인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
This paper proposes a data augmentation–based oversampling technique to mitigate severe class imbalance and improve the classification performance of wafer map defect patterns in semiconductor manufacturing. Using the publicly available WM-811k dataset, the training data—excluding the dominant None class—are augmented to match different proportions of the None class (0%, 25%, 50%, and 100%) in order to determine the most effective augmentation level. Three deep learning models— DenseNet121, EfficientNet-B2, and ResNet50—are employed for performance benchmarking. In addition to overall accuracy, evaluation metrics that account for class imbalance, namely the Geometric Mean (GM) and Weighted Geometric Mean (GM+), are used to assess model effectiveness. Experimental results show that ResNet50 yields the most stable performance in terms of GM+, and that 50% augmentation achieves comparable results to full (100%) augmentation, indicating that excessive augmentation may be unnecessary. These findings suggest that rotation-based oversampling tailored to the characteristics of wafer maps significantly enhances defect pattern classification and can support the development of machine-learning-based defect analysis systems in semiconductor manufacturing.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-094557529
