Study on precision dicing process of SiC wafer with diamond dicing blades

An innovative method for high-speed micro-dicing of SiC has been proposed using two types of diamond dicing blades,a resin-bonded dicing blade and a metal-bonded dicing blade.The experimental research investigated the radial wear of the dicing blade,the maximum spindle current,the surface morphology of the SiC die,the number of chips longer than 10μm,and the chipped area,which depend on the dicing process parameters such as spindle speed,feed speed,and cutting depth.The chipping fractures in the SiC had obvious brittle fracture characteristics.The performance of the metal-bonded dicing blade was inferior to that of the resin-bonded dicing blade.The cutting depth has the greatest influence on the radial wear of the dicing blade,the maximum spindle current,and the damage to the SiC wafer.The next most important parameter is the feed speed.The parameter with the least influence is the spindle speed.The main factor affecting the dicing quality is blade vibration caused by spindle vibration.The optimal SiC dicing was for a resin-bonded dicing blade with a spindle speed of 20000 rpm,a feed speed of 4 mm/s,and a cutting depth of 0.1 mm.To improve dicing quality and tool performance,spindle vibrations should be reduced.This approach may enable high-speed dicing of SiC wafers with less dicing damage.

Improvement of a Dicing Blade Using Direction Controlled Whisker by Electric Field

In the recent years, the light sensitive resin has be en greatly improved. Its application includes rapid prototyping, bonding, protec tive coating and sealing. A new application to using light sensitive resin inste ad of heat sensitive resin as bonding material in dicing blade is being progress ed by authors. This paper discusses the way in which the mechanical feature of t he new kinds of dicing blades had been greatly improved via adding whisker into light sensitive resin. Considering the enhancing function of whisker in length d irection is greater than that in diameter direction, an electric field was appli ed to make the direction of whisker in resin along with the direction of the load of dicing blade. In the electric field, a whisker in the resin is swerved to the direction of the electric force before the resin is solidified by ultravi olet radiation. The result shows that controlling the direction of whisker in th e resin by applying an electric field can finally greatly improve the mechanical property of dicing blade that can be used in processing the semi-conduct.

基于改进YOLOv8n的煤矿井下钻杆计数方法

为提高煤矿井下钻杆计数的效率和精度,提出了一种基于改进YOLOv8n模型的煤矿井下钻杆计数方法。建立了YOLOv8n−TBiD模型,该模型可准确检测矿井钻机工作视频中的钻杆并进行有效分割:为有效捕获钻杆的边界信息,提高模型对钻杆形状识别的精度,使用加权双向特征金字塔网络(BiFPN)替换路径聚合网络(PANet);针对钻杆易与昏暗的矿井环境混淆的问题,在Backbone网络的SPPF模块后添加三分支注意力(Triplet Attention),以增强模型抑制背景干扰的能力;针对钻杆在图像中占比小、背景信息繁杂的问题,采用Dice损失函数替换CIoU损失函数来优化模型对目标钻杆的分割处理。利用YOLOv8n−TBiD模型分割出的钻杆及其掩码信息,根据打钻过程中钻杆掩码面积变小而装新钻杆时钻杆掩码面积突然增大的规律,设计了一种钻杆计数算法。选取综采工作面实际采集的钻机工作视频对基于YOLOv8n−TBiD模型的钻杆计数方法进行了实验验证,结果表明:①YOLOv8n−TBiD模型检测钻杆的平均精度均值达94.9%,与对比模型GCI−YOLOv4,ECO−HC,P−MobileNetV2,YOLOv5,YOLOX相比,检测准确率分别提升了4.3%,7.5%,2.1%,6.3%,5.8%,检测速度较原始YOLOv8n模型提升了17.8%。②所提钻杆计数算法在不同煤矿井下环境的视频数据集上实现了99.3%的钻杆计数精度。

基于复杂纹理特征融合的材料图像分割方法

为解决材料图像分割中存在小样本、纹理复杂和数据分布不平衡的问题,抓住材料图像同相像素具有高度相似性的特性,提出一种基于复杂纹理特征融合的材料图像分割方法。在编码阶段,使用全卷积神经网络(FCN)作为基础网络,VGG16作为骨干网络;将改进的FCN的每层的特征图放入设计的级联的特征融合模块(CFF block),融合高低层语义信息;将融合的特征图放入多尺度学习模块(multi-scale block)进一步提取纹理特征。在解码阶段,对特征图施加注意力机制(Attention block),保留关键的特征图;针对材料图像中数据不平衡问题,采用并改进Dice损失,优化分割结果。通过对比实验和消融实验验证该方法的mIoU在多个数据集上均优于经典的深度学习方法。

