行訓練，并通過表2對比了在這兩個環(huán)境下的速度、訓練效果等參數(shù)。這些數(shù)據(jù)對于選擇適合的設備進行訓練提供了重要參考。實驗結果表明，使用GPU訓練速度大幅提升，特別是在數(shù)據(jù)擴增后的訓練過程中，訓練速度和效果都有了明顯提升。經(jīng)過第一階段測試后，選擇在遠程服務器上進行模型訓練。

實驗參數(shù)采用YOLOv5s模型，初始數(shù)據(jù)集555張圖像，圖像尺寸640×640，epoch=100，batch_size=16，workers=8。

3.2 數(shù)據(jù)標注及數(shù)據(jù)集擴增

由于晶圓缺陷的種類繁多、數(shù)量龐大，而且不同制造廠家的晶圓缺陷數(shù)據(jù)大多是保密的，所以很難獲取到公開專用的晶圓缺陷數(shù)據(jù)集，這給晶圓缺陷檢測和分類的研究帶來了很大的困難。解決這個問題，可以通過實驗數(shù)據(jù)獲取實驗圖像，再對其進行分類、標注得到數(shù)據(jù)集圖像。這種方法雖然需要一定的實驗條件和標注工作，但是可以彌補缺少公開專用數(shù)據(jù)集的不足，為晶圓缺陷檢測和分類的研究提供數(shù)據(jù)支持。本實驗中使用LabelImg作為圖像標注工具，標注過程在每張圖像上使用最小的框體將所有檢測的目標進行框選，保存后會生成對應的標簽文件。

本文從實驗數(shù)據(jù)中獲取圖像清晰并存在明顯缺陷的圖像555張，經(jīng)過數(shù)據(jù)增強技術對原始圖像進行處理，其中包含圖像剪裁、直方圖均衡化、添加噪聲等方式。考慮到訓練及檢測效率的提升，對所有大于5M的圖像進行JPEG壓縮處理，最終得到數(shù)據(jù)擴增后的數(shù)據(jù)集圖像1666張，按照數(shù)據(jù)集、驗證集、測試集比例為8∶1∶1進行分配。

3.3 訓練過程

使用遠程GPU進行單卡訓練，采用YOLOv5s作為基礎訓練模型。訓練過程中采用SDG優(yōu)化器進行優(yōu)化，訓練輪數(shù)為100輪，訓練部分和驗證部分的圖像尺寸均統(tǒng)一為640×640像素。實驗超參數(shù)設定采用源代碼初始默認參數(shù)，初始學習率和終止學習率均設置為0.01，學習率的動態(tài)量momentum設置為0.937，batchsize設置為16，即每次訓練傳入網(wǎng)絡的圖像數(shù)據(jù)為16張，使用8個數(shù)據(jù)加載器來加快圖像讀取速度。整個訓練流程如圖6所示。

3.4 目標檢測算法的評估函數(shù)

因晶圓表面缺陷檢測任務中需檢測包含顆粒、異物、污染、劃痕等多種缺陷類型，涉及類別、位置和大小多方面，單一指標難全面衡量，應綜合考慮精確率Precision、召回率Recall、平均精度均值mAP@0.5和檢測時長等因素來全面評估算法性能。精確率反映正樣本占檢測出的物體的比例；召回率反映正確判定的正樣本占所有正樣本的比例；mAP@0.5是指IoU取值為0.5時的平均AP值，其中IoU為交并比。上述評價指標公式如下：

Precision=TPTP+FP（5）

Recall=TPTP+FN（6）

AP=∫10Psmooth（r）dr（7）

mAP=∑Ci=1APiC（8）

式（5）、（6）中，TP標簽為正類，預測為正類；FP標簽為負類，預測為正類；FN標簽為正類，預測為負類。公式（7）中Psmooth（r）表示經(jīng)過平滑化處理A-P曲線所圍成的面積，AP為平均精準度，式（8）中mAP是AP值在所有類別下的均值，Pi是第i個類別的精確率，C為類別數(shù)。

