Advertisement

晶圆图分类，采用MFE和CNN方法。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
晶圆图模式分类：首先，WM-811K数据集通过从46393个生产批次中收集了811457个晶圆图来构建。其中，172950个晶圆图得到了领域专家的详细标注。数据集涵盖了9种不同的缺陷模式类别，包括中心缺陷、甜甜圈缺陷、边缘环缺陷、边缘局部缺陷、局部缺陷、随机缺陷、近满缺陷以及划痕等。此外，为了提高数据质量，删除了四个包含少于100个裸片且异常的晶圆图（不属于无图案类），以排除潜在的干扰因素。其次，采用手动特征提取方法： 1）密度特征：晶圆图被划分为13个区域，其中4个位于边缘区域，9个位于中心区域。每个区域的缺陷密度都被作为独立的密度特征进行提取。总共提取了13个密度特征；2）几何特征：利用噪声过滤技术识别出显著区域，基于最大面积确定这些区域。随后，提取了六个几何特征，包括周长、面积、短轴长度、长轴长度、坚固性和偏心率。总共提取了6个几何特征；3）功能特征：通过Radon变换创建了晶圆图的二维表示形式，该表示形式是通过对一系列投影进行处理得到的。为了保证图像的均匀性，对Radon变换的结果进行了三次插值处理以获得相同数量的行。然后计算每行的平均值和标准差，并根据这些统计信息提取40个功能特征，最终得到总共59个功能特征。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 采用CNN技术的文本分类方法
    优质
    本研究探索了卷积神经网络（CNN）在文本分类任务中的应用，通过实验验证了其有效性，并提出了改进方案以提高模型性能。 该文本内容详细介绍了CNN算法与文本分类之间的相互关系，我觉得很不错，希望大家会喜欢。
     
  • Wafer Map Pattern Classification Using MFE and CNN:...
    优质
    本研究结合最大信息系数（MFE）与卷积神经网络（CNN），提出了一种新颖的方法来分类晶圆地图上的图案，有效提升了半导体制造中的缺陷检测精度。 晶圆图模式分类 1. 数据说明： WM-811K数据集在实际制造过程中从46393个批次收集了811457张晶圆图像，其中由领域专家标记的有172950张。该数据集中包括九种缺陷模式类别：中心、甜甜圈、边缘环、边缘局部、局部、随机、近满和划痕。此外，删除了四个裸片数量少于100个（无图案类）的异常晶圆图像。 2. 手动特征提取方法： - 密度特征 将每张晶圆图分为13个区域：4个边缘区与9个中心区，并计算每个区域内的缺陷密度，以此作为该区域的密度特征。由此共提取出13种特征。 - 几何特征 通过噪声过滤技术识别显着区域并基于最大面积的原则进一步分析这些显著性较强的区域。从这一步骤中可以得出六个几何特性：周长、面积、短轴长度、长轴长度、坚固性和偏心率，共计提取出6种特征。 - Radon变换创建的特征 利用Radon变换对晶圆图像进行处理，并通过三次插值获取相同数量行的数据。根据Radon转换的结果和所提取行的平均值得到20个表示标准差的行数据以及每行40个额外特性，从而总计获得59种不同类型的特征。
     
  • MATLAB CNN高光谱图像分类方法
    优质
    本研究探讨了基于MATLAB平台的卷积神经网络(CNN)在高光谱图像分类中的应用，提出了一种高效准确的分类方法。 使用MATLAB进行CNN高光谱图像分类的研究与实现。
     
  • 使用PyTorch实现基于CNN和LSTM的文本分类方法
    优质
    本研究采用PyTorch框架，结合卷积神经网络(CNN)与长短时记忆网络(LSTM)，创新性地提出了一种高效的文本分类模型，显著提升了文本理解与分类精度。 model.py：#!/usr/bin/python# -*- coding: utf-8 -*- import torch from torch import nn import numpy as np from torch.autograd import Variable import torch.nn.functional as F class TextRNN(nn.Module): # 文本分类，使用RNN模型 def __init__(self): super(TextRNN, self).__init__() # 三个待输入的数据：self
     
