CN109146847B - 一种基于半监督学习的晶圆图批量分析方法 - Google Patents

一种基于半监督学习的晶圆图批量分析方法 Download PDF

Info

Publication number
CN109146847B
CN109146847B CN201810792257.3A CN201810792257A CN109146847B CN 109146847 B CN109146847 B CN 109146847B CN 201810792257 A CN201810792257 A CN 201810792257A CN 109146847 B CN109146847 B CN 109146847B
Authority
CN
China
Prior art keywords
wafer
wafer map
semi
maps
map
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810792257.3A
Other languages
English (en)
Other versions
CN109146847A (zh
Inventor
倪东
孔煜婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810792257.3A priority Critical patent/CN109146847B/zh
Publication of CN109146847A publication Critical patent/CN109146847A/zh
Application granted granted Critical
Publication of CN109146847B publication Critical patent/CN109146847B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Abstract

本发明公开了一种基于半监督学习的晶圆图批量分析方法，该方法包括以下步骤：对晶圆图进行预处理；对预处理后的晶圆图进行筛选；使用有标签及无标签晶圆图训练半监督模型；筛选无标签晶圆图优化半监督模型；进行晶圆图分析。本发明能够利用少量有标签晶圆图建立稳定高效的半监督模型，能在实际生产中准确地完成晶圆图分析。

