CN116596875B - 晶圆缺陷检测方法、装置、电子设备及存储介质 - Google Patents
晶圆缺陷检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116596875B CN116596875B CN202310527795.0A CN202310527795A CN116596875B CN 116596875 B CN116596875 B CN 116596875B CN 202310527795 A CN202310527795 A CN 202310527795A CN 116596875 B CN116596875 B CN 116596875B
- Authority
- CN
- China
- Prior art keywords
- image
- preset
- defect
- defect detection
- detected
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 204
- 238000001514 detection method Methods 0.000 title claims abstract description 156
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 239000013078 crystal Substances 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 77
- 238000012549 training Methods 0.000 claims description 43
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 238000005192 partition Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 29
- 230000005856 abnormality Effects 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 5
- 235000012431 wafers Nutrition 0.000 description 72
- 230000000875 corresponding effect Effects 0.000 description 26
- 239000010410 layer Substances 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提供一种晶圆缺陷检测方法、装置、电子设备及存储介质。方法包括:获取通过相机拍摄晶圆得到的相机图像;对相机图像进行预处理,得到待检图像;将待检图像输入预设缺陷检测模型,得到表征晶粒是否存在缺陷的检测结果;当检测结果为晶粒存在缺陷时,从预设缺陷检测模型检测待检图像过程中提取的特征图中,分割得到表征缺陷区域的子特征图,并从预设缺陷检测模型检测待检图像过程中生成的异常得分热力图中,分割得到表征缺陷区域的注意力图;将子特征图和注意力图输入预设分类器,得到表征缺陷类别的分类结果。如此,可以改善传统晶圆检测中,海量异常样本难采集、异常检测无法适应晶圆工艺正常变化以及缺乏缺陷类别信息的问题。
Description
技术领域
本发明涉及缺陷检测技术领域,具体而言,涉及一种晶圆缺陷检测方法、装置、电子设备及存储介质。
背景技术
Micro LED是一种新型的LED显示技术,具有高分辨率、高对比度、高亮度、快速响应时间、能耗低、寿命长、可扩展、可定制等优点,被认为是下一代的显示技术。在Micro LED的生产过程中,为了确保产品的质量和一致性,常常需要对包含几十万晶粒的晶圆进行自动光学检测(AOI),缺陷检测算法的准确度和效率是实际应用的关键指标。由于Micro LED的尺寸非常小,通常采用高分辨率的成像系统和精细的图像处理算法来实现高精度的检测,快速高效的晶粒分割是晶圆缺陷检测的第一步。同时因为生产工艺的影响,正常的芯片外观常常会存在一定程度的微小形变,如何在不影响检测精度的情况下适应这些正常变动是晶圆缺陷检测需要解决的难点。此外,晶圆缺陷种类丰富,包括刮伤、剥离、污染、ISO白点、孔偏离、膜色异常、ISO偏离、图形缺失等,在检测到缺陷信息的基础上,如何提供细粒度的缺陷分类信息也是晶圆缺陷检测中亟需解决的问题。因此,为提高生产效率和产品质量,减少人工检查的成本,亟需提供一种准确、有效的晶圆缺陷检测方法、装置、电子设备及存储介质,实现晶粒的快速分割、适应芯片外观的正常变化同时给出缺陷的类别信息。
发明内容
有鉴于此,本申请实施例的目的在于提供一种晶圆缺陷检测方法、装置、电子设备及存储介质,能够改善传统晶圆检测中,海量异常样本难采集、异常检测无法适应晶圆工艺正常变化以及缺乏缺陷类别信息的问题。
为实现上述技术目的,本申请采用的技术方案如下:
第一方面,本申请实施例提供了一种晶圆缺陷检测方法,所述方法包括:
获取通过相机拍摄晶圆得到的相机图像;
对所述相机图像进行预处理,以得到待检图像,所述待检图像包括多个构成所述相机图像的晶粒图像;
将所述待检图像输入经过训练的预设缺陷检测模型,以得到表征晶粒是否存在缺陷的检测结果,其中,所述预设缺陷检测模型是基于异常检测算法PaDiM构建得到的;
当所述检测结果为所述晶粒存在缺陷时,从所述预设缺陷检测模型检测所述待检图像过程中提取的特征图中,分割得到表征缺陷区域的子特征图;
从所述预设缺陷检测模型检测所述待检图像过程中生成的异常得分热力图中,分割得到表征所述缺陷区域的注意力图;
将所述子特征图和所述注意力图输入经过训练的预设分类器,以得到表征缺陷类别的分类结果。
结合第一方面,在一些可选的实施方式中,在获取通过相机拍摄晶圆得到的相机图像之前,所述方法还包括:
基于PaDiM算法,以经过预训练的卷积神经网络作为backbone,构建得到缺陷检测模型,以作为所述预设缺陷检测模型;
获取训练集,所述训练集包括所述晶圆在无缺陷的常规状态下的标准图像;
对所述训练集进行数据增强处理,得到经过数据增强处理的训练集;
通过所述经过数据增强处理的训练集对所述预设缺陷检测模型进行训练,得到所述经过训练的预设缺陷检测模型。
结合第一方面,在一些可选的实施方式中,通过所述经过数据增强处理的训练集对所述预设缺陷检测模型进行训练,得到所述经过训练的预设缺陷检测模型,包括:
通过所述经过预训练的卷积神经网络生成所述标准图像的嵌入向量;
根据所述嵌入向量,计算得到所述嵌入向量对应的多元高斯分布,以及所述嵌入向量与所述多元高斯分布之间的马氏距离。
结合第一方面,在一些可选的实施方式中,通过所述经过预训练的卷积神经网络生成所述标准图像的嵌入向量,包括:
通过所述预训练的卷积神经网络提取所述标准图像中每个patch的特征,并生成对应的patch向量;
将所述patch向量与所述预训练的卷积神经网络空间中对应的激活向量进行关联;
将所述预训练的卷积神经网络中layer1、layer2、layer3层的激活向量进行拼接,得到嵌入向量。
结合第一方面,在一些可选的实施方式中,根据所述嵌入向量,计算得到所述嵌入向量对应的多元高斯分布,以及,所述嵌入向量与所述多元高斯分布之间的马氏距离,包括:
计算得到N张所述标准图像在位置(i,j)处的嵌入向量集合:
计算得到N张所述标准图像在位置(i,j)处的多元高斯分布其中,μij为样本均值,表示如下:
Σij为样本协方差,表示如下:
式中,∈I为正则化项;
计算得到嵌入向量xij与多元高斯分布之间的马氏距离M(xij):
则构成所述标准图像的马氏距离矩阵为:M=(M(xij))1<i<W,1<j<H其中,W×H为用于生成所述嵌入向量的最大激活图的分辨率。
结合第一方面,在一些可选的实施方式中,对所述相机图像进行预处理,以得到待检图像,包括:
将所述相机图像进行灰度化处理,得到灰度图像;
基于形态学的阈值分割算法,对所述灰度图像进行图像分割,以得到二值图像;
对所述二值图像进行轮廓查找,确定所述二值图像中轮廓面积大于自适应阈值的连通域为定位盒区域;
对所述定位盒区域进行灰度填零处理,以屏蔽所述定位盒区域;
根据预设的单芯片模板,从所述灰度图像中定位构成所述晶圆的单个芯片的位置,并确定完成单个芯片定位后的所述灰度图像为所述待检图像。
结合第一方面,在一些可选的实施方式中,当所述检测结果为所述晶粒存在缺陷时,从所述预设缺陷检测模型检测所述待检图像过程中提取的特征图中,分割得到表征缺陷区域的子特征图,包括:
将所述预设缺陷检测模型检测所述待检图像过程中生成的异常得分热力图,与预设分区阈值图进行对比,其中,所述预设分区阈值图与构成所述晶圆的单个芯片面积相同,所述预设分区阈值图包括多个与所述异常得分热力图对应的预设分区,每个预设分区对应一个预设异常阈值;
当所述异常得分热力图中,任意连通域的异常得分大于对应的所述预设分区的预设异常阈值时,将所述连通域调整为预设尺寸,以从所述特征图中得到所述表征缺陷区域的子特征图。
第二方面,本申请实施例还提供一种晶圆缺陷检测装置,所述装置包括:
第一获取单元,用于获取通过相机拍摄晶圆得到的相机图像;
预处理单元,用于对所述相机图像进行预处理,以得到待检图像,所述待检图像包括多个构成所述相机图像的晶粒图像;
检测单元,用于将所述待检图像输入经过训练的预设缺陷检测模型,以得到表征晶粒是否存在缺陷的检测结果,其中,所述预设缺陷检测模型是基于异常检测算法PaDiM构建得到的;
第一分割单元,用于当所述检测结果为所述晶粒存在缺陷时,从所述预设缺陷检测模型检测所述待检图像过程中提取的特征图中,分割得到表征缺陷区域的子特征图;
第二分割单元,用于从所述预设缺陷检测模型检测所述待检图像过程中生成的异常得分热力图中,分割得到表征所述缺陷区域的注意力图;
分类单元,用于将所述子特征图和所述注意力图输入经过训练的预设分类器,以得到表征缺陷类别的分类结果。
第三方面,本申请实施例还提供一种电子设备,所述电子设备包括相互耦合的处理器及存储器,所述存储器内存储计算机程序,当所述计算机程序被所述处理器执行时,使得所述电子设备执行上述的方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行上述的方法。
采用上述技术方案的发明,具有如下优点:
在本申请提供的技术方案中,首先获取通过相机拍摄晶圆得到的相机图像,并对相机图像进行预处理,得到待检图像;然后将待检图像输入经过训练的预设缺陷检测模型,得到表征晶粒是否存在缺陷的检测结果;当检测结果为晶粒存在缺陷时,从预设缺陷检测模型检测待检图像过程中提取的特征图中,分割得到表征缺陷区域的子特征图,并从预设缺陷检测模型检测待检图像过程中生成的异常得分热力图中,分割得到表征缺陷区域的注意力图;最后将子特征图和注意力图输入经过训练的预设分类器,得到表征缺陷类别的分类结果。如此,通过无监督PaDiM算法构建缺陷检测模型,以适应晶圆缺陷种类的不确定性以及缺陷样本的稀疏性;另外,通过分类器中的单层卷积网络实现特征通道(子特征图)和注意力通道(注意力图)的信息交互和融合,达到识别晶圆缺陷类别的目的,相较于传统的检测、分类两阶段缺陷检测方式,简化了晶圆缺陷检测的分类阶段的模型构造、避免了分类阶段对相机图像进行二次特征提取;最终,达到改善传统晶圆检测中,海量异常样本难采集、异常检测无法适应晶圆工艺正常变化以及缺乏缺陷类别信息的问题。
附图说明
本申请可以通过附图给出的非限定性实施例进一步说明。应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的晶圆缺陷检测方法的流程示意图。
图2为本申请实施例提供的晶圆单芯片分割示意图。
图3为本申请实施例提供的预设缺陷检测模型检测原理示意图。
图4为本申请实施例提供的晶圆缺陷检测方法的流程框图。
图5为本申请实施例提供的晶圆缺陷检测装置的框图。
图标:200-晶圆缺陷检测装置;210-第一获取单元;220-预处理单元;230-检测单元;240-第一分割单元;250-第二分割单元;260-分类单元。
具体实施方式
