YOLOv8用于六方导向自组装图形缺陷检测：一种以数据为中心的方法
计算机视觉与模式识别
2023-11-21 v1
摘要
图形尺寸缩小导致半导体器件中缺陷类型增多。这推动了如导向自组装（DSA）等图形化方法的创新，而此类方法尚无传统的自动缺陷检测软件。基于机器学习的SEM图像分析已成为缺陷检测中日益流行的研究课题，其中监督式ML模型常表现出最佳性能。然而，针对这些监督模型获取高质量标注数据集的研究甚少。本工作中，我们提出了一种为六方接触孔DSA图形数据集获取一致且完整标注的方法，同时仅需DSA专家极少的质量控制投入。我们展示了最先进的神经网络YOLOv8在我们最终数据集上达到超过0.9 mAP的缺陷检测精度，该数据集最能反映DSA专家的缺陷标注预期。我们讨论了所提标注方法的优势与局限，并指出了以数据为中心的基于ML的缺陷检测未来工作方向。
引用
@article{arxiv.2307.15516,
title = {YOLOv8 for Defect Inspection of Hexagonal Directed Self-Assembly Patterns: A Data-Centric Approach},
author = {Enrique Dehaerne and Bappaditya Dey and Hossein Esfandiar and Lander Verstraete and Hyo Seon Suh and Sandip Halder and Stefan De Gendt},
journal= {arXiv preprint arXiv:2307.15516},
year = {2023}
}
备注
8 pages, 10 figures, accepted for the 38th EMLC Conference 2023