CN113554630A - 芯片表面缺陷检测方法、系统、计算机设备和存储介质 - Google Patents
芯片表面缺陷检测方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113554630A CN113554630A CN202110868375.XA CN202110868375A CN113554630A CN 113554630 A CN113554630 A CN 113554630A CN 202110868375 A CN202110868375 A CN 202110868375A CN 113554630 A CN113554630 A CN 113554630A
- Authority
- CN
- China
- Prior art keywords
- chip
- picture
- detected
- gan network
- lossless
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 79
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000002950 deficient Effects 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—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)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明适用于芯片检测技术领域，提供了一种芯片表面缺陷检测方法、系统、计算机设备和存储介质，所述方法包括以下步骤：采集无损芯片的表面图片，以所述无损芯片的表面图像训练Cycle GAN网络框架，得到缺陷检测模型；输入待检测芯片的表面图片至缺陷检测模型中进行检测判定；当所述待检测芯片的表面被判定为有缺陷时，定位待检测芯片的表面图片中的缺陷位置，本发明的有益效果是：为实现芯片表面的缺陷检测提供了一种精度高、成本低的检测方法。
Description
技术领域
本发明涉及芯片检测技术领域，尤其涉及一种芯片表面缺陷检测方法、系统、计算机设备和存储介质。
背景技术
随着军工、航天等各种高精尖领域的迅速发展，对芯片的质量和可靠性方面的要求也越来越高。因此出厂芯片的二次筛选显得尤为重要。尽管在二次筛选中芯片电性能等测试是芯片质量保证的必要前提，但芯片外观表面缺陷如芯片表面完整性、芯片引脚等的可靠性检测对芯片的二次筛选也起着重要作用。目前芯片的二次筛选厂家在芯片的外观缺陷检测领域仍采用传统的人工目测方式，但这种方式需要大量的人力物力，导致检测成本提高，而且容易漏检误检，检测精度低。
针对人工检测的缺点，运用机器视觉检测的方法得到更多的青睐，同时随着近年来非常火热的人工智能的发展，将深度学习的方法与机器视觉相融合的方法，会使得表面缺陷检测方法更加智能化。
在缺陷检测领域，目前基于深度学习的方法都是使用监督学习的方法，需要使用标注出缺陷的样本图片进行模型的训练，这样需要大量的人力资源去标注出芯片图片中的缺陷，这需要大量的人力资源，同时会增加检测的成本，并且采集大量各种带缺陷的样本较为困难，在现实中大多数的样本图片为表面正常的芯片图片。现有基于深度学习模型的缺陷检测方法无法定位出缺陷位置，只能简单的判断是否存在缺陷。
发明内容
本发明实施例的目的在于提供一种芯片表面缺陷检测方法、系统、计算机设备和存储介质，旨在解决背景技术中确定的现有技术存在的技术问题。
本发明实施例是这样实现的，芯片表面缺陷检测方法，包括以下步骤：
采集无损芯片的表面图片，以所述无损芯片的表面图像训练Cycle GAN网络框架，所述Cycle GAN网络框架包括真实空间的第一GAN网络和映射空间的第二GAN网络；
基于所述第一GAN网络和第二GAN网络生成缺陷检测模型，其中：
第一GAN网络由第一生成器通过映射空间随机生成的一个正态噪声矩阵解码生成一个假图片与真实的无损芯片表面图片通过第一判别器进行比较训练，来训练第一判别器和第一生成器的判别能力和生成能力，此时的第一生成器也起着解码器的作用，将映射空间的随机噪声解码到真实空间；
第二GAN网络由第二生成器通过将真实空间的无损芯片表面图片编码映射至映射空间与映射空间随机生成的一个正态噪声矩阵通过第一判别器进行比较训练，来训练第二判别器和第二生成器的判别能力和生成能力，此时的第二生成器也起着编码器的作用，将真实无损芯片表面图片编码映射至映射空间；
输入待检测芯片的表面图片至缺陷检测模型中进行检测判定；
当所述待检测芯片的表面被判定为有缺陷时，定位待检测芯片的表面图片中的缺陷位置。
作为本发明进一步的方案：输入至第一GAN网络中的无损芯片的表面图片中混入有随机噪声，用于增加图像特征信息的多样性。
作为本发明再进一步的方案：所述训练Cycle GAN网络框架的步骤中，还包括：定义循环一致性损失函数，所述循环一致性损失函数用于表征无损芯片的表面图片与第一生成器解码映射隐藏空间生成器生成的图片之间的误差。
作为本发明再进一步的方案：所述当所述待检测芯片的表面被判定为有缺陷时，定位待检测芯片的表面图片中的缺陷位置的步骤，具体包括：
