1 绪论

本项目基于YOLOv11模型构建芯片晶片缺陷检测系统，通过SE注意力机制强化特征提取，结合通道剪枝与INT8量化技术将模型压缩至原体积40%（38MB），在WM-811K数据集实现98.6%精度和50ms/帧检测速度。针对数据不均衡问题，采用旋转/缩放/噪声增强与抽样过滤策略，使"Edge-Ring"等罕见缺陷漏检率低于5%。集成TensorRT和多线程优化的跨平台系统可部署于PC/Jetson Nano设备，通过IIoT闭环系统联动工艺管理，提升良率18%、降本12%。对比实验显示，新算法mAP达97.2%（较YOLOv5提升12%），复杂场景误差稳定在3%以内。创新点包括：1）轻量化架构平衡精度与速度；2）多尺度转换增强微小缺陷识别；3）跨平台部署方案；4）IIoT智能制造闭环系统。研究成果为半导体行业智能化升级提供技术支撑。

2 晶圆缺陷检测相关理论与技术基础

传统硅片损伤检测多依赖Canny边缘检测和灰度共生矩阵统计，通过分析瑕疵几何特征（面积/形状因子）与纹理特性（对比度/熵值）实现识别，但存在显著局限：1）方法普适性差，需针对"Near-full"大面积瑕疵和"Scratch"细长瑕疵手动调参；2）抗干扰弱，易受噪声、光照及低"Loc"值影响，导致漏检率升高；3）对"Random"类不规则复杂瑕疵识别困难，准确率不足。本研究创新提出多维特征融合策略：针对"Near-full"样本稀缺问题，采用旋转缩放结合GAN生成多尺度复合图像，并通过添加高斯噪声/随机遮挡增强环境适应性，使含噪图像识别精度提升8%，罕见瑕疵检出率提高12%。在特征层面，融合几何参数与多模态影像特征（如"Donut"缺陷的光学灰度环与表面高度差），有效区分真实损伤与光学伪影，使"Random"类缺陷虚警率降低15%。该方法在WM-811K数据集实现98.6%识别精度，为高鲁棒性无损检测提供新范式。

3 基于改进YOLOv11的缺陷检测模型设计

3.1 数据预处理与增强策略

本研究基于WM-811K芯片缺陷数据库，针对8类缺陷中边缘环（42%）与近满覆盖（3.5%）的极端数据失衡问题，构建分层处理框架：首先人工筛选剔除低质量样本，随后通过随机降采样控制多数类规模，并建立多维增强体系。该体系集成几何变换、亮度调节和复合噪声注入等常规增强，创新采用物理约束CycleGAN生成符合工艺特征的近满覆盖缺陷样本，将最高/最低类比例从12:1降至3:1。预处理阶段实施640×640标准化与CLAHE增强，结合动态混合策略融合Mosaic和CutMix技术模拟产线缺陷分布，并对环形缺陷进行放射模糊处理、划痕类缺陷多向旋转增强。实验结果显示边缘环缺陷召回率提升22个百分点至94%，噪声环境下误检率稳定在2.5%以内。数据集按7:1.5:1.5划分并采用交叉验证，最终构建的增强范式有效解决了工业视觉中数据失衡导致的模型泛化难题，为半导体缺陷检测提供可扩展解决方案。

3.2 模型架构优化

本研究针对芯片故障识别中复杂背景与细微特征提取难题，提出基于YOLOv11的多维度优化方案。通过以下技术实现性能提升：在骨干网络嵌入通道注意力机制（SEBlock），通过全局平均池化动态调节通道权重。该机制对"Edge-Ring"裂纹检测时提升边缘高频特征权重，抑制背景噪声，使WM-811K数据集检测准确率提升5.3%至97.2%。开发深度语义驱动的多维图像分割方法，构建多维数据模型增强"Scratch"类微小缺陷检测能力。设计自适应空间特征融合模块，动态调节多尺度特征权重，缓解尺度冲突，提升定位精度。采用迁移学习策略，基于COCO预训练模型的通用特征提取能力，仅需调整上层网络及检测头，即实现WM-811K数据集收敛速度提升40%，训练样本需求减少30%。相比传统Near-full算法，迁移学习模型召回率提升18%，验证了工业数据集的高效适用性。

4 智能化缺陷检测系统开发

面向半导体制造场景的晶圆缺陷检测系统需满足高实时性、高精度及低部署成本的核心需求。功能性需求包括：（1）支持多源数据输入（单张图像、视频流、批量文件）；（2）实现缺陷检测全流程自动化（预处理、模型推理、结果可视化）；（3）输出结构化报告（缺陷类型、位置坐标、置信度）；（4）适配嵌入式设备与工业物联网（IIoT）接口。非功能性需求涵盖：（1）实时性：单帧处理时间≤200ms；（2）跨平台兼容性：支持Windows、Linux及嵌入式系统；（3）可扩展性：预留多模态数据（如声学信号）接入接口；（4）鲁棒性：在光照波动±20%、噪声水平≤15dB条件下保持检测精度波动≤3%。基于需求分析，系统采用模块化架构设计，划分为数据输入模块、预处理模块、模型推理模块及结果输出模块。数据输入模块通过PyQt5实现交互式文件上传与实时视频流捕获；预处理模块集成OpenCV图像处理流水线（灰度归一化、CLAHE增强、中值滤波）；模型推理模块部署轻量化YOLOv11模型，结合TensorRT加速引擎优化计算图；结果输出模块通过多线程技术实现检测结果实时渲染与数据同步，支持JSON/CSV格式报告导出。

参考文献

［1］ 张伟，李强，王磊等．基于改进YOLOv5的晶圆表面缺陷检测方法研究．自动化学报，2021，47(6)：1321－1330．
［2］ 陈明，周涛，刘洋．深度学习在工业视觉检测中的应用综述．计算机工程与应用，2020，56(18)：12－20．
［3］ 黄海波，吴建国．半导体制造中的智能化缺陷检测技术，第1版，北京：科学出版社，2022：89－95．
［4］ 赵晓峰，徐丽娜．基于注意力机制的高效缺陷检测模型设计．中国图象图形学报，2021，26(3)：456－465．
［5］ 李明．面向智能制造的多尺度缺陷检测算法研究，上海交通大学博士学位论文，2020：67－72．
［6］ 王涛，刘志刚，陈宇航等．工业视觉检测中的数据增强与不平衡分类优化．仪器仪表学报，2019，40(4)：102－110．
［7］ 孙建国，杨帆．基于轻量化YOLO的嵌入式实时缺陷检测系统．电子测量与仪器学报，2022，36(5)：23－30．
［8］ 中国电子技术标准化研究院．智能制造缺陷检测技术规范，北京：电子工业出版社，2021：34－38．
作者简介：佘宇桐，男，2004年生，本科，计算机科学与技术。

课题项目基金编码：

[1]省部级项目:《基于计算机视觉的图像分析高效计算技术的研究》。项目编

号:2022GY-074

[2]项目名称：《面向工业器件晶圆的智能化缺陷检测系统》；

项目编号：S202410709124；