15 萬參數的小型模型,在晶圓缺陷分類上達 99.88% 準確率

Frontiers in Electronics 論文提出加入 CBAM 注意力的輕量 CNN,在 WM-811K 資料集上以 CPU 即可運行,並用 Grad-CAM 等方法解釋判斷依據。

重點

  • 模型只有 153,261 個參數、約 0.6 MB,單次推論約 0.02 GFLOPs,在 Colab 免費 CPU 上測試。
  • 在 WM-811K 資料集上,測試準確率 99.88%;難分類別的召回率 0.96 到 0.99。
  • WM-811K 約 94% 是「無缺陷」類別,作者用自編碼器補少數類別、並削減多數類別來處理不平衡。
  • 數字出自單一研究、少數隨機種子,尚未在實際產線驗證。
目錄(3 節)
  1. 發生什麼事
  2. 數據與做法
  3. 對你的影響

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。

15 萬參數小型模型,晶圓缺陷分類準確率達 99.88%。

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。