CN110874839A - 晶圆图形提取方法及其提取系统 - Google Patents

晶圆图形提取方法及其提取系统 Download PDF

Info

Publication number
CN110874839A
CN110874839A CN201911133023.9A CN201911133023A CN110874839A CN 110874839 A CN110874839 A CN 110874839A CN 201911133023 A CN201911133023 A CN 201911133023A CN 110874839 A CN110874839 A CN 110874839A
Authority
CN
China
Prior art keywords
classifier
wafer
pattern
image
judgment
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
CN201911133023.9A
Other languages
English (en)
Inventor
庄均珺
陈旭
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.)
Shanghai Huali Microelectronics Corp
Original Assignee
Shanghai Huali Microelectronics Corp
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 Shanghai Huali Microelectronics Corp filed Critical Shanghai Huali Microelectronics Corp
Priority to CN201911133023.9A priority Critical patent/CN110874839A/zh
Publication of CN110874839A publication Critical patent/CN110874839A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于神经网络组合单一图形分类器将晶圆图像训练分类的晶圆图形提取方法，包括：将晶圆图形调整为预设尺寸，并提取图像初级纹理特征；利用神经网络对图像纹理特征进行高阶特征提取,训练后形成不同晶圆图形的单一图形分类器；按单一图形分类器组合规则将单一图形分类器组合形成判断分类器；将晶圆图像输入到判断分类器，判断分类器根据判断规则输出该晶圆图像存在哪几类图形。本发明还公开了一种基于神经网络单一图形分类器将晶圆图像训练分类的晶圆图形提取系统。本发明利用神经网络训练单一图形分类器，组合形成判断分类器，相对于人工晶圆图形识别分类效率更高，准确率更高，能减轻工程师的负担。

Description

晶圆图形提取方法及其提取系统
技术领域
本发明涉及半导体生产领域，特别是涉及一种晶圆图形提取方法。本发明还涉及一种晶圆图形提取系统。
背景技术
晶圆在制造过程中由于不同的原因会产生不同的缺陷图形(defect map)、芯片测试值分布图形(cp bin map,sp map)，对晶圆存在的空间分布图形(wafer spatialpattern)进行分类分析，可以对线上的程式(recipe)、工艺(process)和工具(tool)异常进行追溯排查，提高最终的产品良率。但是目前的晶圆存在的空间分布图形(wafer spatialpattern)的识别分类是靠工程师的人工判断，人工判断效率低，工程师负担重。
发明内容
在发明内容部分中引入了一系列简化形式的概念,该简化形式的概念均为本领域现有技术简化，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
本发明要解决的技术问题是提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆图形提取方法。
本发明要解决的另一技术问题是提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆图形提取系统。
为解决上述技术问题，本发明提供用于将存在空间分布的晶圆图像(waferspatial map)基于神经网络组合单一图形类型(single pattern type)分类器训练分类的晶圆图形提取方法，包括以下步骤：
S1，将晶圆图形调整为预设尺寸，并提取图像纹理特征；
S2，利用神经网络对图像纹理特征进行高阶特征提取,，训练后形成不同晶圆图形的单一图形分类器；单一图形分类器是晶圆单一图形(比如缺陷为划痕)的分类器；
S3，按单一图形分类器组合规则将S2中的单一图形分类器组合形成判断分类器；
S4，将晶圆图像输入到判断分类器，判断分类器根据判断规则输出该晶圆图像存在哪几类图形。
可选择的，进一步改进所述晶圆图形提取方法，步骤S1中，所述预设尺寸为M*M像素，M＞1。
可选择的，进一步改进所述晶圆图形提取方法，实施步骤S1时,采用局部二值模式提取图像纹理特征。
局部二值模式(LBP，Local Binary Pattern)是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T.Ojala,M.
Figure BDA0002278844010000021
和D.Harwood在1994年提出，用于纹理特征提取，提取的特征是图像的局部的纹理特征；
原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码，共256种)，即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。
可选择的，进一步改进所述晶圆图形提取方法，实施步骤S1时,局部二值模式采用3*3像素邻域，邻域中包含8个像素值。
可选择的，进一步改进所述晶圆图形提取方法，实施步骤S2时,采用深度置信网络保留图像纹理特征的特点，同时降低图像纹理特征的维度，形成不同晶圆图形的单一图形分类器。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。Deep learning本身算是machine learning的一个分支，简单可以理解为neural network的发展。Deep learning与传统的神经网络之间有相同的地方也有很多不同。二者的相同在于deep learning采用了神经网络相似的分层结构，系统由包括输入层、隐层(多层)、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，每一层可以看作是一个logistic regression模型；这种分层结构，是比较接近人类大脑的结构的。
深度置信网络(DBN，Deep Belief Nets)是一种生成模型，也是神经网络的一种，通过训练其神经元间的权重，可以让整个神经网络按照最大概率来生成训练数据。不仅可以使用DBN来识别特征、分类数据，还可以用它来生成数据。从非监督学习来讲，其目的是尽可能地保留原始特征的特点，同时降低特征的维度。从监督学习来讲，其目的在于使得分类错误率尽可能地小。而不论是监督学习还是非监督学习，DBN算法本质都是FeatureLearning的过程，即如何得到更好的特征表达。
