CN114235759A - 缺陷检测方法、装置、设备及计算机可读存储介质 - Google Patents

缺陷检测方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN114235759A
CN114235759A CN202210174486.5A CN202210174486A CN114235759A CN 114235759 A CN114235759 A CN 114235759A CN 202210174486 A CN202210174486 A CN 202210174486A CN 114235759 A CN114235759 A CN 114235759A
Authority
CN
China
Prior art keywords
defect
detection result
thermodynamic diagram
wafer
photoluminescence
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.)
Granted
Application number
CN202210174486.5A
Other languages
English (en)
Other versions
CN114235759B (zh
Inventor
何兆铭
毕海
段江伟
汪伟
杨万里
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210174486.5A priority Critical patent/CN114235759B/zh
Publication of CN114235759A publication Critical patent/CN114235759A/zh
Application granted granted Critical
Publication of CN114235759B publication Critical patent/CN114235759B/zh
Priority to PCT/CN2022/122989 priority patent/WO2023159961A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/72—Investigating presence of flaws
    • 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
    • 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
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明属于晶圆缺陷检测领域，公开了一种缺陷检测方法、装置、设备及计算机可读存储介质。该方法包括：获取待检测晶圆的光致发光检测结果；根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图，所述预设热力图模型基于电致发光缺陷标记后的光致发光检测结果样本构建；根据所述缺陷热力图确定所述待检测晶圆的缺陷检测结果。由于本发明是根据光致发光检测结果通过预设热力图模型生成待检测晶圆对应的缺陷热力图，根据缺陷热力图确定待检测晶圆的检测结果。相对于现有的通过晶圆的光致发光检测结果和电致发光检测结果确定晶圆的缺陷检测结果的方式，本发明上述方式能够提高晶圆的检测效率和检测精度。

Description

缺陷检测方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及晶圆缺陷检测技术领域，尤其涉及一种缺陷检测方法、装置、设备及计算机可读存储介质。
背景技术
晶圆缺陷检测中通常会使用多种不同的技术手段进行检测，例如，光致发光检测和电致发光检测。在光致发光检测过程中不同的成像方法可以获取多种结果。通常的分析方式是将逐个显微视场的检测结果或者逐个像素检测的结果进行分析，这容易忽略成像结果间的联系，造成缺陷的误判。而电致发光检测的成本较高，容易对晶圆造成影响。且光致发光检测结果和电致发光检测间的对应关系没有被引入，仅使用光致发光结果也不能完全对电致发光的情况进行判断。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种缺陷检测方法、装置、设备及计算机可读存储介质，旨在解决现有技术中光致发光检测的检测精度较低、电致发光检测可能划伤面板，且检测速度较慢的技术问题。
为实现上述目的，本发明提供了一种缺陷检测方法，所述方法包括以下步骤：
获取待检测晶圆的光致发光检测结果；
根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图，所述预设热力图模型基于电致发光缺陷标记后的光致发光检测结果样本构建；
根据所述缺陷热力图确定所述待检测晶圆的缺陷检测结果。
可选地，所述根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图的步骤之前，包括：
获取晶圆样本的光致发光检测结果样本和电致发光检测结果样本；
根据所述电致发光检测结果样本对所述光致发光检测结果样本进行电致发光缺陷标记；
根据标记后的光致发光检测结果样本对初始神经网络模型进行训练，获得预设热力图模型。
可选地，所述根据所述电致发光检测结果样本对所述光致发光检测结果样本进行电致发光缺陷标记的步骤之前，还包括：
根据预设分割尺寸对所述光致发光检测结果样本进行处理，获得预设分割尺寸的光致发光检测子图；
相应地，所述根据所述电致发光检测结果样本对所述光致发光检测结果样本进行电致发光缺陷标记的步骤，包括；
根据所述电致发光检测结果样本对所述光致发光检测子图进行电致缺陷标记。
可选地，所述根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图的步骤，包括：
通过预设热力图模型对所述光致发光检测结果进行电致发光缺陷预测，获得预测过程信息；
获取所述预测过程信息中的各通道的融合系数和输入信息；
根据所述融合系数和所述输入信息生成所述待检测晶圆对应的缺陷热力图。
可选地，所述根据所述融合系数和所述输入信息生成所述待检测晶圆对应的缺陷热力图的步骤，包括：
根据所述融合系数和所述输入信息通过以下公式确定所述待检测晶圆对应的缺陷热力图：
Figure 831997DEST_PATH_IMAGE001
其中，image用于表征所述缺陷热力图，N用于表征预设热力图模型的GAP层对应的输入通道数量，n用于表征第n个通道，
Figure 811454DEST_PATH_IMAGE002
用于表征第n个通道的融合系数，
Figure DEST_PATH_IMAGE003
用于表征第n个通道的输入信息。
可选地，所述根据所述缺陷热力图确定所述待检测晶圆的缺陷检测结果的步骤，包括：
获取所述缺陷热力图的分辨率；
在所述分辨率大于预设分辨率时，对所述缺陷热力图进行平滑处理；
根据处理后的缺陷热力图确定缺陷检测结果。
可选地，所述获取所述缺陷热力图的分辨率的步骤之后，还包括：
在所述分辨率小于或等于所述预设分辨率时，根据预设缺陷判断阈值确定所述缺陷热力图中的缺陷部位；
根据所述缺陷部位确定缺陷检测结果。
此外，为实现上述目的，本发明还提供一种缺陷检测装置，所述装置包括：
获取模块，用于获取待检测晶圆的光致发光检测结果；
缺陷热力图生成模块，用于根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图，所述预设热力图模型基于电致发光缺陷标记后的光致发光检测结果样本构建；
检测结果确定模块，用于根据所述缺陷热力图确定所述待检测晶圆的缺陷检测结果。
此外，为实现上述目的，本发明还提出一种缺陷检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷检测程序，所述缺陷检测程序配置为实现如上文所述的缺陷检测方法的步骤。
此外，为实现上述目的，本发明还提出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缺陷检测程序，所述缺陷检测程序被处理器执行时实现如上文所述的缺陷检测方法的步骤。
本发明获取待检测晶圆的光致发光检测结果；根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图，所述预设热力图模型基于电致发光缺陷标记后的光致发光检测结果样本构建；根据所述缺陷热力图确定所述待检测晶圆的缺陷检测结果。由于本发明是根据光致发光检测结果通过预设热力图模型生成待检测晶圆对应的缺陷热力图，根据缺陷热力图确定待检测晶圆的检测结果。相对于现有的通过晶圆的光致发光检测结果和电致发光检测结果确定晶圆的缺陷检测结果的方式，本发明上述方式能够提高晶圆的检测效率和检测精度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的缺陷检测设备的结构示意图；
图2为本发明缺陷检测方法第一实施例的流程示意图；
图3为本发明缺陷检测方法第二实施例的流程示意图；
图4为本发明缺陷检测方法第二实施例的模型训练示意图；
图5为本发明缺陷检测方法第三实施例的流程示意图；
图6为本发明缺陷检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的缺陷检测设备结构示意图。
如图1所示，该缺陷检测设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM），也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对缺陷检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及缺陷检测程序。
在图1所示的缺陷检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明缺陷检测设备中的处理器1001、存储器1005可以设置在缺陷检测设备中，所述缺陷检测设备通过处理器1001调用存储器1005中存储的缺陷检测程序，并执行本发明实施例提供的缺陷检测方法。
基于上述缺陷检测设备，本发明实施例提供了一种缺陷检测方法，参照图2，图2为本发明缺陷检测方法第一实施例的流程示意图。
本实施例中，所述缺陷检测方法包括以下步骤：
步骤S10：获取待检测晶圆的光致发光检测结果。
需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如手机、平板电脑、个人电脑等，或者是一种能够实现上述功能的电子设备或晶圆缺陷检测设备。以下以所述晶圆缺陷检测设备为例，对本实施例及下述各实施例进行说明。
需要说明的是，所述待检测晶圆可以是制作硅半导体电路所用的硅晶片，例如，Micro LED。所述光致发光检测结果可以是对所述待检测晶圆进行光致发光检测获得的检测结果。光致发光检测可以是使用共聚焦技术检测显微镜视场下的LED受激光激发后的激发光谱，或者使用其他光谱成像方法获取晶圆各位置的激发光谱。这些光致发光结果通常可以以图片形式存储。
步骤S20：根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图，所述预设热力图模型基于电致发光缺陷标记后的光致发光检测结果样本构建。
需要说明的是，所述缺陷热力图可以是以特殊高亮的形式显示高概率包含电致发光缺陷位置的Led的晶圆图像。所述预设热力图模型基于电致发光缺陷标记后的光致发光检测结果样本构建，其可以建立电致发光缺陷检测结果和光致发光缺陷检测结果之间的联系，进而在对待检测晶圆进行检测时，可以跳过电致发光缺陷检测的过程，直接根据所述光致发光检测结果和所述预设热力图模型生成所述待检测晶圆对应的缺陷热力图，进而确定所述待检测晶圆的缺陷检测结果。所述缺陷热力图可以是根据所述预设热力图模型基于所述光致发光检测结果预测的预测过程信息生成的图像。
步骤S30：根据所述缺陷热力图确定所述待检测晶圆的缺陷检测结果。
需要说明的是，所述缺陷检测结果可以包括所述待检测晶圆是否有缺陷以及缺陷的位置和大小等信息。
进一步的，为了准确的获得待检测晶圆的缺陷检测结果，所述步骤S30，可包括：获取所述缺陷热力图的分辨率；在所述分辨率大于预设分辨率时，对所述缺陷热力图进行平滑处理；根据处理后的缺陷热力图确定缺陷检测结果。
需要说明的是，所述预设分辨率可以是预先设置的分辨率，在缺陷热力图的分辨率大于所述预设分辨率时，为了使缺陷检测结果更加准确，可以在进行计算缺陷检测结果中的区域面积前使用滤波器对缺陷热力图进行一次平滑。在计算缺陷区域面积时，可以使用对包络线内面积积分的方法。此外，在获得缺陷热力图后，也可将得到的缺陷热力图进一步的进行人工标注，可以将标注后的缺陷热力图作为输入用来训练深度学习模型进行相应的预测。
进一步的，为了提高获得缺陷检测结果的效率，所述获取所述缺陷热力图的分辨率的步骤之后，还包括：在所述分辨率小于或等于所述预设分辨率时，根据预设缺陷判断阈值确定所述缺陷热力图中的缺陷部位；根据所述缺陷部位确定缺陷检测结果。
需要说明的是，所述预设缺陷判断阈值可以是能够判断该区域存在缺陷的阈值。所述根据预设缺陷判断阈值确定所述缺陷热力图中的缺陷部位可以是根据所述预设缺陷判断阈值和缺陷热力图中的缺陷数值确定所述缺陷热力图中的缺陷部位。其中，所述缺陷数值可以是所述缺陷热力图中各个像素的像素值。在所述缺陷数值大于所述预设缺陷判断阈值时，判定该像素为缺陷像素，连续几个缺陷像素可构成一个缺陷部位。根据所述缺陷部位确定缺陷检测结果可以是根据所述缺陷部位的位置、大小等信息生成缺陷检测结果，可以是根据缺陷部位对应的缺陷像素的位置和数量确定缺陷部位的位置以及大小，并生成缺陷检测结果。
本实施例获取待检测晶圆的光致发光检测结果；根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图，所述预设热力图模型基于电致发光缺陷标记后的光致发光检测结果样本构建；根据所述缺陷热力图确定所述待检测晶圆的缺陷检测结果。由于本实施例是根据光致发光检测结果通过预设热力图模型生成待检测晶圆对应的缺陷热力图，根据缺陷热力图确定待检测晶圆的检测结果。相对于现有的通过晶圆的光致发光检测结果和电致发光检测结果确定晶圆的缺陷检测结果的方式，本实施例上述方式能够提高晶圆的检测效率和检测精度。
参考图3，图3为本发明缺陷检测方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述步骤S20之前，还包括：
步骤S101：获取晶圆样本的光致发光检测结果样本和电致发光检测结果样本。
需要说明的是，所述晶圆样本可以是训练初始神经网络模型所需要的样本晶圆。所述光致发光检测结果样本可以是对所述晶圆样本进行光致发光检测获得的检测结果。所述电致发光检测结果样本可以是对所述晶圆样本进行电致发光检测获得的检测结果。
步骤S102：根据所述电致发光检测结果样本对所述光致发光检测结果样本进行电致发光缺陷标记。
需要说明的是，所述根据所述电致发光检测结果样本对所述光致发光检测结果样本进行电致发光缺陷标记可以是在所述光致发光检测结果样本中标记所述电致发光检测结果样本中的缺陷信息。
进一步的，为了提高模型预测的精度，所述步骤S102之前，还包括：根据预设分割尺寸对所述光致发光检测结果样本进行处理，获得预设分割尺寸的光致发光检测子图；相应地，所述根据所述电致发光检测结果样本对所述光致发光检测结果样本进行电致发光缺陷标记的步骤，包括；根据所述电致发光检测结果样本对所述光致发光检测子图进行电致缺陷标记。
需要说明的是，所述预设分割尺寸可以是预先设置的尺寸，可以根据光致发光检测结果的大小自定义设置。所述光致发光检测子图可以是对所述光致发光检测结果样本进行分割后获得的子图像。所述根据所述电致发光检测结果样本对所述光致发光检测子图进行电致缺陷标记可以是根据所述电致发光检测结果样本对所述光致发光检测子图中是否包含电致发光缺陷的led进行标记。
步骤S103：根据标记后的光致发光检测结果样本对初始神经网络模型进行训练，获得预设热力图模型。
需要说明的是，可参照图4，图4为本发明缺陷检测方法第二实施例的模型训练示意图。依据图4可知，根据标记后的光致发光检测结果样本对初始神经网络模型进行训练可以是使标记后的光致发光检测结果样本00分别通过所述初始神经网络模型的卷积层01、卷积层02、卷积层03、GAP层04和全连接输出层05，进而得到模型的输出，模型的输出可包括存在电致发光缺陷以及不存在电致发光缺陷。
在具体实施中，本实施例中主要在模型的输出层前使用全局平均池化（GlobalAverage Pooling，GAP）作为高维特征图与模型输出层的连接方式。模型输出结果为正类和负类，即包含电致发光缺陷和不包含电致发光缺陷两种类型。全局池化方法能够将输入GAP层的多通道特征图的各通道转化为一个数值。例如本实施案例中卷积神经网络处理得到的多通道结果的各通道被转换为各通道的平均值。图4中展示的是预设热力图模型包含GAP层和卷积层的模型，图4中可包括第k-1层和第k层，分别代表前一个卷积层和后一个卷积层，k用于表征卷积层的数量。第k-1层的卷积操作
Figure 715825DEST_PATH_IMAGE004
将高度为
Figure 111035DEST_PATH_IMAGE005
，宽度为
Figure 987724DEST_PATH_IMAGE006
的
Figure 872503DEST_PATH_IMAGE007
通道的输入
Figure 139536DEST_PATH_IMAGE008
转换为高度为
Figure 400753DEST_PATH_IMAGE009
，宽度为
Figure 131949DEST_PATH_IMAGE010
的
Figure 187630DEST_PATH_IMAGE011
通道的输出
Figure 941959DEST_PATH_IMAGE012
。N用于表征各个卷积层的通道数量，卷积操作
Figure 741288DEST_PATH_IMAGE013
具体可以表示为如下形式：
Figure 326990DEST_PATH_IMAGE014
其中包括了卷积核为
Figure 756834DEST_PATH_IMAGE015
的2维卷积操作
Figure 60777DEST_PATH_IMAGE016
、偏置参数
Figure 398217DEST_PATH_IMAGE017
以及非线性激活函数
Figure 104005DEST_PATH_IMAGE018
。通常激活函数可以选用Sigmoid、Relu或者tanh等非线性函数对矩阵中每一个元素进行非线性变换。对k-1层的输出结果
Figure 439171DEST_PATH_IMAGE012
进行GAP操作得到输出层的输入。GAP操作对
Figure 230410DEST_PATH_IMAGE011
张特征图单独进行操作，求出每一张特征图的平均值作为该通道特征图的输出值。通过这个操作GAP层最后将输入的高度为
Figure 371541DEST_PATH_IMAGE009
宽度为
Figure 869519DEST_PATH_IMAGE010
的
Figure 703483DEST_PATH_IMAGE011
通道单个样本数据转换为了1*1*
Figure 716438DEST_PATH_IMAGE011
的数据。其中，全局平均池化的具体方法如下：
Figure 661260DEST_PATH_IMAGE019
其中，
Figure 13744DEST_PATH_IMAGE020
用于表征GAP层输出的第n个元素，GAP层的输出层为
Figure 18609DEST_PATH_IMAGE011
个通道元素的均值。
Figure 518861DEST_PATH_IMAGE009
和
Figure 939478DEST_PATH_IMAGE010
用于表征输入
Figure 474364DEST_PATH_IMAGE012
的第n个通道的输入尺寸大小，该通道的输入总元素数量为
Figure 650131DEST_PATH_IMAGE009
*
Figure 637678DEST_PATH_IMAGE010
。
需要说明的是，参照图4，图4展示了全连接输出层的参数组成示例，假设GAP层的输入通道数为3，即卷积层中各个图像的通道数为3，那么输出的结果为3个通道的平均值。此时全连接层连接电致发光缺陷的预测过程信息的参数涉及三个权重参数，用于表征各个通道的通道融合系数。同时电致发光正常的预测过程信息也涉及三个权重参数，在生成micro-LED缺陷热力图时将其忽略，仅保留上述电致发光缺陷的预测过程信息的三个权重参数作为GAP层三个输入通道的通道融合系数。即根据图4可知，若通道数为3，则用于表征不存在电致发光缺陷的输出有三个权重参数，用于表征存在电致发光缺陷的输出也有三个权重参数，但是，在生成micro-LED缺陷热力图时需要将不存在电致发光缺陷三个权重参数忽略，将存在电致发光缺陷的输出作为各个通道的通道融合系数。
本实施例获取晶圆样本的光致发光检测结果样本和电致发光检测结果样本；根据所述电致发光检测结果样本对所述光致发光检测结果样本进行电致发光缺陷标记；根据标记后的光致发光检测结果样本对初始神经网络模型进行训练，获得预设热力图模型。本实施例根据电致发光检测结果样本对光致发光检测结果样本进行电致发光缺陷标记；根据标记后的光致发光检测结果样本对初始神经网络模型进行训练，获得预设热力图模型。本实施例通过模型构建了光致发光检测结果和电致发光检测结果之间的关系，使得后续可通过预设热力图模型和光致发光检测结果得到待检测晶圆的缺陷检测结果，提高待检测晶圆的检测效率。
参考图5，图5为本发明缺陷检测方法第三实施例的流程示意图。
基于上述各实施例，在本实施例中，所述步骤S20，可包括：
步骤S201：通过预设热力图模型对所述光致发光检测结果进行电致发光缺陷预测，获得预测过程信息。
需要说明的是，所述通过预设热力图模型对所述光致发光检测结果进行电致发光缺陷预测可以是将所述光致发光检测结果输入至所述预设热力图模型中，获得所述预设热力图模型的预测过程信息，所述预测过程信息可包括预设热力图模型全连接输出层中用于计算电致发光缺陷的权重系数，以及各个卷积层的输入、输出信息，预设热力图模型的输出结果可以是电致发光缺陷信息。其中，所述将所述光致发光检测结果输入至所述预设热力图模型之前，可以包括根据预设分割尺寸对所述光致发光检测结果进行处理，获得预设分割尺寸的光致发光检测子图，将所述预设分割尺寸的光致发光检测子图输入至所述预设热力图模型。
步骤S202：获取所述预测过程信息中的各通道的融合系数和输入信息。
需要说明的是，所述各通道的融合系数可以是所述全连接输出层中包含电致发光缺陷的权重系数。所述输入信息可以是所述预设热力图模型中GAP层的输入信息，即预设热力图模型中与GAP层相邻的卷积层的输出信息，其包含了各个通道的基本信息。
步骤S203：根据所述融合系数和所述输入信息生成所述待检测晶圆对应的缺陷热力图。
需要说明的是，所述根据所述融合系数和所述输入信息生成所述待检测晶圆对应的缺陷热力图可以是根据以下公式确定所述待检测晶圆对应的缺陷热力图：
Figure 861986DEST_PATH_IMAGE021
其中，image用于表征所述缺陷热力图，N用于表征预设热力图模型的GAP层对应的输入通道数量，n用于表征第n个通道，
Figure 985800DEST_PATH_IMAGE002
用于表征第n个通道的融合系数，
Figure 332468DEST_PATH_IMAGE003
用于表征第n个通道的输入信息。
在具体实施中，假设GAP层的输入通道数为3，则N等于3，
Figure 744994DEST_PATH_IMAGE002
用于表征第n个通道的融合系数，
Figure 835310DEST_PATH_IMAGE022
用于表征第n个通道的输入信息。那么输出的结果image为3个通道的平均值。此时电致发光缺陷的预测过程信息的参数涉及
Figure 79210DEST_PATH_IMAGE023
、
Figure 331200DEST_PATH_IMAGE024
和
Figure 231022DEST_PATH_IMAGE025
三个权重参数。同时电致发光正常的预测过程信息也涉及三个权重参数，但是在生成micro-LED缺陷热力图时将其忽略，仅保留上述存在电致发光缺陷的三个权重系数
Figure 859450DEST_PATH_IMAGE023
、
Figure 246873DEST_PATH_IMAGE024
和
Figure 669764DEST_PATH_IMAGE025
，将这三个参数作为GAP层三个输入通道的融合系数。
本实施例通过预设热力图模型对所述光致发光检测结果进行电致发光缺陷预测，获得预测过程信息；获取所述预测过程信息中的各通道的融合系数和输入信息；根据所述融合系数和所述输入信息生成所述待检测晶圆对应的缺陷热力图。本实施例通过预设热力图模型对所述光致发光检测结果进行电致发光缺陷预测，获得预测过程信息；获取所述预测过程信息中的各通道的融合系数和输入信息；根据所述融合系数和所述输入信息生成所述待检测晶圆对应的缺陷热力图，进而可根据缺陷热力图确定待检测晶圆的缺陷检测结果。省略了对待检测晶圆进行电致发光检测的步骤，提高了待检测晶圆的检测效率和准确性。
参照图6，图6为本发明缺陷检测装置第一实施例的结构框图。
如图6所示，本发明实施例提出的缺陷检测装置包括：
获取模块10，用于获取待检测晶圆的光致发光检测结果；
缺陷热力图生成模块20，用于根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图，所述预设热力图模型基于电致发光缺陷标记后的光致发光检测结果样本构建；
检测结果确定模块30，用于根据所述缺陷热力图确定所述待检测晶圆的缺陷检测结果。
本实施例获取待检测晶圆的光致发光检测结果；根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图，所述预设热力图模型基于电致发光缺陷标记后的光致发光检测结果样本构建；根据所述缺陷热力图确定所述待检测晶圆的缺陷检测结果。由于本实施例是根据光致发光检测结果通过预设热力图模型生成待检测晶圆对应的缺陷热力图，根据缺陷热力图确定待检测晶圆的检测结果。相对于现有的通过晶圆的光致发光检测结果和电致发光检测结果确定晶圆的缺陷检测结果的方式，本实施例上述方式能够提高晶圆的检测效率和检测精度。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的缺陷检测方法，此处不再赘述。
基于本发明上述缺陷检测装置第一实施例，提出本发明缺陷检测装置的第二实施例。
在本实施例中，所述缺陷热力图生成模块20，还用于获取晶圆样本的光致发光检测结果样本和电致发光检测结果样本；根据所述电致发光检测结果样本对所述光致发光检测结果样本进行电致发光缺陷标记；根据标记后的光致发光检测结果样本对初始神经网络模型进行训练，获得预设热力图模型。
进一步的，所述缺陷热力图生成模块20，还用于根据预设分割尺寸对所述光致发光检测结果样本进行处理，获得预设分割尺寸的光致发光检测子图；相应地，所述根据所述电致发光检测结果样本对所述光致发光检测结果样本进行电致发光缺陷标记的步骤，包括；根据所述电致发光检测结果样本对所述光致发光检测子图进行电致缺陷标记。
进一步的，所述缺陷热力图生成模块20，还用于通过预设热力图模型对所述光致发光检测结果进行电致发光缺陷预测，获得预测过程信息；获取所述预测过程信息中的各通道的融合系数和输入信息；根据所述融合系数和所述输入信息生成所述待检测晶圆对应的缺陷热力图。
进一步的，所述缺陷热力图生成模块20，还用于根据所述融合系数和所述输入信息通过以下公式确定所述待检测晶圆对应的缺陷热力图：
Figure 56883DEST_PATH_IMAGE021
其中，image用于表征所述缺陷热力图，N用于表征预设热力图模型的GAP层对应的输入通道数量，n用于表征第n个通道，
Figure 489001DEST_PATH_IMAGE002
用于表征第n个通道的融合系数，
Figure 441914DEST_PATH_IMAGE003
用于表征第n个通道的输入信息。
进一步的，所述检测结果确定模块30，还用于获取所述缺陷热力图的分辨率；在所述分辨率大于预设分辨率时，对所述缺陷热力图进行平滑处理；根据处理后的缺陷热力图确定缺陷检测结果。
进一步的，所述检测结果确定模块30，还用于在所述分辨率小于或等于所述预设分辨率时，根据预设缺陷判断阈值确定所述缺陷热力图中的缺陷部位；根据所述缺陷部位确定缺陷检测结果。
本发明缺陷检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
此外，本发明实施例还提出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缺陷检测程序，所述缺陷检测程序被处理器执行时实现如上文所述的缺陷检测方法的步骤。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光 盘）中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种缺陷检测方法，其特征在于，所述缺陷检测方法包括以下步骤：
获取待检测晶圆的光致发光检测结果；
根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图，所述预设热力图模型基于电致发光缺陷标记后的光致发光检测结果样本构建；
根据所述缺陷热力图确定所述待检测晶圆的缺陷检测结果。
2.如权利要求1所述的缺陷检测方法，其特征在于，所述根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图的步骤之前，包括：
获取晶圆样本的光致发光检测结果样本和电致发光检测结果样本；
根据所述电致发光检测结果样本对所述光致发光检测结果样本进行电致发光缺陷标记；
根据标记后的光致发光检测结果样本对初始神经网络模型进行训练，获得预设热力图模型。
3.如权利要求2所述的缺陷检测方法，其特征在于，所述根据所述电致发光检测结果样本对所述光致发光检测结果样本进行电致发光缺陷标记的步骤之前，还包括：
根据预设分割尺寸对所述光致发光检测结果样本进行处理，获得预设分割尺寸的光致发光检测子图；
相应地，所述根据所述电致发光检测结果样本对所述光致发光检测结果样本进行电致发光缺陷标记的步骤，包括；
根据所述电致发光检测结果样本对所述光致发光检测子图进行电致缺陷标记。
4.如权利要求1所述的缺陷检测方法，其特征在于，所述根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图的步骤，包括：
通过预设热力图模型对所述光致发光检测结果进行电致发光缺陷预测，获得预测过程信息；
获取所述预测过程信息中的各通道的融合系数和输入信息；
根据所述融合系数和所述输入信息生成所述待检测晶圆对应的缺陷热力图。
5.如权利要求4所述的缺陷检测方法，其特征在于，所述根据所述融合系数和所述输入信息生成所述待检测晶圆对应的缺陷热力图的步骤，包括：
根据所述融合系数和所述输入信息通过以下公式确定所述待检测晶圆对应的缺陷热力图：
Figure 941681DEST_PATH_IMAGE001
其中，image用于表征所述缺陷热力图，N用于表征预设热力图模型的GAP层对应的输入通道数量，n用于表征第n个通道，
Figure 550517DEST_PATH_IMAGE002
用于表征第n个通道的融合系数，
Figure 786326DEST_PATH_IMAGE003
用于表征第n个通道的输入信息。
6.如权利要求1-5任一项所述的缺陷检测方法，其特征在于，所述根据所述缺陷热力图确定所述待检测晶圆的缺陷检测结果的步骤，包括：
获取所述缺陷热力图的分辨率；
在所述分辨率大于预设分辨率时，对所述缺陷热力图进行平滑处理；
根据处理后的缺陷热力图确定缺陷检测结果。
7.如权利要求6所述的缺陷检测方法，其特征在于，所述获取所述缺陷热力图的分辨率的步骤之后，还包括：
在所述分辨率小于或等于所述预设分辨率时，根据预设缺陷判断阈值确定所述缺陷热力图中的缺陷部位；
根据所述缺陷部位确定缺陷检测结果。
8.一种缺陷检测装置，其特征在于，所述缺陷检测装置包括：
获取模块，用于获取待检测晶圆的光致发光检测结果；
缺陷热力图生成模块，用于根据所述光致发光检测结果和预设热力图模型生成所述待检测晶圆对应的缺陷热力图，所述预设热力图模型基于电致发光缺陷标记后的光致发光检测结果样本构建；
检测结果确定模块，用于根据所述缺陷热力图确定所述待检测晶圆的缺陷检测结果。
9.一种缺陷检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷检测程序，所述缺陷检测程序配置为实现如权利要求1至7中任一项所述的缺陷检测方法的步骤。
10.一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缺陷检测程序，所述缺陷检测程序被处理器执行时实现如权利要求1至7任一项所述的缺陷检测方法的步骤。
CN202210174486.5A 2022-02-25 2022-02-25 缺陷检测方法、装置、设备及计算机可读存储介质 Active CN114235759B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210174486.5A CN114235759B (zh) 2022-02-25 2022-02-25 缺陷检测方法、装置、设备及计算机可读存储介质
PCT/CN2022/122989 WO2023159961A1 (zh) 2022-02-25 2022-09-30 缺陷检测方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210174486.5A CN114235759B (zh) 2022-02-25 2022-02-25 缺陷检测方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN114235759A true CN114235759A (zh) 2022-03-25
CN114235759B CN114235759B (zh) 2022-06-14

Family

ID=80748168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210174486.5A Active CN114235759B (zh) 2022-02-25 2022-02-25 缺陷检测方法、装置、设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN114235759B (zh)
WO (1) WO2023159961A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114441149A (zh) * 2022-04-11 2022-05-06 季华实验室 微米发光二极管检测系统及检测方法
CN114705698A (zh) * 2022-06-02 2022-07-05 季华实验室 缺陷检测方法、装置、系统及存储介质
WO2023159961A1 (zh) * 2022-02-25 2023-08-31 季华实验室 缺陷检测方法、装置、设备及计算机可读存储介质
CN117686190A (zh) * 2024-02-01 2024-03-12 深圳市壹倍科技有限公司 晶圆中发光芯片的检测方法、装置、设备及存储介质
CN117726627A (zh) * 2024-02-18 2024-03-19 深圳龙芯半导体科技有限公司 芯片表面缺陷检测方法及设备
CN117894706A (zh) * 2024-03-15 2024-04-16 季华实验室 多模态晶圆检测系统及方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765389A (zh) * 2018-05-18 2018-11-06 浙江大学 一种微观晶圆表面缺陷图像检测方法
WO2020058219A1 (de) * 2018-09-21 2020-03-26 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zur verarbeitung von abbildungen von halbleiterstrukturen, sowie zur prozesscharakterisierung und prozessoptimierung mittels semantischer datenkompression
CN111340783A (zh) * 2020-02-27 2020-06-26 创新奇智(广州)科技有限公司 一种实时布匹缺陷检测方法
US20200279835A1 (en) * 2014-10-31 2020-09-03 eLux Inc. System and Method for the Selective Harvest of Emissive Elements
CN111640089A (zh) * 2020-05-09 2020-09-08 武汉精立电子技术有限公司 一种基于特征图中心点的缺陷检测方法及装置
CN112070733A (zh) * 2020-08-28 2020-12-11 深兰人工智能芯片研究院（江苏）有限公司 基于弱监督模式的缺陷粗定位方法和装置
CN112132196A (zh) * 2020-09-14 2020-12-25 中山大学 一种结合深度学习和图像处理的烟盒缺陷识别方法
CN112288676A (zh) * 2019-07-12 2021-01-29 富士通株式会社 检测产品缺陷的方法和装置
CN112394270A (zh) * 2020-11-27 2021-02-23 华南理工大学 一种oled器件在线质量检测方法及应用
CN113344886A (zh) * 2021-06-11 2021-09-03 长江存储科技有限责任公司 晶圆表面缺陷检测方法和设备
CN113781391A (zh) * 2021-08-02 2021-12-10 南京中科创达软件科技有限公司 图像缺陷检测方法以及相关设备
CN113822870A (zh) * 2021-09-27 2021-12-21 陈博源 一种电致发光半导体板材表面缺陷ai检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10896341B2 (en) * 2018-11-15 2021-01-19 International Business Machines Corporation Efficient defect localization/segmentation for surface defect inspection
EP3789759B1 (fr) * 2019-09-09 2023-08-23 Electricité de France Cartographie d'impuretés par électroluminescence dans des dispositifs à matériaux semi-conducteurs
CN111369550B (zh) * 2020-03-11 2022-09-30 创新奇智(成都)科技有限公司 图像配准与缺陷检测方法、模型、训练方法、装置及设备
CN111929310B (zh) * 2020-09-25 2021-02-05 歌尔股份有限公司 表面缺陷检测方法、装置、设备及存储介质
CN114235759B (zh) * 2022-02-25 2022-06-14 季华实验室 缺陷检测方法、装置、设备及计算机可读存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200279835A1 (en) * 2014-10-31 2020-09-03 eLux Inc. System and Method for the Selective Harvest of Emissive Elements
CN108765389A (zh) * 2018-05-18 2018-11-06 浙江大学 一种微观晶圆表面缺陷图像检测方法
WO2020058219A1 (de) * 2018-09-21 2020-03-26 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zur verarbeitung von abbildungen von halbleiterstrukturen, sowie zur prozesscharakterisierung und prozessoptimierung mittels semantischer datenkompression
CN112288676A (zh) * 2019-07-12 2021-01-29 富士通株式会社 检测产品缺陷的方法和装置
CN111340783A (zh) * 2020-02-27 2020-06-26 创新奇智(广州)科技有限公司 一种实时布匹缺陷检测方法
CN111640089A (zh) * 2020-05-09 2020-09-08 武汉精立电子技术有限公司 一种基于特征图中心点的缺陷检测方法及装置
CN112070733A (zh) * 2020-08-28 2020-12-11 深兰人工智能芯片研究院（江苏）有限公司 基于弱监督模式的缺陷粗定位方法和装置
CN112132196A (zh) * 2020-09-14 2020-12-25 中山大学 一种结合深度学习和图像处理的烟盒缺陷识别方法
CN112394270A (zh) * 2020-11-27 2021-02-23 华南理工大学 一种oled器件在线质量检测方法及应用
CN113344886A (zh) * 2021-06-11 2021-09-03 长江存储科技有限责任公司 晶圆表面缺陷检测方法和设备
CN113781391A (zh) * 2021-08-02 2021-12-10 南京中科创达软件科技有限公司 图像缺陷检测方法以及相关设备
CN113822870A (zh) * 2021-09-27 2021-12-21 陈博源 一种电致发光半导体板材表面缺陷ai检测方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023159961A1 (zh) * 2022-02-25 2023-08-31 季华实验室 缺陷检测方法、装置、设备及计算机可读存储介质
CN114441149A (zh) * 2022-04-11 2022-05-06 季华实验室 微米发光二极管检测系统及检测方法
WO2023197537A1 (zh) * 2022-04-11 2023-10-19 季华实验室 微米发光二极管检测系统及检测方法
CN114705698A (zh) * 2022-06-02 2022-07-05 季华实验室 缺陷检测方法、装置、系统及存储介质
CN117686190A (zh) * 2024-02-01 2024-03-12 深圳市壹倍科技有限公司 晶圆中发光芯片的检测方法、装置、设备及存储介质
CN117686190B (zh) * 2024-02-01 2024-04-26 深圳市壹倍科技有限公司 晶圆中发光芯片的检测方法、装置、设备及存储介质
CN117726627A (zh) * 2024-02-18 2024-03-19 深圳龙芯半导体科技有限公司 芯片表面缺陷检测方法及设备
CN117726627B (zh) * 2024-02-18 2024-04-16 深圳龙芯半导体科技有限公司 芯片表面缺陷检测方法及设备
CN117894706A (zh) * 2024-03-15 2024-04-16 季华实验室 多模态晶圆检测系统及方法

Also Published As

Publication number Publication date
WO2023159961A1 (zh) 2023-08-31
CN114235759B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN114235759B (zh) 缺陷检测方法、装置、设备及计算机可读存储介质
CN112465748B (zh) 基于神经网络的裂缝识别方法、装置、设备及存储介质
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
US20170200274A1 (en) Human-Shape Image Segmentation Method
TWI748242B (zh) 掃描晶圓的系統及方法
CN112800915B (zh) 建筑物变化检测方法、装置、电子设备以及存储介质
CN110992238A (zh) 一种基于双通道网络的数字图像篡改盲检测方法
CN114155244B (zh) 缺陷检测方法、装置、设备及存储介质
CN114881989A (zh) 基于小样本目标对象缺陷检测的方法、装置、电子设备
CN111738133A (zh) 模型训练方法、目标检测方法、装置、电子设备及可读存储介质
WO2022105227A1 (zh) 一种确定空气质量的方法及装置
CN116071294A (zh) 一种光纤表面缺陷检测方法和装置
CN111815576A (zh) 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN111768405A (zh) 处理标注图像的方法、装置、设备和存储介质
CN115131664A (zh) 一种混凝土细小裂缝识别方法
CN108711150B (zh) 一种基于pca的端到端路面裂缝检测识别方法
CN116542980B (zh) 缺陷检测方法、装置、计算机设备、存储介质和程序产品
CN114549849A (zh) 图像识别方法、装置、计算机设备和存储介质
CN111292396B (zh) 图像样本集生成方法、设备、装置及存储介质
CN113160126B (zh) 硬件木马检测方法、装置、计算机设备和存储介质
Yu et al. Efficient statistical validation of autonomous driving systems
CN112989919A (zh) 一种从影像中提取目标对象的方法及系统
CN116563848B (zh) 异常细胞识别方法、装置、设备及存储介质
CN117474904B (zh) 工业缺陷检测方法、装置、设备及存储介质
CN112949574B (zh) 一种基于深度学习的级联式文本关键字段检测方法

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
GR01 Patent grant
GR01 Patent grant