CN116934733A - 一种芯片的可靠性测试方法及测试系统 - Google Patents

一种芯片的可靠性测试方法及测试系统 Download PDF

Info

Publication number
CN116934733A
CN116934733A CN202310979636.4A CN202310979636A CN116934733A CN 116934733 A CN116934733 A CN 116934733A CN 202310979636 A CN202310979636 A CN 202310979636A CN 116934733 A CN116934733 A CN 116934733A
Authority
CN
China
Prior art keywords
chip
feature
attention mechanism
network
channel
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
CN202310979636.4A
Other languages
English (en)
Other versions
CN116934733B (zh
Inventor
请求不公布姓名
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.)
Hunan Ngi Observation And Control Technology Co ltd
Original Assignee
Hunan Ngi Observation And Control 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 Hunan Ngi Observation And Control Technology Co ltd filed Critical Hunan Ngi Observation And Control Technology Co ltd
Priority to CN202310979636.4A priority Critical patent/CN116934733B/zh
Publication of CN116934733A publication Critical patent/CN116934733A/zh
Application granted granted Critical
Publication of CN116934733B publication Critical patent/CN116934733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0464Convolutional networks [CNN, ConvNet]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/40Image enhancement or restoration using histogram techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing 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
    • G06V10/80Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10056Microscopic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种芯片的可靠性测试方法及测试系统,本申请针对芯片的光学图像是光学显微镜采集芯片表层的放大图像这一特性,采用了单阶段检测网络,即YOLOv5网络作为检测网络,而且还对YOLOv5进行了改进,在YOLOv5网络中的最后一个SPP之后增加基于通道注意力机制和空间注意力机制的双重注意力机制,构建新的检测网络,然后通过芯片样本的光学图像对检测网络进行训练,最后得到检测器,利用检测器实现对待检测芯片的检测。本申请利用通道注意力机制和空间注意力机制增强YOLOv5网络对于浅层特征的语义信息和深层特征的分辨率,使得由改进的YOLOv5网络训练得到的检测器能够更加准确的识别出芯片表层的缺陷,进而提高芯片可靠性测试的准确度。

