重新思考全卷积网络在光致发光晶圆图像分析中的应用
计算机视觉与模式识别
2020-03-03 v1 机器学习
摘要
发光二极管的制造是一个复杂的半导体制造过程，其间穿插着不同的测量。在所采用的测量中，光致发光成像具有若干优势，即它是一种非破坏性、快速因而具成本效益的测量。在 LED 晶圆的光致发光测量图像上，每个像素对应于光激发后一个 LED 芯片的亮度，揭示了芯片性能信息。然而，基于光致发光图像生成 LED 晶圆的芯片级缺陷图因多种原因而具挑战性：一方面，测量的亮度值在各图像间变化，此外还存在亮度不同的局部斑点。另一方面，某些缺陷结构可能呈现多种形状、尺寸和亮度梯度，其中显著的亮度值可能对应于缺陷 LED 芯片、测量伪影或非缺陷结构。在这项工作中，我们重新审视使用全卷积网络创建芯片级缺陷图，并表明通过引入密集连接卷积块与空洞空间金字塔池化模块可改善多尺度目标分割问题。我们还分享了实现细节以及使用小测量图像数据集训练网络的经验。所提出的架构相比我们之前的版本显著提高了高度可变缺陷结构的分割精度。
引用
@article{arxiv.2003.00594,
title = {Rethinking Fully Convolutional Networks for the Analysis of Photoluminescence Wafer Images},
author = {Maike Lorena Stern and Hans Lindberg and Klaus Meyer-Wegener},
journal= {arXiv preprint arXiv:2003.00594},
year = {2020}
}