氮化硅陶瓷材料具有優異的性能，如高溫耐受性、高壓縮強度、耐磨性、電絕緣性和非磁性[1]、[2]，是未來先進半導體和芯片制造的核心關鍵材料[3]。它還廣泛應用于航空航天、醫療設備和芯片制造等高精度領域[4]、[5]、[6]。然而，由于其較低的斷裂韌性和高脆性[7]、[8]，氮化硅陶瓷在制備和加工過程中容易產生微裂紋、孔洞等微觀納米尺度缺陷。這些缺陷作為應力集中源，嚴重影響設備的介電性能、光損耗和長期可靠性。因此，對這些結構的精確統計分析、測量和表征對于確保產品制造產量至關重要[9]。目前，掃描電子顯微鏡和原子力顯微鏡是觀察氮化硅陶瓷缺陷的主要技術[10]、[11]、[12]。然而，在信號采集和成像過程中，缺陷邊緣的梯度衰減現象會導致特征圖像與背景之間的對比度低、邊緣模糊以及定位不準確等問題，嚴重阻礙了氮化硅陶瓷微觀納米結構的定量表征。為了解決氮化硅陶瓷微觀納米尺度特征中梯度衰減導致的定位偏差和漏檢問題，本文提出了一種結合雙域注意力機制和加權金字塔網絡的新檢測方法。

神經網絡通過其層次化連接結構在處理復雜非線性關系方面表現出強大的能力。它們的核心優勢在于能夠從數據中自我學習并適應，同時對不完整或噪聲數據具有魯棒性[13]、[14]。基于深度學習的物體檢測技術已成為醫學圖像分析、自動駕駛感知系統、人機界面和無人機監控等前沿領域的關鍵工具[15]、[16]、[17]。董和陳等人[18]、[19]針對小目標檢測和遙感變化檢測中多尺度表示能力不足和邊緣模糊問題，提出了一種新的多尺度殘差多分支神經網絡和邊緣協作多維信息交互網絡。他們設計了多尺度擴展模塊和上下文特征細化模塊，構建了多尺度殘差主干網絡，并引入了多維信息交互和融合模塊。這些設計增強了多尺度和多維特征之間的交互，減輕了語義信息沖突和網絡退化，提高了邊緣保留能力并優化了小目標變化檢測性能。熊等人[20]關注了傳統特征金字塔網絡中基于插值的上采樣引起的邊緣模糊和失真問題，以及多組件融合導致的計算成本高和精度與速度不平衡問題，提出了一種基于主干的雙向跳躍連接FPN融合策略，增強了跨層語義信息交互，優化了多尺度感受野，提高了特征采樣質量。張等人[21]、[22]解決了圖像質量下降和小目標檢測問題，提出了一種輕量級神經網絡架構PRCll-Net和一種新的雙向加權特征金字塔網絡，引入了漸進式重新參數化的注意力模塊以優化尺度內特征交互，并結合了跨尺度信息交互特征金字塔網絡來融合淺層和深層特征，將坐標注意力融入跨層信息流中以開發多尺度策略，顯著提高了特征提取質量和多尺度特征表示能力，同時降低了計算復雜性。秦等人[23]針對弱紋理、低光照條件和大視差差異下傳統和基于深度學習的圖像拼接方法面臨的挑戰，提出了一種結合生成對抗網絡和特征頻率感知網絡的無監督圖像拼接方法，使用GAN進行初始圖像增強，FFAN模塊用于提取多尺度特征，頻率感知分解和CBAM注意力機制用于處理低頻全局結構和高頻細節區域，在單向估計和圖像變形過程中精確強調關鍵區域，進一步引入了拓撲驅動的仿射估計模塊，增強了全局上下文理解，實現了穩健的圖像對齊和融合。總之，上述方法為氮化硅陶瓷微觀納米尺度特征的精確檢測提供了有價值的指導。然而，面對氮化硅陶瓷材料固有的微觀納米尺度特征梯度減弱問題，檢測精度不足、漏檢和定位偏差等問題仍然存在。

為了解決氮化硅陶瓷微觀納米尺度特征中梯度衰減導致的精確檢測挑戰，獨立構建了一個專門用于這些特征的圖像采集平臺。針對梯度衰減導致的邊緣與背景對比度低的關鍵問題，設計了一種結合數據集標注和增強策略的雙域注意力機制。該機制不是簡單堆疊通道和空間注意力模塊，而是緊密貼合氮化硅陶瓷微觀納米特征的梯度衰減特性。通過使用具有不同膨脹率的并行卷積層來模擬多尺度梯度特征，有效捕獲了梯度衰減特征的上下文信息。在此基礎上，引入了通道-空間注意力篩選策略，以增強梯度衰減較弱的區域并抑制均勻背景區域，從而實現梯度衰減特征的有效提取和增強。此外，為了解決特征模糊導致的錨框定位系統偏差問題，深入分析了檢測過程中定位偏差的根本原因，并結合了具有可學習權重的加權特征融合金字塔網絡。該網絡在訓練過程中自動學習不同尺度特征的重要性權重，實現了多尺度語義特征的有效融合，提高了定位和分類精度。通過結合上述雙域注意力機制和加權金字塔網絡，本研究實現了一種專門用于氮化硅陶瓷微觀納米尺度特征的高精度檢測方法，有效克服了傳統技術的局限性，如顯著的錨框定位偏差和特征融合不足。這項工作對促進氮化硅陶瓷在先進芯片制造中的應用以及提高芯片產量和性能具有重要意義。