当所述待检测芯片的表面被判定为有缺陷时；
采用LBP算法比较待检测芯片的表面图片与无损芯片的表面图片来定位待检测芯片的表面图片的缺陷位置。
本发明实施例的另一目的在于提供一种芯片表面缺陷检测装置，包括：
模型训练模块，用于采集无损芯片的表面图片，以所述无损芯片的表面图像训练Cycle GAN网络框架，所述Cycle GAN网络框架包括真实空间的第一GAN网络和映射空间的第二GAN网络，基于所述第一GAN网络和第二GAN网络生成缺陷检测模型；
检测判定模块，用于输入待检测芯片的表面图片至缺陷检测模型中进行检测判定；
缺陷定位模块，用于当所述待检测芯片的表面被判定为有缺陷时，定位待检测芯片的表面图片中的缺陷位置。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述芯片表面缺陷检测方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述芯片表面缺陷检测方法的步骤。
与现有技术相比，本发明的有益效果是：通过无损芯片的表面图像训练缺陷检测模型，当待检测芯片图片输入到已训练好的缺陷检测模型，并且得到超过阈值的异常分数时，则缺陷检测模型判断芯片图片存在缺陷，此时结合无损芯片的表面图片，再采用LBP算法比较待检测图片和生成图片来定位芯片图片的缺陷位置，该方法组合两个GAN网络克服了只有一个GAN网络对微小缺陷提取特征的不完全性，为实现芯片表面的缺陷检测提供了一种精度高、成本低的检测方法。
附图说明
图1为一种芯片表面缺陷检测方法的结构图。
图2为基于第一GAN网络和第二GAN网络生成缺陷检测模型的示意图。
图3为第二GAN网络的训练示意图。
图4为第一GAN网络的训练示意图。
图5为输入待检测芯片的表面图片至缺陷检测模型中进行检测判定的示意图。
图6为定位待检测芯片的表面图片中的缺陷位置的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1～4所示，为本发明一个实施例提供的一种芯片表面缺陷检测方法的结构图，包括以下步骤：
S100，采集无损芯片的表面图片，以所述无损芯片的表面图像训练Cycle GAN网络框架，所述Cycle GAN网络框架包括真实空间的第一GAN网络和映射空间的第二GAN网络。
本发明实施例中，无损芯片指的是表面并无缺陷的芯片，采集时，应选择高帧率CCD相机来采集无损芯片图像，CCD相机成像品质好，灵活性高，同时对CCD相机进行标定，保证图像畸变最小化，为后续的训练模型做好准备并采用环形LED光源，使芯片受光均匀，减少光源不均匀对图片造成的影响，提高采集的图片质量。
S200，基于所述第一GAN网络和第二GAN网络生成缺陷检测模型，其中：
第一GAN网络由第一生成器通过映射空间随机生成的一个正态噪声矩阵解码生成一个假图片与真实的无损芯片表面图片通过第一判别器进行比较训练，来训练第一判别器和第一生成器的判别能力和生成能力，此时的第一生成器也起着解码器的作用，将映射空间的随机噪声解码到真实空间；
第二GAN网络由第二生成器通过将真实空间的无损芯片表面图片编码映射至映射空间与映射空间随机生成的一个正态噪声矩阵通过第一判别器进行比较训练，来训练第二判别器和第二生成器的判别能力和生成能力，此时的第二生成器也起着编码器的作用，将真实无损芯片表面图片编码映射至映射空间。
本发明实施例中，所述Cycle GAN网络框架包含两个GAN网络，即真实空间的GAN(第一GAN网络)和映射空间的GAN(第二GAN网络)。其中第一GAN网络通过无损芯片的表面图片与生成器G1(第一生成器)生成的假图片来训练，其中判别器D1(第一判别器)将无损芯片的表面图片与生成器G1(第一生成器)生成的图片通过第一损失函数进行参数更新，同时生成器G1(第一生成器)也会进行参数的更新，来提升第一GAN网络的训练精度。
同样，在第二GAN网络通过添加噪声Z和由生成器G2(第二生成器)将无损芯片的表面图片X映射到映射隐藏空间的G2(X)(映射隐藏空间生成器)来进行训练，通过第二损失函数来更新生成器G2(第二生成器)的模型参数，同时也更新判别器D2(第二判别器)的参数，来提升从真实空间到映射隐藏空间的能力。通过这两个GAN网络的组合来提高对图片的特征的提取能力，从而提高精确度。
生成器G2(第二生成器)相当于编码器，采用卷积神经网络层，具体为两层的核为4x4的卷积神经网络层，其中一层卷积神经网络层包括Conv2d，BatchNorm2d和激活函数Relu，将无损芯片的表面图片映射到映射隐藏空间，另一个生成器G1(第一生成器)相当于解码器，采用反卷积神经网络层，具体为两层核也为4x4的反卷积神经网络层，其中一层反卷积神经网络层包括ConvTranspose2d，BatchNorm2d和激活函数Relu函数，将映射隐藏空间生成的图片解码到真实空间。
判别器D1(第一判别器)在对真实空间进行比较的时候会有一个损失函数，即第一损失函数，其公式为：
其中，V1(D1,G)＝Ex[D1(x)]-Ez[D1(G1(z))]。
同理，判别器D2(第二判别器)同样在对映射空间中的无损芯片的表面图片和生成图片进行比较时，也会有一个损失函数，即第二损失函数，其公式为：
其中，V2(D2,G)＝Ez[D2(z)]-Ex[D2(G2(x))]。
以第一损失函数和第二损失函数来更新Cycle GAN网络框架的参数。
S300，输入待检测芯片的表面图片至缺陷检测模型中进行检测判定。
S400，当所述待检测芯片的表面被判定为有缺陷时，定位待检测芯片的表面图片中的缺陷位置。
如图4所示，作为本发明一个优选的实施例，输入至第一GAN网络中的无损芯片的表面图片中混入有随机噪声，用于增加图像特征信息的多样性，为后续训练缺陷检测模型做准备。
如图2所示，作为本发明另一个优选的实施例，所述训练Cycle GAN网络框架的步骤中，还包括：定义循环一致性损失函数，所述循环一致性损失函数用于表征无损芯片的表面图片与第一生成器解码映射隐藏空间生成器生成的图片之间的误差。
本发明实施例中，当Cycle GAN网络框架中仅存在第一损失函数和第二损失函数时，可能会出现精度较低的问题，于是本实施例中又引入了cycle consistency loss(循环一致性损失函数)，使第一、二两个生成器生成的结果不会互相矛盾，陷入过拟合状态，提高模型精度。
具体的，无损芯片的表面图片X通过生成器G2(第二生成器)映射到映射空间得到G2(X)，并直接通过生成器G1(第一生成器)解码成图片G1(G2(X))，生成图片与无损芯片的表面图片X之间的误差即循环一致性损失函数。其公式为：
Vcl(G1,G2)＝Ex[||x-G1(G2(x))||]。
进一步的，通过这三个损失函数来迭代更新缺陷检测模型的参数，使缺陷检测模型更加精确。
本发明实施例中，训练时不需要设定阈值来终止训练，终止条件是训练网络设置的迭代次数，设置阈值是在测试或应用时为了判断是否有缺陷，得到的值超过阈值就判断为有缺陷，这个阈值是由第一损失函数、第二损失函数和循环一致性损失函数三者的和组成。
如图5～6所示，作为本发明另一个优选的实施例，所述当所述待检测芯片的表面被判定为有缺陷时，定位待检测芯片的表面图片中的缺陷位置的步骤，具体包括：
S301，当所述待检测芯片的表面被判定为有缺陷时。
本发明实施例中，具体的来说，当待检测芯片的表面图片被输入至缺陷检测模型中时，由于缺陷检测模型是通过无缺陷样本训练好的，所以当输入的待检测芯片的表面图片有缺陷时，缺陷检测模型会得到一个超过设定的异常分数阈值的异常分数，缺陷检测模型就会判断该图片存在缺陷。
其中，异常分数由待检测芯片的表面图片输入判别器D1(第一判别器)得到的分值、由待检测芯片的表面图片通过生成器G2(第二生成器)映射到映射空间输入判别器D2(第二判别器)得到的分值和由循环一致性损失函数得到的分值组成。
S302，采用LBP算法比较待检测芯片的表面图片与无损芯片的表面图片来定位待检测芯片的表面图片的缺陷位置。
本发明实施例中，采用简单的局部二值模式(Localbinarypatterns,LBP)方式来实现定位，LBP是机器视觉领域中用于描述图像局部纹理特征的算子,具有旋转不变性和灰度不变性等显著的优点，以窗口中心像素为阈值，将相邻任意半径的圆内的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。再计算待检测芯片的表面图片和无损芯片的表面图片LBP值，两者进行比较能定位去缺陷位置。
本发明实施例还提供了一种芯片表面缺陷检测装置，包括：
模型训练模块，用于采集无损芯片的表面图片，以所述无损芯片的表面图像训练Cycle GAN网络框架，所述Cycle GAN网络框架包括真实空间的第一GAN网络和映射空间的第二GAN网络，基于所述第一GAN网络和第二GAN网络生成缺陷检测模型；
检测判定模块，用于输入待检测芯片的表面图片至缺陷检测模型中进行检测判定；
缺陷定位模块，用于当所述待检测芯片的表面被判定为有缺陷时，定位待检测芯片的表面图片中的缺陷位置。
本发明实施例中，通过无损芯片的表面图像训练缺陷检测模型，当待检测芯片图片输入到已训练好的缺陷检测模型，并且得到超过阈值的异常分数时，则缺陷检测模型判断芯片图片存在缺陷，此时结合无损芯片的表面图片，再采用LBP算法比较待检测图片和无损芯片的表面图片来定位芯片图片的缺陷位置，该方法组合两个GAN网络克服了只有一个GAN网络对微小缺陷提取特征的不完全性，为实现芯片表面的缺陷检测提供了一种精度高、成本低的检测方法。
具体的，模型训练模块中，第一GAN网络由第一生成器通过映射空间随机生成的一个正态噪声矩阵解码生成一个假图片与真实的无损芯片表面图片通过第一判别器进行比较训练，来训练第一判别器和第一生成器的判别能力和生成能力，此时的第一生成器也起着解码器的作用，将映射空间的随机噪声解码到真实空间；
第二GAN网络由第二生成器通过将真实空间的无损芯片表面图片编码映射至映射空间与映射空间随机生成的一个正态噪声矩阵通过第一判别器进行比较训练，来训练第二判别器和第二生成器的判别能力和生成能力，此时的第二生成器也起着编码器的作用，将真实无损芯片表面图片编码映射至映射空间。
本发明实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述芯片表面缺陷检测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述芯片表面缺陷检测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实施例处的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (7)
1.芯片表面缺陷检测方法，其特征在于，包括以下步骤：
采集无损芯片的表面图片，以所述无损芯片的表面图像训练Cycle GAN网络框架，所述Cycle GAN网络框架包括真实空间的第一GAN网络和映射空间的第二GAN网络；
基于所述第一GAN网络和第二GAN网络生成缺陷检测模型，其中：
第一GAN网络由第一生成器通过映射空间随机生成的一个正态噪声矩阵解码生成一个假图片与真实的无损芯片表面图片通过第一判别器进行比较训练，来训练第一判别器和第一生成器的判别能力和生成能力，此时的第一生成器也起着解码器的作用，将映射空间的随机噪声解码到真实空间；
第二GAN网络由第二生成器通过将真实空间的无损芯片表面图片编码映射至映射空间与映射空间随机生成的一个正态噪声矩阵通过第一判别器进行比较训练，来训练第二判别器和第二生成器的判别能力和生成能力，此时的第二生成器也起着编码器的作用，将真实无损芯片表面图片编码映射至映射空间；
输入待检测芯片的表面图片至缺陷检测模型中进行检测判定；
当所述待检测芯片的表面被判定为有缺陷时，定位待检测芯片的表面图片中的缺陷位置。
2.根据权利要求1所述的芯片表面缺陷检测方法，其特征在于，输入至第一GAN网络中的无损芯片的表面图片中混入有随机噪声，用于增加图像特征信息的多样性。
3.根据权利要求1所述的芯片表面缺陷检测方法，其特征在于，所述训练Cycle GAN网络框架的步骤中，还包括：定义循环一致性损失函数，所述循环一致性损失函数用于表征无损芯片的表面图片与第一生成器解码映射隐藏空间生成器生成的图片之间的误差。
4.根据权利要求1所述的芯片表面缺陷检测方法，其特征在于，所述当所述待检测芯片的表面被判定为有缺陷时，定位待检测芯片的表面图片中的缺陷位置的步骤，具体包括：
当所述待检测芯片的表面被判定为有缺陷时；
采用LBP算法比较待检测芯片的表面图片与无损芯片的表面图片来定位待检测芯片的表面图片的缺陷位置。
5.芯片表面缺陷检测装置，其特征在于，包括：
模型训练模块，用于采集无损芯片的表面图片，以所述无损芯片的表面图像训练CycleGAN网络框架，所述Cycle GAN网络框架包括真实空间的第一GAN网络和映射空间的第二GAN网络，基于所述第一GAN网络和第二GAN网络生成缺陷检测模型；
检测判定模块，用于输入待检测芯片的表面图片至缺陷检测模型中进行检测判定；
缺陷定位模块，用于当所述待检测芯片的表面被判定为有缺陷时，定位待检测芯片的表面图片中的缺陷位置。
6.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至4中任一项权利要求所述芯片表面缺陷检测方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至4中任一项权利要求所述芯片表面缺陷检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110868375.XA CN113554630A (zh) | 2021-07-30 | 2021-07-30 | 芯片表面缺陷检测方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110868375.XA CN113554630A (zh) | 2021-07-30 | 2021-07-30 | 芯片表面缺陷检测方法、系统、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113554630A true CN113554630A (zh) | 2021-10-26 |
Family
ID=78104966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110868375.XA Pending CN113554630A (zh) | 2021-07-30 | 2021-07-30 | 芯片表面缺陷检测方法、系统、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554630A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114580454A (zh) * | 2022-02-24 | 2022-06-03 | 发明之家(北京)科技有限公司 | 一种芯片外观不良识别方法和系统 |
| CN115239717A (zh) * | 2022-09-22 | 2022-10-25 | 江苏智云天工科技有限公司 | 工业检测中的缺陷检测装置 |
| WO2024007602A1 (zh) * | 2022-07-06 | 2024-01-11 | 中国华能集团清洁能源技术研究院有限公司 | 一种用于生成光伏板缺陷图像的CycleGAN模型的训练方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
| CN112950561A (zh) * | 2021-02-22 | 2021-06-11 | 中国地质大学（武汉） | 光纤端面缺陷检测方法、设备及存储介质 |
-
2021
- 2021-07-30 CN CN202110868375.XA patent/CN113554630A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
| CN112950561A (zh) * | 2021-02-22 | 2021-06-11 | 中国地质大学（武汉） | 光纤端面缺陷检测方法、设备及存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114580454A (zh) * | 2022-02-24 | 2022-06-03 | 发明之家(北京)科技有限公司 | 一种芯片外观不良识别方法和系统 |
| CN114580454B (zh) * | 2022-02-24 | 2022-10-11 | 发明之家(北京)科技有限公司 | 一种芯片外观不良识别方法和系统 |
| WO2024007602A1 (zh) * | 2022-07-06 | 2024-01-11 | 中国华能集团清洁能源技术研究院有限公司 | 一种用于生成光伏板缺陷图像的CycleGAN模型的训练方法及装置 |
| CN115239717A (zh) * | 2022-09-22 | 2022-10-25 | 江苏智云天工科技有限公司 | 工业检测中的缺陷检测装置 |
| CN115239717B (zh) * | 2022-09-22 | 2023-01-03 | 江苏智云天工科技有限公司 | 工业检测中的缺陷检测装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI767108B (zh) | 用於檢查半導體試樣的方法與系統及在其上紀錄相關指令的電腦可讀取媒體 | |
| WO2019117065A1 (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 | |
| CN113554630A (zh) | 芯片表面缺陷检测方法、系统、计算机设备和存储介质 | |
| CN111539908B (zh) | 对样本的缺陷检测的方法及其系统 | |
| KR20170074812A (ko) | 반도체 표본의 딥 러닝 - 기반 검사의 방법 및 그 시스템 | |
| CN111028213A (zh) | 图像缺陷检测方法、装置、电子设备及存储介质 | |
| CN110136101B (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
| KR20200014927A (ko) | 반도체 시편의 시험을 위해 사용 가능한 훈련 세트를 생성하는 방법 및 그 시스템 | |
| JP2019114116A (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 | |
| CN111932511B (zh) | 一种基于深度学习的电子元器件质量检测方法与系统 | |
| KR20190029484A (ko) | 검사 레시피를 생성하는 방법 및 그 시스템 | |
| CN114862776A (zh) | 一种产品表面缺陷检测方法、装置、计算机设备及介质 | |
| CN111340796A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
| CN114494780A (zh) | 基于特征对比的半监督工业缺陷检测方法及系统 | |
| CN115861170A (zh) | 基于改进yolo v4算法的表面缺陷检测方法 | |
| CN111124895B (zh) | 一种主次峰值比计算算法的蜕变测试方法 | |
| CN109447968A (zh) | 图像区域生长算法的蜕变测试系统 | |
| CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
| CN117173154A (zh) | 玻璃瓶的在线图像检测系统及其方法 | |
| CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
| US20030185432A1 (en) | Method and system for image registration based on hierarchical object modeling | |
| CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质 | |
| CN114693554A (zh) | 一种大数据图像处理方法及系统 | |
| CN114813746B (zh) | 基于机器视觉的弯针检测的方法、系统、存储介质及设备 | |
| CN116188973B (zh) | 认知生成机制裂缝检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211026 |
|
| RJ01 | Rejection of invention patent application after publication |