29、晶圆表面缺陷模式识别与民航旅客问题意图识别研究

晶圆表面缺陷模式识别与民航旅客问题意图识别研究

一、晶圆表面缺陷模式识别

在半导体制造过程中，晶圆表面缺陷模式识别至关重要。传统方法在处理复杂的缺陷模式和数据不平衡问题时存在一定局限性。本文提出了一种基于无监督学习的晶圆表面缺陷模式识别方法。

1. 实验设置

   • 超参数设置 ：设置批量大小为 256，在微调模型中，动量设为 0.9，学习率设为 0.001。同时，CNN 全监督模型也使用与微调模型相同的超参数。
   • 实验环境 ：所有实验基于 PyTorch 1.5.0，在 3 块 GTX - 1080Ti GPU 上进行。

2. 分类性能

   • 混淆矩阵分析 ：通过对 WM - 811K 测试集进行五次实验，得到平均结果的混淆矩阵（如下表所示）。从表中可以看出，Near - Full 和 Center 模式的识别准确率超过 99%，其中 Near - Full 的所有测试图像都能被完全识别，准确率达到 100%；而 Scratch 的识别准确率最差，低于 95%。总体而言，尽管 WM - 811K 数据集存在严重的类别不平衡问题，但该方法对所有类别的平均准确率仍达到 97.46%，充分证明了其有效性。
     | 缺陷模式 | Center | Donut | Edge - Loc | Edge - Ring | Local | Near - Fu