Dice系数前向预测的快速正交正则回溯匹配追踪算法

为了提高压缩感知重构算法的成功率与重构精度,该文提出基于Dice前向预测的正交正则回溯匹配追踪算法(DLARBOMP)。在该算法中,首先从匹配准则与预选阶段原子选取的角度,利用Dice系数代替原子内积计算相关度,保留原始信号信息的特性,以此选择与残差最匹配的原子,提高算法的重构精度。同时,针对信号重构过程回溯算法的时间过长问题,在每次原子迭代过程中,该文利用正则化选择多个原子而非单个原子,实现重构精度与重构时间的平衡。最后,通过稀疏1维信号与2维图像信号重构的实验结果,显示了所提DLARBOMP算法在1维信号重构时兼顾了性能与效率,在2维压缩图像信号重构时提高其峰值信噪比(PSNR),优于正交匹配追踪(OMP)及其最新改进贪婪类算法。

基于卷积神经网络的颅内囊状动脉瘤半自动分割模型的构建与验证研究

目的基于卷积神经网络创建一种半自动的颅内囊状动脉瘤分割技术。方法回顾性连续纳入2017年7月至2020年7月“中国颅内动脉瘤计划”数据库中首都医科大学宣武医院的单中心数据,所有数据在分析前均进行了匿名处理。收集所有患者的基线资料,包括性别、年龄(≥60岁和<60岁)和DSA机型、DSA序列数及动脉瘤信息,包括动脉瘤个数、直径(≥5 mm和<5 mm)、颈宽(宽颈、窄颈)及位置(分叉部、侧壁)。根据8∶1∶1的比例将数据通过随机数字表法随机分为训练集、测试集和验证集。3个数据集患者的DSA三维断层数据均采用三维旋转DSA模式在造影机完成,并由3位有经验的神经外科医师对DSA三维断层数据显示的动脉瘤进行标注,并最终生成动脉瘤的标准标签。动脉瘤分割模型包括训练阶段和分割阶段。训练阶段,使用训练集的DSA三维断层图像数据与动脉瘤的分割标签以及通过Marching Cubes算法提取的血管边缘信息,对模型进行端到端的训练,在测试集上监控模型的分割指标,保留分割指标最高的模型。分割阶段,医师在验证集的动脉瘤DSA三维断层图像上选择一个动脉瘤内部的点,截取感兴趣体积(VOI),输入训练好的血管与动脉瘤分割最优模型,得到动脉瘤的分割结果,将分割的VOI定位回原始DSA三维断层图像以获得最终的动脉瘤轮廓。将分割网络模型的分割结果与人工获取的标准标签进行比较,以计算Dice相似系数(DSC)。对验证集数据按照动脉瘤直径、颈宽、位置进行分层,以比较不同亚组间的DSC。计算动脉瘤分割掩膜的长、宽和高的边界框,将其中的最大值作为动脉瘤的最大直径,与标准标签中的最大直径进行对比。在验证集中统计并比较颅内动脉瘤标准标签人工获取时间与分割网络模型获取时间(从定位动脉瘤到获取满意的动脉瘤颈分割时间)。结果最终纳入了756例患者的969个DSA序列显示的1094个动脉瘤的三维断层数据。其中,训练集纳入604例患者共783个DSA序列的877个动脉瘤,测试集纳入77例患者共100个DSA序列的117个动脉瘤,验证集纳入75例患者共86个DSA序列的100个动脉瘤。(1)各数据集基线比较结果显示,动脉瘤直径(P=0.003)、动脉瘤位置(P=0.003)的各数据集间的差异有统计学意义。余基线资料各数据集间差异无统计学意义(均P>0.05)。(2)验证集中动脉瘤分割的平均DSC为0.868±0.078。直径≥5 mm的动脉瘤分割的平均DSC高于直径<5 mm的动脉瘤(0.891±0.041比0.855±0.088,P=0.038)。窄颈、宽颈、分叉、侧壁动脉瘤分割的DSC值分别为0.882±0.065、0.859±0.085、0.876±0.072及0.863±0.080,组间差异均无统计学意义(均P>0.05)。(3)动脉瘤分割模型在验证集所得到的掩膜最大直径与人工分割获得的标准标签的最大直径有较好的一致性[(5.78±3.18)mm比(5.37±2.92)mm,r=0.97]。在验证集中,人工分割与应用神经网络分割动脉瘤的平均时长分别为2.5 min、34 s。结论本研究基于卷积神经网络创建半自动的颅内囊状动脉瘤分割技术可较为准确分割动脉瘤,该模型有助于动脉瘤形态学分析。