Description

一种基于半监督学习的晶圆图批量分析方法
技术领域
本发明涉及半导体制造领域，特别是涉及一种基于半监督学习的晶圆图批量分析方法。
背景技术
近几年，全球半导体市场需求逐步增大，集成电路产业快速发展。在集成电路产业中，晶圆生产是制造环节中耗时最多、工艺最为复杂的一环。晶圆的良率直接影响着生产成本和企业利润。晶圆图能将特定的晶圆测试数据根据对应的空间位置结合晶圆的形状展示出来。分析晶圆图时，工程师首先将需分类的晶圆图筛选出来，再根据晶圆图上的不同图形进行分类，晶圆图上不同的图形可以帮助工程师追溯产品生产过程中出现的异常因素，找出可能导致低良率的原因，从而采取一些预防及更正措施。
上述过程非常费时且人工成本很高，因此设计一种高效自动化的晶圆图分析方法十分必须。现有的晶圆图分析算法主要分为两种：基于有监督学习的方法和基于无监督学习的方法。基于有监督学习的方法需要大量的有标签晶圆图支持模型的训练，晶圆图的标记同样费时费力，当生产过程的不断推进，晶圆图不断累积，为海量晶圆图打标签变得尤为困难。基于无监督学习的方法虽不需要任何有标签晶圆图，但由于缺乏标签的指导，预测效果必然有所削弱，难以高效准确地完成晶圆图分析。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于半监督学习的晶圆图批量分析方法，综合有监督学习和无监督学习的优势，利用有标签晶圆图和无标签晶圆图同时训练模型。
本发明的目的是通过以下技术方案来实现的：一种基于半监督学习的晶圆图批量分析方法，所述方法包括下列步骤：
S1、对所有方形晶圆图进行预处理；
S2、对预处理后的晶圆图进行筛选，筛选出图中具有连通的缺陷芯片块，且连通区域面积分数大于阈值K的晶圆图。连通区域面积分数为连通区域面积占晶圆图总面积的百分数；
S3、使用有标签及无标签晶圆图训练半监督模型；
S301、从步骤S2筛选出的晶圆图中，挑选若干晶圆图中作为训练样本，并根据连通区域的形状类别，对部分训练样本进行标记作为有标签样本，其余的训练样本为无标签样本；利用训练样本进行半监督模型训练。
S302、利用已训练完的Ladder网络对训练样本中无标签晶圆图进行预测，获得对应于不同标签的概率向量；
S303、计算各晶圆图预测结果的信息熵，公式如下：
Figure BDA0001735193470000021
其中，H(x)表示晶圆图x的对应信息熵；pi表示晶圆图x被分到形状类别i的概率；
S304、按照信息熵从大到小排序，筛选出前N％个晶圆图进行人工标记，标记后作为有标签样本，按照步骤S301用于半监督模型训练优化；或筛选出倒数M％个晶圆图，使用其预测标签标记后，作为有标签样本，按照步骤S301用于半监督模型训练优化；
S305、重复步骤S304，直到半监督模型的损失函数的数值小于预设值T。
S4、利用步骤S305优化后半监督模型对剩余的晶圆图进行分析。
进一步地，所述步骤S1的预处理包括：
S101、晶圆图降噪；
S102、统一晶圆图尺寸并处理成便于分析的尺寸，晶圆图尺寸包括晶圆图宽度及长度；
进一步地，所述步骤S2的筛选通过以下方法实现：
将无明显缺陷图形的晶圆图标记为0，存在明显缺陷图形的晶圆图标记为1，其中存在明显缺陷图形的晶圆图为：图中具有连通的缺陷芯片块，且连通区域面积大于阈值K的晶圆图；训练一个基于卷积神经网络(CNN)的二分类器。使用训练好的二分类器从大量晶圆图中挑选出需预测的晶圆图，即有明显缺陷图案的晶圆图。
进一步地，阈值K在2.5％以上。
进一步地，N＝20，M＝20。
进一步地，损失函数用交叉熵描述，预设值T不大于0.1。
本发明的有益效果是，本发明能在较少有标签晶圆图的指导下，充分利用无标签晶圆图的信息，高效准确地完成晶圆图分析。随着生产过程的进行，晶圆图数量逐渐增加，筛选具有较高信息量或较高预测准确度的无标签样本进行进一步的标记并用于优化模型，从而得到更优的性能。
附图说明
图1是本发明方法的流程图；
图2是滤波前的晶圆图；
图3是滤波后的晶圆图；
图4是Ladder网络的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及实例，对本发明做出进一步详细清楚的描述，具体涉及一种基于半监督学习的晶圆图批量分析方法，如图1所示，具体实施步骤如下：
S1、对所有方形晶圆图进行预处理；
S101、晶圆图降噪，使用中值滤波去噪，图2所示为中值滤波前的晶圆图，图3所示为中值滤波后的晶圆图；
S102、统一晶圆图尺寸并处理成便于分析的尺寸，晶圆图尺寸包括晶圆图宽度及长度；
S2、对预处理后的晶圆图进行筛选，筛选出图中具有连通的缺陷芯片块，且连通区域面积分数大于阈值2.5％的晶圆图。连通区域面积分数为连通区域面积占晶圆图总面积的百分数；
S201、将无明显缺陷图形的晶圆图标记为0，存在明显缺陷图形的晶圆图标记为1，其中存在明显缺陷图形的晶圆图为：图中具有连通的缺陷芯片块，且连通区域面积大于阈值2.5％的晶圆图；训练一个基于卷积神经网络(CNN)的二分类器。网络结构为输入层-卷积层-池化层-卷积层-池化层-全连接层-全连接层-Softmax输出层，网络的参数如下：
第1卷积层，设置特征映射图数目为6，滤波器尺寸为5*5；
第2池化层，设置下采样尺寸为2；
第3卷积层，设置特征映射图数目为16，滤波器尺寸为5*5；
第4池化层，设置下采样尺寸为2；
第5全连接层，设置特征映射图数目为120；
第6全连接层，设置特征映射图数目为2；
第7Softmax层，设置特征映射图数目为2；
S202、使用训练好的二分类器从大量晶圆图中挑选出需预测的晶圆图，即有明显缺陷图案的晶圆图。
S3、使用有标签及无标签晶圆图训练半监督模型，如图4中所示Ladder网络；
S301、从步骤S2筛选出的晶圆图中，挑选若干晶圆图中作为训练样本，并根据连通区域的形状类别，对部分训练样本进行标记作为有标签样本，其余的训练样本为无标签样本；利用训练样本进行半监督模型训练。根据半监督模型损失函数优化求解，Ladder网络总损失函数如下：
Figure BDA0001735193470000031
Figure BDA0001735193470000032
Ctotal＝Csupervised+Cunsupervised
其中，Ctotal作为总损失函数；Csupervised表示有监督误差，由有标签晶圆图的预测误差构成； Cunsupervised表示无监督误差，由网络各层的重构特征误差组成；N表示输入晶圆图数量；tn表示输入第n个晶圆图xn的目标标签；y表示晶圆图xn的预测标签；P表示晶圆图xn被正确预测的概率；L表示网络的总层数；λl表示第l层网络无监督误差的权重；ml表示第l层网络的节点数；zn (l)和
Figure BDA0001735193470000041
表示晶圆图xn在Ladder网络中的编码器和解码器第l层对应的隐层特征。
Ladder网络包括编码器，解码器和加噪编码器三个部分。编码器和加噪编码器共享参数，编码器公式如下：
z(l)＝W(l)h(l-1)
h(l)＝φ(γ(l)(z(l)+β(l)))
h(0)＝x
y＝z(L)
其中，z(l)和h(l)是编码器第l层对应的隐层特征；z(L)是编码器输出层输出的预测结果概率向量；W(l)是编码器第l层和第l-1层之间的权重矩阵；γ(l),β(l)是编码器第l层的可训练参数；编码器网络层为输出层或普通网络层时，φ(·)分别对应Softmax函数或ReLU激活函数。
加噪编码器的每层网络都加入了高斯噪声n(l)～N(0,σn 2)，公式如下：
Figure BDA0001735193470000042
Figure BDA0001735193470000043
Figure BDA0001735193470000044
Figure BDA0001735193470000045
其中，
Figure BDA0001735193470000046
是高斯噪声分布的方差；输入晶圆图x加入高斯噪声后得到
Figure BDA0001735193470000047
Figure BDA0001735193470000048
和
Figure BDA0001735193470000049
是加噪编码器第l层对应的隐层特征；
Figure BDA00017351934700000410
是加噪编码器输出层输出的预测结果概率向量。
解码器是编码器的逆过程，目标是尽可能地还原输入晶圆图。解码器的降噪过程如下：
Figure BDA00017351934700000411
Figure BDA00017351934700000412
其中，
Figure BDA00017351934700000413
是解码器第l层对应的隐层特征；v(l)和μ(l)是解码器第l层的可训练参数；
Figure BDA00017351934700000414
是编码器第l层隐层特征z(l)所对应高斯分布的方差。
根据
Figure BDA00017351934700000415
和
Figure BDA00017351934700000416
解码器通过解码函数g(l)(x)重构特征
Figure BDA00017351934700000417
的公式如下：
Figure BDA00017351934700000418
两种编码器的结构为输入层-卷积层-池化层-卷积层-池化层-全连接层-全连接层-Softmax 输出层，网络的参数如下：
第1卷积层，设置特征映射图数目为16，滤波器尺寸为5*5；
第2池化层，设置下采样尺寸为2；
第3卷积层，设置特征映射图数目为32，滤波器尺寸为5*5；
第4池化层，设置下采样尺寸为2；
第5全连接层，设置特征映射图数目为1024；
第6全连接层，设置特征映射图数目为22；
第7Softmax层，设置特征映射图数目为22；
S302、利用已训练完的Ladder网络对训练样本中无标签晶圆图进行预测，获得对应于不同标签的概率向量；
S303、计算各晶圆图预测结果的信息熵，公式如下：
Figure BDA0001735193470000051
其中，H(x)表示晶圆图x的对应信息熵；pi表示晶圆图x被分到类别i的概率；
S304、本发明中，采用两种方法筛选无标签晶圆图的方法有：基于主动学习的方法和基于伪标签的方法。基于主动学习的方法指可以在训练过程中交互地向专家或其他信息源获取无标签晶圆图的标签信息的学习算法。选择策略是主动学习的重要部分，即如何选择需要获取标签的无标签晶圆图，使模型使用尽可能少的有标签晶圆图便可获得最优的性能。基于伪标签的方法指使用经过有标签晶圆图训练好的模型来预测无标签晶圆图，把得到的标签作为这些晶圆图的伪标签，后期训练模型时使用伪标签作为他们的“真实”标签。如何筛选预测准确的晶圆图，即具有较高预测置信度的晶圆图是基于伪标签的方法的关键。具体如下：
按照信息熵从大到小排序，筛选出前20％个晶圆图进行人工标记，标记后作为有标签样本，按照步骤S301用于半监督模型训练优化；或筛选出倒数20％个晶圆图，使用其预测标签标记后，作为有标签样本，按照步骤S301用于半监督模型训练优化；
S305、重复步骤S304，直到半监督模型用交叉熵描述的损失函数的数值小于预设值0.1。
S4、利用步骤S305优化后半监督模型对剩余的晶圆图进行分析。
仿真条件：
硬件平台：Intel Xeon E5CPU和NVIDIA 1080Ti GPU
软件平台：Python 3.6和谷歌TensorFlow 1.4.0
将本发明方法与同网络结构的卷积神经网络进行对比，得到剩余的晶圆图预测精度结果如表1所示：
表1四种网络模型实验结果数据表
Figure BDA0001735193470000052
Figure BDA0001735193470000061
综上所述，本发明方法在使用等量有标签晶圆图的情况下较现有热门算法CNN模型有更好的预测精度，能够有效捕捉晶圆图中的信息，利用少量有标签晶圆图建立稳定高效的半监督模型，能在实际生产中准确地完成晶圆图分析。
以上所述，仅为本发明的具体实施方式，但本发明的实施方式并不受限于此，其他任何未背离本发明精神实质与原理的改变、修饰等置换方式，均在本发明的保护范围之内，具体以权利要求的保护范围为准。

