基于改进YOLOv5算法的直拉法单晶硅位错检测模型研究.pdf
《基于改进YOLOv5算法的直拉法单晶硅位错检测模型研究.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOv5算法的直拉法单晶硅位错检测模型研究.pdf(8页珍藏版)》请在咨信网上搜索。
1、文章编号:1002-2082(2023)05-1022-08基于改进 YOLOv5 算法的直拉法单晶硅位错检测模型研究杨舟1,程莹1,张诗婧1,陶新宇1,莫绪涛1,马四海2,黄仙山1(1.安徽工业大学数理科学与工程学院,安徽马鞍山243002;2.安徽易芯半导体有限公司,安徽合肥231100)摘摘 要:要:表征和测量单晶硅位错密度是检测晶体生长品质和研究位错形成机制的重要参量。基于位错腐蚀坑形貌差异大、背景复杂等非典型性特征,以及传统人工光学显微检测准确度不高、效率低下等问题,提出一种改进的 YOLOv5 算法检测单晶硅位错腐蚀坑密度分布。在原始的YOLOv5 算法基础上引入注意力机制,优化网
2、络结构,加强模型推算能力;进一步通过强化特征融合,提升网络检测精度;优化损失函数增强定位准确率,提升训练速度。实验结果表明:改进后的算法,对两种不同腐蚀液的单晶硅位错腐蚀坑检测精度分别达到 93.52%和 98.82%,检测平均精确率均值(mAP)能够达到 96.17%,帧率(FPS)能够达到 47帧/s,满足实时检测的需求。关键词:关键词:位错;缺陷检测;单晶硅;YOLOv5 算法;注意力机制中图分类号:TN911.73,TP391.4文献标志码:ADOI:10.5768/JAO202344.0502002Czochralski monocrystalline-silicon disloca
3、tion detection method based onimproved YOLOv5 algorithmYANGZhou1,CHENGYing1,ZHANGShijing1,TAOXinyu1,MOXutao1,MASihai2,HUANGXianshan1(1.SchoolofScienceandEngineeringofMathematicsandPhysics,AnhuiUniversityofTechnology,Maanshan243002,China;2.AnhuiYixinSemiconductorCo.,Ltd.,Hefei231100,China)Abstract:Ch
4、aracterizationandmeasurementofmonocrystalline-silicondislocationdensityaretheimportantparametersfordetectingthecrystalgrowthqualityandstudyingthedislocationformationmechanism.Basedonatypicalcharacteristicsofdislocationcorrosionpitssuchaslargedifferencesinmorphologyandcomplexbackground,aswellaslowacc
5、uracyandefficiencyoftraditionalartificialopticalmicroscopydetection,animprovedYOLOv5algorithmwasproposedtodetectthedensitydistributionofdislocationcorrosionpitsofmonocrystallinesilicon.TheattentionmechanismwasintroducedbasedontheoriginalYOLOv5algorithmtooptimizethenetworkstructureandstrengthenthecal
6、culationabilityofthemodel.Thenetworkdetectionaccuracywasfurtherimprovedbystrengtheningthefeaturefusion,andthelossfunctionwasoptimizedtoenhancetheaccuracyofpositioningandimprovethetrainingspeed.Theexperimentalresultsshowthattheimproved algorithm can detect monocrystalline-silicon dislocation pits of
7、different corrosive fluids withaccuracyof93.52%and98.82%,respectively,themeanaverageprecision(mAP)canreach96.17%,andtheframeratecanreach47frame/s,whichsatisfiestherequirementsofreal-timedetection.Key words:dislocation;defectdetection;monocrystallinesilicon;YOLOv5algorithm;attentionmechanism收稿日期:2022
