基于改進(jìn)YOLOv5 算法的直拉法單晶硅位錯(cuò)檢測(cè)模型研究

楊舟，程瑩，張?jiān)婃?，陶新宇，莫緒濤，馬四海，黃仙山

（1.安徽工業(yè)大學(xué) 數(shù)理科學(xué)與工程學(xué)院，安徽 馬鞍山 243002；2.安徽易芯半導(dǎo)體有限公司，安徽 合肥 231100）

引言

單晶硅作為半導(dǎo)體行業(yè)應(yīng)用最為基礎(chǔ)的材料之一，其生長(zhǎng)品質(zhì)至關(guān)重要。制備單晶硅的常規(guī)方法主要有直拉法和熔融法兩種。直拉法生長(zhǎng)出的單晶硅具有純度高、生長(zhǎng)缺陷少、生長(zhǎng)尺寸大等優(yōu)點(diǎn)[1]。隨著生長(zhǎng)尺寸的不斷增加，生長(zhǎng)缺陷產(chǎn)生也更加復(fù)雜，其中位錯(cuò)是單晶硅最常見(jiàn)的生長(zhǎng)缺陷之一。它會(huì)降低少子壽命，嚴(yán)重影響半導(dǎo)體器件的性能,降低硅光電池的光電轉(zhuǎn)換性能。因此，檢測(cè)單晶硅位錯(cuò)分布是重點(diǎn)工作之一。檢測(cè)硅位錯(cuò)可以通過(guò)化學(xué)腐蝕表征人工計(jì)數(shù)、掃描電鏡圖像處理、光學(xué)散射等[2]方法。為了能夠直觀地觀測(cè)到單晶硅體內(nèi)的位錯(cuò)分布，需要使用化學(xué)腐蝕液進(jìn)行表征。通過(guò)光學(xué)顯微鏡獲得單晶硅位錯(cuò)顯微圖像，結(jié)合MIT（Massachusetts Institute of Technology）開發(fā)的定量測(cè)量位錯(cuò)密度軟件包實(shí)現(xiàn)自動(dòng)化檢測(cè)[3]；NEEDLEMAN D B 等人[4]利用高分辨率暗場(chǎng)成像設(shè)備和掃描儀實(shí)現(xiàn)快速檢測(cè)硅位錯(cuò)密度；李孟等人[5]使用3D 高深顯微鏡，通過(guò)激光掃描成像檢測(cè)單晶硅位錯(cuò)分布。在實(shí)際腐蝕過(guò)程中，腐蝕液濃度的變化、溫度的改變以及腐蝕時(shí)間差異性等問(wèn)題，導(dǎo)致單晶硅位錯(cuò)腐蝕坑的形貌差異大，尺寸變化明顯，背景復(fù)雜。傳統(tǒng)的圖像處理算法識(shí)別單晶硅硅片上的位錯(cuò)腐蝕坑難度較大，利用Hog 特征提取算法[6]結(jié)合支持向量機(jī)(support vector machine,SVM)對(duì)單晶硅位錯(cuò)進(jìn)行檢測(cè)識(shí)別，檢測(cè)位錯(cuò)的準(zhǔn)確率低，檢測(cè)速度慢，自動(dòng)化程度不高。

