VIP20
本课程属于：039-半导体良率工程师 半导体工艺与制造设备 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

缺陷分析：晶圆表面划痕缺陷的SEM图像识别方法

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导论
晶圆制造中的缺陷类型概述 · 划痕缺陷对良率的影响 · SEM在缺陷检测中的核心作用
课程导论晶圆制造
02
SEM成像原理
电子束与物质相互作用 · 二次电子与背散射电子成像机制 · SEM图像分辨率与景深
SEM成像原理
03
晶圆划痕缺陷的物理特征
划痕的几何形态（宽度 · 深度 · 方向）
晶圆划痕缺陷的物…划痕的几何形态
04
SEM图像采集标准
加速电压与束流选择 · 工作距离与放大倍数设定 · 图像信噪比与扫描速度的平衡
SEM图像采集标准
05
图像预处理基础
灰度化与直方图均衡化 · 高斯滤波与中值滤波去噪 · 图像增强（对比度拉伸
图像预处理基础灰度化
06
图像分割技术（一）
全局阈值分割（Otsu算法） · 局部自适应阈值分割 · 基于边缘的分割（Canny算子）
图像分割技术Otsu
07
图像分割技术（二）
基于区域的分割（分水岭算法） · 基于聚类的分割（K-means） · 形态学操作（膨胀
图像分割技术基于区域的分割
08
特征工程（一）
划痕的几何特征提取（长度 · 宽度 · 面积
特征工程划痕的几何特征提…
09
特征工程（二）
纹理特征提取（GLCM灰度共生矩阵 · LBP局部二值模式） · 频域特征（FFT频谱分析）
特征工程GLCM
10
传统机器学习方法（一）
支持向量机（SVM）用于划痕分类 · 特征选择与降维（PCA主成分分析）
传统机器学习方法SVM
11
传统机器学习方法（二）
随机森林与决策树 · K近邻（KNN）分类器 · 模型评估指标（准确率
传统机器学习方法随机森林
12
深度学习基础
卷积神经网络（CNN）核心概念（卷积… · 池化层 · 全连接层）
深度学习基础CNN
13
经典CNN架构
LeNet-5 · AlexNet · VGGNet在缺陷图像分类中的应用
CNN经典
14
目标检测网络（一）
Faster R-CNN原理 · 区域建议网络（RPN） · 锚框机制
目标检测网络Faster
15
目标检测网络（二）
YOLO系列（YOLOv5/YOLO… · 单阶段检测与两阶段检测对比
目标检测网络YOLO
16
语义分割网络
U-Net架构详解 · 跳跃连接与特征融合 · 用于划痕像素级分割
语义分割网络U-Net
17
实例分割网络
Mask R-CNN原理 · ROI Align · 同时检测与分割划痕
实例分割网络Mask
18
数据增强技术
几何变换（旋转 · 翻转 · 裁剪）
数据增强技术几何变换
19
数据标注与数据集构建
LabelImg与Labelme工具… · COCO与Pascal VOC格式 · 数据集划分（训练/验证/测试）
数据标注数据集构建
20
模型训练与调优
损失函数选择（交叉熵 · Dice Loss） · 优化器（SGD
模型训练调优
21
模型评估与验证
混淆矩阵 · ROC曲线与AUC · 过拟合与欠拟合诊断
模型评估验证
22
模型部署与推理优化
模型量化（INT8/FP16） · ONNX与TensorRT加速 · 边缘端部署（Jetson Nano）
模型部署推理优化
23
半监督与弱监督学习
伪标签技术 · 弱监督定位（CAM类激活图） · 减少标注成本的方法
半监督弱监督学习
24
迁移学习与微调
预训练模型（ImageNet权重） · 冻结与解冻策略 · 领域自适应（Domain Adapt…
迁移学习微调
25
异常检测方法
基于重构的异常检测（Autoenco… · 基于单类分类（One-Class S… · 划痕作为异常模式
异常检测方法Autoenco
26
多模态融合
SEM图像与EDS能谱数据融合 · 图像与工艺参数（温度 · 压力）联合分析
多模态融合SEM
27
实时检测系统设计
流水线架构（采集-预处理-推理-后处… · 多线程与异步处理 · 系统延迟优化
实时检测系统设计流水线架构
28
案例实战（一）
基于OpenCV的传统方法实现划痕检…
案例实战OpenCV
29
案例实战（二）
基于PyTorch的深度学习划痕检测… · 模型训练 · 推理可视化）
案例实战PyTorch
30
课程总结与前沿展望
当前技术瓶颈 · 未来趋势（自监督学习 · 大模型在缺陷检测中的应用）
课程总结前沿展望