《表1 芯片级原子钟识别定位结果对比》
实验结果如表1所示,Adaboost集成学习方法联合多个弱分类器的结果,在弱分类器基础上对困难样本做新的预测分类,对正负样本的数量和质量都有很高要求,由于微器件的特征信息相对单一,新集成弱分类器很难在前面基础上找到新的分类特征,所以集成学习方法检测结果并不高,芯片级原子钟器件的识别准确率不到40%,本文并未做结果展示。YOLOv5的检测结果如图8(a)所示,其识别准确率达到97%,但YOLOv5处理一张图像的时间长达1.4s,处理速度难以满足测量实时性的要求。本文提出方法的识别定位结果如图8(b)和8(c)所示,在未增加困难样本的情况下,训练模型识别准确率为88.1%,对于微器件处于边界的情况,存在漏检和误检。增加遮挡样本和困难样本之后,SVM检测器对于边界物体的检测准确度有很大提升,在微器件遮挡不超过30%前提下,可以检测出微器件所在位置。检测准确率均达到95%以上。对于光源强度不稳定导致图像模糊情况,实验所训练模型都有良好的表现。
图表编号 | XD00188417300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.01 |
作者 | 高兴华、董登峰、王博、周维虎 |
绘制单位 | 中国科学院微电子研究所、中国科学院大学、中国科学院微电子研究所、中国科学院大学、中国科学院微电子研究所、中国科学院大学、中国科学院微电子研究所、中国科学院大学 |
更多格式 | 高清、无水印(增值服务) |