来源：期刊VIP网 时间：
作者：侯云;
单位：西南电子技术研究所敏捷智能计算四川省重点实验室;
摘要：焊缝中存在的空洞缺陷严重影响芯片的气密性，这使得芯片检测成为智能制造过程中必不可少的步骤。空洞的多尺度形状以及表面灰度分布不均匀现象给基于深度学习的目标分割模型带来具大的挑战。为克服上述问题，文中提出一种基于不确定性引导的芯片空洞分割网络。该网络设计一种多尺度特征提取模块，提高模型对微小空洞的表征能力；并提出一种不确定引导模块，加强模型对空洞边缘的学习能力；此外，网络还引入通道注意力机制，自适应地调整模型整体感受野，增强特定语义的特征表示。为了验证算法的有效性，在所收集的空洞数据集上进行实验。实验结果证明：基于不确定性引导的芯片空洞分割网络对微小空洞的分割效果具有明显的提升；相比于基础U-Net，网络在空洞数据集上提高了约3.4%IoU和5.0%DICE值。
关键词：深度学习;;图像分割;;芯片检测;;注意力机制;;不确定性;;空洞
基金资助：国家重点研发计划（2023YFB4707200）;; 国家自然科学基金项目（52175031）;; 四川省自然科学基金项目（2023NSFSC0497）
