А.Ю. Шафигуллина1, Д.И. Климов2, Т.Т. Мамедов3, И.Р. Губайдуллин4

1–4 АО «Российские космические системы» (Москва, Россия)

2 Национальный исследовательский университет МЭИ (Москва, Россия)

1 contact@spacecorp.ru, 2 klimov.di@spacecorp.ru, 3 mamedov.tt@spacecorp.ru, 4 gubaidullin.ir@spacecorp.ru

Постановка проблемы. Тенденция развития искусственного интеллекта (в частности, машинного зрения) позволяет внедрять его в различные сферы деятельности человека, например, в дефектоскопию интегральных микросхем. На сегодняшний день существует большое количество методов реализации компьютерного зрения, каждые из которых имеют свои преимущества и недостатки, и для каждой задачи результат применения данных методов будет различным.

Цель. Рассмотреть существующие методы машинного зрения и экспериментальных исследований, позволяющих определить наиболее подходящий алгоритм для реализации классификации дефектов интегральных микросхем.

Результаты. При проведении экспериментальных исследований в рамках задачи классификации дефектов интегральных микросхем выявлены проблемные вопросы каждого метода классификации и даны рекомендации по более эффективному их применению. Показано, что наилучшую точность классификации дает сверточная нейронная сеть (98%), классическое обучение методом k-ближайших соседей с условием выявления признаков изображения при помощи масштабно-инвариантной трансформации (SIFT) дает точность выше, чем нейронные сети (50%).

Практическая значимость. Для более простых баз данных рекомендуется использовать методы классического обучения, так как они не требуют дополнительных ресурсов и просты в реализации. Для решаемой задачи с небольшой базой знаний алгоритм k-ближайших соседей позволил получить допустимую точность.

Шафигуллина А.Ю., Климов Д.И., Мамедов Т.Т., Губайдуллин И.Р. Современные методы компьютерного зрения и их практическое применение в задаче дефектоскопии интегральных микросхем // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 2. С. 23-33. DOI: https://doi.org/10.18127/j19998554-202402-03

1. Адамова А.А., Зайкин В. А., Гордеев Д.В. Методы и технологии машинного обучения и нейросетевых технологий в задачах компьютерного зрения // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 4. С. 25–39. DOI 10.18127/j19998554-202104-03.
2. Корчагин С.А. Система компьютерного зрения для автоматической классификации нанокомпозитов // Информационно-измерительные и управляющие системы. 2023. Т. 21. № 5. С. 16–26. DOI 10.18127/j20700814-202305-03.
3. Вирясова А.Ю., Ишин И.А. Анализ предметной области и разработка базы данных для реализации дефектоскопии интегральных структур // Academy. 2017. № 12(27). С. 26–29.
4. Tareen S.A.K., Saleem Z. A comparative analysis of SIFT, SURF, KAZE, AKAZE, ORB, and BRISK // International Conference on Computing, Mathematics and Engineering Technologies. Sukkur, Pakistan. 2018. P. 1–10. DOI 10.1109/ICOMET.2018.8346440.
5. Zivkovic S. Feature Matching methods comparison in OpenCV. [Электронный ресурс] – Режим доступа: https://datahacker.rs/feature-matching-methods-comparison-in-opencv/, дата обращения 30.03.2023.
6. Blei D.M., Ng A.Y., Jordan M.I. Latent Dirichlet Allocation // Journal of Machine Learning Research. 2003. V. 3. P. 993–1022.
7. Nefedov A. Support Vector Machines: A Simple Tutorial. 2016.
8. Ng A.Y., Jordan, M.I. On Discriminative vs. Generative Classifiers: A comparison of Logistic Regression and Naive Bayes // Advances in Neural Information Processing Systems. 2002.