交叉波形卷积网络用于工业芯片的短时间缺陷检测
Zonghai Sun1, Yiyu Lin1, Yan Li1
1School of Automation Science and Engineering, South China University of Technology, Guangzhou 510641, China.
Sensors (Basel, Switzerland)
|July 30, 2025
概括
这项研究引入了一种新的交叉波束卷积网络 (CWCN),用于检测电阻聚合物湿度传感器芯片中的缺陷. 在混合场景的工业条件下,CWCN方法有效地提高了少数射击学习 (FSL) 的表现.
科学领域:
- 材料科学 材料科学 材料科学
- 电气工程 电气工程
- 计算机科学 计算机科学
背景情况:
- 电阻聚合物湿度传感器的性能严重依赖于电阻芯片的质量.
- 由于缺陷样本有限,检测芯片缺陷是很困难的,这阻碍了传统的监督学习.
- 现有的少数射击学习 (FSL) 方法在工业缺陷检测中面临混合场景条件的挑战.
研究的目的:
- 为工业芯片缺陷检测开发一种有效的短暂学习方法.
- 为了解决当前FSL处理混合场景数据的方法的局限性.
- 为了提高传感器芯片制造中缺陷检测的准确性和稳定性.
主要方法:
- 提出了一个交叉波形卷积网络 (CWCN),包含一个双管道交叉波形卷积培训框架 (DPCWC).
- 推出了ProSL,这是一种利用原型学习的新型损失价值计算模块.
- 应用波形变换卷积,在多种场景中实现特征融合.
主要成果:
- 在芯片数据集上,CWCN在一些射击任务中表现出卓越的检测质量.
- 与现有的FSL方法相比,实现了2.76%至16.43%的平均平均精度 (mAP) 改进.
- 对开源NEU-DET数据集的验证证实了该方法的有效性.
结论:
- 拟议的CWCN方法有效地融合了多场景特征信息,以加强工业缺陷检测.
- 在具有挑战性的混合场景环境中,CWCN显著提高了几次拍摄的学习性能.
- 这种方法为传感器芯片制造中的质量控制提供了有希望的解决方案.
