طريقة محسّنة قائمة على شبكة R-CNN للتعرف الذكي على كرات السندات وأسلاك السندات في رقائق الترددات اللاسلكية
إيفيت وو أكتوبر 10, 2025
رقائق RF, كمكونات أساسية لأنظمة الاتصالات الحديثة، تلعب دورًا حاسمًا في تحديد موثوقية وثبات توصيلات الدوائر الكهربائية. إن جودة السلك الرابط وكرة الرابطة في رقائق RF تؤثر بشكل مباشر على أداء النظام بأكمله. أظهرت طرق الفحص الضوئي الأوتوماتيكية التقليدية قصورًا في تحديد كرات الرابطة وأسلاك الرابطة في رقائق RF, بما في ذلك ارتفاع المعدل الإيجابي الخاطئ والاعتماد على إعادة الفحص اليدوي. ولمعالجة هذه المشكلات، يقترح هذا البحث طريقة تجزئة المثيل المحسّنة القائمة على شبكة R-CNN القناع المحسّنة لـ رقائق RF التي تحقق تحديدًا دقيقًا وفعالًا لهياكل الترابط.
التحديات في الكشف عن ترابط رقائق الترددات اللاسلكية
كرات الربط وأسلاك الربط في رقائق RF غالبًا ما تكون صغيرة ومتنوعة الأشكال، مما يجعل من الصعب اكتشافها بدقة باستخدام الطرق التقليدية. تتطلب هذه الخاصية نموذج كشف أكثر تطوراً يمكنه التعامل مع أحجام وأشكال متنوعة، خاصةً في بيئات الإنتاج حيث تكون السرعة والدقة أمرًا بالغ الأهمية.
التحسينات الرئيسية في نموذج R-CNN القناع للكشف عن رقاقة الترددات اللاسلكية
في هذه الدراسة، فإن هيكل شبكة R-CNN القناع تم تحسينه بطريقتين رئيسيتين لتحسين أدائه في الكشف عن كرات الرابطة وأسلاك الرابطة في رقائق RF:
تحسين آلية توليد الصندوق المسبق:
القناع الأصلي لشبكة R-CNN ذات الطبقات الهرمية (FPN) ف 2 و ف 5 و ف 6 بها عدد زائد من المربعات السابقة. تم تحسين ذلك عن طريق تقليل عدد المربعات السابقة من 260,000 إلى 190,000, مما يزيد بشكل كبير من كفاءة الاستدلال في النموذج دون التضحية بالدقة.
تعزيز البيانات المبتكرة من خلال كشف التصادم:
ولمعالجة مشكلة محدودية بيانات التدريب، قدمت الدراسة استراتيجية زيادة البيانات استنادًا إلى اكتشاف التصادم. تُحوِّل هذه الاستراتيجية كرات السندات وأسلاك السندات بشكل عشوائي ثم تضعها في رقاقة RF الخلفيات. وسّعت هذه الطريقة مجموعة بيانات التدريب بشكل فعال، مما قلل من تكاليف التعليقات التوضيحية وحسّن من متانة النموذج.
النتائج التجريبية والأداء
تم تدريب النموذج باستخدام رقاقة RF بيانات الصور التي تم جمعها مباشرةً من خطوط الإنتاج، والتي تضمنت مجموعة متنوعة من أشكال كرات السندات وأسلاك السندات وأنواع الخلفية. أظهرت النتائج أن تحسين قناع R-CNN المحسّن حقق النموذج متوسط متوسط الدقة (mAP) البالغ 85.23% و متوسط التقاطع فوق الاتحاد (IoU) البالغ 71.27% لـ رقاقة RF مهام تجزئة كرات السندات وأسلاك السندات. زمن الاستدلال لكل رقاقة RF كانت الصورة فقط 1.168 ثانية, تتفوق بشكل كبير على الطرق التقليدية مثل UNet و FCN.
والجدير بالذكر أن النموذج تفوّق في تجزئة كرات الرابطة الأولى والثانية من رقائق RF, بمتوسط دقة (AP) يزيد عن 87%. وقد أظهر ذلك تفوق النموذج في تحديد البنى المجهرية المعقدة ل رقائق RF.
التطبيق الواقعي والعمل المستقبلي
في الوقت الحالي، تم تنفيذ طريقة التعرف هذه واختبارها على خطوط الإنتاج من أجل رقائق RF. وقد أثبتت فعاليتها وعمليتها في البيئات الصناعية الحقيقية. وتظهر هذه الطريقة إمكانات قوية في معالجة تحديات العالم الحقيقي في رقاقة RF التصنيع، خاصة في سياق الفحص عالي السرعة.
سيركز العمل المستقبلي على تحسين أداء التجزئة للأسلاك الرابطة الأكبر في رقائق RF, مما يعزز من قابلية تطبيق الطريقة في مهام الكشف المعقدة ضمن رقاقة RF عملية التصنيع.
إيفيت وو
إيفيت وو - أخصائية تطبيقات الرقائق وتطوير السوق. إيفيت وو مهندسة تطبيقات رقائق متخصصة في السوق. تكمن مسؤوليتها الأساسية في دراسة احتياجات السوق وتحديدها بدقة، ودمج الموارد بكفاءة عبر سلسلة الصناعة، من تصميم الرقائق إلى التطبيقات النهائية، لتلبية متطلبات العملاء من المنتجات النهائية شديدة التخصص والتعقيد. بفضل رؤيتها الثاقبة لاتجاهات التكنولوجيا وسيناريوهات تطبيقات العملاء، تلعب دورًا حيويًا كحلقة وصل بين التكنولوجيا والسوق. تتفوق في ترجمة احتياجات السوق إلى مواصفات تقنية دقيقة، وبلورة الحلول التقنية المعقدة بقيمة واضحة للعملاء، مما يضمن تلبية المنتجات لمتطلبات السوق بدقة.