隨著深度學(xué)習(xí)圖像處理技術(shù)的飛速發(fā)展，神經(jīng)網(wǎng)絡(luò)算法性能不斷提升，網(wǎng)絡(luò)參數(shù)不斷降低，基于深度學(xué)習(xí)的機(jī)器視覺(jué)算法逐步具備在復(fù)雜背景中識(shí)別出形態(tài)多變目標(biāo)的可能。卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)語(yǔ)義分割（semantic segmentation）、目標(biāo)檢測(cè)（object detection）等[7]各種檢測(cè)任務(wù)?；谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)方式主要包含兩種：一種是以Faster-RCNN（region-based convolutional neural network）為代表的兩階段神經(jīng)網(wǎng)絡(luò)[8]，此類神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)檢測(cè)，擁有精度高、定位精確的優(yōu)點(diǎn)，但檢測(cè)速度較慢；另一種是以YOLO（you only look once）為代表的一階段神經(jīng)網(wǎng)絡(luò)，其中以YOLOv3[9]、YOLOv4[10]、YOLOv5[11]為代表，網(wǎng)絡(luò)通過(guò)回歸的方式直接預(yù)測(cè)物體的類別與位置，在大幅度提升檢測(cè)速度的情況下也能夠保持較高的檢測(cè)準(zhǔn)確率?；谏疃葘W(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法逐步應(yīng)用于各個(gè)行業(yè)，JUBAYER M F 等人[12]使用YOLOv5 算法檢測(cè)食物表面霉菌分布；陶志勇等人[13]使用改進(jìn)后的VGG 網(wǎng)絡(luò)實(shí)現(xiàn)太陽(yáng)能電池片表面缺陷檢測(cè)；FU Y Z 等人[14]采用改進(jìn)VGG-19 網(wǎng)絡(luò)實(shí)現(xiàn)硅光電池缺陷自動(dòng)化檢測(cè)。但深度學(xué)習(xí)算法在檢測(cè)單晶硅位錯(cuò)應(yīng)用較少，對(duì)低密度位錯(cuò)單晶硅檢測(cè)精度低，定位難度高。

本文利用多種經(jīng)典神經(jīng)網(wǎng)絡(luò)算法對(duì)實(shí)驗(yàn)獲得的單晶硅位錯(cuò)腐蝕顯微圖像進(jìn)行檢測(cè)，重點(diǎn)針對(duì)YOLOv5 算法檢測(cè)過(guò)程中面臨的難點(diǎn)，建立了改進(jìn)的YOLOv5 算法檢測(cè)模型，旨在實(shí)現(xiàn)單晶硅位錯(cuò)金相顯微圖像的準(zhǔn)確分類識(shí)別。本文在主干網(wǎng)絡(luò)之后和FPN（feature pyramid networks）結(jié)構(gòu)中增加注意力機(jī)制模塊，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，提升網(wǎng)絡(luò)計(jì)算能力；其次將主干網(wǎng)絡(luò)提取的特征向量與Neck 結(jié)構(gòu)得到的特征進(jìn)行融合，加強(qiáng)深層信息和淺層信息的聯(lián)系；進(jìn)一步考慮目標(biāo)物尺寸較小、長(zhǎng)寬變化明顯等特點(diǎn)，將YOLOv5 現(xiàn)有損失函數(shù)中的GIoU(generalized intersection over union)替換為CIoU(complete-IoU)，加快網(wǎng)絡(luò)收斂，提升檢測(cè)定位準(zhǔn)確率。

1 檢測(cè)算法原理

1.1 YOLOv5 網(wǎng)絡(luò)

YOLOv5 網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、檢測(cè)精度高，具有YOLOv5s、YOLOv5m、YOLOv5l 等多個(gè)版本，其中YOLOv5s 網(wǎng)絡(luò)檢測(cè)速度最快，網(wǎng)絡(luò)參數(shù)少，但檢測(cè)的平均精度低。本文選取YOLOv5s 作為檢測(cè)單晶硅位錯(cuò)缺陷的基礎(chǔ)網(wǎng)絡(luò)。YOLOv5 的網(wǎng)絡(luò)主體由3 部分組成：主干提取網(wǎng)絡(luò)(Backbone)、Neck、YOLO Head。首先，網(wǎng)絡(luò)的主干部分(Backbone)主要由Focus、C3、SPP（spatial pyramid pooling）組成。Focus 結(jié)構(gòu)是將輸入圖像每個(gè)通道中每隔一個(gè)像素取一個(gè)值并組成新的通道，將輸入圖像的通道數(shù)擴(kuò)充4倍，在不影響圖像信息的情況下，提升數(shù)據(jù)量。多次使用CSPnet 網(wǎng)絡(luò)結(jié)構(gòu)，C3 模塊將輸入分成兩個(gè)部分，一部分通過(guò)卷積輸入到一個(gè)或者多個(gè)殘差網(wǎng)絡(luò)(Resnet)中，另一部分進(jìn)行簡(jiǎn)單的處理，將兩部分輸出進(jìn)行連接，形成一個(gè)大的殘差結(jié)構(gòu)，加快網(wǎng)絡(luò)收斂，易于優(yōu)化。SPP 在通過(guò)不同尺寸的最大池化層后進(jìn)行尺寸的統(tǒng)一，再進(jìn)行連接，增加網(wǎng)絡(luò)感受野，使不同尺寸的目標(biāo)特征得到保留。其次將主干網(wǎng)絡(luò)得到的特征層通過(guò)Neck 結(jié)構(gòu)進(jìn)行特征融合，加強(qiáng)深層信息與淺層信息的融合。最后通過(guò) YOLO Head 獲得預(yù)測(cè)結(jié)果。

