人工晶体学报

作者：陶文峰, 张晓龙, 朱海波

单位：1.合肥知常光电科技有限公司,合肥 230031;；2.安徽省超光滑表面无损检测重点实验室,合肥 230031

关键词：弱划痕提取,BGO晶体,目标分割,U-Net,晶体磨砂面,

基金：国家重点研发计划(2023YFF0715500);安徽省重点研究与开发计划(202304a05020009);安徽省科技创新平台重大科技项目(S202305a12020028)

BGO晶体通常需要通过切割、磨削等粗加工步骤制作磨砂面以提升元件性能,其粗加工过程中划痕缺陷的提取和预检对后续晶体元件的质量评估极为重要。然而,传统工业机器视觉算法难以精细分割晶体粗加工磨砂面上的弱划痕,极大地影响了后续晶体品质的检测效率。针对磨砂面弱划痕难以精确分割的难题,本文采用了一种改进的U-Net 深度学习算法,该算法在U-Net基础结构中嵌入了轻量级CBAM注意力机制,提升网络对浅划痕特征提取和细节恢复能力;同时采用Copy-paste数据增广方法,提升算法模型的泛化性;另外为了缓解样本中前景背景不平衡带来的消极影响,采用Dice Loss、Focal Loss复合损失函数。实验表明,本文算法对于晶体粗加工磨砂面的弱划痕能有效进行精确分割,并且其平均交并比Miou为85.2%,准确率为95.4%,相较于传统工业机器视觉算法有明显提升。此外该算法一定程度上解决了弱划痕的误分割与欠分割现象,能对粗加工过程中的晶体进行划痕缺陷预先检测,减少后续不必要的工艺和质量评估步骤,同时整体提高工业晶体产品的生产效率。

来源：2025年第4期

《人工晶体学报》期刊编辑部

查看人工晶体学报杂志2025年第4期