Wafer Map Defect Pattern Classification

以深度學習（CNN / Transfer Learning）對半導體晶圓圖進行瑕疵模式多分類， 並將分類結果串接 Power BI 製作製程瑕疵趨勢儀表板。

資料集

WM-811K — 811,457 張真實晶圓測試圖，其中約 172,950 張具人工標註，共 9 類瑕疵模式：

Label	Pattern	常見物理成因
0	Center	CMP 研磨壓力不均
1	Donut	薄膜沉積溫度分佈異常
2	Edge-Loc	邊緣局部製程異常
3	Edge-Ring	蝕刻/清洗邊緣效應
4	Loc	局部性缺陷
5	Random	隨機微粒污染
6	Scratch	機械搬運刮傷
7	Near-full	大面積失效
8	None	無特定模式

專案結構

├── data/               # 資料集（不進版控）
├── notebooks/          # EDA 探索性分析
├── src/
│   ├── preprocess.py   # 資料清理與影像前處理
│   ├── train.py        # CNN 模型訓練
│   └── export.py       # 預測結果輸出 → Power BI
├── models/             # 訓練完成的模型
└── output/             # 儀表板用資料

環境

python -m venv .venv
.venv\Scripts\pip install -r requirements.txt

執行順序

python src/explore_data.py    # EDA：類別分佈、尺寸統計
python src/plot_examples.py   # 9 類瑕疵範例圖
python src/preprocess.py      # resize 64x64、分層切分、npz 快取
python src/train.py           # CNN 訓練與評估
python src/plot_confusion.py  # 混淆矩陣熱圖
python src/export.py          # 預測結果 CSV → Power BI

Baseline 成果（簡單 CNN，11 萬參數，CPU 訓練）

測試集 34,590 筆，整體 accuracy 90.3%（macro-F1 0.712）：

類別	Precision	Recall	F1	支持數
Edge-Ring	0.948	0.974	0.961	1,936
none	0.996	0.912	0.952	29,486
Near-full	0.853	0.967	0.906	30
Center	0.861	0.779	0.818	859
Random	0.732	0.884	0.801	173
Edge-Loc	0.509	0.870	0.642	1,038
Donut	0.471	0.883	0.614	111
Loc	0.444	0.586	0.505	718
Scratch	0.120	0.828	0.209	239

關鍵發現（混淆矩陣見 output/confusion_matrix.png）：

• 類別權重策略成功拉高了所有少數類的 recall（Near-full 96.7%、Donut 88.3%）， 代價是 precision 下降——模型「寧可錯報、不願漏報」。
• 最大誤判源：1,293 筆 none 被誤判為 Scratch（Scratch precision 僅 0.12）。 細刮痕與健康晶圓的零星壞點在 64×64 解析度下難以區分。
• 製造業情境下高 recall 低 precision 通常是可接受的取捨： 漏掉真實瑕疵（流出成本）遠貴於誤報（複檢成本）。

改進方向：

• Transfer Learning（ResNet50V2）比較 baseline
• 對 none 類欠採樣 + 提高輸入解析度（128×128）改善 Scratch 辨識
• 63.8 萬張未標註圖做半監督學習

Power BI 串接

powerbi/WaferDefectDashboard.pbip 是可直接開啟的 Power BI 專案 （PBIP + TMDL 格式）：語意模型已預先連接 output/predictions_for_powerbi.csv，並內建 9 個 DAX 量值 （Defect Rate、Model Accuracy、Low Confidence Count 等）。

• 開啟方式：Power BI Desktop 開啟 WaferDefectDashboard.pbip
• CSV 路徑以參數 CsvPath 管理，換機器時只需改參數
• 三頁儀表板設計規劃見 powerbi/dashboard_design.md