CN116205918B - 基于图卷积的多模态融合半导体检测方法、装置及介质 - Google Patents

基于图卷积的多模态融合半导体检测方法、装置及介质 Download PDF

Info

Publication number
CN116205918B
CN116205918B CN202310480887.8A CN202310480887A CN116205918B CN 116205918 B CN116205918 B CN 116205918B CN 202310480887 A CN202310480887 A CN 202310480887A CN 116205918 B CN116205918 B CN 116205918B
Authority
CN
China
Prior art keywords
feature
result
convolution
activation
convolution result
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.)
Active
Application number
CN202310480887.8A
Other languages
English (en)
Other versions
CN116205918A (zh
Inventor
何良雨
崔健
刘彤
张文刚
王戬鑫
梅能华
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.)
Fengrui Lingchuang Zhuhai Technology Co ltd
Original Assignee
Fengrui Lingchuang Zhuhai Technology 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 Fengrui Lingchuang Zhuhai Technology Co ltd filed Critical Fengrui Lingchuang Zhuhai Technology Co ltd
Priority to CN202310480887.8A priority Critical patent/CN116205918B/zh
Publication of CN116205918A publication Critical patent/CN116205918A/zh
Application granted granted Critical
Publication of CN116205918B publication Critical patent/CN116205918B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • 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
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • 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

Abstract

本发明涉及人工智能技术领域，尤其涉及一种基于图卷积的多模态融合半导体检测方法、装置及介质。上述方法中，将待检测物体的表征光强特征的第一图像与待检测物体的表征偏振特征的第二图像进行交互融合，从基于第一图像得到的激活图像与基于第二图像得到的激活图像中确定对应聚类中心与聚类中心表达，根据对应聚类中心与聚类中心表达进行特征融合，使第一图像特征与第二图像特征进行多模态信息互补，将互补后的融合特征融合至对应的第一图像与第二图像的特征图中，得到特征更准确的多模态特征图，将多模态特征图融合后进行缺陷检测，从而提高待检测物体缺陷检测的精度。

Description

基于图卷积的多模态融合半导体检测方法、装置及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于图卷积的多模态融合半导体检测方法、装置及介质。
背景技术
半导体是现代电子技术的基石之一，广泛应用于计算机、通信、工业控制、军事等领域。在半导体生产过程中，由于材料、工艺等因素的影响，可能会产生各种缺陷，如点缺陷、线缺陷、面缺陷等。如果这些缺陷没有被及时发现和处理，就会降低芯片的性能和可靠性，导致产品质量下降。因此，半导体缺陷检测是半导体制造中至关重要的一环。传统的半导体缺陷检测方法主要依靠人工视觉检查，这种方法耗时、效率低，而且容易出现漏检、误检等问题。近年来，随着计算机视觉和深度学习技术的发展，基于卷积神经网络的半导体检测方法已经得到了广泛的应用。
现有技术中，一般通过卷积神经网络提取半导体表面图像的特征信息进行缺陷检测，但对于半导体这种微、纳米级别图像，单一特征信息很难将其有效分析，从而导致缺陷检测精度较低，因此，在使用计算机视觉和深度学习技术对半导体进行缺陷检测时，如何提高半导体缺陷检测精度成为亟需解决的问题。
发明内容
有鉴于此，本申请实施例提供了一种基于图卷积的多模态融合半导体检测方法、装置及介质，以解决在对半导体进行缺陷检测时，缺陷检测精度较低的问题。
第一方面，本申请实施例提供一种基于图卷积的多模态融合半导体检测方法，所述多模态融合半导体检测方法包括：
获取待检测物体的表征光强特征的第一图像，对所述第一图像进行卷积操作，得到第一卷积结果，对所述第一卷积结果使用自注意力机制进行特征关联度激励操作，得到第一激励特征矩阵；
获取所述待检测物体的表征偏振特征的第二图像，对所述第二图像进行卷积操作，得到第二卷积结果，对所述第二卷积结果使用自注意力机制进行特征关联度激励操作，得到第二激励特征矩阵；
使用所述第一激励特征矩阵对所述第二卷积结果进行交互特征激活，得到第一交互激活结果，使用所述第二激励特征矩阵对所述第一卷积结果进行交互特征激活，得到第二交互激活结果；
对所述第一交互激活结果中每个特征点进行聚类，得到K个第一聚类中心以及每个第一聚类中心的特征表达，对所述第二交互激活结果中每个特征点进行聚类，得到K个第二聚类中心以及每个第二聚类中心的特征表达，K为大于0的整数；
将所述K个第一聚类中心的特征表达与所述K个第二聚类中心的特征表达进行自适应融合，得到第一融合特征，使用所述第一融合特征分别对所述第一卷积结果和所述第二卷积结果进行交互特征激活，得到对应激活后的第一卷积结果与激活后的第二卷积结果；
将所述激活后的第一卷积结果与激活后的第二卷积结果进行融合，得到第二融合特征，利用卷积与池化操作对所述第二融合特征进行特征提取，得到输出的卷积结果，对所述输出的卷积结果进行缺陷定位分类，确定所述待检测物体中的缺陷类别与缺陷位置。
