.png){kind=icon}
返回
An oversampling method for wafer map defect pattern classification considering small and imbalanced data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cie.2021.107767.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
晶片由几个芯片组成，晶片图显示了晶片上有缺陷的芯片的位置。晶片图上缺陷芯片的位置图案为改进半导体晶片制造工艺提供了关键信息。最近，使用卷积神经网络 (CNN) 的自动缺陷模式分类由于其良好的分类性能而变得流行。只有当大量平衡的训练和测试数据可用时，才能保证良好的性能。但是，由于训练和测试数据是通过人工检查获得的，因此在实际中很难获得这些数据。在本文中，我们提出了一种系统的方法来解决小而不平衡的晶圆图数据问题。具体来说，我们首先选择显示清晰缺陷图案的晶片，然后通过随机应用水平翻转、垂直翻转和旋转来复制它们。在案例研究中，我们从一家半导体晶圆公司获得了真实的晶圆图数据。通过应用所提出的方法，获得了大量均衡的数据。将CNN缺陷分类模型拟合到所获得的数据中，显示出良好的分类性能。
Keyword:
Imbalanced data
Small data
Wafer bin map
Defect pattern classification
Oversampling
Convolutional neural networks
期刊
IF:
6.5
论文数:
1.0W
被引数:
3.8W
机构
引用论文
An Observational Study on the Humoral and Cellular Immune Response to SARS-CoV-2 mRNA Vaccination in Multiple Sclerosis and Other Autoimmune Neurological Disorders Treated With Anti-CD20 Therapies.png)
Neurology
OAAI
NeurologyIF0
OAAI分享收藏Input-to-state stability of impulsive reaction-diffusion neural networks with infinite distributed delays具有无限分布时滞的脉冲反应扩散神经网络的输入-状态稳定性
PREAI
分享收藏Intelligent fault diagnosis of rolling bearing using hierarchical convolutional network based health state classification基于层次卷积网络健康状态分类的滚动轴承智能故障诊断
PREAI
分享收藏Convolutional neural network: Deep learning-based classification of building quality problems卷积神经网络: 基于深度学习的建筑质量问题分类
PREAI
分享收藏
Arsenic removal from aqueous solutions by adsorption using novel MIL-53(Fe) as a highly efficient adsorbent使用新型MIL-53(Fe) 作为高效吸附剂通过吸附从水溶液中去除砷RSC Advances
RSC AdvancesIF0
PREAI
分享收藏
查看更多内容