Classification and bounding box regression based on a modified faster R-CNN suitable for wafer bonding anomaly detection

The detection and classification of wafer bonding defects are critical for ensuring quality and yield in semiconductor manufacturing. This thesis presents a Deep Learning (DL) approach tailored to analyze Scanning Acoustic Microscopy images, an underexplored imaging modality in this domain. Starting from a heavily unbalanced and imprecise dataset, we developed a modified Faster R-CNN architecture optimized for the unique challenges of defect variability and resource constraints. Our pipeline processes small patches extracted from high-resolution full-scale wafer images, to accommodate computational limitations while maintaining scalability for full-wafer inspection. Key contributions include a new stratification approach beyond binary class presence, a streamlined anchor generation strategy, and a tailored training methodology to mitigate overfitting and class imbalance. The model achieves over 96% recall in region proposal detection at an average confidence threshold and demonstrates sufficient classification performance across diverse defect classes. Additionally, we explored bounding box refinement regression starting from a limited set of coarse square anchors, showing promising results in localizing defects with highly varied scales and shapes. This work advances the application of DL to semiconductor defect inspection, providing a foundation for more automated, reliable, and computationally efficient quality control processes suitable for resource-constrained environments.

La rilevazione e la classificazione dei difetti di fusione dei wafer sono fondamentali per garantire la qualità e la resa nella produzione di semiconduttori. Questa tesi presenta un approccio di Deep Learning (DL) su misura per analizzare immagini di Microscopia Acustica a Scansione, una modalità di imaging poco esplorata in questo campo. Partendo da un dataset estremamente sbilanciato e impreciso, abbiamo sviluppato un'architettura Faster R-CNN modificata e ottimizzata per le sfide uniche legate alla variabilità dei difetti e ai vincoli di risorse. Il nostro sistema elabora piccole porzioni estratte da immagini di wafer a risoluzione completa, per far fronte alle limitazioni di calcolo pur mantenendo la scalabilità per l'ispezione dell'intero wafer. I contributi chiave includono un nuovo approccio di stratificazione che va oltre la semplice presenza binaria della classe, una strategia ottimizzata per la generazione di anchors e una metodologia di addestramento mirata a mitigare l'overfitting e lo squilibrio tra classi. Il modello raggiunge oltre il 96% di recall nella rilevazione delle proposte di regione a una soglia di confidenza media e dimostra prestazioni di classificazione sufficienti per diverse classi di difetti. Inoltre, abbiamo esplorato la regressione per il perfezionamento delle bounding box partendo da un insieme limitato di anchors quadrate e grossolane, mostrando risultati promettenti nella localizzazione di difetti con scale e forme molto varie. Questo lavoro fa progredire l'applicazione del DL nell'ispezione dei difetti dei semiconduttori, fornendo una base per processi di controllo qualità più automatizzati, affidabili e computazionalmente efficienti, adatti a ambienti con risorse limitate.