YOLOv5 使用的損失函數(shù)由3 部分組成：分類損失、置信度損失、定位損失(LGIoU)。其中，GIoU(generalized intersection over union)[15]是IoU 的改進(jìn)，考慮到當(dāng)IoU 為零時(shí)，優(yōu)化方向不明確，收斂緩慢，因此使用GIoU 代替IoU。

式中：A和B分別表示預(yù)測(cè)框與真實(shí)框；C表示預(yù)測(cè)框與真實(shí)框最小外接矩形。得到損失函數(shù)LGIoU，如下式所示：

YOLOv5 網(wǎng)絡(luò)在工業(yè)質(zhì)檢中能夠取得很好的檢測(cè)效果。但單晶硅硅片上位錯(cuò)腐蝕坑的尺寸較小，背景較為復(fù)雜，因此需要對(duì)YOLOv5 網(wǎng)絡(luò)進(jìn)行改進(jìn)，進(jìn)一步提升位錯(cuò)腐蝕坑的檢測(cè)效果。

1.2 改進(jìn)的YOLOv5 算法

YOLOv5 網(wǎng)絡(luò)往往會(huì)忽略小目標(biāo)的特征。檢測(cè)單晶硅位錯(cuò)顯微圖像時(shí)，視場(chǎng)中位錯(cuò)腐蝕坑的尺寸占比小，屬于小目標(biāo)檢測(cè)，需要改進(jìn)YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)，加強(qiáng)網(wǎng)絡(luò)對(duì)單晶硅位錯(cuò)腐蝕坑檢測(cè)性能。本文在YOLOv5 基礎(chǔ)網(wǎng)絡(luò)上引入注意力機(jī)制，將FPN+PAN 網(wǎng)絡(luò)結(jié)構(gòu)得到的輸出層與主干提取網(wǎng)絡(luò)得到的特征層進(jìn)行進(jìn)一步交叉融合；為了更好地定位位錯(cuò)腐蝕坑，引入CIoU (complete intersection over union)損失函數(shù)進(jìn)行訓(xùn)練，得到如圖1改進(jìn)后的YOLOv5 神經(jīng)網(wǎng)絡(luò)。

1.2.1 引入注意力機(jī)制

圖像經(jīng)過(guò)主干網(wǎng)絡(luò)提取特征得到特征層，但目標(biāo)在不同特征層的重要性不同，并且神經(jīng)網(wǎng)絡(luò)的計(jì)算資源是有限的，因此需通過(guò)增加注意力機(jī)制實(shí)現(xiàn)計(jì)算資源的有效利用，提升網(wǎng)絡(luò)特征表達(dá)能力。注意力機(jī)制包含通道注意力機(jī)制(SENet)、空間注意力機(jī)制(SANet)、卷積模塊注意力機(jī)制(CBAM)等[16]。CBAM 結(jié)合了通道注意力機(jī)制和空間注意力機(jī)制的優(yōu)點(diǎn)，能夠更好地發(fā)揮注意力機(jī)制的效果。如圖2 所示，將特征層經(jīng)過(guò)通道注意力機(jī)制和空間注意力機(jī)制得到輸出。

圖2 注意力機(jī)制示意圖Fig.2 Schematic diagram of attention mechanism

通道注意力機(jī)制如圖3 所示。將特征層分別輸入到平均池化層和最大池化層得到兩個(gè)C×1×1的輸出通道，并用卷積層取代全連接層，減少了權(quán)重參數(shù)；其次，將兩個(gè)通道進(jìn)行加法操作得到通道注意力機(jī)制的特征圖；最后將特征圖與特征層進(jìn)行乘法運(yùn)算，得到新的特征層。

