赖武刚，李家楠，林凡强

基于改进YOLOv5的轻量级芯片封装缺陷检测方法

赖武刚，李家楠，林凡强

（成都理工大学 机电工程学院，成都 610059）

针对芯片封装缺陷检测过程中检测精度低与模型难部署的问题，提出YOLOv5-SPM检测网络，旨在提高检测精度并实现模型轻量化。首先，通过在特征提取模块后增加通道注意力机制，提高缺陷通道的关注度，减少冗余特征的干扰，进而提升目标的检测精度。其次，在主干网络与颈部网络连接处使用快速特征金字塔结构，更好地融合了自建芯片数据集的多尺度特征信息。最后，将主干网络的特征提取模块更换为MobileNetV3，将常规卷积更换为深度卷积和点卷积，有效降低了模型尺寸和计算量。经过改进后的新网络YOLOv5s-SPM在模型参数下降29.5%的情况下，平均精度较原网络提高了0.6%，准确率提高了3.2%。新网络相较于传统网络在芯片缺陷检测任务中实现了模型精度与速度的统一提高，同时由于模型参数减小了29.5%，更适合部署在资源有限的工业嵌入式设备上。

YOLOv5；芯片封装缺陷检测；通道注意力机制；特征金字塔池化；轻量化

芯片技术是当今高新技术中的重要组成部分，其中封装是芯片从制造到成品不可或缺的关键环节之一。然而在工厂加工生产中时常会出现划痕或缺脚等各种封装缺陷，对芯片的丝印识别和实际使用都会造成巨大影响，从而降低良品率。因此，对芯片封装缺陷进行检测有着重要的现实意义。

传统方法对芯片封装缺陷的检测一般使用数字图像处理技术[1]，但近年来随着神经网络技术的发展，逐渐引入深度学习来进行缺陷识别，其中大致分为两阶段模型Faster R-CNN和单阶段模型YOLO系列。……