以下将结合附图和具体实施例对本申请进行详细说明,需要说明的是,在附图或说明书描述中,相似或相同的部分都使用相同的图号,附图中未绘示或描述的实现方式,为所属技术领域中普通技术人员所知的形式。在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请实施例提供一种电子设备可以包括处理模块及存储模块。存储模块内存储计算机程序,当计算机程序被所述处理模块执行时,使得电子设备能够执行下述晶圆缺陷检测方法中的相应步骤。
在本实施例中,电子设备可以是计算机、笔记本电脑、云服务器等,用于获取通过相机拍摄晶圆得到的相机图像,并基于相机图像,通过预设缺陷检测模型和预设分类器实现相机图像中,晶圆缺陷的检测和分类。
请参照图1,本申请还提供一种晶圆缺陷检测方法。可以应用于上述电子设备中,由电子设备执行或实现方法中的各步骤。其中,晶圆缺陷检测方法可以包括如下步骤:
步骤110,获取通过相机拍摄晶圆得到的相机图像;
步骤120,对所述相机图像进行预处理,以得到待检图像,所述待检图像包括多个构成所述相机图像的晶粒图像;
步骤130,将所述待检图像输入经过训练的预设缺陷检测模型,以得到表征晶粒是否存在缺陷的检测结果,其中,所述预设缺陷检测模型是基于异常检测算法PaDiM构建得到的;
步骤140,当所述检测结果为所述晶粒存在缺陷时,从所述预设缺陷检测模型检测所述待检图像过程中提取的特征图中,分割得到表征缺陷区域的子特征图;
步骤150,从所述预设缺陷检测模型检测所述待检图像过程中生成的异常得分热力图中,分割得到表征所述缺陷区域的注意力图;
步骤160,将所述子特征图和所述注意力图输入经过训练的预设分类器,以得到表征缺陷类别的分类结果。
在上述的实施方式中,首先获取通过相机拍摄晶圆得到的相机图像,并对相机图像进行预处理,得到待检图像;然后将待检图像输入经过训练的预设缺陷检测模型,得到表征晶粒是否存在缺陷的检测结果;当检测结果为晶圆存在缺陷时,从预设缺陷检测模型检测待检图像过程中提取的特征图中,分割得到表征缺陷区域的子特征图,并从预设缺陷检测模型检测待检图像过程中生成的异常得分热力图中,分割得到表征缺陷区域的注意力图;最后将子特征图和注意力图输入经过训练的预设分类器,得到表征缺陷类别的分类结果。如此,改善传统晶圆检测中,海量异常样本难采集、异常检测无法适应晶圆工艺正常变化以及缺乏缺陷类别信息的问题。
下面将对晶圆缺陷检测方法的各步骤进行详细阐述,如下:
作为一种可选的实施方式,在步骤110之前,方法可以包括:
步骤101,基于PaDiM算法,以经过预训练的卷积神经网络作为backbone,构建得到缺陷检测模型,以作为所述预设缺陷检测模型;
步骤102,获取训练集,所述训练集包括所述晶圆在无缺陷的常规状态下的标准图像;
步骤103,对所述训练集进行数据增强处理,得到经过数据增强处理的训练集;
步骤104,通过所述经过数据增强处理的训练集对所述预设缺陷检测模型进行训练,得到所述经过训练的预设缺陷检测模型。
可理解的,由于晶圆缺陷种类的不确定性和缺陷样本的稀疏性,有监督的深度学习方法很难被应用于晶圆缺陷检测之中,因此,通过采用无监督PaDiM算法,由多张晶圆在无缺陷的常规状态下的标准图像构成训练集,减小训练样本的收集难度。
另外,由于模型中初始的神经网络对于细微改变的图像类样本也会识别为独特的个体对象。因此,通过对现有的训练样本(即标准图像)进行微小的改变,比如旋转、比例缩放、移位等,并将改变后产生的新图像添加至训练集中,达到增加样本数据量的目的。
在本实施例中,通过所述经过数据增强处理的训练集对所述预设缺陷检测模型进行训练,得到所述经过训练的预设缺陷检测模型,可以包括:
通过所述经过预训练的卷积神经网络生成所述标准图像的嵌入向量;
根据所述嵌入向量,计算得到所述嵌入向量对应的多元高斯分布,以及,所述嵌入向量与所述多元高斯分布之间的马氏距离。
其中,通过所述经过预训练的卷积神经网络生成所述标准图像的嵌入向量,可以包括:
通过所述预训练的卷积神经网络提取所述标准图像中每个patch的特征,并生成对应的patch向量;
将所述patch向量与所述预训练的卷积神经网络空间中对应的激活向量进行关联;
将所述预训练的卷积神经网络中layer1、layer2、layer3层的激活向量进行拼接,得到嵌入向量。
可理解的,嵌入向量的本质是量化相似性,将相似性在多个维度上进行量化,从而通过判断两个向量的距离来判断相似性。结合本实施例,经过预训练的卷积神经网络模型能够提取标准图像的特征,并用于生成patch向量,以预训练的卷积神经网络为骨干网络的缺陷检测模型结构如图3所示,这样的处理方式能够避免网络不断训练来获取图像特征和复杂的优化问题。
在本实施例中,预训练的卷积神经网络模型可以是ResNet18、ResNet34等任意具备深度特征提取的网络模型,此处对预训练的卷积神经网络模型的结构不做具体限定。
在本实施例中,首先将采集的标准图像的每个patch向量与预训练的卷积神经网络空间中相对应的激活向量进行关联。然后,将预训练的卷积神经网络中的layer1、layer2、layer3层的激活向量拼接起来(例如28×28的特征图中一个1×1的patch与56×56的特征图中对应位置的2×2的patch相对应,将该1×1的patch复制4份得到2×2大小patch后再与56×56对应位置的2×2patch进行拼接),实现多特征融合,生成嵌入向量,便于对细粒度和全局上下文进行编码。由于产生的激活图分辨率要比标准图像低,因此,多张标准图像同一位置存在相似嵌入,形成的激活图像素块与标准图像分辨率不会产生重叠。故将输入的标准图像划分成(i,j)∈[1,H]×[1,H]位置网格,其中,W×H是用于生成嵌入向量的最大激活图分辨率。最后,将该网格中的每个patch位置(i,j)与嵌入向量xij相关联。
在本实施例中,由于嵌入向量来自预训练的卷积神经网络中的前3层语义层(即layer1、layer2、layer3),将其进行叠加会造成信息冗余,采用随机选择适用维度的方式来表达特征信息比传统的主成分分析(principal component analysis,PCA)算法更有效。这种采用随机选择适用维度的方式不仅降低了模型训练测试时间和复杂性,而且不会影响定位精确度。