第二方面，本申请实施例提供一种基于图卷积的多模态融合半导体检测装置，所述多模态融合半导体检测装置包括：
第一获取模块，用于获取待检测物体的表征光强特征的第一图像，对所述第一图像进行卷积操作，得到第一卷积结果，对所述第一卷积结果使用自注意力机制进行特征关联度激励操作，得到第一激励特征矩阵；
第二获取模块，用于获取所述待检测物体的表征偏振特征的第二图像，对所述第二图像进行卷积操作，得到第二卷积结果，对所述第二卷积使用自注意力机制进行特征关联度激励操作，得到第二激励特征矩阵；
第一激活模块，用于使用所述第一激励特征矩阵对所述第二卷积结果进行交互特征激活，得到第一交互激活结果，使用所述第二激励特征矩阵对所述第一卷积结果进行交互特征激活，得到第二交互激活结果；
聚类模块，用于对所述第一交互激活结果中每个特征点进行聚类，得到K个第一聚类中心以及每个第一聚类中心的特征表达，对所述第二交互激活结果中每个特征点进行聚类，得到K个第二聚类中心以及每个第二聚类中心的特征表达，K为大于0的整数；
第二激活模块，用于将所述K个第一聚类中心的特征表达与所述K个第二聚类中心的特征表达进行自适应融合，得到第一融合特征，使用所述第一融合特征分别对所述第一卷积结果和所述第二卷积结果进行交互特征激活，得到对应激活后的第一卷积结果与激活后的第二卷积结果；
检测模块，用于将所述激活后的第一卷积结果与激活后的第二卷积结果进行融合，得到第二融合特征，利用卷积与池化操作对所述第二融合特征进行特征提取，得到输出的卷积结果，对所述输出的卷积结果进行缺陷定位分类，确定所述待检测物体中的缺陷类别与缺陷位置。
第三方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于图卷积的多模态融合半导体检测方法。
本发明与现有技术相比存在的有益效果是：
获取待检测物体的表征光强特征的第一图像，对第一图像进行卷积操作，得到第一卷积结果，对第一卷积结果使用自注意力机制进行特征关联度激励操作，得到第一激励特征矩阵，获取待检测物体的表征偏振特征的第二图像，对第二图像进行卷积操作，得到第二卷积结果，对第二卷积结果进行特征关联度激励操作，得到第二激励特征矩阵，使用第一激励特征矩阵对第二卷积结果进行交互特征激活，得到第一交互激活结果，使用第二激励特征矩阵对第一卷积结果进行交互特征激活，得到第二交互激活结果，对第一交互激活结果中每个特征点进行聚类，得到K个第一聚类中心以及每个第一聚类中心的特征表达，对第二交互激活结果中每个特征点进行聚类，得到K个第二聚类中心以及每个第二聚类中心的特征表达，K为大于0的整数，将K个第一聚类中心的特征表达与K个第二聚类中心的特征表达进行自适应融合，得到第一融合特征，使用第一融合特征分别对第一卷积结果和第二卷积结果进行交互特征激活，得到对应激活后的第一卷积结果与激活后的第二卷积结果，将激活后的第一卷积结果与激活后的第二卷积结果进行融合，得到第二融合特征，利用卷积与池化操作对第二融合特征进行特征提取，得到输出的卷积结果，对输出的卷积结果进行缺陷定位分类，确定待检测物体中的缺陷类别与缺陷位置。本申请中，将光强图像特征与偏振图像特征进行交互融合，使光强图像特征与偏振图像特征进行多模态信息互补，得到更准确的待检测物体的融合特征信息，根据融合特征信息进行缺陷检测，从而提高待检测物体缺陷检测的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种基于图卷积的多模态融合半导体检测方法的一应用环境示意图；
图2是本申请实施例一提供的一种基于图卷积的多模态融合半导体检测方法的流程示意图；
图3是本申请实施例二提供的一种基于图卷积的多模态融合半导体检测方法的流程示意图；
图4是本申请实施例三提供的一种基于图卷积的多模态融合半导体检测装置的结构示意图；
图5是本申请实施例四提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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例，都属于本发明保护的范围。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本申请实施例一提供的一种基于图卷积的多模态融合半导体检测方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于智能电视、掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机（ultra-mobile personalcomputer，UMPC）、上网本、云端终端设备、个人数字助理（personal digital assistant，PDA）等设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
参见图2，是本申请实施例一提供的一种基于图卷积的多模态融合半导体检测方法的流程示意图，上述基于图卷积的多模态融合半导体检测方法应用于上述服务端。如图2所示，该基于图卷积的多模态融合半导体检测方法可以包括以下步骤：
S201：获取待检测物体的表征光强特征的第一图像，对第一图像进行卷积操作，得到第一卷积结果，对第一卷积结果使用自注意力机制进行特征关联度激励操作，得到第一激励特征矩阵。
在步骤S201中，第一图像为光强图像，对第一图像进行卷积操作，提取第一图像中的光学深度特征，得到第一卷积结果，对第一卷积结果进行特征关联度激励操作，得到第一激励特征矩阵。
本实施例中，获取第一图像时，通过RGB相机对待检测物体进行拍照得到，待检测物体为半导体，其中，第一图像包括三个通道，对第一图像进行卷积操作时，使用的卷积核进行卷积操作，得到第一卷积结果，对第一卷积结果使用自注意力机制进行特征关联度激励操作，得到第一激励特征矩阵，本实施例中通过池化层与激活层对第一激励特征矩阵进行特征关联度激励操作，其中通过池化层对第一卷积结果进行全局平均池化，激活层的激活函数为sigmoid激活函数。
可选地，对第一卷积结果使用自注意力机制进行特征关联度激励操作，得到第一激励特征矩阵，包括：
对第一卷积结果进行全局平均池化处理，得到第一池化特征，对第一池化特征进行空间投影映射，得到第一映射特征；
对第一卷积结果进行空间投影映射，得到第二映射特征；
根据第一映射特征与第二映射特征，计算第一映射特征与第二映射特征之间的关联度信息，得到第一关联度矩阵；
对第一关联度矩阵进行激活处理，得到对应第一激励特征矩阵。
本实施例中，对第一卷积结果进行全局平均池化处理时，在每个通道上分别进行全局平均池化处理，得到第一池化特征，第一池化特征的大小为，C为通道数，对第一池化特征进行空间投影映射，得到第一映射特征，其中投影映射函数为。将三维的第一池化特征转换为二维的第一映射特征，降低了特征维度，对第一卷积结果直接进行空间投影映射，得到第二映射特征，其中投影映射函数为/>，将三维第一卷积结果转换为二维的第二映射特征，计算第一映射特征与第二映射特征之间的关联度信息，得到对应的第一关联度矩阵，在计算第一关联度信息时，将第一映射特征与第二映射特征进行相乘处理，得到对应的第一关联度矩阵，计算公式如下：/>
其中，为第一关联度矩阵，/>为第一映射特征，/>为第二映射特征，/>为/>的矩阵。
对第一关联度矩阵进行激活处理，得到对应第一激励特征矩阵。激活处理时，使用激活函数sigmoid进行激活处理，通过激活函数将第一关联度矩阵转换为权重值矩阵，计算公式如下：
其中，为第一激励特征矩阵，/>为第一关联度矩阵。
本实施例中，计算不同投影空间下的映射特征之间的关联度信息，将关联度信息作为对应的权重值，关联度信息越大，权重值越大，关联度信息越小，权重值越小，从而提高第一图像中每个元素的权重值的计算精度。
S202：获取待检测物体的表征偏振特征的第二图像，对第二图像进行卷积操作，得到第二卷积结果，对第二卷积结果使用自注意力机制进行特征关联度激励操作，得到第二激励特征矩阵。
在步骤S202中，第二图像为偏振图像，对第二图像进行卷积操作，提取第二图像中的偏振深度特征，得到第二卷积结果，对第二卷积结果使用自注意力机制进行特征关联度激励操作，得到第二激励特征矩阵。
本实施例中，获取第二图像时，通过成像椭偏仪对待检测物体进行扫描得到，待检测物体为半导体，其中，对第二图像进行卷积操作时，使用的卷积核进行卷积操作，得到第二卷积结果，对第二卷积结果使用自注意力机制进行特征关联度激励操作，得到第二激励特征矩阵，本实施例中通过池化层与激活层对第二激励特征矩阵进行特征关联度激励操作，其中通过池化层对第二卷积结果进行全局平均池化，激活层的激活函数为sigmoid激活函数。
可选地，对第二卷积结果使用自注意力机制进行特征关联度激励操作，得到第二激励特征矩阵，包括：
对第二卷积结果进行全局平均池化处理，得到第二池化特征，对第二池化特征进行空间投影映射，得到第三映射特征；
对第二卷积结果进行空间投影映射，得到第四映射特征；
根据第三映射特征与第四映射特征，计算第三映射特征与第四映射特征之间的关联度信息，得到第二关联度矩阵；
对第二关联度矩阵进行激活处理，得到对应第二激励特征矩阵。
本实施例中，对第二卷积结果进行全局平均池化处理时，在每个通道上分别进行全局平均池化处理，得到第二池化特征，第二池化特征的大小为，其中，C为通道数，对第二池化特征进行空间投影映射，得到第三映射特征，其中投影映射函数为。将三维的第二池化特征转换为二维的第三映射特征，降低了特征维度，对第二卷积结果直接进行空间投影映射，得到第四映射特征，其中投影映射函数为/>，将三维第二卷积结果转换为二维的第四映射特征，计算第三映射特征与第四映射特征之间的关联度信息，得到对应的第二关联度矩阵，在计算第二关联度信息时，将第三映射特征与第四映射特征进行相乘处理，得到对应的第二关联度矩阵，计算公式如下：/>
其中，为第二关联度矩阵，/>为第二映射特征，/>为第二映射特征，/>为/>的矩阵。
对第二关联度矩阵进行激活处理，得到对应第二激励特征矩阵。激活处理时，使用激活函数sigmoid进行激活处理，通过激活函数将第二关联度矩阵转换为权重值矩阵，计算公式如下：
其中，为第二激励特征矩阵，/>为第二关联度矩阵。
本实施例中，计算不同投影空间下的映射特征之间的关联度信息，将关联度信息作为对应的权重值，关联度信息越大，权重值越大，关联度信息越小，权重值越小，从而提高第二图像中每个元素的权重值的计算精度。
S203：使用第一激励特征矩阵对第二卷积结果进行交互特征激活，得到第一交互激活结果，使用第二激励特征矩阵对第一卷积结果进行交互特征激活，得到第二交互激活结果。
在步骤S203中，使用第一激励特征矩阵对第二卷积结果进行交互特征激活，得到第一交互激活结果，使用第二激励特征矩阵对第一卷积结果进行交互特征激活，得到第二交互激活结果，即使用第一卷积结果得到的每个元素的权重值对第二卷积结果进行交互特征激活，使用第二卷积结果得到的每个元素的权重值对第一卷积结果进行交互特征激活，其中，将第一图像中的光强特征融合至第二图像中的偏振特征中，得到第一交互激活结果，将第二图像中的偏振特征融合至第一图像中的光强特征中，得到第二交互激活结果，将的不同模态图像中的特征进行充分融合，从而得到待检测物体表面更准确的特征信息。
本实施例中，使用第一激励特征矩阵对第二卷积结果进行交互特征激活时，将第一激励特征矩阵与第二卷积结果进行点乘，得到对应的第一交互激活结果，使用第二激励特征矩阵对第一卷积结果进行交互特征激活时，将第二激励特征矩阵与第一卷积结果进行点乘，得到第二交互激活结果。
S204：对第一交互激活结果中每个特征点进行聚类，得到K个第一聚类中心以及每个第一聚类中心的特征表达，对第二交互激活结果中每个特征点进行聚类，得到K个第二聚类中心以及每个第二聚类中心的特征表达，K为大于0的整数。
在步骤S204中，从第一交互激活结果与第二交互激活结果中确定对应的图节点与对应图节点的特征表达，根据图节点进行图卷积处理，将第一交互激活结果与第二交互激活结果进行交叉融合，得到对应的融合特征。
本实施例中，通过聚类的方式确定对应的图节点，计算对应图节点的特征表达，首先设置图节点的个数，根据图节点个数，在每个通道进行聚类处理，确定每个图节点的位置，从第一交互激活结果与第二交互激活结果中确定对应的图节点与对应图节点的特征表达，根据图节点进行图卷积处理，将第一交互激活结果与第二交互激活结果进行交叉融合，得到对应的融合特征。
可选地，对第一交互激活结果中每个特征点进行聚类，得到K个第一聚类中心以及每个第一聚类中心的特征表达，包括：
对第一交互激活结果进行卷积操作，得到第一低维度卷积结果；
对第一低维度卷积结果进行空间投影处理，得到第一空间投影特征；
对第一空间投影特征中的每个特征点进行聚类，得到K个第一聚类中心以及每个第一聚类中心的特征表达。
本实施例中，将第一交互激活结果进行卷积操作，使用的卷积核进行降维处理，通过卷积操作降低第一交互激活结果的维度，得到第一低维度卷积结果，对第一低维度卷积结果进行空间投影处理，其中投影函数为/>，将大小为的三维空间的第一交互激活结果映射至二维空间中，得到大小为/>的第一低维度卷积结果，其中，C为通道数，h为第一交互激活结果的高，w为第一交互激活结果的宽，在每个通道中进行聚类处理，得到K个第一聚类中心，根据每个聚类中心的位置，计算对应聚类中心的特征表达，计算公式如下：
其中，为第一交互激活结果中的第k个聚类中心的特征表达，/>，为第一交互激活结果中的第k个聚类中心的特征值，/>为第一交互激活结果中的在一个通道中的所有特征点的个数，/>为输入的具有/>空间分辨率和M通道的任意通道中的第i个特征点的特征值，/>，/>为逐元素相除，/>为/>对/>的可微的软赋值系数，计算公式如下：/>
其中，为第一交互激活结果中的第j个聚类中心的特征值，/>。
可选地，对第二交互激活结果中每个特征点进行聚类，得到K个第一聚类中心以及每个第二聚类中心的特征表达，包括：
对第二交互激活结果进行卷积操作，得到第二低维度卷积结果；
对第二低维度卷积结果进行空间投影处理，得到第二空间投影特征；
对第二空间投影特征中的每个特征点进行聚类，得到K个第二聚类中心以及每个第二聚类中心的特征表达。
本实施例中，将第二交互激活结果进行卷积操作，使用的卷积核进行降维处理，通过卷积操作降低第二交互激活结果的维度，得到第二低维度卷积结果，对第二低维度卷积结果进行空间投影处理，其中投影函数为/>，将大小为的三维空间的第二交互激活结果映射至二维空间中，得到大小为/>的第二低维度卷积结果，其中，C为通道数，h为第二交互激活结果的高，w为第二交互激活结果的宽，在每个通道中进行聚类处理，得到K个第二聚类中心，根据每个聚类中心的位置，计算对应聚类中心的特征表达，计算公式如下：
其中，为第二交互激活结果中的第k个聚类中心的特征表达，/>，/>为第二交互激活结果中的第k个聚类中心的特征值，/>为第二交互激活结果中的在一个通道中的所有特征点的个数，/>为输入的具有/>空间分辨率和M通道的任意通道中的第i个特征点的特征值，/>，/>为逐元素相除，/>为/>对/>的可微的软赋值系数，计算公式为：/>
其中，为第二交互激活结果中的第j个聚类中心的特征值，/>。
S205：将K个第一聚类中心的特征表达与K个第二聚类中心的特征表达进行自适应融合，得到第一融合特征，使用第一融合特征分别对第一卷积结果和第二卷积结果进行交互特征激活，得到对应激活后的第一卷积结果与激活后的第二卷积结果。
在步骤S205中，根据第一交互激活结果中每个聚类中心中的特征表达与第二交互激活结果中的每个聚类中心的特征表达，将第一交互激活结果与第二交互激活结果进行融合，得到第一融合特征，并使用第一融合特征分别对第一卷积结果和第二卷积结果进行交互特征激活，得到对应激活后的第一卷积结果与激活后的第二卷积结果，可以更好地将第一融合特征传导至对应的第一卷积结果和第二卷积结果中，从而得到更准确的光强图像特征与偏振图像特征。
本实施例中，将每个聚类中心作为一个图节点，根据每个图节点进行图卷积操作，将K个第一聚类中心的特征表达与K个第二聚类中心的特征表达进行自适应融合，得到第一融合特征，并使用第一融合特征分别对第一卷积结果和第二卷积结果进行交互特征激活，得到对应激活后的第一卷积结果与激活后的第二卷积结果，使用第一融合特征对第一卷积结果进行交互特征激活时，首先通过激活函数对第一融合特征进行激活处理，将激活后的第一融合特征分别与第一卷积结果与第二卷积结果进行点乘处理，得到对应激活后的第一卷积结果与激活后的第二卷积结果，可以更好地将第一融合特征传导至对应的第一卷积结果和第二卷积结果中，从而得到更准确的光强图像特征与偏振图像特征。
可选地，将K个第一聚类中心的特征表达与K个第二聚类中心的特征表达进行自适应融合，得到第一融合特征，包括：
根据K个第一聚类中心的特征表达，得到第一空间特征，根据K个第二聚类中心的特征表达，得到第二空间特征；
对第一空间特征进行卷积操作，将第一空间特征转化为第一转换特征与第二转换特征；
对第二空间特征进行卷积操作，将第二空间特征转化为第三转换特征；
基于自注意力机制，使用第三转换特征对第一转换特征进行查询操作，得到查询结果，根据查询结果对第二转换特征进行注意力计算，得到对应注意力特征；
将注意力特征与第一空间特征进行融合，得到第一融合特征。
本实施例中，根据K个第一聚类中心的特征表达，得到第一空间特征，根据K个第二聚类中心的特征表达，得到第二空间特征，其中，第一空间特征为第一交互激活结果通过聚类后的特征，第二空间特征为第二交互激活结果通过聚类后的特征，对第一空间特征进行卷积操作，将第一空间特征转化为第一转换特征与第二转换特征，对第二空间特征进行卷积操作，将第二空间特征转化为第三转换特征，其中卷积核的大小为的卷积核，将转换后的第一转换特征作为关键值特征，第二转换特征作为信息值特征，第三转换特征作为查询值特征，使用查询值对关键值进行查询操作，得到对应查询结果，查询结果表征第一空间特征与第二空间特征之间的相邻信息传导结果，查询结果的计算公式如下：
其中，为归一化函数，/>为第三转换特征，/>为第一转换特征，/>为查询结果。
将查询结果作为注意力值，将对应查询结果与信息值进行注意力计算，得到对应注意力特征，为了调整查询结果的重要性，使用权重参数进行调整，为查询结果赋予权重值，将赋予权重值的注意力特征与第二空间特征进行相加融合，得到第一融合特征，第一融合特征计算公式如下：
其中，为权重参数，用于调整第一空间特征的重要性，/>为第二转换特征，为第一转换特征，/>为第二空间特征，/>为第一融合特征。
使用第一融合特征分别对第一卷积结果和第二卷积结果进行交互特征激活，得到对应激活后的第一卷积结果与激活后的第二卷积结果，包括：
对第一融合特征进行激活处理，得到激活结果；
将激活结果进行空间投影处理，得到投影特征；
将投影特征分别与第一卷积结果和第二卷积结果进行融合，得到第一投影融合特征与第二投影融合特征；
分别对第一投影融合特征与第二投影融合特征进行下采样处理，得到对应激活后的第一卷积结果与激活后的第二卷积结果。
本实施例中，首先使用激活函数将第一融合特征进行激活处理，得到激活结果，其中，激活函数为sigmoid激活函数，计算公式如下：
其中，为激活结果，表征对应的权重值。
将激活结果进行空间投影处理，得到投影特征，其中投影函数为，将激活结果从二维空间投影转换至三维空间中。将投影特征分别与第一卷积结果和第二卷积结果进行融合，得到第一投影融合特征与第二投影融合特征，分别对第一投影融合特征与第二投影融合特征进行下采样处理，得到应激活后的第一卷积结果与激活后的第二卷积结果，其中进行下采样处理时，进行2倍下采样。其中，得到的激活后的第一卷积结果与激活后的第二卷积结果。激活后的第一卷积结果与激活后的第二卷积结果是对第一卷积结果与第二卷积结果进行增强后的特征。
S206：将激活后的第一卷积结果与激活后的第二卷积结果进行融合，得到第二融合特征，利用卷积与池化操作对第二融合特征进行特征提取，得到输出的卷积结果，对输出的卷积结果进行缺陷定位分类，确定待检测物体中的缺陷类别与缺陷位置。
在步骤S206中，将激活后的第一卷积结果与激活后的第二卷积结果进行融合，即将光强特征图像与偏振特征图像的特征进行融合，得到对应的第二融合特征，以便于得到待检测物体表面更准确的特征，利用卷积与池化操作对第二融合特征进行特征提取，得到输出的卷积结果，根据输出的卷积结果进行缺陷检测，得到对应的检测结果。
本实施例中，将激活后的第一卷积结果与激活后的第二卷积结果进行拼接融合，得到第二融合特征，利用卷积与池化操作对第二融合特征进行特征提取，得到输出的卷积结果，将输出的卷积结果输入至预设检测模型中进行缺陷检测，得到对应的缺陷检测结果，缺陷检测结果包括缺陷类别与缺陷对应的位置。
需要说明的是，为了使输入到缺陷检测模型中的第二融合特征更准确，将激活后的第一卷积结果与激活后的第二卷积结果分别作为第一卷积结果与第二卷积结果重复对应步骤，进行卷积与池化操作，重新进行特征提取，得到第二次特征提取对应的激活后的第一卷积结果与激活后的第二卷积结果，将第二次特征提取对应的激活后的第一卷积结果与激活后的第二卷积结果作为第一卷积结果与第二卷积结果重复对应步骤，重新进行特征提取，得到第三次特征提取对应的激活后的第一卷积结果与激活后的第二卷积结果，将第三次特征提取对应的激活后的第一卷积结果与激活后的第二卷积结果作为第一卷积结果与第二卷积结果重复对应步骤，重新进行特征提取，得到第四次特征提取对应的激活后的第一卷积结果与激活后的第二卷积结果，将第四次特征提取对应的激活后的第一卷积结果与激活后的第二卷积结果进行特征融合，得到输出的卷积结果，使用输出的卷积结果进行缺陷检测，得到检测结果。
可选地，对输出的卷积结果进行缺陷定位分类，确定待检测物体中的缺陷类别与缺陷位置，包括：
通过分类回归算法，对输出的卷积结果进行缺陷分类处理，得到待检测物体中的缺陷类别；
通过边界框回归算法，对输出的卷积结果进行缺陷定位处理，得到待检测物体中的缺陷位置。
本实施例中，使用分类回归算法，对输出的卷积结果进行缺陷分类处理，其中分类回归算法为logistic回归算法，logistic回归算法通过直接最大化类别的后验概率来学习一个线性分类函数，该logistic回归算法性能与线性SVM相当，但与其他线性分类不同的是，该方法无需保存任何训练样本，在检测时的效率大大提高。
边界框回归算法，对输出的卷积结果进行缺陷定位处理，得到待检测物体中的缺陷位置，边界框回归算法可以为YOLOV3的边界框回归算法。YOLOV3的边界框回归算法在检测过程中首先将输入图像划分成 S×S 个大小相同的单元格，每个单元格只负责对中心位于该单元格中的目标进行预测，一个单元格预测 B 个边界框，每个边界框中包含的信息为目标中心点相对于点所在单元格左上角的偏移量与/>，以及预测边界框的宽度/>和高度，然后通过反向传播计算来更新的/>取值，进而获得预测的边界框。这种边界框回归算法利用预先定义的锚框直接将整张图像作为输入进行训练，省去生成候选区域的中间步骤，能够快速区分背景区域和目标，从而实现对目标的快速检测。
参见图3，是本申请实施例二提供的一种基于图卷积的多模态融合半导体检测方法的流程示意图，其中，在得到第一激励特征矩阵的过程中对第一卷积结果进行全局平均池化处理，得到第一池化特征，对第一池化特征进行空间投影映射，得到第一映射特征，对第一卷积结果进行空间投影映射，得到第二映射特征，根据第一映射特征与第二映射特征，计算第一映射特征与第二映射特征之间的关联度信息，得到第一关联度矩阵，对第一关联度矩阵进行激活处理，得到对应第一激励特征矩阵。其中，在得到第二激励特征矩阵的过程中对第二卷积结果进行全局平均池化处理，得到第二池化特征，对第二池化特征进行空间投影映射，得到第三映射特征，对第二卷积结果进行空间投影映射，得到第四映射特征，根据第三映射特征与第四映射特征，计算第三映射特征与第四映射特征之间的关联度信息，得到第二关联度矩阵，对第二关联度矩阵进行激活处理，得到对应第二激励特征矩阵。
对基于图卷积的多模态融合半导体检测方法中的模型进行训练，针对多种不同的缺陷，手动标注了缺陷类别与缺陷位置，数据集构建了包括2000张半导体第一图像及2000张相对应的半导体的第二图像，包含各类半导体缺陷目标，图像分辨率为。其中，利用高分辨率显微镜及成像椭偏仪采集了半导体（晶圆）的光强特征的第一图像与偏振特征第二图像作为数据集。成像椭偏仪可以对样品表面光学成像的每个像元进行椭偏测量，得到微区特性的精确定位测量，极大提高了对微纳区域的表征能力，横向分辨率达到微米级，可以对同一光斑区域的多元样品进行观测，因此成像椭偏仪所测量的偏振特征图像可以用于准确地检测分析小于光斑照射区域内待测对象的微小变化。在Pytorch框架下使用Adam优化器以及交叉熵损失函数对基于图卷积的多模态融合半导体检测方法中的模型进行训练，使用Windows 10操作系统，两个NVIDIA Quadro M5000图形处理单元(GPU)。模型的初始训练参数如表1所示：
将数据集采用7：3的比例分为训练集和测试集。然后，使用对应的缺陷检测网络进行实验。为了得到更准确的检测结果，使用多缺陷检测网络对比实验，实验结果如表2所示：
/>
其中，全类平均精度的计算公式如下：
其中，P表示精确率，R表示召回率，AP表示单类别平均精度，表示全类平均精度，N表示检测的缺陷类别数目，/>表示预测正确的样本数量，即 IoU ＞0.5的检测框数量，/>表示将错误样本预测为正确样本的数量，即IoU＜=0.5的检测框，/>为将正确样本预测为错误样本的数量，即没有检测到的缺陷的数量。
根据表2中各个缺陷检测网络中的缺陷检测准确率对比，可知，本申请方法中的多模态融合半导体检测方法的检测精度，召回率与全类平均精度比现有技术中的多模态融合半导体检测方法的检测精度都高，所以本申请中基于图卷积的多模态融合半导体检测方法具有显著的有益效果。
对应于上文实施例的一种基于图卷积的多模态融合半导体检测方法，图4示出了本申请实施例三提供的一种基于图卷积的多模态融合半导体检测装置的结构框图，上述多模态融合半导体检测装置应用于上述服务端。为了便于说明，仅示出了与本申请实施例相关的部分。参见图4，该多模态融合半导体检测装置40包括：第一获取模块41，第二获取模块42，第一激活模块43，聚类模块44，第二激活模块45，检测模块46。
第一获取模块41，用于获取待检测物体的表征光强特征的第一图像，对第一图像进行卷积操作，得到第一卷积结果，对第一卷积结果使用自注意力机制进行特征关联度激励操作，得到第一激励特征矩阵。
第二获取模块42，用于获取待检测物体的表征偏振特征的第二图像，对第二图像进行卷积操作，得到第二卷积结果，对第二卷积结果使用自注意力机制进行特征关联度激励操作，得到第二激励特征矩阵。
第一激活模块43，用于使用第一激励特征矩阵对第二卷积结果进行交互特征激活，得到第一交互激活结果，使用第二激励特征矩阵对第一卷积结果进行交互特征激活，得到第二交互激活结果。
聚类模块44，用于对第一交互激活结果中每个特征点进行聚类，得到K个第一聚类中心以及每个第一聚类中心的特征表达，对第二交互激活结果中每个特征点进行聚类，得到K个第二聚类中心以及每个第二聚类中心的特征表达，K为大于0的整数。
第二激活模块45，用于将K个第一聚类中心的特征表达与K个第二聚类中心的特征表达进行自适应融合，得到第一融合特征，使用第一融合特征分别对第一卷积结果和第二卷积结果进行交互特征激活，得到对应激活后的第一卷积结果与激活后的第二卷积结果。
检测模块46，用于将激活后的第一卷积结果与激活后的第二卷积结果进行融合，得到第二融合特征，利用卷积与池化操作对第二融合特征进行特征提取，得到输出的卷积结果，对输出的卷积结果进行缺陷定位分类，确定待检测物体中的缺陷类别与缺陷位置。
可选地，上述第一获取模块41包括：
第一池化单元，用于对第一卷积结果进行全局平均池化处理，得到第一池化特征，对第一池化特征进行空间投影映射，得到第一映射特征。
第一投影单元，用于对第一卷积结果进行空间投影映射，得到第二映射特征。
第一计算单元，用于根据第一映射特征与第二映射特征，计算第一映射特征与第二映射特征之间的关联度信息，得到第一关联度矩阵。
第一处理单元，用于对第一关联度矩阵进行激活处理，得到对应第一激励特征矩阵。
可选地，上述第二获取模块42包括：
第二池化单元，用于对第二卷积结果进行全局平均池化处理，得到第二池化特征，对第二池化特征进行空间投影映射，得到第三映射特征。
第二投影单元，用于对第二卷积结果进行空间投影映射，得到第四映射特征。
第二计算单元，用于根据第三映射特征与第四映射特征，计算第三映射特征与第四映射特征之间的关联度信息，得到第二关联度矩阵。
第二处理单元，用于对第二关联度矩阵进行激活处理，得到对应第二激励特征矩阵。
可选地，上述聚类模块44包括：
第一卷积单元，用于对第一交互激活结果进行卷积操作，得到第一低维度卷积结果。
第三投影单元，用于对第一低维度卷积结果进行空间投影处理，得到第一空间投影特征。
第一聚类单元，用于对第一空间投影特征中的每个特征点进行聚类，得到K个第一聚类中心以及每个第一聚类中心的特征表达。
可选地，上述第二激活模块45包括：
得到单元，用于根据K个第一聚类中心的特征表达，得到第一空间特征，根据K个第二聚类中心的特征表达，得到第二空间特征。
第一转换单元，用于对第一空间特征进行卷积操作，将第一空间特征转化为第一转换特征与第二转换特征。
第二转换单元，用于对第二空间特征进行卷积操作，将第二空间特征转化为第三转换特征。
注意力计算单元，用于基于自注意力机制，使用第三转换特征对第一转换特征进行查询操作，得到查询结果，根据查询结果对第二转换特征进行注意力计算，得到对应注意力特征。
第一融合单元，用于将注意力特征与第一空间特征进行融合，得到第一融合特征。
可选地，上述第二激活模块45包括：
激活单元，用于对第一融合特征进行激活处理，得到激活结果。
投影单元，用于将激活结果进行空间投影处理，得到投影特征。
第二融合单元，用于将投影特征分别与第一卷积结果和第二卷积结果进行融合，得到第一投影融合特征与第二投影融合特征。
下采样单元，用于分别对第一投影融合特征与第二投影融合特征进行下采样处理，得到对应激活后的第一卷积结果与激活后的第二卷积结果。
可选地，上述检测模块46包括：
分类单元，用于通过分类回归算法，对输出的卷积结果进行缺陷分类处理，得到待检测物体中的缺陷类别。
定位单元，用于通过边界框回归算法，对输出的卷积结果进行缺陷定位处理，得到待检测物体中的缺陷位置。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图5为本申请实施例四提供的一种终端设备的结构示意图。如图5所示，该实施例的终端设备包括：至少一个处理器（图5中仅示出一个）、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个基于图卷积的多模态融合半导体检测方法实施例中的步骤。
该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是终端设备的举例，并不构成对终端设备的限定，终 端设备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，例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific IntegratedCircuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等，其中，内存储器可以是终端设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是终端设备的硬盘，在另一些实施例中也可以是终端设备的外部存储设备，例如，终端设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（SecureDigital，SD）卡、闪存卡（Flash Card）等。进一步地，存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序（BootLoader）、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于图卷积的多模态融合半导体检测方法，其特征在于，所述多模态融合半导体检测方法包括：
获取待检测物体的表征光强特征的第一图像，对所述第一图像进行卷积操作，得到第一卷积结果，对所述第一卷积结果使用自注意力机制进行特征关联度激励操作，得到第一激励特征矩阵；
获取所述待检测物体的表征偏振特征的第二图像，对所述第二图像进行卷积操作，得到第二卷积结果，对所述第二卷积结果使用自注意力机制进行特征关联度激励操作，得到第二激励特征矩阵；
使用所述第一激励特征矩阵对所述第二卷积结果进行交互特征激活，得到第一交互激活结果，使用所述第二激励特征矩阵对所述第一卷积结果进行交互特征激活，得到第二交互激活结果；
对所述第一交互激活结果中每个特征点进行聚类，得到K个第一聚类中心以及每个第一聚类中心的特征表达，对所述第二交互激活结果中每个特征点进行聚类，得到K个第二聚类中心以及每个第二聚类中心的特征表达，K为大于0的整数；
将每个聚类中心作为一个图节点，将所述K个第一聚类中心对应的图节点的特征表达与所述K个第二聚类中心对应的图节点的特征表达进行图卷积操作，得到第一融合特征，使用所述第一融合特征分别对所述第一卷积结果和所述第二卷积结果进行交互特征激活，得到对应激活后的第一卷积结果与激活后的第二卷积结果；
将所述激活后的第一卷积结果与激活后的第二卷积结果进行融合，得到第二融合特征，利用卷积与池化操作对所述第二融合特征进行特征提取，得到输出的卷积结果，对所述输出的卷积结果进行缺陷定位分类，确定所述待检测物体中的缺陷类别与缺陷位置。
2.如权利要求1所述的多模态融合半导体检测方法，其特征在于，所述对所述第一卷积结果使用自注意力机制进行特征关联度激励操作，得到第一激励特征矩阵，包括：
对所述第一卷积结果进行全局平均池化处理，得到第一池化特征，对所述第一池化特征进行空间投影映射，得到第一映射特征；
对所述第一卷积结果进行空间投影映射，得到第二映射特征；
根据所述第一映射特征与所述第二映射特征，计算第一映射特征与所述第二映射特征之间的关联度信息，得到第一关联度矩阵；
对所述第一关联度矩阵进行激活处理，得到对应第一激励特征矩阵。
3.如权利要求1所述的多模态融合半导体检测方法，其特征在于，所述对所述第二卷积结果使用自注意力机制进行特征关联度激励操作，得到第二激励特征矩阵，包括：
对所述第二卷积结果进行全局平均池化处理，得到第二池化特征，对所述第二池化特征进行空间投影映射，得到第三映射特征；
对所述第二卷积结果进行空间投影映射，得到第四映射特征；
根据所述第三映射特征与所述第四映射特征，计算第三映射特征与所述第四映射特征之间的关联度信息，得到第二关联度矩阵；
对所述第二关联度矩阵进行激活处理，得到对应第二激励特征矩阵。
4.如权利要求1所述的多模态融合半导体检测方法，其特征在于，所述对所述第一交互激活结果中每个特征点进行聚类，得到K个第一聚类中心以及每个第一聚类中心的特征表达，包括：
对所述第一交互激活结果进行卷积操作，得到第一低维度卷积结果；
对所述第一低维度卷积结果进行空间投影处理，得到第一空间投影特征；
对所述第一空间投影特征中的每个特征点进行聚类，得到K个第一聚类中心以及每个第一聚类中心的特征表达。
5.如权利要求1所述的多模态融合半导体检测方法，其特征在于，所述将所述K个第一聚类中心对应的图节点的特征表达与所述K个第二聚类中心对应的图节点的特征表达进行图卷积操作，得到第一融合特征，包括：
根据所述K个第一聚类中心对应的图节点的特征表达，得到第一空间特征，根据所述K个第二聚类中心对应的图节点的特征表达，得到第二空间特征；
对所述第一空间特征进行卷积操作，将所述第一空间特征转化为第一转换特征与第二转换特征；
对所述第二空间特征进行卷积操作，将所述第二空间特征转化为第三转换特征；
基于自注意力机制，使用第三转换特征对所述第一转换特征进行查询操作，得到查询结果，根据所述查询结果对所述第二转换特征进行注意力计算，得到对应注意力特征；
将所述注意力特征与所述第一空间特征进行融合，得到第一融合特征。
6.如权利要求1所述的多模态融合半导体检测方法，其特征在于，所述使用所述第一融合特征分别对所述第一卷积结果和所述第二卷积结果进行交互特征激活，得到对应激活后的第一卷积结果与激活后的第二卷积结果，包括：
对所述第一融合特征进行激活处理，得到激活结果；
将所述激活结果进行空间投影处理，得到投影特征；
将所述投影特征分别与所述第一卷积结果和所述第二卷积结果进行融合，得到第一投影融合特征与第二投影融合特征；
分别对所述第一投影融合特征与第二投影融合特征进行下采样处理，得到对应激活后的第一卷积结果与激活后的第二卷积结果。
7.如权利要求1至6任一项所述的多模态融合半导体检测方法，其特征在于，所述对所述输出的卷积结果进行缺陷定位分类，确定所述待检测物体中的缺陷类别与缺陷位置，包括：
通过分类回归算法，对所述输出的卷积结果进行缺陷分类处理，得到所述待检测物体中的缺陷类别；
通过边界框回归算法，对所述输出的卷积结果进行缺陷定位处理，得到所述待检测物体中的缺陷位置。
8.一种基于图卷积的多模态融合半导体检测装置，其特征在于，所述多模态融合半导体检测装置包括：
第一获取模块，用于获取待检测物体的表征光强特征的第一图像，对所述第一图像进行卷积操作，得到第一卷积结果，对所述第一卷积结果使用自注意力机制进行特征关联度激励操作，得到第一激励特征矩阵；
第二获取模块，用于获取所述待检测物体的表征偏振特征的第二图像，对所述第二图像进行卷积操作，得到第二卷积结果，对所述第二卷积结果使用自注意力机制进行特征关联度激励操作，得到第二激励特征矩阵；
第一激活模块，用于使用所述第一激励特征矩阵对所述第二卷积结果进行交互特征激活，得到第一交互激活结果，使用所述第二激励特征矩阵对所述第一卷积结果进行交互特征激活，得到第二交互激活结果；
聚类模块，用于对所述第一交互激活结果中每个特征点进行聚类，得到K个第一聚类中心以及每个第一聚类中心的特征表达，对所述第二交互激活结果中每个特征点进行聚类，得到K个第二聚类中心以及每个第二聚类中心的特征表达，K为大于0的整数；
第二激活模块，用于将每个聚类中心作为一个图节点，将所述K个第一聚类中心对应的图节点的特征表达与所述K个第二聚类中心对应的图节点的特征表达进行图卷积操作，得到第一融合特征，使用所述第一融合特征分别对所述第一卷积结果和所述第二卷积结果进行交互特征激活，得到对应激活后的第一卷积结果与激活后的第二卷积结果；
检测模块，用于将所述激活后的第一卷积结果与激活后的第二卷积结果进行融合，得到第二融合特征，利用卷积与池化操作对所述第二融合特征进行特征提取，得到输出的卷积结果，对所述输出的卷积结果进行缺陷定位分类，确定所述待检测物体中的缺陷类别与缺陷位置。
9.如权利要求8所述的多模态融合半导体检测装置，其特征在于，所述第一获取模块包括：
第一池化单元，用于对第一卷积结果进行全局平均池化处理，得到第一池化特征，对第一池化特征进行空间投影映射，得到第一映射特征；
第一投影单元，用于对第一卷积结果进行空间投影映射，得到第二映射特征；
第一计算单元，用于根据第一映射特征与第二映射特征，计算第一映射特征与第二映射特征之间的关联度信息，得到第一关联度矩阵；
第一处理单元，用于对第一关联度矩阵进行激活处理，得到对应第一激励特征矩阵。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的多模态融合半导体检测方法。
CN202310480887.8A 2023-04-28 2023-04-28 基于图卷积的多模态融合半导体检测方法、装置及介质 Active CN116205918B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310480887.8A CN116205918B (zh) 2023-04-28 2023-04-28 基于图卷积的多模态融合半导体检测方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310480887.8A CN116205918B (zh) 2023-04-28 2023-04-28 基于图卷积的多模态融合半导体检测方法、装置及介质

Publications (2)

Publication Number Publication Date
CN116205918A CN116205918A (zh) 2023-06-02
CN116205918B true CN116205918B (zh) 2023-07-21

Family

ID=86513270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310480887.8A Active CN116205918B (zh) 2023-04-28 2023-04-28 基于图卷积的多模态融合半导体检测方法、装置及介质

Country Status (1)

Country Link
CN (1) CN116205918B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630310B (zh) * 2023-07-21 2023-11-17 锋睿领创(珠海)科技有限公司 一种石英玻璃的检测方法、装置、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860656A (zh) * 2020-07-22 2020-10-30 中南民族大学 分类器训练方法、装置、设备以及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802003B (zh) * 2021-02-08 2022-05-06 锋睿领创(珠海)科技有限公司 基于光弹性的缺陷检测方法、装置、设备及存储介质
CN114170477A (zh) * 2021-11-30 2022-03-11 华东师范大学 一种基于注意力图卷积网络的多模态融合机械缺陷检测方法
CN115982666A (zh) * 2022-12-08 2023-04-18 抖音视界有限公司 一种图文关联度确定方法、装置、计算机设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860656A (zh) * 2020-07-22 2020-10-30 中南民族大学 分类器训练方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
CN116205918A (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN111028327B (zh) 一种三维点云的处理方法、装置及设备
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
CN110610210B (zh) 一种多目标检测方法
Li et al. A multi-scale cucumber disease detection method in natural scenes based on YOLOv5
CN116205918B (zh) 基于图卷积的多模态融合半导体检测方法、装置及介质
Doycheva et al. Implementing textural features on GPUs for improved real-time pavement distress detection
CN115880298A (zh) 一种基于无监督预训练的玻璃表面缺陷检测方法及系统
CN116128839A (zh) 晶圆缺陷识别方法、装置、电子设备以及存储介质
CN116433661B (zh) 多任务学习的半导体晶圆检测方法、装置、设备及介质
Lin et al. An antagonistic training algorithm for TFT-LCD module mura defect detection
Shamsabadi et al. Robust crack detection in masonry structures with Transformers
CN113496260B (zh) 基于改进YOLOv3算法的粮库人员不规范作业检测法
US11804029B2 (en) Hierarchical constraint (HC)-based method and system for classifying fine-grained graptolite images
Ni et al. Toward high-precision crack detection in concrete bridges using deep learning
CN109326324B (zh) 一种抗原表位的检测方法、系统及终端设备
Liu et al. A real-time and efficient surface defect detection method based on YOLOv4
CN111861916A (zh) 病理图片的处理方法
CN111259903A (zh) 识别表计示数方法、装置、可读存储介质和计算机设备
CN115424237A (zh) 一种基于深度学习的前向车辆识别与距离检测方法
Yang et al. Classification of industrial surface defects based on neural architecture search
CN114663760A (zh) 模型训练的方法、目标检测方法、存储介质及计算设备
CN116630310B (zh) 一种石英玻璃的检测方法、装置、设备及介质
Polejowska et al. Impact of visual image quality on lymphocyte detection using yolov5 and retinanet algorithms
CN116109627B (zh) 基于迁移学习和小样本学习缺陷检测方法、装置及介质
CN116452820B (zh) 环境污染等级确定方法及装置

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