基于改进版EfficientNet模型的晶圆缺陷分类方法 朱莉莉（Liling Zhu）与吴志鹏（Zhipeng Wu）

《Applied Sciences》：Wafer Defect Classification Method Based on Improved EfficientNet Model Liling Zhu and Zhipeng Wu

　　**摘要**
为了解决在识别微观尺度和难以区分的缺陷时存在的准确性限制，我们提出了一种改进的EfficientNet模型，用于半导体制造中的晶圆缺陷分类。具体来说，我们使用EfficientNetV2架构作为模型的核心，并引入了一个多尺度自注意力增强模块，以增强对关键缺陷特征的捕捉能力。该模块由四个并行的自注意力增强模块组成，旨在在不同层次上获取空间上下文信息，并通过自注意力机制增强相关特征。同时，我们将手动提取的缺陷特征与CNN的全连接层结合，有效弥补了自动特征在缺陷差异化表示方面的不足。手动特征提取模块利用图像处理技术来捕捉缺陷的各种形态特征，包括几何特征、矩特征和纹理特征。我们根据典型的线空间结构和ICCAD2019掩模模式数据集，模拟并生成了一个包含各种类型缺陷的光刻扫描电子显微镜（SEM）图像数据集。该晶圆缺陷数据集的总样本量为1500个，涵盖了15种典型缺陷，并具有均匀分布。在模拟的缺陷数据集上评估了模型的分类性能。结果表明，改进模型的整体分类准确率达到96.60%，相比原始的EfficientNetV2提高了8.14%。这证明了所提出模型在处理涉及微观尺度和难以区分的缺陷的分类任务中的优越性。

**1. 引言**
随着技术向更高的数字化和智能化发展，集成电路（IC）芯片已成为现代信息技术产业的基础。IC制造是一个高度精确、复杂的工艺和设备序列，每一步都可能引入不同类型的缺陷，从而降低IC性能或导致功能故障[1,2]。产量是工艺稳定性和成熟度的核心指标，它直接决定了芯片制造商的生产成本和经济效益[3,4,5]。在线缺陷检测是一种有效的保证产量的方法。晶圆缺陷检测依赖于专门的检测设备，主要是扫描电子显微镜（SEM）；凭借1-2纳米的图像分辨率，它在识别先进工艺节点的缺陷方面至关重要[6]。晶圆缺陷检测过程包括两个主要阶段：检测和分类。缺陷检测使用图像分析算法（如die-to-database）来精确定位缺陷并测量其几何属性[7]。另一方面，缺陷分类利用机器学习技术实时对缺陷进行分类，并生成各种统计数据。准确分类晶圆缺陷对于在整个芯片制造过程中识别问题至关重要，并代表了工艺优化和产量提升的关键技术[8,9]。晶圆缺陷分类方法通常采用监督学习，包括传统的机器学习和深度学习方法。基于深度学习的缺陷分类方法逐渐成为晶圆缺陷分类领域的主流技术，因为它们在图像分类领域具有强大的特征提取能力，可以有效满足具有多样化、复杂微观特征晶圆缺陷的需求[10,11,12]。Yu等人[13]提出了一种基于PeleeNet模块的轻量级网络WM-PeleeNet。通过优化基于卷积自编码器和密集块结构的数据增强，它在准确性和效率之间取得了平衡，并显著降低了模型复杂度。Deya等人[14]提出了一种基于RetinaNet的缺陷分类模型。该模型通过结合不同深度的ResNet核心网络来增强对不同类型缺陷的特征提取能力，并比较了桥接、断裂和线条崩塌等缺陷模式的检测准确性。Kazunori等人[15]提出了一种基于迁移学习的卷积神经网络缺陷分类模型。它使用33个具有不同内核大小的卷积层来提取缺陷特征。分类器部分包括两个全连接层、一个Dropout层和一个Softmax层。最终，训练好的模型通过迁移学习应用于其他缺陷分类任务。其他流行的深度神经网络分类框架也在晶圆缺陷分类领域得到广泛应用，例如ResNet[16]和ShuffleNet[17]。然而，这些方法大多在小型私有工业数据集上进行了验证，其实际应用受到高质量、准确标注的训练数据稀缺的严重限制。在真实的工业环境中，大规模获取和准确标记缺陷图像不仅需要大量劳动力，还严重依赖于领域专家的经验。此外，工业光刻检测数据受到保密要求的影响，不同生产线的工艺可能会有很大差异，导致几乎没有可用于科学研究的公共数据集。这种数据资源的严重短缺严重阻碍了标准化训练过程和统一基准测试方案的开发。为了解决这些挑战，本文提出了使用基于线宽结构和ICCAD2019掩模模式生成的模拟晶圆缺陷数据集的实验，旨在缓解获取真实工业数据和高昂标注成本的困难。随着芯片缺陷尺寸的持续减小以及制造过程的日益复杂，出现了多种复杂的缺陷类型。在处理这些复杂缺陷时，这些学习方法在特征提取能力、分类准确性和泛化性能方面显示出局限性，无法满足先进工艺对高精度缺陷分类的要求。尽管之前的研究显示出有利的分类结果，但先进工艺节点中缺陷模式的复杂性增加，加上更小的尺度和更低的缺陷识别能力，给分类任务带来了挑战。为了克服这些限制，本研究引入了一种改进的光刻微缺陷分类方法，利用了EfficientNetV2架构。EfficientNetV2作为EfficientNet系列的升级版本，通过引入更高效的MBConv块、渐进式学习策略和优化的扩展规则，解决了之前架构在训练速度和参数利用方面的效率低下问题。它以更少的参数实现了更好的性能，适用于计算资源可能有限的工业光刻缺陷分类场景。此外，在半导体缺陷分类中，光刻缺陷图像的大小会根据加工环境和成像条件而有很大差异。EfficientNet架构在处理不同尺寸的输入图像方面表现出色，因此特别适合涉及多种缺陷尺度和形状的半导体晶圆检测。这种适应性突显了其重要的工程实用性和泛化能力。此外，EfficientNet在大型数据集（如ImageNet）上实现了异常高的分类准确率，同时训练成本相对较低。其强大的特征提取和表示能力使其能够有效捕捉半导体缺陷图像中的微观尺度和难以区分的模式，从而满足对微小缺陷的严格识别要求。因此，本文将EfficientNet指定为主要的核心网络。考虑到实验图像的分辨率主要为256 × 256，选择了EfficientNetV2-s作为基准模型。

**2. 晶圆缺陷检测过程和典型缺陷类型**
**2.1. 晶圆缺陷检测过程**
晶圆缺陷检测过程如图1所示，包括两个核心步骤：缺陷检测和缺陷分类[18]。在缺陷检测阶段，使用专门的检测设备捕获晶圆的SEM图像。然后对晶圆表面图像进行预处理，使用图像比较算法识别异常区域。常见的检测算法有die-to-die、die-to-golden和die-to-database[19,20]。die-to-die方法涉及三个芯片之间的图形区域成对比较，以识别超过预设阈值的显著灰度差异的缺陷。die-to-golden将测试芯片图像与金色模板进行比较，而die-to-database将其与设计布局数据中的理想图像进行比较。缺陷检测之后，对识别出的缺陷图像进行后处理，以提取关键信息，包括精确的坐标位置、几何参数和缺陷大小。

**2.2. 典型缺陷类型**
缺陷可能出现在芯片制造过程的每个阶段[21,22]。光刻曝光是这一过程中的关键阶段，由此产生的缺陷往往非常严重。与传统干法光刻过程相关的常见缺陷包括桥接、多桥接、缺失图案、颗粒、嵌入颗粒、残留物和线条崩塌，如图2所示。桥接缺陷主要由掩模缺陷、光刻胶颗粒和气泡引起，导致相邻线条结构的部分或完全连接。多桥接缺陷由外来颗粒污染和发展问题引起，导致受影响区域内线条结构的大量互连。缺失图案缺陷由掩模缺陷、颗粒污染和发展曝光问题引起，导致光刻图案的显著丢失或不完整。表面颗粒和嵌入颗粒缺陷可能出现在过程的各个阶段，来源包括显影液、环境金属污染物和聚合物残留物。这些缺陷通常表现为附着在光刻图案上或嵌入其中的外来颗粒。残留物缺陷源于发展不完全，导致图案上留下一层薄薄的残留物。线条崩塌缺陷主要是由光刻胶材料在不稳定性作用下受到毛细力影响而引起的线条粘连和崩塌。这种缺陷在先进工艺节点的细线图案中尤为常见。浸没光刻技术可能会引发诸如图案衰减、收缩和膨胀等显著缺陷，如图3所示，这主要是由于光刻胶与浸没液体接触时吸收了水分[22]。这种相互作用导致材料膨胀或留下水印残余，从而在缺陷区域内的光刻线条出现整体衰减、收缩和膨胀，这些缺陷区域通常呈椭圆形。在最新的EUV光刻技术中，散粒噪声可能会导致EUV随机缺陷，其特征包括光刻线条的桥接、断裂、凸出和侵入[23,24]，如图4所示。尽管这些缺陷的频率较低且尺度微小，但它们极具危害性，会直接影响芯片的功能。它们的微小尺度和罕见发生对缺陷检测技术构成了重大挑战。图3. 浸没光刻的特定缺陷[22]。(a) 图案衰减；(b) 图案收缩；(c) 图案膨胀。图4. EUV随机缺陷[24]。(a) 微桥；(b) 断裂；(c) 凸出；(d) 侵入。

