.png){kind=icon}
返回
Multi-scale guidance diffusion network for wafer map defect recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2024.126134.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
晶圆图缺陷识别（WMDR）在半导体制造中至关重要。识别缺陷类型有助于操作员调整制造工艺以解决潜在问题并提高生产效率。近年来，许多深度学习方法已被应用于WMDR。然而，随着制造工艺的改进，产生的混合缺陷类型变得日益复杂，且易受噪声干扰。通过常规方法识别这些缺陷变得越来越具有挑战性。在本文中，我们提出了一种基于去噪扩散模型的端到端晶圆图分类模型，命名为WMDiff。具体而言，提出了一种多尺度引导（MSG）策略，用于逐步引导扩散过程，消除图像中的噪声并增强分类性能。我们在WM-811K和MixedWM38数据集上评估了我们的模型，并将其与几种最先进的CNN和Transformer基础深度学习模型进行比较。实验结果表明，我们提出的模型优于其他模型，在各自数据集上分别达到了95.49%和97.55%的准确率。
Keyword:
Wafer defect detection
Pattern recognition
Diffusion model
Multi-scale guidance
期刊
IF:
7.5
论文数:
2.9W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
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
PREAI
分享收藏分享收藏A Deep convolutional neural network with residual blocks for wafer map defect pattern recognition
PREAI
分享收藏Advances in machine learning and deep learning applications towards wafer map defect recognition and classification: a review机器学习和深度学习在晶圆图缺陷识别和分类方面的应用进展: 综述
PREAI
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
查看更多内容