人工缺陷分类每天300片看花眼:我用CNN实现了自动分类
人工缺陷分类每天300片看花眼:我用CNN实现了自动分类
[Abstract] 缺陷分类是FAB质量控制的关键环节。我厂原来靠人工看显微镜分类，每天300片晶圆、每片几百个缺陷，检验员眼睛都看花了，错误率高达8%。我花了3个月训练了一个CNN缺陷分类模型，准确率95%，速度是人工的10倍，把检验员从繁重工作中解放出来。...
缺陷分类是FAB质量控制的关键环节。我厂原来靠人工看显微镜分类，每天300片晶圆、每片几百个缺陷，检验员眼睛都看花了，错误率高达8%。我花了3个月训练了一个CNN缺陷分类模型，准确率95%，速度是人工的10倍，把检验员从繁重工作中解放出来。
技术方案：用迁移学习方法，基于预训练的ResNet50，在缺陷图像数据集上微调。数据集包含8类缺陷：颗粒污染、划痕、薄膜脱落、针孔、气泡、裂纹、残胶、异物，每类约2000张标注图片。模型在验证集上准确率95%，单张图片推理时间50ms，满足生产节拍要求。
部署过程的关键点：一是数据标注，找了资深检验员标注了16000张图片，耗时1个月；二是模型选择，尝试了VGG、ResNet、EfficientNet，ResNet50性价比最高；三是边缘部署，模型部署在检验机台工控机上，无需联网，数据不出厂。上线后检验效率提升10倍，检验员转型做异常案例复核，工作价值感提升。
[Comparison]
[Code]
import torch, torchvision
model = torchvision.models.resnet50(pretrained=True)
model.fc = torch.nn.Linear(2048, 8) # 8 defect classes
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)
print("Ready for defect classification training")
==================================================
Discussion
How does your FAB classify defects?
Any AI classification tools you recommend?
==================================================
==================================================
实施过程中遇到的最大挑战是变革管理。任何新系统上线都会遇到阻力，有人觉得增加工作量、有人不信任数据、有人担心透明化后问题暴露。我的应对策略是：先找几个KOL（关键意见领袖）试点，让他们成为系统的支持者，再通过他们影响其他人。同时把系统价值量化：追踪响应时间缩短了多少、数据分析效率提升了多少、客户满意度提高了多少，用数据说服质疑者。
数据质量是系统成功的基石。我花了大量时间在数据治理上：定义数据标准、清洗脏数据、建立数据质量监控。没有干净的数据，再好的系统也是垃圾进垃圾出。建议任何数据项目启动前，先把数据质量评估做好，这决定了项目的成败。
技术选型要适度，不追求最先进而追求最适合。我见过太多项目追求新技术、新框架，结果团队学习成本高、系统稳定性差、维护困难。半导体FAB是7x24生产环境，稳定压倒一切。我的原则是：成熟技术优先、开源优先、团队熟悉优先。
项目成功的关键是人，不是技术。技术问题总有解决方案，但人的问题没有标准答案。跨部门协调、利益冲突、资源争夺，这些才是项目落地的真正挑战。我的经验是：把各方利益理清楚，找到共赢点，让每个人都觉得这个项目对自己有好处，阻力自然就小了。
持续改进是系统生命力的来源。系统上线不是终点，而是起点。我建立了定期复盘机制：每月review系统使用情况、用户反馈、数据质量，持续迭代优化。一年后回看，系统已经迭代了12个版本，每个版本都有实质改进。这种持续改进的文化比系统本身更重要。
实施过程中遇到的最大挑战是变革管理。任何新系统上线都会遇到阻力，有人觉得增加工作量、有人不信任数据、有人担心透明化后问题暴露。我的应对策略是：先找几个KOL（关键意见领袖）试点，让他们成为系统的支持者，再通过他们影响其他人。同时把系统价值量化：追踪响应时间缩短了多少、数据分析效率提升了多少、客户满意度提高了多少，用数据说服质疑者。
数据质量是系统成功的基石。我花了大量时间在数据治理上：定义数据标准、清洗脏数据、建立数据质量监控。没有干净的数据，再好的系统也是垃圾进垃圾出。建议任何数据项目启动前，先把数据质量评估做好，这决定了项目的成败。
技术选型要适度，不追求最先进而追求最适合。我见过太多项目追求新技术、新框架，结果团队学习成本高、系统稳定性差、维护困难。半导体FAB是7x24生产环境，稳定压倒一切。我的原则是：成熟技术优先、开源优先、团队熟悉优先。
项目成功的关键是人，不是技术。技术问题总有解决方案，但人的问题没有标准答案。跨部门协调、利益冲突、资源争夺，这些才是项目落地的真正挑战。我的经验是：把各方利益理清楚，找到共赢点，让每个人都觉得这个项目对自己有好处，阻力自然就小了。
