CN116544146A - 功率半导体器件真空烧结设备及方法 - Google Patents

功率半导体器件真空烧结设备及方法 Download PDF

Info

Publication number
CN116544146A
CN116544146A CN202310581237.2A CN202310581237A CN116544146A CN 116544146 A CN116544146 A CN 116544146A CN 202310581237 A CN202310581237 A CN 202310581237A CN 116544146 A CN116544146 A CN 116544146A
Authority
CN
China
Prior art keywords
feature
training
module
neural network
vacuum sintering
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
Application number
CN202310581237.2A
Other languages
English (en)
Other versions
CN116544146B (zh
Inventor
范雯雯
范涛
吕壮志
田尉成
范若怡
施健媛
张壮
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.)
Zhejiang Guchi Electronics Co ltd
Original Assignee
Zhejiang Guchi Electronics 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 Zhejiang Guchi Electronics Co ltd filed Critical Zhejiang Guchi Electronics Co ltd
Priority to CN202310581237.2A priority Critical patent/CN116544146B/zh
Publication of CN116544146A publication Critical patent/CN116544146A/zh
Application granted granted Critical
Publication of CN116544146B publication Critical patent/CN116544146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67098—Apparatus for thermal treatment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/40—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
    • G06V10/77—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
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/324—Thermal treatment for modifying the properties of semiconductor bodies, e.g. annealing, sintering
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Molecular Biology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及智能控制领域，其具体地公开了一种功率半导体器件真空烧结设备及方法，其通过采用基于深度学习的神经网络模型挖掘出真空烧结过程中功率半导体器件的表面状态隐含特征分布信息，以此来基于实际半导体器件的表面状态情况来进行甲酸的通入量的自适应控制，从而提高抽真空及排气效率的同时避免造成甲酸的过量浪费，且避免过量的甲酸对人体及环境造成伤害。

Description

功率半导体器件真空烧结设备及方法
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种功率半导体器件真空烧结设备及方法。
背景技术
现有半导体功率器件真空烧结设备多为使用氮气作为保护气体，在将一定容积的密封腔体抽成真空后充入高纯氮气作为保护气体，防止产品高温状态下发生氧化现象。并且，借助助焊剂的辅助作用，将基板、DBC、芯片、电极等部件进行真空烧结。烧结完成后的产品一致性较差、焊接气孔率大，同时表面还会残留大量的助焊剂，需要使用专业的清洗设备和清洗溶剂进行清洗，费时且费力，使得产品制造成本大大增加。
并且，烧结过程中助焊剂在高温状态下会发生气化，易挥发到设备腔体的各个角落，气化后的助焊剂在设备冷却后又会以固态的形式凝结在腔体表面，造成设备脏污，清洗困难，导致设备使用寿命受到极大影响，且极易造成对产品的二次污染。同时，使用助焊剂的工艺也会向大气中排放出有害气体，是一种对环境非常不友好的生产工艺。
因此，期望一种优化的功率半导体器件真空烧结设备。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种功率半导体器件真空烧结设备及方法，其通过采用基于深度学习的神经网络模型挖掘出真空烧结过程中功率半导体器件的表面状态隐含特征分布信息，以此来基于实际半导体器件的表面状态情况来进行甲酸的通入量的自适应控制，从而提高抽真空及排气效率的同时避免造成甲酸的过量浪费，且避免过量的甲酸对人体及环境造成伤害。
根据本申请的一个方面，提供了一种功率半导体器件真空烧结设备，其包括：
图像采集模块，用于获取待烧结的半导体产品的表面图像；
图像分块模块，用于将所述待烧结的半导体产品的表面图像进行图像分块处理以得到表面图像块的序列；
图像特征提取模块，用于将所述表面图像块的序列中的各个表面图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；
矩阵聚合模块，用于将所述多个图像块特征矩阵基于所述图像分块的位置聚合为二维全局特征矩阵；
全局关联编码模块，用于将所述二维全局特征矩阵通过作为特征提取器的卷积神经网络模型以得到解码特征图；以及
甲酸通入量控制模块，用于将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的甲酸通入量。
在上述功率半导体器件真空烧结设备中，所述图像特征提取模块，用于：从所述卷积神经网络模型的浅层提取浅层图像块特征矩阵；从所述卷积神经网络模型的深层提取深层图像块特征矩阵；以及，融合所述浅层图像块特征图和所述深层图像块特征图以得到所述图像块特征矩阵；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
在上述功率半导体器件真空烧结设备中，所述全局关联编码模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述解码特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述二维全局特征矩阵。
在上述功率半导体器件真空烧结设备中，还包括用于对所述包含深浅特征融合模块的卷积神经网络模型、所述作为特征提取器的卷积神经网络模型和所述解码器进行训练的训练模块。
在上述功率半导体器件真空烧结设备中，所述训练模块，包括：训练数据采集模块，用于获取训练数据，所述训练数据包括待烧结的半导体产品的训练表面图像，以及，所述推荐的甲酸通入量的真实值；训练图像分块模块，用于将所述待烧结的半导体产品的训练表面图像进行图像分块处理以得到训练表面图像块的序列；训练图像特征提取模块，用于将所述训练表面图像块的序列中的各个训练表面图像块分别通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练图像块特征矩阵；训练矩阵聚合模块，用于将所述多个训练图像块特征矩阵基于所述图像分块的位置聚合为训练二维全局特征矩阵；训练全局关联编码模块，用于将所述训练二维全局特征矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练解码特征图；以及，特征优化模块，用于对所述训练解码特征图进行类傅里叶尺度域概率修正以得到优化训练解码特征图；解码损失模块，用于将所述优化训练解码特征图通过所述解码器以得到解码损失函数值；以及，训练模块，用于以所述解码损失函数值作为损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述作为特征提取器的卷积神经网络模型和所述解码器进行训练。
在上述功率半导体器件真空烧结设备中，所述特征优化模块，用于：以如下优化公式对所述训练解码特征图进行类傅里叶尺度域概率修正以得到所述优化训练解码特征图；其中，所述优化公式为：
其中，fi，j，k是所述训练解码特征图的第(i，j，k)位置的特征值，W、H和C分别是所述训练解码特征图的高度、宽度和通道数，且α、β和γ为用于尺度调节的超参数，exp(·)表示指数运算，fi，′j，k是所述优化训练解码特征图的第(i，j，k)位置的特征值。
在上述功率半导体器件真空烧结设备中，所述解码损失模块，用于：使用解码器对所述优化训练解码特征图进行解码回归以得到训练解码值；以及，计算所述训练解码值与所述推荐的甲酸通入量的真实值之间的均方误差损失函数值作为所述解码损失函数值。
根据本申请的另一方面，提供了一种功率半导体器件真空烧结方法，其包括：
获取待烧结的半导体产品的表面图像；
将所述待烧结的半导体产品的表面图像进行图像分块处理以得到表面图像块的序列；
将所述表面图像块的序列中的各个表面图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；
将所述多个图像块特征矩阵基于所述图像分块的位置聚合为二维全局特征矩阵；
将所述二维全局特征矩阵通过作为特征提取器的卷积神经网络模型以得到解码特征图；以及
将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的甲酸通入量。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的功率半导体器件真空烧结方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的功率半导体器件真空烧结方法。
与现有技术相比，本申请提供的一种功率半导体器件真空烧结设备及方法，其通过采用基于深度学习的神经网络模型挖掘出真空烧结过程中功率半导体器件的表面状态隐含特征分布信息，以此来基于实际半导体器件的表面状态情况来进行甲酸的通入量的自适应控制，从而提高抽真空及排气效率的同时避免造成甲酸的过量浪费，且避免过量的甲酸对人体及环境造成伤害。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的功率半导体器件真空烧结设备的场景示意图；
图2为根据本申请实施例的功率半导体器件真空烧结设备的框图；
图3为根据本申请实施例的功率半导体器件真空烧结设备的框图；
图4为根据本申请实施例的功率半导体器件真空烧结设备中推断模块的系统架构图；
图5为根据本申请实施例的功率半导体器件真空烧结设备中训练模块的系统架构图；
图6为根据本申请实施例的功率半导体器件真空烧结设备中图像特征提取过程的流程图；
图7为根据本申请实施例的功率半导体器件真空烧结设备中卷积神经网络编码的流程图；
图8为根据本申请实施例的功率半导体器件真空烧结方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
现有半导体功率器件真空烧结设备多为使用氮气作为保护气体，在将一定容积的密封腔体抽成真空后充入高纯氮气作为保护气体，防止产品高温状态下发生氧化现象。并且，借助助焊剂的辅助作用，将基板、DBC、芯片、电极等部件进行真空烧结。烧结完成后的产品一致性较差、焊接气孔率大，同时表面还会残留大量的助焊剂，需要使用专业的清洗设备和清洗溶剂进行清洗，费时且费力，使得产品制造成本大大增加。
并且，烧结过程中助焊剂在高温状态下会发生气化，易挥发到设备腔体的各个角落，气化后的助焊剂在设备冷却后又会以固态的形式凝结在腔体表面，造成设备脏污，清洗困难，导致设备使用寿命受到极大影响，且极易造成对产品的二次污染。同时，使用助焊剂的工艺也会向大气中排放出有害气体，是一种对环境非常不友好的生产工艺。因此，期望一种优化的功率半导体器件真空烧结设备。
应可以理解，无助焊剂真空烧结是将功率半导体器件传统工艺中，需借助助焊剂辅助进行真空烧结的工艺进行优化，借助甲酸高温分解后的还原作用，实现无助焊剂的真空烧结。烧结完成的产品免清洗，且避免了助焊剂的污染，同时减少向环境中排放有害气体，是一种高效的、节能的、环保的先进装备及工艺。
