资料下载
×
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。
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
- 相关下载
- 相关文章
