摘要：光刻热点检测是实现集成电路可制造性设计,保障集成电路芯片最终良率的关键。鉴于传统基于深度学习的光刻热点检测方法难以满足先进集成电路制造对检测精度的要求,提出了一种基于改进yolov5s的检测算法,用于光刻版图热点缺陷的精确检测。通过将坐标注意力机制引入骨干网络,提高了yolov5s模型对版图图形区域的关注度,进而极大地改善了基于yolov5s的检测算法的光刻热点检测性能。与此同时,采用sigmoid线性单元激活函数进一步完善整个神经网络的非线性表达,利用scylla交并比损失函数更快速地定量评估边界框回归损失,提高了热点检测算法的收敛速度和精度。将ICCAD(The International Conference on Computer-Aided Design)2012竞赛基准、经光学邻近校正优化后的光刻图形作为数据集对所提算法开展性能测试实验,验证了热点检测算法的优异检测精度。实验结果表明,该算法的平均准确率、平均召回率、平均F1-score和均值平均精度分别达到97.7%、98.0%、97.8%和98.4%,显著优于其他光刻热点检测算法,展示了良好的应用前景。

摘要：针对目前带式输送机滚筒故障检测方法检测效率低、识别准确率不高、特征提取能力较差等问题,提出了一种基于改进yolov5s的带式输送机滚筒故障检测方法。在yolov5s网络模型中增加了小尺寸检测层,使尺寸较小的滚筒故障更易被检测到;在Backbone和Neck间引入卷积注意力机制(CBAM),提高目标检测的准确率;在Neck中引入高效通道注意力机制(ECA),增强对滚筒故障的特征提取能力。实验结果表明:①在满足实时检测要求的前提下,改进yolov5s网络模型识别平均准确率均值达94.46%,较改进前提升了1.65%。②改进yolov5s网络模型对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别为95.29%,96.43%,91.65%,较改进前分别提高了1.56%,0.89%和2.50%。设计了基于改进yolov5s的带式输送机滚筒故障检测系统,并对该系统进行验证:①实验平台测试结果表明:基于改进yolov5s的带式输送机滚筒故障检测系统对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别达95.29%,96.43%,91.65%,3种故障检测的平均准确率均值达94.46%,检测速度约为14帧/s。②现场测试结果表明:包胶磨损和包胶脱落的置信度分别为0.92,0.97,且能准确地识别出滚筒的故障类型和位置,说明基于改进yolov5s的带式输送机滚筒故障检测系统具有可行性。

摘要：针对变电站多种电气设备实时检测的需求,提出了一种基于改进yolov5s的电气设备识别方法,并设计基于Android部署的电气设备识别APP,以便对电气设备进行识别与学习。以电力变压器、绝缘子串等6种常见变电站电气设备为例构建图像数据集。数据集进行图像预处理后对yolov5s算法进行改进。通过引入C2f模块提高小目标检测精度,采用soft-NMs提高检测框筛选能力,减少漏检和误检的情况,使用改进后的算法对数据集进行模型训练。将训练好的识别网络模型通过TensorFlow Lite框架进行模型部署,设计电气设备识别APP。经验证,改进后的变电站电气设备识别网络模型mAP稳定在91.6%,与原模型相比提高了3.3百分点。部署后的APP具有设备识别和设备介绍等界面,使用移动端进行识别时每张图片识别时间都小于1 s,具有较快的识别速度和较高的识别精度,可以高效地实现变电站电气设备的实时检测与设备学习。