Color Difference Detection of Polysilicon Wafers Using Optimized Support Vector Machine by Magnetic Bacteria Optimization Algorithm With Elitist Strategy
Notice bibliographique
Résumé
A support vector machine (SVM) is an important method in the detection and classification of the color difference on a polysilicon wafer. However, the accuracy of a SVM is affected by its feature vector and parameters. Owing to the complex color information and random texture features on the wafer surface, the feature design is extremely complicated. Meanwhile, a SVM optimized using a popular intelligent algorithm easily falls into a local optimum, and the convergence of the algorithm needs to be improved. Therefore, a classification method is proposed for detecting the color difference from multi-scale features in polysilicon wafer images. First, to extract the features, an image segmentation method is devised based on the maximum region contrast, which effectively applies a threshold segmentation of the wafer images. Second, the multi-scale features and color representations in different color spaces are used to construct a nine-dimensional feature vector that sufficiently describes the surface characteristics of the wafer. An approach to optimize the SVM is finally proposed using a magnetic bacteria optimization algorithm based on an elitist strategy for parameter optimization. The optimum individual of each generation is used to adjust the magnetic moment such that the solution approaches the optimal direction and enhances the global search ability. A fitness function is also introduced to improve the diversity of the solutions through a cross-validation method. The experiment results show that the proposed algorithm achieves an accuracy of 98.3% with a better classification performance than the other methods and that the color difference of polysilicon wafers can be effectively detected.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».