一种高精度检测氮化硅陶瓷微纳尺度特征的方法，该方法结合了双域注意力机制和加权金字塔网络

《Materials Characterization》：High-precision detection method for micro-nano scale features of silicon nitride ceramics integrating dual-domain attention mechanism and weighted pyramid network

硅氮化陶瓷微纳米特征检测中梯度衰减问题导致定位偏差与特征融合不足，本文提出融合双域注意力机制与加权金字塔网络的检测方法，通过模拟多尺度梯度特征增强弱对比度区域，并动态学习多尺度特征权重提升定位精度，实验显示平均准确率达95.11%，四类缺陷召回率均超89%。

　　

关标丽|黄淑萍|任浩阳|饶水林|廖大海|蒋乐琪

景德镇陶瓷大学机械与电子工程学院，中国江西省景德镇市333403

摘要

本文研究了氮化硅陶瓷微观纳米尺度特征中的梯度衰减问题，这一问题导致检测边界框的定位偏差和特征融合不足。这些问题最终阻碍了对其微观结构的精确表征，并影响了质量控制。本文提出了一种结合双域注意力机制和加权金字塔网络的高精度检测方法。分析了氮化硅陶瓷在微观纳米尺度上的梯度衰减特性，设计了一种双域注意力机制以有效提取和增强这些梯度衰减的特征。同时研究了检测过程中锚框定位偏差的现象，并构建了加权金字塔网络以实现多尺度语义特征的有效融合，从而提高定位精度。该检测方法的平均准确率达到95.11%，四种不同类型微观纳米尺度特征的召回率均超过89%。这有效缓解了梯度衰减对检测性能的影响，为氮化硅陶瓷微观纳米尺度特征的检测和可靠性评估提供了系统性的解决方案，对先进芯片制造的质量控制具有重要意义。

引言

氮化硅陶瓷材料具有优异的性能，如高温耐受性、高压缩强度、耐磨性、电绝缘性和非磁性[1]、[2]，是未来先进半导体和芯片制造的核心关键材料[3]。它还广泛应用于航空航天、医疗设备和芯片制造等高精度领域[4]、[5]、[6]。然而，由于其较低的断裂韧性和高脆性[7]、[8]，氮化硅陶瓷在制备和加工过程中容易产生微裂纹、孔洞等微观纳米尺度缺陷。这些缺陷作为应力集中源，严重影响设备的介电性能、光损耗和长期可靠性。因此，对这些结构的精确统计分析、测量和表征对于确保产品制造产量至关重要[9]。目前，扫描电子显微镜和原子力显微镜是观察氮化硅陶瓷缺陷的主要技术[10]、[11]、[12]。然而，在信号采集和成像过程中，缺陷边缘的梯度衰减现象会导致特征图像与背景之间的对比度低、边缘模糊以及定位不准确等问题，严重阻碍了氮化硅陶瓷微观纳米结构的定量表征。为了解决氮化硅陶瓷微观纳米尺度特征中梯度衰减导致的定位偏差和漏检问题，本文提出了一种结合双域注意力机制和加权金字塔网络的新检测方法。

神经网络通过其层次化连接结构在处理复杂非线性关系方面表现出强大的能力。它们的核心优势在于能够从数据中自我学习并适应，同时对不完整或噪声数据具有鲁棒性[13]、[14]。基于深度学习的物体检测技术已成为医学图像分析、自动驾驶感知系统、人机界面和无人机监控等前沿领域的关键工具[15]、[16]、[17]。董和陈等人[18]、[19]针对小目标检测和遥感变化检测中多尺度表示能力不足和边缘模糊问题，提出了一种新的多尺度残差多分支神经网络和边缘协作多维信息交互网络。他们设计了多尺度扩展模块和上下文特征细化模块，构建了多尺度残差主干网络，并引入了多维信息交互和融合模块。这些设计增强了多尺度和多维特征之间的交互，减轻了语义信息冲突和网络退化，提高了边缘保留能力并优化了小目标变化检测性能。熊等人[20]关注了传统特征金字塔网络中基于插值的上采样引起的边缘模糊和失真问题，以及多组件融合导致的计算成本高和精度与速度不平衡问题，提出了一种基于主干的双向跳跃连接FPN融合策略，增强了跨层语义信息交互，优化了多尺度感受野，提高了特征采样质量。张等人[21]、[22]解决了图像质量下降和小目标检测问题，提出了一种轻量级神经网络架构PRCll-Net和一种新的双向加权特征金字塔网络，引入了渐进式重新参数化的注意力模块以优化尺度内特征交互，并结合了跨尺度信息交互特征金字塔网络来融合浅层和深层特征，将坐标注意力融入跨层信息流中以开发多尺度策略，显著提高了特征提取质量和多尺度特征表示能力，同时降低了计算复杂性。秦等人[23]针对弱纹理、低光照条件和大视差差异下传统和基于深度学习的图像拼接方法面临的挑战，提出了一种结合生成对抗网络和特征频率感知网络的无监督图像拼接方法，使用GAN进行初始图像增强，FFAN模块用于提取多尺度特征，频率感知分解和CBAM注意力机制用于处理低频全局结构和高频细节区域，在单向估计和图像变形过程中精确强调关键区域，进一步引入了拓扑驱动的仿射估计模块，增强了全局上下文理解，实现了稳健的图像对齐和融合。总之，上述方法为氮化硅陶瓷微观纳米尺度特征的精确检测提供了有价值的指导。然而，面对氮化硅陶瓷材料固有的微观纳米尺度特征梯度减弱问题，检测精度不足、漏检和定位偏差等问题仍然存在。

