CN109522905A - 一种基于fft特征提取的热点检测方法 - Google Patents

一种基于fft特征提取的热点检测方法 Download PDF

Info

Publication number
CN109522905A
CN109522905A CN201811217831.9A CN201811217831A CN109522905A CN 109522905 A CN109522905 A CN 109522905A CN 201811217831 A CN201811217831 A CN 201811217831A CN 109522905 A CN109522905 A CN 109522905A
Authority
CN
China
Prior art keywords
fft
sample
sub
block
feature extraction
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.)
Pending
Application number
CN201811217831.9A
Other languages
English (en)
Inventor
贺旭
邓宇
周世哲
李蕊
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN201811217831.9A priority Critical patent/CN109522905A/zh
Publication of CN109522905A publication Critical patent/CN109522905A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于FFT特征提取的热点检测方法，其将GDSII版图文件转化为二值(0/1)文本作为算法输入格式；对样本做随机镜像翻转；利用快速傅里叶变换对样本进行特征提取，得到特征的矩阵表示；构建CNN网络结构，将代表样本特征的矩阵输入到CNN网络中进行训练；利用训练好的模型对测试样本进行分类，检测分类效果。本发明的热点检测方法改善了正负样本不平衡对训练模型性能的影响；能够快速过滤版图中的无效信息，并保留版图中最具代表性的特征，对分类识别的准确性和检测的运行时间都有很大提升；同时采用了卷积神经网络训练效果更佳，具有更大的扩展性。