在本实施例中,根据所述嵌入向量,计算得到所述嵌入向量对应的多元高斯分布,以及,所述嵌入向量与所述多元高斯分布之间的马氏距离,可以包括:
为了学习标准图像在位置(i,j)处的图像特征,计算得到N张所述标准图像在位置(i,j)处的嵌入向量集合:
如图3所示,将上述嵌入向量集合所携带的信息进行汇总,通过计算得到N张所述标准图像在位置(i,j)处的多元高斯分布进行表达,其中,μij为样本均值,表示如下:
Σij为样本协方差,表示如下:
对于位置(i,j)处对应的每个图像的patch向量,通过模型训练从N个标准图像的嵌入向量集合中学习高斯参数(μij,Σij),其中,正则化项∈I使样本协方差矩阵Σij满秩可逆。最后,通过高斯参数矩阵将每个patch位置与多元高斯分布相关联。因此,每个估计的多元高斯分布/>捕获了不同特征层对应的同一个坐标点的相似性。
采用马氏距离M(xij)给测试图像位置(i,j)的patch一个异常分数。马氏距离M(xij)可理解为嵌入xij的测试patch与多元高斯分布之间的距离。其中,嵌入向量xij与多元高斯分布/>之间的马氏距离M(xij)计算公式如下:
则构成所述标准图像的马氏距离矩阵为:M=(M(xij))1<i<W,1<j<H。
在步骤110中,由于相机分辨率的限制,一张完整的晶圆并不能完整、清晰的被一张相机图像承载,因此,为了保证构成晶圆的每颗芯片能被相机清晰、完整的记录在相机图像中,完整的晶圆可以被分为若干相机图像送入后续缺陷检测与分类流程。
在本实施例中,一片完整的晶圆可以被分为484张相机图像,每张相机图像的分辨率为5120*5120。
在步骤120中,对所述相机图像进行预处理,以得到待检图像,可以包括:
将所述相机图像进行灰度化处理,得到灰度图像;
基于形态学的阈值分割算法,对所述灰度图像进行图像分割,以得到二值图像;
对所述二值图像进行轮廓查找,确定所述二值图像中轮廓面积大于自适应阈值的连通域为定位盒区域;
对所述定位盒区域进行灰度填零处理,以屏蔽所述定位盒区域;
根据预设的单芯片模板,从所述灰度图像中定位构成所述晶圆的单个芯片的位置,并确定完成单个芯片定位后的所述灰度图像为所述待检图像。
可理解的,如图2所示,晶圆上通常有多个定位盒区域,该区域为免检区域,为避免该定位盒区域对晶圆缺陷检测结果造成干扰,为表征定位盒区域所在位置的连通域设置一个预设阈值,该预设阈值通常大于单颗晶粒(即上述单个芯片)连通区域的面积,例如,若单颗晶粒连通区域面积的大小为α,则阈值可设置为α+200。
在本实施例中,基于形态学的图像分割方式是图像处理技术领域的惯用技术手段,此处不再赘述。
在本实施例中,面积大于预设阈值的连通域有时并不能完全覆盖实际的定位盒区域,例如,该连通域可以是定位盒区域的外框线。因此,为保证定位盒区域被完全覆盖,在通过预设阈值寻找到定位盒区域所在的连通域后,以该连通域的最小外接矩形为覆盖范围,确定整个覆盖范围为定位盒区域,并对该覆盖范围进行灰度值填零处理。
可理解的,为便于检测模型能快速定位构成晶圆的单芯片(即晶粒)、以及检测单芯片是否存在缺陷,本实施例通过预设一个无缺陷的、工艺水平达标的常规单芯片图像(即晶粒图像)作为单芯片模板,以该单芯片模板为参照,匹配并定位构成灰度图像的每颗芯片,以对单颗芯片进行分割,完成定位匹配后的灰度图像即作为待检图像。
在步骤130中,将待检图像输入经过训练的预设缺陷检测模型,预设缺陷检测模型根据步骤104中的方式计算待检图像中每个位置的异常得分,并形成表征待检图像异常情况的异常得分热力图。预设一个异常阈值,该异常阈值可在模型训练的过程中统计得到,通过改变异常阈值计算相应的PR曲线得到,也可人工设定,在统计得到的异常阈值的上下范围进行变动,一般设置范围在7到20之间。当待检图像中的任意位置的异常得分大于该异常阈值时,确定该位置存在异常(即缺陷),以得到表征晶粒是否存在缺陷的检测结果。其中,预设缺陷检测模型基于待检图像形成异常得分热力图的过程中,由于待检图像在预处理过程中被分割为多个单芯片图像(即晶粒图像),因此,异常得分热力图也对应由多个单芯片(即晶粒)异常得分图构成,便于异常(缺陷)的精确定位。
在步骤140中,从所述预设缺陷检测模型检测所述待检图像过程中提取的特征图中,分割得到表征缺陷区域的子特征图,可以包括:
将所述预设缺陷检测模型检测所述待检图像过程中生成的异常得分热力图,与预设分区阈值图进行对比,其中,所述预设分区阈值图与构成所述晶圆的单个芯片面积相同,所述预设分区阈值图包括多个与所述异常得分热力图对应的预设分区,每个预设分区对应一个预设异常阈值;
当所述异常得分图中,任意连通域的异常得分大于对应的所述预设分区的预设异常阈值时,将所述连通域调整为预设尺寸,以从所述特征图中得到所述表征缺陷区域的子特征图。
在本实施例中,通过ROIAlign的方式,在特征图上将异常得分大于预设异常阈值的连通域调整为10×10的尺寸,并提取调整尺寸后的连通域作为表征缺陷区域的子特征图(即缺陷的ROI区域)。
在步骤150中,将上述预设缺陷检测模型检测待检图像过程中生成的异常得分热力图中,异常得分大于预设阈值的缺陷区域以最小外接矩形进行分割(裁剪),得到表征缺陷区域的注意力图。
在步骤160中,请参照图4,将子特征图(ROI区域)和注意力图一并输入分类器,通过注意力图强化分类器对ROI区域的敏感度,如此,精确识别该ROI区域对应缺陷的类别。
在本实施例中,分类器可理解为一个简单的、具备分类功能的全连接网络,分类器中利用单层卷积网络实现了特征通道(ROI区域)和注意力通道(注意力图)的信息交互和融合。与传统两阶段缺陷检测模型不同,本模型ROI区域的提取并不依赖于回归分析,而是直接来自于前序的无监督PaDiM算法,因此,用户所标注的用于分类器训练的训练数据集对缺陷位置的标注质量要求不高。此外,在分类器预训练阶段,通过计算无监督PaDiM算法提取ROI区域与用户标注的Ground truth(GT)之间的重叠区域面积,得到ROI与GT的相对位置关系,取重叠区域最大GT框的类别为切割出的子特征图(ROI区域)的类别标签送入分类器分类,从而省去了传统目标检测模型中复杂的ROI操作部分。
请参照图5,本申请还提供一种晶圆缺陷检测装置200,晶圆缺陷检测装置200包括至少一个可以软件或固件(Firmware)的形式存储于存储模块中或固化在电子设备的操作系统(Operating System,OS)中的软件功能模块。处理模块用于执行存储模块中存储的可执行模块,例如晶圆缺陷检测装置200所包括的软件功能模块及计算机程序等。
晶圆缺陷检测装置200包括第一获取单元210、预处理单元220、检测单元230、第一分割单元240、第二分割单元250和分类单元260,各单元具有的功能可以如下:
第一获取单元210,用于获取通过相机拍摄晶圆得到的相机图像;
预处理单元220,用于对所述相机图像进行预处理,以得到待检图像,所述待检图像包括多个构成所述相机图像的晶粒图像;
检测单元230,用于将所述待检图像输入经过训练的预设缺陷检测模型,以得到表征晶粒是否存在缺陷的检测结果,其中,所述预设缺陷检测模型是基于异常检测算法PaDiM构建得到的;
第一分割单元240,用于当所述检测结果为所述晶圆存在缺陷时,从所述预设缺陷检测模型检测所述待检图像过程中提取的特征图中,分割得到表征缺陷区域的子特征图;
第二分割单元250,用于从所述预设缺陷检测模型检测所述待检图像过程中生成的异常得分热力图中,分割得到表征所述缺陷区域的注意力图;
分类单元260,用于将所述子特征图和所述注意力图输入经过训练的预设分类器,以得到表征缺陷类别的分类结果。
可选地,晶圆缺陷检测装置200还可以包括:
构建单元,用于基于PaDiM算法,以经过预训练的卷积神经网络作为backbone,构建得到缺陷检测模型,以作为所述预设缺陷检测模型;
第二获取单元,用于获取训练集,所述训练集包括所述晶圆在无缺陷的常规状态下的标准图像;
数据增强单元,用于对所述训练集进行数据增强处理,得到经过数据增强处理的训练集;
训练单元,用于通过所述经过数据增强处理的训练集对所述预设缺陷检测模型进行训练,得到所述经过训练的预设缺陷检测模型。
可选地,训练单元还可以用于:
通过所述经过预训练的卷积神经网络生成所述标准图像的嵌入向量;
根据所述嵌入向量,计算得到所述嵌入向量对应的多元高斯分布,以及,所述嵌入向量与所述多元高斯分布之间的马氏距离。
可选地,通过所述经过预训练的卷积神经网络生成所述标准图像的嵌入向量,可以包括:
通过所述预训练的卷积神经网络提取所述标准图像中每个patch的特征,并生成对应的patch向量;
将所述patch向量与所述预训练的卷积神经网络空间中对应的激活向量进行关联;
将所述预训练的卷积神经网络中layer1、layer2、layer3层的激活向量进行拼接,得到嵌入向量。
可选地,根据所述嵌入向量,计算得到所述嵌入向量对应的多元高斯分布,以及,所述嵌入向量与所述多元高斯分布之间的马氏距离,可以包括:
计算得到N张所述标准图像在位置(i,j)处的嵌入向量集合:
计算得到N张所述标准图像在位置(i,j)处的多元高斯分布其中,μij为样本均值,表示如下:
Σij为样本协方差,表示如下:
式中,∈I为正则化项;
计算得到嵌入向量xij与多元高斯分布之间的马氏距离M(xij):
则构成所述标准图像的马氏距离矩阵为:M=(M(xij))1<i<W,1<j<H其中,W×H为用于生成所述嵌入向量的最大激活图的分辨率。
可选地,预处理单元220还可以用于:
将所述相机图像进行灰度化处理,得到灰度图像;
基于形态学的阈值分割算法,对所述灰度图像进行图像分割,以得到二值图像;
对所述二值图像进行轮廓查找,确定所述二值图像中轮廓面积大于自适应阈值的连通域为定位盒区域;
对所述定位盒区域进行灰度填零处理,以屏蔽所述定位盒区域;
根据预设的单芯片模板,从所述灰度图像中定位构成所述晶圆的单个芯片的位置,并确定完成单个芯片定位后的所述灰度图像为所述待检图像。
可选地,第一分割单元240还可以用于:
将所述预设缺陷检测模型检测所述待检图像过程中生成的异常得分热力图,与预设分区阈值图进行对比,其中,所述预设分区阈值图与构成所述晶圆的单个芯片面积相同,所述预设分区阈值图包括多个与所述异常得分热力图对应的预设分区,每个预设分区对应一个预设异常阈值;
当所述异常得分热力图中,任意连通域的异常得分大于对应的所述预设分区的预设异常阈值时,将所述连通域调整为预设尺寸,以从所述特征图中得到所述表征缺陷区域的子特征图。
在本实施例中,处理模块可以是一种集成电路芯片,具有信号的处理能力。上述处理模块可以是通用处理器。例如,该处理器可以是中央处理器(Central Processing Unit,CPU)、数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,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,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
存储模块可以是,但不限于,随机存取存储器,只读存储器,可编程只读存储器,可擦除可编程只读存储器,电可擦除可编程只读存储器等。在本实施例中,存储模块可以用于存储相机图像、待检图像、预设缺陷检测模型、检测结果、子特征图、注意力图、预设分类器、分类结果等。当然,存储模块还可以用于存储程序,处理模块在接收到执行指令后,执行该程序。
需要说明的是,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的电子设备的具体工作过程,可以参考前述方法中的各步骤对应过程,在此不再过多赘述。
本申请实施例还提供一种计算机可读存储介质。计算机可读存储介质中存储有计算机程序,当计算机程序在计算机上运行时,使得计算机执行如上述实施例中所述的晶圆缺陷检测方法。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现,基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
