在集成电路制造中通过增强损失功能的循环GANAN生成有缺陷的环氧滴滴图像用于模具附件
Lamia Alam1, Nasser Kehtarnavaz1
1Department of Electrical and Computer Engineering, University of Texas at Dallas, Richardson, TX 75080, USA.
Sensors (Basel, Switzerland)
|July 11, 2023
概括
这项研究引入了一种新的方法,使用CycleGAN生成用于集成电路制造的合成缺陷环氧滴滴图像. 这种数据增强提高了深度神经网络的训练,以识别缺陷.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
- 电气工程 电气工程
背景情况:
- 集成电路 (IC) 制造中的缺陷识别对于质量控制至关重要.
- 基于视觉的深度神经网络 (DNN) 是有效的缺陷检测,但需要广泛的训练数据.
- 缺陷环氧滴图像的稀缺性阻碍了用于IC模具附着检查的强大的DNN的开发.
研究的目的:
- 为了解决IC制造中缺陷环氧滴图像的数据稀缺问题.
- 开发使用生成对抗网络 (GAN) 的数据增强技术,以改进DNN培训.
- 提高基于视觉的缺陷识别系统的性能.
主要方法:
- 使用CycleGAN,一种GAN,合成有缺陷的环氧滴滴图像.
- 通过学习感知图像补丁相似性 (LPIPS) 和结构相似性指数指标 (SSIM) 增强了CycleGAN的循环一致性损失函数.
- 使用峰值信号与噪声比率 (PSNR),通用图像质量指数 (UQI) 和视觉信息真实性 (VIF) 度量来评估合成图像的质量.
主要成果:
- 增强的CycleGAN显著提高了合成有缺陷的环氧滴图像的质量.
- 与标准的CycleGAN损失函数相比,质量改善为59% (PSNR),12% (UQI) 和131% (VIF).
- 一个图像分类器在与合成图像进行训练时,证明了更好的缺陷识别准确性.
结论:
- 拟议的基于GAN的数据增强有效生成高质量的合成缺陷环氧滴图像.
- 增强的损失功能显著提高了用于缺陷检测任务的生成图像的真实性.
- 这种方法为改善IC制造质量控制中的DNN性能提供了可行的解决方案.
