WaferSegClassNet——一种用于半导体晶圆缺陷分类与分割的轻量化网络

随着半导体晶圆集成密度和设计复杂度的不断提升，其缺陷的规模与复杂性也随之显著增加。由于人工检测晶圆缺陷成本高昂，因此亟需一种基于人工智能（AI）的自动化计算机视觉方法。以往的缺陷分析研究存在诸多局限，例如准确率较低，且分类与分割任务需依赖独立模型。针对混合类型缺陷的分析，部分现有方法需为每种缺陷类型分别训练一个模型，难以实现可扩展性。本文提出一种新型网络结构——WaferSegClassNet（WSCN），该模型基于编码器-解码器架构，能够同时实现单类型与混合类型晶圆缺陷的分类与分割。WSCN采用“共享编码器”结构，统一用于分类与分割任务，支持端到端的联合训练。在训练过程中，首先利用N-pair对比损失（N-pair contrastive loss）对编码器进行预训练，以提升晶圆图在潜在空间中的嵌入表示能力；随后，采用二值交叉熵- Dice 损失（BCE-Dice loss）进行分割任务优化，并使用分类交叉熵损失（categorical cross-entropy loss）完成分类任务。N-pair对比损失的引入显著增强了特征表示在低维潜在空间中的区分能力。WSCN模型仅需0.51MB的存储空间，计算量仅为0.2M FLOPS，远低于当前其他先进模型，具有极轻量级的特点。此外，该模型仅需150个训练周期即可收敛，而此前的工作通常需要4,000个周期，训练效率大幅提升。我们在MixedWM38数据集上对模型进行了评估，该数据集包含38,015张图像。实验结果表明，WSCN在分类任务上达到平均98.2%的准确率，在分割任务上Dice系数高达0.9999。本研究首次在MixedWM38数据集上展示了完整的分割结果。相关源代码已开源，可访问 https://github.com/ckmvigil/WaferSegClassNet 获取。