DBN训练过程：DBN是由多层RBM组成的一个神经网络，它既可以被看作一个生成模型，也可以当作判别模型，其训练过程是：使用非监督贪婪逐层方法去预训练获得权值。
DBN训练过程如下：
1)充分训练第一个RBM；
2)固定第一个RBM的权重和偏移量，然后使用其隐性神经元的状态，作为第二个RBM的输入向量；
3)充分训练第二个RBM后，将第二个RBM堆叠在第一个RBM的上方；
4)重复以上1)～3)任意多次；
5)如果训练集中的数据有标签，那么在顶层的RBM训练时，这个RBM的显层中除了显性神经元，还需要有代表分类标签的神经元，一起进行训练；
6)DBN训练完成。
可选择的，进一步改进所述晶圆图形提取方法，实施步骤S2时,深度置信网络设置为7层，输出层维度2，隐藏层分别是500、500、200、100和50；除最后一层其他层之间的基础结构是受限玻尔兹曼机，最后一层基础结构是逻辑回归层，该模型通过单独训练前面的6层到最优化后，再通过最后一层执行调整操作。
可选择的，进一步改进所述晶圆图形提取方法，所述调整操作采用自适应矩估计优化器(Adam)和梯度下降。
可选择的，进一步改进所述晶圆图形提取方法，实施步骤S3时,采用直接并联单一图形分类器或多阈值筛选单一图形分类器的方式形成判断分类器。
可选择的，进一步改进所述晶圆图形提取方法，直接并联单一图形分类器形成判断分类器时采用以下判断规则，判断输出该晶圆图像存在哪几类图形；
对每个单一图形分类器设定相同的阈值，同时将一张晶圆图像输入到多个单一图形分类器中，输出每个单一图形分类器的判断结果，判断为‘真’则认为存在该分类器负责识别的晶圆图形，最终输出晶圆图像存在哪几类图形。
可选择的，进一步改进所述晶圆图形提取方法，多阈值筛选单一图形分类器形成判断分类器时采用以下判断规则，判断输出该晶圆图像存在哪几类图形；
S4.1，将所有单一图形分类器的阈值设定为设计最高值，将待测晶圆图像输入所述单一图形分类器，选出单一图形分类器输出为‘真’的图形；
S4.2，将步骤S4.1中输出为‘非真’的分类器阈值降低，再次让晶圆图像通过这些阈值降低后的单一图形分类器，选出单一图形分类器输出为‘真’的图形；
重复上述步骤，直到阈值降为设计最低阈值，所有选出图形为该晶圆图像所出现的图形。
本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆缺陷图形提取系统，包括：
特征提取模块，其适用于将晶圆图形调整为预设尺寸，并提取图像纹理特征；
特征优化模块，其适用于对图像纹理特征进行高阶特征的提取，训练后形成不同晶圆图形的单一图形分类器；
单一图形分类器组合模块，其适用于按单一图形分类器组合规则单一图形分类器组合形成判断分类器；
判断输出模块，其适用于将晶圆图像输入到判断分类器，判断分类器根据判断规则输出该晶圆图像存在哪几类图形。
可选择的，进一步改进所述晶圆缺陷图形提取系统，所述预设尺寸为M*M像素，M＞1。
可选择的，进一步改进所述晶圆缺陷图形提取系统，特征提取模块采用局部二值模式提取图像纹理特征。
可选择的，进一步改进所述晶圆缺陷图形提取系统，特征提取模块局部二值模式采用3*3像素邻域，邻域中包含8个像素值。
可选择的，进一步改进所述晶圆缺陷图形提取系统，特征优化模块采用深度置信网络对图像纹理特征进行高阶特征的提取,训练后形成不同晶圆图形的单一图形分类器。
可选择的，进一步改进所述晶圆缺陷图形提取系统，特征优化模块的深度置信网络设置为7层，输出层维度2，隐藏层分别是500、500、200、100和50；除最后一层其他层之间的基础结构是受限玻尔兹曼机，最后一层基础结构是逻辑回归层，该模型通过单独训练前面的6层到最优化后，再通过最后一层执行调整操作。
可选择的，进一步改进所述晶圆缺陷图形提取系统，所述调整操作采用自适应矩估计优化器(Adam)和梯度下降。
可选择的，进一步改进所述晶圆缺陷图形提取系统，单一图形分类器组合模块采用直接并联单一图形分类器或多阈值筛选单一图形分类器的方式形成判断分类器。
可选择的，进一步改进所述晶圆缺陷图形提取系统，单一图形分类器组合模块采用直接并联单一图形分类器形成判断分类器时，采用以下判断规则判断输出该晶圆图像存在哪几类图形；
