مجله مهندسی برق و الکترونیک ایران - جلد 22 شماره 4
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
دانشگاه مازندران
چکیده: (69 مشاهده)
در این پژوهش، یک رویکرد مبتنی بر یادگیری عمیق برای تشخیص خودکار عیوب ویفر در مدارهای مجتمع ارائه شده است. برای این منظور، از چندین مدل عمیق شامل شبکههای بازگشتی(RNN)، VGG16، MobileNet، GoogleNet، معماریهای مبتنی بر ResNet و DenseNet121 استفاده گردید. مجموعهدادهی بهکاررفته شامل تصاویر ویفر دارای انواع مختلف نقص بوده و با روشهای پیشپردازش و افزایش داده (مانند چرخش، تغییر روشنایی و افزودن نویز) آمادهسازی شد. عملکرد مدلها بر اساس معیارهایی از جمله دقت(Accuracy)، حساسیت(Sensitivity)، بازخوانی (Recall) و F-measure مورد ارزیابی و مقایسه قرار گرفت. نتایج نشان داد که مدلهای یادگیری عمیق نسبت به روشهای کلاسیک مبتنی بر پردازش تصویر عملکرد بسیار بهتری دارند و معماری DenseNet121 با دقت 33/98% بهترین نتیجه را به دست آورد. همچنین تحلیل معماریها نشان داد که افزایش عمق شبکه و قابلیت استخراج ویژگیهای پیچیده بهطور مستقیم موجب بهبود تشخیص نقصها میشود. این پژوهش ضمن ارائهی یک مقایسه جامع بین مدلهای مختلف، بر اهمیت بهرهگیری از شبکههای عمیق در ارتقاء فرآیندهای کنترل کیفیت در صنعت نیمههادی تأکید میکند و میتواند بهعنوان مرجعی عملی برای محققان و صنعتگران در این حوزه مورد استفاده قرار گیرد.
واژههای کلیدی: تشخیص عیوب ویفر، صنعت نیمههادی، مدارهای مجتمع، پردازش تصویر، شبکههای کانولوشنالی عمیق
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |
