Алгоритм автоматического контроля внешнего вида ИС на основе вычисления пиксельного расстояния

1. Классификатор изображений микросхем при помощи сверточной нейронной сети / С. А. Сарманбетов, А. А. Максутова, Д. М. Жексебай и др. // Известия НАН РК. Серия физико-математическая. 2021. № 6. С. 59-65. DOI: 10.32014/2021.2518-1726.102
Sarmanbetov S. A., Maksutova A. A., Zheksebay D. M., Kozhagulov E. T., Bazhaev N. A. Classifier of microcircuit images using a conventional neural network. Izvestiya NAN RK. Seriya fiziko-matematicheskaya = Reports of NAS RK. Physico-Mathematical Series, 2021, no. 6, pp. 59–65. (In Russian). https://doi.org/10.32014/2021.2518-1726.102

2. Lee K. B., Cheon S., Kim C. O. A convolutional neural network for fault classification and diagnosis in semiconductor manufacturing processes // IEEE Transactions on Semiconductor Manufacturing. 2017. Vol. 30. Iss. 2. P. 135-142. DOI: 10.1109/TSM.2017.2676245

3. Huang S.-H., Pan Y.-C. Automated visual inspection in the semiconductor industry: A survey // Computers in Industry. 2015. Vol. 66. P. 1-10. DOI: 10.1016/j.compind.2014.10.006

4. Machado Trindade B., Ukwatta E., Spence M., Pawlowicz C. Segmentation of integrated circuit layouts from scan electron microscopy images // 2018 IEEE Canadian Conference on Electrical & Computer Engineering (CCECE). Quebec: IEEE, 2018. P. 1-4. DOI: 10.1109/CCECE.2018.8447878

5. Schlosser T., Beuth F., Friedrich M., Kowerko D. A novel visual fault detection and classification system for semiconductor manufacturing using stacked hybrid convolutional neural networks // 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA). Zaragoza: IEEE, 2019. P. 1511-1514. DOI: 10.1109/ETFA.2019.8869311

6. Груздов В. В., Колковский Ю. В., Концевой Ю. А. Контроль новых технологий в твердотельной СВЧ электронике. М.: Техносфера, 2016. 328 с. EDN: ZJUVCG
Gruzdov V. V., Kolkovskiy Yu. V., Kontsevoy Yu. A. Control of new technologies in solid-state microwave electronics. Moscow, Tekhnosfera Publ., 2016. 328 p. (In Russian).

7. Xie L., Huang R., Gu N., Cao Z. A novel defect detection and identification method in optical inspection // Neural Comput. and Applic. 2014. Vol. 24. Iss. 7-8. P. 1953-1962. DOI: 10.1007/s00521-013-1442-7 EDN: KSCOZL

8. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // ArXiv.org [Электронный ресурс]. 2014. 10.48550/arXiv.1409.1556 (дата обращения: 15.05.2024). DOI: 10.48550/arXiv.1409.1556

9. Мишанов Р. О. Визуальный контроль КМОП-микросхем // Актуальные проблемы радиоэлектроники и телекоммуникаций: материалы Всеросс. науч.-техн. конф. (Самара, 16-18 мая 2017). Самара: Офорт, 2017. С. 201-203. EDN: YNCCNX
Mishanov R. O. Visual inspection of CMOS chips. Aktual’nye problemy radioelektroniki i telekommunikatsiy, proceedings of the Russia-Wide res.-to-pract. conf. (Samara, May 16–18, 2017). Samara, Ofort Publ., 2017, pp. 201–203. (In Russian).

10. Федотов А. Ю., Ральникова А. С., Вахрушев А. В. Контроль дефектов морфологии и топологии микро- и наносхем // Кристаллизация: компьютерные модели, эксперимент, технологии (КРИС-2019): тез. VIII Междунар. конф. (Ижевск, 11-12 апр. 2019). Ижевск: УдмФИЦ УрО РАН, 2019. С. 90-92. EDN: GNWITY
Fedotov A. Yu., Ral’nikova A. S., Vakhrushev A. V. Control of defects in morphology and topology of micro- and nanocircuits. Kristallizatsiya: komp’yuternye modeli, eksperiment, tekhnologii = Solidification: Computer Simulation, Experiments and Technology (KRIS-2019), 8th International conf. abstracts (Izhevsk, Apr. 11–12, 2019). Izhevsk, UdmFITs UrO RAN Publ., 2019, pp. 90–92. (In Russian).

11. Ширяев Б. В., Ющенко А. Ю., Безрук А. В. Алгоритм автоматизированного визуального контроля монолитных интегральных схем с использованием искусственных нейронных сетей // Доклады ТУСУР. 2019. Т. 22. № 2. С. 72-76. -. DOI: 10.21293/1818-0442-2019-22-2-72-76 EDN: SIKIRC
Shiryaev B. V., Yushchenko A. Yu., Bezruk A. V. Algorithm for automated visual inspection of monolithic integrated circuits using neural networks. Doklady TUSUR = Proceedings of TUSUR University, 2019, vol. 22, no. 2, pp. 72–76. (In Russian). https://doi.org/10.21293/1818-0442-2019-22-2-72-76

12. Nakazawa T., Kulkarni D. V. Wafer map defect pattern classification and image retrieval using convolutional neural network // IEEE Transactions on Semiconductor Manufacturing. 2018. Vol. 31. No. 2. P. 309-314. DOI: 10.1109/TSM.2018.2795466 EDN: YGEYEH

13. Cheon S., Lee H., Kim C. O., Lee S. H. Convolutional neural network for wafer surface defect classification and the detection of unknown defect class // IEEE Transactions on Semiconductor Manufacturing. 2019. Vol. 32. No. 2. P. 163-170. DOI: 10.1109/TSM.2019.2902657

14. Forsyth D. A., Ponce J.Computer vision: A modern approach. London: Pearson Education, 2015. 792 p.

15. Suzuki S., Abe K. Topological structural analysis of digitized binary images by border following // Comput. Gr. Image Process. 1985. Vol. 30. Iss. 1. P. 32-46. DOI: 10.1016/0734-189X(85)90016-7

16. Suykens J. A. K., De Brabanter J., Lukas L., Vandewalle J. Weighted least squares support vector machines: Robustness and sparse approximation // Neurocomputing. 2002. Vol. 48. Iss. 1-4. P. 85-105. DOI: 10.1016/S0925-2312(01)00644-0 EDN: BBCYSD

17. Ширяев Б. В., Аргунов Д. П., Безрук А. В. Алгоритм совмещения векторного чертежа фотошаблона и микрофотографии СВЧ МИС с помощью метода наименьших квадратов // Сборник избранных статей научной сессии ТУСУР. 2020. № 1-2. С. 41-43. EDN: INVHDR
Shiryaev B. V., Argunov D. P., Bezruk A. V. Algorithm for combining a vector drawing of a photomask and a microphotograph of a MMIС using the least squares method. Sbornik izbrannykh statey nauchnoy sessii TUSUR = TUSUR Scientific Session: Collection of Selected Papers, 2020, no. 1-2, pp. 41–43. (In Russian).

18. Abouel Nasr E. S., Kamrani A. K. A new methodology for extracting manufacturing features from CAD system // Comput. Ind. Eng. 2006. Vol. 51. Iss. 3. P. 389-415. DOI: 10.1016/j.cie.2006.08.004

19. Ahmad N., Anwarul Haque A. F. M. Manufacturing feature recognition of parts using DXF files // 4th International Conference on Mechanical Engineering (ICME 2001). Dhaka: BUET, 2001. Vol. 3 (VII). P. 111-115.

20. Schmidhuber J. Deep learning in neural networks: An overview // Neural Netw. 2015. Vol. 61. P. 85-117. DOI: 10.1016/j.neunet.2014.09.003 EDN: YEWUEF

21. Dropout: A simple way to prevent neural networks from overfitting / N. Srivastava, G. Hinton, A. Krizhevsky et al. // Journal of Machine Learning Research. 2014. Vol. 15 (56). P. 1929-1958.

22. Shiryaev B., Bezruk A., Argunov D., Yushchenko A. Algorithm for automated visual inspection of MMIC using a classifier based on neural networks // ITM Web Conf. 2019. Vol. 30. Art. No. 04012. DOI: 10.1051/itmconf/20193004012

23. Technological development of an InP-based Mach-Zehnder modulator / S. Ishutkin, V. Arykov, I. Yunusov et al. // Symmetry. 2020. Vol. 12. Iss. 12. Art. No. 2015. DOI: 10.3390/sym12122015 EDN: XIKRNB