Description

一种基于FFT特征提取的热点检测方法
技术领域
本发明涉及图像识别领域，尤其涉及一种基于FFT特征提取的热点检测方法。
背景技术
在深亚微米时代，由于集成电路中晶体管尺寸与波长的差距拉大，光刻过程中光的衍射现象越来越突出，当光刻电路设计版图(Mask)到硅晶片上时，硅晶片上的电路会存在潜在的电路缺陷，如开路和短路故障。因此，在将电路设计版图转移到硅晶片之前，必须对版图进行缺陷检测，准确找出那些在光刻后容易产生缺陷模式的区域。
随着超大规模集成电路技术的飞速发展，晶体管的特征尺寸变得越来越小，电路设计版图越来越复杂，给电路光刻技术带来了很大的挑战。当前光的波长已达到了193nm限制，远远大于晶体管现有的特征尺寸，所以当将标准的电路设计版图刻录到硅晶片上时，在光的衍射作用下，光刻到硅晶片上的电路图案，会产生某些缺陷模式。这些模式的出现，极有可能在电路的实际运行中，产生开路或短路现象，烧毁电路，导致芯片成品率降低，带来巨大的经济损失。虽然，芯片制造行业提出了很多生产设计技术，如设计检验规则(DRC)、光学临近矫正(OPC)、多图案光刻(MPL)等，但缺陷模式仍存在。因此，在将电路版图转移到硅晶片之前，必须对整个电路版图进行检测，准确找出那些在光刻后容易产生缺陷模式的区域，对其进行修正。
电路版图是指掩模板光刻到硅晶片上所形成的图案。其中GDSII版图是一种GDSII格式的版图文件，GDSII数据可用于重建所有或部分的版图信息，用于制作光刻掩模板。在光的衍射作用下，某些模式存在着潜在的开路和短路故障，会导致成品的产率下降。这些潜在故障的缺陷模式，称为光刻缺陷。有缺陷的版图区域，被称为热点Hotspot，而其他没有缺陷的区域，则称为非热点Non-hotspot。缺陷检测程序的目标是尽可能多地检测出真正的Hotspot，尽可能误判Non-hotspot为Hotspot。
如图1所示，3种常见的缺陷模式为：倒角(Rounding)、缺失(Disapperance)、回缩(Pinch)等。倒角模式是指版图中多边形的直角处，会经过光刻变圆滑；缺失模式是指多边形在光刻后变小，周边部分内容缺失，回缩模式是指多边形的某条边被回缩。传统的热点检测方法包括：仿真模拟，模式匹配，以及机器学习。然而，对于模式匹配方法，如果样本中的缺陷模式不存在于模式库中，则此方法无法判断样本模式；对于机器学习，基于同心圆的特征提取方法不能完全保留图片的特征信息，导致训练模型的精准度不够。随着集成电路规模越来越大，设计电路越来越复杂，传统的热点检测方法已不适用。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种基于FFT特征提取的热点检测方法。本发明公开的一种基于FFT特征提取的热点检测方法，不仅能大幅度的过滤掉无用信息，并且能够保证特征信息的完整性，有效提高了训练模型的准确率。
为了实现上述目的，本发明采取的技术方案为：
一种基于FFT特征提取的热点检测方法，包括以下步骤：
S1、将GDSII版图文件转化为二值(0/1)文本作为算法输入格式，所述算法输入格式有利于检测性能和时间改进；
S2、对样本做随机镜像翻转以消除样本不平衡带来的影响；
S3、利用快速傅里叶变换(FFT)对样本进行特征提取，得到特征的矩阵表示；
S4、构建CNN网络结构，将代表样本特征的矩阵输入到CNN网络中进行训练，以生成效果良好的网络模型；
S5、利用训练好的模型对测试样本进行分类，检测分类效果。
进一步地，所述步骤S1具体为，根据GDSII版图文件给出的版图中各个多边形顶点坐标，标记出多边形的轮廓；然后取一条水平线，由下往上一行行对版图进行扫描，当扫描线经过多边形轮廓时，会与多边形轮廓相交于两点a1,a2；然后将线段a1-a2之间的像素用1填充，剩余背景部分用0填充。
进一步地，在所述步骤S3中，利用快速傅里叶变换(FFT)对样本进行特征提取具体包括以下步骤：
