發生什麼事
科普網站 Bioengineer.org(轉載自 Scienmag)在 10 月 17 日報導一篇發表於 Frontiers in Electronics 第 7 卷的論文,題為「CBAM-enhanced lightweight CNN for wafer map defect classification」,作者來自孟加拉 Chittagong University of Engineering and Technology,並有馬來西亞與南韓的共同作者。標題寫「偵測」,但論文做的是對晶圓圖分類,而不是定位缺陷。
模型很小:兩段卷積加池化(32 與 64 個通道),每段後面接改良版 CBAM 注意力模組,輸入為 26×26,共 153,261 個參數,約 0.6 MB。作者在 Google Colab 的免費 CPU 上測試。

數據與做法
資料用 WM-811K,約 81.1 萬張晶圓圖,其中約 5.5 萬張有可靠標籤。其中「無缺陷」類別占清理後訓練資料近 94%,有些缺陷類別少了數百倍。作者用約 4.05 萬參數的卷積自編碼器,替每個少數類別生成約 2,000 筆合成樣本,並把無缺陷類別從 13,489 筆降到 2,489 筆;驗證與測試集全是真實資料。
結果方面,測試準確率 99.88%,最難的類別召回率 0.96 到 0.99。對照的 VGG16、ResNet-50、EfficientNet-B0 在 Loc 與 Scratch 類別的召回率掉到 0.55。拿掉 CBAM 的代價最大,macro-F1 少 1.9 點;只用 10% 訓練資料時 macro-F1 仍高於 96%。
作者也用 Grad-CAM、integrated gradients 與遮蔽敏感度三種方法,報導稱三者指向相同的缺陷區域。限制包括只用少數隨機種子做統計,以及計算量比部分專用輕量設計高。
對你的影響
這是一篇學術結果,離實際產線還有距離,報導中也沒有提到在真實晶圓廠的驗證。對台灣做製造或工業視覺的團隊,值得看的是做法:嚴重類別不平衡時,準確率可能誤導,該看各類別召回率與 macro-F1;以及小模型加可解釋性,比較容易在邊緣設備上落地。