高精度晶圆表面缺陷分类训练数据

该数据集用于训练高精度晶圆表面缺陷分类模型，通过深度可分离卷积神经网络模型对晶圆测试阶段产生的Wafer Map图像进行缺陷模式自动分类，主要应用于半导体集成电路制造领域的晶圆良率分析与工艺异常排查场景。晶圆厂通过该训练模型对晶圆表面失效芯片的空间分布特征进行识别，识别出ring(环形)、scratch(划痕)、edge(边缘)、center(中心)、cluster(局部聚簇)、random(随机)等典型pattern（缺陷模式或缺陷类型），判断当前晶圆所属的缺陷类型及置信度，实现异常工艺环节的快速定位，有效提高良率工程师和工艺工程师的问题溯源效率，缩短异常排查时间，降低因工艺偏移导致的批量报废风险。

搜集汇总

背景与挑战

背景概述

该数据集通过采集田间南瓜出现染病或昆虫为害症状的叶片局部特写图像，利用多标签识别模型初筛并由专业人员人工鉴定，保留一图多病虫害的样本，形成包含图像名称、健康状态、病虫害类别列表和数量的结构化标注数据。本数据集可用于南瓜混发病虫害多标签分类模型的训练和研发，覆盖银叶病、白粉病、病毒病、黄守瓜为害、潜叶蝇为害等多类病虫害组合。