S101、将每块电路设计图分为n x n的子块，每一子块表示为Bij，其中i为行数，j为列数，i,j＝0,1,2,…,n-1；
S102、将每一个子块Bij进行FFT处理，经过FFT后，图像的低频信息会分布在图像的四角，所述低频信息能够有效的代表图像；
S103、根据每个子块的FFT处理矩阵Fij，将n x n个子块的特征提取向量整合为特征提取矩阵F。
进一步地，在所述步骤S102中，将每一个子块Bij进行FFT处理，具体为：
式中，u,v表示像素点的在子块Bij的相对坐标位置，Bij(x,y)表示子块Bij在空间域(u,v)上的0-1像素值，Fij(x,y)表示子块Bij在FFT中频域点(x,y)的频域值。
进一步地，所述步骤S103具体为：对每个子块的FFT处理矩阵Fij，分别在矩阵4个角，即左下角、左上角、右上角、右下角，按Z字形取k个值，其中k远小于FFT处理后的矩阵数据量；整合作为各子块的特征提取向量特征提取向量的长度为s＝4k；将整个版图n x n个子块的特征提取向量整合在一起，组成s x n x n三维的特征提取矩阵F。
进一步地，在所述步骤S4中，构建的CNN网络结构由两个卷积层和两个全连接层组成，并且每个卷积层又由两个卷积层：一个ReLU层和一个池化层组成；
在每一层卷积中，会有一组卷积核在向量F上做卷积：
式中，c表示卷积核的数量，n表示向量F的大小，m表示卷积核的大小，所以向量F∈Rc×n×n，卷积核K∈Rc×m×m。
进一步地，所述ReLU层具有ReLU函数，其为每一个卷积层上的激活函数，确保网络结构的非线性和稀疏性；所述池化层作用在每组卷积层上，进行2×2的下采样，减小每层输出层的尺寸。
本发明相对于现有技术具有如下的优点及效果：
本发明所提供的一种基于FFT特征提取的热点检测方法，采用了随机镜像翻转法对缺陷模式做了扩展，缩小了缺陷模式与非缺陷模式比例上的差距，改善了正负样本不平衡对训练模型性能的影响；采用了快速傅里叶变换的特征提取方法，在不损失样本特征信息的情况下对无效信息进行了过滤，提高了训练模型的准确性和训练效率；采用了卷积神经网络(CNN)对特征进行训练，这种网络结构在处理大量样本数据时，性能比机器学习模型效果更佳，具有更大的扩展性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是现有的3种常见的光刻缺陷模式的示意图；
图2是本发明的基于FFT特征提取的热点检测方法的流程图；
图3是本发明的基于FFT特征提取的热点检测方法的实验框架流程图；
图4是本发明将GDSII文件就被转化为0-1二值图的示意图；
图5是本发明的镜像翻转方式的示意图；
图6是本发明对现有样本数据进行扩展的示意图；
图7是本发明的基于快速傅里叶变换(FFT)的特征提取方法的流程图；
图8是本发明的基于快速傅里叶变换(FFT)的特征提取方法示意图；
图9是本发明构建的CNN网络结构模型图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
具体如图2所示，本实施例所提供的一种基于FFT特征提取的热点检测方法，包括以下步骤：
S1、将GDSII版图文件转化为二值(0/1)文本作为算法输入格式，所述算法输入格式有利于检测性能和时间改进；
S2、对样本做随机镜像翻转以消除样本不平衡带来的影响；
S3、利用快速傅里叶变换(FFT)对样本进行特征提取，得到特征的矩阵表示；
S4、构建CNN网络结构，将代表样本特征的矩阵输入到CNN网络中进行训练，以生成效果良好的网络模型；
S5、利用训练好的模型对测试样本进行分类，检测分类效果。
