CN115115921A - 基于残差网路的晶圆缺陷模式识别方法 - Google Patents

基于残差网路的晶圆缺陷模式识别方法 Download PDF

Info

Publication number
CN115115921A
CN115115921A CN202210796655.9A CN202210796655A CN115115921A CN 115115921 A CN115115921 A CN 115115921A CN 202210796655 A CN202210796655 A CN 202210796655A CN 115115921 A CN115115921 A CN 115115921A
Authority
CN
China
Prior art keywords
encoder
residual error
wafer
error network
network model
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
CN202210796655.9A
Other languages
English (en)
Inventor
赵英伟
杨柳
卢旭坤
袁俊
郑朝生
董尚平
皇晓莉
辜诗涛
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.)
Guangdong Leadyo Ic Testing Co ltd
Original Assignee
Guangdong Leadyo Ic Testing 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 Guangdong Leadyo Ic Testing Co ltd filed Critical Guangdong Leadyo Ic Testing Co ltd
Priority to CN202210796655.9A priority Critical patent/CN115115921A/zh
Publication of CN115115921A publication Critical patent/CN115115921A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

公开了基于残差网路的晶圆缺陷模式识别方法，方法中采集晶圆图像，用卷积自编码器对晶圆图像做增强处理，其中，卷积自编码器包括编码器和解码器，编码器将输入的原始的晶圆图像加入随机噪声后进行编码，特征映射到隐层空间，然后解码器对隐层空间的特征进行解码获得输入的重建样本，重建样本分为训练集和测试集；构建残差网络模型，其包括开始的一个卷积层、4个残差块和最后的一个全连接层，每个残差块包含2个基础块；训练集输入残差网络模型训练以及采用测试集进行测试残差网络模型得到训练后的残差网络模型，对生产中得到的晶圆图像执行步骤一以得到重建样本，之后采用训练好的残差网络模型识别其是否有缺陷以及缺陷的种类。

Description

基于残差网路的晶圆缺陷模式识别方法
技术领域
本发明涉及半导体测试技术领域，尤其涉及一种基于残差网路的晶圆缺陷模式识别方法。
背景技术
随着芯片设计与制造行业的飞速发展，半导体制造的规模越来越大，而工艺尺寸越来越小，即使现在的晶圆生产技术与设备越来越先进，但是晶圆出现异常的情况仍然在所难免。计算机技术的高速发展为分析晶圆测试数据，识别晶圆缺陷模式、指导生产提供了技术支持。
不同的晶圆缺陷表现为不同的特征，一些传统手段中，对晶圆图进行人工特征提取送入分类器，但是这种方法费时费力且泛化性不强；还有一种手段是使用卷积神经网络代替人工提取特征，通过全连接层的softmax输出分类结果；但是模型的性能并没有随着卷积神经网络深度的增加而变得更好，另外，考虑到现实世界中不同种类缺陷数据不均衡，模型的分类准确率和鲁棒性有待提高。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。
发明内容
本发明的目的是提供一种基于残差网路的晶圆缺陷模式识别方法，提高了分类准确率，基于如WM-811K公开数据集中的晶圆缺陷图，使用数据增强手段消除类别不平衡的影响，使用Resnet残差网络使得模型在验证集中收敛更快、准确率更高且更具有鲁棒性。
为了实现上述目的，本发明提供如下技术方案：
本发明的一种基于残差网路的晶圆缺陷模式识别方法包括：
步骤一，对WM-811K公开数据集中的晶圆图，用卷积自编码器对晶圆图像做增强处理，其中，卷积自编码器包括编码器和解码器，将输入的原始晶圆图像加入随机噪声后作为编码器的输入，编码器采用两层3*3卷积层和一层最大池化层，使用Relu激活函数，输出为32*10*10的特征，之后连接解码器，包含上采样层和两个逆卷积层，其输出为重建后的晶圆图像，损失函数采用最小均方差，利用重建图像与原始图像的误差训练卷积自编码器，得到重建样本，所述重建样本分为训练集和测试集；
步骤二，构建残差网络模型，其包括开始的一个卷积层、4个残差块和最后的一个全连接层，每个残差块包含2个基础块，每个基础块包含两个卷积层；
步骤三，训练集输入所述残差网络模型训练以及采用所述测试集进行测试所述残差网络模型得到训练后的残差网络模型，对生产中得到的晶圆图像执行步骤一以得到重建样本，之后输入训练好的残差网络模型，根据softmax层的输出值识别其是否有缺陷以及缺陷的种类，输出值从0到8分别代表无缺陷、中心、环状、边缘块状、边缘环状、块状、随机、划痕、全满缺陷。
所述的一种基于残差网路的晶圆缺陷模式识别方法中，WM-811K数据集中包含原始晶圆图像矩阵和标签，图像矩阵中0、1、2分别代表背景像素、合格晶粒、不合格晶粒；0-8是其标签，表明该图像矩阵属于哪种缺陷，晶圆图像输入编码器前，统一缩放为32*32图像矩阵，对图像矩阵和标签进行编码得到32*32*3维晶圆图矩阵以及1*9维标签。
所述的一种基于残差网路的晶圆缺陷模式识别方法中，原始晶圆图像加入随机噪声，作为编码器的输入，编码器为两层3*3卷积层加池化层，使用ReLu激活函数，解码器为上采样加两层逆卷积层，其输入为编码器的输出，输出为原始图像。
所述的一种基于残差网路的晶圆缺陷模式识别方法中，重建样本划分70％的数据为训练集，30％为测试集，利用K折交叉检验的方法将数据集随机划分3组不同的训练集和测试集，取其中一组训练集进行训练得到训练后的残差网络模型，并验证残差网络模型在其他2组测试集上的准确率。
所述的一种基于残差网路的晶圆缺陷模式识别方法中，测完一片晶圆后，测试机会生成csv格式的测试数据，根据测试数据，计算每个测试项的过程控制指数Cpk，其中，确定测试项结果是服从某个正态分布N(μ，σ2)，之后求出
Figure BDA0003730341580000031
其中，SU与SL是该测试项目规格的上下限，σ为该正态分布的标准差；过程能力指数为Cpk＝(1-k)Cp，其中，k为偏移度，表示实际测试样本均值与规格理论中心值的偏移，
Figure BDA0003730341580000032
其中，
Figure BDA0003730341580000033
是相应的测试数据的均值。
在上述技术方案中，本发明提供的一种基于残差网路的晶圆缺陷模式识别方法，具有以下有益效果：本发明所述的一种基于残差网路的晶圆缺陷模式识别方法采用Resnet18网络，对比传统的人工提取特征用SVM或KNN分类方法，不需要人工提取特征，且对比其他神经网络方法如DCNN、LeNet等，收敛快，准确率高，鲁棒性好。本方法采用卷积自编码器进行数据增强，消除了数据集中样本不均衡的影响，提高了准确率和模型的鲁棒性。本方法可以识别晶圆图是否有缺陷和缺陷类型，之后根据测试数据求出Cp、Cpk，对生产方分析制造过程的异常、改进工艺有一定的指导意义。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明中基于残差网路的晶圆缺陷模式识别方法的流程示意图；
图2为本发明中基于残差网路的晶圆缺陷模式识别方法的残差网络基础块结构示意图；
图3为本发明中基于残差网路的晶圆缺陷模式识别方法的残差网路模型结构示意图；
图4为本发明中基于残差网路的晶圆缺陷模式识别方法的残差网络模型的训练过程示意图；
图5为CPK值分级示意图；
图6为8种典型的晶圆缺陷图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
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。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。如图1至图6所示，一种基于残差网路的晶圆缺陷模式识别方法包括，
步骤一，对WM-811K公开数据集中的晶圆图，用卷积自编码器对晶圆图像做增强处理，其中，卷积自编码器包括编码器和解码器，将输入的原始的晶圆图像加入随机噪声后作为编码器的输入，编码器采用两层3*3卷积层和一层最大池化层，使用Relu激活函数，输出为32*10*10的特征，之后连接解码器，包含上采样和两个逆卷积层，其输出为重建后的晶圆图像，损失函数采用最小均方差，利用重建图像与原始图像的误差训练卷积自编码器，得到重建样本，所述重建样本分为训练集和测试集；
步骤二，构建残差网络模型，其包括开始的一个卷积层、4个残差块和最后的一个全连接层，每个残差块包含2个基础块，每个基础块包含两个卷积层；步骤三，训练集输入所述残差网络模型训练以及采用所述测试集进行测试所述残差网络模型得到训练后的残差网络模型，对生产中得到的晶圆图像执行步骤一以得到重建样本，之后采用训练好的残差网络模型识别其是否有缺陷以及缺陷的种类。
所述的一种基于残差网路的晶圆缺陷模式识别方法的优选实施方式中，原始的晶圆图像输入编码器前，缩放原始的晶圆图像为32*32图像矩阵，编码器对图像矩阵和标签进行编码得到32*32*3维晶圆图矩阵以及1*8维标签，其中，0、1、2分别代表背景像素、合格晶粒、不合格晶粒。WM-811K数据集含有晶圆图矩阵和标签，原始数据集中晶圆图矩阵为n*n维，n不定，矩阵中元素只有0、1、2，分别代表背景像素、合格晶粒、不合格晶粒。标签为1维，从0到8，对应于特定缺陷类型。
所述的一种基于残差网路的晶圆缺陷模式识别方法的优选实施方式中，编码器包括两个3*3的卷积层，解码器包括与之相反的两个逆卷积层。引入噪声后要求网络还原原始无噪声的训练数据，经过网络训练后，模型对数据更有鲁棒性。
所述的一种基于残差网路的晶圆缺陷模式识别方法的优选实施方式中，重建样本划分70％的数据为训练集，30％为测试集，利用K折交叉检验的方法将数据集随机划分3组不同的训练集和测试集，取其中一组训练集进行训练得到训练后的残差网络模型，并验证残差网络模型在其他2组测试集上的准确率。
所述的一种基于残差网路的晶圆缺陷模式识别方法的优选实施方式中，测完一片晶圆后，根据测试数据，计算每个测试项的过程控制指数Cpk，其中，确定测试项结果是服从某个正态分布N(μ，σ2)，之后求出
Figure BDA0003730341580000061
其中，SU与SL是该测试项目规格的上下限，σ为该正态分布的标准差；过程能力指数为Cpk＝(1-k)Cp，其中，k为偏移度，表示实际测试样本均值与规格理论中心值的偏移，
Figure BDA0003730341580000071
其中，
Figure BDA0003730341580000072
是相应的测试数据的均值。
在一个实施例中，WM-811K数据集中不同缺陷种类数量分布不均衡，导致模型收敛速度减慢，并且个别类别学习的特征过少造成泛化能力偏差，本方法采用卷积自编码器对晶圆图图像做增强处理。卷积自编码器包括编码器和解码器，将输入的原始图像加入随机噪声后进行编码，特征映射到隐层空间，然后解码器对隐层空间的特征进行解码获得输入的重建样本，这样模型就具有了降噪能力。对原始样本数量少的类别，随机旋转、加入噪声，卷积自编码器对其重建获得新的晶圆图。为了解决深层卷积神经网络中的退化问题，利用Resnet(残差网络)，人为地让神经网络某些层跳过下一层神经元的连接，隔层相连，弱化每层之间的强联系，根据Resnet网络复杂程度的不同，将Resnet模型又具体分为Resnet-18模型、Resnet-34模型、Resnet-50模型等。本发明采用Resnet-18模型，该模型具有参数少、收敛快、准确率高等特点，该模型包含：开始的一个卷积层，4个残差块(每个残差块包含2个基础块，每个基础块包含两个卷积层)，和最后的一个全连接层，共17个卷积层和1个全连接层，如图3所示。基础块详细结构如图2所示，F(X)是X通过两个卷积层之后所学习到的。该种结构在两个卷积层外添加了一条短路即恒等映射，使得X经过两个卷积层之后可以以X+F(X)的形式输出，这样每次学习的时候实际上是学习残差。
在一个实施例中，选取Adam优化器，学习率为0.001，损失为交叉熵损失，如图4所示，收敛速度快，迭代了30轮左右，损失降为0.6％，即模型应用于分类任务达到了99.4％的准确率。
在一个实施例中，测完一片晶圆后，根据测试数据，计算每个测试项的过程控制指数Cpk，Cpk指数是评价过程能力满足预期要求的重要方法。首先确定该测试项结果是服从某个正态分布N(μ，σ2)，之后求出
Figure BDA0003730341580000081
其中，SU与SL是该测试项目规格的上下限，σ为该正态分布的标准差；过程能力指数为Cpk＝(1-k)Cp，其中，k为偏移度，表示实际测试样本均值与规格理论中心值的偏移，
Figure BDA0003730341580000082
其中，
Figure BDA0003730341580000083
是相应的测试数据的均值。生产方对自已生产过程的Cp、Cpk了解后，可以及时指导生产和满足客户需求。
在一个实施例中，对WM-811K数据集做预处理：缩放数据集中晶圆图的尺寸，统一为32*32，对图像矩阵和标签进行独热编码，原图中0、1、2分别代表背景像素、passdie(合格晶粒)、faildie(不合格晶粒)，经过独热编码后，晶圆图矩阵变为32*32*3维，标签变为1*9维。
在一个实施例中，训练卷积自编码器，包含一个编码器和一个解码器。编码器为两个3*3的卷积层加最大池化层，使用Relu激活函数，解码器相反，为上采样层加两个逆卷积层；将原始晶圆图中添加随机噪声作为网络的输入，其输出为重建后的晶圆图像，损失函数采用最小均方差，利用重建图像与原始图像的误差训练卷积自编码器，训练模型使其具有降噪能力，之后对原始样本数量少的类别，随机旋转、加入噪声，利用训练好的卷积自编码器重建获得新的晶圆图。
在一个实施例中，划分70％的数据为训练集，30％为测试集，利用K折交叉检验的方法，将数据集随机划分3(即K＝3)组不同的训练集和测试集，取其中一组训练集进行训练，并验证该模型在其他2组测试集上的准确率。保存模型，对生产中得到的晶圆图做步骤1的预处理，之后采用训练好的模型识别其是否有缺陷以及缺陷的种类，针对该片晶圆的测试数据，对各测试项计算过程能力指数Cpk。
最后应该说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例，基于本申请中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (5)

1.一种基于残差网路的晶圆缺陷模式识别方法，其特征在于，其包括以下步骤：
步骤一，对WM-811K公开数据集中的晶圆图，用卷积自编码器对晶圆图像做增强处理，其中，卷积自编码器包括编码器和解码器，将输入的原始晶圆图像加入随机噪声后作为编码器的输入，编码器采用两层3*3卷积层和一层最大池化层，使用Relu激活函数，输出为32*10*10的特征，之后连接解码器，包含上采样层和两个逆卷积层，其输出为重建后的晶圆图像，损失函数采用最小均方差，利用重建图像与原始图像的误差训练卷积自编码器，得到重建样本，所述重建样本分为训练集和测试集；
步骤二，构建残差网络模型，其包括开始的一个卷积层、4个残差块和最后的一个全连接层，每个残差块包含2个基础块，每个基础块包含两个卷积层；
步骤三，训练集输入所述残差网络模型训练以及采用所述测试集进行测试所述残差网络模型得到训练后的残差网络模型，对生产中得到的晶圆图像执行步骤一以得到重建样本，之后输入训练好的残差网络模型，根据softmax层的输出值识别其是否有缺陷以及缺陷的种类，输出值从0到8分别代表无缺陷、中心、环状、边缘块状、边缘环状、块状、随机、划痕、全满缺陷。
2.根据权利要求1所述的一种基于残差网路的晶圆缺陷模式识别方法，其特征在于，优选的，WM-811K数据集中包含原始晶圆图像矩阵和标签，图像矩阵中0、1、2分别代表背景像素、合格晶粒、不合格晶粒；0-8是其标签，表明该图像矩阵属于哪种缺陷，晶圆图像输入编码器前，统一缩放为32*32图像矩阵，对图像矩阵和标签进行编码得到32*32*3维晶圆图矩阵以及1*9维标签。
3.根据权利要求2所述的一种基于残差网路的晶圆缺陷模式识别方法，其特征在于，原始晶圆图像加入随机噪声，作为编码器的输入，编码器为两层3*3卷积层加池化层，使用ReLu激活函数，解码器为上采样加两层逆卷积层，其输入为编码器的输出，输出为原始图像。
4.根据权利要求1所述的一种基于残差网路的晶圆缺陷模式识别方法，其特征在于，重建样本划分70％的数据为训练集，30％为测试集，利用K折交叉检验的方法将数据集随机划分3组不同的训练集和测试集，取其中一组训练集进行训练得到训练后的残差网络模型，并验证残差网络模型在其他2组测试集上的准确率。
5.根据权利要求1所述的一种基于残差网路的晶圆缺陷模式识别方法，其特征在于，测完一片晶圆后，测试机会生成csv格式的测试数据，根据测试数据，计算每个测试项的过程控制指数Cpk，其中，确定测试项结果是服从某个正态分布N(μ，σ2)，之后求出
Figure FDA0003730341570000021
其中，SU与SL是该测试项目规格的上下限，σ为该正态分布的标准差；过程能力指数为Cpk＝(1-k)Cp，其中，k为偏移度，表示实际测试样本均值与规格理论中心值的偏移，
Figure FDA0003730341570000022
其中，
Figure FDA0003730341570000023
是相应的测试数据的均值。
CN202210796655.9A 2022-07-05 2022-07-05 基于残差网路的晶圆缺陷模式识别方法 Pending CN115115921A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210796655.9A CN115115921A (zh) 2022-07-05 2022-07-05 基于残差网路的晶圆缺陷模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210796655.9A CN115115921A (zh) 2022-07-05 2022-07-05 基于残差网路的晶圆缺陷模式识别方法

Publications (1)

Publication Number Publication Date
CN115115921A true CN115115921A (zh) 2022-09-27

Family

ID=83331784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210796655.9A Pending CN115115921A (zh) 2022-07-05 2022-07-05 基于残差网路的晶圆缺陷模式识别方法

Country Status (1)

Country Link
CN (1) CN115115921A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434005A (zh) * 2023-03-29 2023-07-14 深圳智现未来工业软件有限公司 一种晶圆缺陷数据增强方法及装置
CN116433674A (zh) * 2023-06-15 2023-07-14 锋睿领创(珠海)科技有限公司 半导体硅晶圆检测方法、装置、计算机设备及介质
CN116758544A (zh) * 2023-08-17 2023-09-15 泓浒(苏州)半导体科技有限公司 一种基于图像处理的晶圆编码识别系统
CN117523343A (zh) * 2024-01-08 2024-02-06 信熙缘(江苏)智能科技有限公司 晶圆背损伤梯形缺陷的自动识别方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434005A (zh) * 2023-03-29 2023-07-14 深圳智现未来工业软件有限公司 一种晶圆缺陷数据增强方法及装置
CN116433674A (zh) * 2023-06-15 2023-07-14 锋睿领创(珠海)科技有限公司 半导体硅晶圆检测方法、装置、计算机设备及介质
CN116433674B (zh) * 2023-06-15 2023-08-18 锋睿领创(珠海)科技有限公司 半导体硅晶圆检测方法、装置、计算机设备及介质
CN116758544A (zh) * 2023-08-17 2023-09-15 泓浒(苏州)半导体科技有限公司 一种基于图像处理的晶圆编码识别系统
CN116758544B (zh) * 2023-08-17 2023-10-20 泓浒(苏州)半导体科技有限公司 一种基于图像处理的晶圆编码识别系统
CN117523343A (zh) * 2024-01-08 2024-02-06 信熙缘(江苏)智能科技有限公司 晶圆背损伤梯形缺陷的自动识别方法
CN117523343B (zh) * 2024-01-08 2024-03-26 信熙缘(江苏)智能科技有限公司 晶圆背损伤梯形缺陷的自动识别方法

Similar Documents

Publication Publication Date Title
CN115115921A (zh) 基于残差网路的晶圆缺陷模式识别方法
CN112116605B (zh) 一种基于集成深度卷积神经网络的胰腺ct图像分割方法
CN110222784B (zh) 融合短时和长时深度特征的太阳能电池片缺陷检测方法
CN111179229A (zh) 一种基于深度学习的工业ct缺陷检测方法
WO2022095645A1 (zh) 基于内存增强潜在空间自回归的图像异常检测方法
CN113362320A (zh) 基于深度注意力网络的晶圆表面缺陷模式检测方法
CN111179263B (zh) 一种工业图像表面缺陷检测模型、方法、系统及装置
CN110930378B (zh) 基于低数据需求的肺气肿影像处理方法及系统
CN111415323B (zh) 图像的检测方法及装置，神经网络的训练方法及装置
CN111681162A (zh) 一种缺陷样本生成方法、装置、电子设备及存储介质
CN114332008A (zh) 一种基于多层次特征重构的无监督缺陷检测与定位方法
CN116129242A (zh) 一种基于改进YOLOv4铝材表面缺陷识别方法
CN114943694A (zh) 一种基于对抗生成网络与注意力的缺陷检测方法
CN113793319A (zh) 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统
CN113657532A (zh) 一种电机磁瓦缺陷分类方法
CN115908142A (zh) 一种基于视觉识别的接触网微小部件验损方法
CN116563691A (zh) 一种基于TransUnet模型的道路病害检测方法
CN114464152B (zh) 一种基于视觉变换网络的音乐流派分类方法及系统
CN116051831A (zh) 基于VSA-UNet的电气设备紫外图像分割方法
CN113344110B (zh) 一种基于超分辨率重建的模糊图像分类方法
CN115631301A (zh) 基于改进全卷积神经网络的土石混合体图像三维重建方法
CN115829942A (zh) 基于非负性约束稀疏自编码器的电子电路缺陷检测方法
CN114897909A (zh) 基于无监督学习的曲轴表面裂纹监测方法及系统
CN115423737A (zh) 基于多块主成分分析网络的晶圆图缺陷检测方法
CN114861771A (zh) 基于特征提取和深度学习的工业ct图像缺陷分类方法

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