CN110852983B - 用于检测半导体装置中的缺陷的方法 - Google Patents
用于检测半导体装置中的缺陷的方法 Download PDFInfo
- Publication number
- CN110852983B CN110852983B CN201910501571.6A CN201910501571A CN110852983B CN 110852983 B CN110852983 B CN 110852983B CN 201910501571 A CN201910501571 A CN 201910501571A CN 110852983 B CN110852983 B CN 110852983B
- Authority
- CN
- China
- Prior art keywords
- data
- bad
- neural network
- convolutional neural
- tag
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 116
- 230000007547 defect Effects 0.000 title claims abstract description 102
- 239000004065 semiconductor Substances 0.000 title claims abstract description 66
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 140
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 39
- 238000012800 visualization Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 19
- 238000001514 detection method Methods 0.000 description 18
- 238000010801 machine learning Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 102100027867 FH2 domain-containing protein 1 Human genes 0.000 description 6
- 101001060553 Homo sapiens FH2 domain-containing protein 1 Proteins 0.000 description 6
- 101001012154 Homo sapiens Inverted formin-2 Proteins 0.000 description 6
- 102100030075 Inverted formin-2 Human genes 0.000 description 6
- 230000002950 deficient Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8803—Visual inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Image Analysis (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
一种用于检测半导体装置中的缺陷的方法包括:使用从第一数据集提取的采样的干净数据集对预训练卷积神经网络(CNN)模型进行预训练;使用第一数据集的第一数据和预训练CNN模型来训练正常CNN模型和标签噪声CNN模型。所述方法还包括:使用第二数据集的第二数据和正常CNN模型输出关于第二数据是好还是坏的第一预测结果;使用第二数据和标签噪声CNN模型输出关于第二数据是好还是坏的第二预测结果。将第一预测结果与第二预测结果进行比较,以在存在标签差异时执行噪声校正。将作为噪声校正的结果创建的第三数据添加到采样的干净数据集。使用添加了第三数据的采样的干净数据集对正常CNN模型和标签噪声CNN模型进行附加地训练。
Description
本申请要求于2018年7月27日提交至韩国知识产权局的第10-2018-0087488号韩国专利申请的优先权,所述韩国专利申请的公开通过整体引用包含于此。
技术领域
本公开涉及一种用于检测半导体装置中的缺陷的方法。
背景技术
正在使用用于检测在制造半导体装置的工艺期间发生的缺陷的技术。特别地,为了检测半导体装置中的缺陷,使用机器学习(诸如,人工神经网络(ANN))的技术正引起关注。
为了应用这样的技术,需要与半导体装置的制造相关联的大量的图像数据,以及标记图像数据以指示图像数据是好还是坏。遗憾的是,在制造缺陷检测处理中手动标记大量的图像数据消耗很多时间和成本。此外,即使在图像数据已经被标记之后,标记的图像数据也可能包括噪声。
因此,需要的是一种能够可靠地确定在包括未标记的图像数据或噪声标记的图像数据的图像数据项上是否存在缺陷的方法,以通过使用机器学习技术自动检测在制造半导体装置的工艺期间发生的缺陷。
发明内容
本公开的多个方面提供了一种用于即使针对未标记的图像数据或不适当标记的图像数据也能够通过使用卷积神经网络(CNN)对半导体装置中的缺陷进行检测的方法。
本公开的多个方面还提供了一种用于即使针对未标记的图像数据或不适当标记的图像数据也能够通过使用卷积神经网络对半导体装置中的缺陷进行检测和分类的方法。
根据本公开的一个方面,一种用于检测半导体装置中的缺陷的方法包括:使用从第一数据集提取的采样的干净数据集对预训练卷积神经网络模型进行预训练;使用第一数据集的第一数据和预训练CNN模型来训练正常CNN模型和标签噪声CNN模型。所述方法还包括:使用第二数据集的第二数据和正常CNN模型来输出关于第二数据是好还是坏的第一预测结果;使用第二数据和标签噪声CNN模型来输出关于第二数据是好还是坏的第二预测结果。将第一预测结果与第二预测结果进行比较,以在存在标签差异时执行噪声校正;将作为噪声校正的结果创建的第三数据添加到采样的干净数据集;使用添加了第三数据的采样的干净数据集对正常CNN模型和标签噪声CNN模型进行附加地训练。