电路版图是指掩模板光刻到硅晶片上所形成的图案。其中GDSII版图是一种GDSII格式的版图文件，GDSII数据可用于重建所有或部分的版图信息，用于制作光刻掩模板。在光的衍射作用下，某些模式存在着潜在的开路和短路故障，会导致成品的产率下降。这些潜在故障的缺陷模式，称为光刻缺陷。有缺陷的版图区域，被称为热点Hotspot，而其他没有缺陷的区域，则称为非热点Non-hotspot。缺陷检测程序的目标是尽可能多地检测出真正的Hotspot，尽可能误判Non-hotspot为Hotspot。
参考图3的基于FFT特征提取的热点检测方法的实验框架流程图，整个流程分为五个部分，首先利用扫描线(Sweep Line)算法将GDSII版图文件转化为二值(0/1)文本作为算法输入格式，这种格式更有利于检测性能和时间改进；其次对样本做随机镜像翻转(MirrorFlipping)以消除样本不平衡带来的影响，然后，利用快速傅里叶变换(FFT)对样本进行特征提取，得到特征的矩阵表示；再次，构建CNN网络结构，将代表样本特征的矩阵输入到CNN网络中进行训练(Tranning)，以此生成效果良好的网络模型；最后，利用训练好的模型对测试样本进行分类，检测分类效果。
优选的，在步骤S1中进行二值图预处理，GDSII文件给出的是版图中各个多边形顶点坐标，需要把同一版图中多边形的信息整理为一个0-1图片。本实施例采用扫描线(SweepLine)算法，来填充版图中的多边形。具体过程如下：首先根据多边形顶点坐标标记出多边形的轮廓；然后取一条水平线，由下往上一行行对版图进行扫描，当扫描线经过多边形轮廓时，会与多边形轮廓相交于两点a1,a2；然后将线段a1-a2之间的像素用1填充，剩余背景部分用0填充。如图4所示，(a)表示扫描线扫描某一行的情况；(b)表示用0,1填充版图的结果。最终，GDSII文件就被转化为0-1二值图。
如表1所示，ICCAD2012Contest的五组benchmark中训练样本中缺陷模式的数量与非缺陷模式相差很大，特别在ICCAD-2，ICCAD-4，ICCAD-5三组benchmark中表现的尤为明显，这三组缺陷样本分别占各组总样本数的3.2％，2.1％，0.95％，这种数据不平衡会导致训练模型的准确率下降。
表1ICCAD2012Contest Benchmark
本发明采用上采样方法，增加样本数量，包括镜像处理和样本周边扩展法。
如图5所示，(a)表示原始缺陷样本，(b)表示将原图向右翻转，(c)表示将原图向下翻转，(d)表示将原图向右向下同时翻转。因为是否为缺陷模式取决于多边形之间的距离，而镜像翻转并没有改变各个多边形之间的距离，所以样本标记经过镜像翻转仍然一样。但是，样本提取的特征中包含位置信息，所以翻转后的缺陷样本为新的缺陷样本，不会出现冗余。
同时，考虑到现有样本的数据规模相对较小，为了进一步提升训练模型的性能，对现有样本数据整体进行了扩展，如图6所示，(a)表示一个完整的电路版图(ambit)，它分为核心区(core)和边缘区两个部分，判断一个样本是否为缺陷样本取决于核心区是否存在缺陷模式，换言之，可以认为边缘区不存在缺陷模式，所以如图6(b)可以将整个版图以核心区为中心，划分为9块，本实施例可以将核心区周围的8块区域当作非缺陷样本计入到训练样本中，这样总的训练样本就扩充了9倍，大大提高了训练模型的精度。
优选的，如图7所示，在所述步骤S3中，利用快速傅里叶变换(FFT)对样本进行特征提取具体包括以下步骤：
S101、将每块电路设计图分为n x n的子块，每一子块表示为Bij，其中i为行数，j为列数，i,j＝0,1,2,…,n-1；
S102、将每一个子块Bij进行FFT处理，经过FFT后，图像的低频信息会分布在图像的四角，所述低频信息能够有效的代表图像；
S103、根据每个子块的FFT处理矩阵Fij，将n x n个子块的特征提取向量整合为特征提取矩阵F。
结合图8的基于快速傅里叶变换(FFT)的特征提取方法示意图，将原图划分为n xn(n＝16)的块区域(如图8(a)、(b)所示)，后续会分别对每个子块做特征提取。
优选的，在所述步骤S102中，将每一个子块Bij进行FFT处理，具体为：
