Journal of Iranian Association of Electrical and Electronics Engineers

fa تشخیص خودکار عیوب ویفر در مدارهای مجتمع با بهره‌گیری از مدل‌های یادگیری عمیق Automatic Wafer Defect Detection in Integrated Circuits Using Deep Learning Models الکترونیک Electronic پژوهشي Research 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.   This study proposes a deep learning-based framework for automatic wafer defect detection in integrated circuits. Several architectures, including Recurrent Neural Networks (RNN), VGG16, MobileNet, GoogleNet, ResNet-based models, and DenseNet121, were implemented and comparatively evaluated. The employed dataset consisted of wafer images with various defect types, which were preprocessed and augmented using techniques such as rotation, brightness adjustment, and noise injection. Model performance was assessed based on Accuracy, Sensitivity, Recall, and F-measure. The results clearly indicate that deep learning models significantly outperform traditional image processing methods, with DenseNet121 achieving the highest accuracy of 98.33%. Furthermore, the comparative analysis revealed that deeper architectures with advanced feature extraction capabilities substantially improve defect detection performance. This research not only highlights the effectiveness of deep models for semiconductor manufacturing but also provides a comprehensive reference for researchers and industry practitioners aiming to enhance defect detection systems and ensure higher quality in integrated circuits.   تشخیص عیوب ویفر, صنعت نیمه‌هادی‌, مدارهای مجتمع, پردازش تصویر, شبکه‌های کانولوشنالی عمیق Wafer defect detection, Semiconductor industry, Integrated circuits, Image processing, Convolutional neural networks, Deep learning. 28 40 http://jiaeee.com/browse.php?a_code=A-10-626-6&slc_lang=fa&sid=1 Ali Souri علی سوری a.souri09@umail.umz.ac.ir 100319475328460013090 100319475328460013090 No Electronic Department, Faculty of Engineering and Technology, University of Mazandaran, Babolsar دانشکده مهندسی و فناوری- دانشگاه مازندران Samira Mavaddati سمیرا مودّتی s.mavaddati@umz.ac.ir 100319475328460013089 100319475328460013089 Yes Electronic Department, Faculty of Engineering and Technology, University of Mazandaran, Babolsar دانشکده مهندسی و فناوری- دانشگاه مازندران Mohammad Gholami محمد غلامی m.gholami@umz.ac.ir 100319475328460013091 100319475328460013091 No Electronic Department, Faculty of Engineering and Technology, University of Mazandaran, Babolsar دانشکده مهندسی و فناوری- دانشگاه مازندران