根据本公开的另一个方面,一种用于检测半导体装置中的缺陷的方法包括:使用第一数据集的第一数据和预训练卷积神经网络模型对正常CNN模型和标签噪声CNN模型进行第一训练。所述方法还包括:使用第二数据集的第二数据和正常CNN模型输出关于第二数据是好还是坏的第一预测结果;使用第二数据和标签噪声CNN模型来输出关于第二数据是好还是坏的第二预测结果。将第一预测结果与第二预测结果进行比较,以在存在标签差异时执行噪声校正。针对作为噪声校正的结果创建的第三数据对预训练CNN模型进行附加地训练。使用针对第三数据进行附加地训练的预训练CNN模型,对正常CNN模型和标签噪声CNN模型进行第二训练。使用(基于)第一数据和正常CNN模型输出关于第一数据是好还是坏的第三预测结果。使用(基于)第一数据和标签噪声CNN模型输出关于第一数据是好还是坏的第四预测结果。将第三预测结果与第四预测结果进行比较,以在存在标签差异时附加地执行噪声校正;针对作为附加地执行的噪声校正的结果创建的第四数据对预训练CNN模型进行附加地训练。
根据本公开的另一个方面,一种用于检测半导体装置中的缺陷的方法包括:使用从第一数据集提取的采样的干净数据集对预训练卷积神经网络模型进行预训练;使用第一数据集的第一数据和预训练CNN模型来对正常CNN模型和标签噪声CNN模型进行训练。所述方法还包括:使用第二数据集的第二数据和正常CNN模型来输出关于第二数据是好还是坏的第一预测结果;使用第二数据和标签噪声CNN模型来输出关于第二数据是好还是坏的第二预测结果。将第一预测结果与第二预测结果进行比较,以在不存在标签差异时基于在标签被校正之后创建的干净数据集来对坏数据进行可视化。
当查看具体实施方式和权利要求时,本公开的这些和其他方面、实施方式以及优点对于本领域的普通技术人员将立即变得清楚。
附图说明
通过参照附图详细描述本公开的示例实施例,本公开的上述和其他方面和特征将变得更加明显,其中:
图1是用于示出根据本公开的示例实施例的半导体装置的缺陷检测系统的框图;
图2是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图;
图3是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图;
图4是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图;
图5是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图;
图6是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图;
图7是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图;
图8是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图;
图9是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图。
具体实施方式
在下文中,将参照附图详细描述本公开的示例实施例。
图1是用于示出根据本公开的示例实施例的半导体装置的缺陷检测系统的框图。
参照图1,根据本公开的示例实施例的半导体装置的缺陷检测系统1通过使用机器学习(特别地,深度学习),自动检测在制造半导体装置的工艺期间发生的缺陷。深度学习是一种基于人工神经网络的机器学习。神经网络是通过执行软件的处理器实现的并模仿人脑的机器学习工具。神经网络通过吸收新数据进行“学习”来进行工作。缺陷检测系统1通过经由无监督学习预处理学习数据,来提高变得更深的具有多个层的神经网络的学习质量。无监督学习是机器学习的分支,其中,无监督学习从未分类的测试数据(即,或者例如,未标记的测试数据和/或未分类的测试数据)学习。这种机器学习在本领域中是公知的,因此这里将不进行描述。从一开始就应清楚,针对机器学习提供给缺陷检测系统1的数据是用于检测在制造半导体装置的工艺期间发生的缺陷的图像数据。例如,制造设施可具有成像装置(例如,相机)的网络,其中,成像装置随着半导体装置正被处理系统地捕获半导体装置的图像。因此,在实施例中,缺陷检测系统1可由半导体制造商来实现,并且可被实现为半导体制造工艺或半导体缺陷检测工艺的一部分。在其他实施例中,缺陷检测系统可从半导体制造设施移除,甚至可由与半导体制造商不同的第三方实体来实现。
根据本公开的示例实施例,输入10可包括用于检测在制造半导体装置的工艺期间发生的缺陷的大量的图像数据(例如,制造半导体装置的大量的半导体工艺图像数据)。基于在半导体制造工艺期间和在半导体制造工艺之后的半导体的成像,输入10的图像数据可被获得、检索、接收、存储和另外地输入。输入10可包括指示数据是好还是坏的标记的图像数据(下文中被称为“标记的图像数据”)以及未标记的数据(下文中被称为“未标记的图像数据”)。坏图像数据可以是示出或以其他方式反映经历制造工艺的半导体装置中的缺陷的图像数据。好图像数据可以是不具有经历制造工艺的半导体装置中的缺陷的图像数据。
这里,标记的图像数据可包括被适当地标记并且不需要校正的标记的图像数据以及未被适当地标记并因此需要校正的“噪声标记的图像数据”。
应注意,当图像数据被划分为好图像数据和坏图像数据时,未标记的图像数据可被视为噪声标记的图像数据。
缺陷检测系统1可对包括未标记的图像数据和噪声标记的图像数据的输入10的缺陷进行自动检测并分类。为此,缺陷检测系统1包括预训练模块20、训练模块30、噪声校正模块40、注意力图(attention map)模块50以及聚类(cluster)模块60。
预训练模块20接收输入10并对预训练CNN模型200进行预训练。为此,预训练模块20可从输入10接收采样的干净数据集(clean data set)110。用于检测半导体装置中的缺陷的方法可包括使用从作为输入10接收的第一数据集提取的采样的干净数据集110来对预训练卷积神经网络模型(例如,预训练CNN模型200)进行预训练。
采样的干净数据集110包括从对应于输入10的大量的图像数据采样的一些图像数据。特别地,采样的干净数据集110可被配置为仅包括适当标记的图像数据,以执行与半导体装置的缺陷检测系统1的操作的预处理对应的预训练。
预训练模块20基于被适当标记的标记的图像数据对预训练CNN模型200进行预训练,并将结果提供给训练模块30。
