論文の概要: Optical Inspection of the Silicon Micro-strip Sensors for the CBM Experiment employing Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2107.07714v1
• Date: Fri, 16 Jul 2021 05:48:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-19 22:09:51.673852
• Title: Optical Inspection of the Silicon Micro-strip Sensors for the CBM Experiment employing Artificial Intelligence
• Title（参考訳）: 人工知能を用いたcbm実験用シリコンマイクロストリップセンサの光学検査
• Authors: E. Lavrik, M. Shiroya, H.R. Schmidt, A. Toia and J.M. Heuser
• Abstract要約: 本論文では, 各種センサ表面欠陥の解析について述べる。 畳み込みディープニューラルネットワーク(CDNN)の応用による欠陥検出 センサ表面の欠陥の総数に基づいて,センサの全体的な品質評価と品質スコアを推定する手法を提案した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optical inspection of 1191 silicon micro-strip sensors was performed using a custom made optical inspection setup, employing a machine-learning based approach for the defect analysis and subsequent quality assurance. Furthermore, metrological control of the sensor's surface was performed. In this manuscript, we present the analysis of various sensor surface defects. Among these are implant breaks, p-stop breaks, aluminium strip opens, aluminium strip shorts, surface scratches, double metallization layer defects, passivation layer defects, bias resistor defects as well as dust particle identification. The defect detection was done using the application of Convolutional Deep Neural Networks (CDNNs). From this, defective strips and defect clusters were identified, as well as a 2D map of the defects using their geometrical positions on the sensor was performed. Based on the total number of defects found on the sensor's surface, a method for the estimation of sensor's overall quality grade and quality score was proposed.
• Abstract（参考訳）: 1191個のシリコンマイクロストリップセンサの光学検査をカスタムメイドの光学検査装置を用いて行い、欠陥解析とその後の品質保証に機械学習に基づくアプローチを用いた。 さらに,センサ表面のメトロジー制御を行った。 本論文では, 各種センサ表面欠陥の解析について述べる。 その中には、インプラントブレーク、pストップブレイク、アルミニウムストリップオープン、アルミニウムストリップショーツ、表面スクラッチ、ダブルメタリゼーション層欠陥、受動層欠陥、バイアス抵抗欠陥、ダスト粒子の同定などがある。 欠陥検出は、畳み込みディープニューラルネットワーク(CDNN)を用いて行われた。 このことから, 欠陥片と欠陥クラスターが同定され, センサ上の幾何学的位置を用いた欠陥の2次元マップが得られた。 センサ表面に存在する欠陥の合計数に基づいて,センサの全体的な品質評価と品質スコアの推定法を提案した。

関連論文リスト

• Segment Anything in Defect Detection [38.85728242930962]
  DefectSAMは、ノイズの多い熱画像に欠陥を分割するための新しいアプローチである。 既存の最先端セグメンテーションアルゴリズムを超え、欠陥検出率を大幅に改善する。
  論文  参考訳（メタデータ） (2023-11-17T00:28:19Z)
• CINFormer: Transformer network with multi-stage CNN feature injection for surface defect segmentation [73.02218479926469]
  表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。 CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。 さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
  論文  参考訳（メタデータ） (2023-09-22T06:12:02Z)
• Gap and Overlap Detection in Automated Fiber Placement [4.0466311968093365]
  高品質な複合部品の確保には、製造欠陥、特にギャップと重複の特定と補正が不可欠である。 本稿では,光学コヒーレンス・トモグラフィ(OCT)センサとコンピュータビジョン技術を用いて,複合部品のギャップや重なりを検出する手法を提案する。 その結果,ギャップと重なりのセグメンテーションにおいて高い精度と効率が示された。
  論文  参考訳（メタデータ） (2023-09-01T01:48:21Z)
• Automated Semiconductor Defect Inspection in Scanning Electron Microscope Images: a Systematic Review [4.493547775253646]
  機械学習アルゴリズムは、半導体サンプルの欠陥を正確に分類し、特定するために訓練することができる。 畳み込みニューラルネットワークはこの点において特に有用であることが証明されている。 本稿では,SEM画像における半導体欠陥の自動検査の現状について概観する。
  論文  参考訳（メタデータ） (2023-08-16T13:59:43Z)
• Database of semiconductor point-defect properties for applications in quantum technologies [54.17256385566032]
  我々はダイヤモンド、炭化ケイ素、シリコンなど様々な半導体の5万点欠陥を計算した。 生成エネルギー,スピン特性,遷移双極子モーメント,ゼロフォノン線など,これらの欠陥の関連光学的および電子的特性を特徴付ける。 内在シリコンで安定な2331個の複合欠陥が検出され、光に輝く多くのスピン量子ビット候補と単一光子源を特定するためにフィルタされる。
  論文  参考訳（メタデータ） (2023-03-28T19:51:08Z)
• Fingerprint Liveness Detection Based on Quality Measures [66.76480178498315]
  新たな特徴セットは、完全なライブネス検出システムで使用され、LivDETコンペティションの開発セットでテストされている。 提案手法はマルチセンサのシナリオに対して堅牢であることが証明され、全体の93%が正しく分類されたサンプルである。
  論文  参考訳（メタデータ） (2022-07-11T12:15:27Z)
• LightDefectNet: A Highly Compact Deep Anti-Aliased Attention Condenser Neural Network Architecture for Light Guide Plate Surface Defect Detection [71.40595908386477]
  ライトガイドプレートの製造において重要なステップは、傷、明るい暗黒点、不純物などの欠陥の検査である。 ディープラーニング駆動型コンピュータビジョンの進歩は、ライトガイドプレートの自動視覚品質検査の探索につながった。 LightDetectNetは、光ガイド板表面欠陥検出に特化して設計された、高度にコンパクトなディープアンチエイリアス化されたアテンションコンデンサニューラルネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2022-04-25T16:33:37Z)
• In situ process quality monitoring and defect detection for direct metal laser melting [0.0]
  プロセス内故障検出と部分品質予測は、既存の商用DMLMシステムに容易に展開できる。 ベイズ的アプローチは、複数のプロセス状態の1つに測定を属性付け、最小2乗回帰モデルは、特定の材料欠陥の深刻度を予測する。
  論文  参考訳（メタデータ） (2021-12-03T14:05:31Z)
• TinyDefectNet: Highly Compact Deep Neural Network Architecture for High-Throughput Manufacturing Visual Quality Inspection [72.88856890443851]
  TinyDefectNetは、高スループット製造の視覚品質検査に適した、非常にコンパクトな深層畳み込みネットワークアーキテクチャである。 TinyDefectNetはAMD EPYC 7R32上にデプロイされ、ネイティブフロー環境を使って7.6倍のスループット、AMD ZenDNNアクセラレーターライブラリを使って9倍のスループットを達成した。
  論文  参考訳（メタデータ） (2021-11-29T04:19:28Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Smart-Inspect: Micro Scale Localization and Classification of Smartphone Glass Defects for Industrial Automation [8.414611978466622]
  スマートフォンガラスの16K画素画像上に,知的マイクロスケールの局所化と欠陥の分類を行うための,堅牢な半教師付き学習フレームワークを提案する。 本モデルでは, ひっかき傷, ひび割れによる光漏れ, 穴の3種類の欠陥の認識とラベル付けを行う。 また, ダスト粒子とセンサ領域による欠陥と光反射を非欠陥領域と分類した。
  論文  参考訳（メタデータ） (2020-10-02T01:15:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。