对每个单一图形分类器设定相同的阈值，同时将一张晶圆图像输入到多个单一图形分类器中，输出每个单一图形分类器的判断结果，判断为‘真’则认为存在该分类器负责识别的晶圆图形，最终输出晶圆图像存在哪几类图形。
可选择的，进一步改进所述晶圆缺陷图形提取系统，单一图形分类器组合模块采用多阈值筛选单一图形分类器形成判断分类器时，采用以下判断规则判断输出该晶圆图像存在哪几类图形；
将所有单一图形分类器的阈值设定为设计最高值，将待测晶圆图像输入所述单一图形分类器，选出单一图形分类器输出为‘真’的图形；
将输出为’非真’的分类器阈值降低，再次让晶圆图像通过这些阈值降低后的单一图形分类器，选出单一图形分类器输出为‘真’的图形；
重复上述步骤，直到阈值降为设计最低阈值，所有选出图形为该晶圆图像所出现的图形。
本发明利用局部二值模式LBP和深度置信网络DBN，基于大量晶圆图像训练基于神经网络的单一图形分类的分类器，利用多个单一图形分类器组合对混合型的(缺陷)晶圆图形能进行不同图形的提取及识别。混合型晶圆图形是指晶圆上存在大于一种缺陷的晶圆图形。
本发明通过LBP+DBN算法对单一图形分类器进行训练，得到高准确率单一图形分类器，并对单一图形分类器进行组合形成判断分类器利用判断分类器对混合型的(缺陷)晶圆图形进行提取。本发明利用神经网络训练单一图形分类器，组合形成判断分类器，相对于人工晶圆图形识别分类效率更高，准确率更高，能减轻工程师的负担。
附图说明
本发明附图旨在示出根据本发明的特定示例性实施例中所使用的方法、结构和/或材料的一般特性，对说明书中的描述进行补充。然而，本发明附图是未按比例绘制的示意图，因而可能未能够准确反映任何所给出的实施例的精确结构或性能特点，本发明附图不应当被解释为限定或限制由根据本发明的示例性实施例所涵盖的数值或属性的范围。下面结合附图与具体实施方式对本发明作进一步详细的说明：
图1是本发明晶圆图形提取方法第一实施例的流程示意图。
图2是本发明晶圆图形提取方法第一实施例的判断原理示意图。
图3是本发明晶圆图形提取方法第二实施例单一图形分类器组合判断原理示意图。
图4是本发明晶圆图形提取方法第三实施例单一图形分类器组合判断原理示意图。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点加以应用，在没有背离发明总的设计思路下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。本发明下述示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的具体实施例。应当理解的是，提供这些实施例是为了使得本发明的公开彻底且完整，并且将这些示例性具体实施例的技术方案充分传达给本领域技术人员。
如图1、图2所示，本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆图形提取方法第一实施例，包括以下步骤：
S1，将晶圆图形调整为预设尺寸，并提取图像纹理特征；
S2，利用神经网络对图像纹理特征进行高阶特征的提取，训练后形成不同晶圆图形的单一图形分类器；
S3，按单一图形分类器组合规则将S2中的单一图形分类器组合形成判断分类器；
S4，将晶圆图像输入到判断分类器，判断分类器根据判断规则输出该晶圆图像存在哪几类图形。
应当理解的是除非这里明确定义，否则诸如在通用字典中定义的术语这类术语应当被解释为具有与它们在相关领域语境中的意思相一致的意思，而不以理想的或过于正式的含义加以解释。
本发明提取方法第一实施例，基于神经网络通过对单一图形分类器进行训练，得到高准确率单一图形分类器，并对单一图形分类器进行组合形成判断分类器利用判断分类器对混合型的(缺陷)晶圆图形进行提取。本发明利用神经网络训练单一图形分类器，组合形成判断分类器，相对于人工晶圆图形识别分类效率更高，准确率更高，能减轻工程师的负担。
本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆图形提取方法第二实施例，包括以下步骤：
S1，通过LBP算法将晶圆图形调整为28*28像素，局部二值模式采用3*3像素邻域，邻域中包含8个像素值,提取图像纹理特征；
S2，采用深度置信网络DBN对图像纹理特征进行高阶特征的提取，训练后形成不同晶圆图形的单一图形分类器；
