為了有效識(shí)別晶圓圖缺陷模式并及時(shí)診斷制造過程的故障源,提出基于遷移學(xué)習(xí)和深度森林集成的DenseNet-GCForest晶圓圖缺陷模式識(shí)別模型.為了解決深度學(xué)習(xí)模型訓(xùn)練困難和晶圓圖缺陷類型數(shù)目不平衡的問題,利用遷移學(xué)習(xí)將深度卷積神經(jīng)網(wǎng)絡(luò)DenseNet在ImageNet上預(yù)訓(xùn)練的網(wǎng)絡(luò)權(quán)重參數(shù)遷移至本模型并重新設(shè)計(jì)分類層,以減少深度網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間并提高模型的特征提取能力;基于DenseNet網(wǎng)絡(luò)提取的高維抽象晶圓圖特征,引入深度森林模型進(jìn)行晶圓圖特征缺陷模式識(shí)別.工業(yè)案例的實(shí)驗(yàn)驗(yàn)證結(jié)果表明,該方法的識(shí)別準(zhǔn)確率達(dá)到了96.8%,并提高了識(shí)別效率,其性能優(yōu)于典型的卷積神經(jīng)網(wǎng)絡(luò)以及其他常用識(shí)別方法. 

【文章來源】：浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2020,54(06)北大核心EICSCD

【文章頁數(shù)】：12 頁


本文編號(hào)：3545906