論文の概要: A Novel Visual Fault Detection and Classification System for Semiconductor Manufacturing Using Stacked Hybrid Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/1911.11250v6
- Date: Fri, 7 Jun 2024 20:30:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-17 00:11:14.451727
- Title: A Novel Visual Fault Detection and Classification System for Semiconductor Manufacturing Using Stacked Hybrid Convolutional Neural Networks
- Title（参考訳）: 積層ハイブリッド畳み込みニューラルネットワークを用いた半導体製造のための新しい視覚的故障検出・分類システム
- Authors: Tobias Schlosser, Frederik Beuth, Michael Friedrich, Danny Kowerko,
- Abstract要約: 半導体産業における自動視覚検査は、製造欠陥を検出し分類することを目的としている。
この貢献により、新しいディープニューラルネットワークベースのハイブリッドアプローチが導入される。
階層化されたハイブリッド畳み込みニューラルネットワーク(SH-CNN)を構成し、視覚的注意の現在のアプローチにインスパイアされたシステムは、その構造から詳細レベルに焦点をあてる。
- 参考スコア（独自算出の注目度）: 0.24999074238880484
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated visual inspection in the semiconductor industry aims to detect and classify manufacturing defects utilizing modern image processing techniques. While an earliest possible detection of defect patterns allows quality control and automation of manufacturing chains, manufacturers benefit from an increased yield and reduced manufacturing costs. Since classical image processing systems are limited in their ability to detect novel defect patterns, and machine learning approaches often involve a tremendous amount of computational effort, this contribution introduces a novel deep neural network based hybrid approach. Unlike classical deep neural networks, a multi-stage system allows the detection and classification of the finest structures in pixel size within high-resolution imagery. Consisting of stacked hybrid convolutional neural networks (SH-CNN) and inspired by current approaches of visual attention, the realized system draws the focus over the level of detail from its structures to more task-relevant areas of interest. The results of our test environment show that the SH-CNN outperforms current approaches of learning-based automated visual inspection, whereas a distinction depending on the level of detail enables the elimination of defect patterns in earlier stages of the manufacturing process.
- Abstract（参考訳）: 半導体産業における自動視覚検査は、現代の画像処理技術を用いて製造欠陥を検出し分類することを目的としている。
欠陥パターンを早期に検出することは、製造チェーンの品質管理と自動化を可能にするが、製造業者は収量の増加と製造コストの削減から恩恵を受ける。
従来の画像処理システムは、新しい欠陥パターンを検出する能力に制限があるため、機械学習アプローチは、しばしば膨大な計算労力を必要とするため、この貢献により、新しいディープニューラルネットワークベースのハイブリッドアプローチが導入される。
古典的なディープニューラルネットワークとは異なり、マルチステージシステムは高解像度画像内のピクセルサイズの最も優れた構造を検出し、分類することができる。
階層化されたハイブリッド畳み込みニューラルネットワーク(SH-CNN)を構成し、視覚的注意の現在のアプローチにインスパイアされたこのシステムは、その構造からよりタスク関連のある領域への詳細レベルに焦点をあてる。
テスト環境の結果,SH-CNNは学習に基づく視覚自動検査の現在の手法よりも優れており,細部による違いは製造工程の初期段階における欠陥パターンの除去を可能としている。
関連論文リスト
- Three-layer deep learning network random trees for fault detection in chemical production process [13.996134219601513]
3層深層学習ネットワークランダムツリー(TDLN-trees)と呼ばれる新しい断層検出モデルを提案する。
まず、ディープラーニングコンポーネントは、産業データから時間的特徴を抽出し、それらを組み合わせて高レベルのデータ表現に変換する。
次に、機械学習コンポーネントは、最初のステップで抽出された特徴を処理し、分類する。
論文 参考訳（メタデータ） (2024-05-01T04:28:44Z) - Image-based Novel Fault Detection with Deep Learning Classifiers using Hierarchical Labels [8.365583064409371]
本研究では、ディープニューラルネットワークに基づく故障分類器の未知の故障検出機能について考察する。
本稿では, 故障検出性能の未知化のために, 故障分類に関するラベルをいかに利用することができるかを示す方法論を提案する。
論文 参考訳（メタデータ） (2024-03-26T17:22:29Z) - Defect Detection in Tire X-Ray Images: Conventional Methods Meet Deep
Structures [4.111152565355453]
本研究は,欠陥検出システムの性能向上のための特徴工学の重要性を強調した。
実験により, タイヤ欠陥検出の精度と信頼性を, 微調整および機械学習モデルと組み合わせることで, タイヤ欠陥検出の精度と信頼性を著しく向上できることを示した。
論文 参考訳（メタデータ） (2024-02-28T18:07:47Z) - DeepInspect: An AI-Powered Defect Detection for Manufacturing Industries [0.0]
この技術は、製品写真から複雑な詳細を抽出することによって、欠陥を正確に識別する。
このプロジェクトでは、ディープラーニングフレームワークを活用して、製造プロセスにおけるリアルタイムな欠陥検出を自動化する。
論文 参考訳（メタデータ） (2023-11-07T04:59:43Z) - CINFormer: Transformer network with multi-stage CNN feature injection
for surface defect segmentation [73.02218479926469]
表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。
CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。
さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
論文 参考訳（メタデータ） (2023-09-22T06:12:02Z) - Defect Classification in Additive Manufacturing Using CNN-Based Vision
Processing [76.72662577101988]
本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。
これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
論文 参考訳（メタデータ） (2023-07-14T14:36:58Z) - A Proper Orthogonal Decomposition approach for parameters reduction of
Single Shot Detector networks [0.0]
本稿では,古典的モデルオーダー削減手法であるProper Orthogonal Decompositionに基づく次元削減フレームワークを提案する。
我々は、PASCAL VOCデータセットを用いてSSD300アーキテクチャにそのようなフレームワークを適用し、ネットワーク次元の削減と、転送学習コンテキストにおけるネットワークの微調整における顕著な高速化を実証した。
論文 参考訳（メタデータ） (2022-07-27T14:43:14Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - TinyDefectNet: Highly Compact Deep Neural Network Architecture for
High-Throughput Manufacturing Visual Quality Inspection [72.88856890443851]
TinyDefectNetは、高スループット製造の視覚品質検査に適した、非常にコンパクトな深層畳み込みネットワークアーキテクチャである。
TinyDefectNetはAMD EPYC 7R32上にデプロイされ、ネイティブフロー環境を使って7.6倍のスループット、AMD ZenDNNアクセラレーターライブラリを使って9倍のスループットを達成した。
論文 参考訳（メタデータ） (2021-11-29T04:19:28Z) - Cognitive Visual Inspection Service for LCD Manufacturing Industry [80.63336968475889]
本論文では,現在FPD業界で主流となっている液晶ディスプレイ(LCD)の視覚検査システムについて述べる。
システムは、堅牢/高性能欠陥認識モデルと認知視覚検査サービスアーキテクチャの2つの基礎に基づいています。
論文 参考訳（メタデータ） (2021-01-11T08:14:35Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。