由于半導(dǎo)體制造過(guò)程的高度復(fù)雜性和動(dòng)態(tài)性,各種過(guò)程故障通常導(dǎo)致晶圓表面出現(xiàn)各種缺陷模式.為了有效地識(shí)別晶圓表面缺陷模式從而及時(shí)地診斷和控制故障源,提出一種深度神經(jīng)網(wǎng)絡(luò)模型——二維主成分分析卷積自編碼器(two-dimensional principal component analysis-based convolutional autoencoder, PCACAE).首先,提出一種基于改進(jìn)的二維主成分分析算法(conditional2DPCA,C2DPCA)的圖像卷積核,形成PCACAE的第1個(gè)卷積層;其次,對(duì)卷積輸出進(jìn)行池化操作并卷積編碼重構(gòu),構(gòu)建一個(gè)卷積編碼器,并提取其編碼部分作為PCACAE的第2層卷積層的初始化權(quán)值,從而形成一個(gè)深度網(wǎng)絡(luò)模型,實(shí)現(xiàn)晶圓圖像的特征學(xué)習(xí);最后, PCACAE網(wǎng)絡(luò)進(jìn)行訓(xùn)練微調(diào)得到最終網(wǎng)絡(luò)模型.將PCACAE應(yīng)用于WM-811K晶圓圖像數(shù)據(jù)庫(kù)并與其他算法進(jìn)行對(duì)比測(cè)試,實(shí)驗(yàn)結(jié)果表明, PCACAE在晶圓表面缺陷識(shí)別上的性能優(yōu)于其他經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型(如GoogLeNet,DensNet等),從而驗(yàn)證了該方法的有效性與工業(yè)可應(yīng)用性.

【文章頁(yè)數(shù)】：12 頁(yè)


本文編號(hào)：4048285