圖3 通道注意力框架圖Fig.3 Frame diagram of channel attention mechanism

如圖4 所示，空間注意力機(jī)制將縮放后的特征層作為輸入分別獲得每個(gè)通道上最大值和平均值；其次，進(jìn)行一次堆疊形成2×H×W通道，通過(guò)卷積層調(diào)整通道數(shù)并獲得1×H×W的權(quán)值；最后得到整個(gè)CBAM 的輸出。

圖4 空間注意力機(jī)制框架圖Fig.4 Frame diagram of spatial attention mechanism

注意力機(jī)制合理應(yīng)用了計(jì)算資源，降低了參數(shù)的大小，匯總空間、通道注意力信息，將信息綜合。在主干提取網(wǎng)絡(luò)提取的特征層和Neck 結(jié)構(gòu)中引入CBAM(convolutional block attention module)注意力機(jī)制，能夠自適應(yīng)注意位錯(cuò)腐蝕坑，降低背景其他雜質(zhì)的干擾，網(wǎng)絡(luò)檢測(cè)位錯(cuò)腐蝕坑的整體檢測(cè)精度得到了提升。

1.2.2 加強(qiáng)特征融合

隨著網(wǎng)絡(luò)的加深，語(yǔ)義特征逐漸變強(qiáng)，但會(huì)丟失位置信息。除此之外，網(wǎng)絡(luò)的加深會(huì)導(dǎo)致特征層尺寸減小，小目標(biāo)的特征不明顯。FPN+PAN 結(jié)構(gòu)能夠?qū)⑸顚有畔⑴c淺層信息相結(jié)合，增強(qiáng)多尺度上的語(yǔ)義信息和位置信息。由于單晶硅位錯(cuò)腐蝕坑尺寸較小，所以需要保留淺層信息，實(shí)現(xiàn)位錯(cuò)腐蝕坑的精準(zhǔn)定位。本文在原YOLOv5 中FPN+PAN 的基礎(chǔ)上將主干提取網(wǎng)絡(luò)提取的特征層進(jìn)行進(jìn)一步融合。如圖5 所示，保留主干網(wǎng)絡(luò)提取的特征信息，融合FPN+PAN 結(jié)構(gòu)輸出，提升網(wǎng)絡(luò)對(duì)單晶硅位錯(cuò)腐蝕坑檢測(cè)性能。

圖5 加強(qiáng)特征融合Fig.5 Strengthening of feature fusion

1.2.3 CIoU 損失函數(shù)

YOLOv5 網(wǎng)絡(luò)的GIoU 損失函數(shù)能夠解決預(yù)測(cè)框與真實(shí)框無(wú)交集時(shí)損失不下降的問(wèn)題，但無(wú)法評(píng)價(jià)預(yù)測(cè)框與真實(shí)框的長(zhǎng)寬比。使用CIoU 損失函數(shù)，引入長(zhǎng)寬比因子[17]，如式（4）所示：

式中：ρ2(b,bgt)表示預(yù)測(cè)框和真實(shí)框的歐式距離；l表示預(yù)測(cè)框與真實(shí)框最小外接矩形的對(duì)角線距離；α表示平衡比例參數(shù)；v是衡量預(yù)測(cè)框與真實(shí)框的比例參數(shù)；wgt和hgt表示真實(shí)框的寬高；w和h表示預(yù)測(cè)框的寬高。損失函數(shù)表達(dá)式為

引入CIoU 的損失函數(shù)，能夠加快神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，提升網(wǎng)絡(luò)對(duì)單晶硅位錯(cuò)腐蝕坑的定位準(zhǔn)確性。

2 實(shí)驗(yàn)與數(shù)據(jù)