3.5 實驗結果分析

為了驗證改進算法的先進性，本文在晶圓缺陷檢測任務中使用YOLOv3-Tiny、YOLOv4模型進行了對比實驗，實驗結果如表3所示。

結果表明改進后的YOLOv5算法在保持算法精準度的前提下，對目標檢測速度有了一定程度的提升，檢測時長縮短至10.9 ms。相較于原始YOLOv5s模型，改進后的算法的檢測精確度提高了4.4%，mAP提高了5.5%，檢測效果優(yōu)于YOLOv3-Tiny和YOLOv4算法。

此外，本文進行消融實驗分別驗證改進輕量級GhostNet模塊、ECA注意力機制以及FReLU激活函數(shù)對晶圓表面缺陷檢測的有效性。以YOLOv5s為基準，結合不同的改進策略進行實驗設計，并得到了實驗結果，如表4所示。

從消融實驗結果可知，通過使用GhostNet作為YOLOv5的主干網(wǎng)絡，可以使得網(wǎng)絡參數(shù)大大降低，降幅達33.91%，在檢測速度提升的同時降低模型的存儲容量，達到模型輕量化的效果。但在僅單獨引入GhostNet主干網(wǎng)絡時模型的平均精度均值降低1.7%。為降低此部分產(chǎn)生的檢測率降低的影響，本文引入ECA注意力機制以提高對圖像有效信息的提取，從而增強對晶圓表面缺陷的特征提取能力。通過在YOLOv5s與優(yōu)化模型1上分別引入ECA注意力模塊，實驗結果表明mAP分別提高1.2%和2.1%。此外，可以觀察到ECA模塊具有參數(shù)量少的特點，模型3僅在優(yōu)化模型1的基礎上增加了0.65%的網(wǎng)絡參數(shù)。在最后一步消融實驗中，將SiLU激活函數(shù)更換為FReLU，模型的準確率進一步提升，相較于YOLOv5s，mAP提升5.5%。

以下是經(jīng)過改進后的YOLOv5算法在測試集上的缺陷檢測效果展示，為更清晰地呈現(xiàn)效果，部分圖像已經(jīng)進行了放大處理。結果展示分為3個部分：

1）密集缺陷實驗結果 實驗結果顯示，改進后的算法模型能夠在晶圓表面缺陷密集的情況下，仍表現(xiàn)出較高的檢出率，統(tǒng)計結果表明其檢出可達90%。相較于原始的YOLOv5算法，缺陷檢出率提升了5%。這是一個相對較大的提升，說明該算法的改進對于缺陷檢測效果具有重要影響。這意味著改進算法在實際生產(chǎn)中可以有效地檢測到晶圓表面的缺陷，從而有助于提高生產(chǎn)效率和產(chǎn)品質量。具體的檢測效果展示如圖7所示，可以清晰地看到該算法能夠準確地檢測出晶圓表面的缺陷，避免了缺陷的漏檢和誤檢，從而提高了檢測的準確性和可靠性。

2）稀疏缺陷實驗結果 針對晶圓表面缺陷圖像中分布較稀疏的情況，實驗結果如圖8所示。經(jīng)過統(tǒng)計分析，改進后的優(yōu)化算法模型在晶圓表面缺陷檢測測試集中的漏檢率降低至8%，并且對可能有融合的缺陷也有檢出。

圖8展示的第一張圖檢測出了在相似位置上存在外來異物和有機污染物兩種缺陷類型。考慮到在制造工藝中可能會引入異物，進行下一步的光刻操作時光刻膠很容易附著在異物周圍，導致存在外來異物的位置上也會出現(xiàn)有機污染。融合缺陷的檢出可以幫助工程師更快速、準確地確定缺陷的位置和類型，從而有針對性地進行后續(xù)處理。因此，這一結果表明改進后的算法具有更強的實用性和適用性，能夠更好地支持晶圓表面缺陷檢測工作。

