CN113298166A - 缺陷分类器和缺陷分类方法、装置、设备及存储介质 - Google Patents

缺陷分类器和缺陷分类方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113298166A
CN113298166A CN202110607390.9A CN202110607390A CN113298166A CN 113298166 A CN113298166 A CN 113298166A CN 202110607390 A CN202110607390 A CN 202110607390A CN 113298166 A CN113298166 A CN 113298166A
Authority
CN
China
Prior art keywords
defect
classifier
layer
classification
shallow
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
CN202110607390.9A
Other languages
English (en)
Inventor
刘成成
王振
韩春营
俞宗强
乔静
张旭阳
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.)
Zhongke Jingyuan Microelectronic Technology Beijing Co Ltd
Original Assignee
Zhongke Jingyuan Microelectronic Technology Beijing Co Ltd
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 Zhongke Jingyuan Microelectronic Technology Beijing Co Ltd filed Critical Zhongke Jingyuan Microelectronic Technology Beijing Co Ltd
Priority to CN202110607390.9A priority Critical patent/CN113298166A/zh
Priority to PCT/CN2021/099464 priority patent/WO2022252279A1/zh
Publication of CN113298166A publication Critical patent/CN113298166A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种缺陷分类器，该缺陷分类器包括第一层分类器和第二层分类器，第一层分类器，被配置为将缺陷图像进行第一次分类得到浅分类层缺陷类别，第二层分类器，被配置为将浅分类层缺陷类别进行第二次分类得到深分类层缺陷类别。第一层分类器为model‑based分类器，第二层分类器为rule‑based分类器和model‑based分类器中的至少一种。在复杂分类场景中，利用本申请的多层缺陷分类器实现各种类型缺陷的准确分类，利于缺陷原因的准确分析排查，从而改善良率，提高生产。

Description

缺陷分类器和缺陷分类方法、装置、设备及存储介质
技术领域
本公开涉及半导体制造和检测技术领域，尤其涉及一种缺陷分类器和缺陷分类方法、装置、设备及存储介质。
背景技术
在半导体制造流程中，通过缺陷检测与分类进行缺陷原因分析，并改善良率与生产。近年来，在图像缺陷检测和分类领域中，各种深度学习的方法被开发和应用，但在半导体缺陷检测和分类中，各大成熟产品仍然使用传统方法。缺陷检测和分类分为inspection和ADC(Automatic Defect Classification)两大步骤。Inspection后，可以得到缺陷图像，参考图像和缺陷位置；ADC后，可以得知缺陷的种类，从而可以在物理上分析缺陷原因。
缺陷分类的一般方法有model-based和rule-base两种，两种方法各有优势，model-based方法更善于对多种复杂类型的缺陷分类，rule-based方法更善于对两种类型缺陷严格按照规则分类。
在某些复杂的分类场景中用其中任一分类器效果都不理想，特别是在多种类别中有几类缺陷特征相似的场景，通常会用model-based分类器，但对于特征较为相似的缺陷类别，准确率相比其他类别大大降低。
发明内容
有鉴于此，本公开提出了一种缺陷分类器，包括第一层分类器和第二层分类器；
所述第一层分类器，被配置为将缺陷图像进行第一次分类得到浅分类层缺陷类别；
所述第二层分类器，被配置为将所述浅分类层缺陷类别进行第二次分类得到深分类层缺陷类别。
所述第一层分类器为model-based分类器；
所述第二层分类器为rule-based分类器和model-based分类器中的至少一种。
在一种可能的实现方式中，所述浅分类层缺陷类别至少为一个；
所述深分类层缺陷类别至少为一个。
在一种可能的实现方式中，所述第二层分类器包括至少一个子分类器；
一个所述子分类器对应一个所述浅分类层缺陷类别。
根据本公开的另一方面，提供了一种缺陷分类方法，使用前面任一所述的缺陷分类器进行，包括：
接收当前待进行缺陷分类的缺陷图像；
将所述缺陷图像通过第一层分类器得到多个浅分类层缺陷类别；
将所述浅分类层缺陷类别通过第二层分类器得到深分类层缺陷类别。
在一种可能的实现方式中，将所述缺陷图像通过第一层分类器得到多个浅分类层缺陷类别包括：
提取所述第一层分类器的参数；
提取所述缺陷图像的特征向量；
依据所述第一层分类器的参数和所述特征向量得到多个浅分类层。
在一种可能的实现方式中，将所述浅分类层缺陷类别通过第二层分类器得到深分类层缺陷类别包括：
提取所述第二层分类器的参数；
依据所述第二层分类器的参数和所述浅分类层缺陷类别得到深分类层缺陷类别。
在一种可能的实现方式中，依据所述第二层分类器的参数和所述浅分类层缺陷类别得到深分类层缺陷类别包括：
提取所述第二层分类器中的子分类器的参数；
依据所述子分类器的参数和对应的浅分类层缺陷类别的特征向量得到深分类层缺陷类别。
根据本公开的另一方面，提供了一种缺陷分类装置，其特征在于，包括：图像输入模块、第一次分类模块和第二次分类模块；
所述图像输入模块，被配置为接收当前待进行缺陷分类的缺陷图像；
所述第一次分类模块，被配置为将所述缺陷图像通过第一层分类器得到多个浅分类层缺陷类别；
所述第二次分类模块，被配置为将所述浅分类层缺陷类别通过第二层分类器得到深分类层缺陷类别。
根据本公开的另一方面，提供了一种缺陷分类设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现前面任一所述的方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现前面任一所述的方法。
通过包括第一层分类器和第二层分类器，第一层分类器，被配置为将缺陷图像进行第一次分类得到浅分类层缺陷类别，第二层分类器，被配置为将浅分类层缺陷类别进行第二次分类得到深分类层缺陷类别。第一层分类器为model-based分类器，第二层分类器为rule-based分类器和model-based分类器中的至少一种。在复杂分类场景中，利用本申请的多层缺陷分类器实现各种类型缺陷的准确分类，利于缺陷原因的准确分析排查，从而改善良率，提高生产。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出本公开实施例的缺陷分类器的示意图；
图2示出本公开实施例的缺陷分类方法的流程图；
图3示出本公开实施例的缺陷分类装置的框图；
图4示出本公开实施例的缺陷分类设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的缺陷分类器的示意图。如图1所示，该缺陷分类器包括：
第一层分类器和第二层分类器，第一层分类器，被配置为将缺陷图像进行第一次分类得到浅分类层缺陷类别，第二层分类器，被配置为将浅分类层缺陷类别进行第二次分类得到深分类层缺陷类别。第一层分类器为model-based分类器，第二层分类器为rule-based分类器和model-based分类器中的至少一种。
通过包括第一层分类器和第二层分类器，第一层分类器，被配置为将缺陷图像进行第一次分类得到浅分类层缺陷类别，第二层分类器，被配置为将浅分类层缺陷类别进行第二次分类得到深分类层缺陷类别。第一层分类器为model-based分类器，第二层分类器为rule-based分类器和model-based分类器中的至少一种。在复杂分类场景中，利用本申请的多层缺陷分类器实现各种类型缺陷的准确分类，利于缺陷原因的准确分析排查，从而改善良率，提高生产。
在一种可能的实现方式中，创建第一层分类器，使用第一层分类器对半导体缺陷进行分类得到多个浅分类层缺陷类别，在可分类的浅分类层缺陷类别创建第二层分类器，依据第二层分类器的类型，对对应的浅分类层缺陷类别中的半导体缺陷进行分类，得到深分类层缺陷类别。举例来说，第一层分类器为model-based分类器，首先使用API获取一个分类器作为第一层分类器，使用第一层分类器对半导体缺陷进行分类得到多个浅分类层缺陷类别包括：使用缺陷样本数据库，对第一层分类器进行提取缺陷图像特征训练，得到model-based分类器，使用model-based分类器对半导体缺陷进行分类得到多个浅分类层缺陷类别。经过第一层分类器训练为model-based分类器后，半导体缺陷类别分别为BVC(brightvoltage contrast)，DVC(dark voltage contrast)，particle，nuisance四种类别。
在一种可能的实现方式中，在可分类的浅分类层缺陷类别创建第二层分类器包括：获取分类标记，在带有分类标记的浅分类层缺陷类别创建第二层分类器。举例来说，第一层分类器为model-based分类器，首先使用API获取一个分类器作为第一层分类器，使用第一层分类器对半导体缺陷进行分类得到多个浅分类层缺陷类别包括：使用缺陷样本数据库，对第一层分类器进行提取缺陷图像特征训练，得到model-based分类器，使用model-based分类器对半导体缺陷进行分类得到多个浅分类层缺陷类别，示例性的，半导体缺陷类别分别为BVC(brightvoltage contrast)，DVC(dark voltage contrast)，particle，nuisance四种类别，经过人为的选择DVC缺陷类别的缺陷作为可分类的浅分类层缺陷类别，并对该类别进行标记，接着获取分类标记，在DVC缺陷类别创建第二层分类器，并由人为选择第二层分类器的类型，其中，第二层分类器的类型包括model-based分类器和rule-based分类器。
