晶圆图缺陷图像目标检测训练数据

该数据用于训练晶圆图缺陷图像目标检测模型。通过YOLO目标检测模型对晶圆测试阶段产生的Wafer Map图像进行缺陷模式检测，主要应用于半导体集成电路制造领域的晶圆良率分析与失效定位场景，晶圆厂通过训练该模型，可针对晶圆表面可能同时存在多种失效模式的情况，输出各失效模式所在区域的包围框坐标及类别，判断每种缺陷模式的具体位置和分布范围，实现工艺溯源的排查范围从整片晶圆缩小至特定局部区域，提高良率分析人员和失效分析工程师的异常定位效率，提升异常根因分析的精准度。本数据均为通过真实数据分布特点模拟出来的wafer map图，来源清晰无争议。 针对Wafer Map图像缺陷模式检测任务，基于YOLOv8目标检测算法构建检测模型，输出各失效模式所在区域的包围框坐标及类别，具体步骤如下： 步骤1：对于每张输入图像，需要将输入图像缩放至640×640分辨率，像素值归一化至[0,1]区间，对每张图像标注包围框（x_center, y_center, width, height）及类别标签（0~5），采用马赛克增强、随机缩放、平移、翻转等数据增强策略。 步骤2：采用YOLOv8框架，主干网络为CSPDarknet结构，结合C2f模块进行多尺度特征提取，输出80×80、40×40、20×20三个尺度的特征图。 步骤3：在三个特征图上分别应用解耦检测头，每个检测头输出（4个包围框坐标偏移量+1个目标置信度+6个类别概率）×3个anchor的预测结果，采用CIoU作为包围框回归损失。 步骤4：总损失为回归损失、分类损失和置信度损失的加权和，优化器选择SGD，学习率0.01，权重衰减0.0005，批次大小16，按7:2:1划分数据集，训练300轮，验证集mAP@0.5连续20轮不升时提前停止。 步骤5：模型输出各检测目标的包围框坐标（框中心点的横纵坐标，框的高度和宽度）、类别标签及置信度分数。 所有数据共 3376 张，共20 个类别。其中Edge Ring（边缘环状）类有405张，Large Edge（粗边缘）类有298张，Large Line（粗线）类有295张，Center（中心）类有265张，Others（其它）类有257张，Edge Local（边缘局部）类有253张，Testing Pattern（测试模式）类有222张，Local（局部）类有199张，Center Line（穿过中心的直线）类有175张，Line（直线）类有165张，Scratch（划痕）类有124张，Massive（大片团簇）类有122张，Ring（圆环形）类有94张，Repeating（重复形）类有92张，Edge Rim（边缘弧形）类有89张，Donut（甜甜圈形）类有74张，Splash（放射状）类有72张，TypeB（B类型）类有68张，Streak（扇形）类有64张，Frown（弧形）类有43张。

搜集汇总

背景与挑战

背景概述

该数据集包含3376张模拟晶圆图（Wafer Map）缺陷图像，覆盖20种缺陷类别，用于训练基于YOLOv8的目标检测模型，以输出各失效模式的包围框坐标及类别，辅助半导体制造中的晶圆良率分析与失效定位。数据均按真实分布特点模拟生成，来源清晰无争议，并详细说明了图像预处理、模型结构、训练策略及数据集划分等算法规则。