陈晓艳，陈俭永，朱奎锋，苏艳杰，赵春东，张东洋

(1. 天津科技大学电子信息与自动化学院，天津300222；2. 天津福莱迪科技发展有限公司，天津300385)

在半导体晶圆加工成芯片的过程中，繁琐的工艺流程会导致晶圆产生各种类型的缺陷.目前采用的主要手段是用扫描电镜(SEM)捕获晶粒图像，通过人工识别合格和因表面缺陷而不合格的晶粒.这种方法耗时较长，且会出现人为因素引起的误判，准确率和效率都不高[1].针对主流8 寸和12 寸晶圆的生产工艺需求，如何快速准确地识别不合格晶粒，并根据缺陷类型挖掘缺陷产生原因，成为国内外芯片生产企业亟待解决的技术难题.

此前，机器视觉的方法进行缺陷检测一度成为研究热点，并取得一定效果.He 等[2]基于K 近邻规则计算数据点平方距离的总和，与设定阈值进行比较，判断该数据是否为缺陷点.Palma 等[3]分别在模拟和真实晶圆图像上进行缺陷检测，采用自组织特征图(SOM)作为分类器取得了良好的检测结果.Liu 等[4]使用光谱减法提取标准模板，通过灰度匹配大大提高了缺陷检测的速度和准确性.上述方法的关键在于如何提取到有效表达类型差异的缺陷特征，算法适应性不高，通常需要对特定需求重新设计.

近年来，卷积神经网络(convolutional neural network，CNN)的发展为解决图像分类问题带来了新的思路，并迅速而广泛地被应用到工业[5]、农业[6]、医疗[7]、金融[8]等多个领域，在计算机视觉[9]、语音识别[10]、文本处理[11]任务中表现尤为出色.CNN 具有强大的特征……