本实施例，DBN算法一共7层，输入层维度784，输出层维度2，隐藏层分别是500,500,200,100，50。前面几层之间的基础结构是受限玻尔兹曼机(RBM)，最后一层是逻辑回归层，模型通过单独训练前面的6层到最优化后，再通过最后一层微调。
RBM采用的参数：学习率0.001-0.01,batch_size 64-256，吉布斯采样步数1-4，训练轮数epoch 100-500，损失函数是交叉熵函数/均方差函数，激活函数是sigmoid/relu
逻辑回归LR采用的参数：学习率采用的是固定学习率0.01和指数衰减exponential_decay学习率(指数衰减参数有：初始学习率0.1-0.5，decay_step＝10-20,decay_rate＝0.8-0.95)，batch_size 64-256，损失函数二元交叉熵函数，激活函数softmax和sigmoid，最后的输出阈值0.5-0.8，训练轮数100-500；微调参数采用：优化器Adam和梯度下降；
S3，对每个单一图形分类器设定相同的阈值(0.5-0.8)形成判断分类器；
S4，如图3所示，同时将一张图像输入到六个单一图形分类器中，输出每个单一图形分类器的判断结果，判断为‘真’positive的则认为存在该分类器负责识别的图形pattern，最后总结该晶圆wafer存在哪几类图形pattern。以划痕和遮蔽环识别为例，第五和第六单一图形分类器识别出划痕scratch和partialring
本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆图形提取方法第三实施例，包括以下步骤：
S1，通过LBP算法将晶圆图形调整为28*28像素，局部二值模式采用3*3像素邻域，邻域中包含8个像素值,提取图像纹理特征；
S2，采用深度置信网络DBN对图像纹理特征进行高阶特征的提取，训练后形成不同晶圆图形的单一图形分类器；
本实施例，DBN算法一共7层，输入层维度784，输出层维度2，隐藏层分别是500,500,200,100，50。前面几层之间的基础结构是受限玻尔兹曼机(RBM)，最后一层是逻辑回归层，模型通过单独训练前面的6层到最优化后，再通过最后一层微调。
RBM采用的参数：学习率0.001-0.01,batch_size 64-256，吉布斯采样步数1-4，训练轮数epoch 100-500，损失函数是交叉熵函数/均方差函数，激活函数是sigmoid/relu
逻辑回归LR采用的参数：学习率采用的是固定学习率0.01和指数衰减exponential_decay学习率(指数衰减参数有：初始学习率0.1-0.5，decay_step＝10-20,decay_rate＝0.8-0.95)，batch_size 64-256，损失函数二元交叉熵函数，激活函数softmax和sigmoid，最后的输出阈值0.5-0.8，训练轮数100-500；微调参数采用：优化器Adam和梯度下降；
S3，如图4所示，采用多阈值筛选形成判断分类器，对单一图形分类器的阈值进行从高到低(设计阈值0.8-0.6)设定；
S4，首先将六个分类器的阈值设定为最高值(0.8)，然后让待测图像通过这六个分类器，选出popup最后输出为‘真”P’的pattern；
然后将上个步骤输出为‘非真’‘N’的分类器阈值降低(0.7)，再次让图像通过这些分类器，再次选出popup最后输出为‘真’‘P’的pattern；
重复上述步骤，直到阈值降为0.6后，所有选出popup的所有图形pattern为该晶圆wafer所出现的pattern。
本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆缺陷图形提取系统第一实施例，包括：
特征提取模块，其适用于将晶圆图形调整为预设尺寸，并提取图像纹理特征；
特征优化模块，其适用于对图像纹理特征进行高阶特征的提取，训练后形成不同晶圆图形的单一图形分类器；
单一图形分类器组合模块，其适用于按单一图形分类器组合规则单一图形分类器组合形成判断分类器；
判断输出模块，其适用于将晶圆图像输入到判断分类器，判断分类器根据判断规则输出该晶圆图像存在哪几类图形。