为了解决氮化硅陶瓷微观纳米尺度特征中梯度衰减导致的精确检测挑战，独立构建了一个专门用于这些特征的图像采集平台。针对梯度衰减导致的边缘与背景对比度低的关键问题，设计了一种结合数据集标注和增强策略的双域注意力机制。该机制不是简单堆叠通道和空间注意力模块，而是紧密贴合氮化硅陶瓷微观纳米特征的梯度衰减特性。通过使用具有不同膨胀率的并行卷积层来模拟多尺度梯度特征，有效捕获了梯度衰减特征的上下文信息。在此基础上，引入了通道-空间注意力筛选策略，以增强梯度衰减较弱的区域并抑制均匀背景区域，从而实现梯度衰减特征的有效提取和增强。此外，为了解决特征模糊导致的锚框定位系统偏差问题，深入分析了检测过程中定位偏差的根本原因，并结合了具有可学习权重的加权特征融合金字塔网络。该网络在训练过程中自动学习不同尺度特征的重要性权重，实现了多尺度语义特征的有效融合，提高了定位和分类精度。通过结合上述双域注意力机制和加权金字塔网络，本研究实现了一种专门用于氮化硅陶瓷微观纳米尺度特征的高精度检测方法，有效克服了传统技术的局限性，如显著的锚框定位偏差和特征融合不足。这项工作对促进氮化硅陶瓷在先进芯片制造中的应用以及提高芯片产量和性能具有重要意义。

章节摘录

氮化硅陶瓷微观纳米尺度特征的图像采集与预处理

为了准确捕获氮化硅陶瓷的微观纳米尺度特征图像并准备相应的数据集，采用了通过独立开发优化的扫描电子显微镜采集平台。采集平台的详细信息见下图1，主要包括以下三个部分：扫描电子显微镜采集设备的示意图、采集工作流程和数据集建立。

图1（A）展示了

双域注意力机制和加权金字塔网络实现氮化硅陶瓷微观纳米尺度特征的高精度检测

为了解决传统YOLOv5物体检测中锚框定位偏差和特征融合不足的问题，本文创新性地提出了一种针对氮化硅陶瓷微观纳米尺度特征的高精度检测方法。该方法结合了双域注意力机制和加权金字塔网络，利用氮化硅陶瓷微观纳米尺度特征的梯度衰减特性。

实验环境

(1) 实验环境的建立：

建立实验环境是确保数据处理可靠性、模型训练可重复性和结果可视化效果的基础。本文采用了表2中列出的详细参数配置，涵盖了关键模型参数和系统设置，为实验提供了统一的基准。基于此环境，所提出的方法经过了充分的训练

检测效果分析

(1) 局部效果分析。

由于氮化硅陶瓷微观纳米尺度特征在检测过程中容易受到边缘伪影和边缘模糊的影响，检测结果可能会出现偏差。为了准确评估氮化硅陶瓷微观纳米尺度特征的检测效果，对分析和检测结果进行了局部检查。如图8所示，主要包括四个部分：孔洞缺陷的局部检测

结论

(1) 本文提出了一种结合双域注意力机制和加权特征金字塔网络的高精度检测方法，用于氮化硅陶瓷的微观纳米尺度特征。为了解决这些特征的梯度衰减问题，在基线网络中加入了双域注意力模块。该模块模拟了多尺度感受野，并结合了通道和空间注意力，增强了上下文语义融合

CRediT作者贡献声明

关标丽：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，监督，资源管理，项目管理，方法论，研究，概念化。黄淑萍：撰写 – 原始草稿，可视化，验证，监督，资源管理，项目管理，方法论。任浩阳：撰写 – 原始草稿，可视化，验证，监督，软件，方法论，研究，形式分析，数据管理。饶水林：可视化，

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了江西省自然科学基金重点项目（项目编号：20252BAC240390）和江西省重点研发计划（项目编号：20243BBG71012）的支持，作者对此表示衷心的感谢。同时，作者也非常感谢编辑和匿名审稿人的宝贵意见和建议，这些意见有助于改进我们的手稿。