3. 晶圆缺陷分类模型的设计
3.1. EfficientNet模型
EfficientNet是由谷歌在2019年提出的一种轻量级卷积神经网络模型。它通过优化网络深度、宽度以及输入分辨率之间的平衡来提升模型性能。目前，它主要包括两个系列：EfficientNetV1和EfficientNetV2。EfficientNetV1采用了一种复合缩放技术。在通过神经架构搜索（NAS）技术建立了基线模型EfficientNet-B0之后，它使用各种复合缩放因子统一调整网络的深度、宽度和分辨率，从而产生了适用于多种应用的增强版本。

EfficientNetV1的基本构建模块是Mobile Inverted Bottleneck Convolution（MBConv）模块，如图5所示。该模块源自MobileNetV2中的反向残差模块。EfficientNetV1通过标准卷积、批量归一化（BN）、SiLU激活函数、深度卷积（DWConv）以及称为Squeeze-and-Excitation（SE）的通道注意力模块来实现高效的特征提取。图5. MBConv模块，EfficientNetV1的基本构建模块。它结合了卷积、批量归一化、SiLU激活、深度卷积和Squeeze-and-Excitation（SE）注意力机制，以实现高效的特征提取。SE通道注意力模块的结构如图6所示。尽管EfficientNetV1在网络的浅层对输入图像保持了相对较高的空间分辨率，但其对特征细节变化的敏感度有限。这一限制制约了提升模型精度的潜力，并降低了整体训练效率。图6. SE模块。SE模块包括全局平均池化、两个全连接层以及逐元素乘法，用于学习通道级别的注意力权重以实现自适应特征重新校准。

EfficientNetV2是谷歌在2021年提出的改进版本，它通过改进网络结构、缩放规则和训练策略解决了V1版本的缺点，如训练速度慢和效率低的问题。EfficientNetV2的浅层使用了Fused Mobile Inverted Bottleneck Convolution（Fused MBConv）模块，从而提高了计算效率。引入了一种渐进式学习方法来显著加速训练过程。Fused MBConv模块的结构涉及用3×3的标准卷积替代MBConv中的深度可分离卷积和1×1的扩展卷积，从而简化了网络架构并提高了计算效率。Fused MBConv模块的配置如图7所示。例如，在EfficientNetV2-S中，将三个Fused MBConv模块和三个MBConv模块集成到主网络中，以实现计算效率和模型性能之间的平衡，如图8所示。图7. Fused-MBConv模块。作为标准MBConv块的改进变体，Fused MBConv用单个3×3的标准卷积替换了原始MBConv中的深度可分离卷积和1×1扩展卷积。图8. EfficientNetV2-S的架构图。该网络分别包含具有2层、4层和4层的三个Fused MBConv模块，以及具有6层、9层和15层的三个MBConv模块。EfficientNet的结构设计既科学又合理，在实现分类准确性的同时确保了计算效率，其准确性能显著超越了其他在广泛使用的大规模数据集（如ImageNet）上的架构。此外，它还展示了强大的特征表达能力和出色的泛化性能。