在一种可能的实现方式中，若第二层分类器为model-based分类器，获取第一特征值，使用第一特征值训练第二层分类器得到第一子分类器。举例来说，第一层分类器为model-based分类器，首先使用API获取一个分类器作为第一层分类器，使用第一层分类器对半导体缺陷进行分类得到多个浅分类层缺陷类别包括：使用缺陷样本数据库，对第一层分类器进行提取缺陷图像特征训练，得到model-based分类器，使用model-based分类器对半导体缺陷进行分类得到多个浅分类层缺陷类别，半导体缺陷类别分别为BVC(brightvoltage contrast)，DVC(dark voltage contrast)，particle，nuisance四种类别，经过人为的选择DVC缺陷类别的缺陷作为可分类的浅分类层缺陷类别，并对该类别进行标记，接着获取分类标记，在DVC缺陷类别创建第二层分类器，并由人为选择第二层分类器的类型，若第二层分类器为model-based分类器，根据缺陷的图像特征值的贡献值人为选择部分贡献值高的特征值作为第一特征值进行训练，接着获取第一特征值，使用第一特征值训练第二层分类器得到第一子分类器，即，model-based分类器。
在一种可能的实现方式中，若第二层分类器为rule-based分类器，获取第二特征值，根据第二特征值和预设阈值得到第二子分类器，使用第二子分类器对所在的浅分类层缺陷类别中的半导体缺陷进行分类得到深分类层缺陷类别。举例来说，第一层分类器为model-based分类器，首先使用API获取一个分类器作为第一层分类器，使用第一层分类器对半导体缺陷进行分类得到多个浅分类层缺陷类别包括：使用缺陷样本数据库，对第一层分类器进行提取缺陷图像特征训练，得到model-based分类器，使用model-based分类器对半导体缺陷进行分类得到多个浅分类层缺陷类别，半导体缺陷类别分别为BVC(brightvoltage contrast)，DVC(dark voltage contrast)，particle，nuisance四种类别，经过人为的选择DVC缺陷类别的缺陷作为可分类的浅分类层缺陷类别，并对该类别进行标记，接着获取分类标记，在DVC缺陷类别创建第二层分类器，并由人为选择第二层分类器的类型，若第二层分类器为rule-based分类器，人为选择一个缺陷图像特征值作为rule-based分类器的输入，并人为设置阈值，分别作为第二特征值和预设阈值，接着获取第二特征值，根据第二特征值和预设阈值得到第二子分类器。
进一步的，在一种可能的实现方式中，依据第一层分类器和第二层分类器得到缺陷分类器。举例来说，第一层分类器为model-based分类器，首先使用API获取一个分类器作为第一层分类器，使用第一层分类器对半导体缺陷进行分类得到多个浅分类层缺陷类别包括：使用缺陷样本数据库，对第一层分类器进行提取缺陷图像特征训练，得到model-based分类器，使用model-based分类器对半导体缺陷进行分类得到多个浅分类层缺陷类别，半导体缺陷类别分别为BVC(brightvoltage contrast)，DVC(dark voltage contrast)，particle，nuisance四种类别，经过人为的选择DVC缺陷类别的缺陷作为可分类的浅分类层缺陷类别，并对该类别进行标记，接着获取分类标记，在DVC缺陷类别创建第二层分类器，并由人为选择第二层分类器的类型，若第二层分类器为model-based分类器，根据缺陷的图像特征值的贡献值人为选择部分贡献值高的特征值作为第一特征值进行训练，接着获取第一特征值，使用第一特征值训练第二层分类器得到第一子分类器，即，model-based分类器，接着，将第一层分类器的model-based分类器和第二层分类器的model-based分类器进行合成，即，将第一层分类器的model-based分类器和第二层分类器的model-based分类器的参数进行合并，即可得到训练好的缺陷分类器。
在进行本公开的缺陷分类方法前，需要进行上述的步骤，对缺陷分类器进行构建。
进一步的，根据本公开的另一方面，还提供了一种缺陷分类方法，使用前面任一所述的缺陷分类器进行，图2示出根据本公开一实施例的缺陷分类方法的流程图。如图2所示，该缺陷分类方法包括：
步骤S100，接收当前待进行缺陷分类的缺陷图像，步骤S200，将缺陷图像通过第一层分类器得到多个浅分类层缺陷类别，步骤S300，将浅分类层缺陷类别通过第二层分类器得到深分类层缺陷类别。
通过接收当前待进行缺陷分类的缺陷图像，将缺陷图像通过第一层分类器得到多个浅分类层缺陷类别，将浅分类层缺陷类别通过第二层分类器得到深分类层缺陷类别。在复杂分类场景中，利用多层缺陷分类器实现各种类型缺陷的准确分类，利于缺陷原因的准确分析排查，从而改善良率，提高生产。
具体的，参见图2，执行步骤S100，接收当前待进行缺陷分类的缺陷图像。
在一种可能的实现方式中，将缺陷图像输入缺陷分类器，即接收当前待进行缺陷分类的缺陷图像。
进一步的，执行步骤S200，将缺陷图像通过第一层分类器得到多个浅分类层缺陷类别。
在一种可能的实现方式中，将缺陷图像通过第一层分类器得到多个浅分类层缺陷类别包括：提取第一层分类器的参数，提取缺陷图像的特征向量，依据第一层分类器的参数和特征向量得到多个浅分类层。举例来说：第一层分类器为model-based分类器，使用model-based分类器对半导体缺陷进行分类得到多个浅分类层缺陷类别，首先提取第一层分类器的参数，提取缺陷图像的特征向量，使用第一层分类器的参数并代入特征向量进行运算，分类半导体缺陷类别分别为BVC(brightvoltage contrast)，DVC(dark voltagecontrast)，particle，nuisance四种类别。
进一步的，执行步骤S300，将浅分类层缺陷类别通过第二层分类器得到深分类层缺陷类别。
在一种可能的实现方式中，将浅分类层缺陷类别通过第二层分类器得到深分类层缺陷类别包括：提取第二层分类器的参数，依据第二层分类器的参数和浅分类层缺陷类别得到深分类层缺陷类别。依据第二层分类器的参数和浅分类层缺陷类别得到深分类层缺陷类别包括：提取第二层分类器中的子分类器的参数，依据子分类器的参数和对应的浅分类层缺陷类别的特征向量得到深分类层缺陷类别。举例来说，第一层分类器为model-based分类器，使用model-based分类器对半导体缺陷进行分类得到多个浅分类层缺陷类别，首先提取第一层分类器的参数，提取缺陷图像的特征向量，使用第一层分类器的参数并代入特征向量进行运算，分类半导体缺陷类别分别为BVC(brightvoltage contrast)，DVC(darkvoltage contrast)，particle，nuisance四种类别。第二层分类器包括一个model-based分类器，该model-based分类器对应DVC缺陷类别，提取该model-based分类器的参数，使用第二层分类器的参数对DVC类别的缺陷的特征向量进行运算得到DVC和WeakDVC两个深分类层缺陷类别，最终得到五个缺陷类别，分别为BVC，DVC，WeakDVC，particle，nuisance。
需要说明的是，尽管以上述各个实施例作为示例介绍了本公开的缺陷分类方法如上，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定缺陷分类方法，只要达到所需功能即可。
这样，通过接收当前待进行缺陷分类的缺陷图像，将缺陷图像通过第一层分类器得到多个浅分类层缺陷类别，将浅分类层缺陷类别通过第二层分类器得到深分类层缺陷类别。在复杂分类场景中，利用多层缺陷分类器实现各种类型缺陷的准确分类，利于缺陷原因的准确分析排查，从而改善良率，提高生产。
进一步的，根据本公开的另一方面，还提供了一种缺陷分类装置100。由于本公开实施例的用于服务端的缺陷分类装置100的工作原理与本公开实施例的缺陷分类方法的原理相同或相似，因此重复之处不再赘述。参见图3，本公开实施例的缺陷分类装置100包括图像输入模块110、第一次分类模块120和第二次分类模块130；
图像输入模块110，被配置为接收当前待进行缺陷分类的缺陷图像；
第一次分类模块120，被配置为将缺陷图像通过第一层分类器得到多个浅分类层缺陷类别；
第二次分类模块130，被配置为将浅分类层缺陷类别通过第二层分类器得到深分类层缺陷类别。
更进一步地，根据本公开的另一方面，还提供了一种缺陷分类设备200。参阅图4，本公开实施例缺陷分类设备200包括处理器210以及用于存储处理器210可执行指令的存储器220。其中，处理器210被配置为执行可执行指令时实现前面任一所述的缺陷分类方法。
此处，应当指出的是，处理器210的个数可以为一个或多个。同时，在本公开实施例的缺陷分类设备200中，还可以包括输入装置230和输出装置240。其中，处理器210、存储器220、输入装置230和输出装置240之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
存储器220作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的缺陷分类方法所对应的程序或模块。处理器210通过运行存储在存储器220中的软件程序或模块，从而执行缺陷分类设备200的各种功能应用及数据处理。
输入装置230可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置240可以包括显示屏等显示设备。
根据本公开的另一方面，还提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令被处理器210执行时实现前面任一所述的缺陷分类方法。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种缺陷分类器，其特征在于，包括第一层分类器和第二层分类器；
所述第一层分类器，被配置为将缺陷图像进行第一次分类得到浅分类层缺陷类别；
所述第二层分类器，被配置为将所述浅分类层缺陷类别进行第二次分类得到深分类层缺陷类别。
所述第一层分类器为model-based分类器；
所述第二层分类器为rule-based分类器和model-based分类器中的至少一种。
2.根据权利要求1所述的缺陷分类器，其特征在于，所述浅分类层缺陷类别至少为一个；
所述深分类层缺陷类别至少为一个。
3.根据权利要求1所述的缺陷分类器，其特征在于，所述第二层分类器包括至少一个子分类器；
一个所述子分类器对应一个所述浅分类层缺陷类别。
4.一种缺陷分类方法，其特征在于，使用权利要求1至3任一项所述的缺陷分类器进行，包括：
接收当前待进行缺陷分类的缺陷图像；
将所述缺陷图像通过第一层分类器得到多个浅分类层缺陷类别；
将所述浅分类层缺陷类别通过第二层分类器得到深分类层缺陷类别。
5.根据权利要求1所述的方法，其特征在于，将所述缺陷图像通过第一层分类器得到多个浅分类层缺陷类别包括：
提取所述第一层分类器的参数；
提取所述缺陷图像的特征向量；
依据所述第一层分类器的参数和所述特征向量得到多个浅分类层。
6.根据权利要求1所述的方法，其特征在于，将所述浅分类层缺陷类别通过第二层分类器得到深分类层缺陷类别包括：
提取所述第二层分类器的参数；
依据所述第二层分类器的参数和所述浅分类层缺陷类别得到深分类层缺陷类别。
7.根据权利要求6所述的方法，其特征在于，依据所述第二层分类器的参数和所述浅分类层缺陷类别得到深分类层缺陷类别包括：
提取所述第二层分类器中的子分类器的参数；
依据所述子分类器的参数和对应的浅分类层缺陷类别的特征向量得到深分类层缺陷类别。
8.一种缺陷分类装置，其特征在于，包括：图像输入模块、第一次分类模块和第二次分类模块；
所述图像输入模块，被配置为输入缺陷图像；
所述第一次分类模块，被配置为将所述缺陷图像通过第一层分类器得到多个浅分类层缺陷类别；
所述第二次分类模块，被配置为将所述浅分类层缺陷类别通过第二层分类器得到深分类层缺陷类别。
9.一种缺陷分类设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求4至7中任意一项所述的方法。
10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求4至7中任意一项所述的方法。
CN202110607390.9A 2021-06-01 2021-06-01 缺陷分类器和缺陷分类方法、装置、设备及存储介质 Pending CN113298166A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110607390.9A CN113298166A (zh) 2021-06-01 2021-06-01 缺陷分类器和缺陷分类方法、装置、设备及存储介质
PCT/CN2021/099464 WO2022252279A1 (zh) 2021-06-01 2021-06-10 缺陷分类器和缺陷分类方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110607390.9A CN113298166A (zh) 2021-06-01 2021-06-01 缺陷分类器和缺陷分类方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113298166A true CN113298166A (zh) 2021-08-24

Family

ID=77326601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110607390.9A Pending CN113298166A (zh) 2021-06-01 2021-06-01 缺陷分类器和缺陷分类方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN113298166A (zh)
WO (1) WO2022252279A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023065548A1 (zh) * 2021-10-21 2023-04-27 东方晶源微电子科技（北京）有限公司 缺陷分类方法和装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101876987A (zh) * 2009-12-04 2010-11-03 中国人民解放军信息工程大学 一种面向类间交叠的两类文本分类方法
CN102024145A (zh) * 2010-12-01 2011-04-20 五邑大学 一种伪装人脸分层识别方法及系统
CN102637258A (zh) * 2012-04-01 2012-08-15 首钢总公司 一种建立在线表面质量检测系统缺陷库的方法
JP2015038441A (ja) * 2013-08-19 2015-02-26 株式会社Ｓｃｒｅｅｎホールディングス 分類器取得方法、欠陥分類方法、欠陥分類装置およびプログラム
US20150125064A1 (en) * 2013-11-03 2015-05-07 Kla-Tencor Corporation Decision Tree Construction for Automatic Classification of Defects on Semiconductor Wafers
CN111161246A (zh) * 2019-12-30 2020-05-15 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统
CN111783886A (zh) * 2020-06-30 2020-10-16 创新奇智(青岛)科技有限公司 一种识别产品缺陷的方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268570B (zh) * 2014-09-19 2017-10-20 北京理工大学 一种基于类内差异的层次化单分类舰船目标虚警剔除方法
CN109635856A (zh) * 2018-11-29 2019-04-16 上海集成电路研发中心有限公司 一种产线缺陷图像智能分类系统及分类方法
CN111325225B (zh) * 2018-12-13 2023-03-21 富泰华工业（深圳）有限公司 图像分类方法、电子装置和存储介质
