zldmЗаводская лаборатория. Диагностика материаловIndustrial laboratory. Diagnostics of materials1028-68612588-0187ООО «Издательство «ТЕСТ-ЗЛ»10.26896/1028-6861-2025-91-3-27-34zldm-2423Research ArticleИССЛЕДОВАНИЕ СТРУКТУРЫ И СВОЙСТВ. ФИЗИЧЕСКИЕ МЕТОДЫ ИССЛЕДОВАНИЯ И КОНТРОЛЯTESTING OF STRUCTURE AND PARAMETERS. PHYSICAL METHODS OF TESTING AND QUALITY CONTROLОценка плотности дислокаций на пластинах GaAs с применением технологии машинного зренияEstimation of dislocation density on GaAs plates using machine visionВербицкийР. А.VerbitskyR. A.

Роман Андреевич Вербицкий

111524, Москва, ул. Электродная, д. 2, стр. 1

Roman A. Verbitsky

2, str. 1, ul. Élektrodnaya, Moscow, 111524

RAVerbitsky@rosatom.ruЛатоновВ. Д.LatonovV. D.

Валерий Денисович Латонов

111524, Москва, ул. Электродная, д. 2, стр. 1

Valery D. Latonov

2, str. 1, ul. Élektrodnaya, Moscow, 111524

СыровЮ. В.SyrovYu. V.

Юрий Вячеславович Сыров

111524, Москва, ул. Электродная, д. 2, стр. 1

Yuriy V. Syrov

2, str. 1, ul. Élektrodnaya, Moscow, 111524

КнязевС. Н.KnyazevS. N.

Станислав Николаевич Князев

111524, Москва, ул. Электродная, д. 2, стр. 1

Stanislav N. Knyazev

2, str. 1, ul. Élektrodnaya, Moscow, 111524

Государственный научно-исследовательский и проектный институт редкометаллической промышленности «ГИРЕДМЕТ» имени Н.П. СажинаРоссияN.P. Sazhin Giredmet JSCRussian Federation2025200320259132734Copyright © Вербицкий Р.А., Латонов В.Д., Сыров Ю.В., Князев С.Н., 20252025Вербицкий Р.А., Латонов В.Д., Сыров Ю.В., Князев С.Н.Verbitsky R.A., Latonov V.D., Syrov Y.V., Knyazev S.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.zldm.ru/jour/article/view/2423

В работе представлены результаты применения технологий искусственного интеллекта (ИИ) и машинного зрения для детекции дефектов поверхности. Анализировали пластины с кристаллографической поверхностью {100} монокристаллического GaAs, выращенные методом Чохральского с жидкостной герметизацией расплава. На основе открытой архитектуры YOLOv8 была обучена нейронная сеть на распознавание ямок, образующихся в результате селективного травления пластин монокристаллического GaAs, и предложено решение автоматизации подсчета плотности дислокаций по выявленным ямкам селективного травления. Для обработки нейронной сетью использовали монохромные изображения, массив данных на этапе обучения составил около 40 000 объектов. Установлено, что средняя плотность ямок травления (объектов детекции) составляет (3 – 7) 104 см–2. При обучении на достаточном количестве данных алгоритмы ИИ и машинного зрения с высокой достоверностью способны распознавать целевые объекты, в том числе с наложением друг на друга. Сплошной подсчет (по всей поверхности пластины) и дальнейшая программная обработка результатов позволили получить карту распределения плотности дислокационных ямок травления, а также линии уровней плотности (изолинии) с привязкой к ее абсолютному значению. Показано, что применение метода сплошного подсчета с использованием технологий ИИ и машинного зрения в сравнении с традиционными усредняющими методами для анализа структурной однородности монокристаллического GaAs оправдано и целесообразно. Полученные результаты могут быть использованы для технологического контроля плотности дислокаций и выявления закономерностей в изменении дислокационной структуры монокристаллического GaAs в зависимости от режимов роста и постростовой обработки слитков.

The paper presents the results of the application of artificial intelligence (AI) and machine vision technologies for the detection of surface defects. Plates with a crystallographic surface of {100} monocrystalline GaAs grown by the Czochralski method with liquid encapsulation of the melt were analyzed. Based on the YOLOv8 open architecture, a neural network was trained to recognize pits formed as a result of selective etching of single-crystal GaAs plates, and a solution was proposed to automate the calculation of dislocation density based on the identified pits of selective etching. Monochrome images were used for processing by the neural network, the data array at the training stage amounted to about 40,000 objects. It was found that the average density of etching pits (detection objects) is (3 – 7) × 104 cm–2. When trained on a sufficient amount of data, AI and machine vision algorithms are able to recognize target objects with high confidence, including overlapping ones. Continuous counting (over the entire surface of the plate) and further software processing of the results made it possible to obtain a map of the density distribution of dislocation etching pits, as well as lines of density levels (isolines) with reference to its absolute value. It is shown that the use of the continuous counting method using AI and machine vision technologies in comparison with traditional averaging methods for analyzing the structural uniformity of single-crystal GaAs is justified and appropriate. The obtained results can be used for technological control of dislocation density and identification of patterns in the change of the dislocation structure of single-crystal GaAs depending on the growth modes and post-processing of ingots.