2.1 實(shí)驗(yàn)材料

本文以直拉法生長(zhǎng)的＜100＞品相單晶硅為研究對(duì)象，使用酸堿兩種不同的化學(xué)擇優(yōu)腐蝕液進(jìn)行腐蝕表征，得到如圖6 所示的不同形貌的單晶硅位錯(cuò)腐蝕坑顯微圖像。在腐蝕過(guò)程中，會(huì)有晶包、坑洞以及其他雜質(zhì)造成的干擾。

圖6 單晶硅位錯(cuò)腐蝕坑Fig.6 Dislocation corrosion pits of monocrystalline silicon

實(shí)驗(yàn)通過(guò)使用尼康金相顯微鏡L300N、尼康工業(yè)相機(jī)、NIS-Elements 軟件對(duì)腐蝕后的單晶硅硅片進(jìn)行觀察采集。將腐蝕后的硅片放到金相顯微鏡載物臺(tái)上，調(diào)整放大倍率，進(jìn)行粗調(diào)焦、細(xì)調(diào)焦直至圖像清晰，將觀察到的位錯(cuò)腐蝕坑的圖像通過(guò)尼康相機(jī)和NIS-Elements 軟件保存。

2.2 數(shù)據(jù)預(yù)處理

利用LabelMe 軟件對(duì)采集圖像進(jìn)行標(biāo)注，標(biāo)注的格式為VOC 數(shù)據(jù)集格式。標(biāo)簽共分為兩類：酸性腐蝕液位錯(cuò)和堿性腐蝕液位錯(cuò)。將標(biāo)注得到的Json 文件進(jìn)行VOC 數(shù)據(jù)集格式轉(zhuǎn)換，得到訓(xùn)練所需要的XML 文件和原始圖像。

在訓(xùn)練網(wǎng)絡(luò)之前，使用Mosaic 數(shù)據(jù)增強(qiáng)對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，將圖像進(jìn)行隨機(jī)縮放、裁切拼接，增強(qiáng)小目標(biāo)的檢測(cè)能力。最后得到尺寸為640×640×3 像素的輸入圖像。

2.3 實(shí)驗(yàn)設(shè)備

實(shí)驗(yàn)使用Linux 操作系統(tǒng)，硬件使用顯存為12 G 的RTX3080Ti 顯卡進(jìn)行運(yùn)算。在軟件方面，使用Anaconda3 和Pycharm 構(gòu)建Pytorch 框架，采用Python 3.7 編寫程序，CUDA 版本為11.5。配置如表1 所示。

表1 實(shí)驗(yàn)環(huán)境設(shè)置Table 1 Experimental environment setting

3 結(jié)果與分析

3.1 模型訓(xùn)練

實(shí)驗(yàn)訓(xùn)練共迭代300次，迭代批次大小設(shè)置為4，選擇Adam 作為優(yōu)化器。初始學(xué)習(xí)率為0.01，隨著迭代次數(shù)的增加，通過(guò)余弦退火進(jìn)行學(xué)習(xí)率衰減，并設(shè)置最小學(xué)習(xí)率為0.000 05。如圖7 所示，隨著網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)的增加，損失值在不斷減小。在迭代150 次后開始擬合，擬合效果好。達(dá)到300 次時(shí)，損失幾乎不下降，說(shuō)明網(wǎng)絡(luò)已經(jīng)收斂，訓(xùn)練完成。

圖7 模型訓(xùn)練損失圖Fig.7 Diagram of model training loss

3.2 評(píng)價(jià)指標(biāo)

平均精度(AP)、召回率(recall,R)、精確率(precision，P)、平均精度均值(mAP)、FPS 是常見(jiàn)的評(píng)價(jià)指標(biāo)。平均精度與召回率和精確率密不可分，平均精度值越大，說(shuō)明網(wǎng)絡(luò)對(duì)這一類別物體的檢測(cè)性能越好。精確度是指網(wǎng)絡(luò)預(yù)測(cè)為正樣本中正確的比例，召回率表示在所有正樣本中，網(wǎng)絡(luò)預(yù)測(cè)正確的比例，計(jì)算公式為

式中：TP表示預(yù)測(cè)為正樣本，實(shí)際為正樣本；FN表示預(yù)測(cè)為負(fù)樣本，實(shí)際為正樣本；FP表示預(yù)測(cè)為正樣本，實(shí)際為負(fù)樣本；TN表示預(yù)測(cè)為負(fù)樣本，實(shí)際為負(fù)樣本。

