| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 缩略语表 | 第10-13页 |
| 第1章 绪论 | 第13-22页 |
| 1.1 本课题的研究意义和背景 | 第13-14页 |
| 1.2 国内外相关技术研究现状 | 第14-19页 |
| 1.2.1 图像特征提取和降维研究现状 | 第14-16页 |
| 1.2.2 晶圆缺陷检测技术研究现状 | 第16-19页 |
| 1.3 本文的研究内容与组织框架 | 第19-21页 |
| 1.4 本章小结 | 第21-22页 |
| 第2章 晶圆图像的多尺度缺陷分析以及降噪技术 | 第22-33页 |
| 2.1 晶圆表面多尺度缺陷机理和表面检测难点 | 第22-27页 |
| 2.2 晶圆多尺度缺陷图像预处理技术 | 第27-32页 |
| 2.2.1 基于中值滤波的晶圆宏观缺陷图像去噪技术 | 第27-28页 |
| 2.2.2 晶圆微观缺陷图像集的数据增强技术 | 第28-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 基于Gabor的晶圆宏观表面缺陷检测技术 | 第33-44页 |
| 3.1 基于Retinex的晶圆光照去除技术 | 第33-35页 |
| 3.2 基于Gabor的晶圆纹理图案特征提取 | 第35-37页 |
| 3.2.1 Gabor滤波器 | 第35页 |
| 3.2.2 晶圆纹理图案特征提取 | 第35-37页 |
| 3.3 晶圆图像特征降维及图像分割技术 | 第37-41页 |
| 3.3.1 随机投影降维 | 第37-38页 |
| 3.3.2 基于改进最大类间方差法的图像分割技术 | 第38-41页 |
| 3.4 实验结果与分析 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于RCNN分析的晶圆微观图像缺陷识别方法 | 第44-65页 |
| 4.1 基于ZF网络的Faster RCNN算法 | 第44-51页 |
| 4.1.1 区域卷积神经网络算法 | 第44-49页 |
| 4.1.2 基于ZF网络的Faster RCNN网络结构 | 第49-51页 |
| 4.2 微观晶圆图像网络模型的激活函数与正则化技术 | 第51-55页 |
| 4.2.1 改进的ReLU激活函数 | 第51-54页 |
| 4.2.2 基于Dropout算法的正则化技术 | 第54-55页 |
| 4.3 基于微观晶圆图像数据集的网络训练 | 第55-58页 |
| 4.4 实验结果与分析 | 第58-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 晶圆图像多尺度缺陷检测软件开发与应用实例 | 第65-80页 |
| 5.1 晶圆表面多尺度缺陷检测平台 | 第65-67页 |
| 5.2 晶圆表面多尺度缺陷检测软件系统框架 | 第67-75页 |
| 5.2.1 晶圆表面多尺度缺陷检测软件方案设计 | 第67页 |
| 5.2.2 晶圆图像采集模块 | 第67-69页 |
| 5.2.3 晶圆图像表面宏观尺度缺陷检测模块 | 第69-72页 |
| 5.2.4 晶圆图像表面微观尺度缺陷检测模块 | 第72-75页 |
| 5.3 晶圆图像表面宏观尺度缺陷检测模块应用实例 | 第75-77页 |
| 5.4 晶圆图像表面微观尺度缺陷检测模块应用实例 | 第77-79页 |
| 5.5 本章小结 | 第79-80页 |
| 第6章 总结和展望 | 第80-83页 |
| 6.1 全文总结 | 第80-81页 |
| 6.2 工作展望 | 第81-83页 |
| 参考文献 | 第83-88页 |
| 作者简历 | 第88页 |
