Wafer Defect Analysis

目的

利用深度學習中的卷積神經網路（CNN）對半導體晶圓的圖像進行自動化缺陷分類，提升生產效率並降低人工檢測的成本與錯誤率。

技術工具

• Python
• TensorFlow
• Keras
• Scikit-learn
• Pandas
• Numpy

成果亮點

1. 使用卷積神經網絡（CNN）進行晶圓缺陷分類，成功將缺陷分類為 9 類，並在測試集上達到 95.5% 的準確率。
2. 測試損失為 0.206，顯示出模型在分類任務中的高效表現。
3. 透過 批標準化（Batch Normalization）、最大池化（Max Pooling） 和 Dropout 技術提升了模型的穩定性，並有效防止過擬合。
4. 進行了資料預處理和特徵工程，包括處理遺失值、標籤轉換以及數據格式化，為模型提供了高質量的訓練資料。

使用方式

1. 點選 半導體製程晶圓缺陷分析.ipynb 查看程式碼與結果展示。