CN115631178A - 自动晶圆缺陷检测方法、系统、设备及存储介质 - Google Patents
自动晶圆缺陷检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115631178A CN115631178A CN202211368269.6A CN202211368269A CN115631178A CN 115631178 A CN115631178 A CN 115631178A CN 202211368269 A CN202211368269 A CN 202211368269A CN 115631178 A CN115631178 A CN 115631178A
- Authority
- CN
- China
- Prior art keywords
- network model
- wafer
- loss function
- defect
- data set
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 121
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 claims abstract description 27
- 238000007689 inspection Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 88
- 238000003062 neural network model Methods 0.000 claims description 66
- 238000005070 sampling Methods 0.000 claims description 35
- 238000009499 grossing Methods 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 abstract description 8
- 235000012431 wafers Nutrition 0.000 description 192
- 238000011176 pooling Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 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
- 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
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及集成电路制造领域,尤其涉及一种自动晶圆缺陷检测方法、系统、设备及存储介质。应用于分布式检测设备中,所述分布式检测设备与晶圆生产机台一一对应,该方法包括:获取待检测晶圆的晶圆图像;获取所述分布式检测设备对应的学生网络模型;将所述晶圆图像输入所述学生网络模型,得到所述待检测晶圆的分类结果。可以解决通过人工的形式,对晶圆的表面进行缺陷检查,筛选得到表面存在缺陷的晶圆,筛选效率低,且耗费大量时间和人力的问题以及容易造成漏检和错检的问题。通过训练学生网络模型来对晶圆的表面进行缺陷检查,可以提高晶圆表面缺陷检查的效率,快速地确定晶圆缺陷位置及尺寸,同时减少了漏检和错检的情况。
Description
技术领域
本发明涉及集成电路制造领域,尤其涉及一种自动晶圆缺陷检测方法、系统、备及存储介质。
背景技术
晶圆是生产集成电路所用的载体,一片晶圆的生产将经过上百个分层,不同的分层可以获取不同的标准样板图像。晶圆进出机台需要机台的各种机械手来进行传递,而机械手可能会对晶圆造成刮伤。因此,每道工序流程对晶圆的处理都可能会产生一些缺陷,这些缺陷会造成芯片无法正常工作,因此,在生产过程中需要对晶圆进行缺陷检测。
传统的晶圆缺陷检测方法,包括:以人工的形式,对晶圆的表面进行缺陷检查,筛选得到表面存在缺陷的晶圆。
然而,以人工的形式筛选效率低,且耗费大量时间和人力,并且随着集成电路尺寸的不断减小,晶圆缺陷的种类和数量增多,存在容易造成漏检和错检的问题。
发明内容
本申请提供了自动晶圆缺陷检测方法、设备及存储介质,可以解决通过人工的形式,对晶圆的表面进行缺陷检查,筛选得到表面存在缺陷的晶圆,筛选效率低,且耗费大量时间和人力的问题以及容易造成漏检和错检的问题。本申请提供如下技术方案:
第一方面,提供了自动晶圆缺陷检测方法,应用于分布式检测设备中,所述分布式检测设备与晶圆生产机台一一对应,包括:获取待检测晶圆的晶圆图像;获取所述分布式检测设备对应的学生网络模型;所述学生网络模型是基于教授网络模型和采样数据集训练得到的,所述教授网络模型设置于云计算中心内,所述分布式检测设备与所述云计算中心建立有通信连接;所述采样数据集包括样本晶圆图像和所述样本晶圆图像对应的缺陷标签;所述缺陷标签用于指示所述样本晶圆图像对应的晶圆缺陷情况;将所述晶圆图像输入所述学生网络模型,得到所述待检测晶圆的分类结果。
可选地,所述获取所述待检测晶圆所在的分布式检测设备对应的学生网络模型,包括:获取所述采样数据集;获取预设的第一神经网络模型;将所述样本晶圆图像输入所述第一神经网络模型,得到所述第一神经网络模型的softmax层输出第一平滑概率;所述第一平滑概率用于指示所述样本晶圆图像在所述第一神经网络模型的softmax层中被划分到不同的预设类别的概率;基于所述通信连接,将所述采样数据集发送至所述云计算中心,以使所述云计算中心将所述样本晶圆图像输入所述教授网络模型,得到所述教授网络模型的softmax层输出第二平滑概率后,返回所述第二平滑概率;接收所述第二平滑概率;所述第二平滑概率用于指示所述样本晶圆图像在所述教授网络模型的softmax层中被划分到不同的预设类别的概率;将所述第一平滑概率和所述第二平滑概率输入预设的第一损失函数,得到第一损失函数值;将所述样本晶圆图像输入所述第一神经网络模型,得到预测标签;将所述预测标签和所述缺陷标签输入预设的第二损失函数,得到第二损失函数值;基于所述第一损失函数值和所述第二损失函数值对所述第一神经网络模型进行迭代训练,得到所述学生网络模型。
可选地,所述基于所述第一损失函数值和所述第二损失函数值对所述第一神经网络模型进行迭代训练,得到所述学生网络模型,包括:使用所述第一损失函数值对所述第一神经网络模型进行迭代训练,得到初始学生网络模型。使用所述第二损失函数值对所述初始学生网络模型进行迭代训练,得到所述学生网络模型。
可选地,所述基于所述第一损失函数值和所述第二损失函数值对所述第一神经网络模型进行迭代训练,得到所述学生网络模型,包括:获取所述第一损失函数的第一损失权重和所述第二损失函数的第二损失权重;确定所述第一损失函数值和所述第一损失权重的乘积与所述第二损失函数值和所述第二损失权重的乘积之和,得到第三损失函数值;使用所述第三损失函数值对所述第一神经网络模型进行迭代训练,得到学生网络模型。
可选地,所述预设类别包括至少一个分类类别;不同分类类别对应的学生网络模型不同。
可选地,所述教授网络模型基于总数据集训练得到;所述总数据集包括至少一个晶圆生产机台对应的采样数据集。
第二方面,提供一种电子设备,包括存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述电子设备执行第一方面提供的自动晶圆缺陷检测方法。
第三方面,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程序,所述程序被处理器执行时用于实现第一方面提供的自动晶圆缺陷检测方法。
第四方面,提供一种自动晶圆缺陷检测系统,所述系统包括:影像测量设备,用于采集待检测晶圆的晶圆图像,并发送至分布式检测设备;所述分布式检测设备,与所述影像测量设备建立有通信连接,用于获取所述待检测晶圆所在的分布式检测设备对应的学生网络模型;所述学生网络模型是基于教授网络模型和采样数据集训练得到的;将所述晶圆图像输入所述学生网络模型,得到所述待检测晶圆的分类结果。
可选地,所述系统还包括云计算中心,所述云计算中心与所述分布式检测设备建立有通信连接;所述云计算中心,用于接收所述分布式检测设备发送的所述采样数据集;基于所述采样数据集得到总数据集;基于所述总数据集对预设的神经网络模型进行训练,得到所述教授网络模型。
本申请的有益效果至少包括:通过训练教授网络模型和学生网络模型来对晶圆的表面进行缺陷检查,可以提高晶圆表面缺陷检查的效率,快速地确定晶圆缺陷位置及尺寸,同时减少了漏检和错检的情况。
另外,通过将教授网络模型设置于云计算中心内,学生网络模型设置于机台内的分布式检测设备中,可以大大降低工厂对于计算设备的维护成本,同时设置于分布式检测设备中的学生网络模型也能快速地确定晶圆的分类、缺陷位置及缺陷尺寸,减少计算成本,提高晶圆缺陷检测的速度与精确度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的自动晶圆缺陷检测系统示意图;
图2是本申请一个实施例提供的自动晶圆缺陷检测的流程图;
图3是本申请一个实施例提供的学生网络模型训练的示意图;
图4是本申请一个实施例提供的自动晶圆缺陷检测装置的框图;
图5是本申请一个实施例提供的电子设备的框图。
具体实施方式
下面将结合附图对本申请的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
在本申请中,在未作相反说明的情况下,使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的,或者是针对部件本身在竖直、垂直或重力方向上而言的;同样地,为便于理解和描述,“内、外”是指相对于各部件本身的轮廓的内、外,但上述方位词并不用于限制本申请。
如图1所示,本申请的实施例提供一种自动晶圆缺陷检测系统,该系统至少包括:影像测量设备110、分布式检测设备120和云计算中心130。
影像测量设备110,用于采集待检测晶圆的晶圆图像,并发送至分布式检测设备120。
本实施例中,影像测量设备110可以是自动光学检测设备(Auto OpticalInspection,AOI)摄像头,也可以是影像测量仪,本实施例不对影像测量设备110的设备类型作限定。
分布式检测设备120,与影像测量设备110建立有通信连接,在基于该通信连接接收到影响测量设备110发送的晶圆图像后,分布式检测设备120用于:获取待检测晶圆所在的分布式检测设备120对应的学生网络模型;学生网络模型是基于教授网络模型和采样数据集训练得到的;将晶圆图像输入学生网络模型,得到待检测晶圆的分类结果。
分布式检测设备120还与云计算中心130建立有通信连接。其中,云计算中心130可以是计算机集群,也可以是数据中心,本实施例不对云计算中心130的设备类型作限定。
本实施例中,云计算中心130用于:接收分布式检测设备120发送的采样数据集;基于采样数据集得到总数据集;基于总数据集对预设的神经网络模型进行训练,得到教授网络模型。
另外,上述实施例提供的自动晶圆缺陷检测系统与自动晶圆缺陷检测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
下面对本申请提供的自动晶圆缺陷检测方法进行详细介绍。
如图2所示,本申请的实施例提供一种自动晶圆缺陷检测方法,应用于分布式检测设备中,分布式检测设备与晶圆生产机台一一对应,其中,分布式检测设备可以是智能手机、平板电脑、个人电脑等计算机设备或者是服务器,本实施例不对分布式检测设备的设备类型作限定。该方法至少包括以下几个步骤:
步骤201,获取待检测晶圆的晶圆图像。
在本实施例中,获取晶圆生产线上的待检测晶圆,使用影像测量设备自动扫描待检测晶圆以生成需要检测的晶圆图像。
步骤202,获取分布式检测设备对应的学生网络模型。
其中,学生网络模型是基于教授网络模型和采样数据集训练得到的。
本实施例中,采样数据集包括样本晶圆图像和样本晶圆图像对应的缺陷标签,缺陷标签用于指示样本晶圆图像对应的晶圆缺陷情况。
具体地,样本晶圆图像对应的缺陷标签用于指示样本晶圆图像的缺陷情况,该缺陷情况至少包括样本晶圆图像是否存在缺陷、样本晶圆图像中缺陷的位置信息以及样本晶圆图像中缺陷的尺寸大小情况。
比如:样本晶圆图像存在缺陷,且缺陷位于晶圆图像的右上角,则样本晶圆图像对应的缺陷标签包括存在缺陷和缺陷所在的位置信息。缺陷所在的位置信息可以根据预设的坐标系确定位置信息,也可以将样本晶圆图像网格化后确定对应的网格信息作为位置信息,此处不对缺陷所在的位置信息的确定方式作限定。
本实施例中,学生网络模型设置于分布式检测设备内,而分布式检测设备设置于晶圆生产线中,与晶圆生产线中的晶圆生产机台一一对应,用于检测晶圆生产机台中的晶圆的缺陷情况。
通过与晶圆生产机台一一对应的分布式检测设备获取到的每个晶圆生产机台中的样本晶圆图像,以及样本晶圆图像对应的缺陷情况,将样本晶圆图像对应的缺陷情况以缺陷标签的形式添加到样本晶圆图像中,以形成与晶圆生产机台一一对应的采样数据集。
通过与晶圆生产机台一一对应的采样数据集以及预训练的教授网络模型可以得到学生网络模型。
具体地,分布式检测设备获取待检测晶圆所在的分布式检测设备对应的学生网络模型,包括:获取采样数据集;获取预设的第一神经网络模型;将样本晶圆图像输入第一神经网络模型,得到第一神经网络模型的softmax层输出第一平滑概率;第一平滑概率用于指示样本晶圆图像在第一神经网络模型的softmax层中被划分到不同的预设类别的概率;基于通信连接,将采样数据集发送至云计算中心,以使云计算中心将样本晶圆图像输入教授网络模型,得到教授网络模型的softmax层输出第二平滑概率后,返回第二平滑概率;接收第二平滑概率;第二平滑概率用于指示样本晶圆图像在教授网络模型的softmax层中被划分到不同的预设类别的概率;将第一平滑概率和第二平滑概率输入预设的第一损失函数,得到第一损失函数值;将样本晶圆图像输入第一神经网络模型,得到预测标签;将预测标签和缺陷标签输入预设的第二损失函数,得到第二损失函数值;基于第一损失函数值和第二损失函数值对第一神经网络模型进行迭代训练,得到学生网络模型。
其中,第一神经网络模型可以是深度卷积神经网络模型,也可以是多循环神经网络模型,此处不对第一神经网络模型的类型作限定。
第一神经网络模型包括卷积层、池化层和softmax层,其中卷积层用于提取样本晶圆图像的特征,池化层用于对特征进行压缩、减小模型的计算量,softmax层根据前一层的输入值,即样本晶圆图像经过卷积层和池化层处理后得到的特征向量,输出该样本晶圆图像最有可能被划分到的预设类别。其中,预设类别包括至少一个分类类别,分类类别可以是是否存在缺陷,也可以是缺陷所在的位置,还可以是缺陷的尺寸大小,此处不对分类类别的选择作限定。
在本实施例中,不同分类类别对应的学生网络模型不同。
具体地,云计算中心内依据分类类别不同,设置有多个预训练的教授网络模型。
相应地,分布式检测设备中获取多个第一神经网络模型,并基于不同的分类类别和对应的教授网络模型,训练得到多个分类类别不同的学生网络模型。
比如:云计算中心内设置有两个教授网络模型,一个教授网络模型用于检测晶圆图像是否存在缺陷,一个教授网络模型用于检测晶圆图像中缺陷的位置,相应地,基于预设类别设置为是否存在缺陷的分类类别以及用于检测晶圆图像是否存在缺陷的教授网络模型,训练预设的一个第一神经网络模型,得到一个用于检测晶圆图像是否存在缺陷的学生网络模型;基于预设类别设置为缺陷的位置的分类类别以及用于检测晶圆图像中缺陷的位置的教授网络模型,训练预设的一个第一神经网络模型,得到一个用于检测晶圆图像缺陷的位置的学生网络模型。
在本实施例中,将样本晶圆图像输入第一神经网络模型,得到第一神经网络模型的softmax层输出第一平滑概率。其中,第一平滑概率可以通过下式表示:
式中,bs(x)为第一平滑概率。x表示输入变量,即样本晶圆图像。exp为指数函数运算。I表述softmax层的输入值,li表示第i个输入值,lj表示第j个输入值,i、j为正整数。T为温度变量,此时温度变量T与教授网络模型中温度变量T相同,温度变量T取值范围在10到50之间,温度变量T的取值越大,第一平滑概率越平缓。
第一神经网络模型的softmax层的输入值可以通过下式表示:
ls=[l1,l2,…,lj]
式中,ls表示第一神经网络模型的softmax层的输入值。lj表示第j个输入值,j为正整数。
基于通信连接,将采样数据集发送至云计算中心,以使云计算中心将样本晶圆图像输入教授网络模型,得到教授网络模型的softmax层输出第二平滑概率后,返回第二平滑概率。其中,第二平滑概率可以通过下式表示:
式中,bt(x)为第二平滑概率。x表示输入变量,即样本晶圆图像。exp为指数函数运算。I表述softmax层的输入值,ln表示第n个输入值,lm表示第m个输入值,此时n和i的取值一致,m和j的取值一致。T为温度变量,此时温度变量T与第一神经网络模型中温度变量T相同,温度变量T取值范围在10到50之间,温度变量T的取值越大,第二平滑概率越平缓。
教授网络模型的softmax层的输入值可以通过下式表示:
lt=[l1,l2,…,lm]
式中,lt表示教授网络模型的softmax层的输入值。lm表示第m个输入值,m和j的取值一致。
将第一平滑概率和第二平滑概率输入预设的第一损失函数,得到第一损失函数值;第一损失函数用于缩小第一平滑概率和第二平滑概率之间的差异。
其中,第一损失函数可以通过下式表示:
式中,Lpre为第一损失函数,bs(x)为第一平滑概率,bt(x)为第二平滑概率。x表示输入变量,即样本晶圆图像。lnbs(x)-lnbt(x)用于表示两个平滑概率的相似性,ln表示对数运算。T为温度变量。
参考图3,学生网络模型,即第一神经网络模型的Softmax层1接收池化层m的输入值,并输出第一平滑概率bs(x)。教授网络模型的Softmax层接收池化层n的输入值,并输出第二平滑概率bt(x)。将第一平滑概率bs(x)和第二平滑概率bt(x)代入第一损失函数,得到第一损失函数值。
将样本晶圆图像输入第一神经网络模型,得到预测标签。其中,预测标签为样本晶圆图像在第一神经网络模型的softmax层中被划分到所有的预设类别中最大概率的预设类别,即预测标签用于指示样本晶圆图像的分类结果。
将预测标签和缺陷标签输入预设的第二损失函数,得到第二损失函数值;第二损失函数用于计算预测标签和缺陷标签之间的误差。
其中,第二损失函数可以通过下式表示:
式中,Ltarget为第二损失函数,ci表示第i个输入变量对应的缺陷标签,即输入的第i个样本晶圆图像对应的缺陷标签,c′i表示第i个输入变量输入第一神经网络模型得到的预测标签。n表示共有n个输入变量。
参考图3,学生网络模型,即第一神经网络模型的Softmax层2接收池化层m的输入值,并输出预测标签c′i,将预测标签c′i和缺陷标签ci代入第二损失函数,得到第二损失函数值。
在本申请的一个示例中,基于第一损失函数值和第二损失函数值对第一神经网络模型进行迭代训练,得到学生网络模型,包括:使用第一损失函数值对第一神经网络模型进行迭代训练,得到初始学生网络模型;使用第二损失函数值对初始学生网络模型进行迭代训练,得到学生网络模型。
具体地,基于第一损失函数值对第一神经网络模型进行训练,以缩小缩小第一平滑概率和第二平滑概率之间的差异,直至第一神经网络模型收敛,得到初始学生网络模型。为了提供初始学生网络模型检测的准确率,基于第二损失函数值对初始学生网络模型进行训练,以计算初始学生网络模型的预测标签和样本晶圆图像的缺陷标签之间的误差,尽可能使误差趋近于0,训练直至初始学生网络模型模型收敛,得到学生网络模型。
在本申请的另一个示例中,基于第一损失函数值和第二损失函数值对第一神经网络模型进行迭代训练,得到学生网络模型,包括:获取第一损失函数的第一损失权重和第二损失函数的第二损失权重;确定第一损失函数值和第一损失权重的乘积与第二损失函数值和第二损失权重的乘积之和,得到第三损失函数值;使用第三损失函数值对第一神经网络模型进行迭代训练,得到学生网络模型。
其中,用以确定第三损失函数值的第三损失函数可以通过下式表示:
Lwhole=W1·Lpre+W2·Ltarget
式中,Lwhole为总损失函数,Lpre为第一损失函数,Ltarget为第二损失函数。W1表示第一损失函数的第一损失权重,W2表示第二损失函数的第二损失权重。
具体地,第一损失权重W1用于表示第一损失函数Lpre相对于第三损失函数Lwhole的重要程度,第二损失权重W2用于表示第二损失函数Ltarget相对于第三损失函数Lwhole的重要程度。
其中,第一损失权重W1、第二损失权重W2取值可以在0到1的范围内,也可以设置第一损失权重W1的值和第二损失权重W2的值之和为1,此处不对第一损失权重W1和第二损失权重W2取值的确定方式作限定。
本实施例中,教授网络模型设置于云计算中心内,分布式检测设备与云计算中心建立有通信连接,利用云计算中心的数据存储空间和计算能力,提高教授网络模型的训练效果。
具体地,通过分布式检测设备与云计算中心之间的通信连接,分布式检测设备将对应的晶圆生产机台的采样数据集发送至云计算中心,以使云计算中心在接收到至少一个采样数据集后,汇总形成总数据集,以训练教授网络模型。其中,总数据集包括至少一个晶圆生产机台对应的采样数据集。
另外,分布式检测设备将采样数据发送至云计算中心包括:确定云计算中心是否符合预设协议条件;在云计算中心符合预设协议条件的情况下,分布式检测设备发送对应的晶圆生产机台的采样数据集至云计算中心。
其中,预设协议可以是传输控制协议(Transmission Control Protocol,TCP),也可以是用户数据报协议(User Datagram Protocol,UDP),本申请不对预设协议的类型作限定。
在符合预设协议条件的基础上,云计算中心可以接收多个分布式检测设备发送的对应的晶圆生产机台的采样数据集,从而使多个工厂内的晶圆生产机台实现数据共享。
在接收到多个分布式检测设备发送的采样数据后,基于采样数据集得到总数据集,并使用总数据集对预设的第二神经网络模型进行训练,得到教授网络模型。
其中,第二神经网络模型可以是深度卷积神经网络模型,也可以是多循环神经网络模型,此处不对第二神经网络模型的类型作限定。具体地,使用总数据集对预设的第二神经网络模型进行训练,得到教授网络模型,包括:获取预设的第二神经网络模型;将总数据集中的样本晶圆图像和样本晶圆图像对应的缺陷标签输入第二神经网络模型进行训练,得到教授网络模型。
其中,将样本晶圆图像和样本晶圆图像对应的缺陷标签输入第二神经网络模型进行训练,得到教授网络模型,包括:将样本晶圆图像输入第二神经网络模型,得到训练结果;将训练结果和样本晶圆图像对应的缺陷标签输入损失函数,得到损失结果;基于损失结果对第二神经网络模型进行训练,以缩小训练结果和样本晶圆图像对应的缺陷标签之间的差异值,直至第二神经网络模型收敛,得到教授网络模型。
教授网络模型的模型结构与第一神经网络模型的模型结构一致,都包括卷积层、池化层和softmax层,但教授网络模型中的卷积层和池化层的数量都远大于第一神经网络模型中的卷积层和池化层的数量。其中,卷积层和池化层的数量越多,表示样本晶圆图像被提取的特征越复杂。
比如:参考图3,教授网络模型包括n层卷积层和n层池化层,学生网络模型包括m层卷积层和m层池化层,n的值远大于m的值。其中,卷积层用于提取样本晶圆图像的特征,设置多层卷积层的目的是为了从设置在前的卷积层提取到的特征中迭代提取更复杂的特征。池化层用于对特征进行压缩、减小模型的计算量,设置多层池化层的目的是为了对将每一层卷积层提取的特征都进行压缩。对于卷积层与池化层的具体实现原理此处不再赘述。
为了提高教授网络模型训练的准确性,获取总数据集还包括:对总数据集进行数据预处理,以消除数据不平衡带来的影响。
其中,产生数据不平衡的主要原因是生产过程中生产合格的晶圆数量往往远大于有缺陷的晶圆数量,相应地,样本晶圆图像中完好的样本晶圆图像也往往远大于含有缺陷的样本晶圆图像。因此,需要将完好的样本晶圆图像的数量和含有缺陷的样本晶圆图像的数量进行平衡,以提高教授网络模型训练的准确性。
在本实施例中,对总数据集进行数据预处理包括:增加总数据集中含有缺陷的样本晶圆图像。通过接收多个分布式检测设备发送的多个工厂中多条晶圆生产线的晶圆生产机台中的样本晶圆图像,以提高含有缺陷的样本晶圆图像的总量。
步骤203,将晶圆图像输入学生网络模型,得到待检测晶圆的分类结果。
在本实施例中,通过影像测量设备扫描待检测晶圆,得到待检测晶圆的晶圆图像,将晶圆图像输入到分布式检测设备中的学生网络模型中,通过学生网络模型对晶圆图像进行分类,得到分类结果。
通过采用多个学生网络模型同时处理输入的晶圆图像,可以得到多个分类结果。通过多个分类结果可以得到待检测晶圆的晶圆缺陷情况。晶圆缺陷情况包括晶圆图像是否存在缺陷、晶圆图像中缺陷的位置信息、晶圆图像中缺陷的尺寸大小等情况。
综上,本实施例提供的自动晶圆缺陷检测方法,通过获取待检测晶圆的晶圆图像;获取基于总数据集训练得到的教授网络模型;所述总数据集包括不同机台的采样数据集;所述采样数据集包括机台内存储的样本晶圆图像和所述样本晶圆图像对应的缺陷标签;所述教授网络模型设置于云计算中心内;获取预设的第一神经网络模型;基于所述第一神经网络模型、所述教授网络模型和所述采样数据集,训练得到学生网络模型;所述学生网络模型设置于机台内的分布式检测设备中;将所述晶圆图像输入所述学生网络模型,得到所述待检测晶圆的分类结果。
本方法可以解决通过人工的形式,对晶圆的表面进行缺陷检查,筛选得到表面存在缺陷的晶圆,筛选效率低,且耗费大量时间和人力的问题以及容易造成漏检和错检的问题。通过训练教授网络模型和学生网络模型来对晶圆的表面进行缺陷检查,可以提高晶圆表面缺陷检查的效率,快速地确定晶圆缺陷位置及尺寸,同时减少了漏检和错检的情况。
另外,通过将教授网络模型设置于云计算中心内,学生网络模型设置于机台内的分布式检测设备中,可以大大降低工厂对于计算设备的维护成本,同时设置于分布式检测设备中的学生网络模型也能快速地确定晶圆的分类、缺陷位置及缺陷尺寸,减少计算成本,提高晶圆缺陷检测的速度与精确度。
本实施例提供一种自动晶圆缺陷检测装置,如图4所示。该装置包括至少以下几个模块:图像获取模块410、模型获取模块420和分类输出模块430。
图像获取模块410:用于获取待检测晶圆的晶圆图像;
模型获取模块420:用于获取分布式检测设备对应的学生网络模型;学生网络模型是基于教授网络模型和采样数据集训练得到的,教授网络模型设置于云计算中心内,分布式检测设备与云计算中心建立有通信连接;采样数据集包括样本晶圆图像和样本晶圆图像对应的缺陷标签;缺陷标签用于指示样本晶圆图像对应的晶圆缺陷情况;
分类输出模块430:将晶圆图像输入学生网络模型,得到待检测晶圆的分类结果。
相关细节参考上述方法和设备实施例。
需要说明的是:上述实施例中提供的自动晶圆缺陷检测装置在进行自动晶圆缺陷检测时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将自动晶圆缺陷检测装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的自动晶圆缺陷检测装置与自动晶圆缺陷检测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本实施例提供一种电子设备,如图5所示。该电子设备至少包括处理器510和存储器520。
处理器510可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器510可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器510也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器510可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器510还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器520可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器520还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器520中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器510所执行以实现本申请中方法实施例提供的自动晶圆缺陷检测方法。
在一些实施例中,电子设备还可选包括有:外围设备接口和至少一个外围设备。处理器510、存储器520和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
当然,电子设备还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,计算机可读存储介质中存储有程序,程序由处理器加载并执行以实现上述方法实施例的自动晶圆缺陷检测方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
显然,上述所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,可以做出其它不同形式的变化或变动,都应当属于本申请保护的范围。
Claims (10)
1.一种自动晶圆缺陷检测方法,其特征在于,应用于分布式检测设备中,所述分布式检测设备与晶圆生产机台一一对应,所述方法包括:
获取待检测晶圆的晶圆图像;
获取所述分布式检测设备对应的学生网络模型;所述学生网络模型是基于教授网络模型和采样数据集训练得到的,所述教授网络模型设置于云计算中心内,所述分布式检测设备与所述云计算中心建立有通信连接;所述采样数据集包括样本晶圆图像和所述样本晶圆图像对应的缺陷标签;所述缺陷标签用于指示所述样本晶圆图像对应的晶圆缺陷情况;
将所述晶圆图像输入所述学生网络模型,得到所述待检测晶圆的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述获取所述待检测晶圆所在的分布式检测设备对应的学生网络模型,包括:
获取所述采样数据集;
获取预设的第一神经网络模型;
将所述样本晶圆图像输入所述第一神经网络模型,得到所述第一神经网络模型的softmax层输出第一平滑概率;所述第一平滑概率用于指示所述样本晶圆图像在所述第一神经网络模型的softmax层中被划分到不同的预设类别的概率;
基于所述通信连接,将所述采样数据集发送至所述云计算中心,以使所述云计算中心将所述样本晶圆图像输入所述教授网络模型,得到所述教授网络模型的softmax层输出第二平滑概率后,返回所述第二平滑概率;
接收所述第二平滑概率;所述第二平滑概率用于指示所述样本晶圆图像在所述教授网络模型的softmax层中被划分到不同的预设类别的概率;
将所述第一平滑概率和所述第二平滑概率输入预设的第一损失函数,得到第一损失函数值;
将所述样本晶圆图像输入所述第一神经网络模型,得到预测标签;
将所述预测标签和所述缺陷标签输入预设的第二损失函数,得到第二损失函数值;
基于所述第一损失函数值和所述第二损失函数值对所述第一神经网络模型进行迭代训练,得到所述学生网络模型。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一损失函数值和所述第二损失函数值对所述第一神经网络模型进行迭代训练,得到所述学生网络模型,包括:
使用所述第一损失函数值对所述第一神经网络模型进行迭代训练,得到初始学生网络模型。
使用所述第二损失函数值对所述初始学生网络模型进行迭代训练,得到所述学生网络模型。
4.根据权利要求2所述的方法,其特征在于,所述基于所述第一损失函数值和所述第二损失函数值对所述第一神经网络模型进行迭代训练,得到所述学生网络模型,包括:
获取所述第一损失函数的第一损失权重和所述第二损失函数的第二损失权重;
确定所述第一损失函数值和所述第一损失权重的乘积与所述第二损失函数值和所述第二损失权重的乘积之和,得到第三损失函数值;
使用所述第三损失函数值对所述第一神经网络模型进行迭代训练,得到学生网络模型。
5.根据权利要求2所述的方法,其特征在于,所述预设类别包括至少一个分类类别;不同分类类别对应的学生网络模型不同。
6.根据权利要求2所述的方法,其特征在于,所述教授网络模型是基于总数据集训练得到的;所述总数据集包括至少一个晶圆生产机台对应的采样数据集。
7.一种电子设备,其特征在于,所述电子设备包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述电子设备执行如权利要求1至6中任一项所述自动晶圆缺陷检测方法的步骤。
8.一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程序,其特征在于,所述程序被处理器执行时实现如权利要求1至6中任一项所述自动晶圆缺陷检测方法的步骤。
9.一种自动晶圆缺陷检测系统,其特征在于,所述系统应用于权利要求1至6任一所述的自动晶圆缺陷检测方法,包括:
影像测量设备,用于采集待检测晶圆的晶圆图像,并发送至分布式检测设备;
所述分布式检测设备,与所述影像测量设备建立有通信连接,用于获取所述待检测晶圆所在的分布式检测设备对应的学生网络模型;所述学生网络模型是基于教授网络模型和采样数据集训练得到的;将所述晶圆图像输入所述学生网络模型,得到所述待检测晶圆的分类结果。
10.根据权利要求9所述的系统,其特征在于,所述系统还包括云计算中心,所述云计算中心与所述分布式检测设备建立有通信连接;
所述云计算中心,用于接收所述分布式检测设备发送的所述采样数据集;基于所述采样数据集得到总数据集;基于所述总数据集对预设的神经网络模型进行训练,得到所述教授网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211368269.6A CN115631178B (zh) | 2022-11-03 | 2022-11-03 | 自动晶圆缺陷检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211368269.6A CN115631178B (zh) | 2022-11-03 | 2022-11-03 | 自动晶圆缺陷检测方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115631178A true CN115631178A (zh) | 2023-01-20 |
CN115631178B CN115631178B (zh) | 2023-11-10 |
Family
ID=84907922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211368269.6A Active CN115631178B (zh) | 2022-11-03 | 2022-11-03 | 自动晶圆缺陷检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631178B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228749A (zh) * | 2023-05-04 | 2023-06-06 | 昆山润石智能科技有限公司 | 一种基于反事实解释的晶圆缺陷检测方法及系统 |
CN116777894A (zh) * | 2023-07-05 | 2023-09-19 | 山东睿芯半导体科技有限公司 | 芯片的表面缺陷检测方法和装置 |
CN117853876A (zh) * | 2024-03-08 | 2024-04-09 | 合肥晶合集成电路股份有限公司 | 一种晶圆缺陷检测模型的训练方法以及系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110057884A1 (en) * | 2009-09-08 | 2011-03-10 | Gormish Michael J | Stroke and image aggregation and analytics |
US20160210882A1 (en) * | 2014-12-29 | 2016-07-21 | Help Me See Inc. | Surgical Simulator System and Method |
US20190090824A1 (en) * | 2016-03-25 | 2019-03-28 | The Regents Of The University Of California | High definition, color images, animations, and videos for diagnostic and personal imaging applications |
CN110135562A (zh) * | 2019-04-30 | 2019-08-16 | 中国科学院自动化研究所 | 基于特征空间变化的蒸馏学习方法、系统、装置 |
WO2019191346A1 (en) * | 2018-03-28 | 2019-10-03 | Kla-Tencor Corporation | Training a neural network for defect detection in low resolution images |
CN111275646A (zh) * | 2020-01-20 | 2020-06-12 | 南开大学 | 一种基于深度学习知识蒸馏技术的保边图像平滑方法 |
CN111598842A (zh) * | 2020-04-24 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 一种绝缘子缺陷样本生成模型的方法、系统及存储介质 |
US20200285959A1 (en) * | 2018-09-30 | 2020-09-10 | Boe Technology Group Co., Ltd. | Training method for generative adversarial network, image processing method, device and storage medium |
WO2020187153A1 (zh) * | 2019-03-21 | 2020-09-24 | 腾讯科技(深圳)有限公司 | 目标检测方法、模型训练方法、装置、设备及存储介质 |
CN112446331A (zh) * | 2020-11-30 | 2021-03-05 | 山东大学 | 基于知识蒸馏的时空双流分段网络行为识别方法及系统 |
CN112767320A (zh) * | 2020-12-31 | 2021-05-07 | 平安科技(深圳)有限公司 | 图像检测方法、装置、电子设备及存储介质 |
CN113706440A (zh) * | 2021-03-12 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN113947590A (zh) * | 2021-10-26 | 2022-01-18 | 四川大学 | 一种基于多尺度注意力引导和知识蒸馏的表面缺陷检测方法 |
CN114581474A (zh) * | 2022-04-28 | 2022-06-03 | 中国科学技术大学 | 一种基于宫颈癌ct影像的临床靶区自动勾画方法 |
CN114998330A (zh) * | 2022-07-28 | 2022-09-02 | 季华实验室 | 无监督的晶圆缺陷检测方法、装置、设备及存储介质 |
US20220335655A1 (en) * | 2021-04-19 | 2022-10-20 | Tencent America LLC | Substitutional input optimization for adaptive neural image compression with smooth quality control |
CN115239638A (zh) * | 2022-06-28 | 2022-10-25 | 厦门微图软件科技有限公司 | 一种工业缺陷检测方法、装置、设备及可读存储介质 |
-
2022
- 2022-11-03 CN CN202211368269.6A patent/CN115631178B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110057884A1 (en) * | 2009-09-08 | 2011-03-10 | Gormish Michael J | Stroke and image aggregation and analytics |
US20160210882A1 (en) * | 2014-12-29 | 2016-07-21 | Help Me See Inc. | Surgical Simulator System and Method |
US20190090824A1 (en) * | 2016-03-25 | 2019-03-28 | The Regents Of The University Of California | High definition, color images, animations, and videos for diagnostic and personal imaging applications |
WO2019191346A1 (en) * | 2018-03-28 | 2019-10-03 | Kla-Tencor Corporation | Training a neural network for defect detection in low resolution images |
US20200285959A1 (en) * | 2018-09-30 | 2020-09-10 | Boe Technology Group Co., Ltd. | Training method for generative adversarial network, image processing method, device and storage medium |
WO2020187153A1 (zh) * | 2019-03-21 | 2020-09-24 | 腾讯科技(深圳)有限公司 | 目标检测方法、模型训练方法、装置、设备及存储介质 |
CN110135562A (zh) * | 2019-04-30 | 2019-08-16 | 中国科学院自动化研究所 | 基于特征空间变化的蒸馏学习方法、系统、装置 |
CN111275646A (zh) * | 2020-01-20 | 2020-06-12 | 南开大学 | 一种基于深度学习知识蒸馏技术的保边图像平滑方法 |
CN111598842A (zh) * | 2020-04-24 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 一种绝缘子缺陷样本生成模型的方法、系统及存储介质 |
CN112446331A (zh) * | 2020-11-30 | 2021-03-05 | 山东大学 | 基于知识蒸馏的时空双流分段网络行为识别方法及系统 |
CN112767320A (zh) * | 2020-12-31 | 2021-05-07 | 平安科技(深圳)有限公司 | 图像检测方法、装置、电子设备及存储介质 |
CN113706440A (zh) * | 2021-03-12 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
US20220335655A1 (en) * | 2021-04-19 | 2022-10-20 | Tencent America LLC | Substitutional input optimization for adaptive neural image compression with smooth quality control |
CN113947590A (zh) * | 2021-10-26 | 2022-01-18 | 四川大学 | 一种基于多尺度注意力引导和知识蒸馏的表面缺陷检测方法 |
CN114581474A (zh) * | 2022-04-28 | 2022-06-03 | 中国科学技术大学 | 一种基于宫颈癌ct影像的临床靶区自动勾画方法 |
CN115239638A (zh) * | 2022-06-28 | 2022-10-25 | 厦门微图软件科技有限公司 | 一种工业缺陷检测方法、装置、设备及可读存储介质 |
CN114998330A (zh) * | 2022-07-28 | 2022-09-02 | 季华实验室 | 无监督的晶圆缺陷检测方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
MOHAMED MAHER: "Instance-based Label Smoothing For Better Calibrated Classification Networks", 《 2021 20TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS (ICMLA)》 * |
兰红;刘秦邑;: "图注意力网络的场景图到图像生成模型", 中国图象图形学报, no. 08 * |
卢荣胜;吴昂;张腾达;王永红;: "自动光学(视觉)检测技术及其在缺陷检测中的应用综述", 光学学报, no. 08 * |
艾秀清;葛玉红;韩有溪;木妮热・木沙江;: "肿瘤放射治疗学教学改革探讨", 课程教育研究, no. 20 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228749A (zh) * | 2023-05-04 | 2023-06-06 | 昆山润石智能科技有限公司 | 一种基于反事实解释的晶圆缺陷检测方法及系统 |
CN116228749B (zh) * | 2023-05-04 | 2023-10-27 | 昆山润石智能科技有限公司 | 一种基于反事实解释的晶圆缺陷检测方法及系统 |
CN116777894A (zh) * | 2023-07-05 | 2023-09-19 | 山东睿芯半导体科技有限公司 | 芯片的表面缺陷检测方法和装置 |
CN116777894B (zh) * | 2023-07-05 | 2023-12-29 | 山东睿芯半导体科技有限公司 | 芯片的表面缺陷检测方法和装置 |
CN117853876A (zh) * | 2024-03-08 | 2024-04-09 | 合肥晶合集成电路股份有限公司 | 一种晶圆缺陷检测模型的训练方法以及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115631178B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115631178B (zh) | 自动晶圆缺陷检测方法、系统、设备及存储介质 | |
CN113421263B (zh) | 零件缺陷检测方法、设备、介质及计算机程序产品 | |
US10885620B2 (en) | Neural network image processing system | |
CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
Althubiti et al. | Circuit manufacturing defect detection using VGG16 convolutional neural networks | |
CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
JP2013077127A (ja) | 画像分類装置および画像分類方法 | |
CN114764770A (zh) | 晶圆检测方法、装置、设备及存储介质 | |
CN114331985A (zh) | 电子元器件划痕缺陷检测方法、装置和计算机设备 | |
CN113112497A (zh) | 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 | |
CN116188432A (zh) | 缺陷检测模型的训练方法、装置及电子设备 | |
CN116128839A (zh) | 晶圆缺陷识别方法、装置、电子设备以及存储介质 | |
KR102174424B1 (ko) | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
Wang et al. | Deep learning-based automatic optical inspection system empowered by online multivariate autocorrelated process control | |
CN116012354A (zh) | 片式电容丝印缺陷检测方法、装置、设备及存储介质 | |
CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
CN114692887A (zh) | 半监督学习系统及半监督学习方法 | |
CN113379678A (zh) | 一种电路板检测方法、装置、电子设备及存储介质 | |
CN117115568B (zh) | 数据筛选方法、装置、设备及存储介质 | |
CN117036227A (zh) | 数据处理方法、装置、电子设备、介质及程序产品 |
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 |