综上所述,本申请实施例提供一种晶圆缺陷检测方法、装置、电子设备及存储介质。在本方案中,首先获取通过相机拍摄晶圆得到的相机图像,并对相机图像进行预处理,得到待检图像;然后将待检图像输入经过训练的预设缺陷检测模型,得到表征晶粒是否存在缺陷的检测结果;当检测结果为晶粒存在缺陷时,从预设缺陷检测模型检测待检图像过程中提取的特征图中,分割得到表征缺陷区域的子特征图,并从预设缺陷检测模型检测待检图像过程中生成的异常得分热力图中,分割得到表征缺陷区域的注意力图;最后将子特征图和注意力图输入经过训练的预设分类器,得到表征缺陷类别的分类结果。如此,通过无监督PaDiM算法构建缺陷检测模型,以适应晶圆缺陷种类的不确定性以及缺陷样本的稀疏性;另外,通过分类器中的单层卷积网络实现特征通道(子特征图)和注意力通道(注意力图)的信息交互和融合,达到识别晶圆缺陷类别的目的,相较于传统的检测、分类两阶段缺陷检测方式,简化了晶圆缺陷检测分类阶段的模型构造、避免了分类阶段对相机图像进行二次特征提取;最终,达到改善传统晶圆检测中,晶圆的异常样本难采集、检测准确性受成像分辨率限制的问题。
在本申请所提供的实施例中,应该理解到,所揭露的装置、系统和方法,也可以通过其它的方式实现。以上所描述的装置、系统和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种晶圆缺陷检测方法,其特征在于,所述方法包括:
获取通过相机拍摄晶圆得到的相机图像;
对所述相机图像进行预处理,以得到待检图像,所述待检图像包括多个构成所述相机图像的晶粒图像;
将所述待检图像输入经过训练的预设缺陷检测模型,以得到表征晶粒是否存在缺陷的检测结果,其中,所述预设缺陷检测模型是基于异常检测算法PaDiM构建得到的;
当所述检测结果为所述晶粒存在缺陷时,从所述预设缺陷检测模型检测所述待检图像过程中提取的特征图中,分割得到表征缺陷区域的子特征图;
从所述预设缺陷检测模型检测所述待检图像过程中生成的异常得分热力图中,分割得到表征所述缺陷区域的注意力图;
将所述子特征图和所述注意力图输入经过训练的预设分类器,以得到表征缺陷类别的分类结果;
其中,对所述相机图像进行预处理,以得到待检图像,包括:
将所述相机图像进行灰度化处理,得到灰度图像;
基于形态学的阈值分割算法,对所述灰度图像进行图像分割,以得到二值图像;
对所述二值图像进行轮廓查找,确定所述二值图像中轮廓面积大于自适应阈值的连通域为定位盒区域;
对所述定位盒区域进行灰度填零处理,以屏蔽所述定位盒区域;
根据预设的单芯片模板,从所述灰度图像中定位构成所述晶圆的单个芯片的位置,并确定完成单个芯片定位后的所述灰度图像为所述待检图像;
当所述检测结果为所述晶粒存在缺陷时,从所述预设缺陷检测模型检测所述待检图像过程中提取的特征图中,分割得到表征缺陷区域的子特征图,包括:
将所述预设缺陷检测模型检测所述待检图像过程中生成的异常得分热力图,与预设分区阈值图进行对比,其中,所述预设分区阈值图与构成所述晶圆的单个芯片面积相同,所述预设分区阈值图包括多个与所述异常得分热力图对应的预设分区,每个预设分区对应一个预设异常阈值;
当所述异常得分热力图中,任意连通域的异常得分大于对应的所述预设分区的预设异常阈值时,将所述连通域调整为预设尺寸,以从所述特征图中得到所述表征缺陷区域的子特征图。
2.根据权利要求1所述的方法,其特征在于,在获取通过相机拍摄晶圆得到的相机图像之前,所述方法还包括:
基于PaDiM算法,以经过预训练的卷积神经网络作为backbone,构建得到缺陷检测模型,以作为所述预设缺陷检测模型;
获取训练集,所述训练集包括所述晶圆在无缺陷的常规状态下的标准图像;
对所述训练集进行数据增强处理,得到经过数据增强处理的训练集;
通过所述经过数据增强处理的训练集对所述预设缺陷检测模型进行训练,得到所述经过训练的预设缺陷检测模型。
3.根据权利要求2所述的方法,其特征在于,通过所述经过数据增强处理的训练集对所述预设缺陷检测模型进行训练,得到所述经过训练的预设缺陷检测模型,包括:
通过所述经过预训练的卷积神经网络生成所述标准图像的嵌入向量;
根据所述嵌入向量,计算得到所述嵌入向量对应的多元高斯分布,以及所述嵌入向量与所述多元高斯分布之间的马氏距离。
4.根据权利要求3所述的方法,其特征在于,通过所述经过预训练的卷积神经网络生成所述标准图像的嵌入向量,包括:
通过所述预训练的卷积神经网络提取所述标准图像中每个patch的特征,并生成对应的patch向量;
将所述patch向量与所述预训练的卷积神经网络空间中对应的激活向量进行关联;
将所述预训练的卷积神经网络中layer1、layer2、layer3层的激活向量进行拼接,得到嵌入向量。
5.根据权利要求3所述的方法,其特征在于,根据所述嵌入向量,计算得到所述嵌入向量对应的多元高斯分布,以及,所述嵌入向量与所述多元高斯分布之间的马氏距离,包括:
计算得到N张所述标准图像在位置(i,j)处的嵌入向量集合:
计算得到N张所述标准图像在位置(i,j)处的多元高斯分布其中,μij为样本均值,表示如下:
Σij为样本协方差,表示如下:
式中,∈I为正则化项;
计算得到嵌入向量xij与多元高斯分布之间的马氏距离M(xij):
则构成所述标准图像的马氏距离矩阵为:M=(M(xij))1<i<W,1<j<H其中,W×H为用于生成所述嵌入向量的最大激活图的分辨率。
6.一种晶圆缺陷检测装置,其特征在于,所述装置包括:
第一获取单元,用于获取通过相机拍摄晶圆得到的相机图像;
预处理单元,用于对所述相机图像进行预处理,以得到待检图像,所述待检图像包括多个构成所述相机图像的晶粒图像;
检测单元,用于将所述待检图像输入经过训练的预设缺陷检测模型,以得到表征晶粒是否存在缺陷的检测结果,其中,所述预设缺陷检测模型是基于异常检测算法PaDiM构建得到的;
第一分割单元,用于当所述检测结果为所述晶粒存在缺陷时,从所述预设缺陷检测模型检测所述待检图像过程中提取的特征图中,分割得到表征缺陷区域的子特征图;
第二分割单元,用于从所述预设缺陷检测模型检测所述待检图像过程中生成的异常得分热力图中,分割得到表征所述缺陷区域的注意力图;
分类单元,用于将所述子特征图和所述注意力图输入经过训练的预设分类器,以得到表征缺陷类别的分类结果;
所述预处理单元还用于:将所述相机图像进行灰度化处理,得到灰度图像;基于形态学的阈值分割算法,对所述灰度图像进行图像分割,以得到二值图像;对所述二值图像进行轮廓查找,确定所述二值图像中轮廓面积大于自适应阈值的连通域为定位盒区域;对所述定位盒区域进行灰度填零处理,以屏蔽所述定位盒区域;根据预设的单芯片模板,从所述灰度图像中定位构成所述晶圆的单个芯片的位置,并确定完成单个芯片定位后的所述灰度图像为所述待检图像;
所述第一分割单元还用于:将所述预设缺陷检测模型检测所述待检图像过程中生成的异常得分热力图,与预设分区阈值图进行对比,其中,所述预设分区阈值图与构成所述晶圆的单个芯片面积相同,所述预设分区阈值图包括多个与所述异常得分热力图对应的预设分区,每个预设分区对应一个预设异常阈值;当所述异常得分热力图中,任意连通域的异常得分大于对应的所述预设分区的预设异常阈值时,将所述连通域调整为预设尺寸,以从所述特征图中得到所述表征缺陷区域的子特征图。
7.一种电子设备,其特征在于,所述电子设备包括相互耦合的处理器及存储器,所述存储器内存储计算机程序,当所述计算机程序被所述处理器执行时,使得所述电子设备执行如权利要求1-5中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527795.0A CN116596875B (zh) | 2023-05-11 | 2023-05-11 | 晶圆缺陷检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527795.0A CN116596875B (zh) | 2023-05-11 | 2023-05-11 | 晶圆缺陷检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116596875A CN116596875A (zh) | 2023-08-15 |
CN116596875B true CN116596875B (zh) | 2023-12-22 |
Family
ID=87610883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310527795.0A Active CN116596875B (zh) | 2023-05-11 | 2023-05-11 | 晶圆缺陷检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596875B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541531B (zh) * | 2023-09-28 | 2024-06-14 | 苏州梅曼智能科技有限公司 | 一种基于人工智能的晶圆视觉检测监管反馈系统 |
CN117495856B (zh) * | 2023-12-29 | 2024-03-22 | 深圳市壹倍科技有限公司 | 基于深度学习的晶圆表面检测方法、装置、设备和介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN111489334A (zh) * | 2020-04-02 | 2020-08-04 | 暖屋信息科技(苏州)有限公司 | 一种基于卷积注意力神经网络的缺陷工件图像识别方法 |
CN112070733A (zh) * | 2020-08-28 | 2020-12-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 基于弱监督模式的缺陷粗定位方法和装置 |
CN112686833A (zh) * | 2020-08-22 | 2021-04-20 | 安徽大学 | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 |
WO2021137745A1 (en) * | 2019-12-30 | 2021-07-08 | Unibap Ab | A method for detection of imperfections in products |
CN114463296A (zh) * | 2022-01-24 | 2022-05-10 | 武汉大学 | 基于单样本学习的轻量化部件缺陷检测方法 |
CN115311203A (zh) * | 2022-06-29 | 2022-11-08 | 上海电力大学 | 一种基于Transformer的晶圆缺陷检测方法及系统 |
CN115496892A (zh) * | 2022-11-07 | 2022-12-20 | 合肥中科类脑智能技术有限公司 | 工业缺陷检测方法、装置及电子设备、存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10789703B2 (en) * | 2018-03-19 | 2020-09-29 | Kla-Tencor Corporation | Semi-supervised anomaly detection in scanning electron microscope images |
US20230026787A1 (en) * | 2021-07-20 | 2023-01-26 | The Boeing Company | Learning feature importance for improved visual explanation |
-
2023
- 2023-05-11 CN CN202310527795.0A patent/CN116596875B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
WO2021137745A1 (en) * | 2019-12-30 | 2021-07-08 | Unibap Ab | A method for detection of imperfections in products |