CN110648323B (zh) * 2019-09-26 2022-08-02 上海御微半导体技术有限公司 一种缺陷检测分类系统及其方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101876987A (zh) * 2009-12-04 2010-11-03 中国人民解放军信息工程大学 一种面向类间交叠的两类文本分类方法
CN102024145A (zh) * 2010-12-01 2011-04-20 五邑大学 一种伪装人脸分层识别方法及系统
CN102637258A (zh) * 2012-04-01 2012-08-15 首钢总公司 一种建立在线表面质量检测系统缺陷库的方法
JP2015038441A (ja) * 2013-08-19 2015-02-26 株式会社Ｓｃｒｅｅｎホールディングス 分類器取得方法、欠陥分類方法、欠陥分類装置およびプログラム
US20150125064A1 (en) * 2013-11-03 2015-05-07 Kla-Tencor Corporation Decision Tree Construction for Automatic Classification of Defects on Semiconductor Wafers
CN111161246A (zh) * 2019-12-30 2020-05-15 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统
CN111783886A (zh) * 2020-06-30 2020-10-16 创新奇智(青岛)科技有限公司 一种识别产品缺陷的方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023065548A1 (zh) * 2021-10-21 2023-04-27 东方晶源微电子科技（北京）有限公司 缺陷分类方法和装置、设备及存储介质

Also Published As

Publication number Publication date
WO2022252279A1 (zh) 2022-12-08

Similar Documents

Publication Publication Date Title
CN112990432B (zh) 目标识别模型训练方法、装置及电子设备
CN110163300B (zh) 一种图像分类方法、装置、电子设备及存储介质
JP6924413B2 (ja) データ生成装置、データ生成方法及びデータ生成プログラム
US11947890B2 (en) Implementation of deep neural networks for testing and quality control in the production of memory devices
CN106290378B (zh) 缺陷分类方法和缺陷检查系统
WO2019051941A1 (zh) 车型识别方法、装置、设备及计算机可读存储介质
JP6994588B2 (ja) 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体
TWI748122B (zh) 用於對多個項進行分類的系統、方法和電腦程式產品
CN111160301B (zh) 基于机器视觉的隧道病害目标智能识别及提取方法
US20210397170A1 (en) Implementation of deep neural networks for testing and quality control in the production of memory devices
EP4060607A1 (en) Information processing device, information processing method, and program
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
CN112037222B (zh) 一种神经网络模型的自动更新方法及系统
JP7254921B2 (ja) 半導体試料の欠陥の分類
CN112906823A (zh) 目标对象识别模型训练方法、识别方法及识别装置
CN115151952A (zh) 一种变电设备高精度识别方法及系统
CN113870254B (zh) 目标对象的检测方法、装置、电子设备及存储介质
CN113298166A (zh) 缺陷分类器和缺陷分类方法、装置、设备及存储介质
CN111783812A (zh) 违禁图像识别方法、装置和计算机可读存储介质
CN110728229B (zh) 图像处理方法、装置、设备和存储介质
CN112534472A (zh) 图像判定装置、图像判定方法及图像判定程序
CN115620083A (zh) 模型训练方法、人脸图像质量评价方法、设备及介质
CN111291800A (zh) 房屋装修类型分析方法、系统、电子设备及可读存储介质
WO2022126865A1 (zh) 缺陷分类方法和装置、设备及存储介质
TWI775586B (zh) 多分支的檢測系統及多分支的檢測方法

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