<?xml version="1.1" encoding="utf-8"?>
<article xsi:noNamespaceSchemaLocation="http://jats.nlm.nih.gov/publishing/1.1/xsd/JATS-journalpublishing1-mathml3.xsd" dtd-version="1.1" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><front><journal-meta><journal-id journal-id-type="publisher-id">TACS</journal-id><journal-title-group><journal-title>Technology and Application of Computer Science</journal-title></journal-title-group><issn>2998-8926</issn><eissn>2998-8934</eissn><publisher><publisher-name>Art and Technology</publisher-name></publisher></journal-meta><article-meta><article-id pub-id-type="doi">10.61369/TACS.2026080019</article-id><article-categories><subj-group subj-group-type="heading"><subject>Article</subject></subj-group></article-categories><title>基于轻量化深度学习的集成电路故障检测算法研究</title><url>https://artdesignp.com/journal/TACS/3/8/10.61369/TACS.2026080019</url><author>曾维益</author><pub-date pub-type="publication-year"><year>2026</year></pub-date><volume>3</volume><issue>8</issue><history><date date-type="pub"><published-time>2026-04-28</published-time></date></history><abstract>随着集成电路集成度越来越高、工艺尺寸越来越小，芯片内部结构变得越来越复杂，传统的故障检测方法检测效率和计算资源消耗之间的矛盾也越来越突出。深度学习技术给故障特征的自动提取带来了新的想法，但是标准的深度模型参数量大、计算开销高，不能适应集成电路检测场景下对实时性和资源受限环境的要求。轻量化深度学习用紧凑的网络结构和高效的运算方式，在保证检测精度的基础上大大降低了模型的复杂度，给集成电路故障检测提供了一种可行的方法。本文主要针对轻量化深度学习在集成电路故障检测中的应用进行研究，分析常见的故障类型和检测难点，研究轻量化网络的设计基本原理以及适应性，从算法优化、特征处理、硬件适配等几个方面来论述轻量化检测方法的优势和适用条件。</abstract><keywords>集成电路,故障检测,轻量化深度学习,算法优化</keywords></article-meta></front><body/><back><ref-list><ref id="B1" content-type="article"><label>1</label><element-citation publication-type="journal"><p>[1] 席燕辉, 杨紫妍, 严格. 基于轻量化双分支特征融合网络的配电网故障诊断[J]. 湖南电力,2025,46(2):41-51.[2] 林伟, 郑述堂, 沈凤国, 等. 基于深度学习的港口内供电设备漏油故障检测方法[J]. 自动化与仪表,2025,41(2):56-60+67.[3] 贾玉进, 胡迎江, 葛庆坤, 等. 基于轻量化YOLOv3 网络的高压输电线故障高效检测方法[J]. 电力学报,2025,40(6):452-459.[4] 胡军军, 谢强, 王伟鹏, 等. 基于深度学习模型的配电网故障检测[J]. 信息与电脑,2025,37(22):40-42.[5] 李文, 翁天天, 包海斌, 等. 融合轻量化YOLOv5与SimAM 的电力设备红外图像检测算法[J]. 国外电子测量技术,2025,44(5):63-68.[6] 陈鑫, 唐东峰, 江拼, 等. 基于改进轻量化YOLOv8n 的输电线路绝缘子故障检测模型[J]. 湖南科技大学学报( 自然科学版),2025,40(1):60-68.[7] 刘璇. 基于深度学习的变电站电力设备漏油检测[J]. 电器工业,2024,(10):26-30.[8] 武福, 蒋鹏民, 李忠学, 等. 基于轻量化YOLOv8s 的轨道扣件状态检测方法[J]. 北京交通大学学报,2024,48(5):59-68.[9] 张长乐, 金钧. 基于深度学习的绝缘子故障检测仿真研究[J]. 华东交通大学学报,2023,40(5):41-48.[10] 陈海明, 陈俊. 基于深度学习的输电线路绝缘子故障检测方法研究[J]. 电气开关,2023,61(1):71-75+83.</p><pub-id pub-id-type="doi"/></element-citation></ref></ref-list></back></article>
