- 中文简体
- 中文繁体
- English
- Русский
- 日本語
- 한국 사람
- Français
- Deutsch
- हिंदी
- Português
- Español
- بالعربية
- Corsu
- guarani
- kinyarwanda
- Hausa
- Norge
- Nederlands
- Yoruba
- गोंगेन हें नांव
- Latina
- नेपालीName
- čeština
- ʻŌlelo Hawaiʻi
- ჯორჯიანიName
- فارسی
- भोजपुरी
- беларускі
- Kiswahili
- ÍslandName
- ייַדיש
- tur
- Gaeilge
- ગુજરાતી
- Slovenská
- היברית
- ಕನ್ನಡ್Name
- Magyar
- தாமில்
- بالعربية
- বাংলা
- Azərbaycan
- lifiava
- IndonesiaName
- dansk
- Shona
- Bamanankan
- Lietuva
- Tiếng Việt
- Malti
- Türkmençe
- অসমীয়া
- català
- සිංගාපුර්
- Suomalainen
- Кыргыз тили
- Eʋegbe
- Hrvatski
- a n:n
- Quechua
- bosanski
- Maori
半导体制造基地缺陷详细分类的迁移学习方法
10/29/2022 11:00:08 AM
缺陷检测和分类是半导体工业制造过程中最关键的环节.这两种分析对于识别和纠正加工问题以提高最终产品的质量至关重要.扫描电子显微镜是生产现场最广泛使用的过程监控工具.
由于开发增强型半导体的复杂制造工艺,各种形状和纹理的缺陷会出现.发现当使用更多的手工过程时,缺陷的数量增加,因此开发了自动缺陷分类.这是一个将缺陷图像自动分类为预定缺陷类的功能.在ADC之后,深度学习技术通过提供先进的分析工具来分析制造业的大数据,为缺陷分类带来了进一步的本质改进.然而,这种技术需要昂贵的地面真值标记,这并不总是准确的.经过一定的测试,卷积神经网络(CNN)迁移学习方法(一种深度学习技术)被认为是缺陷分类的最佳方法.
检查缺陷
检查缺陷的过程始于工程师从检查缺陷的结果中找出良率降低的原因.缺陷分析还通过采取各种措施帮助防止缺陷再次发生.基于分析的主要目标是确定通常发生缺陷的根本原因并开发解决方案.
在分析半导体制造过程中,根据缺陷的类别对缺陷图像进行分类,以抑制良率降低.图1所示.展示了各种缺陷和图2.说明缺陷的检查分为三个阶段:缺陷的分类\缺陷趋势的监控和分类的详细分析.利用扫描电子显微镜(SEM)捕获的缺陷的特定频率对缺陷类型的分类起着至关重要的作用.这种趋势监测的成本很高,因此需要使用深度学习技术来分析缺陷.
Fig 1: Example of Defects
图2:缺陷质量控制概述
许多致力于寻找缺陷分析方法的科学家和研究人员发现CNN(卷积神经网络)是最有效和最有效的方法.利用CNN先进的分析工具,可以实现人类级别的分类.在制造业中介绍了对全球制造业产生影响的钢板表面和织物缺陷分类.它保证了产品的高质量和性能.在此基础上,利用基于cnn的缺陷图像分类模型,通过硅处理提取有效特征.
人们普遍认为,由于大量数据不准确且人工标注,因此采用了监管.下面在缺陷的分类和迁移学习方法中进一步说明这种对迁移学习方法的监督方法.
缺陷分类
建立了输入尺寸为128X128的扫描电镜模型.为了降低计算成本,采用卷积分解方法,在3X3卷积层之前增加1X1卷积层,限制输入通道的数量.该模型由33个卷积层组成,每层都有整流线性激活.在dropout层和卷积层(大小为256和缺陷类)后加入全连接层,最后加入softmax层进行输出类概率计算.
预训练和微调方法是模型实现的两个最重要的阶段.CNN模型在预训练阶段从错误堆叠的图像(几万到几千)到弱监督训练.在微调方法中,通过随机初始化权值对输出层进行扩展,以减少数据点较少的目标任务上的损失.
为了评估自动缺陷分类(ADC)方法和给定方法的功能,对制造工厂的水面缺陷扫描电镜图像进行了检查.在本实验中,我们将4个缺陷图像数据集组装在一起,每个数据集被非专家标记为噪声数据,被专家标记为纯数据.
图3显示了ADC方法与本文方法的对比,可以看出深度学习方法比传统的ADC方法更有效.表III给出了对集合C中每个缺陷的分类精度\召回率和样本计数的分析.
基于卷积神经网络的半导体制造缺陷详细分类的迁移学习方法(3).jpg
迁移学习方法:
迁移学习是指在训练数据较少的情况下,依靠以前学习过的任务,以更快\更准确的方式学习新的任务.因此,采用迁移学习方法对缺陷进行高精度的分类.细粒度的缺陷很少发生,仅仅是不可能通过人工分类方法进行分类.为了对这类问题进行分类,采用了迁移学习策略.基于我们想要传递的内容,有4种方法可以实现此方法(1)基于检查,(2)基于特征,(3)基于参数,以及4)基于关系.第三阶段中用于细粒度缺陷分类的领域与第一阶段中用于粗糙缺陷分类的领域相同,第一阶段中基于特征的方法是首选的.
结论
基于cnn的迁移学习方法有效地避免了人工分类不一致和成本较高的问题.缺陷分析任务有助于识别产量降低背后的根本原因,并有助于对缺陷图像进行高精度分类,降低人工成本.迁移学习方法可以代替深度学习方法,因为深度学习方法需要大量的标记训练数据集.
通过实际的半导体加工数据,证明了该方法的可靠性.这种方法需要较少的标记数据集.此外,手工检查工作所需的劳动量也显著减少,而手工检查工作几乎是传统ADC系统的三分之二.
2022-10-29
