but.committee	prof. Ing. Roman Maršálek, Ph.D. (předseda) doc. Ing. Lucie Hudcová, Ph.D. (místopředseda) Ing. Jan Král, Ph.D. (člen) Ing. Jana Olivová, Ph.D. (člen) Ing. Václav Růžek, Ph.D. (člen)	cs
but.defence	Student prezentuje výsledky své diplomové práce. Následuje čtení posudků a diskuzi se členy komise: 1) student prezentuje připravené odpovědi na otázky oponenta 2) doc. Hudcová se dotazuje, zda jsou převzaté zdrojové kódy skutečně citovány -student hledá citaci v tištěné verzi práce, kódy citovány nejsou! 3) doc. Hudcová diskutuje se studentem formální nedostatky prezentace 4) Dr. Růžek se ptá, co je studentovým přínosem, na což student odpovídá 5) prof. Mašálek se dotazuje na rozlišení snímků pro vstupní dataset, způsob snímání waferů a doptává se na detaily 6) tajemník Ing. Král se ze své praxe ptá, co je vlastně detekováno, zda se bavíme o waferech nebo čipech a zda jde toto snímání aplikovat na průhledný SiliconCarbide -student reaguje a odpovídá	cs
but.jazyk	čeština (Czech)
but.program	Elektronika a komunikační technologie	cs
but.result	práce nebyla úspěšně obhájena	cs
dc.contributor.advisor	Dřínovský, Jiří	cs
dc.contributor.author	Jašek, Filip	cs
dc.contributor.referee	Vágner, Martin	cs
dc.date.accessioned	2023-06-07T07:58:41Z
dc.date.available	2023-06-07T07:58:41Z
dc.date.created	2023	cs
dc.description.abstract	Tato diplomová práce se zabývá problematikou detekce defektů desek ve výrobě polovodičů. V rámci této práce byly zkoumány metody identifikace defektních čipů a kontroly řízení výtěžnosti při výrobě polovodičů. Práce se rovněž zabývá metodami strojového učení pro rozpoznání obrazu s cílem klasifikace defektů ve výrobním procesu. První zvolený přístup využíval k inferenci sítě ResNet18, avšak ukázalo se, že jeho přesnost nedosahovala vysokých hodnot sledovaných metrik z důvodu nedostatečného množství vstupních dat. Pro tento sledovaný dataset tak bylo vyzkoušeno použití předtrénovaných sítí využívající topologie ResNet50v2. K navýšení metrik však došlo až s použitím jiného datasetu. Pomocí ladění hyperparametrů sítě a augmentací byly zkoumány další možnosti zlepšení výkonnosti sítě. V práci se také ukázalo, že použití autoenkodérů pro redukci datového toku při inferenci může navýšit rychlost samotné inference, avšak s degradací evaluačních metrik.	cs
dc.description.abstract	This diploma thesis focuses on detecting defects in semiconductor wafer manufacturing. It explores methods for identifying faulty chips and controlling yield during production. To classify defects machine learning techniques are used. Initially, ResNet18 architecture was used for inference, but low accuracy was attributed to limited input data. Transfer learning with ResNet50v2 was then attempted, resulting in improved metric with different dataset. Hyperparameter tuning and data augmentations were also explored. The study found that autoencoders for data compression during inference increased speed but led to degraded evaluation metrics.	en
dc.description.mark	F	cs
dc.identifier.citation	JAŠEK, F. Detekce defektů desek ve výrobě polovodičů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.	cs
dc.identifier.other	151749	cs
dc.identifier.uri	http://hdl.handle.net/11012/209976
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Umělá inteligence	cs
dc.subject	detekce defektů	cs
dc.subject	identifikace chybných čipů	cs
dc.subject	výtěžnost výroby	cs
dc.subject	strojové učení	cs
dc.subject	počítačové vidění	cs
dc.subject	klasifikace defektů	cs
dc.subject	sítě ResNet	cs
dc.subject	předtrénované sítě	cs
dc.subject	redukce toku dat	cs
dc.subject	inference	cs
dc.subject	Artificial intelligence	en
dc.subject	defect detection	en
dc.subject	faulty chip identification	en
dc.subject	yield control	en
dc.subject	machine learning	en
dc.subject	computer vision	en
dc.subject	defect classification	en
dc.subject	ResNet networks	en
dc.subject	transfer learning	en
dc.subject	data flow reduction	en
dc.subject	inference	en
dc.title	Detekce defektů desek ve výrobě polovodičů	cs
dc.title.alternative	Classification of board defects in semiconductor manufacturing	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2023-06-06	cs
dcterms.modified	2023-06-06-14:13:14	cs
eprints.affiliatedInstitution.faculty	Fakulta elektrotechniky a komunikačních technologií	cs
sync.item.dbid	151749	en
sync.item.dbtype	ZP	en
sync.item.insts	2023.06.07 09:58:41	en
sync.item.modts	2023.06.07 08:16:21	en
thesis.discipline	bez specializace	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav radioelektroniky	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Detekce defektů desek ve výrobě polovodičů

Files

Original bundle

Collections