基于改进U-Net的遥感图像语义分割

全卷积神经网络在遥感图像语义分割中得到了广泛应用,该方法地物分类精度和效率较高,但对地物分布不均匀遥感图像占比较少地物的分类准确率较低。为了提高遥感图像的分类精度,本文通过添加先验知识方法丰富输入数据特征,采用密集链接方式提高上下采样过程中特征的重复利用率,采用可以优化交并比的损失函数Dice Loss和可以提高难分类类别精度的损失函数Focal Loss相加组合作为网络模型的损失函数,采用LayerScale模块加快模型收敛、抑制无用特征、突出有效特征的方式,对U-Net的输入、网络结构、损失函数进行改进,优化语义分割效果。结果表明,基于高分影像数据集(GID)改进的U-Net相较于原始U-Net像素精度、均类像素精度、平均交并比分别提高了0.0233、0.0409、0.0665,提升了地物分类精度,取得了较好的分类效果。

自愿减排机制下海洋碳汇交易的双重效益与影响因素

中国提出由能耗双控(控总量、控强度)转向碳排放双控,彰显了实现“双碳”目标的坚定决心与大国担当。身为第一大碳排放国,中国不仅需要以控碳为目标进行强制减排,更需要鼓励广泛“增汇”以实现社会化负排放。作为强制减排市场的有益补充,自愿减排市场兼顾全民参与和市场运作,两者互补协同、双轮驱动,是未来绿色低碳高质量发展的必经之路。该研究聚焦海洋碳汇(蓝碳)交易,构建了包含海洋碳汇的DSGE模型,借助脉冲响应,判断基于自愿减排机制的海洋碳汇交易是否兼顾“经济与环境”双重效益;通过敏感性分析,考察双重效益的波动情况;结合福利分析,探索双重效益与社会福利的提升策略。结果表明:①基于自愿减排机制的海洋碳汇交易能够实现双重效益,其中环境效益更显著。②做大做强海洋经济和适度加大政府补贴后,双重效益波动收敛,有助于海洋碳汇市场的平稳运行,海洋碳汇效率对环境效益的提升作用明显,而碳汇价格对双重效益的影响微弱。③实施海洋碳汇交易后社会福利改善明显,并且海洋产值占比的福利提升效果最显著,政府激励性补贴对福利提升的效果次之,交易价格与碳汇效率对福利的影响较弱。建议进一步强化“海洋强国”“海洋命运共同体”战略实施,加快海洋高质量发展;加强海洋碳汇方法学研究和技术创新,持续提升碳汇效率;政府适度提高激励性补贴,通过完善区域性自愿减排市场体系建设,加速推动海洋碳汇市场的落地实施。

CT图像层间插值方法的深入分析验证

目的:通过CT图像层间插值的方法提高图像质量,从而保证放疗中患者摆位验证的精度。方法:采用基于深度卷积神经网络(DCNN)算法,利用图像层间的关联信息重建中间层图像。应用卷积层、膨胀卷积层、池化层和上采样层交织的端到端的神经网络对CT图像进行处理。由于头颈部和胸腹盆部的结构差异,分别采用70例头颈部和75例胸腹盆部患者的图像数据进行训练,建立不同的头颈部和胸腹盆部模型。采用留一交叉验证的方法验证模型,将DCNN与线性插值和生成对抗网络(GAN)的性能进行比较。结果:头颈部患者中,DCNN的平均绝对误差(MAE)为36 HU,优于线性插值和GAN的62 HU和50 HU。除此之外,骨骼的Dice相似系数(DSC)为0.95,超过线性插值和GAN的0.88和0.91;胸腹盆部位患者中,DCNN的MAE为29 HU,优于线性插值和GAN的47 HU和34 HU。除此之外,骨骼的DSC为0.94,同样超过线性插值和GAN的0.87和0.91。结论:与线性插值和GAN相比,DCNN算法在重建薄层CT图像方面具有更高的精度;其显著减少了插值伪影、图像失真和锯齿效应,从而提高了放疗患者摆位验证的精度。