8、-09-30;修回日期:2023-02-03基金项目:教育部产学研合作协同育人项目(202102153068);安徽省教育厅自然科学研究项目(KJ2020A0238)作者简介:杨舟(1997),男,硕士研究生,主要从事图像检测与深度学习研究。E-mall:通信作者:黄仙山(1974),男,博士,教授,主要从事图像识别与检测研究。E-mall:H第44卷第5期应用光学Vol.44No.52023年9月JournalofAppliedOpticsSep.2023引言单晶硅作为半导体行业应用最为基础的材料之一,其生长品质至关重要。制备单晶硅的常规方法主要有直拉法和熔融法两种。直拉法生长出的单晶硅具有
9、纯度高、生长缺陷少、生长尺寸大等优点1。随着生长尺寸的不断增加,生长缺陷产生也更加复杂,其中位错是单晶硅最常见的生长缺陷之一。它会降低少子寿命,严重影响半导体器件的性能,降低硅光电池的光电转换性能。因此,检测单晶硅位错分布是重点工作之一。检测硅位错可以通过化学腐蚀表征人工计数、扫描电镜图像处理、光学散射等2方法。为了能够直观地观测到单晶硅体内的位错分布,需要使用化学腐蚀液进行表征。通过光学显微镜获得单晶硅位错显微图像,结合 MIT(MassachusettsInstituteofTech-nology)开发的定量测量位错密度软件包实现自动化检测3;NEEDLEMANDB 等人4利用高分辨率暗场
10、成像设备和扫描仪实现快速检测硅位错密度;李孟等人5使用 3D 高深显微镜,通过激光扫描成像检测单晶硅位错分布。在实际腐蚀过程中,腐蚀液浓度的变化、温度的改变以及腐蚀时间差异性等问题,导致单晶硅位错腐蚀坑的形貌差异大,尺寸变化明显,背景复杂。传统的图像处理算法识别单晶硅硅片上的位错腐蚀坑难度较大,利用 Hog 特征提取算法6结合支持向量机(supportvectormachine,SVM)对单晶硅位错进行检测识别,检测位错的准确率低,检测速度慢,自动化程度不高。随着深度学习图像处理技术的飞速发展,神经网络算法性能不断提升,网络参数不断降低,基于深度学习的机器视觉算法逐步具备在复杂背景中识别出形态
11、多变目标的可能。卷积神经网络能够实现语义分割(semanticsegmentation)、目标检测(objectdetection)等7各种检测任务。基于深度学习的目标检测方式主要包含两种:一种是以 Faster-RCNN(region-basedconvolutionalneuralnetwork)为代表的两阶段神经网络8,此类神经网络实现目标检测,拥有精度高、定位精确的优点,但检测速度较慢;另一种是以 YOLO(youonlylookonce)为代表的一阶段神经网络,其中以YOLOv39、YOLOv410、YOLOv511为代表,网络通过回归的方式直接预测物体的类别与位置,在大幅度提升检测
12、速度的情况下也能够保持较高的检测准确率。基于深度学习的神经网络算法逐步应用于各个行业,JUBAYERMF 等人12使用 YOLOv5 算法检测食物表面霉菌分布;陶志勇等人13使用改进后的 VGG 网络实现太阳能电池片表面缺陷检测;FUYZ等人14采用改进 VGG-19 网络实现硅光电池缺陷自动化检测。但深度学习算法在检测单晶硅位错应用较少,对低密度位错单晶硅检测精度低,定位难度高。本文利用多种经典神经网络算法对实验获得的单晶硅位错腐蚀显微图像进行检测,重点针对YOLOv5 算法检测过程中面临的难点,建立了改进的 YOLOv5 算法检测模型,旨在实现单晶硅位错金相显微图像的准确分类识别。本文在主
13、干网络之后和 FPN(featurepyramidnetworks)结构中增加注意力机制模块,优化网络结构,提升网络计算能力;其次将主干网络提取的特征向量与 Neck 结构得到的特征进行融合,加强深层信息和浅层信息的联系;进一步考虑目标物尺寸较小、长宽变化明显等特点,将 YOLOv5 现有损失函数中的 GIoU(generalizedintersectionoverunion)替换为CIoU(com-plete-IoU),加快网络收敛,提升检测定位准确率。1 检测算法原理1.1 YOLOv5 网络YOLOv5 网络结构简单、检测精度高,具有YOLOv5s、YOLOv5m、YOLOv5l 等多个
14、版本,其中 YOLOv5s 网络检测速度最快,网络参数少,但检测的平均精度低。本文选取 YOLOv5s 作为检测单晶硅位错缺陷的基础网络。YOLOv5 的网络主体由 3 部分组成:主干提取网络(Backbone)、Neck、YOLOHead。首先,网络的主干部分(Backbone)主要由 Focus、C3、SPP(spatialpyramidpooling)组成。Focus 结构是将输入图像每个通道中每隔一个像素取一个值并组成新的通道,将输入图像的通道数扩充 4 倍,在不影响图像信息的情况下,提升数据量。多次使用 CSPnet 网络结构,C3 模块将输入分成两个部分,一部分通过卷积输入到一个或
15、者多个残差网络(Resnet)中,另一部分进行简单的处理,将两部分输出进行连接,形成一个大的残差结构,加快网络收敛,易于优化。SPP 在通过不同尺寸的最大池化层后进行尺寸的统一,再进行连接,增加网络感受野,使不同尺寸的目标特征得到保留。其次将主干网络得到的特征层通过 Neck 结构进行特征融合,加强深层信息与浅层信息的融合。最后通过YOLOHead 获得预测结果。应用光学2023,44(5)杨舟,等:基于改进 YOLOv5 算法的直拉法单晶硅位错检测模型研究1023YOLOv5 使用的损失函数由 3 部分组成:分类损失、置信度损失、定位损失(LGIoU)。其中,GIoU(generalized