训练模块30接收输入10并训练正常CNN模型300和标签噪声(label-noise)CNN模型310。正常CNN模型300检测训练数据中的噪声标签,而标签噪声CNN模型310预测标签,然后通过参考训练数据中指示的标签并还参考标签噪声CNN模型310自身预测的标签,来自身检测噪声标签。如稍后所解释的那样,标签噪声CNN模型310可使用自举技术(bootstrapping technique)。具体地,训练模块30使用预训练模块20的结果对正常CNN模型300和标签噪声CNN模型310执行学习。
此外,训练模块30接收输入10并使用正常CNN模型300来预测输入10是好还是坏。此外,训练模块30还使用标签噪声CNN模型310来预测输入10是好还是坏。此外,训练模块30将预测结果提供给噪声校正模块40。
噪声校正模块40将从训练模块30接收的预测结果相互比较以确定标签是否将被校正,并且如果必要的话则执行标签校正。当标签被校正时,噪声校正模块40将具有校正的标签的图像数据提供给训练模块30,使得训练模块30可使用具有校正的标签的图像数据再次执行训练。
注意力图模块50提供在视觉上表示CNN已使用图像数据的哪个区域来对标签进行分类的注意力图。也就是说,注意力图允许用户在视觉上识别CNN已经使用图像数据的哪个区域来对标签进行分类。只要注意力图可以是坏数据(bad data)的可视化,用于检测半导体装置中的缺陷的方法就可包括:基于在已经更新采样的干净数据集110之后创建的干净数据集来生成坏数据的可视化。
如果确定图像数据是有缺陷的,则聚类模块60根据从坏数据检测的缺陷的属性,对确定为有缺陷的图像数据(或“坏数据”)执行聚类。这里,例如,“缺陷的属性”可表示诸如坏数据中的缺陷的类型、形状、位置和大小的属性,但是本公开的范围不限于此。
缺陷检测系统1的优点在于:它可自动创建并校正未标记的图像数据和噪声标记的图像数据的标签,使得在没有手动地添加或校正标签的情况下,在制造半导体装置的工艺期间的缺陷可被检测到并被分类。检测到的缺陷可用于丢弃或修复有缺陷的半导体装置,并且还用于识别对半导体制造工艺的需要的修改。
图1中示出的缺陷检测系统可以是包括各自包括一个或多个处理器的一个或多个计算装置的计算机系统。计算机系统的处理器是有形且非暂时性的。如在此使用的,术语“非暂时性的”不应被解释为状态的永恒特性,而被解释为将持续一段时间的状态的特性。术语“非暂时性的”明确否定了短暂的特性(诸如,载波或载波信号、或在任何时间任何地方仅暂时存在的其他形式的特性)。处理器是制品(article of manufacture)和/或机器组件。实现图1中的缺陷检测系统的计算机系统的处理器被配置为执行用于执行在此的各种实施例中描述的功能的软件指令。计算机系统的处理器可以是通用处理器,或者可以是专用集成电路(ASIC)的部分。计算机系统的处理器还可以是微处理器、微计算机、处理器芯片、控制器、微控制器、数字信号处理器(DSP)、状态机或可编程逻辑装置。计算机系统的处理器还可以是包括可编程门阵列(PGA)(诸如,现场可编程门阵列(FPGA))的逻辑电路,或者是包括离散门和/或晶体管逻辑的其他类型的电路。处理器可以是中央处理器(CPU)、图形处理单元(GPU)或二者。此外,在此描述的任何处理器可包括多个处理器、并行处理器或二者。多个处理器可包括在或者结合到单个装置或多个装置。此外,计算机系统还可包括用于存储由处理器执行的软件指令的存储器。
实现图1中的缺陷检测系统的计算机系统可实现在此描述的方法的全部或部分。例如,诸如在此描述的预训练、训练、输出、比较、添加、确定、校正、可视化等的功能可通过执行软件指令的计算机系统经由上述一个或多个处理器来实现。在一个示例中,用于控制处理器执行相应的功能的指令或软件以及任何相关联的数据、数据文件和数据结构被记录、存储或固定在一个或多个非暂时性计算机可读存储介质中,或者被记录、存储或固定在一个或多个非暂时性计算机可读存储记录介质上。
在下文中,基于缺陷检测系统1的描述,来解释根据本公开的各种示例实施例的用于检测半导体装置中的缺陷的方法。
图2是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图。
参照图2,所述方法包括使用从第一数据集100提取的采样的干净数据集110来对预训练CNN模型200进行预训练。
具体地,图1的输入10可包括用于检测在制造半导体装置的工艺期间的缺陷的大量的半导体工艺图像数据。大量的工艺图像数据被划分为第一数据集100和第二数据集102。第一数据集100和第二数据集102中的每个数据集可包括标记的图像数据、噪声标记的图像数据和未标记的图像数据。
根据本公开的示例实施例,采样的干净数据集110表示仅包括用于检测半导体装置中的缺陷而适当标记的图像数据的数据集(即,包括标记的图像数据、噪声标记的图像数据和未标记的图像数据的第一数据集100之中的干净数据C_DATA)。
使用从采样的干净数据集110提供的干净数据C_DATA来执行预训练CNN模型200的预训练。
随后,根据图2的示例实施例的方法包括:使用第一数据集100的第一数据DATA1和从预训练CNN模型200提供的预训练CNN PT_CNN,来训练正常CNN模型300和标签噪声CNN模型310。
图3是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图。
参照图3,根据本公开的示例实施例的方法包括:使用第二数据集102的第二数据DATA2和正常CNN模型300来预测第二数据DATA2是好还是坏。结果,第一预测结果INF1被输出。
第二数据集102包括标记的图像数据、噪声标记的图像数据和未标记的图像数据。对数据是好还是坏进行预测表示基于以上参照图2描述的训练来推断第二数据DATA2是好还是坏。
根据图3的示例实施例的方法包括:使用第二数据集102的第二数据DATA2和标签噪声CNN模型310来预测第二数据DATA2是好还是坏。结果,第二预测结果INF2被输出。
应注意,标签噪声CNN模型310与正常CNN模型300之间的差异在于标签噪声CNN模型310自身可以检测噪声标签。
为了自身检测噪声标签,标签噪声CNN模型310不仅可参考训练数据中指示的标签,还可参考标签噪声CNN模型310自身预测的标签。例如,自举技术可被使用。
自举技术使用自举损失函数作为损失函数,以通过参考训练数据的标签以及模型自身预测的标签来计算损失函数的目标值。示出可通过应用这种自举技术来检测噪声标签的示例例如在Reed等人的《Training Deep Neural Networks on Noisy Labels withBootstrapping》(ICLR2015)中被公开。