3）小目標缺陷實驗結果 通過對檢測結果統(tǒng)計分析，發(fā)現(xiàn)原始YOLOv5s模型對小目標缺陷的檢測存在較高誤檢和漏檢率，只能檢測出45%的缺陷目標。經(jīng)過數(shù)據(jù)集優(yōu)化、算法優(yōu)化改進后，小目標缺陷的檢出率可達80%以上，同時漏檢數(shù)量明顯減少。圖9展示了對小目標缺陷的檢測效果。結果表明，改進算法能夠更有效地提取豐富全面的語義信息，從而在小目標缺陷的檢測上表現(xiàn)出更好的性能和更高的檢測精度。

為對改進算法模型的性能進行全面評估，本研究在同一實驗環(huán)境下對其與原有YOLOv5算法進行比較，均采用同樣的數(shù)據(jù)集，訓練輪數(shù)為300。通過對平均精度（mAP）和召回率的結果曲線進行比較（圖10），表明采用YOLOv5和改進算法均能夠較好地完成缺陷檢測任務，并且改進算法在平均精度和召回率方面均顯著優(yōu)于原有YOLOv5算法，驗證了改進方法的有效性和實用性。

此外，還對改進算法和原算法在處理時間上進行了對比。實驗結果表明，改進算法在不降低檢測準確度的情況下，能夠在同等硬件條件下顯著提高處理速度。這一結果表明算法優(yōu)化不僅能夠提高檢測精度，還能夠在實際應用中提高效率，滿足實時性要求。

4 結束語

本文提出了一種基于改進YOLOv5算法的晶圓表面缺陷檢測方法。相較于YOLOv5s，改進YOLOv5算法檢測精度更高，有效降低小目標漏檢、誤檢出現(xiàn)的概率，模型輕量化的同時有效提高晶圓缺陷檢測的準確性和實時性。本文研究成果不僅對半導體芯片制造中晶圓表面缺陷檢測的精度和效率提升具有重要意義，也對深度學習算法在目標檢測領域的應用有一定的參考價值。下一步改進工作是對現(xiàn)有晶圓缺陷數(shù)據(jù)集進行數(shù)據(jù)優(yōu)化擴增，平衡各缺陷類別數(shù)量，進一步優(yōu)化算法使得缺陷檢測模型具有更強的泛化能力和精確度。

［ 參 考 文 獻 ］

［1］ KONG Q， WU Z， SONG Y. Online detection of external thread surface defects based on an improved template matching algorithm[J]. Measurement， 2022， 195： 111087.

[2] JOHN V， YONEDA K， LIU Z， et al. Saliency map generation by the convolutional neural network for real-time traffic light detection using template matching[J]. IEEE transactions on computational imaging， 2015， 1（03）： 159-173.

[3] YU X K，WANG Z W，WANG Y H，et al. Edge detection of agricultural products based on morphologically improved canny algorithm[J]. Mathematical Problems in Engineering， 2021， 2021（03）：1-10.

[4] 王睿男，武穆清，陳鐵英，等.基于形態(tài)學的紅外圖像邊緣檢測[J].北京郵電大學學報，2021，44（01）：66-71.

[5] 曹宇， 徐傳鵬. 一種改進閾值分割算法在鏡片缺陷檢測中的應用[J].激光與光電子學進展，2021， 58（16）：219-224.

[6] 周曉彥，王珂，李凌燕. 基于深度學習的目標檢測算法綜述[J]. 電子測量技術，2017，40（11）：89-93.

[7] 楊傳禮，張修慶.基于機器視覺和深度學習的材料缺陷檢測應用綜述[J].材料導報，2022，36（16）：226-234.

[8] 靳晶晶，王佩.基于卷積神經(jīng)網(wǎng)絡的圖像識別算法研究[J].通信與信息技術，2022（02）：76-81.

[9] 張上，王恒濤，冉秀康. 基于YOLOv5的輕量化交通標志檢測方法[J]. 電子測量技術，2022，45（08）：129-135.

[10] 張立國，馬子薦，金梅，等.基于YOLO的輕量紅外圖像行人檢測方法[J].激光與紅外，2022，52（11）：1737-1744.

[11] XIANG Y， FEI Q. Car， Cyclist and pedestrian object detection based on YOLOv5[J]. International Journal of New Developments in Engineering and Society， 2022， 6（03）：38-42.

