基于迁移学习与深度森林的晶圆图缺陷识别

• 作者: 余建波 沈宗礼
• 来源期刊: 浙江大学学报（工学版）
• 学科: 工学
• 关键词: 半导体制造 晶圆缺陷 迁移学习 卷积神经网络 深度森林
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 机械工程
• 页码范围: 1228-1239
• 页数: 12页
• 分类号: TP391.41
• 字数: 8842字
• 语种: 中文
• DOI: 10.3785/j.issn.1008-973X.2020.06.021

摘要

为了有效识别晶圆图缺陷模式并及时诊断制造过程的故障源,提出基于迁移学习和深度森林集成的DenseNet-GCForest晶圆图缺陷模式识别模型.为了解决深度学习模型训练困难和晶圆图缺陷类型数目不平衡的问题,利用迁移学习将深度卷积神经网络DenseNet在ImageNet上预训练的网络权重参数迁移至本模型并重新设计分类层,以减少深度网络模型的训练时间并提高模型的特征提取能力;基于DenseNet网络提取的高维抽象晶圆图特征,引入深度森林模型进行晶圆图特征缺陷模式识别.工业案例的实验验证结果表明,该方法的识别准确率达到了96.8％,并提高了识别效率,其性能优于典型的卷积神经网络以及其他常用识别方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	余建波	同济大学机械与能源工程学院	64	193	8.0	10.0
2	沈宗礼	同济大学机械与能源工程学院	1	0	0.0	0.0