Claims (6)

1.一种基于半监督学习的晶圆图批量分析方法，其特征在于，所述方法包括下列步骤：
S1、对所有方形晶圆图进行预处理；
S2、对预处理后的晶圆图进行筛选，筛选出图中具有连通的缺陷芯片块，且连通区域面积分数大于阈值K的晶圆图；连通区域面积分数为连通区域面积占晶圆图总面积的百分数；
S3、使用有标签及无标签晶圆图训练半监督模型；
S301、从步骤S2筛选出的晶圆图中，挑选若干晶圆图中作为训练样本，并根据连通区域的形状类别，对部分训练样本进行标记作为有标签样本，其余的训练样本为无标签样本；利用训练样本进行半监督模型训练；
S302、利用已训练完的Ladder网络对训练样本中无标签晶圆图进行预测，获得对应于不同标签的概率向量；
S303、计算各晶圆图预测结果的信息熵，公式如下：
Figure RE-FDA0003496679810000011
其中，H(x)表示晶圆图x的对应信息熵；pi表示晶圆图x被分到形状类别i的概率；
S304、按照信息熵从大到小排序，筛选出前N％个晶圆图进行人工标记，标记后作为有标签样本，按照步骤S301用于半监督模型训练优化；或筛选出倒数M％个晶圆图，使用其预测标签标记后，作为有标签样本，按照步骤S301用于半监督模型训练优化；
S305、重复步骤S304，直到半监督模型的损失函数的数值小于预设值T；
S4、利用步骤S305优化后半监督模型对剩余的晶圆图进行分析。
2.根据权利要求1所述的一种基于半监督学习的晶圆图批量分析方法，其特征在于：所述步骤S1的预处理包括：
S101、晶圆图降噪；
S102、统一晶圆图尺寸并处理成便于分析的尺寸，晶圆图尺寸包括晶圆图宽度及长度。
3.根据权利要求1所述的一种基于半监督学习的晶圆图批量分析方法，其特征在于：所述步骤S2的筛选通过以下方法实现：
将无明显缺陷图形的晶圆图标记为0，存在明显缺陷图形的晶圆图标记为1，其中存在明显缺陷图形的晶圆图为：图中具有连通的缺陷芯片块，且连通区域面积大于阈值K的晶圆图；训练一个基于卷积神经网络(CNN)的二分类器；使用训练好的二分类器从大量晶圆图中挑选出需预测的晶圆图，即有明显缺陷图案的晶圆图。
4.根据权利要求1所述的一种基于半监督学习的晶圆图批量分析方法，其特征在于：阈值K在2.5％以上。
5.根据权利要求1所述的一种基于半监督学习的晶圆图批量分析方法，其特征在于：N＝20，M＝20。
6.根据权利要求1所述的一种基于半监督学习的晶圆图批量分析方法，其特征在于：损失函数用交叉熵描述，预设值T不大于0.1。
CN201810792257.3A 2018-07-18 2018-07-18 一种基于半监督学习的晶圆图批量分析方法 Active CN109146847B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810792257.3A CN109146847B (zh) 2018-07-18 2018-07-18 一种基于半监督学习的晶圆图批量分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810792257.3A CN109146847B (zh) 2018-07-18 2018-07-18 一种基于半监督学习的晶圆图批量分析方法