3.2. 改进的EfficientNet缺陷分类模型
在实际过程中，晶圆表面存在各种类型的缺陷，每种缺陷在形状、大小和角度上都具有复杂的几何形态特征。检测设备捕捉到的这些缺陷图像常常受到外部因素的影响，如图像噪声和对比度变化。本研究介绍了改进的EfficientNet缺陷分类模型（IEDCM），该模型提高了缺陷分类的准确性。IEDCM结合了EfficientNetV2的自动图像特征提取与手动特征提取及特征融合，并在分类前进行特征融合。此外，它还加入了多尺度自注意力增强模块，以更好地捕捉微尺度和难以区分的缺陷特征。IEDCM的网络架构如图9所示，包括四个主要组成部分：一个利用EfficientNetV2中的Fused-MBConv和MBConv模块的卷积网络分支、一个手动特征提取（MFE）模块、一个多尺度自注意力增强（MSSAE）模块和一个特征融合模块。图形特征提取模块采用图像处理技术来提取缺陷的多种形态特征，包括几何特征、矩特征和纹理特征。随后，特征融合模块将来自手动特征提取模块和多尺度自注意力增强模块的特征向量进行组合和整合，然后通过全连接层进行处理以进行分类。图9. IEDCM的架构图。该网络以EfficientNetV2作为骨干，包含一个手动特征提取模块、一个多尺度自注意力增强模块和一个特征融合模块。

3.3. 手动特征提取模块
在晶圆缺陷分类任务中，仅将原始缺陷图像输入神经网络不足以捕捉缺陷之间的细微差异，从而导致分类错误和准确性降低。为了提升神经网络的分类性能和区分能力，必须精确地定位和分割晶圆上的缺陷区域，然后提取特定于缺陷的图形特征，如图10所示。这些特征在神经网络的训练和推理阶段作为补充数据被集成进去，补充了网络学习到的内在语义特征。这种方法优化了分类结果，并提升了模型的整体泛化能力。图10. 手动特征提取模块。该模块从缺陷图像中提取几何特征、矩特征和纹理特征，并将它们连接成手动特征向量。在分类模型的训练中，特征选择对于增强有效信息和提高准确性至关重要。在本章中，考虑到晶圆缺陷图像的形态学和灰度分布特征，提取了27维的缺陷特征信息。每个缺陷由多个特征表征，通过比较特征差异来辅助缺陷分类。本研究中提取的特征分为三大类：几何特征、矩特征和纹理特征。

几何特征是从缺陷区域的轮廓和大小中提取的，用于定量描述缺陷的整体形状、面积和规则性，这可以直观反映缺陷的外部形态特征。主要提取的特征参数包括周长、面积、主轴、副轴、离心率和圆形度。矩特征通过计算一阶和二阶矩来分析缺陷区域的二值分布，从而确定质心位置、方向角和分布离散度等参数。这种方法为基本几何特征提供了补充信息，并有效描述了复杂缺陷轮廓的属性。纹理特征包括对比度、相关性、能量和熵，关注缺陷表面的细结构和灰度空间相关性，以表征纹理粗糙度、均匀性和复杂性。它们揭示了肉眼无法察觉的细微纹理差异，提升了模型区分相似缺陷的能力。

几何特征和矩特征的提取方法如下：在检测到缺陷后，可以获得缺陷的二值分布图。对分割后的缺陷二值图像进行形态学预处理，以消除边缘毛刺和孤立像素，确保轮廓的完整性。然后，通过遍历缺陷的边缘像素、计算缺陷区域内的像素数量、拟合最小外接矩形和椭圆等来计算相关参数。纹理特征使用灰度共生矩阵（GLCM）方法提取，从分割后的缺陷灰度图像中捕捉缺陷表面的灰度空间相关性和细纹理特征。选择缺陷特征时必须考虑缺陷的分类类型。本文讨论的缺陷类型与缺陷的形状、纹理和灰度特征密切相关。值得注意的是，这些缺陷类型在芯片上随机分布，没有固定的方向。因此，缺陷的方向角度和位置属性无助于区分此处介绍的缺陷类型。此外，原始特征集存在显著的相关性和信息冗余。基于这些考虑，本文选择了面积、周长、圆形度、亮度、Hu矩、二阶矩、对比度、相关性、角二阶矩和方差等特征。实验结果的比较分析表明，这些选定的特征有效对应于本文讨论的缺陷类型，并显著提高了缺陷分类的准确性。

