Defect Detection Approaches Based on Simulated Reference Image

要約

この作業は、きれいな参照画像に基づく欠陥異常検出の問題に取り組んでいます。
具体的には、いくつかの自然な画像異常に加えて、SEM 半導体欠陥に焦点を当てています。
欠陥標本による人工参照画像のシミュレーションを作成する方法はよく知られています。
この作業では、シミュレートされた参照が結果を改善するのに有益であることを示す、この機能のいくつかのアプリケーションを紹介します。
これらの欠陥検出方法には、差分画像に適用される従来のコンピューター ビジョン、人間のラベルに基づく教師あり深層学習 (DL)、および通常の参照画像の特徴レベル パターンでトレーニングされる教師なし DL があります。
この研究では、これらの欠陥および異常検出アプリケーションのためにシミュレートされた参照画像を正しく組み込む方法を示します。
私たちの実験が示すように、シミュレートされた参照は、欠陥や異常の画像の実際の参照よりも高いパフォーマンスを実現します。
シミュレートされた参照のこの利点は、主に、元の欠陥の背景へのより優れた位置合わせと位置合わせとともに、ノイズと幾何学的な変動が少ないために発生します。

要約(オリジナル)

This work is addressing the problem of defect anomaly detection based on a clean reference image. Specifically, we focus on SEM semiconductor defects in addition to several natural image anomalies. There are well-known methods to create a simulation of an artificial reference image by its defect specimen. In this work, we introduce several applications for this capability, that the simulated reference is beneficial for improving their results. Among these defect detection methods are classic computer vision applied on difference-image, supervised deep-learning (DL) based on human labels, and unsupervised DL which is trained on feature-level patterns of normal reference images. We show in this study how to incorporate correctly the simulated reference image for these defect and anomaly detection applications. As our experiment demonstrates, simulated reference achieves higher performance than the real reference of an image of a defect and anomaly. This advantage of simulated reference occurs mainly due to the less noise and geometric variations together with better alignment and registration to the original defect background.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google