式中，u,v表示像素点的在子块Bij的相对坐标位置，Bij(x,y)表示子块Bij在空间域(u,v)上的0-1像素值，Fij(x,y)表示子块Bij在FFT中频域点(x,y)的频域值。经过FFT后，图像的低频信息会分布在矩阵Fij的四角，所述低频信息能够有效的代表图像特征(如图8(c)所示)。
优选的，步骤S103具体为：分别在图像的每个角上取k(k＝10)个值。对每个子块的FFT处理矩阵Fij，分别在矩阵4个角，即左下角、左上角、右上角、右下角，按Z字形取k个值，其中k远小于FFT处理后的矩阵数据量。这样，对矩阵Fij一共会有s＝4k个取值，整合作为各子块的特征提取向量，特征提取向量的长度为s＝4k；将整个版图n x n个子块的特征提取向量整合在一起，组成s x n x n三维的特征提取矩阵F。通过以上步骤，一个原始的电路版图就被转化为一个特征提取矩阵F。
FFT能够确保高频部分的系数几乎为零，图像的低频部分几乎保留了图像的全部信息，这样提取图像的低频系数组成的特征向量就能够保证代表整个图像。与此同时，正因为只选择了低频部分的系数组成的特征向量作为神经网络的输入，这样大大减小的样本的尺寸，使得神经网络在训练的过程中的前向和后向传播速度更快，训练效率大大提高。
为了解决传统机器学习方法的低扩展性的问题，本实施例引入了卷积神经网络(CNN)作为分类器。卷积神经网络是由几层卷积层和全连接层构成的，卷积层会对关键特征进行抽取，而全连接层能够算出测试样本为何种类型的概率。
优选的，在步骤S4中，图9示出了本实施例构建的CNN网络结构模型图，CNN网络结构由两个卷积层和两个全连接层组成，并且每个卷积层又由两个卷积层：一个ReLU层和一个池化层(max pooling)组成。在每一层卷积中，会有一组卷积核在向量F上做卷积：
式中，c表示卷积核的数量，n表示向量F的大小，m表示卷积核的大小，所以向量F∈Rc×n×n，卷积核K∈Rc×m×m。在本实施例中，卷积核的大小设置为3×3，两层卷积层的输出特征数量分别为20和40。
优选的，所述ReLU层具有ReLU函数，其为每一个卷积层上的激活函数，确保网络结构的非线性和稀疏性；
所述池化层作用在每组卷积层上，进行2×2的下采样，减小每层输出层的尺寸。最后经过两层全连接层后，输出层的节点数分别为256和2。为了防止过拟合本实施例在第一层全连接层在设置了50％的丢弃率。第二层全连接层是整个神经网络的输出，两个节点分别代表测试样本为缺陷电路和非缺陷电路的概率。具体的网络结构参数如下表2所示：
表2卷积神经网络结构参数表
此外，本发明还对网络结构中的学习率和迭代次数进行了测试，经过实验反复验证，将迭代次数定为10000次，初始学习率定为0.0001，然后每经过3200次迭代，学习率以0.65速率进行衰减，这样得到的训练模型性能最佳。
优选的，在步骤S4中，训练神经网络模型时采用最小批梯度下降算法(Mini-batchgradient)，并对训练样本的标签采用bias进行了修正以防止过拟合。最小批梯度下降算法每次选择少量的样本进行训练，既保证了训练速度又使得梯度下降方向局部最优。
本实施例所提供的一种基于FFT特征提取的热点检测方法，考虑到样本数据不平衡对训练模型的影响，在缺陷样本上进行了随机镜像翻转，扩展了缺陷样本的数量，缩小了缺陷样本数量与非缺陷样本数量之间的差距，对不平衡数据的适应性更好。
本实施例所提供的一种基于FFT特征提取的热点检测方法中，提出的快速傅里叶变换法能够有效的过滤无用图像信息，只保留那些具有代表性的特征，不仅提高了检测模型的准确性，还提升了模型的训练速率。
本实施例所提供的一种基于FFT特征提取的热点检测方法，采用了卷积神经网络(CNN)对特征进行训练，这种网络结构在处理大量样本数据时，性能比机器学习模型效果更佳，具有更大的扩展性。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (7)