Description

一种芯片的可靠性测试方法及测试系统
技术领域
本申请涉及芯片可靠性测试技术领域,尤其是涉及一种芯片的可靠性测试方法及测试系统。
背景技术
芯片(IC芯片)的可靠性测试是确保芯片在长时间使用和服役期间能够保持其功能完整性和可靠性的关键步骤。
可靠性测试主要包括温度测试、湿度测试、震动测试、冲击测试、电学测试、光学测试、机械测试和化学测试等。作为可靠性测试的重要环节,光学测试是验证芯片表层是否有划痕、裂纹等缺陷的关键测试步骤。
传统的芯片光学测试是在光学显微镜的放大作用下,由人工进行测试,这类方式不仅效率较低,而且误差较大。随着卷积神经网络研究的兴起,利用计算机结合卷积神经网络的新一代芯片光学测试方案解决了传统人工处理的低效率问题,目前的方案通常使用检测器实现芯片表层缺陷测试,但容易忽视芯片表层的光学图像是光学显微镜放大后的结果,光学显微镜采集芯片表层的光学图像时增加了分辨率,但其语义随着光学显微镜的放大而有所削弱,因此若使用常规的检测器进行光学测试,会导致测试准确度的下降。
发明内容
本申请旨在至少解决现有技术中存在的技术问题。为此,本申请提出一种芯片的可靠性测试方法及测试系统,能够提高光学测试的准确度。
根据本申请的第一方面实施例的一种芯片的可靠性测试方法,所述芯片的可靠性测试方法包括如下步骤:
采集芯片样本的光学图像,并进行缺陷类别标注;
构建检测网络,通过所述光学图像训练所述检测网络,训练得到检测器;其中,所述检测网络为基于改进的YOLOv5网络,所述改进的YOLOv5网络是在YOLOv5网络的骨干网络的最后一个SPP之后增加一个注意力模块,所述注意力模块包括至少一路通道注意力机制和至少一路空间注意力机制,将所述通道注意力机制和所述空间注意力机制输出的特征融合作为所述注意力模块输出的特征;
根据所述检测器对待检测芯片进行检测,得到所述待检测芯片的检测结果。
根据本申请实施例的芯片的可靠性测试方法,至少具有如下有益效果:
本方法针对芯片的光学图像是光学显微镜采集芯片表层的放大图像这一特性,采用了单阶段检测网络,即YOLOv5网络作为检测网络,而且还对YOLOv5进行了改进,在YOLOv5网络中的最后一个SPP之后增加基于通道注意力机制和空间注意力机制的双重注意力机制,构建新的检测网络,然后通过芯片样本的光学图像对检测网络进行训练,最后得到检测器,利用检测器实现对待检测芯片的检测。本方法利用通道注意力机制和空间注意力机制增强YOLOv5网络对于浅层特征的语义信息和深层特征的分辨率,使得由改进的YOLOv5网络训练得到的检测器能够更加准确的识别出芯片表层的缺陷,进而提高芯片可靠性测试(光学测试)的准确度。
根据本申请的一些实施例,所述注意力模块包括一路空间注意力机制和结构相同的两路通道注意力机制;
所述注意力模块通过如下方式输出特征:
将所述最后一个SPP输出的初始特征分别输入至第一路通道注意力机制、第一路空间注意力机制和第二路通道注意力机制中,得到所述第一路通道注意力机制输出的第一特征,所述第一路空间注意力机制输出的第二特征和所述第二路通道注意力机制输出的第三特征;
将所述第一特征和所述第二特征融合,得到第一融合特征;
将所述第一融合特征与所述第三特征融合,得到第二融合特征;
将所述第二融合特征与所述初始特征融合,得到第三融合特征,将所述第三融合特征作为所述注意力模块输出的特征。
根据本申请的一些实施例,所述第一路通道注意力机制通过如下方式输出第一特征:
对所述初始特征进行全局平均池化得到第一通道特征,对所述初始特征进行最大池化得到第二通道特征;
将所述第一通道特征和所述第二通道特征按位相加,得到第一中间特征;
将所述第一中间特征输入至卷积层,得到所述卷积层输出的第二中间特征;
将所述第二中间特征进行sigmoid非线性激活,得到第三中间特征;
将所述第三中间特征与所述初始特征按位相乘,得到所述第一特征。
根据本申请的一些实施例,所述卷积层包括连接的第一卷积层和第二卷积层,所述第一卷积层用于降低特征的维度,所述第二卷积层用于恢复特征的维度。
根据本申请的一些实施例,所述第一卷积层和所述第二卷积层之间设置有Relu非线性激活层。
根据本申请的一些实施例,在所述通过所述光学图像训练所述检测网络之前,所述芯片的可靠性测试方法还包括:
对所述光学图像进行直方图均衡化。
根据本申请的一些实施例,所述采集芯片样本的光学图像包括:
通过光学显微镜放大所述芯片样本,并采集对应的光学图像。
根据本申请的一些实施例,所述检测结果包括无缺陷、金属化层缺陷、焊接点缺陷以及划伤缺陷。
根据本申请的一些实施例,所述芯片为IC芯片。
根据本申请的第二方面实施例的一种芯片的可靠性测试系统,所述芯片的可靠性测试系统包括:
光学显微镜,用于采集芯片样本的光学图像;
电子设备,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行:
构建检测网络,通过所述光学图像训练所述检测网络,训练得到检测器;其中,所述检测网络为基于改进的YOLOv5网络,所述改进的YOLOv5网络是在YOLOv5网络的骨干网络的最后一个SPP之后增加一个注意力模块,所述注意力模块包括至少一路通道注意力机制和至少一路空间注意力机制,将所述通道注意力机制和所述空间注意力机制输出的特征融合作为所述注意力模块输出的特征;
