基于可分离卷积和注意力机制的晶圆缺陷检测
为对半导体晶圆的表面缺陷进行快速检测,提出一种基于深度可分离卷积和注意力机制的轻量级网络,并在WM-811K数据集上进行了实验.为解决该数据集中9种不同类别的缺陷比例相对不平衡问题,采用了数据增强方法对较少数据的缺陷类别进行数据扩充.本文模型中的深度可分离卷积可以降低模型的参数量,提高模型的推理速度;注意力机制可以使模型更加关注晶圆图像中有缺陷的区域,使模型达到更好的分类效果.实验表明,所提方法在WM-811K数据集上的平均准确率高达96.5%,相对于ANN、VGG16、MobileNetv2等方法均有不同程度的提高,并且参数量和运算量只是经典轻量级网络MobileNetv2的73.5%和28.6%.
深度可分离卷积、缺陷检测、注意力机制、轻量级网络、半导体晶圆、深度学习、残差网络
32
TP391;TP193;TP751
广东省普通高校重点科研平台和项目;东莞市科技特派员项目
2023-05-15(万方平台首次上网日期,不代表论文的发表时间)
共8页
20-27