晶圆图相似缺陷模式图像匹配检索数据

该数据用于进行同类别之间的相似性比对。通过度量学习将Wafer Map图像映射至低维嵌入空间进行相似性比对，主要应用于半导体集成电路制造领域的跨批次历史案例检索与问题追溯场景，针对历史数据库中跨批次同类失效模式的快速检索需求，以当前晶圆图像为条件检索具有相似失效空间分布的历史案例，判断当前异常是否为已知问题复发并提供历史处置记录，实现跨批次同类问题的快速关联与经验复用，有效提高工艺追溯人员和良率工程师的历史案例查找效率，缩短异常诊断时间。针对Wafer Map图像相似模式匹配与检索任务，采用度量学习将图像映射至低维嵌入空间，通过嵌入向量相似度实现以图搜图及相似图像归组，具体步骤如下： 步骤1：对于每张输入图像，将输入图像缩放至224×224分辨率，像素值归一化至[0,1]区间，采用标准化处理使各通道均值为0、方差为1，采用随机水平翻转、随机旋转（-10°~10°）等数据增强策略。 步骤2：采用ImageNet预训练的ResNet-50作为骨干网络，移除原始分类层，在全局平均池化层后接入嵌入层（2048→256），输出256维嵌入向量并进行L2归一化。 步骤3：采用Triplet Loss作为损失函数，每批次随机选取P=16个类别、每类K=4张图像构建三元组，margin=0.5。结合中心损失辅助缩小类内距离，总损失为Triplet Loss与Center Loss的加权和（1:0.01）。 步骤4：优化器选择Adam，学习率0.0001，权重衰减1e-4，批次大小64，按8:2划分训练集和验证集，训练150轮，验证集平均精度均值连续10轮不升时提前停止。 步骤5：对查询图像提取嵌入向量，计算余弦相似度返回top-5相似图像。 步骤6：输出查询图像对应的top5_images（top-5相似图像列表）及top5_scores（top-5相似度分数）。 对于每张图找到前top-5的相似数据后，可以认为这组具有较高相似度分数的相似的wafermap图是由同一根因导致的失效，便于产线进行后续的根因分析及根因追溯。

搜集汇总

背景与挑战

背景概述

该数据集面向半导体集成电路制造领域，提供晶圆图相似缺陷模式的图像匹配检索数据，包含图片名、top-5相似图像列表及对应相似度分数。其基于度量学习将Wafer Map图像映射至低维嵌入空间，通过嵌入向量相似度实现以图搜图，用于跨批次历史案例检索与问题追溯，提升工艺追溯和良率工程师的异常诊断效率。