本发明提取系统第一实施例，基于神经网络通过对单一图形分类器进行训练，得到高准确率，并对单一图形分类器进行组合形成判断分类器利用判断分类器对混合型的(缺陷)晶圆图形进行提取。本发明利用神经网络训练单一图形分类器，组合形成判断分类器，相对于人工晶圆图形识别分类效率更高，准确率更高，能减轻工程师的负担。
本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆缺陷图形提取系统第二实施例，包括：
特征提取模块，通过LBP算法将晶圆图形调整为28*28像素，局部二值模式采用3*3像素邻域，邻域中包含8个像素值,提取图像纹理特征；
特征优化模块，采用深度置信网络DBN对图像纹理特征进行高阶特征提取，训练后形成不同晶圆图形的单一图形分类器；
本实施例，DBN算法一共7层，输入层维度784，输出层维度2，隐藏层分别是500,500,200,100，50。前面几层之间的基础结构是受限玻尔兹曼机(RBM)，最后一层是逻辑回归层，模型通过单独训练前面的6层到最优化后，再通过最后一层微调。
RBM采用的参数：学习率0.001-0.01,batch_size 64-256，吉布斯采样步数1-4，训练轮数epoch 100-500，损失函数是交叉熵函数/均方差函数，激活函数是sigmoid/relu
逻辑回归LR采用的参数：学习率采用的是固定学习率0.01和指数衰减exponential_decay学习率(指数衰减参数有：初始学习率0.1-0.5，decay_step＝10-20,decay_rate＝0.8-0.95)，batch_size 64-256，损失函数二元交叉熵函数，激活函数softmax和sigmoid，最后的输出阈值0.5-0.8，训练轮数100-500；微调参数采用：优化器Adam和梯度下降；
单一图形分类器组合模块，对每个单一图形分类器设定相同的阈值(0.5-0.8)形成判断分类器；
判断输出模块，同时将一张图像输入到六个单一图形分类器中，输出每个单一图形分类器的判断结果，判断为‘真’positive的则认为存在该分类器负责识别的图形pattern，最后总结该晶圆wafer存在哪几类图形pattern。
本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆缺陷图形提取系统第三实施例，包括：
特征提取模块，通过LBP算法将晶圆图形调整为28*28像素，局部二值模式采用3*3像素邻域，邻域中包含8个像素值,提取图像纹理特征；
特征优化模块，采用深度置信网络DBN对图像纹理特征进行高阶特征的提取，训练后形成不同晶圆图形的单一图形分类器；
本实施例，DBN算法一共7层，输入层维度784，输出层维度2，隐藏层分别是500,500,200,100，50。前面几层之间的基础结构是受限玻尔兹曼机(RBM)，最后一层是逻辑回归层，模型通过单独训练前面的6层到最优化后，再通过最后一层微调。
RBM采用的参数：学习率0.001-0.01,batch_size 64-256，吉布斯采样步数1-4，训练轮数epoch 100-500，损失函数是交叉熵函数/均方差函数，激活函数是sigmoid/relu
逻辑回归LR采用的参数：学习率采用的是固定学习率0.01和指数衰减exponential_decay学习率(指数衰减参数有：初始学习率0.1-0.5，decay_step＝10-20,decay_rate＝0.8-0.95)，batch_size 64-256，损失函数二元交叉熵函数，激活函数softmax和sigmoid，最后的输出阈值0.5-0.8，训练轮数100-500；微调参数采用：优化器Adam和梯度下降；
单一图形分类器组合模块，采用多阈值筛选形成判断分类器，对单一图形分类器的阈值进行从高到低(设计阈值0.8-0.6)设定；
判断输出模块，首先将六个分类器的阈值设定为最高值(0.8)，然后让待测图像通过这六个分类器，选出popup最后输出为‘真”P’的pattern；
然后将上个步骤输出为‘非真’‘N’的分类器阈值降低(0.7)，再次让图像通过这些分类器，再次选出popup最后输出为‘真’‘P’的pattern；
重复上述步骤，直到阈值降为0.6后，所有选出popup的所有图形pattern为该晶圆wafer所出现的pattern。
以上通过具体实施方式和实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。

