CN119399146A 一种改进型YOLOv8芯片表面缺陷检测模型及其构建方法和应用 （江苏大学）

一种改进型YOLOv8芯片表面缺陷检测模型本发明公开了一种改进型YOLOv8芯片表面效特征层和第三有效特征层；Neck模块采用Backbone模块输出的3个有效特征层输入YOLOv8目标检测模型结构对芯片表面缺陷精准2所述Neck模块采用BiFPN双向特征金字塔特征融合结构，将Backbone所述Head模块包括Detect网络结构，所述Detect网络结构与CBAM注意力机制网络连步骤2，基于步骤1搭建的改进型YOLOv8目标检测模型结2.根据权利要求1所述的一种改进型YOLOv8的芯片表面缺陷检测模型构建方法，其特征在于，所述Backbone模块的网络结构为：自输入到输出，由第一DCNv3网络结构、第二3.根据权利要求2所述的一种改进型YOLOv8的芯片表面缺陷检测模型构建方法，其特4.根据权利要求3所述的一种改进型YOLOv8的芯片表面缺陷检测模型构建方法，其特中对输入特征图进行标准的卷积操作，卷积操作中采样点的位置并非固定，在offset当Conv层在进行卷积时，将Offsetfield层生成的偏移量在offsets层中应用到卷积核的5.根据权利要求3所述的一种改进型YOLOv8的芯片表面缺陷检测模型构建方法，其特6.根据权利要求1所述的一种改进型YOLOv8的芯片表面缺陷检测模型构建方法，其特37.根据权利要求1所述的一种改进型YOLOv8的芯片表面缺陷检测模型构建方法，其特8.根据权利要求1所述的一种改进型YOLOv8的芯片表面缺陷检测模型构建方法，其特步骤2.1，获取带有芯片表面缺陷的图片，并对图片进行标注形成芯片表面缺陷数据步骤2.2，利用数据集的训练集和验证集对上述改进型YOLOv8目标检测模型进行训练一种改进型YOLOv8的芯片表面缺陷检测模步骤2、将待识别芯片表面缺陷的图片输入到上述改进型YOLOv8目标检测模型中进行45[0022]步骤2.2，利用数据集的训练集和验证集对[0026]步骤2、将待识别芯片表面缺陷的图片输入到上述改进型YOLOv8目标检测模型中6模块对特征进行空间维度的加权，使得改模型可以在多个维度上选择性地增强重要特征。其利用注意力机制来增强网络的特征选择能力，通过关注不同通道和空间位置的重要性，[0034]图1是本发明一种改进型YOLOv8的芯片表面缺陷检测模型构建方法及应用的流程7[0042]如图1所示，本申请所提出的一种改进型YOLOv8的芯片表面缺陷检测模型构建方型YOLOv8目标检测模型结构包括Backbone模块、Neck模块和Head模块。本发明在原有成描述卷积核在每个位置上的移动方式的偏移值。当Conv层在进行卷积时，将Offset[0051]更具体地，DCNv3网络结构中采用了SiLU激活函数，SiLU是对传统激活函数8网络结构输出的第三有效特征层作为输入；第一Concat_BiFPN网络结构的输入还与第三C2f网络结构连接，将第三C2f网络结构输出的第二有效特征层作为输入；第二Concat_BiFPN网络结构的输入还与第二C2f网络结构连接，将第二C2f网络结构输出的第一有效特[0056]结合附图4，CBAM注意力机制网络结构是将通道注意力模块和空间注意力模块的[0057]图4中上半部分为通道注意力机制，通道注意力机制首先对输入的特征图执行全[0058]图4中的下半部分为空间注意力机制，空间注意力机制对输入进来的特征图先沿9[0064]假设输入的特征图为x1,x2,...,xn，其中n表示输入的特征图的数量。Concat_[0075]如图5所示，将Backbone输出的3个有效特征层分别输入Neck中的3个Concat_待检测特征图N2分别由来自上一个网络层N1下采样得到的特征图、第三个C2f输出的特征图P2及特征提取网络部分F2进行上采样融合产生的特征图这三个不同网络层级的特征融合得到。[0090]基于上述芯片表面缺陷检测模型，本发明还提出了一种[0092]步骤2、将待识别芯片表面缺陷的图