通过结合生物学合理的视觉注意模型与深度学习改进自动视觉缺陷检测
摘要
将生物处理原理以及人类识别的能力迁移到机器视觉与工程系统中是一个长期目标。此类原理之一是视觉注意，这是一种将处理聚焦于场景某部分的人类智能概念。在本文中，我们利用注意改进半导体制造领域内晶圆缺陷图案的自动检测。该领域以往工作常利用 KNN、SVM 或 MLP 等经典机器学习方法，少数已使用深度神经网络（DNNs）等现代方法。然而，该领域的一个问题是故障通常非常小，且必须在较大尺寸的芯片甚至晶圆中被检测出来。因此，必须在大量图像数据中检测像素级的小结构。人脑解决此问题的一个有趣原理是视觉注意。故此，我们在此采用一种生物学合理的视觉注意模型用于自动视觉检测。我们提出了视觉注意与深度神经网络混合系统。如所示，我们的系统除其他决定性优势外，将准确率从 81% 提升至 92%，并将故障检测准确率从 67% 提升至 88%。因此，错误率从 19% 降至 8%，尤其在芯片中检测故障的错误率从 33% 显著降至 12%。这些结果表明注意可大幅改进视觉检测系统的性能。此外，我们进行了广泛评估，确定了该生物注意模型在此应用中的具体优势，并将标准深度学习方法作为有无注意的替代方案进行了基准测试。本工作是原会议文章（发表于“IECON 2020”）的扩展 arXiv 版本，在视觉注意方面进行了扩展。
引用
@article{arxiv.2102.06955,
title = {Improving Automated Visual Fault Detection by Combining a Biologically Plausible Model of Visual Attention with Deep Learning},
author = {Frederik Beuth and Tobias Schlosser and Michael Friedrich and Danny Kowerko},
journal= {arXiv preprint arXiv:2102.06955},
year = {2021}
}
备注
This work is an extended arXiv version of the original conference article published in "IECON 2020": https://ieeexplore.ieee.org/abstract/document/9255234 . The work has been extended regarding visual attention