【Research】Wafer晶圆异常模式检测研究

前言

此博客记录总结了一些深度学习在工业界图像异常检测及分割领域的应用。可作为高拓展性的科研主题进行进一步研究无监督|自监督学习的可靠有效性，解决工业上异常数据较少的痛点。包含论文、代码以及一些解释。

Topic

晶圆（Wafer）是半导体测试中检查芯片（Die）的载体。在晶圆测试（Wafer Test）中一些经典的缺陷类型会在晶圆图（Wafer Map）中呈现圆、环、划线等基础图案,通过识别晶圆图中的主要图案有助于工程师追溯造成晶圆缺陷的根本原因。本研究针对快速、高效的分类晶圆图缺陷模式的问题。而图像领域的深度学习模型可以帮助我们快速精确的识别这些晶圆的缺陷模式。

对于一个晶圆图来说可能会有多个不同的模式（pattern）或是多个pattern的混合：

去识别不同晶圆的模式，我们可以对多个类别做有监督训练（需要标签）或者做无监督\自监督训练（即只需要正常数据集不需要标签数据）来实现我们的神经网络。一些开源的数据集可以帮助我们初步训练模型，之后可以对需要的数据做迁移学习（或者只是单纯的预训练）来在相应数据上达到一个较好的结果。

因为实际工业环境上晶圆图数据集中某些类型数据的数量可能存在严重不足的现象（异常样本过少），我们需要一种只基于正常数据训练的模型（无监督训练），可以用来判断区别正常样本和异常样本。

开源数据集

WM-811K wafer map | Kaggle

深度学习网络

有监督学习

• 基于简单卷积网络的代码：