半导体晶圆缺陷智能检测多模态分析数据

主要应用于半导体集成电路制造领域的晶圆缺陷检测与质量控制场景，适用于半导体制造企业、设备厂商、科研机构等具备多模态大模型训练能力的单位。通过Qwen-VL多模态大模型对晶圆测试阶段产生的Wafer Map图像进行缺陷智能分析，针对晶圆表面存在多种缺陷模式的情况，输出缺陷的整体形态、结构特征、位置分布及密度特征等多维度描述，判断每种缺陷模式的具体类型和分布范围，实现从人工目检到自动化智能检测的转型，提高良率分析人员和失效分析工程师的缺陷定位效率，提升异常根因分析的精准度。本数据集所使用的晶圆图（Wafer Map）图像由本单位自行采集生成，来源清晰无争议。晶圆图是半导体制造过程中用于记录晶圆表面缺陷分布情况的二维可视化图像，其中绿色区域表示正常背景，红色点表示缺陷标记，能够直观反映晶圆表面的缺陷模式与分布特征。共计约3197张，图像尺寸统一为384×384像素，格式为PNG。 具体处理步骤： 步骤1：数据准备。对3197张晶圆图进行整理与预处理，确保图像质量与格式统一。 步骤2：初始标注生成。采用Qwen-VL视觉语言大模型作为基座模型，对晶圆图进行初步视觉分析，生成包含整体形态、结构特征、位置分布、密度特征等维度的缺陷描述。 步骤3：人工审核修正。由半导体领域专业技术人员对模型生成的描述进行审核，修正不准确或不完整的内容，确保标注的专业性与可靠性。 步骤4：格式转换与结构化。将审核后的图文数据转换为JSON对话格式，构建多轮对话结构：user角色输入晶圆图及分析任务，assistant角色输出多维缺陷描述，形成标准化的多模态训练数据。 基于上述处理流程形成的3197条多模态对话数据，可直接用于多模态大模型的微调训练，使通用视觉语言模型获得晶圆缺陷的专业分析能力；也可作为半导体AI检测领域的标准数据集，支撑模型评估、算法研发与系统部署；同时可为半导体制造企业、设备厂商及科研机构提供数据基础，用于构建晶圆缺陷自动检测与智能分析系统。

搜集汇总

背景与挑战

背景概述

该数据集包含约3197张384×384像素的PNG晶圆图，经Qwen-VL多模态大模型生成并由专业人员审核后，构建为JSON多轮对话格式，用于多模态大模型微调训练。主要应用于半导体集成电路制造中的晶圆缺陷检测与质量控制，支持自动化智能检测、模型评估及算法研发，助力提升缺陷定位效率与根因分析精准度。