平均精度是指P-R曲線下的面積，是網(wǎng)絡(luò)對(duì)某類別檢測(cè)性能的強(qiáng)弱參量。平均精度越高，網(wǎng)絡(luò)檢測(cè)性能越好。計(jì)算公式如下：

實(shí)驗(yàn)中共有兩種位錯(cuò)腐蝕坑，檢測(cè)類別總數(shù)N=2，所以mAP 是這兩類平均精度的平均值。平均精度均值反應(yīng)了網(wǎng)絡(luò)對(duì)所有類別檢測(cè)的性能。

3.3 實(shí)驗(yàn)結(jié)果與分析

將改進(jìn)后的YOLOv5 與Faster-Rcnn、YOLOv3、YOLOv5 網(wǎng)絡(luò)進(jìn)行對(duì)比，進(jìn)一步說(shuō)明改進(jìn)后的YOLOv5 算法能夠在單晶硅位錯(cuò)腐蝕坑檢測(cè)上取得優(yōu)秀的檢測(cè)效果。如圖8 所示，改進(jìn)后的YOLOv5 網(wǎng)絡(luò)對(duì)兩種不同腐蝕坑的檢測(cè)結(jié)果均優(yōu)于原YOLOv5 網(wǎng)絡(luò)。對(duì)于檢測(cè)酸性腐蝕液得到的位錯(cuò)腐蝕坑，改進(jìn)后YOLOv5 網(wǎng)絡(luò)的精確率分別提升62.87%、2.53%、1.15%，達(dá)到89.67%；召回率分別提升37.74%、12.67%、4.31%，達(dá)到88.14%；平均精度分別提升67.63%、5.02%、2.05%，達(dá)到93.52%。對(duì)于檢測(cè)堿性腐蝕液得到的位錯(cuò)腐蝕坑，與原始的YOLOv5 網(wǎng)絡(luò)相比準(zhǔn)確率有所降低，但依舊能夠達(dá)到95.35%，召回率提升0.18%，能夠達(dá)到97.54%，改進(jìn)后的YOLOv5 算法對(duì)堿性腐蝕坑檢測(cè)的AP（平均精確度）達(dá)到98.82%，相較于原始YOLOv5 算法有所提升。因此改進(jìn)YOLOv5 算法對(duì)堿性位錯(cuò)腐蝕坑的檢測(cè)性能優(yōu)于原始YOLOv5算法。

圖8 不同網(wǎng)絡(luò)性能對(duì)比Fig.8 Comparison of different network performances

總體而言，如表2 所示，改進(jìn)后的YOLOv5 算法的平均精度均值(mAP)分別提升47.16%、2.91%、1.05%，達(dá)到96.17%。由于改變了網(wǎng)絡(luò)結(jié)構(gòu)，增加了網(wǎng)絡(luò)的參數(shù)量，推理速度有所降低，但優(yōu)于YOLOv3 和Faster-RCNN，F(xiàn)PS 能夠達(dá)到47，計(jì)算每張圖像的時(shí)間為0.021 27 s，滿足實(shí)時(shí)檢測(cè)的需求。網(wǎng)絡(luò)參數(shù)有所提升，參數(shù)量達(dá)到36.2 MB，屬于輕型網(wǎng)絡(luò)。

表2 不同模型的檢測(cè)結(jié)果Table 2 Test results of different models

3.4 實(shí)驗(yàn)結(jié)果對(duì)比

不同網(wǎng)絡(luò)在目標(biāo)置信度高于0.5 情況下，檢測(cè)使用酸性腐蝕液所形成的位錯(cuò)腐蝕坑的結(jié)果如圖9 所示，F(xiàn)aster-RCNN 算法檢測(cè)效果差，存在預(yù)測(cè)框?qū)ξ诲e(cuò)腐蝕坑定位不準(zhǔn)，檢測(cè)準(zhǔn)確率低，難以區(qū)分相連的位錯(cuò)腐蝕坑等問(wèn)題；YOLOv3 算法和原始YOLOv5 算法的檢測(cè)能力優(yōu)于Faster-RCNN，但依舊存在漏檢的情況；改進(jìn)后的YOLOv5 的檢測(cè)效果最好，漏檢率低，能夠準(zhǔn)確區(qū)分相連的位錯(cuò)腐蝕坑。

