晶圆缺陷AI检测：从规则阈值到小样本学习

在《半导体晶圆AI缺陷检测系统定制》的阶段性实验中，我们把重点放在缺陷类别长尾与产线灰度变化上。早期基线采用规则阈值加传统分类器，漏检集中在划痕、微颗粒等低频缺陷，且光刻、刻蚀批次漂移会让同一模型误报上升。

本轮进展：
• 采用“通用预训练特征+小样本微调”路线，每类缺陷仅用20~40张标注样本，配合轻量数据增强，内部测试集上低频缺陷召回率由约61%提升至78%，整体误报率下降约3个百分点；
• 引入晶圆图空间上下文（邻域die与缺陷聚类形态）作为后处理约束，抑制孤立噪点被误判为缺陷。

下一步计划：将检测结果与产线复检工位对齐，补充跨机台小样本验证，并评估模型在少标注产线冷启动场景下的稳定性，谨慎推进到试产线灰度。