تشخیص خودکار عیوب ویفر در مدارهای مجتمع با بهره گیری از مدل های یادگیری عمیق

در این پژوهش، یک رویکرد مبتنی بر یادگیری عمیق برای تشخیص خودکار عیوب ویفر در مدارهای مجتمع ارائه شده است. برای این منظور، از چندین مدل عمیق شامل شبکه های بازگشتی(RNN)، VGG۱۶، MobileNet، GoogleNet، معماری های مبتنی بر ResNet و DenseNet۱۲۱ استفاده گردید. مجموعه داده ی به کاررفته شامل تصاویر ویفر دارای انواع مختلف نقص بوده و با روش های پیش پردازش و افزایش داده (مانند چرخش، تغییر روشنایی و افزودن نویز) آماده سازی شد. عملکرد مدل ها بر اساس معیارهایی از جمله دقت(Accuracy)، حساسیت(Sensitivity)، بازخوانی (Recall) و F-measure مورد ارزیابی و مقایسه قرار گرفت. نتایج نشان داد که مدل های یادگیری عمیق نسبت به روش های کلاسیک مبتنی بر پردازش تصویر عملکرد بسیار بهتری دارند و معماری DenseNet۱۲۱ با دقت ۳۳/۹۸% بهترین نتیجه را به دست آورد. همچنین تحلیل معماری ها نشان داد که افزایش عمق شبکه و قابلیت استخراج ویژگی های پیچیده به طور مستقیم موجب بهبود تشخیص نقص ها می شود. این پژوهش ضمن ارائه ی یک مقایسه جامع بین مدل های مختلف، بر اهمیت بهره گیری از شبکه های عمیق در ارتقاء فرآیندهای کنترل کیفیت در صنعت نیمه هادی تاکید می کند و می تواند به عنوان مرجعی عملی برای محققان و صنعتگران در این حوزه مورد استفاده قرار گیرد.

کلیدواژه ها:

Wafer defect detection ، Semiconductor industry ، Integrated circuits ، Image processing ، Convolutional neural networks ، Deep learning. ، تشخیص عیوب ویفر ، صنعت نیمه هادی ، مدارهای مجتمع ، پردازش تصویر ، شبکه های کانولوشنالی عمیق