AI 引导的缺陷检测技术以建模单晶金刚石生长

从工艺开发的角度来看，化学气相沉积金刚石生长已取得显著进展。然而，在实现高质量和大面积材料生产方面仍存在挑战。这些困难包括控制条件以维持整个生长表面的均匀生长速率。随着生长的进行，各种因素或缺陷状态出现，改变了均匀条件。这些变化影响生长速率并导致微尺度晶体缺陷的形成。然而，目前明显缺乏利用生长过程中拍摄的图像来识别这些缺陷状态及其几何形状的方法。本文详细介绍了使用原位光学图像进行缺陷分割管道的开创性工作，以识别在宏观尺度上可见的表明缺陷状态的特征。采用我们先前工作中应用的语义分割方法，这些缺陷状态及相应的衍生特征通过其像素掩码被隔离和分类。使用以标注为核心的人机协同软件架构来生成训练数据集，并配备用于选择性数据标注的主动学习、数据增强和模型辅助标注模块，我们的方法实现了有效的标注精度，并将标注的时间和成本大幅降低了数个数量级。在模型开发方面，我们发现基于深度学习的算法效率最高。它们能够从特征丰富的数据集中准确学习复杂的表示。我们基于 YOLOV3 和 DeeplabV3plus 架构的最佳性能模型，对特定感兴趣特征实现了出色的准确率。具体而言，中心缺陷的准确率达到 93.35%，多晶缺陷达到 92.83%，边缘缺陷达到 91.98%。