دانشگاه صنعتی نوشیروانی بابل مجله علمی رایانش نرم و فناوری اطلاعات 2383-1006 مقالات آماده انتشار 2025 12 13 An Integrated Deep Learning Model for Wafer Defect Detection Using Joint Spatial and Temporal Feature Representation مدل یادگیری عمیق یکپارچه برای آشکارسازی نقص ویفر با استفاده از نمایش مشترک ویژگی‌های مکانی و زمانی 1 13 236080 10.22034/jscit.2025.540754.2156 FA علی سوری دانشکده مهندسی و فناوری، دانشگاه مازندران، بابلسر، ایران. سمیرا مودتی گروه مهندسی برق، دانشکده مهندسی و فناوری، دانشگاه مازندران، بابلسر، ایران. محمد غلامی گروه مهندسی برق، دانشکده مهندسی و فناوری، دانشگاه مازندران، بابلسر، ایران. Journal Article 2025 08 11 Wafer defect detection is vital in semiconductor manufacturing due to its impact on the reliability and performance of integrated circuits. Defects such as microcracks, contamination, and pattern misalignment can cause device failures. In this study, we propose an improved hybrid deep learning framework that integrates Convolutional Neural Networks (CNN) for extracting spatial features with Long Short-Term Memory (LSTM) networks to model temporal dependencies in defect patterns. By combining both spatial and sequential information, the method enhances the accuracy of defect classification compared to conventional approaches. Evaluations on MIR-WM811K and WaferMap datasets show superior performance, achieving accuracies of 98.12% and 97.38%, respectively. The proposed CNN-LSTM model outperforms existing architectures, including RCNN, VGG-16, ResNet-34, and DenseNet-121. Its strength lies in the integrated spatial–temporal learning, which captures complex defect characteristics more effectively. This method sets a new baseline for deep learning–based wafer inspection, with strong potential to enhance manufacturing efficiency and product quality in the semiconductor industry. تشخیص نقص ویفر در تولید نیمه‌هادی‌ها از اهمیت بالایی برخوردار است، زیرا مستقیماً بر قابلیت اطمینان و عملکرد مدارهای مجتمع تأثیر می‌گذارد. نقص‌هایی مانند ترک‌های میکروسکوپی، آلودگی و ناهماهنگی الگو می‌توانند موجب خرابی دستگاه شوند. در این مطالعه، یک چارچوب ترکیبی بهبود‌یافته مبتنی بر یادگیری عمیق ارائه می‌شود که در آن شبکه‌های عصبی کانولوشنی (CNN) برای استخراج ویژگی‌های مکانی با شبکه‌های حافظه کوتاه‌مدت بلند (LSTM) جهت مدل‌سازی وابستگی‌های زمانی در الگوهای نقص ترکیب شده‌اند. با ادغام اطلاعات مکانی و زمانی، دقت طبقه‌بندی نقص‌ها نسبت به روش‌های متداول افزایش یافته است. ارزیابی‌ها بر روی مجموعه داده‌های MIR-WM811K و WaferMap عملکرد برتری را نشان می‌دهند، به‌گونه‌ای که دقت‌های 12/98٪ و 38/97٪ به دست آمده است. مدل پیشنهادی CNN-LSTM از معماری‌های موجود از جمله RCNN، VGG-16، ResNet-34 و DenseNet-121 عملکرد بهتری دارد. قدرت این روش در یادگیری تلفیقی مکانی–زمانی آن نهفته است که ویژگی‌های پیچیده نقص‌ها را مؤثرتر شناسایی می‌کند. این روش یک خط مبنای جدید برای بازرسی ویفر مبتنی بر یادگیری عمیق ارائه می‌دهد و پتانسیل بالایی برای افزایش بهره‌وری تولید و بهبود کیفیت محصولات در صنعت نیمه‌هادی دارد. https://jscit.nit.ac.ir/article_236080_5b3836ce9d6bc708101bdbb4f30db1c7.pdf