Publications (2)

Publication Number Publication Date
CN109146847A CN109146847A (zh) 2019-01-04
CN109146847B true CN109146847B (zh) 2022-04-05

Family

ID=64800837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810792257.3A Active CN109146847B (zh) 2018-07-18 2018-07-18 一种基于半监督学习的晶圆图批量分析方法

Country Status (1)

Country Link
CN (1) CN109146847B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111583321A (zh) * 2019-02-19 2020-08-25 富士通株式会社 图像处理装置、方法及介质
CN109977808B (zh) * 2019-03-11 2020-10-27 北京工业大学 一种晶圆表面缺陷模式检测与分析方法
CN110689067A (zh) * 2019-09-25 2020-01-14 上海华力集成电路制造有限公司 晶圆的失效检测方法、装置、设备及存储介质
CN111222648B (zh) * 2020-01-15 2023-09-26 深圳前海微众银行股份有限公司 半监督机器学习优化方法、装置、设备及存储介质
CN111639540B (zh) * 2020-04-30 2023-08-04 中国海洋大学 基于相机风格和人体姿态适应的半监督人物重识别方法
CN113505799B (zh) * 2021-06-30 2022-12-23 深圳市慧鲤科技有限公司 显著性检测方法及其模型的训练方法和装置、设备、介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1168379A2 (en) * 2000-06-29 2002-01-02 Texas Instruments Incorporated Method of fabricating a thin film resistor with predetermined temperature coefficient of resistance
CN101344787A (zh) * 2007-07-11 2009-01-14 京元电子股份有限公司 类神经网络晶圆分析系统与方法
CN103489194A (zh) * 2013-09-30 2014-01-01 河海大学 基于安全半监督支持向量机的遥感影像变化检测方法
CN104008550A (zh) * 2014-06-05 2014-08-27 深圳市大族激光科技股份有限公司 晶圆表面缺陷特征分析方法、系统、分类方法和系统
CN105303198A (zh) * 2015-11-17 2016-02-03 福州大学 一种自定步长学习的遥感影像半监督分类方法
CN106575957A (zh) * 2014-06-06 2017-04-19 阿库斯蒂斯有限公司 配置有晶体声谐振器设备的集成电路
CN107451616A (zh) * 2017-08-01 2017-12-08 西安电子科技大学 基于深度半监督迁移学习的多光谱遥感图像地物分类方法
CN108133173A (zh) * 2017-11-24 2018-06-08 西安电子科技大学 基于半监督梯形网络的极化sar图像分类方法
CN108171688A (zh) * 2017-12-19 2018-06-15 浙江大学 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9460732B2 (en) * 2013-02-13 2016-10-04 Analog Devices, Inc. Signal source separation
CN104392253B (zh) * 2014-12-12 2017-05-10 南京大学 一种草图数据集的交互式类别标注方法
US10365639B2 (en) * 2016-01-06 2019-07-30 Kla-Tencor Corporation Feature selection and automated process window monitoring through outlier detection
CN107909101B (zh) * 2017-11-10 2019-07-12 清华大学 基于卷积神经网络的半监督迁移学习字符识别方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1168379A2 (en) * 2000-06-29 2002-01-02 Texas Instruments Incorporated Method of fabricating a thin film resistor with predetermined temperature coefficient of resistance
CN101344787A (zh) * 2007-07-11 2009-01-14 京元电子股份有限公司 类神经网络晶圆分析系统与方法
CN103489194A (zh) * 2013-09-30 2014-01-01 河海大学 基于安全半监督支持向量机的遥感影像变化检测方法
CN104008550A (zh) * 2014-06-05 2014-08-27 深圳市大族激光科技股份有限公司 晶圆表面缺陷特征分析方法、系统、分类方法和系统
CN106575957A (zh) * 2014-06-06 2017-04-19 阿库斯蒂斯有限公司 配置有晶体声谐振器设备的集成电路
CN105303198A (zh) * 2015-11-17 2016-02-03 福州大学 一种自定步长学习的遥感影像半监督分类方法
CN107451616A (zh) * 2017-08-01 2017-12-08 西安电子科技大学 基于深度半监督迁移学习的多光谱遥感图像地物分类方法
CN108133173A (zh) * 2017-11-24 2018-06-08 西安电子科技大学 基于半监督梯形网络的极化sar图像分类方法
CN108171688A (zh) * 2017-12-19 2018-06-15 浙江大学 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《A method for handling batch-to-batch parametric drift using moving horizon estimation: Application to run-to-run MPC of batch crystallization》;Joseph Sang-Il Kwon等;《Chemical Engineering Science》;20151231;第127卷;第210-219页 *
《Semi-Supervised Learning with Ladder Networks》;Antti Rasmus等;《arXiv》;20151126;第1-19页 *
《晶圆表面缺陷在线检测研究》;林佳 等;《计算机测量与控制》;20180525;第26卷(第05期);第14-16页 *

