基于误差注意力的晶圆制造数据异常检测

发布时间：2021-01-13 07:18

　　针对晶圆制造数据异常检测过程中异常特征提取难度大且检测效率不高的问题,提出了一种基于误差注意力的晶圆制造数据异常检测方法。在保持数据分布不变的前提下,将晶圆制造数据转化成灰度图像,根据与正常样本的误差对灰度图像生成基于位置的柔性注意力图,增加误差特征的显性表达并略去冗余特征;利用深度学习神经网络LeNet-5模型将注意力图进行卷积训练,得到异常检测的最优化模型。采用晶圆制造数据集与现有方法进行对比,所提方法耗时缩短160%、F2-Score提高3%,证明了所提方法的有效性。 

【文章来源】：中国机械工程. 2020,31(14)北大核心

【文章页数】：7 页

【部分图文】：

传统晶圆制造数据异常检测方法框架

(3)异常检测。针对传统的深度学习神经网络LeNet-5[21]模型对应不同场景下的晶圆制造数据集进行调整,模型共分7层,分别是输入层、卷积层、池化层、卷积层、池化层、全连接层和输出层,将施加注意力的特征图放入模型训练后,利用训练好的模型进行分类。1.1 特征保持的数据图像化

施加注意力前后对比

【参考文献】：
期刊论文
[1]结合注意力机制的深度学习图像目标检测[J]. 孙萍,胡旭东,张永军.  计算机工程与应用. 2019(17)
[2]改进LeNet-5网络在图像分类中的应用[J]. 刘金利,张培玲.  计算机工程与应用. 2019(15)
[3]面向高维数据的个人信贷风险评估方法[J]. 廖文雄,曾碧,梁天恺,徐雅芸,赵俊峰.  计算机工程与应用. 2020(04)
[4]基于注意力选择的局部特征匹配方法[J]. 杨燕,胡小鹏,吴思宁,王凡,刘培启.  大连理工大学学报. 2019(02)
[5]视觉注意力检测综述[J]. 王文冠,沈建冰,贾云得.  软件学报. 2019(02)
[6]数据驱动的晶圆图缺陷模式识别方法[J]. 杨振良,汪俊亮,张洁,蒋小康.  中国机械工程. 2019(02)
[7]基于多通道视觉注意力的细粒度图像分类[J]. 王培森,宋彦,戴礼荣.  数据采集与处理. 2019(01)
[8]基于数据深度的过程工业故障检测方法[J]. 车建国,赵赛.  计算机工程与应用. 2020(01)
[9]SiGe集成电路工艺技术现状及发展趋势[J]. 马羽,王志宽,崔伟.  微电子学. 2018(04)
[10]基于深度卷积神经网络的网络流量分类方法[J]. 王勇,周慧怡,俸皓,叶苗,柯文龙.  通信学报. 2018(01)



本文编号：2974460