基于深度学习的扫描电子显微镜图像缺陷分类和检测：一种 Mask R-CNN 方法

Nov, 2022

基于深度学习的扫描电子显微镜图像缺陷分类和检测：一种 Mask R-CNN 方法

Deep Learning based Defect classification and detection in SEM images: A Mask R-CNN approach

Bappaditya Dey, Enrique Dehaerne, Kasem Khalil, Sandip Halder, Philippe Leray...

TL;DR本研究展示了将深度学习算法 Mask-RCNN 应用于半导体缺陷检测领域，通过改进缺陷实例分割技术，成功地检测和分割在半导体制造过程中不同类型的随机缺陷图案，并且可以精确计算缺陷表面积和数量。

Abstract

In this research work, we have demonstrated the application of mask-rcnn (Regional Convolutional Neural Network), a deep-learning algorithm for computer vision and specifically object detection, to semiconductor defect

mask-rcnn semiconductor defect inspection deep learning defect classification instance segmentation

发现论文，激发创造

SEMI-CenterNet: 半导体缺陷检查的机器学习促进方法

本研究提出了基于深度学习的半导体缺陷检测方法 SEMI-CenterNet，在 SEM 图像中实现了缺陷的高效定位和分类，并显著改善了推断时间。通过在两个数据集上训练和使用自定义 SEM 数据集的迁移学习，减少了传统训练方法所需的训练时间，获得了最佳的平均精确度。

Aug, 2023

基于半扩散模型的半导体缺陷分类和分割方法 (SEMI-DiffusionInst)

本研究针对制造领域中先进节点技术中扫描电子显微镜图像的缺陷检测问题，提出了一个名为 “SEMI-DiffusionInst” 的新的半导体缺陷检测框架，并证明了该方法可以准确地检测并划分缺陷图案

Jul, 2023

扫描电子显微镜图像中的自动半导体缺陷检测：系统综述

半导体材料和器件中检测缺陷的高效准确方法需求日益增长。这篇文章通过对 38 篇相关研究论文进行系统回顾，全面总结了基于扫描电子显微镜图像的自动化半导体缺陷检测的现状，包括最新创新和发展，提供了方法的综合概述和分析，并对未来工作提出了有希望的方向。

Aug, 2023

利用卷积神经网络和迁移学习进行制造缺陷检测和分割

提出了一种基于掩膜区域卷积神经网络（Mask Region-based CNN）的系统，用于在 X 射线图像中识别铸造缺陷。该系统同时执行输入图像的缺陷检测和分割，并采用转移学习来减少训练数据需求并提高训练模型的预测准确性。

Aug, 2018

基于二维正弦图的计算机断层成像中的缺陷定位方法

该论文介绍了深度学习在计算机断层成像领域的应用，提出了一种基于三步深度学习算法的综合缺陷检测方法，包括缺陷分割、蒙版分离和缺陷分析。使用 U-Net 架构进行缺陷分割，在模拟数据上达到 92.02％的 IoU，并在 512 像素宽的探测器上实现了 1.3 像素的平均位置误差。

Jan, 2024

基于分割的深度学习方法用于表面缺陷检测

本研究提出了一种基于分割的深度学习架构，用于表面异常检测和分割，在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能，可以使用少量的样本进行训练，因此可以实际应用于工业领域。

Mar, 2019

面向基于 SEMI-SuperYOLO-NAS 的高数值孔径 EUVL 的半导体缺陷检测的改进

该研究提出了一个可提高成像工具缺陷检测吞吐量的 ADCD 框架，该框架通过在低分辨率图像中检测纳米级缺陷实例来解决高深度聚焦挑战，并通过 SR 辅助分支实现不同分辨率图像上的缺陷检测推断，无需明确训练。

Apr, 2024

基于强化学习的半导体缺陷定位的特征提取器基准化

该研究通过使用深度强化学习方法，从逐渐缩小的输入图像区域中迭代地提取特征，比较了使用不同特征提取器训练的 18 个代理商的结果，并讨论了不同特征提取器的优缺点以及针对半导体缺陷定位的深度强化学习框架的一般优势和劣势。

Nov, 2023

提高计算机视觉制造缺陷检测鲁棒性的一种新策略

本研究探讨利用深度学习技术进行视觉品质检测问题，针对工业制造中数据重复性高的情况，提出通过学习数据中的特定缺陷类型来训练检测模型，从而使其更能检测出在新情况下出现的缺陷。同时，研究对泛化的影响，以训练在更广泛的条件下工作的模型。

May, 2023

DeepInspect：面向制造业的 AI 驱动缺陷检测

我们的论文利用卷积神经网络（CNNs）、递归神经网络（RNNs）和生成对抗网络（GANs）为制造业引入一种创新的缺陷检测方法。通过从产品照片中提取精细的细节，并利用 RNNs 检测不断演变的错误，并生成合成缺陷数据来增强模型的鲁棒性和适应性以应对各种缺陷情况。该项目利用深度学习框架在制造过程中实现实时缺陷检测。它利用大量带有注释的图像数据集来识别复杂的缺陷模式。该综合系统无缝地融入生产工作流程，提高效率并提升产品质量。因此，它降低了浪费和运营成本，最终提升了市场竞争力。

Nov, 2023