Claims (20)

1.一种晶圆图形提取方法，基于神经网络组合单一图形分类器将晶圆图像训练分类，其特征在于，包括以下步骤：
S1，将晶圆图形调整为预设尺寸，并提取图像纹理特征；
S2，利用神经网络对图像纹理特征进行高阶特征提取,，训练后形成不同晶圆图形的单一图形分类器；
S3，按单一图形分类器组合规则将S2中的单一图形分类器组合形成判断分类器；
S4，将晶圆图像输入到判断分类器，判断分类器根据判断规则输出该晶圆图像存在哪几类图形。
2.如权利要求1所述晶圆图形提取方法，其特征在于：步骤S1中，所述预设尺寸为M*M像素，M＞1。
3.如权利要求1所述晶圆图形提取方法，其特征在于：实施步骤S1时,采用局部二值模式提取图像纹理特征。
4.如权利要求3所述晶圆图形提取方法，其特征在于：实施步骤S1时,局部二值模式采用3*3像素邻域，邻域中包含8个像素值。
5.如权利要求1所述晶圆图形提取方法，其特征在于：实施步骤S2时,采用深度置信网络对图像纹理特征进行高阶特征提取，形成不同晶圆图形的单一图形分类器。
6.如权利要求5所述晶圆图形提取方法，其特征在于：实施步骤S2时,深度置信网络设置为7层，输出层维度2，隐藏层分别是500、500、200、100和50；除最后一层其他层之间的基础结构是受限玻尔兹曼机，最后一层基础结构是逻辑回归层，该模型通过单独训练前面的6层到最优化后，再通过最后一层执行调整操作。
7.如权利要求6所述晶圆图形提取方法，其特征在于：所述调整操作采用自适应矩估计优化器(Adam)和梯度下降。
8.如权利要求1所述晶圆图形提取方法，其特征在于：实施步骤S3时,采用直接并联单一图形分类器或多阈值筛选单一图形分类器的方式形成判断分类器。
9.如权利要求8所述晶圆图形提取方法，其特征在于：直接并联单一图形分类器形成判断分类器时采用以下判断规则，判断输出该晶圆图像存在哪几类图形；
对每个单一图形分类器设定相同的阈值，同时将一张晶圆图像输入到多个单一图形分类器中，输出每个单一图形分类器的判断结果，判断为‘真’则认为存在该分类器负责识别的晶圆图形，最终输出晶圆图像存在哪几类图形。
10.如权利要求8所述晶圆图形提取方法，其特征在于：多阈值筛选单一图形分类器形成判断分类器时采用以下判断规则，判断输出该晶圆图像存在哪几类图形；
S4.1，将多个单一图形分类器的阈值设定为设计最高值，将待测晶圆图像输入所述多个单一图形分类器，选出单一图形分类器输出为‘真’的图形；
S4.2，将步骤S4.1中输出为’非真’的分类器阈值降低，再次让晶圆图像通过这些所述多个单一图形分类器，选出单一图形分类器输出为‘真’的图形；
重复上述步骤，直到阈值降为设计最低阈值，所有选出图形为该晶圆图像所出现的图形。
11.一种晶圆缺陷图形提取系统，基于神经网络组合单一图形分类器将晶圆图像训练分类，其特征在于，该提取系统包括：
特征提取模块，其适用于将晶圆图形调整为预设尺寸，并提取图像纹理特征；
特征优化模块，其适用于利用神经网络对图像纹理特征进行高阶特征提取,，训练后形成不同晶圆图形的单一图形分类器；
单一图形分类器组合模块，其适用于按单一图形分类器组合规则将单一图形分类器组合形成判断分类器；
判断输出模块，其适用于将晶圆图像输入到判断分类器，判断分类器根据判断规则输出该晶圆图像存在哪几类图形。
12.如权利要求11所述晶圆缺陷图形提取系统，其特征在于：所述预设尺寸为M*M像素，M＞1。
13.如权利要求11所述晶圆缺陷图形提取系统，其特征在于：特征提取模块采用局部二值模式提取图像纹理特征。
14.如权利要求13所述晶圆缺陷图形提取系统，其特征在于：特征提取模块局部二值模式采用3*3像素邻域，邻域中包含8个像素值。
15.如权利要求11所述晶圆缺陷图形提取系统，其特征在于：特征优化模块采用深度置信网络对图像纹理特征进行高阶特征提取，形成不同晶圆图形的单一图形分类器。
16.如权利要求15所述晶圆缺陷图形提取系统，其特征在于：特征优化模块的深度置信网络设置为7层，输出层维度2，隐藏层分别是500、500、200、100和50；除最后一层其他层之间的基础结构是受限玻尔兹曼机，最后一层基础结构是逻辑回归层，该模型通过单独训练前面的6层到最优化后，再通过最后一层执行调整操作。
17.如权利要求16所述晶圆缺陷图形提取系统，其特征在于：所述调整操作采用自适应矩估计优化器(Adam)和梯度下降。
18.如权利要求11所述晶圆缺陷图形提取系统，其特征在于：单一图形分类器组合模块采用直接并联单一图形分类器或多阈值筛选单一图形分类器的方式形成判断分类器。
19.如权利要求18所述晶圆缺陷图形提取系统，其特征在于：单一图形分类器组合模块采用直接并联单一图形分类器形成判断分类器时，采用以下判断规则判断输出该晶圆图像存在哪几类图形；
对每个单一图形分类器设定相同的阈值，同时将一张晶圆图像输入到多个单一图形分类器中，输出每个单一图形分类器的判断结果，判断为‘真’则认为存在该分类器负责识别的晶圆图形，最终输出晶圆图像存在哪几类图形。
20.如权利要求18所述晶圆缺陷图形提取系统，其特征在于：单一图形分类器组合模块采用多阈值筛选单一图形分类器形成判断分类器时，采用以下判断规则判断输出该晶圆图像存在哪几类图形；
将所有单一图形分类器的阈值设定为设计最高值，将待测晶圆图像输入所述单一图形分类器，选出单一图形分类器输出为‘真’的图形；
将输出为‘非真’的分类器阈值降低，再次让晶圆图像通过这些阈值降低后的单一图形分类器，选出单一图形分类器输出为‘真’的图形；
重复上述步骤，直到阈值降为设计最低阈值，所有选出图形为该晶圆图像所出现的图形。
CN201911133023.9A 2019-11-19 2019-11-19 晶圆图形提取方法及其提取系统 Pending CN110874839A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911133023.9A CN110874839A (zh) 2019-11-19 2019-11-19 晶圆图形提取方法及其提取系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911133023.9A CN110874839A (zh) 2019-11-19 2019-11-19 晶圆图形提取方法及其提取系统