根据图3的示例实施例,标签噪声CNN模型310可以是,但不限于,采用自举技术使用自举损失函数作为损失函数的模型。也就是说,标签噪声CNN模型310可包括利用能够自身检测噪声标签的任何算法实现的模型。
随后,根据图3的示例实施例的方法包括:如果通过将第一预测结果INF1与第二预测结果INF2进行比较,存在标签差异,则执行噪声校正400。
具体地,如果由正常CNN模型300针对图像数据预测或推断的标签不同于由标签噪声CNN模型310针对相同的图像数据预测或推断的标签,则存在标签差异。例如,针对被正常CNN模型300确定为好的并因此被分配了指示好图像数据的标签的给定的图像数据,标签噪声CNN模型310可确定该图像数据是坏的并且因此可分配指示坏图像数据的标签。
当发生这种情况时,有必要适当地标记图像数据。因此,对图像数据执行噪声校正400。稍后将参照图4详细描述噪声校正400的示例。
随后,根据图4的方法包括:将作为噪声校正的结果而创建的第三数据DATA3添加到采样的干净数据集110。具体地,第三数据DATA3对应于被确定为具有噪声标签但是标签已被校正为适当的标签的图像数据。通过执行参照图3描述的过程,采样的干净数据集110可被反复更新。
图4是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图。
参照图4,参照图3描述的噪声校正的示例被示出。
首先,将根据正常CNN模型300的第一预测结果INF1与根据标签噪声CNN模型310的第二预测结果INF2进行比较(步骤S410),并且确定第一预测结果INF1与第二预测结果INF2之间是否存在差异(步骤S420)。
如果第一预测结果INF1与第二预测结果INF2之间不存在差异,则处理进行到将参考图8进行描述的步骤S500。
可选地,如果第一预测结果INF1与第二预测结果INF2之间存在差异,则创建针对具有差异(即,标签差异)的数据的注意力图(步骤S430)。随后,使用创建的注意力图确定第二数据DATA2是否存在缺陷(步骤S440)。
如上所述,注意力图允许用户在视觉上识别CNN已使用图像数据的哪个区域来对标签进行分类。具体地,注意力图具有针对图像数据上的每个像素具有特定值的二维离散分布的特性。这样的值向着预测为有缺陷的位置变大。因此,可以通过注意力图来快速地检查图像数据上是否存在缺陷以及图像数据的位置和形状。注意力图的示例是Zhou等人在《Learning Deep Features for Discriminative Localization》(CVPR 2016)中引入的类激活图(lass activation map)技术。
根据示例实施例(诸如,图4的实施例),可通过使用类激活图技术来创建注意力图(步骤S430),但是本公开不限于此。也就是说,创建注意力图(步骤S430)可包括利用允许用户查看CNN已经使用图像数据的哪个区域来对标签进行分类的任何算法实现的方法。
此后,根据是否存在缺陷来校正第二数据DATA2的标签,并且输出新标记的图像数据作为第三数据DATA3(步骤S450)。输出的第三数据DATA3可被添加到如上面参照图3描述的采样的干净数据集110,使得采样的干净数据集110可被更新。
图5是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图。
参照图5,所述方法包括:使用通过将第三数据DATA3添加到干净数据集110更新的采样的干净数据集110,来对预训练CNN模型200进行附加的预训练。
根据图5的示例实施例,采样的干净数据集110表示这样的数据集,该数据集仅包括用于检测半导体装置中的缺陷而适当标记的图像数据以及添加了通过图3和图4中示出的处理接收的第三数据DATA3的更新的干净数据U_C_DATA。使用从采样的干净数据集110提供的更新的干净数据U_C_DATA来执行对预训练CNN模型200进行预训练。
随后,根据图5的示例实施例的方法包括:使用从利用更新的干净数据U_C_DATA进行附加地预训练的预训练CNN模型200提供的更新的预训练CNN U_PT_CNN对正常CNN模型300和标签噪声CNN模型310进行附加的训练。换言之,根据图5的实施例的方法包括:使用针对第三数据DATA3进行附加的训练的预训练CNN模型,来对正常CNN模型300和标签噪声CNN模型310进行第二训练。使用从第一数据集提取的采样的干净数据集,在预训练中对预训练CNN模型进行预训练。
图6是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图。
参照图6,根据本公开的示例实施例的方法包括:使用第一数据集100的第一数据DATA1和正常CNN模型300来预测第一数据DATA1是好还是坏。结果,第三预测结果INF3被输出。
根据图6的示例实施例的方法包括:使用第一数据集100的第一数据DATA1和标签噪声CNN模型310来预测第一数据DATA1是好还是坏。结果,第四预测结果INF4被输出。
如上所述,根据图6的示例实施例,标签噪声CNN模型310可以是,但不限于,采用自举技术使用自举损失函数作为损失函数的模型。也就是说,标签噪声CNN模型310可包括利用能够自身检测噪声标签的任何算法实现的模型。
随后,根据图6的示例实施例的方法包括:如果通过将第三预测结果INF3与第四预测结果INF4进行比较,确定存在标签差异,则附加地执行噪声校正400。
随后,根据图6的示例实施例的方法包括:将作为噪声校正的结果而创建的第四数据DATA4添加到采样的干净数据集110。也就是说,第四数据DATA4对应于被确定为具有噪声标签但是标签已被校正为适当的标签的图像数据。通过执行图3中描述的过程,采样的干净数据集110可被反复更新。
图7是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图。
参照图7,参照图6描述的噪声校正的示例被示出。
首先,将根据正常CNN模型300的第三预测结果INF3与根据标签噪声CNN模型310的第四预测结果INF4进行比较(步骤S412),并且确定第三预测结果INF3与第四预测结果INF4之间是否存在差异(步骤S422)。
如果第三预测结果INF3与第四预测结果INF4之间不存在差异,则处理进行到将参考图8进行描述的步骤S500。
可选地,如果第三预测结果INF3与第四预测结果INF4之间存在差异,则创建针对具有差异(即,标签差异)的数据的注意力图(步骤S432)。随后,使用创建的注意力图确定第一数据DATA1是否存在缺陷(步骤S442)。
如上所述,根据本公开的示例实施例(诸如,图7的实施例),可通过使用类激活图技术来创建注意力图(步骤S432),但是本公开不限于此。也就是说,创建注意力图(步骤S432)可包括利用允许用户查看CNN已经使用图像数据的哪个区域来对标签进行分类的任何算法实现的方法。
此后,根据是否存在缺陷来校正第一数据DATA1的标签,并且输出新标记的图像数据作为第四数据DATA4(步骤S452)。输出的第四数据DATA4可被添加到如上面参照图6描述的采样的干净数据集110,使得采样的干净数据集110可被更新。
图8是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图。图9是用于示出根据本公开的示例实施例的用于检测半导体装置中的缺陷的方法的示图。
参照图8和图9,根据本公开的示例实施例的方法可包括:如果不存在标签差异,则可基于更新的采样的干净数据集110的干净数据集112使坏数据可视化,其中,干净数据集112指示完成更新的采样的干净数据集110。
具体地,针对干净数据集112的所有干净数据W_C_DATA创建注意力图(步骤S500)。然后,可以在视觉上从创建的注意力图检查所有干净数据W_C_DATA的缺陷。也就是说,由于注意力图,可以使坏数据可视化。因此,用于检测半导体装置中的缺陷的方法可包括:基于在采样的干净数据集已经被更新之后创建的干净数据集来生成坏数据的可视化。
如上所述,根据图8和图9的示例实施例,可通过使用类激活图技术来创建注意力图,以获得可视化结果(VISUALIZED_RESULT)(步骤S500),但是本公开不限于此。也就是说,创建注意力图(步骤S500)可包括利用允许用户查看CNN已经使用图像数据的哪个区域来对标签进行分类的任何算法实现的方法。
此外,根据图8和9的示例实施例的方法可包括:根据从坏数据检测的缺陷的属性(即,坏数据中的缺陷的类型、形状、位置和大小等)对坏数据执行聚类。为此,例如,所述方法可执行图像处理,诸如,在注意力图中裁剪期望的区域。
在本公开的一些示例实施例中,对坏数据执行聚类可包括:使用卷积神经网络自动编码器(CNN自动编码器)对坏数据执行聚类(例如,k均值聚类)(步骤S600)。
CNN自动编码器将高维度的特征空间上的数据映射到低维度的隐空间(latentspace)以提取隐变量,然后将映射(或解码)的结果映射回高维度的特征空间,使得该结果变得与编码之前的数据相同。因此,可使用隐变量来执行聚类(例如,k均值聚类)。
此外,根据图8和9的示例实施例的方法可包括:基于聚类的结果(CLUSTERED_RESULT)来创建用于通过缺陷的属性对坏数据进行自动分类的缺陷分类模型(步骤S700)。
根据上述半导体装置的缺陷检测系统和用于检测半导体装置中的缺陷的方法,可通过将来自能够自身检测噪声标签的CNN模型的预测结果与来自正常CNN模型的预测结果进行比较来更新干净数据,并且针对未标记的图像数据和噪声标记的图像数据自动创建并校正标签。因此,有利于在没有手动添加或校正标签的情况下对在制造半导体装置的工艺期间发生的缺陷进行检测并分类。
此外,可通过使用注意力图来可视化缺陷的类型、形状、位置和大小等。此外,可根据从坏数据检测的缺陷的属性(即,类型、形状、位置和大小等)自动地对坏数据执行聚类。
此外,基于聚类的结果,根据缺陷的属性自动地对坏数据进行分类的缺陷分类模型可被创建。因此,专门对在制造半导体装置的工艺期间可能发生的缺陷进行分类的自动化可被实现。
总结具体实施方式,本领域的技术人员将理解,在实质上不脱离本公开的原理的情况下,可对优选的实施例进行许多改变和修改。因此,公开的本公开的优选的实施例仅被一般性和描述性地使用,而不是为了限制的目的。
Claims (22)
1.一种用于检测半导体装置中的缺陷的方法,所述方法包括:
使用从第一数据集提取的采样的干净数据集对预训练卷积神经网络模型进行预训练;
使用第一数据集的第一数据和预训练卷积神经网络模型来训练正常卷积神经网络模型和标签噪声卷积神经网络模型;
使用第二数据集的第二数据和正常卷积神经网络模型来输出关于第二数据是好还是坏的第一预测结果;
使用第二数据和标签噪声卷积神经网络模型来输出关于第二数据是好还是坏的第二预测结果;
将第一预测结果与第二预测结果进行比较,以在存在标签差异时执行噪声校正;
将作为噪声校正的结果创建的第三数据添加到采样的干净数据集,以更新采样的干净数据集;以及
使用更新的采样的干净数据集对正常卷积神经网络模型和标签噪声卷积神经网络模型进行附加地训练。
2.根据权利要求1所述的方法,其中,在存在标签差异时执行噪声校正的步骤包括:
使用针对标签差异而创建的注意力图来确定第二数据中是否存在缺陷,以及
当确定第二数据中存在缺陷时,校正第二数据的标签。
3.根据权利要求1所述的方法,其中,标签噪声卷积神经网络模型使用自举损失函数作为损失函数。
4.根据权利要求1所述的方法,还包括:
在使用更新的采样的干净数据集对正常卷积神经网络模型和标签噪声卷积神经网络模型进行附加地训练之后,使用第一数据和正常卷积神经网络模型输出关于第一数据是好还是坏的第三预测结果;以及
使用第一数据和标签噪声卷积神经网络模型输出关于第一数据是好还是坏的第四预测结果。
5.根据权利要求4所述的方法,还包括:
将第三预测结果与第四预测结果进行比较,以在存在标签差异时附加地执行噪声校正;以及
将作为附加地执行噪声校正的结果创建的第四数据添加到采样的干净数据集,以更新采样的干净数据集,并再次执行所述附加地训练。
6.根据权利要求1所述的方法,还包括:
当不存在标签差异时,基于在采样的干净数据集被更新之后创建的干净数据集来生成坏数据的可视化;
其中,坏数据的可视化基于:根据从坏数据检测的缺陷的属性对坏数据执行聚类,
其中,坏数据的可视化还基于:基于聚类的结果来创建通过缺陷的属性对坏数据进行分类的缺陷分类模型。
7.根据权利要求1所述的方法,还包括:
当不存在标签差异时,基于在采样的干净数据集被更新之后创建的干净数据集来生成坏数据的可视化;
其中,坏数据的可视化基于:根据从坏数据检测的缺陷的属性对坏数据执行聚类,
其中,对坏数据执行聚类的步骤包括:使用卷积神经网络自动编码器对坏数据执行聚类。
8.一种用于检测半导体装置中的缺陷的方法,所述方法包括:
使用第一数据集的第一数据和预训练卷积神经网络模型对正常卷积神经网络模型和标签噪声卷积神经网络模型进行第一训练;
使用第二数据集的第二数据和正常卷积神经网络模型输出关于第二数据是好还是坏的第一预测结果;