3.4. 多尺度自注意力增强模块
多尺度自注意力增强模块包含四个并行分支，旨在在不同层次获取空间上下文信息，并通过自注意力机制增强相关特征。自注意力机制的实现如图11所示。为了有效整合浅层和深层特征信息，该模块从EfficientNetV2的第三、第四、第五和第六阶段提取特征图，并将它们分配给四个不同的分支。每个分支都通过自注意力增强块进行处理。之后，所有分支的特征被连接和融合，并通过全局平均池化层得到特征向量。图11. 多尺度自注意力增强模块。该模块从骨干网络的第三、第四、第五和第六阶段提取特征图，并将它们分配给四个不同规模的分支。自注意力增强模块首先对每个分支的输入特征图进行最大池化操作以标准化它们的大小，然后应用自注意力机制进行增强。该过程包括使用可学习的缩放参数调整注意力，并与原始输入特征建立残差连接。自注意力机制的实现如图12所示，其中三个不同的1×1卷积层将输入特征投影到不同的空间中的矩阵Q、K和V中。通过矩阵乘法计算Q和K之间的相似性，然后使用Softmax函数进行归一化以获得注意力图A。得到的注意力权重A用于对值V进行加权和，生成增强的特征图输出。图12. 自注意力机制。查询（Q）、键（K）和值（V）可以捕捉全局上下文信息并增强多尺度特征。

3.5. 特征融合模块
对于多尺度自注意力增强模块和手动特征提取模块提取的各种特征，本文采用了一种基于自适应连接和门控注意力引导的融合策略[25]。如图13所示，27维的手动特征被自适应加权，然后与256维的自动特征连接。融合的特征被输入到一个门控单元中，该单元包含一个线性层、批量归一化和Sigmoid激活函数，以生成自适应权重g，这些权重与自动特征逐元素相乘，并通过残差连接来增强关键缺陷相关特征并抑制背景噪声。与基本的通道连接和标准加权融合相比，门控融合通过自适应权重学习动态增强了关键缺陷特征并减少了背景噪声。图13. 特征融合模块。该模块将手动提取的特征和自动提取的特征连接起来，然后应用门控机制来生成融合特征。

4. 实验与分析
本节系统地概述了光刻缺陷数据集的构建过程以及利用该数据集进行模型训练和验证的实验计划。该框架的核心前提是开发一个数学模型来生成缺陷，通过标准化和可重复的技术流程准确模拟流程中遇到的典型缺陷。这种方法为人工智能缺陷检测模型提供了高质量、标记可靠的训练数据。首先，本节介绍了典型模拟缺陷的类别、特征和生成方法，以及缺陷检测和标记的策略。接着，阐述了数据集的整体构成和类别分布。最后，详细介绍了实验设置，包括各种比较模型的训练过程和性能评估方案。

4.1 模拟缺陷数据集
本文构建了一个晶圆缺陷模拟数据集，提供了高度真实和高质量的实验数据，以支持所提出模型的训练和验证。该数据集基于典型的线空间周期图案，并补充了ICCAD2019掩模图案数据集中的多样化掩模结构。所有原始图案都以二值图像的形式呈现，清晰地区分了光刻胶区域和非光刻胶区域[26]。

基于上述结果，使用图像处理技术有意引入了各种典型的晶圆缺陷。本文选择了工业场景中最常见的缺陷类型，这些缺陷类型出现频率较高且数据量相对充足。根据每个缺陷的预设类型、大小和位置，将相应的像素信息替换到图像中，从而生成含有各种缺陷的模拟图案结构。这种方法不仅确保了缺陷分布的合理性，还准确再现了实际光刻过程中出现的各种缺陷形态，提高了数据集的实用性。

考虑到实际晶圆缺陷检测严重依赖于扫描电子显微镜（SEM）成像，我们进一步提高了数据集的 authenticity 和 fidelity（真实性和忠实度）。我们模拟了含有缺陷的结构在SEM成像下的效果，生成了具有真实灰度级别、表面纹理和噪声特性的模拟SEM图像，这些特性复制了实际电子显微镜扫描下的缺陷外观[27]。

生成模拟SEM图像后，应用图像配准算法将图像与原始二值掩模设计精确对齐，消除了成像过程中引入的位移和变形等偏差。随后，使用芯片到芯片和芯片到数据库的匹配算法精确定位和分割缺陷区域，提取仅包含缺陷区域的局部图像，以确保后续模型的针对性训练。最后，将预定义的缺陷类型与其对应的分割缺陷图像关联起来，并为这些缺陷区域图像分配标签。所有模拟SEM图像随后被整合到一个具有标准化注释的统一数据集中，从而建立了晶圆缺陷数据集。该数据集为后续模型训练和性能验证提供了可靠的数据支持。

