面向高效晶圆视觉检测：探索轻量化异常检测与缺陷分割的创新方法

为解决半导体制造中缺陷检测复杂度高、传统方法效率低的问题，研究人员开展基于AI的晶圆视觉检测研究。通过构建含1055张图像的新数据集，提出无监督数据分割方法（覆盖率96%），并验证EfficientAD（F1-score 82.35%）和UPerNet-Swin（mDice 47.90%）的优越性能。创新性双阶段输出融合策略整合异常检测与缺陷分割结果，为高吞吐量产线提供高效解决方案，发表于《Intelligent Systems with Applications》。

　　

随着半导体工艺进入亚10纳米时代，晶圆表面缺陷的多样性和复杂性呈指数级增长。传统依赖人工或规则式计算机视觉的检测方法，面临着效率低下、成本高昂和主观性强等挑战。尽管人工智能技术已在无监督异常检测(anomaly detection)和有监督缺陷分割(defect segmentation)领域取得显著进展，但在晶圆检测领域的应用仍存在巨大探索空间。这项由Ivo Fa?oco、Rafaela Carvalho和Luís Rosado共同完成的研究，通过整合前沿轻量化AI技术与创新数据策略，为新一代硅晶圆的自动化检测提供了全新解决方案。

研究团队首先构建了包含1055张300毫米晶圆图像的数据集，这些图像具有992×992像素分辨率和3.4微米/像素的空间分辨率，标注了7种缺陷类型和PASS/FAIL决策。针对数据准备的关键问题，研究人员开发了基于DINO-ViT-S/8特征提取的无监督数据集分割方法，实现了96%的覆盖率同时保持20%的测试比例。在模型方面，团队系统评估了CFA、FastFlow和EfficientAD等异常检测算法，以及SegFormer-B0、UPerNet-Swin和PIDNet等分割模型。最具创新性的是提出双阶段输出融合策略，将最佳异常检测模型与分割模型的结果智能整合，显著提升了决策准确性。

关键技术方法包括：1) 采用改进的MultilabelStratifiedShuffleSplit方法进行数据分层分割；2) 基于DINO-ViT-S/8模型提取图像特征；3) 评估三种先进异常检测模型(CFA、FastFlow、EfficientAD)在像素级和图像级的性能；4) 对比三种语义分割架构(SegFormer-B0、UPerNet-Swin、PIDNet)的缺陷识别能力；5) 设计非可训练的双阶段融合策略整合EfficientAD和UPerNet-Swin的输出。

5.1. 异常检测

通过阈值优化(将FNR控制在10%左右)，EfficientAD在图像级AUC(85.54%)和F1-score(82.35%)表现最优，其像素级AUC达75.72%，显著优于传统Six-Sigma方法(61.58%)。分析显示，该模型对含缺陷图像高度敏感，即使对小缺陷也保持警觉，但可能将可容忍缺陷误判为异常。

5.2. 缺陷分割

UPerNet-Swin以47.90的mDice得分领先，尤其在CON(87.26%)和SAP(84.56%)等明显缺陷上表现突出。但模型对MIS和OT类缺陷识别困难，反映出数据集中少数类样本不足的问题。mask-level评估中，其加权平均F1-score达57.45%，证明其在整体缺陷定位上的优势。

5.3. 双阶段输出融合

整合EfficientAD和UPerNet-Swin的结果后，系统对FAIL_DISCARD类别的召回率达93.51%，且未将任何缺陷晶圆误判为完好。虽然PASS_RECOV(F1-score 65.65%)和FAIL_RECOV(51.11%)类别的判定仍需优化，但该策略有效平衡了检测灵敏度与特异性。

5.4. 计算效率

在NVIDIA? V100 GPU上，完整双阶段流程仅需55.66±1.64毫秒，满足高通量生产需求。其中EfficientAD(10.56ms)和UPerNet-Swin(45.10ms)的组合在性能与效率间取得最佳平衡。

这项发表于《Intelligent Systems with Applications》的研究，通过创新性地结合数据策略与轻量化模型，为半导体制造业提供了可落地的AI检测方案。其提出的无监督数据分割方法解决了工业场景中数据分布不平衡的难题，而双阶段融合策略则巧妙整合了异常检测的敏感性与缺陷分割的特异性。特别值得关注的是，研究揭示了当前模型在小缺陷(DP/LP)和罕见缺陷(MIS/OT)识别上的局限性，为后续研究指明了方向。随着芯片特征尺寸的持续缩小，这种融合计算机视觉与深度学习的多模态检测框架，有望成为确保半导体制造质量的新标准。