使用第二数据和标签噪声卷积神经网络模型来输出关于第二数据是好还是坏的第二预测结果;
将第一预测结果与第二预测结果进行比较,以在存在标签差异时执行噪声校正;
针对作为噪声校正的结果创建的第三数据对预训练卷积神经网络模型进行附加地训练;
使用针对第三数据进行附加地训练的预训练卷积神经网络模型,来对正常卷积神经网络模型和标签噪声卷积神经网络模型进行第二训练;
使用第一数据和正常卷积神经网络模型输出关于第一数据是好还是坏的第三预测结果;
使用第一数据和标签噪声卷积神经网络模型输出关于第一数据是好还是坏的第四预测结果;
将第三预测结果与第四预测结果进行比较,以在存在标签差异时附加地执行噪声校正;以及
针对作为附加地执行的噪声校正的结果创建的第四数据,对预训练卷积神经网络模型进行附加地训练。
9.根据权利要求8所述的方法,其中,在存在标签差异时执行的噪声校正的步骤包括:
使用针对第一预测结果和第二预测结果的标签差异而创建的注意力图来确定第二数据中是否存在缺陷,以及
当确定存在缺陷时,校正第二数据的标签,
其中,附加地执行噪声校正的步骤包括:
使用针对第三预测结果和第四预测结果的标签差异而创建的注意力图来确定第一数据中是否存在缺陷,
当确定存在缺陷时,校正第一数据的标签。
10.根据权利要求8所述的方法,还包括:当不存在标签差异时,基于在采样的干净数据集被更新之后创建的干净数据集来生成坏数据的可视化,
其中,坏数据的可视化基于:根据从坏数据检测的缺陷的属性对坏数据执行聚类,
其中,坏数据的可视化还基于:基于聚类的结果来创建通过缺陷的属性对坏数据进行分类的缺陷分类模型。
11.根据权利要求8所述的方法,还包括:当不存在标签差异时,基于在采样的干净数据集被更新之后创建的干净数据集来生成坏数据的可视化;
其中,坏数据的可视化基于:根据从坏数据检测的缺陷的属性对坏数据执行聚类,
其中,对坏数据执行聚类的步骤包括:使用卷积神经网络自动编码器对坏数据执行聚类。
12.一种用于检测半导体装置中的缺陷的方法,所述方法包括:
使用从第一数据集提取的采样的干净数据集对预训练卷积神经网络模型进行预训练;
使用第一数据集的第一数据和预训练卷积神经网络模型来对正常卷积神经网络模型和标签噪声卷积神经网络模型进行训练;
使用第二数据集的第二数据和正常卷积神经网络模型来输出关于第二数据是好还是坏的第一预测结果;
使用第二数据和标签噪声卷积神经网络模型来输出关于第二数据是好还是坏的第二预测结果;以及
将第一预测结果与第二预测结果进行比较,以在不存在标签差异时基于在标签被校正之后创建的干净数据集来生成坏数据的可视化。
13.根据权利要求12所述的方法,其中,坏数据的可视化使用针对干净数据集创建的注意力图来使坏数据可视化。
14.根据权利要求12所述的方法,其中,基于干净数据集的坏数据的可视化基于:根据从坏数据检测的缺陷的属性对坏数据执行聚类。
15.根据权利要求14所述的方法,其中,基于干净数据集的坏数据的可视化还基于:基于聚类的结果创建通过缺陷的属性对坏数据进行分类的缺陷分类模型。
16.根据权利要求14所述的方法,其中,对坏数据执行聚类的步骤包括:使用卷积神经网络自动编码器对坏数据执行聚类。
17.根据权利要求12所述的方法,还包括:
将第一预测结果与第二预测结果进行比较;
当存在标签差异时针对第二数据执行噪声校正;
将作为噪声校正的结果创建的第三数据添加到采样的干净数据集;以及
使用采样的干净数据集对正常卷积神经网络模型和标签噪声卷积神经网络模型进行附加地训练。
18.根据权利要求17所述的方法,其中,执行噪声校正的步骤包括:
使用针对标签差异而创建的注意力图来确定第二数据中是否存在缺陷,以及
当确定存在缺陷时,校正第二数据的标签。
19.根据权利要求17所述的方法,在使用采样的干净数据集对正常卷积神经网络模型和标签噪声卷积神经网络模型进行附加地训练之后,还包括:
使用第一数据和正常卷积神经网络模型输出关于第一数据是好还是坏的第三预测结果;以及
使用第一数据和标签噪声卷积神经网络模型输出关于第一数据是好还是坏的第四预测结果。
20.根据权利要求19所述的方法,还包括:
将第三预测结果与第四预测结果进行比较,以在存在标签差异时附加地执行噪声校正;以及
将作为附加地执行噪声校正的结果创建的第四数据添加到采样的干净数据集。
21.一种存储指令的非暂时性计算机可读记录介质,当所述指令被处理器执行时,使得处理器执行权利要求1、8或12所述的方法。
22.一种计算系统,包括:
处理器;以及
存储器,存储有当被处理器执行时使得处理器执行权利要求1、8或12所述的方法的软件指令。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2018-0087488 | 2018-07-27 | ||
KR1020180087488A KR102631031B1 (ko) | 2018-07-27 | 2018-07-27 | 반도체 장치의 불량 검출 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852983A CN110852983A (zh) | 2020-02-28 |
CN110852983B true CN110852983B (zh) | 2024-03-08 |
Family
ID=69178513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910501571.6A Active CN110852983B (zh) | 2018-07-27 | 2019-06-11 | 用于检测半导体装置中的缺陷的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11507801B2 (zh) |
KR (1) | KR102631031B1 (zh) |
CN (1) | CN110852983B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259184B (zh) * | 2020-02-27 | 2022-03-08 | 厦门大学 | 一种面向新零售的图像自动标注系统及方法 |
CN111462051B (zh) * | 2020-03-14 | 2022-09-27 | 华中科技大学 | 一种基于深度神经网络的布匹疵点检测方法和系统 |
WO2021209867A1 (ja) * | 2020-04-17 | 2021-10-21 | 株式会社半導体エネルギー研究所 | 分類装置、画像分類方法、およびパターン検査装置 |
CN111524120B (zh) * | 2020-04-22 | 2023-04-25 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的印刷品细小划痕、套印偏差检测方法 |
TWI777173B (zh) * | 2020-06-01 | 2022-09-11 | 汎銓科技股份有限公司 | 人工智慧辨識之半導體影像量測方法 |
CN111966823B (zh) * | 2020-07-02 | 2022-04-22 | 华南理工大学 | 一种面向标签噪声的图节点分类方法 |
KR102229381B1 (ko) * | 2020-10-26 | 2021-03-18 | 주식회사 웨이센 | Ai 예측 모델을 이용한 예측 결과의 학습 데이터 추가 방법 |
KR102249623B1 (ko) * | 2020-11-04 | 2021-05-10 | 주식회사 웨이센 | Ai 예측 모델을 이용한 2개의 예측 결과의 시각화 방법 |
KR102249635B1 (ko) * | 2020-11-06 | 2021-05-10 | 주식회사 웨이센 | Ai 예측 모델을 이용한 2개의 예측 결과의 학습 데이터 추가 방법 |
CN112581401B (zh) * | 2020-12-25 | 2023-04-28 | 英特灵达信息技术(深圳)有限公司 | 一种raw图片的获取方法、装置及电子设备 |
CN114819242A (zh) * | 2021-01-28 | 2022-07-29 | 联华电子股份有限公司 | 考虑整体特征与局部特征的半导体工艺预测方法与装置 |
CN113283578A (zh) * | 2021-04-14 | 2021-08-20 | 南京大学 | 一种基于标记风险控制的数据去噪方法 |
US20220359029A1 (en) * | 2021-05-06 | 2022-11-10 | Micron Technology, Inc. | Memory Failure Prediction |
CN113112019A (zh) * | 2021-05-14 | 2021-07-13 | 电子科技大学成都学院 | 基于改进抗噪鲁棒性学习算法的数据标签降噪系统 |
CN113255849B (zh) * | 2021-07-14 | 2021-10-01 | 南京航空航天大学 | 一种基于双重主动查询的标签带噪图像学习方法 |
CN113743447B (zh) * | 2021-07-15 | 2024-05-17 | 上海朋熙半导体有限公司 | 半导体瑕疵识别方法、装置、计算机设备和存储介质 |
CN115146761A (zh) * | 2022-05-26 | 2022-10-04 | 腾讯科技(深圳)有限公司 | 一种缺陷检测模型的训练方法和相关装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463953A (zh) * | 2017-07-21 | 2017-12-12 | 上海交通大学 | 在标签含噪情况下基于质量嵌入的图像分类方法及系统 |
CN107563406A (zh) * | 2017-07-21 | 2018-01-09 | 浙江工业大学 | 一种自主学习的图像精细分类方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8195588B2 (en) * | 2008-04-03 | 2012-06-05 | At&T Intellectual Property I, L.P. | System and method for training a critical e-mail classifier using a plurality of base classifiers and N-grams |
JP5608575B2 (ja) * | 2011-01-19 | 2014-10-15 | 株式会社日立ハイテクノロジーズ | 画像分類方法および画像分類装置 |
CN104346622A (zh) | 2013-07-31 | 2015-02-11 | 富士通株式会社 | 卷积神经网络分类器及其分类方法和训练方法 |
US10650508B2 (en) | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
CN106296638A (zh) | 2015-06-04 | 2017-01-04 | 欧姆龙株式会社 | 显著性信息取得装置以及显著性信息取得方法 |
US9633282B2 (en) | 2015-07-30 | 2017-04-25 | Xerox Corporation | Cross-trained convolutional neural networks using multimodal images |
US10332028B2 (en) | 2015-08-25 | 2019-06-25 | Qualcomm Incorporated | Method for improving performance of a trained machine learning model |
GB201517462D0 (en) * | 2015-10-02 | 2015-11-18 | Tractable Ltd | Semi-automatic labelling of datasets |
JP2018005520A (ja) | 2016-06-30 | 2018-01-11 | クラリオン株式会社 | 物体検出装置及び物体検出方法 |
US10223615B2 (en) | 2016-08-23 | 2019-03-05 | Dongfang Jingyuan Electron Limited | Learning based defect classification |
JP6581068B2 (ja) * | 2016-11-11 | 2019-09-25 | 株式会社東芝 | 画像処理装置、画像処理方法、プログラム、運転制御システム、および、車両 |
