.png){kind=icon}
返回
Enhanced wafer map defect pattern classification through stacking ensemble method and data augmentation integration
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07113-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
晶圆图缺陷模式的分类是半导体行业中的一项关键任务。通过准确识别和分类这些模式，制造商可以采取必要措施来提高晶圆质量并优化其生产流程。为解决此挑战，我们提出了一种堆叠集成方法并利用数据增强技术。在第一步中，为解决因真实环境数据收集困难而导致的数据不平衡问题，我们应用基于卷积自编码器的数据增强技术来扩充训练数据集。这有助于最小化少数样本类别的影响并提高分类模型的泛化能力。在第二步中，我们采用堆叠集成方法，该方法结合多个分类模型以做出更准确的预测。通过在训练深度卷积模型时结合手工特征与深度特征，该方法已被证明能够提升分类性能，并为半导体行业的故障诊断提供有力支持。实验评估采用五折交叉验证的堆叠模型，从准确率、精确率、召回率和F1分数等方面进行评估和比较。所提出的方法实现了平均分类准确率为0.9818，微平均F1分数为0.9818，宏平均F1分数为0.9318。
Keyword:
Data augmentation
Deep learning
Ensemble-learning
Manufacturing process
Wafer map
Semi-conductor
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
引用论文
分享收藏A Deep convolutional neural network with residual blocks for wafer map defect pattern recognition
PREAI
分享收藏Efficient Convolutional Neural Networks for Semiconductor Wafer Bin Map Classification用于半导体晶圆装箱图分类的高效卷积神经网络.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏A Deep Convolutional Neural Network for Wafer Defect Identification on an Imbalanced Dataset in Semiconductor Manufacturing Processes用于半导体制造过程中不平衡数据集上晶圆缺陷识别的深度卷积神经网络
PREAI
分享收藏分享收藏Wafer Map Defect Pattern Recognition using Imbalanced Datasets基于不平衡数据集的晶圆图缺陷模式识别2022 13th International Conference on Information, Intelligence, Systems & Applications (IISA)
2022 13th International Conference on Information, Intelligence, Systems & Applications (IISA)IF0
PREAI
分享收藏
查看更多内容