基于CNN的晶圆SEM图像缺陷检测与分类研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第13-25页 |
| 1.1 引言 | 第13-14页 |
| 1.2 集成电路制造与光刻工艺 | 第14-17页 |
| 1.2.1 光刻工艺流程 | 第14-16页 |
| 1.2.2 光刻工艺现状和发展 | 第16-17页 |
| 1.3 晶圆缺陷 | 第17-19页 |
| 1.3.1 晶圆缺陷的成因 | 第17-18页 |
| 1.3.2 晶圆缺陷的类型 | 第18页 |
| 1.3.3 晶圆缺陷检测技术现状 | 第18-19页 |
| 1.4 扫描电子显微镜图像 | 第19-21页 |
| 1.4.1 扫描电镜成像原理 | 第19-20页 |
| 1.4.2 SEM图像类型 | 第20-21页 |
| 1.5 基于SEM图像的缺陷分类与检测 | 第21-24页 |
| 1.5.1 SEM图像上的缺陷分类 | 第22-23页 |
| 1.5.2 SEM图像上的缺陷检测 | 第23-24页 |
| 1.6 本文主要研究内容 | 第24-25页 |
| 第2章 卷积神经网络 | 第25-37页 |
| 2.1 神经网络 | 第25-26页 |
| 2.1.1 神经元 | 第25页 |
| 2.1.2 神经网络模型 | 第25-26页 |
| 2.2 卷积神经网络的基本结构 | 第26-29页 |
| 2.2.1 全连接层 | 第27页 |
| 2.2.2 卷积层 | 第27-29页 |
| 2.2.3 次采样层 | 第29页 |
| 2.2.4 网络求解 | 第29页 |
| 2.3 ZFNet结构 | 第29-31页 |
| 2.4 基于CNN的对象检测 | 第31-34页 |
| 2.4.1 Region-CNN | 第31-32页 |
| 2.4.2 Fast RCNN | 第32页 |
| 2.4.3 Faster RCNN | 第32-34页 |
| 2.5 Caffe架构 | 第34-35页 |
| 2.6 本章小结 | 第35-37页 |
| 第3章 缺陷检测与分类算法 | 第37-50页 |
| 3.1 SEM图像与缺陷数据 | 第37-40页 |
| 3.1.1 SEM图像 | 第37页 |
| 3.1.2 合并SEM图像与版图 | 第37-38页 |
| 3.1.3 缺陷类型 | 第38-40页 |
| 3.2 基于ZFNet的缺陷分类算法 | 第40-43页 |
| 3.2.1 缺陷分类数据 | 第40-41页 |
| 3.2.2 缺陷分类算法及实现 | 第41-42页 |
| 3.2.3 测试结果和分析 | 第42-43页 |
| 3.3 Patch-based缺陷检测算法 | 第43-45页 |
| 3.3.1 检测算法实现 | 第43-44页 |
| 3.3.2 优化检测模型参数 | 第44页 |
| 3.3.3 测试结果与分析 | 第44-45页 |
| 3.4 Faster RCNN检测算法 | 第45-49页 |
| 3.4.1 检测算法实现 | 第46-47页 |
| 3.4.2 模型训练 | 第47-48页 |
| 3.4.3 测试结果与分析 | 第48-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 总结与展望 | 第50-52页 |
| 4.1 本文总结 | 第50页 |
| 4.2 研究展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间主要的研究成果 | 第56-57页 |
| 致谢 | 第57页 |