CN111489334A (zh) * | 2020-04-02 | 2020-08-04 | 暖屋信息科技(苏州)有限公司 | 一种基于卷积注意力神经网络的缺陷工件图像识别方法 |
CN112686833A (zh) * | 2020-08-22 | 2021-04-20 | 安徽大学 | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 |
CN112070733A (zh) * | 2020-08-28 | 2020-12-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 基于弱监督模式的缺陷粗定位方法和装置 |
CN114463296A (zh) * | 2022-01-24 | 2022-05-10 | 武汉大学 | 基于单样本学习的轻量化部件缺陷检测方法 |
CN115311203A (zh) * | 2022-06-29 | 2022-11-08 | 上海电力大学 | 一种基于Transformer的晶圆缺陷检测方法及系统 |
CN115496892A (zh) * | 2022-11-07 | 2022-12-20 | 合肥中科类脑智能技术有限公司 | 工业缺陷检测方法、装置及电子设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
PaDiM: A Patch Distribution Modeling Framework for Anomaly Detection and Localization;Thomas Defard等;Pattern Recognition. ICPR International Workshops and Challenges;摘要、正文第3.1-3.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN116596875A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116596875B (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
TWI744283B (zh) | 一種單詞的分割方法和裝置 | |
WO2019232853A1 (zh) | 中文模型训练、中文图像识别方法、装置、设备及介质 | |
CN107133569B (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
KR101896357B1 (ko) | 객체를 검출하는 방법, 디바이스 및 프로그램 | |
CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
CN112668462B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
WO2019232870A1 (zh) | 手写字训练样本获取方法、装置、计算机设备及存储介质 | |
BR112021014182A2 (pt) | Método implementado por computador para gerar uma região de interesse em uma imagem digital de um flanco de um pneu, método para leitura de marcações em relevo e/ou gravadas em um flanco de um pneu, aparelho de processamento de dados, programa de computador, e, meio de armazenamento legível por computador | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN111626295A (zh) | 车牌检测模型的训练方法和装置 | |
Jiang et al. | Focal-test-based spatial decision tree learning: A summary of results | |
Gao et al. | Sea ice change detection in SAR images based on collaborative representation | |
CN115136209A (zh) | 缺陷检测系统 | |
CN113627229A (zh) | 目标检测方法、系统、设备以及计算机存储介质 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
US20240087352A1 (en) | System for identifying companion animal and method therefor | |
CN116543261A (zh) | 用于图像识别的模型训练方法、图像识别方法设备及介质 | |
CN110866931B (zh) | 图像分割模型训练方法及基于分类的强化图像分割方法 | |
CN111553183A (zh) | 一种船只检测模型训练方法、船只检测方法及装置 | |
CN114897764A (zh) | 基于标准化通道注意力的肺结节假阳性排除方法及装置 | |
CN115176289A (zh) | 使用卷积神经网络的细胞系发育图像表征 | |
CN114663760A (zh) | 模型训练的方法、目标检测方法、存储介质及计算设备 | |
CN112926610A (zh) | 车牌图像筛选模型的构建方法与车牌图像筛选方法 | |
CN110555338A (zh) | 对象识别方法和装置、神经网络生成方法和装置 |
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 |