Also Published As

Publication number Publication date
CN109146847A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109146847B (zh) 一种基于半监督学习的晶圆图批量分析方法
US11947890B2 (en) Implementation of deep neural networks for testing and quality control in the production of memory devices
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
CN110992317B (zh) 一种基于语义分割的pcb板缺陷检测方法
US20210097226A1 (en) Optical Mode Optimization for Wafer Inspection
US10679333B2 (en) Defect detection, classification, and process window control using scanning electron microscope metrology
JP2022507543A (ja) 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用
US20210397170A1 (en) Implementation of deep neural networks for testing and quality control in the production of memory devices
US20190064253A1 (en) Semiconductor yield prediction
US10656518B2 (en) Automatic inline detection and wafer disposition system and method for automatic inline detection and wafer disposition
CN112381788A (zh) 一种基于双分支匹配网络的零部件表面缺陷增量检测方法
CN113298058A (zh) 基于无人机高光谱图像的水质预测反演方法及系统
CN114067019A (zh) 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
CN116128839A (zh) 晶圆缺陷识别方法、装置、电子设备以及存储介质
CN115136209A (zh) 缺陷检测系统
CN115861281A (zh) 一种基于多尺度特征的免锚框表面缺陷检测方法
CN115423796A (zh) 一种基于TensorRT加速推理的芯片缺陷检测方法及系统
US20230281791A1 (en) Adaptive system and method for inspection of imaged items
CN114219762A (zh) 基于图像修复的缺陷检测方法
CN113763364A (zh) 一种基于卷积神经网络的图像缺陷检测方法
CN117456198A (zh) 一种基于改进的Yolov5神经网络的输电线路故障检测方法
CN116778235A (zh) 一种基于深度学习网络的晶圆表面缺陷分类方法
CN116563250A (zh) 一种复原式自监督疵点检测方法、装置及存储介质
CN114821346B (zh) 一种基于嵌入式平台的雷达图像智能识别方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant