CN116091379A - 自动缺陷分类系统及其训练和分类的方法 - Google Patents

Abstract

本发明提供一种自动缺陷分类系统及其训练和分类的方法。其中，自动缺陷分类系统中的过漏检判定单元用于判断数据是否属于过检数据或漏检数据，以将过漏检数据分离出来。过漏检原因分类器是由过漏检数据集，提取第一特征后训练而成，用于对过漏检数据进行过漏检原因分类，有利于在在线检测过程中，快速定位产生过漏检的原因，降低过漏检的概率。补充分类器独立于自动缺陷分类器，且至少采用属于缺陷分类系统原因的数据作为样本训练而成，降低了因自动缺陷分类器本身原因而导致数据分类不正确的问题。且不干涉自动缺陷分类器的正常作业，提高了检测物缺陷分类的精准度、检测设备的检测精度以及机台的稳定性。

Description

自动缺陷分类系统及其训练和分类的方法

技术领域

本发明涉及集成电路制造技术领域，特别涉及一种自动缺陷分类系统及其训练和分类的方法。

背景技术

在半导体产品制备过程中，拉单晶、切片、磨片、抛光、沉积、光刻、掺杂、热处理、针测以及划片等各种工艺流程中都可能使晶圆表面产生缺陷，而晶圆上缺陷会直接影响产品的工作寿命和可靠性。因此，对晶圆缺陷的分类尤为重要。

现有的晶圆缺陷分类通常利用自动缺陷分类器(automatic defectclassification，ADC)，进行缺陷识别和分类。然而，基于自动缺陷分类器的分类规则或者机器学习算法，往往会出现对缺陷的过检和漏检。其中，过检是指不存在缺陷的图片被拒绝；漏检是指存在缺陷图片被接受。因此，随着过漏检数量的增加，会导致晶圆缺陷识别准确率降低，检测召回率提高。对此，现有的解决方案为：在过漏数据的数目超过设定阈值时，修改检验配方。但自动缺陷分类器本身原因导致的过漏检数据依然存在，并且修改检验配方，还会导致原有自动缺陷分类器对非过漏检数据的分类结果劣化。

因此，需要一种新的自动缺陷分类系统，以能够单独对过漏检的数据进行故障分析和缺陷分类，以及对自动缺陷分类器本身原因导致的过漏检数据进行分类，且不影响非过漏检数据的分类，从而提高晶圆缺陷分类精准度。

发明内容

本发明的目的在于提供一种自动缺陷分类系统及其训练和分类的方法，以解决如何提高晶圆缺陷分类精准度以及如何提高检测设备的检测精度中的至少一个问题。

为解决上述技术问题，本发明提供一种自动缺陷分类系统的训练方法，包括：

根据预先获得的缺陷分类数据库，收录过检数据和漏检数据，以形成过漏检数据集；

对所述过漏检数据集中的数据进行过漏检原因标注；其中，所述过漏检原因至少包括检测系统原因和缺陷分类系统原因；

对所述数据进行第一特征提取，以训练形成过漏检原因分类器，所述过漏检原因分类器用于在检测过程中对数据进行过漏检原因分类；

至少以属于缺陷分类系统原因的所述数据为样本，对所述样本进行缺陷类别标注；

提取已标注缺陷类别的所述样本中的第二特征，以训练形成补充分类器，所述补充分类器用于对检测过程中经所述过漏检原因分类器分为缺陷分类系统原因的所述数据进行重新分类。

可选的，在所述的自动缺陷分类系统的训练方法中，对所述数据进行第一特征提取，以训练形成过漏检原因分类器，包括：

从所述数据中提取所述第一特征，以形成第一特征向量；其中，所述第一特征包括多个特征值，且每一所述数据提取的所述第一特征中的所述特征值的种类相同；多个所述数据所形成的多个所述第一特征向量构成第一特征空间，将所述第一特征向量与对应的所述数据标注的过漏检原因相匹配，训练形成所述过漏检原因分类器。

可选的，在所述的自动缺陷分类系统的训练方法中，训练形成过漏检原因分类器，包括：

选用多种分类算法分别进行训练，并从获得的多种评价结果中选择符合设定要求的所述分类算法，作为所述过漏检原因分类器的分类算法。

可选的，在所述的自动缺陷分类系统的训练方法中，提取已标注缺陷类别的所述样本中的第二特征，以训练形成补充分类器，包括：

从所述样本中提取所述第二特征，以形成第二特征向量；其中，所述第二特征包括多个特征值，且每一所述样本提取的所述第二特征中的所述特征值的种类相同；多个所述样本所形成的多个所述第二特征向量构成第二特征空间，将所述第二特征向量与对应的所述样本标注的缺陷类别相匹配，训练形成所述补充分类器。

可选的，在所述的自动缺陷分类系统的训练方法中，所述特征值包括：检测机台、检测参数、软件属性、检测物属性、检测物工艺信息、检测物缺陷信息或检测物缺陷分类结果。

可选的，在所述的自动缺陷分类系统的训练方法中，所述第二特征中的所述特征值还包括：缺陷灰度信息和/或检测光学模式。

可选的，在所述的自动缺陷分类系统的训练方法中，训练形成所述补充分类器，还包括：选用多种分类算法分别进行训练，并从获得的多种评价结果中选择符合设定要求的所述分类算法，作为所述补充分类器的分类算法。

可选的，在所述的自动缺陷分类系统的训练方法中，所述分类算法包括：K最近邻法、决策树、随机森林集成学习、神经网络或支持向量机。

可选的，在所述的自动缺陷分类系统的训练方法中，预先获得的所述缺陷分类数据库所采用的分类算法与所述补充分类器的分类算法不同；和\或，至少部分所述第二特征中的所述特征值的种类与预先获得的所述缺陷分类数据库所选用的特征值的种类不同。

可选的，在所述的自动缺陷分类系统的训练方法中，训练形成所述补充分类器的所述样本包括所述过漏检数据集。

可选的，在所述的自动缺陷分类系统的训练方法中，训练形成所述补充分类器的所述样本包括正常检测物的数据。

基于同一发明构思，本发明还提供一种自动缺陷分类系统，包括：数据获取单元、数据存储单元、过漏检判定单元、自动缺陷分类器、过漏检原因分类器以及补充分类器；

所述数据获取单元用于获取检测物的数据；

所述数据存储单元用于存储所述数据获取单元、所述自动缺陷分类器、所述过漏检判定单元、所述过漏检原因分类器以及所述补充分类器所获取的数据以及生成的数据；

所述过漏检判定单元用于对所述检测物的数据进行相似性比较，以判断所述数据是否属于过检数据或漏检数据；

所述自动缺陷分类器用于对不属于所述过检数据或所述漏检数据的数据进行缺陷识别以及缺陷分类；

所述过漏检原因分类器用于对所述过检数据或所述漏检数据进行过漏检原因分类；其中，所述过漏检原因至少包括检测系统原因或缺陷分类系统原因；

所述补充分类器至少用于对属于缺陷分类系统原因的所述数据进行缺陷类别分类。

可选的，在所述的自动缺陷分类系统中，所述相似性比较的方法包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离或皮尔逊相关系数。

基于同一发明构思，本发明还提供一种自动缺陷分类方法，包括：

所述数据获取单元获取检测物的数据，并存入所述数据存储单元；

所述过漏检判定单元从所述数据存储单元获取所述检测物的数据，并判断所述数据是否位于过漏检判定阈值范围内，如是，则将所述数据输入所述过漏检原因分类器；如否，则将所述数据输入所述自动缺陷分类器，以对所述数据进行缺陷识别和缺陷分类；

所述过漏检原因分类器对输入的所述数据进行过漏检原因分类；其中，属于缺陷分类系统原因的所述数据输入至所述补充分类器；

所述补充分类器对输入的所述数据进行缺陷类别分类。

可选的，在所述的自动缺陷分类方法中，在所述过漏检原因分类器对输入的所述数据进行过漏检原因分类之后，对于属于检测系统原因的所述数据，经检测条件调整后输入所述数据检测单元。

综上所述，本发明提供一种自动缺陷分类系统及其训练和分类的方法。所述自动缺陷分类系统包括：数据获取单元、数据存储单元、过漏检判定单元、自动缺陷分类器、过漏检原因分类器以及补充分类器。所述数据获取单元用于获取检测物的数据。所述数据存储单元用于存储数据。所述过漏检判定单元用于判断所述数据是否属于过检数据或漏检数据，以将过漏检数据分离出来，以备后续对过漏检数据进行单独的缺陷分类。所述自动缺陷分类器用于对不属于所述过检数据或所述漏检数据的数据进行缺陷识别以及缺陷分类。所述过漏检原因分类器是由过漏检数据集，经第一特征提取和分类训练而成，用于对过漏检数据进行过漏检原因分类，有利于在在线检测过程中，快速定位产生过漏检的原因，降低过漏检的概率，提高检测精度。所述补充分类器独立于所述自动缺陷分类器，用于对属于缺陷分类系统原因的所述数据进行缺陷类别分类，避免了因自动缺陷分类器本身原因而导致数据无法分类的问题。并且，无需修改自动缺陷分类器的检测配方，不会对非过漏检的检测物缺陷识别和分类造成影响。

因此，本发明通过离线训练的过漏检原因分类器和补充分类器，实现单独对过漏检的数据进行故障分析和缺陷分类，以及实现对自动缺陷分类器本身原因导致的过漏检数据进行缺陷分类，不干涉自动缺陷分类器的正常作业，提高了检测物缺陷分类的精准度以及检测设备的检测精度。

附图说明

图1是本发明实施例中的自动缺陷分类系统的组成示意图；

图2是本发明实施例中的自动缺陷分类系统的训练方法流程意图；

图3是本发明实施例中的第一特征向量的示意图；

图4是本发明实施例中的自动缺陷分类方法的流程图。

具体实施方式

为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是，附图均采用非常简化的形式且未按比例绘制，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。还应当理解的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。

为解决上述技术问题，本实施例提供一种自动缺陷分类系统，用于对检测物的缺陷进行分类。本实施例中的所述检测物包括但不限于为晶圆，还可以指具体的产品，如CMOS器件等。在下述介绍中以晶圆为所述检测物的示例。

请参阅图1，所述自动缺陷分类系统包括：数据获取单元100、数据存储单元101、过漏检判定单元102、自动缺陷分类器103、过漏检原因分类器104以及补充分类器105。所述数据获取单元100用于获取检测物的数据。即，通过对晶圆进行拍照，提取照片中的信息作为晶圆的数据。所述数据存储单元101用于存储整个系统中的数据，例如所述数据获取单元100、所述过漏检判定单元102、所述自动缺陷分类器103、所述过漏检原因分类器104以及所述补充分类器105所获取的数据以及生成的数据。所述过漏检判定单元102用于根据所述检测物的数据判断所述数据是否属于过检数据或漏检数据。所述自动缺陷分类器103用于对不属于所述过检数据或所述漏检数据的数据进行缺陷识别以及缺陷分类，可以理解为现有的缺陷识别系统中自带的自动缺陷分类器，根据设定的检测配方，对晶圆进行缺陷的检测和分类，并将获取的数据存储至缺陷分类数据库中。所述缺陷分类数据库用于存储所有所述晶圆的信息及对应缺陷种类。所述过漏检原因分类器104用于对所述过检数据和所述漏检数据进行过漏检原因分类；其中，所述过漏检原因至少包括检测系统原因和缺陷分类系统原因。所述补充分类器105至少用于对属于缺陷分类系统原因的所述数据进行缺陷类别分类。

可见，本实施例提供的所述自动分类系统，通过加设过漏检判定单元102、过漏检原因分类器104和补充分类器105，实现单独对过漏检的数据进行故障分析和缺陷分类，以及实现对自动缺陷分类器103本身原因导致的过漏检数据进行缺陷分类，不干涉自动缺陷分类器103的正常作业，提高了检测物缺陷分类的精准度以及检测设备的检测精度。

进一步的，所述数据获取单元100通常包括物镜和相机，以拍摄所述晶圆的照片作为数据资料。所述过漏检判定单元102是对过漏检数据的筛选。对所述检测物的数据进行相似性比较获得一距离值，判断所述距离值是否在过漏检阈值范围内，如是，则可认定为过漏检数据，如否，则不属于过漏检数据，从而能将所有数据中可能为过漏检的数据筛查出来，以备后续单独进行缺陷分类。可选的，采用距离度量的方法对所述数据作相似性比较。所述距离度量的方法包括但不限于为：欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离或皮尔逊相关系数。其中，可以先利用线下的过漏检数据作相似性比较，以获得过漏检的阈值范围。然后，采用所述距离度量的方法计算出所述数据对应的距离值，再判断所述数据与所述过漏检的阈值范围之间的距离关系。如果所检测的数据的距离超出过漏检判定阈值范围，即认为不属于过漏检数据；如果所述距离落入过漏检判定阈值范围内，即认为属于过漏检数据，则所述数据可能会存在过漏检故障。并且所述距离越大，过漏检相似性越低；所述距离越小，过漏检相似性越高。

所述过漏检原因分类器104是对过检数据或漏检数据的检测故障进行原因分类。即，将导致所述数据出现过漏检的故障情况的原因进行细化，便于工程师能够快速定位出造成所述数据过漏检故障的原因，从而提供解决方案，以降低后续过漏检故障的出现频率，则有利于从根源上解决检测精准度低的问题。

所述补充分类器105单独将属于缺陷分类系统原因的所述数据进行缺陷类别分类。在现有技术中，因缺陷分类系统自身原因也会造成过漏检，则无法对这些过漏检数据进行缺陷分类，造成检测精度低的困难。并且，解决这种问题需要改变自带的缺陷分类系统的检测配方，但这种方案会导致影响缺陷分类系统的正常作业，甚至还会恶化所有数据的缺陷分类结果。因此，本实施例提供的所述自动缺陷分类系统单独设置一个分类器，即所述补充分类器105，用于解决属于自动缺陷分类器103自身原因造成的过漏检数据的缺陷分类。这种设计方案无需修改自动缺陷分类器103的检测配方，对自动缺陷分类器103的检测没有影响，并能够实现对属于自动缺陷分类器103自身原因造成的过漏检数据的缺陷分类，提高了系统缺陷分类精度和检测精度，保证了机台的稳定性。

为进一步介绍所述自动缺陷分类系统，本实施例还提供了所述自动缺陷分类系统的训练方法，请参阅图1-3，所述方法包括：

步骤S10：根据预先获得的缺陷分类数据库，收录所有过检数据和漏检数据，以形成过漏检数据集；

其中，所述自动缺陷分类系统的训练方法是在离线状态下进行的，则预先获得的缺陷分类数据库是源于现有机台中的自动缺陷分类器在之前的所有线检测过程中存储的数据的集合。所述自动缺陷分类系统的训练方法是以这个数据库为基准进行建立。则将其中的过漏检的数据收录至一个数据集中，以形成过漏检数据集，用于后续对过漏检的数据进行单独的缺陷识别和缺陷分类。

步骤S20：对所述过漏检数据集中的数据进行过漏检原因标注；其中，所述过漏检原因至少包括检测系统原因和缺陷分类系统原因。

在实际作业中，造成过漏检的原因其实有很多种，例如：机台没有运行到正确的位置、检测参数输入错误或者分类规则原因等。为保证能够针对自动缺陷分类器自身原因进行分析，则本实施例将所述过漏检原因分为至少两大类，其中一类为检测系统原因，另一类为缺陷分类系统原因。检测系统原因是指由整个检测机台中的软硬件造成的过漏检。例如,软件参数下发错误原因、检测算法中给的图片模板错误以及镜头未运动到指定的位置等。而缺陷分类系统原因是指属于自动缺陷分类器自身原因。例如，ADC算法缺陷、训练数据集与实际的检测数据集分布不一致以及ADC特征非最优等。当然，根据需要还可分为多种过漏检原因，例如人工原因等。进一步的，可以通过人工方式或自动方式实现对每一条数据的过漏检原因标注。

步骤S30：对所述数据进行第一特征提取，以训练形成过漏检原因分类器104，所述过漏检原因分类器104用于在检测过程中对数据进行过漏检原因分类。

进一步的，在训练形成所述过漏检原因分类器104的过程中，从所述数据中提取出的所述第一特征与所述数据的过漏检原因相对应，以形成一个对应的第一特征向量。其中，所述第一特征包括多个特征值，则对应于多个维度，且每一所述数据提取的所述第一特征中的所述特征值的种类相同，即每一所述数据的第一特征提取方式相同。多个所述数据所形成的多个所述第一特征向量构成第一特征空间，为多维特征空间。将所述第一特征向量与对应的所述数据标注的过漏检原因相匹配，训练形成所述过漏检原因分类器104。

例如图3所示，所述过漏检数据集中共包括6条数据，每条数据均标注有过漏检原因，假设所述过漏检原因仅为两种，一种是检测系统原因，一种是缺陷分类系统原因，并且其中4条数据均为缺陷分类系统原因，另外2条数据为检测系统原因。假设所述第一特征包括3种特征值，则在每一条所述数据中提取相同的3种特征值，以作为每一条所述数据的第一特征。因此，每一条数据对应一个过漏检原因，以及对应一个所述第一特征，为一个第一特征向量。其中，所述第一特征中的特征值的种类代表所述特征向量的特征维度，则3种所述特征值对应3个维度，相应的所述过漏检数据集中的所有条数据可组成3*6维第一特征空间。因此，当所述过漏检数据集包括N条数据，所述第一特征包括M种特征值时，可组成M*N维的第一特征空间。

具体地，例如所述数据的过漏检原因为检测系统原因，且包括镜头的坐标轨迹点的偏移量X1，则偏移量X1与历史数据中镜头正常运动下轨迹点的偏移量N1的对比结果X1-N1，定义为feature_extract_1。

Feature_1＝feature_extract_1(X1,N1)；

Feature_1＝X1–N1；

Feature_1为一种特征值。当仅有Feature_1这一种特征值时，所述第一特征即为Feature_1。相应的，所述数据对应检测系统原因，并且对应Feature_1，以作为所述数据的第一特征向量。

因此，在过漏检原因检测过程中，可根据提取待检测数据的第一特征来定向找到所述数据的过漏检原因，便于工程师及时确定故障种类，采取对应的解决措施。

此外，在训练形成所述过漏检原因分类器104的过程中，可选用多种分类算法分别进行训练，并从获得的多种评价结果中选择符合设定要求的所述分类算法，作为所述过漏检原因分类器104的分类算法。其中，所述分类算法包括但不限于为：K最近邻法、决策树、随机森林集成学习、神经网络或支持向量机。进一步的，所述第一特征的特征值的种类包括但不限于为：检测机台、检测参数、软件属性、晶圆属性、晶圆工艺信息、晶圆缺陷信息或晶圆缺陷分类结果。因此，假设训练模式一为：选用的第一特征的包括如下特征值：检测机台、检测参数、软件属性、晶圆属性、晶圆工艺信息；以及选用K最近邻法为分类算法。或者，训练模式二为：选用的第一特征的包括如下特征值：检测机台、检测参数、软件属性；选用神经网络为分类算法。然后根据这两种训练模式的评价结果，选择一个最优的算法和特征值种类。其中，选定最优的评价结果可综合考虑如下几点因素：分类正确率、分类精准度以及分类召回率。

步骤S40：至少以属于缺陷分类系统原因的所述数据为样本，对所述样本进行缺陷类别标注。换言之，将属于缺陷分类系统原因的每一条所述数据的作为一个样本，多条所述数据即为多个样本，以构成样本数据集。并对每一所述样本采用人工或自动的方式进行缺陷类别标注，以备后续训练所述补充分类器105。

步骤S50：提取已标注缺陷类别的所述样本中的第二特征，以训练形成补充分类器105，所述补充分类器105用于对检测过程中经所述过漏检原因分类器105分为缺陷分类系统原因的所述数据进行重新分类。

本实施中所述补充分类器105用于对属于自动缺陷分类器103自身原因导致的过漏检数据进行缺陷识别和缺陷分类。当然，所述补充分类器105也可以用于对其他原因造成的所述数据进行缺陷识别和缺陷分类。其中，因检测系统原因造成的过漏检数据不需要使用所述补充分类器105进行缺陷识别和缺陷分类(详见关于自动缺陷分类方法的介绍)。

此外，训练所述补充分类器105的所述样本数据集还可以包括整个所述过漏检数据集，也可以包括正常检测物的数据。所述正常检测物的数据是指没有缺陷，或者缺陷在容许范围内的晶圆的数据。

进一步的，在训练形成所述补充分类器105的过程中，从所述样本中提取的所述第二特征与所述样本的缺陷类别相对应，以形成一个对应的第二特征向量；其中，所述第二特征包括多个特征值，即所述第二特征向量具有多个维度。每一所述样本提取的所述第二特征中的所述特征值的种类相同，即每一所述样本的第二特征提取方式相同。多个所述样本所形成的多个所述第二特征向量构成第二特征空间；将所述第二特征向量与对应的所述样本标注的缺陷类别相匹配，训练形成所述补充分类器105。

可以理解的是，采用与训练过漏检原因分类器104的方式相似，所述补充分类器105也是对每一所述样本进行第二特征的提取。即，每一条数据对应一个缺陷类别，并对应一个第二特征，记为一个第二特征向量。其中，所述第二特征中的特征值种类也代表着第二特征向量的维度。当所述样本数据集包括A条数据，所述第二特征包括B种特征值时，可组成B*A维的第二特征空间。

进一步的，所述第二特征中的特征值包括但不限于为：检测机台、检测参数、软件属性、待测物检测物属性、待测物检测物工艺信息、晶圆缺陷信息、晶圆缺陷分类结果、缺陷灰度信息和/或检测光学模式。为保证最优效果，在训练形成所述补充分类器105的过程中，选用多种分类算法分别进行训练，并从获得的多种评价结果中选择符合设定要求的所述分类算法，作为所述补充分类器105的分类算法。对此，可参照对过漏检原因分类器104训练过程中选择训练模式的方法筛选分类算法。进一步的，所述分类算法包括：K最近邻法、决策树、随机森林集成学习、神经网络或支持向量机。进一步的，选定最优的分类算法所考虑的因素可包括：分类正确率、分类精准度以及分类召回率。

此外，为保证能够对自动缺陷分类器103自身原因的导致的过漏检数据进行精准的检测和分类，预先获得的所述缺陷分类数据库所采用的分类算法与所述补充分类器105的分类算法不同；和\或，至少部分所述第二特征中的所述特征值的种类与预先获得的所述缺陷分类数据库所选用的特征值的种类不同。换言之，所述补充分类器105通过改变分类算法和特征种类，来区别于自动缺陷分类器103的缺陷分类标准，从而能够实现对所述自动缺陷分类器103自身原因的导致的过漏检数据进行精准的检测和分类。且独立于所述自动缺陷分类器103，不会对非过漏检的数据检测产生影响。

基于上述的所述自动缺陷分类系统的训练方法可以建立自动缺陷分类系统，实现单独对过漏检的数据进行故障分析和缺陷分类，以及对自动缺陷分类器本身原因导致的过漏检数据的缺陷分类，不影响非过漏检数据的分类，提高了晶圆缺陷识别的精准度。

基于同一发明构思，本实施例还提供一种自动缺陷分类方法，采用上述训练形成的自动缺陷系统，如图1和4所示，所述方法包括：

步骤一：所述数据获取单元100获取检测物的数据，并存入所述数据存储单元101中。

例如，所述数据获取单元100拍摄晶圆的图片，并将所述图片以及晶圆相关数据作为一条数据均存储至所述数据存储单元101中。

步骤二：所述过漏检判定单元102从所述数据存储单元101获取所述检测物的数据，并判断所述数据是否位于过漏检判定阈值范围内，如是，则将所述数据输入所述过漏检原因分类器104；如否，则将所述数据输入所述自动缺陷分类器103，以对所述数据进行缺陷识别和缺陷分类。

所述过漏检判定单元102通过将所述数据并与预设的所述过漏检判定阈值进行比较，以筛查出属于或可能属于过漏检的数据，以便于对所述数据做进一步的细分。其中，所述自动缺陷分类器103对不属于过漏检的所述数据进行缺陷检测和缺陷分类。当检测的所有所述数据中均不属于过漏检，则在所述自动缺陷分类器103分类完成时，即完成了对所有数据的缺陷分类。当存在过漏检的可能时，需要将对应数据输入至所述过漏检原因分类器104，以先对所述数据的过漏检原因进行判断。

步骤三：所述过漏检原因分类器104对输入的所述数据进行过漏检原因分类；其中，属于缺陷分类系统原因的所述数据输入至所述补充分类器105。

所述过漏检原因分类器104对于所述数据进行第一特征的提取，并根据所述过漏检原因分类器104的第一特征空间，判断出所述数据属于哪一类过漏检原因。当所述数据属于缺陷分类系统原因时，需要将所述数据输入至所述补充分类器105。当所述数据属于检测系统原因时，工程师可通过调整检测条件实现对故障的克服，例如改变软硬件参数或者初始化处理等。在调整检测条件之后，所述数据再次进入所述数据获取单元100。其中，属于缺陷分类系统原因的所述数据则由所述补充分类器105做进一步的缺陷分类。

步骤四：所述补充分类器105对输入的所述数据进行缺陷类别分类。

当所述数据属于缺陷分类系统原因时，表明是因机台的自动缺陷分类器造成了过漏检故障，则原来的自动缺陷分类器无法对所述数据进行缺陷识别和分类。因此，将所述数据输入所述补充分类器105，由所述补充分类器105提取所述数据的第二特征，并根据所述补充分类器105的第二特征空间，判断出所述数据属于哪一缺陷类别，从而实现对所述数据的缺陷识别和分类。

因此，所述自动缺陷分类方法不仅能够对过漏检做预防的筛查，还能够确定过漏检的原因，以及对属于自动缺陷分类器本身原因导致的过漏检数据进行精确的缺陷分类，提高了检测精度，以及机台的稳定性。

综上所述，本实施例提供的所述自动缺陷分类系统及其训练和分类的方法。通过离线训练的过漏检原因分类器104和补充分类器105，实现单独对过漏检的数据进行故障分析和缺陷分类，以及实现对自动缺陷分类器103本身原因导致的过漏检数据进行缺陷分类，不干涉自动缺陷分类器103的正常作业。同时，通过所述过漏检判定单元102实现对检测物的预先筛查，将可能为过漏检的数据提前提取出来，以备后续对所述数据进行单独缺陷分类，从而进一步提高了检测物缺陷分类的精准度以及检测设备的检测精度。

此外还应该认识到，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围。

Claims (15)

1.一种自动缺陷分类系统的训练方法，其特征在于，包括：

根据预先获得的缺陷分类数据库，收录过检数据和漏检数据，以形成过漏检数据集；

对所述过漏检数据集中的数据进行过漏检原因标注；其中，所述过漏检原因至少包括检测系统原因和缺陷分类系统原因；

对所述数据进行第一特征提取，以训练形成过漏检原因分类器，所述过漏检原因分类器用于在检测过程中对数据进行过漏检原因分类；

至少以属于缺陷分类系统原因的所述数据为样本，对所述样本进行缺陷类别标注；

提取已标注缺陷类别的所述样本中的第二特征，以训练形成补充分类器，所述补充分类器用于对检测过程中经所述过漏检原因分类器分为缺陷分类系统原因的所述数据进行重新分类。

2.根据权利要求1所述的自动缺陷分类系统的训练方法，其特征在于，对所述数据进行第一特征提取，以训练形成过漏检原因分类器，包括：

从所述数据中提取所述第一特征，以形成第一特征向量；其中，所述第一特征包括多个特征值，且每一所述数据提取的所述第一特征中的所述特征值的种类相同；多个所述数据所形成的多个所述第一特征向量构成第一特征空间，将所述第一特征向量与对应的所述数据标注的过漏检原因相匹配，训练形成所述过漏检原因分类器。

3.根据权利要求1所述的自动缺陷分类系统的训练方法，其特征在于，训练形成过漏检原因分类器，包括：

选用多种分类算法分别进行训练，并从获得的多种评价结果中选择符合设定要求的所述分类算法，作为所述过漏检原因分类器的分类算法。

4.根据权利要求1所述的自动缺陷分类系统的训练方法，其特征在于，提取已标注缺陷类别的所述样本中的第二特征，以训练形成补充分类器，包括：

从所述样本中提取所述第二特征，以形成第二特征向量；其中，所述第二特征包括多个特征值，且每一所述样本提取的所述第二特征中的所述特征值的种类相同；多个所述样本所形成的多个所述第二特征向量构成第二特征空间，将所述第二特征向量与对应的所述样本标注的缺陷类别相匹配，训练形成所述补充分类器。

5.根据权利要求2或4所述的自动缺陷分类系统的训练方法，其特征在于，所述特征值包括：检测机台、检测参数、软件属性、检测物属性、检测物工艺信息、检测物缺陷信息或检测物缺陷分类结果。

6.根据权利要求5所述的自动缺陷分类系统的训练方法，其特征在于，所述第二特征中的所述特征值还包括：缺陷灰度信息和/或检测光学模式。

7.根据权利要求4所述的自动缺陷分类系统的训练方法，其特征在于，训练形成所述补充分类器，还包括：选用多种分类算法分别进行训练，并从获得的多种评价结果中选择符合设定要求的所述分类算法，作为所述补充分类器的分类算法。

8.根据权利要求3或7所述的自动缺陷分类系统的训练方法，其特征在于，所述分类算法包括：K最近邻法、决策树、随机森林集成学习、神经网络或支持向量机。

9.根据权利要求7所述的自动缺陷分类系统的训练方法，其特征在于，预先获得的所述缺陷分类数据库所采用的分类算法与所述补充分类器的分类算法不同；和\或，至少部分所述第二特征中的所述特征值的种类与预先获得的所述缺陷分类数据库所选用的特征值的种类不同。

10.根据权利要求1所述的自动缺陷分类系统的训练方法，其特征在于，训练形成所述补充分类器的所述样本包括所述过漏检数据集。

11.根据权利要求1所述的自动缺陷分类系统的训练方法，其特征在于，训练形成所述补充分类器的所述样本包括正常检测物的数据。

12.一种自动缺陷分类系统，其特征在于，包括：数据获取单元、数据存储单元、过漏检判定单元、自动缺陷分类器、过漏检原因分类器以及补充分类器；

所述数据获取单元用于获取检测物的数据；

所述数据存储单元用于存储所述数据获取单元、所述自动缺陷分类器、所述过漏检判定单元、所述过漏检原因分类器以及所述补充分类器所获取的数据以及生成的数据；

所述过漏检判定单元用于对所述检测物的数据进行相似性比较，以判断所述数据是否属于过检数据或漏检数据；

所述自动缺陷分类器用于对不属于所述过检数据或所述漏检数据的数据进行缺陷识别以及缺陷分类；

所述过漏检原因分类器用于对所述过检数据或所述漏检数据进行过漏检原因分类；其中，所述过漏检原因至少包括检测系统原因或缺陷分类系统原因；

所述补充分类器至少用于对属于缺陷分类系统原因的所述数据进行缺陷类别分类。

13.根据权利要求12所述的自动缺陷分类系统，其特征在于，所述相似性比较的方法包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离或皮尔逊相关系数。

14.一种自动缺陷分类方法，其特征在于，使用如权利要求12-13中任意一项所述的自动缺陷分类系统，包括：

所述数据获取单元获取检测物的数据，并存入所述数据存储单元；

所述过漏检判定单元从所述数据存储单元获取所述检测物的数据，并判断条所述数据是否位于过漏检判定阈值范围内，如是，则将所述数据输入所述过漏检原因分类器；如否，则将所述数据输入所述自动缺陷分类器，以对所述数据进行缺陷识别和缺陷分类；

所述过漏检原因分类器对输入的所述数据进行过漏检原因分类；其中，属于缺陷分类系统原因的所述数据输入至所述补充分类器；

所述补充分类器对输入的所述数据进行缺陷类别分类。

15.根据权利要求14所述的自动缺陷分类方法，其特征在于，在所述过漏检原因分类器对输入的所述数据进行过漏检原因分类之后，对于属于检测系统原因的所述数据，经检测条件调整后输入所述数据检测单元。

Images