1.一种基于FFT特征提取的热点检测方法，包括以下步骤：
S1、将GDSII版图文件转化为二值(0/1)文本作为算法输入格式，所述算法输入格式有利于检测性能和时间改进；
S2、对样本做随机镜像翻转以消除样本不平衡带来的影响；
S3、利用快速傅里叶变换(FFT)对样本进行特征提取，得到特征的矩阵表示；
S4、构建CNN网络结构，将代表样本特征的矩阵输入到CNN网络中进行训练，以生成效果良好的网络模型；
S5、利用训练好的模型对测试样本进行分类，检测分类效果。
2.根据权利要求1所述的方法，其特征在于：所述步骤S1具体为，根据GDSII版图文件给出的版图中各个多边形顶点坐标，标记出多边形的轮廓；然后取一条水平线，由下往上一行行对版图进行扫描，当扫描线经过多边形轮廓时，会与多边形轮廓相交于两点a1,a2；然后将线段a1-a2之间的像素用1填充，剩余背景部分用0填充。
3.根据权利要求1所述的方法，其特征在于：在所述步骤S3中，利用快速傅里叶变换(FFT)对样本进行特征提取具体包括以下步骤：
S101、将每块电路设计图分为n x n的子块，每一子块表示为Bij，其中i为行数，j为列数，i,j＝0,1,2,…,n-1；
S102、将每一个子块Bij进行FFT处理，经过FFT后，图像的低频信息会分布在图像的四角，所述低频信息能够有效的代表图像；
S103、根据每个子块的FFT处理矩阵Fij，将n x n个子块的特征提取向量整合为特征提取矩阵F。
4.根据权利要求3所述的方法，其特征在于：在所述步骤S102中，将每一个子块Bij进行FFT处理，具体为：
式中，u,v表示像素点的在子块Bij的相对坐标位置，Bij(x,y)表示子块Bij在空间域(u,v)上的0-1像素值，Fij(x,y)表示子块Bij在FFT中频域点(x,y)的频域值。
5.根据权利要求4所述的方法，其特征在于：所述步骤S103具体为：对每个子块的FFT处理矩阵Fij，分别在矩阵4个角，即左下角、左上角、右上角、右下角，按Z字形取k个值，其中k远小于FFT处理后的矩阵数据量；整合作为各子块的特征提取向量特征提取向量的长度为s＝4k；将整个版图n x n个子块的特征提取向量整合在一起，组成s x n x n三维的特征提取矩阵F。
6.根据权利要求1所述的方法，其特征在于：在所述步骤S4中，构建的CNN网络结构由两个卷积层和两个全连接层组成，并且每个卷积层又由两个卷积层：一个ReLU层和一个池化层组成；
在每一层卷积中，会有一组卷积核在向量F上做卷积：
式中，c表示卷积核的数量，n表示向量F的大小，m表示卷积核的大小，所以向量F∈Rc ×n×n，卷积核K∈Rc×m×m。
7.根据权利要求6所述的方法，其特征在于：所述ReLU层具有ReLU函数，其为每一个卷积层上的激活函数，确保网络结构的非线性和稀疏性；
所述池化层作用在每组卷积层上，进行2×2的下采样，减小每层输出层的尺寸。
CN201811217831.9A 2018-10-18 2018-10-18 一种基于fft特征提取的热点检测方法 Pending CN109522905A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811217831.9A CN109522905A (zh) 2018-10-18 2018-10-18 一种基于fft特征提取的热点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811217831.9A CN109522905A (zh) 2018-10-18 2018-10-18 一种基于fft特征提取的热点检测方法

Publications (1)

Publication Number Publication Date
CN109522905A true CN109522905A (zh) 2019-03-26

Family

ID=65770942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811217831.9A Pending CN109522905A (zh) 2018-10-18 2018-10-18 一种基于fft特征提取的热点检测方法

Country Status (1)

Country Link
CN (1) CN109522905A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110309846A (zh) * 2019-04-26 2019-10-08 哈尔滨理工大学 一种基于深度空间域网络的图像识别方法
WO2022082692A1 (zh) * 2020-10-23 2022-04-28 华为技术有限公司 一种光刻热点检测方法、装置、存储介质及设备
CN114492676A (zh) * 2022-04-06 2022-05-13 南京慧尔视智能科技有限公司 一种目标检测模型的构建方法、装置和电子设备
US20220284697A1 (en) * 2021-02-24 2022-09-08 California Institute Of Technology Training data generation with generative modeling
US11610079B2 (en) * 2020-01-31 2023-03-21 Salesforce.Com, Inc. Test suite for different kinds of biases in data

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794372A (zh) * 2009-11-30 2010-08-04 南京大学 基于频域分析的步态特征表示及识别方法
US20130031522A1 (en) * 2011-07-26 2013-01-31 Juan Andres Torres Robles Hotspot detection based on machine learning
US20150213374A1 (en) * 2014-01-24 2015-07-30 International Business Machines Corporation Detecting hotspots using machine learning on diffraction patterns
CN108446486A (zh) * 2018-03-16 2018-08-24 珠海市睿晶聚源科技有限公司 集成电路版图热点检测网络训练及热点检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794372A (zh) * 2009-11-30 2010-08-04 南京大学 基于频域分析的步态特征表示及识别方法
US20130031522A1 (en) * 2011-07-26 2013-01-31 Juan Andres Torres Robles Hotspot detection based on machine learning
US20150213374A1 (en) * 2014-01-24 2015-07-30 International Business Machines Corporation Detecting hotspots using machine learning on diffraction patterns
CN108446486A (zh) * 2018-03-16 2018-08-24 珠海市睿晶聚源科技有限公司 集成电路版图热点检测网络训练及热点检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
贾永红: "《数字图像处理》", 31 July 2015, 武汉大学出版社 *
赵腾伟: "版图图像转换算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
郑佳春等: "《数字信号处理——基于数值计算》", 31 March 2013, 西安电子科技大学出版社 *
陈敏: "《认知计算导论》", 30 April 2017, 华中科技大学出版社 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110309846A (zh) * 2019-04-26 2019-10-08 哈尔滨理工大学 一种基于深度空间域网络的图像识别方法
US11610079B2 (en) * 2020-01-31 2023-03-21 Salesforce.Com, Inc. Test suite for different kinds of biases in data
WO2022082692A1 (zh) * 2020-10-23 2022-04-28 华为技术有限公司 一种光刻热点检测方法、装置、存储介质及设备
US20220284697A1 (en) * 2021-02-24 2022-09-08 California Institute Of Technology Training data generation with generative modeling
CN114492676A (zh) * 2022-04-06 2022-05-13 南京慧尔视智能科技有限公司 一种目标检测模型的构建方法、装置和电子设备

Similar Documents

Publication Publication Date Title
CN109522905A (zh) 一种基于fft特征提取的热点检测方法
CN111179217A (zh) 一种基于注意力机制的遥感图像多尺度目标检测方法
CN111753828B (zh) 一种基于深度卷积神经网络的自然场景水平文字检测方法
CN109816012A (zh) 一种融合上下文信息的多尺度目标检测方法
CN109711413A (zh) 基于深度学习的图像语义分割方法
CN107341517A (zh) 一种基于深度学习层级间特征融合的多尺度小物体检测方法
CN109859190A (zh) 一种基于深度学习的目标区域检测方法
CN110490256A (zh) 一种基于关键点热图的车辆检测方法
CN107424159A (zh) 基于超像素边缘和全卷积网络的图像语义分割方法
CN106778835A (zh) 融合场景信息和深度特征的遥感图像机场目标识别方法
CN109583483A (zh) 一种基于卷积神经网络的目标检测方法和系统
CN112949338A (zh) 深度学习与Hough变换结合的二维条码精确定位方法
CN114519819B (zh) 一种基于全局上下文感知的遥感图像目标检测方法
CN117893481B (zh) 一种基于自监督对比学习的混合型晶圆缺陷识别分割方法
CN110909623B (zh) 三维目标检测方法及三维目标检测器
CN111027538A (zh) 一种基于实例分割模型的集装箱检测方法
CN114332921A (zh) 基于改进聚类算法的Faster R-CNN网络的行人检测方法
KR20230069153A (ko) 웨이퍼 상의 반도체 구조에 대한 결함 검출
CN112329771A (zh) 一种基于深度学习的建筑材料样本识别方法
CN115984226A (zh) 绝缘子缺陷检测方法、设备、介质及程序产品
Li et al. Lightweight automatic identification and location detection model of farmland pests
Nagpal et al. Deep Learning Multiclassification Model: Recognizing Monuments
CN114723757A (zh) 一种基于深度学习算法的高精度晶圆缺陷检测方法及系统
Go et al. GSWIN: gated MLP vision model with hierarchical structure of shifted window
CN117522871A (zh) 基于视觉图像交互的半导体晶圆检测方法及系统

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