In semiconductor manufacturing process, detecting defects in wafers and determining types of the defects are important. Since manual defect inspection takes much time and has limited duration time, researchers have tried to develop automatic inspection systems. In this thesis, we implemented 3 models: convolutional neural network model, the modified two-stage model, and the semantic segmentation model. CNN model determines whether the image has defect or not. The two-stage model finds the defect regions and classifies the regions. The semantic segmentation model performs pixel-wise classification of the image. We found that CNN model determines whether the semiconductor images have defect or not well. Furthermore, we found that both of the two-stage model and the semantic segmentation model perform pixel-wise classification on semiconductor images. The two models showed almost similar performance but the semantic segmentation model showed a slightly better performance than the two-stage model.
반도체 생산과정에서 반도체 웨이퍼의 결함을 찾고 결함의 종류를 분류하는 것은 중요하다. 사람의 육안에 의한 검사는 시간이 오래 걸리고 지속성이 부족하기 때문에 자동화된 검사방법이 필요하다. 본 논문에서는 3가지 모델을 구현했다. 첫번째 모델인 합성곱 신경망 모델은 반도체 이미지에 결함이 있는지 없는지 판단한다. 두 번째 모델인 두 단계 모델은 결함 영역을 찾은 후 찾은 영역을 분류한다. 세번째 모델인 시멘틱 영상분할 모델은 픽셀마다의 분류를 수행한다. 우리는 합성곱 신경망 모델이 반도체에 결함이 있는지 없는지를 잘 판단함을 확인했다. 그리고 두 단계 모델과 시멘틱 영상분할 모델 모두 반도체 이미지의 픽셀마다의 결함 영역 분류를 수행함을 확인했고 시멘틱 영상분할 모델이 두 단계 모델보다 약간 더 나은 결과를 보여주었음을 확인했다.
