17、工业领域的AI：异常检测与机械应用

工业领域的AI：异常检测与机械应用

自动化异常检测

在半导体的组装和封装过程中，自动化异常检测至关重要。研究中采用了预训练的Resnet算法进行异常检测，如图2.4.7所示，标记区域存在异常。同时，图2.4.8展示了聚类异常单元的示例，左侧是根据PAD进行的聚类，中间是专家审核后的聚类，右侧是PAD识别为标记的缺陷单元示例。

卷积神经网络（CNN）

近年来，深度神经网络（DNN）在广泛的图像处理任务中表现出色。其中，顺序卷积神经网络（SCNN）是深度学习算法中常见的变体。其主要目的是从输入图像的不同空间尺度提取局部特征，通过使用输入数据的小补丁学习图像特征，保留像素之间的空间关系。

在CNN术语中，一个4×4的图像补丁被称为捕获场、滤波器内核或特征检测器。将局部滤波器在整个图像上滑动，并计算滤波器权重与输入图像强度的点积所形成的矩阵，称为卷积特征、激活图或特征图。每个特征图作为后续卷积层的输入。滤波器作为特征检测器，从原始输入图像中提取各种特征，保留最相关的特征，抑制不太相关的特征。

假设图像X由以下映射定义：
[X : {1, \ldots, M} \times {1, \ldots, N} \to W \in R, (i, j) \to X_{i,j}]
这样的图像X由大小为M×N的数组表示。给定滤波器(F \in R^{(2k_1 + 1) \times (2k_2 + 1)})，图像X与滤波器内核F的卷积计算如下：
[(X * F) {r,s} := \sum {u = -k_1}^{k_1} \sum_{v = -k_2}^{k_2} F_{u,v} X_{r + u,s +