改进的DeepLabV3+指针式仪表图像分割算法

针对现有的仪表自动化读数算法占用空间大、推理速度较慢以及不能有效分割图像中密集细小目标的问题,提出改进的DeepLabV3+指针式仪表分割算法。首先以轻量化的MobileNetV2来构建网络主干达到降低参数量和推理权重、提高检测速度的目的。其次通过分块并归策略设计CSP-ASPP结构,在保证网络性能的同时降低参数量。之后使用改进后的SKFF模块通过自注意力机制以非线性方式融合多尺度特征,将原网络解码器中的二尺度特征融合变为四尺度特征融合。最后使用交叉熵损失联合加权的Dice损失作为网络的总损失函数,解决仪表分割中各类别像素分布不均的问题。最后通过实验证明,改进后的DeepLabV3+算法在仪表分割数据集上的平均交并比(mIoU)和平均像素准确率(mPA)达到了89.3%和94.8%,相对原网络分别提高了0.7%、0.6%,参数量和推理权重却仅有原网络的约7%,同时在GPU和CPU上的推理速度分别达到91和16 fps,解决了嵌入式设备部署困难的问题,达到了实时检测的要求,提高了仪表自动化读数的效率。

Lithium niobate planar and ridge waveguides fabricated by 3 MeV oxygen ion implantation and precise diamond dicing

We report on the fabrication and optimization of lithium niobate planar and ridge waveguides at the wavelength of 633 nm.To obtain a planar waveguide, oxygen ions with an energy of 3.0 Me V and a fluence of 1.5 × 10^(15) ions=cm^(2) are implanted in the polished face of Li Nb O_(3) crystals. For planar waveguides, a loss of 0.5 d B/cm is obtained after annealing at 300°C for30 min. The ridge waveguide is fabricated by the diamond blade dicing method on optimized planar waveguides. The guiding properties are investigated by prism coupling and end-face coupling methods.

基于改进PSPNet的掩模优化算法

针对现有深度学习方法中掩模生成质量较低的问题,提出了一种改进的PSPNet掩模优化模型,能够生成较高质量的掩模。保留PSPNet中提取网络ResNet50优秀的残差设计,在此基础上增加卷积注意力机制模块,使模型更加关注掩模边缘,将边缘信息充分的保留至下一层,便于最后上采样生成掩模。上采样过程中只使用双线性插值会导致冗余信息的增加,将双线性插值和像素重组融合,在提高上采样过程的分辨率的同时,保留更多特征,不增加冗余信息,提高掩模生成的质量。最后,加入DICE损失函数,与传统回归损失MSE结合,联合优化模型。结果表明:改进后网络较改进前掩模质量提升了7.1%,同时生成的掩模冗余更少,拐角更加顺滑,便于制造。

采用不对称聚焦加权Dice损失分割腹部CT图像

以UNet作为主干网络的少样本学习在医学图像分割领域广泛应用,但稀少的数据样本带来了数据失衡问题。为了解决该问题,提出一种采用不对称聚焦加权Dice损失用于腹部CT图像训练分割。通过在Dice损失中引入不对称结构思想和同方差不确定性策略,用以重新加权损失项,缓解数据失衡问题,在Synapse和AbdomenCT-1K腹部多器官数据集上比联合Dice和交叉熵损失函数的基线方法,平均Dice分数分别提升2.01%和2.75%。应用至最先进分割模型和3D图像数据集上的实验结果表明,采用本文所提方法,不但有更高的分割性能,而且可视化结果更平滑不嘈杂。

基于改进直觉模糊熵与Dice测度的VIKOR应急决策

针对不确定信息环境下决策属性权重未知的应急决策问题,提出一种改进直觉模糊熵权与Dice距离测度的VIKOR决策模型.首先,分析现有直觉模糊熵存在的不足,提出一种考虑隶属度、非隶属度以及犹豫度综合影响的改进直觉模糊熵;其次,引入Dice系数,结合犹豫度的特点构建直觉模糊Dice距离测度;然后,将直觉模糊熵权与直觉模糊Dice距离测度运用到基于直觉模糊的VIKOR方法中,并定义了群体贴近度公式,进而构建契合现实环境的应急决策模型;最后通过地震灾害后的应急决策算例,验证了该模型的合理性和有效性.

基于多模态图像信息的变电设备红外分割方法

无人机拍摄下的红外图像中变电设备的分割精度直接影响着热故障诊断的结果,针对复杂红外背景下变电设备分割精度低的问题,提出了一种融合可见光和红外图像的多模态路径聚合网络(Multimodal Path Aggregation Network,MPAN)。首先提取并融合两种模态图像的特征,考虑到两种模态图像的特征空间存在差异,提出了自适应特征融合模块(Adaptive Feature Fuse Module,AFFM),以充分融合两种模态特征;对具有多尺度特征的主干网络增加自底向上的金字塔网络,并对横向连接的路径增强模块引入自注意力机制;最后使用dice系数优化掩膜损失函数。实验结果表明,多模态图像的融合能够增强分割性能,且验证了提出各模块的有效性,该模型能够显著提高红外图像中变电设备实例分割的准确率。

基于Dice匹配的改进型匹配追踪算法

内积匹配准则作为一种搜索最匹配原子的方法,被广泛应用在传统压缩感知(CS)算法中。然而,由于该准则无法对相似向量进行准确度量,通常会导致最匹配原子的误判率高,无法满足更高精度的数据重构需求。针对这一问题,本文提出一种基于骰子(Dice)匹配的二次筛选选择性回溯匹配追踪(DSS-SBMP)算法,引入Dice系数匹配准则解决内积匹配准则对两向量间相似度度量不准确的问题;通过对原子进行二次筛选来减少原子所对应支撑集内的错误索引数,同时引入选择性回溯克服迭代过程中存在的回溯过度现象。仿真结果表明,DSS-SBMP算法在迭代过程中能够保留更多的正确原子,算法迭代次数小于子空间追踪(SP)算法,重构性能优于同类贪婪算法。

人工智能在根尖周囊肿病理诊断中的初步应用

目的研究人工智能应用于根尖周囊肿病理诊断的效果,初步探索人工智能在口腔病理学领域中的应用。方法以87例根尖周囊肿的病理图像作为研究对象,构建U-net型结构的神经网络,将87幅根尖周囊肿的HE图像和标注图像分为训练集72幅图和测试集15幅图,分别用于训练模型和测试模型,最后利用目标级指标F1分数和像素级指标Dice系数以及受试者工作特征(receiver operating characteristic,ROC)曲线评价U-net网络模型在根尖周囊肿上皮识别中的能力。结果U-net网络模型识别根尖周囊肿上皮的性能:F1分数为0.75,Dice系数为0.685,ROC曲线下面积为0.878。结论通过人工智能构建的U-net网络模型在识别根尖周囊肿上皮时具有较好的分割结果,能够初步应用于根尖周囊肿的病理诊断,有望进一步大样本验证后逐步推广于临床。

融合深度残差网络和注意力机制的3D目标检测

针对Frustum-PointNets的实例分割网络结构单一且卷积深度较深、易出现特征丢失和过拟合,检测准确率较低的问题,提出了一种改进的Frustum-PointNets网络。该网络首先构建深度残差网络并融入实例分割网络,提高特征提取能力,解决深层网络的退化问题;引入双重注意力网络以增强特征,提高分割效果;运用Log-Cosh Dice Loss解决样本不均衡,加快网络训练;使用Mish激活函数保留特征信息;最后基于Kitti和SUN RGB-D两个数据集进行实验验证本文算法的有效性。实验结果表明,本文算法相对于Frustum-PointNets,在Kitti数据集中,3D框检测精度提高了0.2%~13.0%;鸟瞰图的3D框检测精度提高了0.2%~11.3%。在SUN RGB-D数据集中,本文算法的3D框检测精度提高了0.6%~16.2%,平均检测精度(m AP)提高了4.4%。实验验证,本文算法在室外和室内场景中获得较好的目标检测及分割效果。

基于深度学习和形态学的海底沙波谷线提取

为了提高基于侧扫声纳图像提取海底沙波谷线这种类别不均衡线状地物的精度,提出了一种深度学习与数学形态学相结合的方法。该方法采用Dice损失函数和添加批标准化(batch normalization, BN),对U型卷积神经网络模型(U-Net)进行改进;结合数学形态学中的闭运算和骨架法,对沙波谷线轮廓进行修复并提取线性特征;进一步将改进的U-Net模型与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)、面向对象分类以及U-Net模型进行精度对比验证。结果表明:改进的U-Net模型能够解决类别不均衡的问题,实现沙波谷线的高精度提取,该方法对海底沙波的研究具有重要的科学与工程应用价值。

基于语义生成与语义分割的机织物缺陷检测方法

针对织物疵点的语义分割任务中因数据集规模限制,而导致网络出现的严重过拟合问题,课题组提出了针对织物的语义生成网络。语义生成网络使用随机产生的语义标签生成对应的织物缺陷图像,相较于传统数据增强方法,语义生成可生成全新图像,更贴近实际缺陷分布,并且可通过判别器对生成图像进行筛选;课题组将语义生成的图像作为语义分割网络的输入,相应的随机语义标签作为目标,免去标注过程,扩充语义分割网络的训练样本,提升网络性能;对于语义分割网络,提出尺寸自适应Dice损失函数,解决样本不平衡问题,提升网络对小尺寸的检测能力。实验结果表明:尺寸自适应Dice损失函数使得模型精度提高11.1%,使用BEGAN扩充的数据集相较于传统方法扩充的数据集训练得到的模型精度提高7.4%。