用于不平衡晶圆图缺陷分类的混合深度与手工特征学习方法

《Scientific Reports》：A hybrid deep and handcrafted feature learning approach for imbalanced wafer map defect classification

　　

摘要

可靠的晶圆图缺陷分类对半导体良率分析至关重要，但由于标注的晶圆图数量有限、类别分布高度不平衡以及许多深度模型的可解释性有限，这仍然具有挑战性。本文提出了一种紧凑的以数据为中心的框架，整合了条件生成增强、双分支深度特征提取和手工几何描述符，用于不平衡的晶圆图缺陷分类。使用类别和掩码条件控制的 StyleGAN2-ADA 生成器离线合成少数类晶圆图，生成的样本经过过滤后与训练集合并。在分类方面，全局 - 局部编码器建模整个晶圆上下文和局部缺陷模式，而分支相对位置交叉注意力模块使局部块特征能够有选择地关注晶圆级上下文信息。位置编码保留了每个分支内的标记结构，但并未在裁剪区域和完整晶圆之间强加一对一的绝对坐标对齐。为了补充深度表示，提取了五个可解释的手工特征组，包括径向剖面、角度剖面、连通域数量、偏心率和边缘集中度。全局和局部深度编码器是浅层的 MobileNetV2 衍生分支，它们的交叉注意力融合表示与投影后的手工特征向量相结合，并通过使用类别平衡焦点损失训练的紧凑分类头进行分类。在公开的 WM-811K 数据集上的实验表明，所提出的框架在报告的划分下实现了 98.89% 的准确率和 94.41% 的宏 F1 分数。额外的消融研究表明，掩码条件生成、位置交叉注意力、手工特征、多尺度局部块和类别平衡焦点学习都对最终性能有所贡献。部署的分类器包含 64,967 个可训练参数，不包括离线生成器和不可训练的手工特征计算。