нейронная сетьмашинное зрениеискусственный интеллектарсенид галлиядислокацииструктурные дефектыплотность дислокацийneural networkmachine visionartificial intelligencegallium arsenidedislocationsstructural defectsdislocation densityReferencesМильвидский М. Г., Освенский В. Б. Структурные дефекты в монокристаллах полупроводников. — М.: Металлургия, 1984. — 256 с.Milvidsky M. G., Osvensky V. B. Structural defects in single crystals of semiconductors. — Moscow: Metallurgiya, 1984. — 256 p. [in Russian].Малыгин Г. А. Дислокации как линейные топологические дефекты / Физика твердого тела. 2001. Т. 43. № 5. С. 822 – 826.Malygin G. A. Dislocations as linear topological defects / Fiz. Tv. Tela. 2001. Vol. 43. No. 5. P. 822 – 826 [in Russian].Хлудков С. С., Толбанов О. П., Вилисова М. Д., Прудаев И. А. Полупроводниковые приборы на основе арсенида галлия с глубокими примесными центрами. — Томск: ТГУ, 2016. — 258 с.Khludkov S. S., Tolbanov O. P., Vilisova M. D. Prudayev I. A. Semiconductor devices based on gallium arsenide with deep impurity centers. — Tomsk: TGU, 2016. — 258 p. [in Russian].Князев С. Н., Кудря А. В., Комаровский Н. Ю. и др. Методы исследования дислокационной структуры полупроводниковых монокристаллов группы AIIIBV / Известия вузов. 2022. Т. 25. № 4. С. 323 – 336. DOI: 10.17073/1609-3577-2022-4-323-336Knyazev S. N., Kudrya A. V., Komarovsky N. Yu., et al. Methods of studying the dislocation structure of semiconductor single crystals of the AIIIBV group / Mater. Élektron. Teknn. 2022. Vol. 25. No. 4. P. 323 – 336 [in Russian]. DOI: 10.17073/1609-3577-2022-4-323-336Вербицкий Р. А., Ползикова К. С., Сыров Ю. В. Особенности выявления выходов дислокаций на поверхности пластин GaAs / 3-я Международ. науч.-практ. конф. «Редкие металлы и материалы на их основе: технологии, свойства и применение» (РедМет-2024): сб. мат. — М.: Гиредмет, 2024.Verbitsky R. A., Polzikova K. S., Syrov Yu. V. Features of detecting dislocation outputs on the surface of GaAs plates / The 3rd International Conf. on Technologies, Properties and Applications of Rare Metals and Related Materials (RedMet-2024): coll. of works. — Moscow: Giredmet, 2024 [in Russian].Левченко Д. С., Теплова Т. Б., Югова Т. Г. Исследование дислокационной структуры монокристаллов арсенида галлия, используемых для создания приборов сверхскоростной микроэлектроники / II Международ. науч.-практ. конф. «Экономика и практический менеджмент в России и за рубежом»: сб. мат. — Коломна: Коломенский институт (филиал) МАМИ, 2015. С. 135 – 137.Levchenko D. S., Teplova T. B., Yugova T. G. Investigation of the dislocation structure of gallium arsenide single crystals used to create high-speed microelectronics devices / II International Scientific and Practical Conf. «Economics and practical management in Russia and abroad»: coll. of works. — Kolomna: Kolomensky institut (filial) MAMI, 2015. P. 135 – 137 [in Russian].Оксанич А. П., Когдась М. Г., Андросюк М. С. Методы улучшения структурного совершенства полуизолирующего GaAs диаметром 100 мм / Радиоэлектроника и информатика. 2014. № 4. С. 15 – 19.Oksana A. P., Kogdas M. G., Androsiuk M. S. Methods for improving the structural perfection of semi-insulating GaAs with a diameter of 100 mm / Radioélektr. Inform. 2014. No. 14. P. 15 – 19 [in Russian].Кульчицкий Н. А., Наумов А. В., Старцев В. В. Фотоника — новый драйвер GaAs / Фотоника. 2020. Т. 14. № 2. С. 138 – 149. DOI: 10.22184/1993-7296.FRos.2020.14.2.138.149Kulchitsky N. A., Naumov A. V., Startsev V. V. Photonics — the new GaAs driver / Fotonika. 2020. Vol. 14. No. 2. P. 138 – 149 [in Russian]. DOI: 10.22184/1993-7296.FRos.2020.14.2.138.149Орлов А. И. Искусственный интеллект, нейросети, большие данные и математические методы исследования / Заводская лаборатория. Диагностика материалов. 2023. Т. 89. № 7. С. 5 – 7. DOI: 10.26896/1028-6861-2023-89-7-5-7Orlov A. I. Artificial intelligence, neural networks, big data, and mathematical research methods / Industr. Lab. Mater. Diagn. 2023. Vol. 89. No. 7. P. 5 – 7 [in Russian]. DOI: 10.26896/1028-6861-2023-89-7-5-7Багаев И. И. Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля TensorFlow / Математическое и программное обеспечение систем в промышленной и социальной сферах. 2020. Т. 8. № 1. С. 15 – 22. DOI: 10.18503/2306-2053-2020-8-1-15-22Bagaev I. I. Analysis of the concepts of neural network and convolutional neural network, training of convolutional neural network using TensorFlow module / Matem. Progr. Obesp. Sist. Prom. Sots. Sferakh. 2020. Vol. 8. No. 1. P. 15 – 22 [in Russian]. DOI: 10.18503/2306-2053-2020-8-1-15-22Пономарев А. Н., Казанцева А. Н. Машинное зрение: актуальность и применение / Научно-технический вестник Поволжья. 2021. № 4. С. 100 – 102.Ponomarev A. N., Kazantseva L. V. Machine vision: relevance and application / Nauch.-Tekhn. Vestn. Povolzh. 2021. No. 4. P. 100 – 102 [in Russian].Михалев О. Н., Янушкин А. С. Машинное зрение и распознавание объектов с помощью нейронных сетей / Робототехника и техническая кибернетика. 