.png){kind=icon}
返回
A depthwise convolutional neural network model based on active contour for multi-defect wafer map pattern classification
.png){kind=icon}
OA
AI
DOI：10.1016/j.engappai.2024.109707.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着半导体制造工艺持续实现更高的集成密度和设计复杂性，半导体晶圆正经历缺陷类型与复杂度的日益增长。尽管以往利用深度学习进行晶圆图分类的研究在处理单一缺陷模式方面取得了显著进展，但由于混合型缺陷相比单一缺陷具有显著更高的难度，其分类问题受到的关注较少。本研究针对这一关键空白，强调需要改进的方法来分类更复杂、更具挑战性的混合型缺陷。为应对这一挑战，本文引入基于主动轮廓的轻量化深度卷积网络（AC-LDN）模型，用于多缺陷晶圆图模式的分类。首先，采用基于主动轮廓的分割模型提取多缺陷特征；随后，学习模型采用结合了可分离卷积神经网络（CNN）和空洞卷积神经网络技术的深度卷积神经网络架构。该独特方法在可分离段优化模型的同时，有效应对深度卷积段中的缺陷复杂性。因此，AC-LDN优于其他当前最先进的模型，在轻量化特性和高精度之间实现了平衡。在广泛的多晶圆图数据集上进行评估时，所提方法展现出优于先前模型的优越性，平均分类准确率超过98%，混淆矩阵系数超过0.97。
Keyword:
Active contour
Convolution neural network
Depthwise network
Wafer map pattern classification
Semiconductor manufacturing
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
Wafer map defect pattern detection method based on improved attention mechanism基于改进注意力机制的晶圆图缺陷模式检测方法
.png){kind=icon}
PREAI
分享收藏分享收藏Filter and fuzzy c means based feature extraction and classification of diabetic retinopathy using support vector machines基于过滤和模糊C均值的支持向量机特征提取与分类方法在糖尿病视网膜病变中的应用
PREAI
分享收藏Active Learning of Convolutional Neural Network for Cost-Effective Wafer Map Pattern Classification
PREAI
分享收藏
查看更多内容