Jul, 2023

基于数据的方法的六边形定向自组装图案缺陷检测的 YOLOv8

PDF
TL;DR通过提出一种方法，我们展示了在获取高质量标签的过程中，使用神经网络 YOLOv8 可以实现对六边形接触孔 DSA 模式的缺陷检测，并讨论了我们的标签方法的优势和局限性，为以数据为中心的基于机器学习的缺陷检验提出了未来研究的方向。
shrinking pattern dimensionsdirected self-assemblydefect inspectionmachine learning-based sem image analysishexagonal contact hole dsa patterns
发现论文，激发创造
  • 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

  • AI 引导下的缺陷检测技术模拟单晶金刚石生长

    通过利用原位光学图像识别可见的宏观缺陷状态特征，本文详细介绍了利用语义分割方法进行缺陷分割的方法，并采用基于 YOLOV3 和 DeeplabV3plus 架构的深度学习算法，在钻石生长的过程中取得了很好的准确性。

    Apr, 2024

  • 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

  • 融合注意力特征金字塔网络的焊点缺陷检测中的 YOLO 算法

    为了提高生产制造过程中焊点缺陷检测的准确性和降低计算成本，本研究提出了一种混合关注机制，该机制由增强的多头自注意力和坐标注意力机制组成，能够提高网络感知上下文信息和学习局部特征的能力，从而使焊点缺陷检测的均方平均精度（mAP）达到 91.5%，比其他版本的算法要高。同时，在满足实时检测要求的前提下，也对平均精度、精确率、召回率和帧每秒指标进行了改善。

    Jan, 2024

  • 利用通道洗牌的深度学习加速金属表面缺陷检测

    基于 YOLOv5 的改进型缺陷检测模型在钢表面上检测小且复杂的缺陷目标，在精度和检测时间方面表现优于其他可比较的模型。

    Jun, 2024

  • 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

  • 晶片地圖缺陷模式半監督分類使用潛在向量表示

    这篇论文提出了一种利用预训练的 VAE 模型获取晶圆图故障分布信息，并结合原始图像集进行半监督模型训练的方法。通过师生网络的迭代学习，该模型在 WM-811K 晶圆数据集上验证得到了卓越的分类准确性和检测性能，实现了对工业应用的要求，并在性能上有显著的提升。

    Oct, 2023

  • 无监督与监督学习相结合的显微镜技术实现对整片 4H-SiC 晶片缺陷分析

    通过融合各种图像分析和数据挖掘技术，我们在这项工作中创建了一个强大且准确的自动化图像分析流水线，用于提取显微图像中 KOH 刻蚀的 4H-SiC 晶片的所有缺陷的类型和位置。

    Feb, 2024

  • 从密度到几何：YOLOv8 实例分割用于优化结构的逆向工程

    YOLOv8-TO 是一种新颖的方法，利用 YOLOv8 实例分割模型将拓扑优化结构逆向工程成可解释的几何参数。通过训练自定义的 YOLOv8 模型，YOLOv8-TO 可以自动检测和重构二进制密度分布中的结构组件，大大优于传统的骨架化方法，并在设计探索和制造中实现了高效准确反向工程。

    Apr, 2024

  • 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

    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。

    Nov, 2022