2022. Т. 10. № 2. С. 113 – 120. DOI: 10.31776/rtcj.10204Mikhalev O. N., Yanushkin A. S. Machine vision and object recognition using neural networks / Robototekhn. Tekhn. Kibern. 2022. Vol. 10. No. 2. P. 113 – 120 [in Russian]. DOI: 10.31776/rtcj.10204Власов С. О., Гладышев А. И., Богуславский А. А., Соколов С. М. Решение задачи обнаружения объекта с помощью нейросетевых технологий / Препринты ИПМ им. М. В. Келдыша. 2023. № 16. С. 1 – 27. DOI: 10.20948/prepr-2023-16Vlasov S. O., Gladyshev A. I., Boguslavsky A. A., Sokolov S. M. Solving the problem of object detection using neural network technologies / Preprinty IPM im. M. V. Keldysha. 2023. No. 16. P. 1 – 27 [in Russian]. DOI: 10.20948/prepr-2023-16Martinez-García S. E., Fernándezy-Fernández C. A., Ramos-Pérez E. G. Deep Learning for Non-functional Requirements: A Convolutional Neural Network Approach / Proceedings of the Institute for System Programming of the RAS. 2024. Vol. 36. No. 1. P. 131 – 142. DOI: 10.15514/ispras-2024-36(1)-8Martinez-García S. E., Fernándezy-Fernández C. A., Ramos-Pérez E. G. Deep Learning for Non-functional Requirements: A Convolutional Neural Network Approach / Proceedings of the Institute for System Programming of the RAS. 2024. Vol. 36. No. 1. P. 131 – 142. DOI: 10.15514/ispras-2024-36(1)-8Агарева О. Ю., Скрипова А. Е. Алгоритм обучения сверточной нейронной сети для распознавания графических объектов на основе нейронных сетей с иерархичным классификатором / Сборник научных трудов кафедры прикладной математики и программирования по итогам работы постоянно действующего семинара «Теория систем». — М.: РГУ имени А. Н. Косыгина, 2022. С. 38 – 47.Agareva O. Yu., Skripova A. E. Convolutional neural network learning algorithm for graphic object recognition based on neural network with a hierarchical classifier / Collection of scientific papers of the Department of Applied Mathematics and Programming based on the results of the ongoing seminar «Theory of Systems». — Moscow: RGU im. A. N. Kosygina, 2022. P. 38 – 47 [in Russian].Вербицкий Р. А., Сыров Ю. В., Князев С. Н., Латонов Д. В. Применение машинного зрения для детекции и подсчета выходов дислокаций на поверхности пластин арсенида галлия / Нац. науч.-практ. конф. «Фундаментальные, поисковые, прикладные исследования и инновационные проекты»: сб. тр. — М.: Ассоциация выпускников и сотрудников ВВИА имени профессора Н. Е. Жуковского, 2023. С. 139 – 143.Verbitsky R. A., Syrov Yu. V., Knyazev S. N., Latonov V. D. Application of machine vision for detection and calculation of dislocation outputs on the surface of gallium arsenide plates / Proceedings of the National Scientific and Practical Conf. «Fundamental, exploratory, applied research and innovative projects». — Moscow: Association of Graduates and Employees of the Professor N. E. Zhukovsky VVIA, 2023. P. 139 – 143 [in Russian].Вербицкий Р. А., Латонов В. Д., Сыров Ю. В. Техническая реализация автоматизированной системы подсчета дислокаций «Колибри» / 3-я Международ. науч.-практ. конф. «Редкие металлы и материалы на их основе: технологии, свойства и применение» (РедМет-2024): сб. мат. — М.: Гиредмет, 2024.Verbitsky R. A., Latonov V. D., Syrov Yu. V. Technical implementation of the automated «Kolibri» dislocation counting system / The 3rd International Conf. on Technologies, Properties and Applications of Rare Metals and Related Materials (RedMet-2024): coll. of works. — Moscow: Giredmet, 2024 [in Russian].Ярышев С. Н., Рыжова В. А. Технологии глубокого обучения и нейронных сетей в задачах видеоанализа. — СПб.: ИТМО, 2022. — 82 с.Yaryshev S. N., Ryzhova V. A. Deep learning and neural network technologies in video analysis tasks. — St. Petersburg: ITMO, 2022. — 82 p. [in Russian].Wang M., Yang W., Wang L., et al. Fe-YOLOv5: Feature Enhancement Network Based on YOLOv5 for Small Object Detection / Social Science Research Network. 2022. DOI: 10.2139/ssrn.4170610Wang M., Yang W., Wang L., et al. Fe-YOLOv5: Feature Enhancement Network Based on YOLOv5 for Small Object Detection / Social Science Research Network. 2022. DOI: 10.2139/ssrn.4170610Кутырев А. И., Смирнов И. Г., Андриянов Н. А. Сравнительный анализ моделей нейронных сетей для распознавания плодов яблони на кроне дерева / Садоводство и виноградарство. 2023. № 5. С. 56 – 63. DOI: 10.31676/0235-2591-2023-5-56-63Kutyrev A. I., Smirnov I. G., Andrianov N. A. Comparative analysis of neural network models for recognizing apple fruits on the crown of a tree / Sadovod. Vinogradar. 2023. No. 5. P. 56 – 63 [in Russian]. DOI: 10.31676/0235-2591-2023-5-56-63Тихановский Г. С., Кочкин Д. В. Исследование возможностей применения алгоритмов глубокого обучения и компьютерного зрения в задаче классификации грибов и ягод / Вестник ВГУ. 2023. № 4(22). С. 41 – 46.Tikhanovsky G. S., Kochkin V. D. Investigation of the possibilities of using deep learning algorithms and computer vision in the task of classifying mushrooms and berries / Vestn. VGU. 2023. No. 4(22). P. 41 – 46 [in Russian].

The authors declare that there are no conflicts of interest present.