16、intersectionoverunion)15是 IoU 的改进,考虑到当 IoU 为零时,优化方向不明确,收敛缓慢,因此使用 GIoU 代替 IoU。IoU=|AB|AB|(1)GIoU=IoU|C(AB)|C|(2)ABLGIoU式中:和 分别表示预测框与真实框;C 表示预测框与真实框最小外接矩形。得到损失函数,如下式所示:LGIoU=1GIoU(3)YOLOv5 网络在工业质检中能够取得很好的检测效果。但单晶硅硅片上位错腐蚀坑的尺寸较小,背景较为复杂,因此需要对 YOLOv5 网络进行改进,进一步提升位错腐蚀坑的检测效果。1.2 改进的 YOLOv5 算法YOLOv5 网络往往会忽略小
17、目标的特征。检测单晶硅位错显微图像时,视场中位错腐蚀坑的尺寸占比小,属于小目标检测,需要改进 YOLOv5网络结构,加强网络对单晶硅位错腐蚀坑检测性能。本文在 YOLOv5 基础网络上引入注意力机制,将 FPN+PAN 网络结构得到的输出层与主干提取网络得到的特征层进行进一步交叉融合;为了更好地定位位错腐蚀坑,引入 CIoU(completeinter-sectionoverunion)损失函数进行训练,得到如图 1改进后的 YOLOv5 神经网络。BackboneFocus ConvConcatConcatConcatConcatConcatConcatConcatConvConvConvC
18、onvConvConvConvC3C3C3C3C3C3C3C3InputNeckOutput808040402020SPPCbamCbamCbamCbamUpSalUpSal图 1 改进 YOLOv5s 框架图Fig.1 Frame diagram of improved YOLOv5s1.2.1引入注意力机制图像经过主干网络提取特征得到特征层,但目标在不同特征层的重要性不同,并且神经网络的计算资源是有限的,因此需通过增加注意力机制实现计算资源的有效利用,提升网络特征表达能力。注意力机制包含通道注意力机制(SENet)、空间注意力机制(SANet)、卷积模块注意力机制(CBAM)等16。CBA
19、M 结合了通道注意力机制和空间注意力机制的优点,能够更好地发挥注意力机制的效果。如图 2 所示,将特征层经过通道注意力机制和空间注意力机制得到输出。通道注意力机制如图 3 所示。将特征层分别输入到平均池化层和最大池化层得到两个 C11的输出通道,并用卷积层取代全连接层,减少了权重参数;其次,将两个通道进行加法操作得到通道注意力机制的特征图;最后将特征图与特征层进行乘法运算,得到新的特征层。ChannelattentionmoduleCWHCWHCWHSpatialattentionmodule图 2 注意力机制示意图Fig.2 Schematic diagram of attention me
20、chanism如图 4 所示,空间注意力机制将缩放后的特征层作为输入分别获得每个通道上最大值和平均1024应用光学第44卷第5期值;其次,进行一次堆叠形成 2HW 通道,通过卷积层调整通道数并获得 1HW 的权值;最后得到整个 CBAM 的输出。CHWConvConvCCCMaxpoolAvgpoolCC1111111111图 3 通道注意力框架图Fig.3 Frame diagram of channel attention mechanismCHWHW1HW1HW1HW2MaxpoolConcatAvgpool图 4 空间注意力机制框架图Fig.4 Frame diagram of spa
21、tial attention mechanism注意力机制合理应用了计算资源,降低了参数的大小,汇总空间、通道注意力信息,将信息综合。在主干提取网络提取的特征层和 Neck 结构中引入 CBAM(convolutionalblockattentionmodule)注意力机制,能够自适应注意位错腐蚀坑,降低背景其他杂质的干扰,网络检测位错腐蚀坑的整体检测精度得到了提升。1.2.2加强特征融合随着网络的加深,语义特征逐渐变强,但会丢失位置信息。除此之外,网络的加深会导致特征层尺寸减小,小目标的特征不明显。FPN+PAN 结构能够将深层信息与浅层信息相结合,增强多尺度上的语义信息和位置信息。由于单晶
22、硅位错腐蚀坑尺寸较小,所以需要保留浅层信息,实现位错腐蚀坑的精准定位。本文在原 YOLOv5 中 FPN+PAN 的基础上将主干提取网络提取的特征层进行进一步融合。如图 5 所示,保留主干网络提取的特征信息,融合 FPN+PAN 结构输出,提升网络对单晶硅位错腐蚀坑检测性能。FPNPAN202020202020404040404040OutputOutputOutputConvUpsample808080808080图 5 加强特征融合Fig.5 Strengthening of feature fusion1.2.3CIoU 损失函数YOLOv5 网络的 GIoU 损失函数能够解决预测框与真
23、实框无交集时损失不下降的问题,但无法评价预测框与真实框的长宽比。使用 CIoU 损失函数,引入长宽比因子17,如式(4)所示:CIoU=IoU2(b,bgt)l2+v(4)=v(1IoU)+v(5)v=4(arctanwgthgtarctanwh)2(6)2(b,bgt)式中:表示预测框和真实框的欧式距离;lvwgthgtwh表示预测框与真实框最小外接矩形的对角线距离;表示平衡比例参数;是衡量预测框与真实框的比例参数;和表示真实框的宽高;和 表示预测框的宽高。损失函数表达式为LCIoU=1CIoU(7)引入 CIoU 的损失函数,能够加快神经网络的训练,提升网络对单晶硅位错腐蚀坑的定位准确性。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 YOLOv5 算法 直拉法 单晶硅 检测 模型 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。