#. 3-2 데이터 증강 (결함 합성)
결함 합성 단계에서는 none 웨이퍼를 배경으로 사용하고, 결함 클래스의 패턴을 삽입하는 방식으로 새로운 합성 데이터를 구성했습니다.
Project
난이도 기반 클래스 맞춤형 증강을 통한 반도체 웨이퍼 결함 분류 효율화
#. 3 데이터 증강 (전통적 증강 / 생성형 AI 증강)
전통적 증강 단계에서는 회전·반전 기반 변환을 적용해 결함 클래스의 데이터를 확장하고, None 클래스는 다운샘플링하여 클래스 간 불균형을 조정했습니다. 이후 생성형 AI 증강 단계에서는 CFG-DDPM을 활용해 소수 결함 클래스의 부족한 데이터를 생성 데이터로 보완했습니다.
#. 2 데이터 전처리
라벨 정리와 64×64 정규화를 통해 공통 입력 형식을 맞추고, 최종 테스트셋을 고정 분리한 뒤 K-Fold 기반 학습 구조를 구성했습니다. 이후 none 제거와 결함 핵심 패턴 추출을 통해 증강 실험에 적합한 데이터셋을 구축했습니다.
#. 1 개요
WM-811K 웨이퍼 결함 데이터를 기반으로 raw·cleaned 조건과 다양한 증강 방식을 비교해 분류 성능을 검증하고, 이후 객체 탐지 데이터셋으로 확장하는 프로젝트입니다.