各樣式辨識技術與缺陷群聚程度因子水準之關係

本研究之模擬實驗所設計的晶圓表面缺陷群聚樣式之缺陷群聚程度因子包 含 4 種水準，即 80%、85%、90%以及 95%；而其餘非群聚部份的缺陷則呈隨機 分佈。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 4 種晶圓缺陷群聚樣式(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) 牛眼樣式

圖 4.22 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 陷群聚程度因子水準間的關係。藉由比較正確辨識率可得知各辨識技術在不同的 缺陷群聚程度之下，其辨識技術的準確性。由圖 4.22 可知本研究之多類別 SVM 在各缺陷群聚程度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 神經網路則在各種缺陷群聚程度下均呈現較差的績 效，亦即有較差的缺陷樣式辨識分類。由圖 4.22 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，在各種缺陷群聚程度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. 22 牛眼樣式時，各種辨識技術之群聚程度因子水準與正確辨識率的關係 (2) 弦月樣式

圖 4.23 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 陷群聚程度因子水準間的關係。藉由比較正確辨識率可得知各辨識技術在不同的 缺陷群聚程度之下，其辨識技術的準確性。由圖 4.23 可知本研究之多類別 SVM 在各缺陷群聚程度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 神經網路則在缺陷群聚程度為 85%, 90%以及 95%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 4.23 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，在各種缺陷群聚程度下均能比 其他辨識技術有較佳的缺陷樣式辨識分類績效。

圖 4. 23 弦月樣式時，各種辨識技術之群聚程度因子水準與正確辨識率的關係

(3) 底部樣式

圖 4.24 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 陷群聚程度因子水準間的關係。藉由比較正確辨識率可得知各辨識技術在不同的 缺陷群聚程度之下，其辨識技術的準確性。由圖 4.24 可知本研究之多類別 SVM 在缺陷群聚程度為 90%下之正確辨識率呈現較佳的績效。BPNN 神經網路則在缺 陷群聚程度為 80%、85%以及 95%下亦呈現較佳的績效；而 RBF 神經網路則在 缺陷群聚程度為 85%、90%以及 95%下呈現較差的績效，亦即有較差的缺陷樣式 辨識分類。由圖 4.24 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，整體上在缺陷群聚程度因子水準亦有好的缺陷樣式辨識分類績效。

圖 4. 24 底部樣式時，各種辨識技術之群聚程度因子水準與正確辨識率的關係

(4) 環狀樣式

圖 4.25 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 陷群聚程度因子水準間的關係。由圖 4.25 可知本研究之多類別 SVM 在各缺陷群 聚程度因子水準下之正確辨識率均呈現較佳的績效。而 RBF 神經網路則在各缺 陷群聚程度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 4.25 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，在各種缺陷群 聚程度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. 25 環狀樣式時，各種辨識技術之群聚程度因子水準與正確辨識率的關係