AI時代的工業管理趨勢和挑戰

隨著電子技術的進步，半導體晶片需求持續增加，晶圓製程的缺陷檢測成為確保品質的關鍵。而傳統晶圓缺陷檢測人工耗時且容易出錯，利用深度學習模型自動檢測可提高效率和準確性，並降低誤判風險和成本。但實際現場資料收集困難，容易導致資料不平衡，進而影響模型訓練績效。本研究以晶圓缺陷資料集WM-811K為例，對其進行影像前處理、使用傳統影像增強方法與StyleGAN2-ADA生成對抗網路進行資料擴增並比較平衡前後檢測模型的績效。本研究的實驗結果顯示，平衡後的檢測模型績效對比平衡前的模型績效有明顯提升，而使用StyleGAN2-ADA生成對抗網路進行資料平衡的檢測模型達到最高精準度90.6%和召回率96.0%。