US10303979B2 (en) * | 2016-11-16 | 2019-05-28 | Phenomic Ai Inc. | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
CN107481231A (zh) | 2017-08-17 | 2017-12-15 | 广东工业大学 | 一种基于深度卷积神经网络的五金件缺陷分类识别方法 |
US20220004935A1 (en) * | 2021-09-22 | 2022-01-06 | Intel Corporation | Ensemble learning for deep feature defect detection |
-
2018
- 2018-07-27 KR KR1020180087488A patent/KR102631031B1/ko active IP Right Grant
-
2019
- 2019-06-11 CN CN201910501571.6A patent/CN110852983B/zh active Active
- 2019-07-08 US US16/505,155 patent/US11507801B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463953A (zh) * | 2017-07-21 | 2017-12-12 | 上海交通大学 | 在标签含噪情况下基于质量嵌入的图像分类方法及系统 |
CN107563406A (zh) * | 2017-07-21 | 2018-01-09 | 浙江工业大学 | 一种自主学习的图像精细分类方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200034693A1 (en) | 2020-01-30 |
KR20200012334A (ko) | 2020-02-05 |
KR102631031B1 (ko) | 2024-01-29 |
CN110852983A (zh) | 2020-02-28 |
US11507801B2 (en) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852983B (zh) | 用于检测半导体装置中的缺陷的方法 | |
US11604964B2 (en) | Recognizer, object recognition method, learning apparatus, and learning method for domain adaptation | |
CN111488789B (zh) | 用于基于图像分析的监视的行人检测方法及装置 | |
JP6941123B2 (ja) | 適応型追加学習を用いた細胞のアノテーション法及びアノテーションシステム | |
US20210034980A1 (en) | Real-time visualization of machine learning models | |
CN108805170B (zh) | 形成用于全监督式学习的数据集 | |
US10013757B2 (en) | Classification apparatus for pathologic diagnosis of medical image, and pathologic diagnosis system using the same | |
EP3800588A1 (en) | System and method using knowledge distillation for training a machine learning classifier | |
TWI748122B (zh) | 用於對多個項進行分類的系統、方法和電腦程式產品 | |
JP2015087903A (ja) | 情報処理装置及び情報処理方法 | |
US11748975B2 (en) | Method and device for optimizing object-class model based on neural network | |
AU2020102667A4 (en) | Adversarial training for large scale healthcare data using machine learning system | |
JP7106391B2 (ja) | 画像判定方法、画像判定装置および画像判定プログラム | |
CN110287936B (zh) | 图像检测方法、装置、设备及存储介质 | |
US20210103771A1 (en) | Method and system for producing digital image features | |
CN104317894A (zh) | 样本标注的确定方法和装置 | |
KR102360769B1 (ko) | 시편의 검사를 위한 알고리즘 모듈들의 자동 선택 | |
CN110909868A (zh) | 基于图神经网络模型的节点表示方法和装置 | |
JP7422548B2 (ja) | ラベルノイズ検出プログラム、ラベルノイズ検出方法及びラベルノイズ検出装置 | |
US20200125360A1 (en) | Systems and methods for identifying source code from binaries using machine learning | |
CN113011454A (zh) | 使用有噪声的标记和域适配来进行鲁棒的主动学习方法的系统和方法 | |
KR20190081708A (ko) | 뉴럴 네트워크 모델 기반의 웨이퍼 불량 패턴 인식 방법 및 이를 위한 컴퓨터 프로그램 | |
JP6988995B2 (ja) | 画像生成装置、画像生成方法および画像生成プログラム | |
CN113095351A (zh) | 借助于初始标记的改善生成经标记的数据的方法 | |
US20230297886A1 (en) | Cluster targeting for use in machine learning |
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 |