根据所述检测器对待检测芯片进行检测,得到所述待检测芯片的检测结果。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本申请一实施例提供的一种芯片的可靠性测试方法的流程示意图;
图2是本申请一实施例提供的YOLOv5网络的架构图;
图3是本申请一实施例提供的注意力模块的处理流程示意图;
图4是本申请一实施例提供的注意力模块的架构图;
图5是本申请一实施例提供的通道注意力机制的处理流程示意图;
图6是本申请一实施例提供的通道注意力机制的架构图;
图7是本申请一实施例提供的检测到的IC芯片缺陷实物图;
图8是本申请一实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
对本公开实施例进行进一步详细说明之前,对本公开实施例中涉及的名词和术语进行说明,本公开实施例中涉及的名词和术语适用于如下的解释:
芯片(Ic芯片)的可靠性测试是是确保芯片在长时间使用和服役期间能够保持其功能完整性和可靠性的关键步骤。可靠性测试主要包括温度测试、湿度测试、震动测试、冲击测试、电学测试、光学测试、机械测试和化学测试等,作为可靠性测试的重要环节,光学测试是验证芯片表层是否有划痕、裂纹等缺陷的关键测试步骤。
传统的芯片光学测试是在光学显微镜的放大作用下,由人工进行测试,这类方式不仅效率较低,而且误差较大。随着卷积神经网络研究的兴起,利用计算机结合卷积神经网络的新一代芯片光学测试方案解决了传统人工处理的低效率问题,目前的方案通常使用检测器实现芯片表层缺陷测试,容易忽视芯片表层的光学图像是光学显微镜放大后的结果,虽然增加了分辨率,但其语义随着光学显微镜的放大而有所削弱,因此会导致测试准确度的下降。
实施例部分
参照图1,本申请实施例提供了一种芯片的可靠性测试方法,芯片的可靠性测试方法包括如下步骤S100至S300,具体包括:
步骤S100、采集芯片样本的光学图像,并进行缺陷类别标注。
本实施例以IC芯片为例,IC芯片(Integrated Circuit Chip)是将大量的微电子元器件(晶体管、电阻、电容等)形成的集成电路放在一块塑基上,做成一块芯片。IC芯片制成之后,为了确保其是否符合出厂要求或者是否满足使用寿命的要求,需要进行可靠性测试,其中需要进行验证芯片表层是否有划痕、裂纹缺陷的光学测试。
在步骤S100中,首先选取一批具有表层缺陷的IC芯片,通过光学显微镜采集IC芯片的光学图像,并标注对应的缺陷类别,本实施例设定缺陷类别包括:金属化层缺陷、焊接点缺陷和划伤缺陷。其中标注的方式为领域的公知常识,此处不进行细述。
在本申请的一些实施例中,通过光学图像训练检测网络之前,芯片的可靠性测试方法还包括:对光学图像进行直方图均衡化。
直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。通过这种方法,亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度,对光学图像进行直方图均衡化用于提升后续检测的准确度。
步骤S200、构建检测网络,通过光学图像训练检测网络,训练得到检测器;其中,检测网络为基于改进的YOLOv5网络,改进的YOLOv5网络是在YOLOv5网络的骨干网络的最后一个SPP之后增加一个注意力模块,注意力模块包括至少一路通道注意力机制和至少一路空间注意力机制,将通道注意力机制和空间注意力机制输出的特征融合作为注意力模块输出的特征。
在步骤S200中,首先需要构建检测器,本实施例采用YOLOv5网络作单阶段检测器,YOLOv5具备检测精度高的优势,而且本实施例还对YOLOv5网络进行改进,在YOLOv5网络中增加基于通道注意力机制和空间注意力机制的双重注意力机制,具体是在YOLOv5网络的最后一个SPP之后增加一个注意力模块而形成改进的YOLOv5网络,注意力模块包括至少一路通道注意力机制和至少一路空间注意力机制,将通道注意力机制和空间注意力机制输出的特征融合作为注意力模块输出的特征。
参照图2,YOLOv5网络包括:head头部结构、backbone骨干网络、neck颈部结构和Prediction预测部分。
(1)backone骨干网络的主要作用就是提取特征,并不断缩小特征图。backbone中的主要结构有Conv模块、C3模块、SPP模块。Conv模块由一个Conv2d、一个BatchNorm2d和激活函数构成。C3模块由三个Conv模块和一个Bottleneck模块组成。SPP是空间金字塔池化。(2)neck颈部结构是一个特征金字塔(FPN),把浅层的图形特征与浅层的语义特征结合在一起。head层为Detect模块,Detect模块由三个1*1卷积构成,对应三个检测特征层。
本实施例在YOLOv5网络的骨干网络的最后一个SPP之后增加一个注意力模块,形成改进的YOLOv5网络。其中,注意力模块包括至少一路通道注意力机制和至少一路空间注意力机制,至少一路通道注意力机制和至少一路空间注意力机制并列设置,并将各自输出的特征融合后作为注意力模块输出的特征。在本实施例中,通道注意力机制通过学习的方式自动获取每个特征通道的重要程度,然后根据获得的重要程度做出判断,加强有用的特征,弱化对当前任务用处不大的特征。空间注意力机制与通道注意力机制不同,它侧重于加强特征的位置信息,是对通道注意力的补充。
步骤S300、根据检测器对待检测芯片进行检测,得到待检测芯片的检测结果。
本方法针对芯片的光学图像是光学显微镜采集芯片表层的放大图像这一特性,采用了单阶段检测网络,即YOLOv5网络作为检测网络,而且还对YOLOv5进行了改进,在YOLOv5网络中的最后一个SPP之后增加基于通道注意力机制和空间注意力机制的双重注意力机制,构建新的检测网络,然后通过芯片样本的光学图像对检测网络进行训练,最后得到检测器,利用检测器实现对待检测芯片的检测。本方法利用通道注意力机制和空间注意力机制增强YOLOv5网络对于浅层特征的语义信息和深层特征的分辨率,使得由改进的YOLOv5网络训练得到的检测器能够更加准确的识别出芯片表层的缺陷,进而提高芯片可靠性测试的准确度。
如图3和图4所示,在本申请的一些实施例中,注意力模块包括一路空间注意力机制和结构相同的两路通道注意力机制;注意力模块通过如下方式输出特征:
步骤S210、将最后一个SPP输出的初始特征分别输入至第一路通道注意力机制、第一路空间注意力机制和第二路通道注意力机制中,得到第一路通道注意力机制输出的第一特征,第一路空间注意力机制输出的第二特征和第二路通道注意力机制输出的第三特征。
步骤S220、将第一特征和第二特征融合,得到第一融合特征。
步骤S230、将第一融合特征与第三特征融合,得到第二融合特征。
步骤S240、将第二融合特征与初始特征融合,得到第三融合特征,将第三融合特征作为注意力模块输出的特征。
参照图4,从上至下,并列设置通道注意力机制、空间注意力机制和通道注意力机制,YOLOv5网络的backbone中的最后一个SPP输出的初始特征分别输入至这三路注意力机制中,然后先由第一路通道注意力机制和第一路空间注意力机制分别输出的特征图融合,将融合的结果与第二路通道注意力机制输出的特征图融合,最后将融合的结果与backbone中的最后一个SPP输出的初始特征融合,得到最后输出到下一个卷积块的特征图。本实施例设计了一种交替叠加的注意力机制网络,目的是为了:加强浅层特征的语义信息,提高深层特征的分辨率,进而优化图像中缺陷目标检测性能,具体是通过第一路通道注意力机制和第一路空间注意力机制各自输出特征融合,结合各自注意力机制的优势,提升第一融合特征的浅层特征的语义信息和深层特征的分辨率,然后进一步再将第一融合特征与第二路通道注意力机制输出的特征融合,进一步对有用的特征进行加强,最后再将第二融合特征与初始的特征融合,进而打破网络的对称性,提升网络的特征表征能力。
参照图5和图6,在本申请的一些实施例中,第一路通道注意力机制通过如下方式输出第一特征:
步骤S211、对初始特征进行全局平均池化得到第一通道特征,对初始特征进行最大池化得到第二通道特征。
步骤S212、将第一通道特征和第二通道特征按位相加,得到第一中间特征。
步骤S213、将第一中间特征输入至卷积层,得到卷积层输出的第二中间特征。
步骤S214、将第二中间特征进行sigmoid非线性激活,得到第三中间特征。
步骤S215、将第三中间特征与初始特征按位相乘,得到第一特征。
在通道注意力机制中,将输入的特征图X分别经过全局平均池化和最大池化,得到两个通道特征,其中全局平均池化和最大池化的作用是提取特征图中较强的信息,丢弃较弱的信息。然后将全局平均池化输出的特征和最大池化输出的特征进行按位相加,得到第一中间特征,第一中间特征输入至后续的两层卷积层中,其中第一层卷积层是为了对特征图进行压缩,降低特征图的维度,第二层卷积层是为了将第一层卷积层压缩后的特征图的通道数恢复到原始大小,用以通过卷积核实现降维和升维的操作其实就是通道间信息的线性组合变化。在两层卷积层之间还设置有Relu非线性激活层,用于提升网络的表达能力。然后将卷积层输出的第二中间特征进行sigmoid非线性激活,最后将得到第三中间特征与特征图X进行按位相乘,得到最终输出的第一特征X′。
在空间注意力机制中,同样包括全局平均池化和全局最大池化,将输入的特征图X分别经过全局平均池化和最大池化,得到两个维数相同的特征图。然后将两个维数相同的特征图进行concat操作,合并它们的通道数,得到一个特征图。然后将特征图进行sigmoid非线性激活函数,得到了增加空间注意力权重的矩阵。最后将矩阵与特征图X相乘,得到进行空间加强后的特征图X′。
本申请的一个实施例,提供了一种芯片的可靠性测试系统,系统包括:
光学显微镜,用于采集芯片样本的光学图像。
电子设备,包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器;存储器存储有可被至少一个控制处理器执行的指令,指令被至少一个控制处理器执行,以使至少一个控制处理器能够执行:
构建检测网络,通过光学图像训练检测网络,训练得到检测器;其中,检测网络为基于改进的YOLOv5网络,改进的YOLOv5网络是在YOLOv5网络的骨干网络的最后一个SPP之后增加一个注意力模块,注意力模块包括至少一路通道注意力机制和至少一路空间注意力机制,将通道注意力机制和空间注意力机制输出的特征融合作为注意力模块输出的特征。
根据检测器对待检测芯片进行检测,得到待检测芯片的检测结果。
本实施例系统与上述的方法实施例是基于相同的发明构思,因此上述方法实施例的相关内容同样适用于本系统的内容,因此此处不再赘述。
本系统针对芯片的光学图像是光学显微镜采集芯片表层的放大图像这一特性,采用了单阶段检测网络,即YOLOv5网络作为检测网络,而且还对YOLOv5进行了改进,在YOLOv5网络中的最后一个SPP之后增加基于通道注意力机制和空间注意力机制的双重注意力机制,构建新的检测网络,然后通过芯片样本的光学图像对检测网络进行训练,最后得到检测器,利用检测器实现对待检测芯片的检测。本系统利用通道注意力机制和空间注意力机制增强YOLOv5网络对于浅层特征的语义信息和深层特征的分辨率,使得由改进的YOLOv5网络训练得到的检测器能够更加准确的识别出芯片表层的缺陷,进而提高芯片可靠性测试的准确度。
参见图8,本申请实施例还提供了一种电子设备,本电子设备包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
程序被存储在存储器中,处理器执行至少一个程序以实现本公开实施上述的芯片的可靠性测试方法。
该电子设备可以为包括手机、平板电脑、个人数字助理(Personal DigitalAssistant,PDA)、车载电脑等任意智能终端。
下面对本申请实施例的电子设备进行详细介绍。
处理器1600,可以采用通用的中央处理器(Central Processing Unit,CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本公开实施例所提供的技术方案;
存储器1700,可以采用只读存储器(Read Only Memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory,RAM)等形式实现。存储器1700可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1700中,并由处理器1600来调用执行本公开实施例的芯片的可靠性测试方法。
输入/输出接口1800,用于实现信息输入及输出;
通信接口1900,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线2000,在设备的各个组件(例如处理器1600、存储器1700、输入/输出接口1800和通信接口1900)之间传输信息;
其中处理器1600、存储器1700、输入/输出接口1800和通信接口1900通过总线2000实现彼此之间在设备内部的通信连接。
本公开实施例还提供了一种存储介质,该存储介质是计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令用于使计算机执行上述芯片的可靠性测试方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本公开实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本公开实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的系统实施例仅仅是示意性的,其中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,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模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,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信连接可以是通过一些接口,系统或单元的间接耦合或通信连接,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。
另外,在本申请各个实施例中的各功能单元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。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台电子设备(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例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序的介质。
上面结合附图对本申请实施例作了详细说明,但本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下作出各种变化。

Claims (10)

1.一种芯片的可靠性测试方法,其特征在于,所述芯片的可靠性测试方法包括如下步骤:
采集芯片样本的光学图像,并进行缺陷类别标注;
构建检测网络,通过所述光学图像训练所述检测网络,训练得到检测器;其中,所述检测网络为基于改进的YOLOv5网络,所述改进的YOLOv5网络是在YOLOv5网络的骨干网络的最后一个SPP之后增加一个注意力模块,所述注意力模块包括至少一路通道注意力机制和至少一路空间注意力机制,将所述通道注意力机制和所述空间注意力机制输出的特征融合作为所述注意力模块输出的特征;
根据所述检测器对待检测芯片进行检测,得到所述待检测芯片的检测结果。
2.根据权利要求1所述的芯片的可靠性测试方法,其特征在于,所述注意力模块包括一路空间注意力机制和结构相同的两路通道注意力机制;
所述注意力模块通过如下方式输出特征:
将所述最后一个SPP输出的初始特征分别输入至第一路通道注意力机制、第一路空间注意力机制和第二路通道注意力机制中,得到所述第一路通道注意力机制输出的第一特征,所述第一路空间注意力机制输出的第二特征和所述第二路通道注意力机制输出的第三特征;
将所述第一特征和所述第二特征融合,得到第一融合特征;
将所述第一融合特征与所述第三特征融合,得到第二融合特征;
将所述第二融合特征与所述初始特征融合,得到第三融合特征,将所述第三融合特征作为所述注意力模块输出的特征。
3.根据权利要求2所述的芯片的可靠性测试方法,其特征在于,所述第一路通道注意力机制通过如下方式输出第一特征:
对所述初始特征进行全局平均池化得到第一通道特征,对所述初始特征进行最大池化得到第二通道特征;
将所述第一通道特征和所述第二通道特征按位相加,得到第一中间特征;
将所述第一中间特征输入至卷积层,得到所述卷积层输出的第二中间特征;
将所述第二中间特征进行sigmoid非线性激活,得到第三中间特征;
将所述第三中间特征与所述初始特征按位相乘,得到所述第一特征。
4.根据权利要求3所述的芯片的可靠性测试方法,其特征在于,所述卷积层包括连接的第一卷积层和第二卷积层,所述第一卷积层用于降低特征的维度,所述第二卷积层用于恢复特征的维度。
5.根据权利要求4所述的芯片的可靠性测试方法,其特征在于,所述第一卷积层和所述第二卷积层之间设置有Relu非线性激活层。
6.根据权利要求1所述的芯片的可靠性测试方法,其特征在于,在所述通过所述光学图像训练所述检测网络之前,所述芯片的可靠性测试方法还包括:
对所述光学图像进行直方图均衡化。
7.根据权利要求1所述的芯片的可靠性测试方法,其特征在于,所述采集芯片样本的光学图像包括:
通过光学显微镜放大所述芯片样本,并采集对应的光学图像。
8.根据权利要求1所述的芯片的可靠性测试方法,其特征在于,所述检测结果包括无缺陷、金属化层缺陷、焊接点缺陷以及划伤缺陷。
9.根据权利要求1至8任一项所述的芯片的可靠性测试方法,其特征在于,所述芯片为IC芯片。
10.一种芯片的可靠性测试系统,其特征在于,所述芯片的可靠性测试系统包括:
光学显微镜,用于采集芯片样本的光学图像;
电子设备,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行:
构建检测网络,通过所述光学图像训练所述检测网络,训练得到检测器;其中,所述检测网络为基于改进的YOLOv5网络,所述改进的YOLOv5网络是在YOLOv5网络的骨干网络的最后一个SPP之后增加一个注意力模块,所述注意力模块包括至少一路通道注意力机制和至少一路空间注意力机制,将所述通道注意力机制和所述空间注意力机制输出的特征融合作为所述注意力模块输出的特征;
根据所述检测器对待检测芯片进行检测,得到所述待检测芯片的检测结果。
CN202310979636.4A 2023-08-04 2023-08-04 一种芯片的可靠性测试方法及测试系统 Active CN116934733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310979636.4A CN116934733B (zh) 2023-08-04 2023-08-04 一种芯片的可靠性测试方法及测试系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310979636.4A CN116934733B (zh) 2023-08-04 2023-08-04 一种芯片的可靠性测试方法及测试系统

Publications (2)

Publication Number Publication Date
CN116934733A true CN116934733A (zh) 2023-10-24
CN116934733B CN116934733B (zh) 2024-04-09

Family

ID=88384317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310979636.4A Active CN116934733B (zh) 2023-08-04 2023-08-04 一种芯片的可靠性测试方法及测试系统

Country Status (1)

Country Link
CN (1) CN116934733B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651978A (zh) * 2020-12-16 2021-04-13 广州医软智能科技有限公司 舌下微循环图像分割方法和装置、电子设备、存储介质
WO2021115159A1 (zh) * 2019-12-09 2021-06-17 中兴通讯股份有限公司 文字识别网络模型训练方法、文字识别方法、装置、终端及其计算机存储介质
CN116012684A (zh) * 2022-12-16 2023-04-25 北京奇艺世纪科技有限公司 特征提取方法、装置、电子设备及存储介质
CN116228740A (zh) * 2023-04-07 2023-06-06 河海大学 一种基于改进YOLOv5的小样本芯片外观缺陷检测方法及检测系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021115159A1 (zh) * 2019-12-09 2021-06-17 中兴通讯股份有限公司 文字识别网络模型训练方法、文字识别方法、装置、终端及其计算机存储介质
CN112651978A (zh) * 2020-12-16 2021-04-13 广州医软智能科技有限公司 舌下微循环图像分割方法和装置、电子设备、存储介质
CN116012684A (zh) * 2022-12-16 2023-04-25 北京奇艺世纪科技有限公司 特征提取方法、装置、电子设备及存储介质
CN116228740A (zh) * 2023-04-07 2023-06-06 河海大学 一种基于改进YOLOv5的小样本芯片外观缺陷检测方法及检测系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DAOHUA ZHAN 等: "《A Lightweight Method for Detecting IC Wire Bonding Defects in X-ray Images》", 《MICROMACHINES》, vol. 14, no. 06, pages 1 - 18 *
张瑞钰: "《基于MLU100的遥感影像目标检测算法研究》", 《中国优秀硕士学位论文全文数据库》, pages 1 - 87 *
程娆: "《基于注意力机制的小目标检测算法研究》", 《中国优秀硕士学位论文全文数据库》, pages 1 - 89 *
黄少华 等: "《基于改进YOLOv5的茶叶杂质检测算法》", 《农业工程学报》, vol. 38, no. 17, pages 329 - 336 *

Also Published As

Publication number Publication date
CN116934733B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN107203765B (zh) 敏感图像检测方法和装置
US11435719B2 (en) System and method for identifying manufacturing defects
CN112839034A (zh) 一种基于cnn-gru分层神经网络的网络入侵检测方法
CN110503161B (zh) 一种基于弱监督yolo模型的矿石泥团目标检测方法和系统
CN112561910A (zh) 一种基于多尺度特征融合的工业表面缺陷检测方法
CN110826520A (zh) 一种基于改进YOLOv3-tiny算法的港口抓斗检测方法
CN110245714B (zh) 图像识别方法、装置及电子设备
CN115443490A (zh) 影像审核方法及装置、设备、存储介质
CN112926595B (zh) 深度学习神经网络模型的训练装置、目标检测系统及方法
CN113780423A (zh) 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型
CN110782430A (zh) 一种小目标的检测方法、装置、电子设备及存储介质
CN110059212A (zh) 图像检索方法、装置、设备及计算机可读存储介质
CN116823793A (zh) 设备缺陷检测方法、装置、电子设备和可读存储介质
CN114596302B (zh) 一种pcb板缺陷检测方法、系统、介质、设备及终端
CN110008949B (zh) 一种图像目标检测方法、系统、装置和存储介质
CN112233088A (zh) 基于改进的Faster-rcnn的制动软管丢失检测方法
CN110135428B (zh) 图像分割处理方法和装置
CN114170269B (zh) 一种基于时空相关性的多目标跟踪方法、设备及存储介质
CN112052702A (zh) 一种识别二维码的方法和装置
CN111178445A (zh) 图像处理方法及装置
CN118037655A (zh) 一种基于ssd的光伏板瑕疵检测方法及装置
CN116934733B (zh) 一种芯片的可靠性测试方法及测试系统
CN116977336A (zh) 摄像头缺陷检测方法、装置、计算机设备及存储介质
CN116542980A (zh) 缺陷检测方法、装置、计算机设备、存储介质和程序产品
CN114708214A (zh) 一种烟盒缺陷检测方法、装置、设备及介质

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