晶圆缺陷数据集中的样本总数为1500个，涵盖了15种典型缺陷类型，这些类型的样本数量分布均匀。各种缺陷类型的典型示例如图14所示，具体数量和缺陷大小在表1中呈现。

4.2 评估指标
在本文中，使用准确率、精确度、召回率和F1分数来评估晶圆缺陷分类模型的性能。准确率定义为正确预测的样本数与总样本数的比率，用于评估模型的综合分类能力。精确度定义为真正例样本与所有预测为正类的样本的比率。召回率定义为正确预测为正类的样本与所有实际正类样本的比率。F1分数是精确度和召回率的调和平均值。计算每个分类准确率指标的公式如下：

4.3 分类模型的参数配置
所有模型均采用统一的训练协议进行训练。实验中采用了五折交叉验证策略。每折数据集被划分为80%的训练集和20%的测试集。默认输入分辨率为256 × 256像素。优化算法采用了Adam优化器，交叉熵损失被选为损失函数。训练进行了100个周期，批量大小为32。为了实现稳定收敛，采用了结合线性热身和余弦退火的学习率调度策略。具体来说，我们设置了10个周期的线性热身阶段，在此期间学习率从零线性增加到初始学习率。热身阶段之后，学习率按照余弦退火计划衰减，最小学习率比为0.2，确保在整个训练过程中学习率逐渐且稳定地降低。EfficientNet模型的具体训练超参数在表2中详细列出，这些超参数是通过多轮比较实验确定的。

4.4 分类结果分析
为了全面评估所提出的IEDCM的稳定性和泛化能力，我们对数据集进行了五折交叉验证。训练损失和准确率曲线如图15所示。可以观察到，所有损失和准确率曲线在训练过程中呈现出平滑的收敛趋势，并在大约20个周期后稳定下来。五折的平均交叉熵损失量化为2.818，五折的平均分类准确率为96.60%，标准差为±0.95%。准确率的低标准差表明所提出的模型具有较低的方差和对数据划分变化的较大鲁棒性。

4.5 消融实验
我们对晶圆SEM模拟图像数据集进行了系统的消融实验，以评估多尺度自注意力增强模块和手动特征提取模块对缺陷分类的贡献。建立了三种实验设置：仅使用多尺度自注意力增强模块、仅使用手动特征提取模块以及同时使用两种模块。将这些不同模块组合的缺陷分类准确率与基线模型进行了全面比较。结果如表5所示，表明两种提出的模块显著提高了模型的缺陷分类性能，两者结合产生了最具利的分类结果。

4.6 分类模型比较
为了评估本研究中提出的缺陷分类方法的有效性，表7展示了IEDCM与EfficientNetV2在相同训练超参数下的比较结果。结果表明，IEDCM在所有分类指标上均优于EfficientNetV2。具体而言，精确度提高了8.07%，召回率提高了8.33%，F1分数提高了8.22%。对于多桥、颗粒、嵌入、塌陷、凸起、图案衰减和图案扩展等缺陷类型，IEDCM的分类性能显著提升，大部分类型的精确度达到了约95%。

4.7 结论
我们提出了一种基于EfficientNet的增强型晶圆缺陷分类方法，旨在提高微尺度和低可区分性缺陷的分类准确性。该模型采用EfficientNetV2作为 backbone 网络，并结合了手动提取的图形特征，有效缓解了仅依赖自动特征提取捕捉细微缺陷特征的局限性。此外，多尺度自注意力增强模块的集成显著提升了分类模型识别微尺度和低可区分性缺陷关键特征的能力。所提出方法的有效性是通过使用基于线间距结构以及ICCAD2019掩模模式的模拟晶圆缺陷数据集进行验证的。实验结果显示，该模型达到了96.60%的分类准确率、96.57%的精确度、96.80的召回率和96.67的F1分数。与原始的EfficientNetV2网络相比，这些指标分别提高了8.14%、8.07%、8.33%和8.22%。该方法在半导体制造领域具有显著的工程价值。通过提高光刻微缺陷的分类准确性和鲁棒性，它有效地促进了自动缺陷识别、工艺异常诊断以及先进晶圆生产线中的产量优化。手动特征的结合以及多尺度注意力机制的使用显著增强了微缺陷的精细检测能力，同时降低了误检率，并减少了人工干预的必要性，从而提高了在线检测的效率。