编辑推荐：
芯片表面缺陷检测对质量控制至关重要，但现有方法在鲁棒性、特征编码等方面存挑战。研究人员提出基于扩散模型和注意力机制的 DASeg-Net，引入 HiLo 等模块。在多数据集上 mIoU 表现优异，为缺陷检测提供新方案。
芯片作为电子设备的 “心脏”，其制造过程中的表面缺陷检测如同给芯片做 “体检”，直接关系到产品的性能与可靠性。然而，芯片世界里的 “瑕疵” 往往十分隐秘 —— 它们可能是微米级的裂缝、难以察觉的污渍，或是形态各异的破损。这些缺陷不仅尺寸微小、特征微弱，还存在大小差异悬殊、同类形态多变、不同类别间界限模糊等问题，如同隐藏在芯片表面的 “幽灵”，让传统检测方法常常 “力不从心”。
传统的人工目检如同 “大海捞针”，效率低下且依赖经验；早期的机器视觉方法，如模板匹配、阈值分割等，在复杂背景下容易 “误判” 或 “漏检”，就像戴着模糊的眼镜看世界。随着深度学习的兴起，基于编码器 - 解码器或空间金字塔池化的分割方法虽有进步，但要么在频繁的下采样中丢失局部细节，要么难以捕捉全局特征关联。而基于 Transformer 等架构的方法，又可能顾此失彼，在局部细节捕捉上有所欠缺。
为了攻克这些难题，国内研究团队开展了一项极具创新性的研究，相关成果发表在《Engineering Applications of Artificial Intelligence》。他们提出了一种基于扩散模型与注意力机制的端到端缺陷分割方法（DASeg-Net），旨在打造更精准的芯片 “体检仪”。
研究人员主要采用了以下关键技术方法：
- 在特征编码器中引入高频和低频注意力机制（HiLo），通过双分支结构同时增强缺陷特征的全局依赖和局部细节信息，实现平衡编码；
- 设计空间注意力融合模块（SAFM），从空间角度加强不同层级特征的融合，促进深层语义特征与浅层特征的有效合并；
- 引入辅助边缘分支，强化对缺陷边缘细微特征的关注；
- 采用基于 Transformer 的去噪解码器，将编码特征与噪声掩码结合，通过渐进去噪生成高质量分割掩码。
数据集与实验设置
研究使用了 Chip-Seg 数据集（含 Stain、Crack、Broken 三种缺陷，图像分辨率 378×379 像素，1269 个高质量样本）等多个芯片及表面缺陷分割数据集，通过对比实验验证方法性能。
实验结果
在四个数据集上，DASeg-Net 取得了优异的平均交并比（mIoU）表现：分别为 82.06%、86.04%、76.22% 和 83.39%。与传统方法及现有深度学习模型相比，该方法在处理小尺寸缺陷、复杂背景噪声及边缘分割时优势显著，展现出更强的鲁棒性和抗噪能力。
方法有效性分析
HiLo 注意力机制通过双分支结构，如同给模型装上了 “全局视野” 和 “显微镜头”，既能纵观缺陷的整体分布，又能捕捉局部细微特征；SAFM 模块则像一个 “特征搅拌器”，让不同层级的特征在空间维度上充分融合，避免了深层语义与浅层细节的 “割裂”；辅助边缘分支如同 “边缘探测器”，引导模型聚焦易被忽视的缺陷边界；基于 Transformer 的解码器则凭借自注意力机制，高效地将图像特征与噪声掩码 “编织” 成精准的分割掩码，兼顾了全局结构与局部细节。
研究表明，DASeg-Net 通过多模块协同作用，有效解决了传统方法在特征编码失衡、边缘分割薄弱及噪声敏感等方面的问题。其提出的扩散模型与注意力机制结合的思路，为工业缺陷检测领域提供了新的技术范式，不仅提升了芯片制造中的质量控制精度，也为光伏组件、电子元器件等其他高精度制造场景的表面缺陷检测提供了可借鉴的方法论。未来，随着模型优化与硬件加速，该方法有望进一步推动智能制造中视觉检测技术的革新，助力 “中国智造” 向更高精度、更高可靠性迈进。
