为了快速准确地检测麦穗并计数,特提出改进YOLOv5s的麦穗检测与计数的轻量网络模型PY-bckbone。首先,基于PP-LCNet轻量网络结构,对YOLO(you only look once)v5s的特征提取网络进行替换,减少网络参数和计算量;其次,为提高检测精度,在网...为了快速准确地检测麦穗并计数,特提出改进YOLOv5s的麦穗检测与计数的轻量网络模型PY-bckbone。首先,基于PP-LCNet轻量网络结构,对YOLO(you only look once)v5s的特征提取网络进行替换,减少网络参数和计算量;其次,为提高检测精度,在网络特征提取处加入坐标注意力机制,并且对颈部特征融合处的卷积层做改动,提升模型在复杂麦田背景下检测目标的能力,最后,将改进后的模型与其它经典模型进行麦穗检测与计数实验对比。结果表明:均值平均精度值为94.2%,分别比Faster RCNN、 SSD、YOLOv4-tiny、Yolov5s提高的百分点数为6.79、32.75、22.08、1.1;参数量比YOLOv5s减少了28%,计算量减少了42%。与传统检测网络相比,该模型在麦田复杂场景下具有较好较快的检测能力。展开更多
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...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。展开更多
文摘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。