各樣式辨識技術與缺陷數因子水準之關係

本研究之模擬實驗所設計的晶圓表面缺陷數因子包含 5 種水準，即 25、50、

100、200 以及 300。本研究利用各缺陷樣式辨識技術所辨識的 1225 片 8 吋晶圓 的分類與其真實分類做比較，探討在 5 種晶圓缺陷群聚樣式(隨機、牛眼、弦月、

底部與環狀)下，各缺陷樣式辨識技術與缺陷數因子水準間的關係，並以正確辨 識率來比較各種缺陷樣式辨識技術的辨識能力。

(1) 隨機樣式

圖 4.17 為晶圓表面缺陷呈現隨機樣式分佈時，各種缺陷樣式辨識技術與缺 陷數因子水準間的關係。藉由比較正確辨識率可得知各辨識技術在不同的缺陷數 之下，其辨識技術的準確性。由圖 4.17 可知本研究之多類別 SVM 在缺陷數為 200 與 300 下之正確辨識率呈現較佳的績效，亦即有較佳的缺陷樣式辨識分類；

而 BPNN 網路與 RBF 神經網路則在缺陷數為 25, 50, 100 以及 100 下均呈現較差 的績效，亦即有較差的缺陷樣式辨識分類。由圖 4.17 可知本研究之多類別 SVM 在晶圓表面缺陷呈現隨機樣式分佈時，在各種缺陷數下均能比其他辨識技術有較 佳的缺陷樣式辨識分類績效。

圖 4. 17 隨機樣式時，各種辨識技術之缺陷數因子水準與正確辨識率的關係

(2) 牛眼樣式

圖 4.18 為晶圓表面缺陷呈現牛眼樣式分佈時，各種缺陷樣式辨識技術與缺 陷數因子水準間的關係。藉由比較正確辨識率可得知各辨識技術在不同的缺陷數 之下，其辨識技術的準確性。由圖 4.18 可知本研究之多類別 SVM 在各缺陷數因 子水準下之正確辨識率均呈現較佳的績效，亦即有較佳的缺陷樣式辨識分類；而 RBF 神經網路則在缺陷數為 50, 100, 200 以及 300 下均呈現較差的績效，亦即有 較差的缺陷樣式辨識分類。由圖 4.18 可知本研究之多類別 SVM 在晶圓表面缺陷 呈現牛眼樣式分佈時，在各種缺陷數下均能比其他辨識技術有較佳的缺陷樣式辨 識分類績效。

圖 4. 18 牛眼樣式時，各種辨識技術之缺陷數因子水準與正確辨識率的關係

(3) 弦月樣式

圖 4.19 為晶圓表面缺陷呈現弦月樣式分佈時，各種缺陷樣式辨識技術與缺 陷數因子水準間的關係。藉由比較正確辨識率可得知各辨識技術在不同的缺陷數

子水準下之正確辨識率均呈現較佳的績效，亦即有較佳的缺陷樣式辨識分類；而 RBF 神經網路則在缺陷數為 100, 200 以及 300 下均呈現較差的績效，亦即有較 差的缺陷樣式辨識分類。由圖 4.19 可知本研究之多類別 SVM 在晶圓表面缺陷呈 現弦月樣式分佈時，在各種缺陷數下均能比其他辨識技術有較佳的缺陷樣式辨識 分類績效。

圖 4. 19 弦月樣式時，各種辨識技術之缺陷數因子水準與正確辨識率的關係 (4) 底部樣式

圖 4.20 為晶圓表面缺陷呈現底部樣式分佈時，各種缺陷樣式辨識技術與缺 陷數因子水準間的關係。藉由比較正確辨識率可得知各辨識技術在不同的缺陷數 之下，其辨識技術的準確性。由圖 4.20 可知本研究之多類別 SVM 在缺陷數 200 與 300 下之正確辨識率呈現較佳的績效。RBF 神經網路則在缺陷數為 25 與 100 下亦呈現較佳的績效；而 RBF 神經網路則在缺陷數為 300 下呈現較差的績效，

亦即有較差的缺陷樣式辨識分類。由圖 4.20 可知本研究之多類別 SVM 在晶圓表 面缺陷呈現底部樣式分佈時，整體上在缺陷數因子水準亦有好的缺陷樣式辨識分 類績效。

圖 4. 20 底部樣式時，各種辨識技術之缺陷數因子水準與正確辨識率的關係

(5) 環狀樣式

圖 4.21 為晶圓表面缺陷呈現環狀樣式分佈時，各種缺陷樣式辨識技術與缺 陷數因子水準間的關係。由圖 4.21 可知本研究之多類別 SVM 在各缺陷數因子水 準下之正確辨識率均呈現較佳的績效。BPNN 網路在缺陷數為 25, 50 以及 100 下 均呈現較差的績效；而 RBF 神經網路則在缺陷數為 200 與 300 下呈現較差的績 效，亦即有較差的缺陷樣式辨識分類。由圖 4.21 可知本研究之多類別 SVM 在晶 圓表面缺陷呈現環狀樣式分佈時，在各種缺陷數下均能比其他辨識技術有較佳的 缺陷樣式辨識分類績效。

圖 4. 21 環狀樣式時，各種辨識技術之缺陷數因子水準與正確辨識率的關係