论文部分内容阅读
蓝宝石由于其独特的晶格结构,以及在物理、光学、化学和力学等方面的优越性能,成为半导体领域尤其是LED领域极为重要的衬底材料。在蓝宝石衬底的制作过程中,需要经过一系列机械和化学过程,因此不可避免的会产生一些表面缺陷。而表面缺陷会影响到后续外延层以及相关器件的成品率。如何快速、准确的定位表面缺陷信息,并对表面缺陷类型进行有效分类,对于衬底表面质量检测结果的准确性以及研究工艺参数对表面质量的影响具有重要的作用。本文以蓝宝石衬底表面缺陷为研究对象,针对蓝宝石衬底表面缺陷快速、高准确度、智能化的检测与分类发展需求,基于深度学习的方法,重点开展蓝宝石衬底表面缺陷检测与分类算法的研究工作。具体研究内容如下:(1)图像数据集的制备。首先采用线扫描自动化图像采集系统,对蓝宝石衬底表面的缺陷进行图像采集。紧接着通过图像翻转、旋转以及生成对抗网络GAN等数据增强技术对缺陷图像进行扩充。然后将扩充完成后缺陷图像用LabelImg标注软件对缺陷图像进行人工标注。最后将标注过的缺陷图像划分为训练集、验证集、测试集。(2)目标检测算法模型的训练与测试。首先对Faster RCNN、SSD、YOLOV3检测算法模型的训练过程中的网络参数(学习率、训练步数等)进行设置。然后将其分别在数据集A上进行训练和测试,并对预测结果进行对比与分析。最后,为了进一步测试YOLOV3算法模型在更多缺陷种类情况下的性能,将其在数据B上进行训练与测试。通过对比实验表明,YOLOV3在数据集A上的检测速度、检测与分类的精确度高于Faster RCNN、SSD。同时,YOLOV3在数据B上的mAP为95.96%。(3)YOLOV3检测算法模型的参数优化。由于YOLOV3在数据B上进行测试时出现了漏检、误检以及重复检测的情况,为了改善上述情况,在学习率、NMS阈值、anchor box尺寸3个方面对YOLOV3检测算法模型进行优化。通过优化实验前后结果对比可知,优化后YOLOV3算法模型不仅改善了漏检、误检以及重复检测的情况,最终mAP达到97.41%。根据上述实验完成了对蓝宝石衬底表面缺陷的检测与分类,同时通过优化实验YOLOV3在数据集B上检测与分类的准确率。本文研究为蓝宝石衬底表面缺陷检测与分类提供了一种快速、高准确度的智能化检测方法。