基于YOLOv7的芯片表面缺陷检测系统（源码＆教程）_芯片缺陷检测数据集

1.项目背景：

目前随着电子领域的快速发展，芯片也已经成为日常生活中不可或缺的一部分。随着市场对芯片的需求不断增大，裸芯片表面缺陷检测任务的压力也越来越大。裸芯片表面的缺陷检测不仅能保证芯片成品的质量，而且有着统计缺陷数量，反馈给生产前道工序的重要意义，但是目前许多生产线对于裸芯片表面依旧采用人工目检的方法进行缺陷检测，不仅实时性差，耗时长，而且结果会受到检测人员主观因素的影响。　　目前国内外的芯片表面缺陷检测设备不仅价格昂贵，而且功能比较单一，因此本文提出了一种基于深度学习的裸芯片表面缺陷检测算法，具有高效率，实时性好的特点，与传统人工目检的方式相比具有一定的优势。

2.识别效果展示

2.视频演示

基于YOLOv7的芯片表面缺陷检测系统（源码＆教程）_哔哩哔哩_bilibili

3.YOLOv7算法简介

YOLOv7 在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器

并在 V100 上，30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。YOLOv7 是在 MS COCO 数据集上从头开始训练的，不使用任何其他数据集或预训练权重。
相对于其他类型的工具，YOLOv7-E6 目标检测器（56 FPS V100，55.9% AP）比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN（9.2 FPS A100，53.9% AP）速度上高出 509%，精度高出 2%，比基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度高出 551%，精度高出 0.7%。

此外， YOLOv7 的在速度和精度上的表现也优于 YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、DETR 等多种目标检测器。

4.YOLOv7 技术方法

近年来，实时目标检测器仍在针对不同的边缘设备进行开发。例如，MCUNet 和 NanoDet 的开发专注于生产低功耗单芯片并提高边缘 CPU 的推理速度；YOLOX、YOLOR 等方法专注于提高各种 GPU 的推理速度；实时目标检测器的发展集中在高效架构的设计上；在 CPU 上使用的实时目标检测器的设计主要基于 MobileNet、ShuffleNe