具体地，在本申请的技术方案中，提出了一种功率半导体器件真空烧结设备，其包括真空烧结炉系统及甲酸工艺系统，其中真空烧结炉实现在一个密封的腔体内，设置一块集快速冷却和加热功能的加热板，同时可对腔体实现抽真空及充入工艺气体的功能。甲酸工艺系统实现在烧结过程中定时定量的将甲酸加入至真空烧结炉的密封腔体内，甲酸在密封腔体内升温后分解，发挥还原作用，进而取代助焊剂，实现无助焊剂的真空烧结功能。
真空烧结炉系统，包括：
1.在一块热板上集成加热和冷却系统，加热管和冷却管采用切入式结构，可使热板厚度进一步减小，降低热板热容量，提高升温和降温的效率。2.腔体设计微正压自动泄压结构，腔体压力达到一定值，自动泄压以使腔体压力保持在一定范围。3热板平面高度高于腔体边缘高度，以适用后期配置自动上下料机构。4.增加腔体进气、排气系统，用以适配甲酸工艺。5.完全开放的工艺编辑功能，用户可根据不同的产品设定专用的烧结工艺。6.设计了安全及环保保障系统，当腔体内充入过甲酸以后，炉门必须在经过相应的抽真空及排气动作后方可开启，否则将无法开门，以免甲酸对人体及环境造成伤害。
甲酸系统，包括：
1.完整的气路控制功能，可实现甲酸罐的加压，泄压，甲酸气路的吹扫，氮气流量显示和设定，甲酸流量显示和设定。2.安全互锁，排风量，甲酸罐压力，甲酸柜门锁，腔体门锁定，腔体真空和大气状态等各项互锁。3.多种控制模式，hmi触摸屏控制；开关量控制：单信号，氮气和甲酸两路信号，氮气和甲酸四路信号；西门子PN协议上位机控制。4.远程控制hmi，远程plc监控，在线故障和异常诊断。
相应地，考虑到在实际进行功率半导体器件的真空烧结过程中，当腔体内充入过甲酸以后，炉门必须在经过相应的抽真空及排气动作后方可开启，以免甲酸对人体及环境造成伤害。因此，在本申请的技术方案中，期待通入适量的甲酸用于参与助焊，以提高抽真空及排气效率，同时避免造成甲酸的过量浪费，以及过量的甲酸对人体及环境造成伤害。基于此，在实际进行真空烧结的过程中，当甲酸通入腔体时，对于甲酸的通入量控制应适配于功率半导体器件的表面状态情况。但是，由于功率半导体器件的表面状态特征信息为小尺度的隐含特征，难以对其进行捕捉获取，这就降低了对于甲酸通入量控制的精准度。因此，在此过程中，难点在于如何挖掘所述功率半导体器件的表面状态隐含特征分布信息，以此来基于实际半导体器件的表面状态情况来进行甲酸的通入量的自适应控制，从而提高抽真空及排气效率的同时避免造成甲酸的过量浪费，且避免过量的甲酸对人体及环境造成伤害。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述功率半导体器件的表面状态隐含特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，通过摄像头采集待烧结的半导体产品的表面图像。接着，考虑到对于所述待烧结的半导体产品的表面图像来说，所述待烧结的半导体产品的表面图像中关于半导体产品的表面状态特征为小尺度的特征信息，即在所述待烧结的半导体产品的表面图像中占有的比例较小。因此，为了能够提高所述表面图像中关于半导体产品的表面状态隐含特征的表达能力，以此来提高对于甲醛通入量的控制精准度，在本申请的技术方案中，将所述待烧结的半导体产品的表面图像进行图像分块处理以得到表面图像块的序列。应可以理解，所述表面图像块的序列的各个表面图像块的尺度相较于原图像被缩减，因此，所述表面图像中关于小尺寸的半导体产品的表面状态隐含特征分布信息在所述各个表面图像块中不再是小尺寸对象，以便于后续提高所述待烧结的半导体产品的表面状态隐含特征的表达能力。
然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述各个表面图像块的特征挖掘，特别地，考虑到在对于所述各个表面图像块的隐藏特征进行提取时，为了能够更准确地检测出所述待烧结的半导体产品的表面状态情况，以此来进行甲酸通入量的自适应精准控制，应关注于所述半导体产品的表面图像中的各个表面图像块的纹理等浅层特征，这些所述浅层特征对于所述半导体产品的表面状态检测具有重要意义。而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本申请的技术方案中，使用包含深浅特征融合模块的卷积神经网络模型来对所述表面图像块的序列中的各个表面图像块进行处理以得到多个图像块特征矩阵。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述待烧结的半导体产品的表面状态的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高所述甲酸通入量的控制精准度。同时，深度神经网络的结构往往比较复杂，需要大量的样本数据来训练和调整，而深度网络的训练时间较长，容易过拟合。因此，在神经网络模型的设计中，通常采用浅层网络和深层网络的结合，通过深浅特征融合，可以在一定程度上降低网络的复杂度和过拟合的风险，同时提高模型的特征提取能力和泛化能力。
进一步地，对于所述多个图像块特征矩阵来说，所述各个表面图像块中关于所述半导体产品的表面状态深浅融合隐含特征信息之间具有着关于所述待烧结的半导体产品的表面图像整体的关联关系。因此，为了能够充分地进行所述待烧结的半导体产品的表面状态高维隐含特征的精准表达，以此来对于半导体产品的表面状态进行准确检测分析，在本申请的技术方案中，进一步将所述多个图像块特征矩阵基于所述图像分块的位置聚合为二维全局特征矩阵后，将其通过作为特征提取器的卷积神经网络模型中进行特征挖掘，以提取出所述二维全局特征矩阵中关于所述各个表面图像块中的半导体产品表面状态隐含特征之间的关联性特征分布信息，从而得到解码特征图。
然后，将所述解码特征图通过解码器中进行解码回归，以得到用于表示推荐的甲酸通入量的解码值。也就是说，以所述待烧结的半导体产品的表面状态高维隐含特征信息来进行解码，从而对于待烧结的半导体产品的表面状态进行检测评估，以此来进行甲酸通入量的自适应控制，从而提高抽真空及排气效率的同时避免造成甲酸的过量浪费，且避免过量的甲酸对人体及环境造成伤害。
特别地，在本申请的技术方案中，这里，在将所述二维全局特征矩阵通过作为特征提取器的卷积神经网络模型得到所述解码特征图时，由于所述二维全局特征矩阵是所述多个图像块特征矩阵基于所述图像分块的位置聚合成的，所述卷积神经网络模型的特征提取器需要关注图像块特征矩阵的矩阵内特征关联和矩阵间特征关联，从而在所述解码特征图的特征矩阵的宽度和高度维度上与所述解码特征图的通道维度发生分布不均衡。因此，为了提升所述解码特征图整体的表达效果，需要提升所述作为特征提取器的卷积神经网络模型在特征矩阵的宽度维度、高度维度和模型通道维度这三个维度上的整体特征学习关联度，这样，就可以提升所述解码特征图通过解码器得到的解码值的准确性。
基于此，在训练过程中，对于所述作为特征提取器的卷积神经网络模型得到的所述解码特征图F进行类傅里叶尺度域概率修正，具体表示为：
其中，fi，j，k∈F是所述解码特征图F的第(i，j，k)位置的特征值，W、H和C分别是所述解码特征图F的高度、宽度和通道数，且α、β和γ为用于尺度调节的超参数。
这里，所述类傅里叶尺度域概率修正考虑到高维特征分布与其所在的尺度域的同源性，可以通过尺度空间的类傅里叶稀疏低秩变换，来基于尺度空间的低秩约束捕获同源空间下的潜在分布关联，从而在所述作为特征提取器的卷积神经网络模型的训练过程中，在获得特征值的矩阵内特征局部关联表示和矩阵间特征局部关联表示的同时，实现具有特征整体的尺度相干性的联合空间特征学习，以通过提高作为特征提取器的卷积神经网络模型在整体空间尺度下的学习关联度，来提升所述解码特征图的在整体三个维度上的分布均衡度，这样，就可以提升所述解码特征图通过解码器得到的解码值的准确性。这样，能够准确地基于实际半导体器件的表面状态情况来进行甲酸的通入量的自适应控制，从而提高抽真空及排气效率的同时避免造成甲酸的过量浪费，且避免过量的甲酸对人体及环境造成伤害。
基于此，本申请提出了一种功率半导体器件真空烧结设备，其包括：图像采集模块，用于获取待烧结的半导体产品的表面图像；图像分块模块，用于将所述待烧结的半导体产品的表面图像进行图像分块处理以得到表面图像块的序列；图像特征提取模块，用于将所述表面图像块的序列中的各个表面图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；矩阵聚合模块，用于将所述多个图像块特征矩阵基于所述图像分块的位置聚合为二维全局特征矩阵；全局关联编码模块，用于将所述二维全局特征矩阵通过作为特征提取器的卷积神经网络模型以得到解码特征图；以及，甲酸通入量控制模块，用于将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的甲酸通入量。
图1为根据本申请实施例的功率半导体器件真空烧结设备的场景示意图。如图1所示，在该应用场景中，通过摄像头(例如，如图1中所示意的C)获取待烧结的半导体产品的表面图像。接着，将上述图像输入至部署有用于功率半导体器件真空烧结算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述功率半导体器件真空烧结算法对上述输入的图像进行处理，以生成解码值，所述解码值用于表示推荐的甲酸通入量。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2为根据本申请实施例的功率半导体器件真空烧结设备的框图。如图2所示，根据本申请实施例的功率半导体器件真空烧结设备300包括推断模块，其中，所述推断模块包括：图像采集模块310；图像分块模块320；图像特征提取模块330；矩阵聚合模块340；全局关联编码模块350；以及，甲酸通入量控制模块360。
其中，所述图像采集模块310，用于获取待烧结的半导体产品的表面图像；所述图像分块模块320，用于将所述待烧结的半导体产品的表面图像进行图像分块处理以得到表面图像块的序列；所述图像特征提取模块330，用于将所述表面图像块的序列中的各个表面图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；所述矩阵聚合模340，用于将所述多个图像块特征矩阵基于所述图像分块的位置聚合为二维全局特征矩阵；所述全局关联编码模块350，用于将所述二维全局特征矩阵通过作为特征提取器的卷积神经网络模型以得到解码特征图；以及，所述甲酸通入量控制模块360，用于将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的甲酸通入量。
图4为根据本申请实施例的功率半导体器件真空烧结设备中推断模块的系统架构图。如图4所示，在所述功率半导体器件真空烧结设备300的系统架构中，在推断过程中，首先通过所述图像采集模块310获取待烧结的半导体产品的表面图像；接着，所述图像分块模块320将所述图像采集模块310获取的待烧结的半导体产品的表面图像进行图像分块处理以得到表面图像块的序列；所述图像特征提取模块330将所述图像分块模块320得到的表面图像块的序列中的各个表面图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；然后，所述矩阵聚合模块340将所述图像特征提取模块330得到的多个图像块特征矩阵基于所述图像分块的位置聚合为二维全局特征矩阵；所述全局关联编码模块350将所述矩阵聚合模块340得到的二维全局特征矩阵通过作为特征提取器的卷积神经网络模型以得到解码特征图；进而，所述甲酸通入量控制模块360将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的甲酸通入量。
具体地，在所述功率半导体器件真空烧结设备300的运行过程中，所述图像采集模块310，用于获取待烧结的半导体产品的表面图像。应可以理解，在实际进行功率半导体器件的真空烧结过程中，当甲酸通入腔体时，对于甲酸的通入量控制应适配于功率半导体器件的表面状态情况。而功率半导体器件的表面状态情况可通过其表面图像来进行分析所得，因此，在本申请的一个具体示例中，首先，可通过摄像头来获取待烧结的半导体产品的表面图像。
具体地，在所述功率半导体器件真空烧结设备300的运行过程中，所述图像分块模块320，用于将所述待烧结的半导体产品的表面图像进行图像分块处理以得到表面图像块的序列。考虑到对于所述待烧结的半导体产品的表面图像来说，所述待烧结的半导体产品的表面图像中关于半导体产品的表面状态特征为小尺度的特征信息，即在所述待烧结的半导体产品的表面图像中占有的比例较小。因此，为了能够提高所述表面图像中关于半导体产品的表面状态隐含特征的表达能力，以此来提高对于甲醛通入量的控制精准度，在本申请的技术方案中，将所述待烧结的半导体产品的表面图像进行图像分块处理以得到表面图像块的序列。应可以理解，所述表面图像块的序列的各个表面图像块的尺度相较于原图像被缩减，因此，所述表面图像中关于小尺寸的半导体产品的表面状态隐含特征分布信息在所述各个表面图像块中不再是小尺寸对象，以便于后续提高所述待烧结的半导体产品的表面状态隐含特征的表达能力。
具体地，在所述功率半导体器件真空烧结设备300的运行过程中，所述图像特征提取模块330，用于将所述表面图像块的序列中的各个表面图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵。也就是，使用在图像隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述各个表面图像块的特征挖掘，特别地，考虑到在对于所述各个表面图像块的隐藏特征进行提取时，为了能够更准确地检测出所述待烧结的半导体产品的表面状态情况，以此来进行甲酸通入量的自适应精准控制，应关注于所述半导体产品的表面图像中的各个表面图像块的纹理等浅层特征，这些所述浅层特征对于所述半导体产品的表面状态检测具有重要意义。而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本申请的技术方案中，使用包含深浅特征融合模块的卷积神经网络模型来对所述表面图像块的序列中的各个表面图像块进行处理以得到多个图像块特征矩阵。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述待烧结的半导体产品的表面状态的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高所述甲酸通入量的控制精准度。同时，深度神经网络的结构往往比较复杂，需要大量的样本数据来训练和调整，而深度网络的训练时间较长，容易过拟合。因此，在神经网络模型的设计中，通常采用浅层网络和深层网络的结合，通过深浅特征融合，可以在一定程度上降低网络的复杂度和过拟合的风险，同时提高模型的特征提取能力和泛化能力。
图6为根据本申请实施例的功率半导体器件真空烧结设备中图像特征提取过程的流程图。如图6所示，在所述图像特征提取过程中，包括：S210，从所述卷积神经网络模型的浅层提取浅层图像块特征矩阵；S220，从所述卷积神经网络模型的深层提取深层图像块特征矩阵；以及，S230，融合所述浅层图像块特征图和所述深层图像块特征图以得到所述图像块特征矩阵；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
具体地，在所述功率半导体器件真空烧结设备300的运行过程中，所述矩阵聚合模块340和所述全局关联编码模块350，用于将所述多个图像块特征矩阵基于所述图像分块的位置聚合为二维全局特征矩阵；并将所述二维全局特征矩阵通过作为特征提取器的卷积神经网络模型以得到解码特征图。应可以理解，对于多个图像块特征矩阵来说，所述各个表面图像块中关于所述半导体产品的表面状态深浅融合隐含特征信息之间具有着关于所述待烧结的半导体产品的表面图像整体的关联关系。因此，为了能够充分地进行所述待烧结的半导体产品的表面状态高维隐含特征的精准表达，以此来对于半导体产品的表面状态进行准确检测分析，在本申请的技术方案中，进一步将所述多个图像块特征矩阵基于所述图像分块的位置聚合为二维全局特征矩阵后，将其通过作为特征提取器的卷积神经网络模型中进行特征挖掘，以提取出所述二维全局特征矩阵中关于所述各个表面图像块中的半导体产品表面状态隐含特征之间的关联性特征分布信息，从而得到解码特征图。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图7为根据本申请实施例的功率半导体器件真空烧结设备中卷积神经网络编码的流程图。如图7所示，在所述卷积神经网络编码过程中，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S310，对输入数据进行卷积处理以得到卷积特征图；S320，对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，S330，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述解码特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述二维全局特征矩阵。
具体地，在所述功率半导体器件真空烧结设备300的运行过程中，所述甲酸通入量控制模块360，用于将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的甲酸通入量。也就是，在得到所述解码特征图之后，进一步将其通过解码器以进行解码回归得到用于表示推荐的甲酸通入量的解码值，也就是说，以所述待烧结的半导体产品的表面状态高维隐含特征信息来进行解码，从而对于待烧结的半导体产品的表面状态进行检测评估，以此来进行甲酸通入量的自适应控制，从而提高抽真空及排气效率的同时避免造成甲酸的过量浪费，且避免过量的甲酸对人体及环境造成伤害。具体地，使用所述解码器以如下公式将所述解码特征图进行解码回归以获得用于表示推荐的甲酸通入量的解码值；其中，所述公式为：其中X表示所述解码特征图，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述包含深浅特征融合模块的卷积神经网络模型、所述作为特征提取器的卷积神经网络模型和所述解码器进行训练。也就是说，在本申请的功率半导体器件真空烧结设备中，还包括训练模块，用于对所述包含深浅特征融合模块的卷积神经网络模型、所述作为特征提取器的卷积神经网络模型和所述解码器进行训练。深度神经网络的训练大多采用反向传播算法，反向传播算法利用链式法则通过后面一层传来的误差来对当前层参数进行更新，这在网络很深的时候会遭遇梯度消失的问题，或者更广义地称为不稳定梯度问题。
图3为根据本申请实施例的功率半导体器件真空烧结设备的框图。如图3所示，根据本申请实施例的功率半导体器件真空烧结设备300，还包括训练模块400，所述训练模块包括：训练数据采集模块410；训练图像分块模块420；训练图像特征提取模块430；训练矩阵聚合模块440；训练全局关联编码模块450；以及，特征优化模块460；解码损失模块470；以及，训练模块480。
其中，所述训练数据采集模块410，用于获取训练数据，所述训练数据包括待烧结的半导体产品的训练表面图像，以及，所述推荐的甲酸通入量的真实值；所述训练图像分块模块420，用于将所述待烧结的半导体产品的训练表面图像进行图像分块处理以得到训练表面图像块的序列；所述训练图像特征提取模块430，用于将所述训练表面图像块的序列中的各个训练表面图像块分别通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练图像块特征矩阵；所述训练矩阵聚合模块440，用于将所述多个训练图像块特征矩阵基于所述图像分块的位置聚合为训练二维全局特征矩阵；所述训练全局关联编码模块450，用于将所述训练二维全局特征矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练解码特征图；以及，所述特征优化模块460，用于对所述训练解码特征图进行类傅里叶尺度域概率修正以得到优化训练解码特征图；所述解码损失模块470，用于将所述优化训练解码特征图通过所述解码器以得到解码损失函数值；以及，所述训练模块480，用于以所述解码损失函数值作为损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述作为特征提取器的卷积神经网络模型和所述解码器进行训练。
图5为根据本申请实施例的功率半导体器件真空烧结设备中训练模块的系统架构图。如图5所示，在所述功率半导体器件真空烧结设备300的系统架构中，在训练模块400中，首先通过所述训练数据采集模块410获取训练数据，所述训练数据包括待烧结的半导体产品的训练表面图像，以及，所述推荐的甲酸通入量的真实值；接着，所述训练图像分块模块420将所述训练数据采集模块410获取的待烧结的半导体产品的训练表面图像进行图像分块处理以得到训练表面图像块的序列；所述训练图像特征提取模块430将所述训练图像分块模块420得到的训练表面图像块的序列中的各个训练表面图像块分别通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练图像块特征矩阵；所述训练矩阵聚合模块440将所述训练图像特征提取模块430得到的多个训练图像块特征矩阵基于所述图像分块的位置聚合为训练二维全局特征矩阵；然后，所述训练全局关联编码模块450将所述训练矩阵聚合模块440得到的训练二维全局特征矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练解码特征图；所述特征优化模块460对所述训练全局关联编码模块450得到的训练解码特征图进行类傅里叶尺度域概率修正以得到优化训练解码特征图；所述解码损失模块470将所述特征优化模块460得到的优化训练解码特征图通过所述解码器以得到解码损失函数值；进而，所述训练模块480以所述解码损失函数值作为损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述作为特征提取器的卷积神经网络模型和所述解码器进行训练。
特别地，在本申请的技术方案中，这里，在将所述二维全局特征矩阵通过作为特征提取器的卷积神经网络模型得到所述解码特征图时，由于所述二维全局特征矩阵是所述多个图像块特征矩阵基于所述图像分块的位置聚合成的，所述卷积神经网络模型的特征提取器需要关注图像块特征矩阵的矩阵内特征关联和矩阵间特征关联，从而在所述解码特征图的特征矩阵的宽度和高度维度上与所述解码特征图的通道维度发生分布不均衡。因此，为了提升所述解码特征图整体的表达效果，需要提升所述作为特征提取器的卷积神经网络模型在特征矩阵的宽度维度、高度维度和模型通道维度这三个维度上的整体特征学习关联度，这样，就可以提升所述解码特征图通过解码器得到的解码值的准确性。基于此，在训练过程中，对于所述作为特征提取器的卷积神经网络模型得到的所述解码特征图F进行类傅里叶尺度域概率修正，具体表示为：
其中，fi，j，k是所述训练解码特征图的第(i，j，k)位置的特征值，W、H和C分别是所述训练解码特征图的高度、宽度和通道数，且α、β和γ为用于尺度调节的超参数，exp(·)表示指数运算，fi，′j，k是所述优化训练解码特征图的第(i，j，k)位置的特征值。这里，所述类傅里叶尺度域概率修正考虑到高维特征分布与其所在的尺度域的同源性，可以通过尺度空间的类傅里叶稀疏低秩变换，来基于尺度空间的低秩约束捕获同源空间下的潜在分布关联，从而在所述作为特征提取器的卷积神经网络模型的训练过程中，在获得特征值的矩阵内特征局部关联表示和矩阵间特征局部关联表示的同时，实现具有特征整体的尺度相干性的联合空间特征学习，以通过提高作为特征提取器的卷积神经网络模型在整体空间尺度下的学习关联度，来提升所述解码特征图的在整体三个维度上的分布均衡度，这样，就可以提升所述解码特征图通过解码器得到的解码值的准确性。这样，能够准确地基于实际半导体器件的表面状态情况来进行甲酸的通入量的自适应控制，从而提高抽真空及排气效率的同时避免造成甲酸的过量浪费，且避免过量的甲酸对人体及环境造成伤害。
综上，根据本申请实施例的功率半导体器件真空烧结设备300被阐明，其通过采用基于深度学习的神经网络模型挖掘出真空烧结过程中功率半导体器件的表面状态隐含特征分布信息，以此来基于实际半导体器件的表面状态情况来进行甲酸的通入量的自适应控制，从而提高抽真空及排气效率的同时避免造成甲酸的过量浪费，且避免过量的甲酸对人体及环境造成伤害。
如上所述，根据本申请实施例的功率半导体器件真空烧结设备可以实现在各种终端设备中。在一个示例中，根据本申请实施例的功率半导体器件真空烧结设备300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该功率半导体器件真空烧结设备300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该功率半导体器件真空烧结设备300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该功率半导体器件真空烧结设备300与该终端设备也可以是分立的设备，并且该功率半导体器件真空烧结设备300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图8为根据本申请实施例的功率半导体器件真空烧结方法的流程图。如图8所示，根据本申请实施例的功率半导体器件真空烧结方法，包括步骤：S110，获取待烧结的半导体产品的表面图像；S120，将所述待烧结的半导体产品的表面图像进行图像分块处理以得到表面图像块的序列；S130，将所述表面图像块的序列中的各个表面图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；S140，将所述多个图像块特征矩阵基于所述图像分块的位置聚合为二维全局特征矩阵；S150，将所述二维全局特征矩阵通过作为特征提取器的卷积神经网络模型以得到解码特征图；以及，S160，将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的甲酸通入量。
在一个示例中，在上述功率半导体器件真空烧结方法中，所述步骤S130，包括：从所述卷积神经网络模型的浅层提取浅层图像块特征矩阵；从所述卷积神经网络模型的深层提取深层图像块特征矩阵；以及，融合所述浅层图像块特征图和所述深层图像块特征图以得到所述图像块特征矩阵；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
在一个示例中，在上述功率半导体器件真空烧结方法中，所述步骤S150，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述解码特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述二维全局特征矩阵。
综上，根据本申请实施例的功率半导体器件真空烧结方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出真空烧结过程中功率半导体器件的表面状态隐含特征分布信息，以此来基于实际半导体器件的表面状态情况来进行甲酸的通入量的自适应控制，从而提高抽真空及排气效率的同时避免造成甲酸的过量浪费，且避免过量的甲酸对人体及环境造成伤害。

Claims (10)

1.一种功率半导体器件真空烧结设备，其特征在于，包括：
图像采集模块，用于获取待烧结的半导体产品的表面图像；
图像分块模块，用于将所述待烧结的半导体产品的表面图像进行图像分块处理以得到表面图像块的序列；
图像特征提取模块，用于将所述表面图像块的序列中的各个表面图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；
矩阵聚合模块，用于将所述多个图像块特征矩阵基于所述图像分块的位置聚合为二维全局特征矩阵；
全局关联编码模块，用于将所述二维全局特征矩阵通过作为特征提取器的卷积神经网络模型以得到解码特征图；以及
甲酸通入量控制模块，用于将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的甲酸通入量。
2.根据权利要求1所述的功率半导体器件真空烧结设备，其特征在于，所述图像特征提取模块，用于：
从所述卷积神经网络模型的浅层提取浅层图像块特征矩阵；
从所述卷积神经网络模型的深层提取深层图像块特征矩阵；以及
融合所述浅层图像块特征图和所述深层图像块特征图以得到所述图像块特征矩阵；
其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
3.根据权利要求2所述的功率半导体器件真空烧结设备，其特征在于，所述全局关联编码模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述解码特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述二维全局特征矩阵。
4.根据权利要求3所述的功率半导体器件真空烧结设备，其特征在于，还包括用于对所述包含深浅特征融合模块的卷积神经网络模型、所述作为特征提取器的卷积神经网络模型和所述解码器进行训练的训练模块。
5.根据权利要求4所述的功率半导体器件真空烧结设备，其特征在于，所述训练模块，包括：
训练数据采集模块，用于获取训练数据，所述训练数据包括待烧结的半导体产品的训练表面图像，以及，所述推荐的甲酸通入量的真实值；
训练图像分块模块，用于将所述待烧结的半导体产品的训练表面图像进行图像分块处理以得到训练表面图像块的序列；
训练图像特征提取模块，用于将所述训练表面图像块的序列中的各个训练表面图像块分别通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练图像块特征矩阵；
训练矩阵聚合模块，用于将所述多个训练图像块特征矩阵基于所述图像分块的位置聚合为训练二维全局特征矩阵；
训练全局关联编码模块，用于将所述训练二维全局特征矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练解码特征图；以及
特征优化模块，用于对所述训练解码特征图进行类傅里叶尺度域概率修正以得到优化训练解码特征图；
解码损失模块，用于将所述优化训练解码特征图通过所述解码器以得到解码损失函数值；以及
训练模块，用于以所述解码损失函数值作为损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述作为特征提取器的卷积神经网络模型和所述解码器进行训练。
6.根据权利要求5所述的功率半导体器件真空烧结设备，其特征在于，所述特征优化模块，用于：以如下优化公式对所述训练解码特征图进行类傅里叶尺度域概率修正以得到所述优化训练解码特征图；
其中，所述优化公式为：
其中，fi，j，k是所述训练解码特征图的第(i，j，k)位置的特征值，W、H和C分别是所述训练解码特征图的高度、宽度和通道数，且α、β和γ为用于尺度调节的超参数，exp(·)表示指数运算，fi，′j，k是所述优化训练解码特征图的第(i，j，k)位置的特征值。
7.根据权利要求1至6任一项所述的功率半导体器件真空烧结设备，其特征在于，所述功率半导体器件真空烧结设备包括真空烧结炉系统及甲酸工艺系统，所述真空烧结炉系统用于在一个密封的腔体内，设置一块集快速冷却和加热功能的加热板，对所述腔体抽真空及充入工艺气体，所述甲酸工艺系统用于在烧结过程中定时定量的将甲酸加入至所述真空烧结炉系统的所述腔体内，甲酸在所述腔体内升温后分解，发挥还原作用。
8.一种功率半导体器件真空烧结方法，其特征在于，包括：
获取待烧结的半导体产品的表面图像；
将所述待烧结的半导体产品的表面图像进行图像分块处理以得到表面图像块的序列；
将所述表面图像块的序列中的各个表面图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；
将所述多个图像块特征矩阵基于所述图像分块的位置聚合为二维全局特征矩阵；
将所述二维全局特征矩阵通过作为特征提取器的卷积神经网络模型以得到解码特征图；以及
将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的甲酸通入量。
9.根据权利要求8所述的一种功率半导体器件真空烧结方法，其特征在于，将所述表面图像块的序列中的各个表面图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵，包括：从所述卷积神经网络模型的浅层提取浅层图像块特征矩阵；
从所述卷积神经网络模型的深层提取深层图像块特征矩阵；以及
融合所述浅层图像块特征图和所述深层图像块特征图以得到所述图像块特征矩阵；
其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
10.根据权利要求9所述的一种功率半导体器件真空烧结方法，其特征在于，所述方法由功率半导体器件真空烧结设备执行，所述功率半导体器件真空烧结设备包括真空烧结炉系统及甲酸工艺系统，所述真空烧结炉系统用于在一个密封的腔体内，设置一块集快速冷却和加热功能的加热板，对所述腔体抽真空及充入工艺气体，所述甲酸工艺系统用于在烧结过程中定时定量的将甲酸加入至所述真空烧结炉系统的所述腔体内，甲酸在所述腔体内升温后分解，发挥还原作用。
CN202310581237.2A 2023-05-22 2023-05-22 功率半导体器件真空烧结设备及方法 Active CN116544146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310581237.2A CN116544146B (zh) 2023-05-22 2023-05-22 功率半导体器件真空烧结设备及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310581237.2A CN116544146B (zh) 2023-05-22 2023-05-22 功率半导体器件真空烧结设备及方法

Publications (2)

Publication Number Publication Date
CN116544146A true CN116544146A (zh) 2023-08-04
CN116544146B CN116544146B (zh) 2024-04-09

Family

ID=87450512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310581237.2A Active CN116544146B (zh) 2023-05-22 2023-05-22 功率半导体器件真空烧结设备及方法

Country Status (1)

Country Link
CN (1) CN116544146B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05158339A (ja) * 1991-12-10 1993-06-25 Canon Inc 現像装置
JP2004117996A (ja) * 2002-09-27 2004-04-15 Canon Chemicals Inc 現像剤量規制ブレードのブレード部材および該規制ブレードの製造方法
US20060100735A1 (en) * 2002-12-23 2006-05-11 Markus Hauf Process for determining the temperature of a semiconductor wafer in a rapid heating unit
CN101496147A (zh) * 2006-07-31 2009-07-29 东京毅力科创株式会社 热处理方法和热处理装置
CN106876267A (zh) * 2015-12-11 2017-06-20 中国航空工业集团公司雷华电子技术研究所 一种ltcc基板组件及其共晶烧结工艺方法
CN108288282A (zh) * 2017-12-26 2018-07-17 浙江工业大学 一种基于卷积神经网络的自适应特征选择目标跟踪方法
CN108461380A (zh) * 2017-12-22 2018-08-28 中国电子科技集团公司第四十七研究所 一种大面积集成电路芯片烧结空洞率的控制结构和控制方法
US20190192880A1 (en) * 2016-09-07 2019-06-27 Elekta, Inc. System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions
US20190295903A1 (en) * 2018-03-20 2019-09-26 Tokyo Electron Limited Platform and method of operating for integrated end-to-end area-selective deposition process
US20190340316A1 (en) * 2018-05-03 2019-11-07 Lam Research Corporation Predicting etch characteristics in thermal etching and atomic layer etching
CN110537369A (zh) * 2017-04-21 2019-12-03 株式会社半导体能源研究所 图像处理方法及图像接收装置
CN111199521A (zh) * 2019-12-10 2020-05-26 南京理工大学 嵌入傅立叶聚合的视频去模糊三维卷积深度网络方法
US20210003700A1 (en) * 2019-07-02 2021-01-07 Wuyi University Method and apparatus for enhancing semantic features of sar image oriented small set of samples
CN112669214A (zh) * 2021-01-04 2021-04-16 东北大学 一种基于交替方向乘子算法的模糊图像超分辨率重建方法
CN113016004A (zh) * 2018-11-16 2021-06-22 阿莱恩技术有限公司 基于机器的三维(3d)对象缺陷检测
WO2022027987A1 (zh) * 2020-08-04 2022-02-10 杰创智能科技股份有限公司 一种图像识别模型的训练方法及图像识别方法
CN114331911A (zh) * 2022-01-05 2022-04-12 北京理工大学重庆创新中心 一种基于卷积神经网络的傅里叶叠层显微图像去噪方法
CN114663755A (zh) * 2022-03-10 2022-06-24 上海味伊思技术有限公司 用于半导体晶圆粗糙度智能检测的神经网络训练方法
RU2788572C1 (ru) * 2021-09-06 2023-01-23 Ангара Глобал Лимитед Промышленная система очистки, включающая растворы для удаления отложений различных типов и когнитивную очистку
CN116047987A (zh) * 2023-03-31 2023-05-02 福建天甫电子材料有限公司 用于电子级缓冲氧化物蚀刻液生产的智能控制系统
US20230153510A1 (en) * 2021-11-18 2023-05-18 Nvidia Corporation Lithography simulation using a neural network