圖9 不同模型對(duì)酸性腐蝕坑檢測(cè)效果圖Fig.9 Effect drawings of acid corrosion pits detected by different models

在檢測(cè)堿性腐蝕坑中，如圖10 所示，YOLO 系列網(wǎng)絡(luò)漏檢率低，定位能力優(yōu)于Faster-RCNN 算法。當(dāng)位錯(cuò)腐蝕坑相連時(shí)，F(xiàn)aster-RCNN 算法難以區(qū)分識(shí)別，存在漏檢，誤檢率較高。YOLOv3 算法與原始的YOLOv5 算法誤檢率較低，但YOLOv3 算法存在無(wú)法識(shí)別相連位錯(cuò)腐蝕坑情況。原始YOLOv5算法使用GIOU 損失函數(shù)，在檢測(cè)相連位錯(cuò)腐蝕坑時(shí)，如圖10(c)所示，存在定位不準(zhǔn)確，以及漏檢的現(xiàn)象。改進(jìn)后的YOLOv5 算法能夠準(zhǔn)確定位識(shí)別相連位錯(cuò)。

圖10 不同模型對(duì)堿性腐蝕坑檢測(cè)效果圖Fig.10 Effect drawings of alkaline corrosion pits detected by different models

4 結(jié)論

單晶硅生長(zhǎng)缺陷的檢測(cè)與定位對(duì)半導(dǎo)體器件的制備具有重要意義，本文提出一種改進(jìn)的YOLOv5網(wǎng)絡(luò)模型，用于直拉法生長(zhǎng)單晶硅位錯(cuò)的檢測(cè)。在YOLOv5 算法的基礎(chǔ)上，通過(guò)引入注意力機(jī)制CBAM，實(shí)現(xiàn)計(jì)算資源的有效分配；進(jìn)一步加強(qiáng)特征融合，增加淺層信息與深層信息的融合，提升定位準(zhǔn)確性；使用CIoU 損失函數(shù)，提升訓(xùn)練速度，加強(qiáng)定位準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明：改進(jìn)后的YOLOv5算法對(duì)酸堿兩種不同腐蝕液的位錯(cuò)腐蝕坑的檢測(cè)平均精度分別達(dá)到93.52%、98.82%，有效地提升了對(duì)單晶硅位錯(cuò)腐蝕坑的檢測(cè)性能，優(yōu)于原始YOLOv5算法。FPS 能夠達(dá)到47，滿足實(shí)時(shí)檢測(cè)的需求，可以直接應(yīng)用在工業(yè)檢測(cè)現(xiàn)場(chǎng)，完成對(duì)單晶硅質(zhì)量檢測(cè)，單晶硅位錯(cuò)自動(dòng)化檢測(cè)提供技術(shù)參考。此外，對(duì)比檢測(cè)結(jié)果可知，改進(jìn)后的算法性能優(yōu)于原有的YOLOv5 網(wǎng)絡(luò)和YOLOv3 網(wǎng)絡(luò)，尤其是在使用酸性腐蝕液的位錯(cuò)腐蝕坑檢測(cè)方面，克服了背景中黑色雜質(zhì)干擾的問(wèn)題，以及在緊密連接位錯(cuò)定位上更加準(zhǔn)確。

雖然改進(jìn)后的YOLOv5 網(wǎng)絡(luò)取得了較高的檢測(cè)精度，但檢測(cè)速率有待提升。在未來(lái)的工作中，將進(jìn)一步優(yōu)化網(wǎng)絡(luò)，保持高檢測(cè)精度的同時(shí)，提升檢測(cè)速率；并擴(kuò)大單晶硅位錯(cuò)圖像數(shù)據(jù)集，豐富檢測(cè)內(nèi)容與應(yīng)用場(chǎng)景。