[12] FANG C， XIANG H， LENG C， et al. Research on real-time detection of safety harness wearing of workshop personnel based on YOLOv5 and OpenPose[J]. Sustainability， 2022， 14（10）： 5872.

[13] CAO X， ZHANG F， YI C， et al. Wafer surface defect detection based on improved YOLOv3 network[C]. Proceedings-2020 5th International Conference on Mechanical， Control and Computer Engineering， ICMCCE 2020， 9421681 ：1475-1478.

[14] XIE Y， HU W， XIE S， et al. Surface defect detection algorithm based on feature-enhanced YOLO[J]. Cognitive Computation， 2022： 1-15.

[15] CHEN S H， TSAI C C. SMD LED chips defect detection using a YOLOv3-dense model[J]. Advanced engineering informatics， 2021， 47： 101255.

[16] ZHANG D，CHEN X，REN Y，et al．SmartGYOLO： alight-weight real-time object detection network[J]．Journal of Physics： Conference Series，2021， 1757： 12096.

[17] REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， real-time object detection[C].Proceedings of the IEEE conference on computer vision and pattern recognition. 2016： 779-788.

[18] HAN K， WANG Y， TIAN Q， et al. Ghostnet： More features from cheap operations[C] Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2020： 1577-1586.

[19] HU J， SHEN L， ALBANIE S. et al. Squeeze and excitation networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（08）：2011-2023.

[20] LIU J W， LIU J W， LUO X L. Research progress in attention mechanism in deep learning[J]. Gongcheng Kexue Xuebao/Chinese Journal of Engineering， 2021， 43（11）： 1499-1511.

[21] WANG Q， WU B， ZHU P， et al. ECA-Net： Efficient channel attention for deep convolutional neural networks[C]. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2020： 11531-11539.

[22] WOO S， PARK J， LEE J Y， et al. Cbam： Convolutional block attention module[C]. Proceedings of the European conference on computer vision （ECCV）. 2018： 3-19.

[23] FU J， LIU J， TIAN H， et al. Dual attention network for scene segmentation[C]. Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019： 3146-3154.

[24] SHIV R D， SATISH K S， BIDYUT B C. Activation functions in deep learning： A comprehensive survey and benchmark[J]. Neurocomputing， 2022，503（07）：92-108.

[25] MA N， ZHANG X， SUN J. Funnel activation for visual recognition[C]. Computer Vision-ECCV 2020： 16th European Conference， Glasgow， UK， August 23-28， 2020， Proceedings， Part XI 16. Springer International Publishing， 2020： 351-368.

Wafer Surface Defect Detection Method Basedon Improved YOLOv5 Algorithm

MING Yue1， LV Qinghua1，" ZHAI Zhongsheng2， LV Hui1， YU Yikai1，" CUI Xiandai1

（1 School of science， Hubei Univ. of Tech.， Wuhan 430070， China;2 School of Mechanical Engineering， Hubei Univ. of Tech.， Wuhan 430070， China）

Abstract： Wafer surface defect detection holds significant importance in semiconductor chip manufacturing. However， during the inspection process， 1 detection and missed detection of defects often occur due to the complexity and diversity of wafer surface defect types and manifestations. To balance real time and accuracy requirements， a wafer surface defect detection method based on the improved YOLOv5 algorithm is proposed. This method uses the lightweight network GhostNet as the backbone extraction network to reduce model complexity and improve detection speed. Additionally， an efficient channel attention mechanism is introduced to enhance the model's feature extraction ability and detection accuracy. The original SiLU function is replaced with the FReLU activation function to improve the model's sensitivity to space and detection accuracy. The improved model is validated using a real wafer defect dataset. The experimental results show that the improved YOLOv5 network model achieves 30.02% parameter compression compared with the original model. The target accuracy reaches 78.6%， which is 4.4% higher than YOLOv5s. The mAP value is increased by 5.5%， and the detection speed is increased by 1.3 ms.

Keywords： deep learning; wafer surface defects; defect detection; YOLOv5; GhostNet

［責任編校： 閆 品］