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05158339A (ja) * 1991-12-10 1993-06-25 Canon Inc 現像装置
JP2004117996A (ja) * 2002-09-27 2004-04-15 Canon Chemicals Inc 現像剤量規制ブレードのブレード部材および該規制ブレードの製造方法
US20060100735A1 (en) * 2002-12-23 2006-05-11 Markus Hauf Process for determining the temperature of a semiconductor wafer in a rapid heating unit
CN101496147A (zh) * 2006-07-31 2009-07-29 东京毅力科创株式会社 热处理方法和热处理装置
CN106876267A (zh) * 2015-12-11 2017-06-20 中国航空工业集团公司雷华电子技术研究所 一种ltcc基板组件及其共晶烧结工艺方法
US20190192880A1 (en) * 2016-09-07 2019-06-27 Elekta, Inc. System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions
CN110537369A (zh) * 2017-04-21 2019-12-03 株式会社半导体能源研究所 图像处理方法及图像接收装置
CN108461380A (zh) * 2017-12-22 2018-08-28 中国电子科技集团公司第四十七研究所 一种大面积集成电路芯片烧结空洞率的控制结构和控制方法
CN108288282A (zh) * 2017-12-26 2018-07-17 浙江工业大学 一种基于卷积神经网络的自适应特征选择目标跟踪方法
US20190295903A1 (en) * 2018-03-20 2019-09-26 Tokyo Electron Limited Platform and method of operating for integrated end-to-end area-selective deposition process
US20190340316A1 (en) * 2018-05-03 2019-11-07 Lam Research Corporation Predicting etch characteristics in thermal etching and atomic layer etching
CN113016004A (zh) * 2018-11-16 2021-06-22 阿莱恩技术有限公司 基于机器的三维(3d)对象缺陷检测
US20210003700A1 (en) * 2019-07-02 2021-01-07 Wuyi University Method and apparatus for enhancing semantic features of sar image oriented small set of samples
CN111199521A (zh) * 2019-12-10 2020-05-26 南京理工大学 嵌入傅立叶聚合的视频去模糊三维卷积深度网络方法
WO2022027987A1 (zh) * 2020-08-04 2022-02-10 杰创智能科技股份有限公司 一种图像识别模型的训练方法及图像识别方法
CN112669214A (zh) * 2021-01-04 2021-04-16 东北大学 一种基于交替方向乘子算法的模糊图像超分辨率重建方法
RU2788572C1 (ru) * 2021-09-06 2023-01-23 Ангара Глобал Лимитед Промышленная система очистки, включающая растворы для удаления отложений различных типов и когнитивную очистку
US20230153510A1 (en) * 2021-11-18 2023-05-18 Nvidia Corporation Lithography simulation using a neural network
CN114331911A (zh) * 2022-01-05 2022-04-12 北京理工大学重庆创新中心 一种基于卷积神经网络的傅里叶叠层显微图像去噪方法
CN114663755A (zh) * 2022-03-10 2022-06-24 上海味伊思技术有限公司 用于半导体晶圆粗糙度智能检测的神经网络训练方法
CN116047987A (zh) * 2023-03-31 2023-05-02 福建天甫电子材料有限公司 用于电子级缓冲氧化物蚀刻液生产的智能控制系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘玠: "《冶金过程自动化基础》", article 魏玉娟;: "基板烧结中的空洞问题及措施", pages: 316 - 318 *
刘玠: "《冶金过程自动化基础》", pages: 316 - 318 *
原辉;: "真空烧结工艺应用研究", 电子工艺技术, no. 01, 18 January 2011 (2011-01-18), pages 27 - 31 *
原辉;: "真空烧结工艺应用研究", 电子工艺技术, no. 01, pages 27 - 31 *
魏玉娟;: "基板烧结中的空洞问题及措施", 电子与封装, no. 04, 20 April 2020 (2020-04-20), pages 21 - 24 *

Also Published As

Publication number Publication date
CN116544146B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN107463989B (zh) 一种基于深度学习的图像去压缩伪影方法
CN109598754B (zh) 一种基于深度卷积网络的双目深度估计方法
CN106385584B (zh) 基于空域相关性的分布式视频压缩感知自适应采样编码方法
CN110349087B (zh) 基于适应性卷积的rgb-d图像高质量网格生成方法
CN102523453B (zh) 一种图像超大压缩传输方法及传输系统
CN111353938A (zh) 一种基于网络反馈的图像超分辨率学习方法
CN116544146B (zh) 功率半导体器件真空烧结设备及方法
CN115442575B (zh) 一种基于视频质量评估的视频自适应传输方法及系统
CN102917157A (zh) 一种基于人体视觉系统的图片压缩系统及方法
Gao et al. Structure-preserving motion estimation for learned video compression
Abd Gani et al. Image compression using singular value decomposition by extracting red, green, and blue channel colors
CN104207798B (zh) 计算机断层图像的重建方法
Khan et al. Sparse to dense depth completion using a generative adversarial network with intelligent sampling strategies
Yang et al. Reversible data hiding in JPEG images based on coefficient-first selection
Si et al. A full‐reference stereoscopic image quality assessment index based on stable aggregation of monocular and binocular visual features
CN113112557B (zh) 一种基于字典学习的分块自适应纸箱图像压缩方法
CN117292020A (zh) 图像生成方法、装置、电子设备及存储介质
CN112184552A (zh) 一种基于高频特征学习的子像素卷积图像超分辨方法
Yang et al. Local tone mapping algorithm and hardware implementation
Zhao et al. Candidate value‐based boundary filtering for compressed depth images
Huang et al. CLSR: cross-layer interaction pyramid super-resolution network
CN107147909A (zh) 基于方差的重压缩jpeg图像原始量化步长估计方法
CN112862655B (zh) 一种基于通道空间注意力机制的jpeg图像隐写分析方法
Yang et al. A feature extraction technique in stereo matching network
Gashnikov et al. A hierarchical compression method for space images

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