×

基于深度神经网络模型的二维主成分卷积自编码器

消耗积分:0 | 格式:pdf | 大小:0.96 MB | 2021-04-22

分享资料个

由于半导体制造过程的高度复杂性和动态性,各种过程故障通常导致晶圆表面出现各种缺陷模式。为了有效地识别晶圆表面缺陷模式从而及时地诊断和控制故障源,提出一种深度神经网络模型——二维主成分分析卷积自编码器(two- dimensional principal component analysis- based convolutional autoencoder, PCACAE)。首先,提出一种基于改进的二维主成分分析算法( conditional2DPCA, C2DPCA)的图像卷积核,形成 PCACAE的第1个卷积层;其次,对卷积输出进行池化操作并卷积编码重构,构建一个卷积编码器,并提取其编码部分作为 PCACAE的第2层卷积层的初始化权值,从而形成一个深度网络模型,实现晶圆图像的特征学习;最后, PCACAE网络进行训练微调得到最终网络模型。将 PCACAE应用于WM81K晶圆图像数据库并与其他算法进行对比测试,实验结果表明, PCACAE在晶圆表面缺陷识别上的性能优于其他经典的卷积神经网络模型(如 Googlenet, Densnet等),从而验证了该方法的有效性与工业可应用性。

基于深度神经网络模型的二维主成分卷积自编码器

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

评论(0)
发评论

下载排行榜

全部0条评论

快来发表一下你的评论吧 !