  • WM-811K半导体晶圆图样分类_web数据集
    优质
    简介：WM-811K半导体晶圆图样分类_web数据集包含大量用于训练和测试半导体制造过程中晶圆图像识别算法的样本，助力于提高生产效率与产品质量。 WM-811K是半导体数据集，在半导体制造过程中存在许多Craft.io问题。CP良率、WAT（晶圆接受测试）以及Particle的晶圆图模式对于工程师来说是非常有用的线索，但如何在无需人工操作的情况下将这些图案分类到服务器组中是一个难题。已经有大量研究论文探讨了这个问题，并且这里我们将展示应用深度学习方法的结果。 数据集中包含811457张图像，其中只有172950张带有手动标签的图像（总共有九个类别：0、1、2、3、4、5、6、7和8）。在这些带标签的图像中，标记为“无图案”的占到了总数的85.2%。其余模式占比为14.8%，包括中心位置4294（占比2.5%）、甜甜圈形状555（占比0.3%）、边缘位置5189（占比3.0%）和边环形图案9680（占比5.6%）。
     
  • 利用TensorFlow实现的CNN文本分类方法
    优质
    本研究采用TensorFlow框架构建卷积神经网络(CNN)，针对文本数据进行高效分类处理，展示了在自然语言理解任务中的优越性能。 在文本分类问题上，目前主要使用RNN/LSTM模型。然而，这些方法存在时间序列性强、运行速度慢的局限性。相比之下，CNN具有速度快的优点，并且可以通过GPU硬件层实现来更好地处理图像数据的核心部分。因此，在某些场景下，基于TensorFlow实现的CNN可能比传统的RNN或LSTM更有效率地进行文本分类任务。
     
  • 采用霍夫曼方法检测圆形和直线
    优质
    本研究探讨了利用霍夫曼方法进行图像中圆形与直线特征识别的技术细节及应用价值，旨在提高模式识别精度。 使用霍夫曼方法可以在输入的图片中检测圆和直线，并统计它们的数量。这是一个经典的MATLAB题目。
     
  • 基于CNN的分类方法研究
    优质
    本研究聚焦于卷积神经网络（CNN）在图像和数据分类中的应用，探索其架构优化及性能提升策略，以期为模式识别领域提供新的视角与解决方案。 此程序采用CNN方法进行图像分类。首先通过爬虫技术获取图像数据，并对这些数据进行清洗处理，剔除格式不合适的无效数据以确保训练集的质量。具体训练方式详见相关文档内容。如有需要，请联系本人索取实验报告和原始数据等资料。
     
  • 印度松树高光谱图像的简单分类：基于CNN和Keras的分类方法
    优质
    本文介绍了一种使用卷积神经网络（CNN）及Keras框架对印度松树高光谱图像进行有效分类的方法，为植被监测提供技术支持。 Indian_pines_classification的运行环境为Anaconda 3.6.4, 其中Python版本为3.6.4，Keras版本为2.1.5，TensorFlow版本为1.3.0作为keras后端，numpy版本为1.14.2，notebook版本为5.4.1，ipython版本为6.3.1，spectral工具包的版本是0.19。 代码结构包括两个主要文件：dataset.ipynb和train.ipynb。在dataset.ipynb中使用spectral工具包读取数据集，并对数据进行预处理，这其中包括训练测试集分割、序列化以及PCA变换等操作，最后将这些处理后的数据以npy格式保存至predata文件夹。 而在train.ipynb中，则利用keras构建卷积神经网络模型，使用之前经过处理的数据集来完成模型的训练。在该过程中采用随机梯度下降法（SGD）作为优化算法，并选择多分类对数损失函数categorical_crossentropy作为损失函数。此外，在训练阶段还应用了ReduceLROnPlateau机制。
     
  • 用Python实现的中文文本CNN分类方法
    优质
    本研究采用Python编程语言，开发了一种基于卷积神经网络（CNN）的中文文本分类算法。通过实验验证了该模型在多个数据集上的高效性和准确性。 CNN中文文本挖掘涉及使用Python进行深度学习和机器学习的文本分类。