Color Difference Detection of Polysilicon Wafers Using Optimized Support Vector Machine by Magnetic Bacteria Optimization Algorithm With Elitist Strategy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle