CN116309612B - 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质 - Google Patents

基于频率解耦监督的半导体硅晶圆检测方法、装置及介质 Download PDF

Info

Publication number
CN116309612B
CN116309612B CN202310599863.4A CN202310599863A CN116309612B CN 116309612 B CN116309612 B CN 116309612B CN 202310599863 A CN202310599863 A CN 202310599863A CN 116309612 B CN116309612 B CN 116309612B
Authority
CN
China
Prior art keywords
frequency
feature
low
result
activation
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
CN202310599863.4A
Other languages
English (en)
Other versions
CN116309612A (zh
Inventor
何良雨
崔健
刘彤
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 CN202310599863.4A priority Critical patent/CN116309612B/zh
Publication of CN116309612A publication Critical patent/CN116309612A/zh
Application granted granted Critical
Publication of CN116309612B publication Critical patent/CN116309612B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • H01L22/34—Circuits for electrically characterising or monitoring manufacturing processes, e. g. whole test die, wafers filled with test structures, on-board-devices incorporated on each die, process control monitors or pad structures thereof, devices in scribe line
    • 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
    • G06T2207/20024—Filtering details
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术领域，尤其涉及一种基于频率解耦监督的半导体硅晶圆检测方法、装置及介质。该方法对原始图像进行频率滤波，得到低频滤波结果和高频滤波结果，提取低频滤波结果的特征，得到第一低频特征和第二低频特征，将第二低频特征池化，得到池化特征，对第一低频特征进行激活，将得到的激活特征和池化特征相乘，得到关联度矩阵，对关联度矩阵进行激活，得到第二激活特征并进行尺寸重构，以重构特征和低频滤波结果相乘，得到全局关联特征并与高频滤波结果拼接，使用解码器对拼接特征进行解码，得到检测结果，通过高频信息和低频信息解耦，能够挖掘缺陷对象之间的关联信息，并保留边缘细节信息，提升晶圆表面缺陷检测的准确率。

Description

基于频率解耦监督的半导体硅晶圆检测方法、装置及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于频率解耦监督的半导体硅晶圆检测方法、装置及介质。
背景技术
随着人工智能的快速发展，基于深度学习模型的缺陷检测技术已广泛应用于半导体检测场景下，应用于如半导体硅晶圆、薄膜电感等产品的表面缺陷检测任务，以晶圆表面缺陷检测任务为例，现有基于深度学习模型的缺陷检测技术主要通过建模全局上下文来提高缺陷对象的类内一致性与类间差异性，以及通过多尺度特征融合来细化缺陷对象边界上的细节，以适应半导体检测场景下缺陷对象比较微小、纹理特征相较于背景信息不明显且不同缺陷对象类间差异较小的特点，实现较高精度的半导体硅晶圆表面缺陷检测。
但是，不同缺陷对象间的关联信息主要包含在缺陷对象主体部分的特征中，而缺陷对象边界部分的特征较为复杂且往往不能对缺陷检测任务中的识别过程起到增益效果，导致晶圆表面缺陷检测的准确率较低，因此，如何进一步提高晶圆缺陷检测的准确率成为了亟待解决的问题。
发明内容
有鉴于此，本发明实施例提供了一种基于频率解耦监督的半导体硅晶圆检测方法、装置及介质，以解决晶圆表面缺陷检测的准确率较低的问题。
第一方面，本发明实施例提供一种基于频率解耦监督的半导体硅晶圆检测方法，所述半导体硅晶圆检测方法包括：
获取待检测晶圆的原始图像，使用低频滤波器和高频滤波器分别对所述原始图像进行滤波处理，得到低频滤波结果和高频滤波结果，所述低频滤波器用于保留所述原始图像中满足第一频率范围的图像信息，所述高频滤波器用于保留所述原始图像中满足第二频率范围的图像信息；
使用预设的第一参考卷积核和第二参考卷积核对所述低频滤波结果进行特征提取，得到第一低频特征和第二低频特征，对所述第二低频特征进行池化处理，得到池化结果，使用预设的投影函数，将所述池化结果投影为池化特征；
使用预设的第一激活函数对所述第一低频特征进行处理，得到第一激活特征，将所述激活特征和所述池化特征相乘，确定相乘结果为所述激活特征和所述池化特征之间的关联度矩阵；
使用预设的第二激活函数对所述关联度矩阵进行处理，得到第二激活特征，对所述第二激活特征进行尺寸重构，得到满足预设尺寸的重构特征，将所述重构特征和所述低频滤波结果相乘，确定相乘结果为全局关联特征；
将所述全局关联特征和所述高频滤波结果拼接，得到拼接特征，使用预设的解码器对所述拼接特征进行分类处理，得到分类结果，确定所述分类结果为所述待检测晶圆的检测结果。
第二方面，本发明实施例提供一种基于频率解耦监督的半导体硅晶圆检测装置，所述半导体硅晶圆检测装置包括：
图像滤波模块，用于获取待检测晶圆的原始图像，使用低频滤波器和高频滤波器分别对所述原始图像进行滤波处理，得到低频滤波结果和高频滤波结果，所述低频滤波器用于保留所述原始图像中满足第一频率范围的图像信息，所述高频滤波器用于保留所述原始图像中满足第二频率范围的图像信息；
特征提取模块，用于使用预设的第一参考卷积核和第二参考卷积核对所述低频滤波结果进行特征提取，得到第一低频特征和第二低频特征，对所述第二低频特征进行池化处理，得到池化结果，使用预设的投影函数，将所述池化结果投影为池化特征；
第一激活模块，用于使用预设的第一激活函数对所述第一低频特征进行处理，得到第一激活特征，将所述激活特征和所述池化特征相乘，确定相乘结果为所述激活特征和所述池化特征之间的关联度矩阵；
第二激活模块，用于使用预设的第二激活函数对所述关联度矩阵进行处理，得到第二激活特征，对所述第二激活特征进行尺寸重构，得到满足预设尺寸的重构特征，将所述重构特征和所述低频滤波结果相乘，确定相乘结果为全局关联特征；
晶圆检测模块，用于将所述全局关联特征和所述高频滤波结果拼接，得到拼接特征，使用预设的解码器对所述拼接特征进行分类处理，得到分类结果，确定所述分类结果为所述待检测晶圆的检测结果。
第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的半导体硅晶圆检测方法。
第四方面，本发明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半导体硅晶圆检测方法。
本发明实施例与现有技术相比存在的有益效果是：
获取待检测晶圆的原始图像，使用低频滤波器和高频滤波器分别对原始图像进行滤波处理，得到低频滤波结果和高频滤波结果，使用预设的第一参考卷积核和第二参考卷积核对低频滤波结果进行特征提取，得到第一低频特征和第二低频特征，对第二低频特征进行池化处理，得到池化结果，使用预设的投影函数，将池化结果投影为池化特征，使用预设的第一激活函数对第一低频特征进行处理，得到第一激活特征，将激活特征和池化特征相乘，确定相乘结果为激活特征和池化特征之间的关联度矩阵，使用预设的第二激活函数对关联度矩阵进行处理，得到第二激活特征，对第二激活特征进行尺寸重构，得到满足预设尺寸的重构特征，将重构特征和低频滤波结果相乘，确定相乘结果为全局关联特征，将全局关联特征和高频滤波结果拼接，得到拼接特征，使用预设的解码器对拼接特征进行分类处理，得到分类结果，确定分类结果为待检测晶圆的检测结果，将原始图像的高频信息和低频信息解耦，采用低频信息进行缺陷对象之间的关联信息挖掘，采用高频信息保留缺陷对象的边缘细节信息，使得关联信息和边缘信息融合后，能够更准确地表征原始图像的图像特征，进而提升晶圆表面缺陷检测的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明实施例一提供的一种基于频率解耦监督的半导体硅晶圆检测方法的一应用环境示意图；
图2是本发明实施例一提供的一种基于频率解耦监督的半导体硅晶圆检测方法的流程示意图；
图3是本发明实施例一提供的一种基于频率解耦监督的半导体硅晶圆检测方法中拼接特征获取流程的示意图；
图4是本发明实施例一提供的一种基于频率解耦监督的半导体硅晶圆检测方法与其他缺陷检测模型在针对一原始图像的检测效果对比图；
图5是本发明实施例一提供的一种基于频率解耦监督的半导体硅晶圆检测方法与其他缺陷检测模型在针对另一原始图像的检测效果对比图；
图6是本发明实施例二提供的一种基于频率解耦监督的半导体硅晶圆检测装置的结构示意图；
图7是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本发明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，在本发明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。
如在本发明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，在本发明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。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明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，而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
本发明实施例一提供的一种基于频率解耦监督的半导体硅晶圆检测方法，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 personal computer，UMPC）、上网本、云端终端设备、个人数字助理（personal digital assistant，PDA）等计算机设备。服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
客户端和服务端可以部署于半导体生产场景下，执行半导体硅晶圆检测任务，客户端可以与图像采集设备连接，图像采集设备可以包括摄像头、录影机、手持摄影终端、摄影机等，在本实施例中，图像采集设备采用摄像头以正射方式进行晶圆图像的采集工作。
参见图2，是本发明实施例一提供的一种基于频率解耦监督的半导体硅晶圆检测方法的流程示意图，上述半导体硅晶圆检测方法可以应用于图1中的服务端，服务端对应的计算机设备与客户端连接，以获取客户端所连接的图像采集设备采集到的原始图像，原始图像可以是指图像采集设备对待检测晶圆进行图像采集得到的。如图2所示，该半导体硅晶圆检测方法可以包括以下步骤：
步骤S201，获取待检测晶圆的原始图像，使用低频滤波器和高频滤波器分别对原始图像进行滤波处理，得到低频滤波结果和高频滤波结果。
其中，待检测晶圆可以是指半导体生产场景下生产出的需要进行缺陷检测的半导体硅晶圆部件，原始图像可以是指使用图像采集设备采集到的包含待检测晶圆的图像，通常情况下，晶圆检测任务是针对晶圆表面缺陷进行检测，则原始图像应当包括待检测晶圆的完整表面图像信息。
低频滤波器用于保留原始图像中满足第一频率范围的图像信息，高频滤波器用于保留原始图像中满足第二频率范围的图像信息，原始图像的频域图像通常以中心区域为低频区域，非中心区域为高频区域，在本实施例中，将频域图像中心点设为(i,j)，则低频区域可以是由(i-k,j-k)、(i+k,j-k)、(i-k,j+k)、(i+k,j+k)四个频域图像中的像素点确定的矩形区域，高频区域可以是频域图像中除低频区域外的所有区域，以低频区域对应的图像信息作为原始图像中满足第一频率范围的图像信息，以高频区域对应的图像信息作为原始图像中满足第二频率范围的图像信息，在本实施例中，k可以取值为30，实施者可以根据实际情况调整k的取值，上述频域图像可以通过对原始图像进行傅里叶变换得到。
可选的是，低频滤波器包括模糊算子、第一卷积核和第二卷积核；
使用低频滤波器对原始图像进行滤波处理，得到低频滤波结果，包括：
将原始图像通过模糊算子进行模糊处理，得到初始低频特征，将初始低频特征通过第一卷积核进行卷积处理，得到第一卷积结果，将第一卷积结果通过第二卷积核进行卷积处理，得到第二卷积结果；
将初始低频特征和预设的第一调整参数相乘，得到第一相乘结果，计算第二卷积结果和第一相乘结果的差值，得到第一差值，将预设的第一调整步长和第一差值相乘，确定相乘结果为第一调节量；
计算初始低频特征和第一调节量的差值，确定计算结果为低频滤波结果。
其中，在本实施例中，第一卷积核和第二卷积核均为3*3尺寸的卷积核，第一卷积核和第二卷积核互为转置关系，第一卷积结果可以是指初始低频特征经第一卷积核卷积处理得到的结果，第二卷积结果可以是指第一卷积结果经第二卷积核卷积处理得到的结果，第一调整参数为超参数，可以用于频率调谐，以提高低频滤波结果的图像显著性，使得图像特征信息更加明显，第一调整步长可以表征低频滤波器单次滤波的频率范围。
具体地，以a表示初始低频特征，b表示低频滤波结果，则低频滤波结果的提取方式可以表示为：
其中，可以表示第一调整参数，/>可以表示a的F范数的平方，/>可以表示第i个模糊算子，本实施例中采用Blur模糊算子，Blur模糊算子可以是指针对任一个像素点，基于其邻近像素点及其自身的灰度值均值更新其灰度值，邻近像素点可以是指八邻域，I为模糊算子的总个数，本实施例中设置为11，/>为可训练的超参数，/>的初始值可以设置为0.5，/>可以作为数据保真项，/>可以作为正则化项。
对上式进行梯度计算，得到梯度计算结果为：
其中，可以表示b针对a计算得到的偏导数，/>可以表示第i个模糊算子的转置。
根据梯度计算结果，可以推导出低频特征的迭代更新公式，公式如下：
其中，可以表示第一调整步长。
为了提升模型的特征提取能力，优化迭代效果，将迭代更新公式转化为卷积计算的形式，利用上述第一卷积核和第二卷积核替换模糊算子进行滤波计算，得到公式如下：其中，Conv1可以表示第一卷积核，Conv2可以表示第二卷积核。
本实施例中，采用均值滤波卷积核代替基于均值模糊算子的低频滤波器，能够提高对原始图像的低频特征的提取能力，使得低频特征提取过程能够以作为模型推理过程的一部分，便于对低频特征提取过程中的超参数进行迭代训练，优化迭代效果。
可选的是，高频滤波器包括拉普拉斯算子、第三卷积核和第四卷积核；
使用高频滤波器对原始图像进行滤波处理，得到高频滤波结果，包括：
将原始图像通过拉普拉斯算子，得到初始高频特征，将初始高频特征通过第三卷积核进行卷积处理，得到第三卷积结果，将第三卷积结果通过第四卷积核进行卷积处理，得到第四卷积结果；
将初始高频特征和预设的第二调整参数相乘，得到第二相乘结果，计算第四卷积结果和第二相乘结果的差值，得到第二差值，将预设的第二调整步长和第二差值相乘，确定相乘结果为第二调节量；
计算初始高频特征和第二调节量的差值，确定计算结果为高频滤波结果。
其中，在本实施例中，第三卷积核和第四卷积核也均为3*3尺寸的卷积核，第三卷积核和第四卷积核互为转置关系，第三卷积结果可以是指初始高频特征经第三卷积核卷积处理得到的结果，第四卷积结果可以是指第三卷积结果经第四卷积核卷积处理得到的结果，第二调整参数为超参数，可以用于频率调谐，以提高高频滤波结果的图像显著性，使得图像特征信息更加明显，第二调整步长可以表征高频滤波器单次滤波的频率范围。
具体地，以c表示初始高频特征，d表示高频滤波结果，则高频滤波结果的提取方式可以表示为：
其中，可以表示第二调整参数，/>可以表示c的F范数的平方，/>可以表示第j个拉普拉斯算子，J为拉普拉斯算子的总个数，本实施例中也设置为11，/>为可训练的超参数，/>的初始值可以设置为0.5，/>可以作为数据保真项，/>可以作为正则化项。
对上式进行梯度计算，得到梯度计算结果为：
其中，可以表示d针对c计算得到的偏导数，/>可以表示第j个拉普拉斯算子的转置。
根据梯度计算结果，可以推导出高频特征的迭代更新公式，公式如下：
其中，可以表示第二调整步长。
为了提升模型的特征提取能力，优化迭代效果，将迭代更新公式转化为卷积计算的形式，利用上述第三卷积核和第四卷积核替换拉普拉斯算子进行滤波计算，得到公式如下：
其中，Conv3可以表示第三卷积核，Conv4可以表示第四卷积核。
本实施例中，采用拉普拉斯滤波卷积核代替基于拉普拉斯算子的高频滤波器，能够提高对原始图像的高频特征的提取能力，使得高频特征提取过程能够以作为模型推理过程的一部分，便于对高频特征提取过程中的超参数进行迭代训练，优化迭代效果。
上述获取待检测晶圆的原始图像，使用低频滤波器和高频滤波器分别对原始图像进行滤波处理，得到低频滤波结果和高频滤波结果的步骤，分别提取原始图像中的高频特征和低频特征，实现高效的频率解耦，为后续晶圆检测提供更有效的特征基础。
步骤S202，使用预设的第一参考卷积核和第二参考卷积核对低频滤波结果进行特征提取，得到第一低频特征和第二低频特征，对第二低频特征进行池化处理，得到池化结果，使用预设的投影函数，将池化结果投影为池化特征。
其中，第一参考卷积核和第二参考卷积核均为3*3尺寸，用以提取深层次特征，也即第一低频特征和第二低频特征，池化处理可以是指全局平均池化处理，相应地，池化结果可以是指第二低频特征经全局平均池化处理得到的结果，投影函数可以用于调整池化结果的尺寸。
具体地，以b表示低频滤波结果，其尺寸为C*H*W，其中，C可以表示低频滤波结果的通道数，H可以表示低频滤波结果的高，W可以表示低频滤波结果的宽，以b1表示第一低频特征，b2表示第二低频特征，第一参考卷积核和第二参考卷积核均采用有填充的卷积方式，则得到的第一低频特征和第二低频特征尺寸均与低频滤波结果一致，也为C*H*W。
将第二低频特征b2在H*W维度上进行全局平均池化操作，得到C*1*1尺寸的池化结果，使用投影函数将C*1*1尺寸的池化结果投影为1*C尺寸的池化特征。
上述使用预设的第一参考卷积核和第二参考卷积核对低频滤波结果进行特征提取，得到第一低频特征和第二低频特征，对第二低频特征进行池化处理，得到池化结果，使用预设的投影函数，将池化结果投影为池化特征的步骤，能够获取各个特征通道的全局特征信息，为后续关联信息挖掘提供基础。
步骤S203，使用预设的第一激活函数对第一低频特征进行处理，得到第一激活特征，将第一激活特征和池化特征相乘，确定相乘结果为第一激活特征和池化特征之间的关联度矩阵。
其中，第一激活函数可以采用Swish激活函数，第一激活特征可以是指第一低频特征经激活处理后的特征矩阵，关联度矩阵可以表征低频图像特征不同特征点之间的关联程度。
具体地，通过关联度矩阵，可以对低频滤波结果中不同位置的缺陷对象之间的关联程度进行建模，得到不同缺陷对象对应特征间各个像素点之间的关联程度，不同类别的目标对象之间的关联程度较小，同一类别的目标对象之间的关联程度较大。
可选的是，使用预设的第一激活函数对第一低频特征进行处理，得到第一激活特征，包括：
将第一低频特征进行尺寸重构，得到重构低频特征；
使用第一激活函数对重构低频特征进行处理，得到第一激活特征。
其中，重构低频特征可以是指第一低频特征尺寸重构后的特征矩阵。
具体地，第一低频特征b1的尺寸为C*H*W，将其重构为尺寸为C*HW尺寸的重构低频特征。
可选的是，使用预设的第一激活函数对第一低频特征进行处理，得到第一激活特征，包括：
取第一低频特征的负值并采用指数函数映射，得到第一指数映射结果，将第一指数映射结果和第一预设值相加后取倒数，得到第一激活值；
将第一低频特征和第一激活值相乘，确定相乘结果为第一激活特征。
其中，设第一低频特征表示为b1，第一指数映射结果可以表示为exp(-b1)，第一预设值在本实施例中可以设置为1，则第一激活值可以表示为1/(1+ exp(-b1))，相应地，第一激活值可以表示为b1+1/(1+ exp(-b1))。
本实施例中，采用Swish激活函数进作为第一激活函数，Swish激活函数的导数恒大于0，在输入为0的附近值时，输出具有一定的平滑度，有利于训练过程中的优化和泛化。
上述使用预设的第一激活函数对第一低频特征进行处理，得到第一激活特征，将第一激活特征和池化特征相乘，确定相乘结果为第一激活特征和池化特征之间的关联度矩阵的步骤，由于低频特征排除了高频部分的干扰，主要保留了输入特征的缺陷对象主体特征，而缺陷对象主体特征往往能够体现出同类别缺陷对象的相似性和不同类别缺陷对象的差异性。因此，对低频特征进行长距离关联度计算，能够更好的建立缺陷对象间的关联关系，为晶圆检测提供有效信息，进而提高晶圆检测的准确率。
步骤S204，使用预设的第二激活函数对关联度矩阵进行处理，得到第二激活特征，对第二激活特征进行尺寸重构，得到满足预设尺寸的重构特征，将重构特征和低频滤波结果相乘，确定相乘结果为全局关联特征。
其中，第二激活函数可以采用sigmoid激活函数，第二激活特征可以表征低频特征关联度权重值，重构特征可以表征低频特征关联度权重矩阵，全局关联特征可以是指低频特征全局互补融合的结果。
具体地，关联度矩阵的尺寸可以表示为1*HW，在本实施例中，预设尺寸为1*H*W，则重构特征的尺寸为1*H*W，与低频滤波结果的尺寸C*H*W相比，H*W维度一致，则可以采用逐像素点乘的方式进行相乘计算，得到全局关联特征。
可选的是，使用预设的第二激活函数对关联度矩阵进行处理，得到第二激活特征，包括：
将关联度矩阵进行指数映射，得到第二指数映射结果，将第二指数映射结果和第二预设值相加后取倒数，得到第二激活值；
确定第二激活值为第二激活特征。
其中，设关联度矩阵表示为V，第一指数映射结果可以表示为exp(V)，第一预设值在本实施例中可以设置为1，则第一激活值可以表示为1/(1+ exp(V))，则第二激活特征为1/(1+ exp(V))。
上述使用预设的第二激活函数对关联度矩阵进行处理，得到第二激活特征，对第二激活特征进行尺寸重构，得到满足预设尺寸的重构特征，将重构特征和低频滤波结果相乘，确定相乘结果为全局关联特征的步骤，能够充分提取低频信息中缺陷对象的关联信息，进而提高后续晶圆检测的准确率。
步骤S205，将全局关联特征和高频滤波结果拼接，得到拼接特征，使用预设的解码器对拼接特征进行分类处理，得到分类结果，确定分类结果为待检测晶圆的检测结果。
其中，拼接特征可以表示相关度计算后的低频滤波结果和高频滤波结果的融合结果，解码器可以用于执行下游的晶圆检测任务，分类结果可以包括原始图像中每个像素点的分类类别。
具体地，本实施例中，采用U-Net作为模型架构，也即采用对称的编码器和解码器结构，编码器部分由4个卷积层组成，每个卷积层有两个尺寸为3*3的卷积核。
每个3*3的卷积核之间加入上述低频滤波器和高频滤波器、批归一化层、线性校正单元层和最大池化层，线性校正单元层可以采用ReLU函数实现，最大池化层用于特征的降采样。
对应地，解码器也相应通过转置卷积进行4次上采样将拼接特征恢复到与原始图像相同的尺寸。
在一实施方式中，可以使用跳跃链接的方式将在前卷积层输出的浅层特征和在后卷积层输出的高级语义特征相融合，以保留了更多的特征信息。
参见图3，是是本发明实施例一提供的一种基于频率解耦监督的半导体硅晶圆检测方法中拼接特征获取流程的示意图，其中，以a表示低频滤波器的输入，也即初始低频特征，b表示低频滤波器的输出，也即低频滤波结果，c表示高频滤波器的输入，也即初始高频特征，d表示高频滤波器的输出，也即高频滤波结果，b1表示第一低频特征，b2表示第二低频特征，*表示矩阵相乘，con表示拼接(concatenate)操作。
可选的是，解码器包括转置卷积层和归一化层；
使用预设的解码器对拼接特征进行分类处理，得到分类结果，包括：
将拼接特征输入转置卷积层进行上采样，得到与原始图像尺寸一致的上采样特征；
将上采样特征输入归一化层，将上采样特征中的每个分量特征向量映射到像素点类别，得到由所有分量对应的像素点类别组成的分类结果。
其中，转置卷积层可以用于对特征进行上采样，归一化层可以用于实现分类任务。
具体地，归一化层采用1*1卷积将每个分量特征向量映射到像素点类别，也即原始图像中一像素点对应一分量特征向量，像素点类别在本实施例中可以是缺陷类别，缺陷类别可以包括划痕类别、表面存在冗余物类别、晶体缺陷类别、无缺陷类别等。
上述编码器和解码器结构可以采用端到端的方式进行训练，本实施例中，采用Adam优化器和交叉熵损失函数进行训练，训练所采用的训练数据集包括人工标注有对应标签图像的3000张包含各类晶圆缺陷对象的晶圆图像，训练时网络初始化参数设置参见表一，输入图片（input）表示训练样本尺寸为512*512，每批大小(Batch)表示训练时每个批次包含16张训练样本，学习率(Learning rate)设置为0.001，衰减率(Decay)设置为0.0005，迭代步数(Iteration steps)设置为100000。
参见图4，是本发明实施例一提供的一种基于频率解耦监督的半导体硅晶圆检测方法与其他缺陷检测模型在针对一原始图像的检测效果对比图，其中，X1可以表示晶圆缺陷图，以作为一原始图像，此处所进行检测效果对比的语义分割模型包括DeepLabV3-Plus模型、UNetFormer模型和HRNet模型，以及本发明实施例一提供的模型架构，在图4中，以晶圆检测模型表示本发明实施例一提供的模型架构。
参见图5，是本发明实施例一提供的一种基于频率解耦监督的半导体硅晶圆检测方法与其他缺陷检测模型在针对另一原始图像的检测效果对比图，其中，X2表示另一晶圆缺陷图，以作为另一原始图像，此处所进行检测效果对比的语义分割模型同样包括DeepLabV3-Plus模型、UNetFormer模型和HRNet模型，以及本发明实施例一提供的模型架构，在图5中，同样以晶圆检测模型表示本发明实施例一提供的模型架构。
在检测效果对比时，所采用的评价指标包括整体准确率（OA）、平均交并比 (mIoU)和平均F1得分(AF)，其中，F1得分可以视作模型准确率和召回率的加权平均值，参见表二。
其中，DeepLabV3-Plus模型对应的整体准确率为90.1%，平均交并比为89.7%，平均F1得分为89.2%，UNetFormer模型对应的整体准确率为92.6%，平均交并比为91.8%，平均F1得分为90.5%，HRNet模型对应的整体准确率为94.5%，平均交并比为93.5%，平均F1得分为92.8%，在表二中，以晶圆检测模型表示本发明实施例一提供的模型架构，其对应的整体准确率为97.1%，平均交并比为96.6%，平均F1得分为96.3%，可见，本实施例进行晶圆缺陷检测的整体准确率、平均交并比和平均F1得分都高于目前先进的语义分割模型。
本实施例中，通过包含高频信息和低频关联度信息的拼接特征进行解码，实现语义分割任务，提升了对晶圆缺陷的检测精度和晶圆缺陷检测准确率。
上述将全局关联特征和高频滤波结果拼接，得到拼接特征，使用预设的解码器对拼接特征进行分类处理，得到分类结果，确定分类结果为待检测晶圆的检测结果的步骤，将长距离关联度计算后的低频特征与高频特征相结合，既能提升模型对不同缺陷对象的识别能力，又能实现对缺陷对象边缘部分的精准分割，提高了晶圆检测的准确率。
本实施例中，将原始图像的高频信息和低频信息解耦，采用低频信息进行缺陷对象之间的关联信息挖掘，采用高频信息保留缺陷对象的边缘细节信息，使得关联信息和边缘信息融合后，能够更准确地表征原始图像的图像特征，进而提升晶圆表面缺陷检测的准确率。
对应于上文实施例的基于频率解耦监督的半导体硅晶圆检测方法，图6示出了本发明实施例二提供的基于频率解耦监督的半导体硅晶圆检测装置的结构框图，上述半导体硅晶圆检测装置应用于服务端，服务端对应的计算机设备与客户端连接，以获取客户端所连接的图像采集设备采集到的原始图像，原始图像可以是指图像采集设备对待检测晶圆进行图像采集得到的。为了便于说明，仅示出了与本发明实施例相关的部分。
参见图6，该半导体硅晶圆检测装置包括：
图像滤波模块61，用于获取待检测晶圆的原始图像，使用低频滤波器和高频滤波器分别对原始图像进行滤波处理，得到低频滤波结果和高频滤波结果，低频滤波器用于保留原始图像中满足第一频率范围的图像信息，高频滤波器用于保留原始图像中满足第二频率范围的图像信息；
特征提取模块62，用于使用预设的第一参考卷积核和第二参考卷积核对低频滤波结果进行特征提取，得到第一低频特征和第二低频特征，对第二低频特征进行池化处理，得到池化结果，使用预设的投影函数，将池化结果投影为池化特征；
第一激活模块63，用于使用预设的第一激活函数对第一低频特征进行处理，得到第一激活特征，将第一激活特征和池化特征相乘，确定相乘结果为第一激活特征和池化特征之间的关联度矩阵；
第二激活模块64，用于使用预设的第二激活函数对关联度矩阵进行处理，得到第二激活特征，对第二激活特征进行尺寸重构，得到满足预设尺寸的重构特征，将重构特征和低频滤波结果相乘，确定相乘结果为全局关联特征；
晶圆检测模块65，用于将全局关联特征和高频滤波结果拼接，得到拼接特征，使用预设的解码器对拼接特征进行分类处理，得到分类结果，确定分类结果为待检测晶圆的检测结果。
可选的是，低频滤波器包括模糊算子、第一卷积核和第二卷积核；
上述图像滤波模块61包括：
均值卷积单元，用于将原始图像通过模糊算子进行模糊处理，得到初始低频特征，将初始低频特征通过第一卷积核进行卷积处理，得到第一卷积结果，将第一卷积结果通过第二卷积核进行卷积处理，得到第二卷积结果；
第一调节量计算单元，用于将初始低频特征和预设的第一调整参数相乘，得到第一相乘结果，计算第二卷积结果和第一相乘结果的差值，得到第一差值，将预设的第一调整步长和第一差值相乘，确定相乘结果为第一调节量；
低频滤波确定单元，用于计算初始低频特征和第一调节量的差值，确定计算结果为低频滤波结果。
可选的是，高频滤波器包括拉普拉斯算子、第三卷积核和第四卷积核；
上述图像滤波模块61包括：
高频卷积单元，用于将原始图像拉普拉斯算子，得到初始高频特征，将初始高频特征通过第三卷积核进行卷积处理，得到第三卷积结果，将第三卷积结果通过第四卷积核进行卷积处理，得到第四卷积结果；
第二调节量计算单元，用于将初始高频特征和预设的第二调整参数相乘，得到第二相乘结果，计算第四卷积结果和第二相乘结果的差值，得到第二差值，将预设的第二调整步长和第二差值相乘，确定相乘结果为第二调节量；
高频滤波确定单元，用于计算初始高频特征和第二调节量的差值，确定计算结果为高频滤波结果。
可选的是，上述第一激活模块63包括：
尺寸重构单元，用于将第一低频特征进行尺寸重构，得到重构低频特征；
第一函数处理单元，用于使用第一激活函数对重构低频特征进行处理，得到第一激活特征。
可选的是，上述第二激活模块64包括：
第一激活值计算单元，用于取第一低频特征的负值并采用指数函数映射，得到第一指数映射结果，将第一指数映射结果和第一预设值相加后取倒数，得到第一激活值；
第一激活特征确定单元，用于将第一低频特征和第一激活值相乘，确定相乘结果为第一激活特征。
可选的是，上述第二激活模块64包括：
第二激活值计算单元，用于将关联度矩阵进行指数映射，得到第二指数映射结果，将第二指数映射结果和第二预设值相加后取倒数，得到第二激活值；
第二激活特征确定单元，用于确定第二激活值为第二激活特征。
可选的是，解码器包括转置卷积层和归一化层；
上述晶圆检测模块65包括：
上采样单元，用于将拼接特征输入转置卷积层进行上采样，得到与原始图像尺寸一致的上采样特征；
类别映射单元，用于将上采样特征输入归一化层，将上采样特征中的每个分量特征向量映射到像素点类别，得到由所有分量对应的像素点类别组成的分类结果。
需要说明的是，上述模块、单元之间的信息交互、执行过程等内容，由于与本发明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7为本发明实施例三提供的一种计算机设备的结构示意图。如图7所示，该实施例的计算机设备包括：至少一个处理器（图7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半导体硅晶圆检测方法实施例中的步骤。
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图7仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机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，内存储器可以是计算机设备的内存，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计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，存储器还可以既包括计算机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，并不用于限制本发明的保护范围。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，本发明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。
本发明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计算机设备上运行时，使得计算机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发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机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发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于频率解耦监督的半导体硅晶圆检测方法，其特征在于，所述半导体硅晶圆检测方法包括：
获取待检测晶圆的原始图像，使用低频滤波器和高频滤波器分别对所述原始图像进行滤波处理，得到低频滤波结果和高频滤波结果，所述低频滤波器用于保留所述原始图像中满足第一频率范围的图像信息，所述高频滤波器用于保留所述原始图像中满足第二频率范围的图像信息；
使用预设的第一参考卷积核和第二参考卷积核对所述低频滤波结果进行特征提取，得到第一低频特征和第二低频特征，对所述第二低频特征进行池化处理，得到池化结果，使用预设的投影函数，将所述池化结果投影为池化特征；
使用预设的第一激活函数对所述第一低频特征进行处理，得到第一激活特征，将所述第一激活特征和所述池化特征相乘，确定相乘结果为所述第一激活特征和所述池化特征之间的关联度矩阵；
使用预设的第二激活函数对所述关联度矩阵进行处理，得到第二激活特征，对所述第二激活特征进行尺寸重构，得到满足预设尺寸的重构特征，将所述重构特征和所述低频滤波结果相乘，确定相乘结果为全局关联特征；
将所述全局关联特征和所述高频滤波结果拼接，得到拼接特征，使用预设的解码器对所述拼接特征进行分类处理，得到分类结果，确定所述分类结果为所述待检测晶圆的检测结果。
2.根据权利要求1所述的半导体硅晶圆检测方法，其特征在于，所述低频滤波器包括模糊算子、第一卷积核和第二卷积核；
使用低频滤波器对所述原始图像进行滤波处理，得到低频滤波结果，包括：
将所述原始图像通过所述模糊算子进行模糊处理，得到初始低频特征，将所述初始低频特征通过所述第一卷积核进行卷积处理，得到第一卷积结果，将所述第一卷积结果通过所述第二卷积核进行卷积处理，得到第二卷积结果；
将所述初始低频特征和预设的第一调整参数相乘，得到第一相乘结果，计算所述第二卷积结果和所述第一相乘结果的差值，得到第一差值，将预设的第一调整步长和所述第一差值相乘，确定相乘结果为第一调节量；
计算所述初始低频特征和所述第一调节量的差值，确定计算结果为所述低频滤波结果。
3.根据权利要求1所述的半导体硅晶圆检测方法，其特征在于，所述高频滤波器包括拉普拉斯算子、第三卷积核和第四卷积核；
使用高频滤波器对所述原始图像进行滤波处理，得到高频滤波结果，包括：
将所述原始图像通过所述拉普拉斯算子，得到初始高频特征，将所述初始高频特征通过所述第三卷积核进行卷积处理，得到第三卷积结果，将所述第三卷积结果通过所述第四卷积核进行卷积处理，得到第四卷积结果；
将所述初始高频特征和预设的第二调整参数相乘，得到第二相乘结果，计算所述第四卷积结果和所述第二相乘结果的差值，得到第二差值，将预设的第二调整步长和所述第二差值相乘，确定相乘结果为第二调节量；
计算所述初始高频特征和所述第二调节量的差值，确定计算结果为所述高频滤波结果。
4.根据权利要求1所述的半导体硅晶圆检测方法，其特征在于，所述使用预设的第一激活函数对所述第一低频特征进行处理，得到第一激活特征，包括：
将所述第一低频特征进行尺寸重构，得到重构低频特征；
使用所述第一激活函数对所述重构低频特征进行处理，得到所述第一激活特征。
5.根据权利要求1所述的半导体硅晶圆检测方法，其特征在于，所述使用预设的第一激活函数对所述第一低频特征进行处理，得到第一激活特征，包括：
取所述第一低频特征的负值并采用指数函数映射，得到第一指数映射结果，将所述第一指数映射结果和第一预设值相加后取倒数，得到第一激活值；
将所述第一低频特征和所述第一激活值相乘，确定相乘结果为所述第一激活特征。
6.根据权利要求1所述的半导体硅晶圆检测方法，其特征在于，所述使用预设的第二激活函数对所述关联度矩阵进行处理，得到第二激活特征，包括：
将所述关联度矩阵进行指数映射，得到第二指数映射结果，将所述第二指数映射结果和第二预设值相加后取倒数，得到第二激活值；
确定所述第二激活值为所述第二激活特征。
7.根据权利要求1至6任一项所述的半导体硅晶圆检测方法，其特征在于，所述解码器包括转置卷积层和归一化层；
所述使用预设的解码器对所述拼接特征进行分类处理，得到分类结果，包括：
将所述拼接特征输入所述转置卷积层进行上采样，得到与所述原始图像尺寸一致的上采样特征；
将所述上采样特征输入所述归一化层，将所述上采样特征中的每个分量特征向量映射到像素点类别，得到由所有分量对应的像素点类别组成的所述分类结果。
8.一种基于频率解耦监督的半导体硅晶圆检测装置，其特征在于，所述半导体硅晶圆检测装置包括：
图像滤波模块，用于获取待检测晶圆的原始图像，使用低频滤波器和高频滤波器分别对所述原始图像进行滤波处理，得到低频滤波结果和高频滤波结果，所述低频滤波器用于保留所述原始图像中小于第一频率的图像信息，所述高频滤波器用于保留所述原始图像中大于第二频率的图像信息；
特征提取模块，用于使用预设的第一参考卷积核和第二参考卷积核对所述低频滤波结果进行特征提取，得到第一低频特征和第二低频特征，对所述第二低频特征进行池化处理，得到池化结果，使用预设的投影函数，将所述池化结果投影为池化特征；
第一激活模块，用于使用预设的第一激活函数对所述第一低频特征进行处理，得到第一激活特征，将所述第一激活特征和所述池化特征相乘，确定相乘结果为所述第一激活特征和所述池化特征之间的关联度矩阵；
第二激活模块，用于使用预设的第二激活函数对所述关联度矩阵进行处理，得到第二激活特征，对所述第二激活特征进行尺寸重构，得到满足预设尺寸的重构特征，将所述重构特征和所述低频滤波结果相乘，确定相乘结果为全局关联特征；
晶圆检测模块，用于将所述全局关联特征和所述高频滤波结果拼接，得到拼接特征，使用预设的解码器对所述拼接特征进行分类处理，得到分类结果，确定所述分类结果为所述待检测晶圆的检测结果。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的半导体硅晶圆检测方法。
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任一项所述的半导体硅晶圆检测方法。
CN202310599863.4A 2023-05-25 2023-05-25 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质 Active CN116309612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310599863.4A CN116309612B (zh) 2023-05-25 2023-05-25 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310599863.4A CN116309612B (zh) 2023-05-25 2023-05-25 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质

Publications (2)

Publication Number Publication Date
CN116309612A CN116309612A (zh) 2023-06-23
CN116309612B true CN116309612B (zh) 2023-08-18

Family

ID=86783726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310599863.4A Active CN116309612B (zh) 2023-05-25 2023-05-25 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质

Country Status (1)

Country Link
CN (1) CN116309612B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116973380A (zh) * 2023-09-25 2023-10-31 苏州高视半导体技术有限公司 晶圆检测系统、检测方法、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4160524A1 (en) * 2021-10-01 2023-04-05 AQC Industry Method for detecting at least one defect on a support, device and computer program associated
CN115984747A (zh) * 2023-01-05 2023-04-18 大连理工大学 一种基于动态滤波器的视频显著性目标检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11379688B2 (en) * 2017-03-16 2022-07-05 Packsize Llc Systems and methods for keypoint detection with convolutional neural networks
US20220342316A1 (en) * 2019-09-05 2022-10-27 Asml Netherlands B.V. Method for determining defectiveness of pattern based on after development image

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4160524A1 (en) * 2021-10-01 2023-04-05 AQC Industry Method for detecting at least one defect on a support, device and computer program associated
CN115984747A (zh) * 2023-01-05 2023-04-18 大连理工大学 一种基于动态滤波器的视频显著性目标检测方法

Also Published As

Publication number Publication date
CN116309612A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
Wang et al. A review of image super-resolution approaches based on deep learning and applications in remote sensing
CN111369581A (zh) 图像处理方法、装置、设备及存储介质
CN109118504B (zh) 一种基于神经网络的图像边缘检测方法、装置及其设备
CN111291825A (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
CN116309612B (zh) 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质
CN114240961A (zh) 一种U-Net++细胞分割网络系统、方法、设备及终端
CN113706562B (zh) 图像分割方法、装置、系统及细胞分割方法
Wu et al. Superpixel-based image noise variance estimation with local statistical assessment
CN113988147A (zh) 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置
Luo et al. New deep learning method for efficient extraction of small water from remote sensing images
CN114155375A (zh) 机场道面病害检测的方法、装置、电子设备及存储介质
Oga et al. River state classification combining patch-based processing and CNN
CN112132867B (zh) 一种遥感影像变化检测方法及装置
CN116563285B (zh) 一种基于全神经网络的病灶特征识别与分割方法及系统
CN110210314B (zh) 人脸检测方法、装置、计算机设备及存储介质
CN117333440A (zh) 输配电线路缺陷检测方法、装置、设备、介质和程序产品
CN116645365A (zh) 基于频谱的石英玻璃检测方法、装置、设备及介质
CN116051532A (zh) 基于深度学习的工业零件缺陷检测方法、系统及电子设备
CN114757912A (zh) 基于图像融合的材料损伤检测方法、系统、终端及介质
CN113139617A (zh) 一种输电线路自主定位方法、装置及终端设备
Masse et al. Fast and accurate denoising method applied to very high resolution optical remote sensing images
CN116433674B (zh) 半导体硅晶圆检测方法、装置、计算机设备及介质
CN116681625B (zh) 基于多尺度对比学习的无监督图像去雨方法、装置及终端
US20230298326A1 (en) Image augmentation method, electronic device and readable storage medium
CN117440104B (zh) 一种基于目标显著性特征的数据压缩重建方法

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