近年來，出現(xiàn)了其他類型的缺陷檢測掃描儀。他們是Macro缺陷掃描儀。它們旨在處理大規(guī)模（宏觀）缺陷。通常，掃描儀能夠在單個FOV（視場）中掃描晶圓。它們相對便宜，相對復雜（相對于高端缺陷掃描儀），易于操作且具有更快的操作周期（即，完整的晶圓掃描所花費的時間要少得多）。他們可以檢測到較大的缺陷，但不能檢測出局部的小的缺陷。

宏缺陷掃描具有其自身的功能和優(yōu)點。由于快速掃描，可以檢查每個晶片。通常，該操作更簡單，并且不需要復雜的配方。由于基本結構僅由顯微鏡，照相機和某些處理裝置組成，因此許多公司進入了該市場，并提供了許多產(chǎn)品。

Macro晶圓缺陷也需要自動缺陷檢測和分類。在這種情況下，可以使用經(jīng)典的檢測方法（請參閱上面的像素比較）。但是，用于缺陷分類的深度學習技術也可以用于檢測過程本身。這是由于這樣的事實，與高分辨率掃描相反，我們擁有完整的FOV：可以訓練深度學習分類器根據(jù)宏缺陷的圖像簽名來檢測宏缺陷。借助深度學習，整個操作更快，更準確。

的CNN分類被訓練為每個缺陷類型一大組樣品。它們應包含許多局部晶圓元件上的宏觀缺陷實例。例如，晶圓劃痕（一種宏晶圓缺陷）正越過晶圓元件，如金屬走線，硅墊片等。對于晶片制造的所有中間步驟，包括樣品很重要。同樣，重新培訓對于確保分類器能夠正常運行并使用新客戶的新設計至關重要。基于深度學習的缺陷分類提供了沒有人為錯誤的分類。

CNN被配置為處理低分辨率圖像，以保持合理的性能：例如300×300像素的圖像。CNN由4個具有線性激活的卷積層組成。跟隨具有S型激活的FC（完全連接）層。根據(jù)需要可以添加其他FC層。最后一層是提供分類的SoftMax。

深圳秘銀科技是深度學習技術和晶圓檢測領域的專家；我們已經(jīng)成功地為VLSI（晶圓）設備制造商完成了許多計算機視覺項目。