通过数据增强改进集成电路制造中缺陷环氧图像的识别
Lamia Alam1, Nasser Kehtarnavaz1
1Department of Electrical and Computer Engineering, University of Texas at Dallas, Richardson, TX 75080, USA.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
数据增强显著改善了深度学习模型,用于检测集成电路制造中的缺陷环氧滴. VGG16型号在基于视觉的模具固定检查中实现了近乎完美的准确性.
科学领域:
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
- 制造业 工程 制造工程
背景情况:
- 基于视觉的检查对于集成电路 (IC) 制造中的模具固定至关重要.
- 精确识别有缺陷的环氧滴对于质量控制至关重要.
- 缺陷环氧滴滴图像的有限可用性对模型培训构成了挑战.
研究的目的:
- 评估深度神经网络模型,以识别有缺陷的环氧滴图像.
- 研究数据增强对识别准确性的影响.
- 为了完成这个任务,比较监督和无监督的学习方法.
主要方法:
- 使用的监督模型:自动编码器 (AE) +多层感知器 (MLP) 和VGG16.
- 雇员无监督模型:AE + k-表示集群,VGG16 + k-表示集群.
- 使用CycleGAN生成网络生成合成有缺陷的环氧滴液图像,用于数据增强.
主要成果:
- 数据增强大大提高了所有模型的识别准确性.
- 基于VGG16的模型 (监督和无监督) 通过数据增强实现了完美或接近完美的准确性.
- 监督AE+MLP的精度提高了47%,无监督AE+K的平均值提高了37%,这是由于增强.
结论:
- 数据增强对于改进基于深度学习的环氧滴缺陷识别非常有效.
- VGG16型号在基于视觉的模具固定检查方面表现出卓越的性能.
- 该研究强调了生成网络在提高制造质量控制培训数据集方面的潜力.
