质量控制在现代制造中扮演着关键角色。随着电动车、5G通信和半导体行业的快速发展，硅碳化物（SiC）晶圆表面缺陷的高速和高精度检测变得至关重要。本研究开发了一种自动化检测框架，以识别SiC晶圆在粗磨阶段的表面缺陷。晶圆表面的复杂加工纹理干扰了传统的机器视觉模型，常导致判断错误。为了解决这一问题，采用了深度学习算法进行缺陷分类。由于缺陷在各类中稀少且不平衡，使用带有梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）及传统方法进行了数据增强。然后，对改进的YOLOv8-seg实例分割模型进行了训练和测试，使用不同增强策略的数据集。实验结果表明，当使用WGAN-GP生成的数据进行训练时，YOLOv8-seg实现了87.0%（边界框）和86.6%（分割掩码）的平均平均精度值。与传统的WGAN-GP相比，所提出的模型将Fréchet起始距离降低了32.2%，多尺度结构相似性指数降低了29.8%，生成了更真实和多样的缺陷图像。该框架在有限数据条件下有效提高了缺陷检测准确性，并展现出强大的工业应用潜力。
黄等（周四）研究了这个问题。