Publications (1)

Publication Number Publication Date
CN110874839A true CN110874839A (zh) 2020-03-10

Family

ID=69718256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911133023.9A Pending CN110874839A (zh) 2019-11-19 2019-11-19 晶圆图形提取方法及其提取系统

Country Status (1)

Country Link
CN (1) CN110874839A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111929309A (zh) * 2020-09-14 2020-11-13 成都卓识维景科技有限公司 一种基于机器视觉的铸造件外观缺陷检测方法及系统
CN113627457A (zh) * 2020-04-24 2021-11-09 坎泰克有限公司 基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和系统
CN118506021A (zh) * 2024-07-19 2024-08-16 常熟理工学院 晶圆表面特征提取方法、系统及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060265145A1 (en) * 2004-09-30 2006-11-23 Patrick Huet Flexible hybrid defect classification for semiconductor manufacturing
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
TW201545253A (zh) * 2014-03-06 2015-12-01 Kla Tencor Corp 複合式缺陷分類器
US20160163035A1 (en) * 2014-12-03 2016-06-09 Kla-Tencor Corporation Automatic Defect Classification Without Sampling and Feature Selection
CN109635677A (zh) * 2018-11-23 2019-04-16 华南理工大学 基于多标签分类卷积神经网络的复合故障诊断方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060265145A1 (en) * 2004-09-30 2006-11-23 Patrick Huet Flexible hybrid defect classification for semiconductor manufacturing
TW201545253A (zh) * 2014-03-06 2015-12-01 Kla Tencor Corp 複合式缺陷分類器
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
US20160163035A1 (en) * 2014-12-03 2016-06-09 Kla-Tencor Corporation Automatic Defect Classification Without Sampling and Feature Selection
CN109635677A (zh) * 2018-11-23 2019-04-16 华南理工大学 基于多标签分类卷积神经网络的复合故障诊断方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MENGYING FAN ET AL.: "Wafer defect patterns recognition based on OPTICS and multi-label classification", 《 2016 IEEE ADVANCED INFORMATION MANAGEMENT, COMMUNICATES, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IMCEC)》 *
张丹普等: "基于浮动阈值分类器组合的多标签分类算法", 《计算机应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627457A (zh) * 2020-04-24 2021-11-09 坎泰克有限公司 基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和系统
CN111929309A (zh) * 2020-09-14 2020-11-13 成都卓识维景科技有限公司 一种基于机器视觉的铸造件外观缺陷检测方法及系统
CN118506021A (zh) * 2024-07-19 2024-08-16 常熟理工学院 晶圆表面特征提取方法、系统及存储介质
CN118506021B (zh) * 2024-07-19 2024-09-24 常熟理工学院 晶圆表面特征提取方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN111181939B (zh) 一种基于集成学习的网络入侵检测方法及装置
US10650508B2 (en) Automatic defect classification without sampling and feature selection
CN111915437B (zh) 基于rnn的反洗钱模型的训练方法、装置、设备及介质
CN109299741B (zh) 一种基于多层检测的网络攻击类型识别方法
US20190228268A1 (en) Method and system for cell image segmentation using multi-stage convolutional neural networks
CN110874839A (zh) 晶圆图形提取方法及其提取系统
CN111783534B (zh) 一种基于深度学习的睡眠分期方法
CN107292097B (zh) 基于特征组的中医主症选择方法
JP2015095215A (ja) 学習装置、学習プログラム、及び学習方法
CN103077399B (zh) 基于集成级联架构的生物显微图像分类方法
CN111126226B (zh) 一种基于小样本学习和特征增强的辐射源个体识别方法
CN110569780A (zh) 一种基于深度迁移学习的高精度人脸识别方法
CN111126332A (zh) 基于轮廓特征的跳频信号分类方法
Wei et al. Mixed-type wafer defect recognition with multi-scale information fusion transformer
WO2023116565A1 (zh) 智能设计网络安全架构图的方法
US7233692B2 (en) Method and computer program product for identifying output classes with multi-modal dispersion in feature space and incorporating multi-modal structure into a pattern recognition system
Anggraini Face recognition using principal component analysis and self organizing maps
CN114067314B (zh) 一种基于神经网络的花生霉变识别方法及系统
CN110163206B (zh) 车牌识别方法、系统、存储介质和装置
CN114722918A (zh) 一种基于dna甲基化的肿瘤分类方法
CN106570514A (zh) 一种基于词袋模型和支持向量机的汽车轮毂分类方法
Kamalakannan et al. Surface defect detection and classification in mandarin fruits using fuzzy image thresholding, binary wavelet transform and linear classifier model
CN114037866B (zh) 一种基于可辨伪特征合成的广义零样本图像分类方法
CN113076982A (zh) 基于比例阀轴控器的故障诊断及测试方法
Phookronghin et al. 2 Level simplified fuzzy ARTMAP for grape leaf disease system using color imagery and gray level co-occurrence matrix

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200310

RJ01 Rejection of invention patent application after publication