持续改进是系统生命力的来源。系统上线不是终点，而是起点。我建立了定期复盘机制：每月review系统使用情况、用户反馈、数据质量，持续迭代优化。一年后回看，系统已经迭代了12个版本，每个版本都有实质改进。这种持续改进的文化比系统本身更重要。
半导体行业的特殊性决定了数据项目的高门槛。工艺保密、数据安全、系统稳定性要求都远高于一般行业。我做过一个对比：互联网公司数据项目可以快速试错、迭代优化，但在FAB里，试错成本极高——一次系统故障可能导致产能损失数百万。所以FAB的数据项目更强调前期规划、风险预案、灰度发布。
投资回报（ROI）的计算很重要。每次向管理层汇报项目价值时，我都会准备一份ROI分析：投入多少人力、多少预算，产出多少效率提升、多少成本节约、多少风险降低。半导体FAB的管理层习惯看数字，用数据说话比讲故事更有说服力。
跨部门协作是FAB数据项目的常态。设备、工艺、质量、生产、IT，每个部门都有自己的语言和视角。数据项目要成功，必须学会翻译——把技术语言翻译成业务语言，让每个部门都能听懂这个项目对自己意味着什么。
人才培养是长期工程。我花了两年时间培养了一支既懂半导体工艺又懂数据分析的复合型团队。这个团队现在是工厂数字化转型的核心力量。建议有意识地让数据工程师去产线轮岗，让工艺工程师学Python，交叉培养出来的复合人才是最稀缺的资源。
外部经验的借鉴要适度。我参加过很多行业交流会，听别人讲成功案例。但每个FAB都有自己的特点：设备不同、产品不同、工艺不同、管理文化不同。照搬别人的方案往往水土不服。我的做法是：学习别人的方法论，结合自己的实际情况定制方案。
风险意识要贯穿项目始终。我见过太多项目因为忽视风险而失败：数据泄露、系统宕机、预算超支、工期延误。我现在的习惯是：项目启动时先列风险清单，每个风险都有应对预案，定期review风险状态。风险管理不是吓唬自己，而是提前准备。
文档沉淀是项目遗产。项目上线后，我都会整理一份完整文档：需求分析、技术方案、实施记录、踩坑经验、运维手册。这些文档是团队的宝贵财富，新人接手时能快速上手，项目复盘时有据可查。很多项目人走茶凉，就是因为没有文档沉淀。
实施过程中遇到的最大挑战是变革管理。任何新系统上线都会遇到阻力，有人觉得增加工作量、有人不信任数据、有人担心透明化后问题暴露。我的应对策略是：先找几个KOL（关键意见领袖）试点，让他们成为系统的支持者，再通过他们影响其他人。同时把系统价值量化：追踪响应时间缩短了多少、数据分析效率提升了多少、客户满意度提高了多少，用数据说服质疑者。
数据质量是系统成功的基石。我花了大量时间在数据治理上：定义数据标准、清洗脏数据、建立数据质量监控。没有干净的数据，再好的系统也是垃圾进垃圾出。建议任何数据项目启动前，先把数据质量评估做好，这决定了项目的成败。
技术选型要适度，不追求最先进而追求最适合。我见过太多项目追求新技术、新框架，结果团队学习成本高、系统稳定性差、维护困难。半导体FAB是7x24生产环境，稳定压倒一切。我的原则是：成熟技术优先、开源优先、团队熟悉优先。
项目成功的关键是人，不是技术。技术问题总有解决方案，但人的问题没有标准答案。跨部门协调、利益冲突、资源争夺，这些才是项目落地的真正挑战。我的经验是：把各方利益理清楚，找到共赢点，让每个人都觉得这个项目对自己有好处，阻力自然就小了。
持续改进是系统生命力的来源。系统上线不是终点，而是起点。我建立了定期复盘机制：每月review系统使用情况、用户反馈、数据质量，持续迭代优化。一年后回看，系统已经迭代了12个版本，每个版本都有实质改进。这种持续改进的文化比系统本身更重要。
半导体行业的特殊性决定了数据项目的高门槛。工艺保密、数据安全、系统稳定性要求都远高于一般行业。我做过一个对比：互联网公司数据项目可以快速试错、迭代优化，但在FAB里，试错成本极高——一次系统故障可能导致产能损失数百万。所以FAB的数据项目更强调前期规划、风险预案、灰度发布。
投资回报（ROI）的计算很重要。每次向管理层汇报项目价值时，我都会准备一份ROI分析：投入多少人力、多少预算，产出多少效率提升、多少成本节约、多少风险降低。半导体FAB的管理层习惯看数字，用数据说话比讲故事更有说服力。
跨部门协作是FAB数据项目的常态。设备、工艺、质量、生产、IT，每个部门都有自己的语言和视角。数据项目要成功，必须学会翻译——把技术语言翻译成业务语言，让每个部门都能听懂这个项目对自己意味着什么。
人才培养是长期工程。我花了两年时间培养了一支既懂半导体工艺又懂数据分析的复合型团队。这个团队现在是工厂数字化转型的核心力量。建议有意识地让数据工程师去产线轮岗，让工艺工程师学Python，交叉培养出来的复合人才是最稀缺的资源。
外部经验的借鉴要适度。我参加过很多行业交流会，听别人讲成功案例。但每个FAB都有自己的特点：设备不同、产品不同、工艺不同、管理文化不同。照搬别人的方案往往水土不服。我的做法是：学习别人的方法论，结合自己的实际情况定制方案。
VIP Resources
More tools available in my blog VIP section
==================================================
Follow me for more semiconductor insights!
