yolov3模型在图形晶圆表面缺陷检测上的优化与应用

肖安七 吕 肃 张 嵩 李成敏

深圳中科飞测科技股份有限公司 广东 深圳 518110

1 引言

近年来,随着GPU等硬件和公开数据集[1]的快速发展与完善,以及越来越多的研究人员加入这个领域,目标检测已然成为计算机视觉领域最热门的方向之一。大量性能优异的目标检测模型被相继提出,并在实际的工程领域中得到验证。

大体来说,近年所提出的目标检测模型还是以基于锚框（anchor based）的模型为主。此类模型主要分为两类:一类是以faster-rcnn[2]为代表的二阶段（two stage）模型,另一类是以yolov3[5]为代表的一阶段（one stage）模型。一般而言,二阶段模型精调后的精度往往比一阶段模型要好,但是模型训练和推理速度远不及一阶段模型,而实际工程领域对算法实时性有较高的要求,所以以yolov3[5]为代表的一阶段模型被广泛采用。但是直接采用这些模型应用于具体的半导体检测项目往往不能得到最佳的检测效果,原因主要有以下两点:一是数据集的差异。以ImageNet[1]为代表的公开数据集以自然图像为基础,在目标特征和图像纹理上与产业界的情况相差较大。二是关注的评价指标不一致。论文中一般考察模型m AP（mean Average Precision）值,而在实际中更加关注缺陷的召回率,且对目标框回归的精度要求明显弱于分类精度。另外,在晶圆缺陷检测场景中,“回拍”操作会使得缺陷优先出现在图像中间区域。此类重要的先验知识可以引入模型设计中,进一步提高模型的性能。

鉴于以上分析,本文选择在yolov3模型的基础上进行针对性修改和优化。……