CN116934758B - 一种基于卷积模型的半导体检测方法及系统 - Google Patents
一种基于卷积模型的半导体检测方法及系统 Download PDFInfo
- Publication number
- CN116934758B CN116934758B CN202311200057.1A CN202311200057A CN116934758B CN 116934758 B CN116934758 B CN 116934758B CN 202311200057 A CN202311200057 A CN 202311200057A CN 116934758 B CN116934758 B CN 116934758B
- Authority
- CN
- China
- Prior art keywords
- crystal
- index
- semiconductor
- detection
- signal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 201
- 239000004065 semiconductor Substances 0.000 title claims abstract description 114
- 239000013078 crystal Substances 0.000 claims abstract description 309
- 239000000463 material Substances 0.000 claims abstract description 90
- 238000004458 analytical method Methods 0.000 claims abstract description 83
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims abstract description 73
- 229910052710 silicon Inorganic materials 0.000 claims abstract description 73
- 239000010703 silicon Substances 0.000 claims abstract description 73
- 238000005468 ion implantation Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000002347 injection Methods 0.000 claims description 40
- 239000007924 injection Substances 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 33
- 238000012512 characterization method Methods 0.000 claims description 24
- 238000007689 inspection Methods 0.000 claims description 21
- 238000009792 diffusion process Methods 0.000 claims description 14
- 238000002513 implantation Methods 0.000 claims description 14
- 230000006798 recombination Effects 0.000 claims description 7
- 238000005215 recombination Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 33
- 150000002500 ions Chemical class 0.000 description 17
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 6
- 230000009897 systematic effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明公开了一种基于卷积模型的半导体检测方法及系统,属于半导体器件领域,其中方法包括:对硅片材料晶体进行特征采集,得到晶体特征信息;将晶体特征信息进行分析,得到晶体特征分析结果;获得晶体损伤指数;当晶体损伤指数符合阈值时,对硅片材料的离子注入特征进行分析,得到电学损失指数;当电学损失指数符合阈值时,对半导体表面发出线性调频红外热波发射信号,获取线性调频红外热波接收信号;对信号进行分析得到表观质量指数;加和晶体损伤指数、电学损失指数和表观质量指数,生成半导体检测结果。本申请解决了现有技术中半导体检测精度和检测结果准确度低下的技术问题,达到了提高半导体检测精度和检测结果准确度的技术效果。
Description
技术领域
本发明涉及半导体器件领域,具体涉及一种基于卷积模型的半导体检测方法及系统。
背景技术
随着集成电路技术的快速发展,半导体芯片的制造工艺日趋复杂,对半导体芯片的质量检测也提出了更高的要求。现有的自动化半导体检测依靠简单的规则和阈值进行判断,缺乏对检测特征的深入分析。另外,现有技术中的各检测手段相对独立,缺乏对半导体进行系统性检测与评估。进而导致半导体检测精度和检测结果准确度低下。
发明内容
本申请通过提供了一种基于卷积模型的半导体检测方法及系统,旨在解决现有技术中半导体检测精度和检测结果准确度低下的技术问题。
鉴于上述问题,本申请提供了一种基于卷积模型的半导体检测方法及系统。
本申请公开的第一个方面,提供了一种基于卷积模型的半导体检测方法,该方法包括:对通过材料检测组件中晶体识别器识别到的半导体的硅片材料晶体进行多维度特征采集,得到晶体特征信息;将晶体特征信息传输至晶体学孪生网络模型进行分析,得到晶体特征分析结果,晶体学孪生网络模型内嵌于材料检测组件;获得晶体损伤指数,晶体损伤指数通过材料检测组件中的损伤分析模型对晶体特征分析结果进行分析得到;当晶体损伤指数符合第一预定指数阈值时,启动加工检测组件对硅片材料的离子注入特征进行分析,得到电学损失指数;当电学损失指数符合第二预定指数阈值时,启动表观检测组件中的信号发射器对半导体的表面发出线性调频红外热波发射信号;获取线性调频红外热波接收信号,线性调频红外热波接收信号通过表观检测组件中的信号接收器得到;通过信号对比模型对线性调频红外热波发射信号与线性调频红外热波接收信号进行对比分析得到半导体的表观质量指数,信号对比模型内嵌于表观检测组件;加和晶体损伤指数、电学损失指数和表观质量指数,生成半导体的检测结果。
本申请公开的另一个方面,提供了一种基于卷积模型的半导体检测系统,该系统包括:多维度特征采集单元,用于对通过材料检测组件中晶体识别器识别到的半导体的硅片材料晶体进行多维度特征采集,得到晶体特征信息;晶体特征分析单元,用于将晶体特征信息传输至晶体学孪生网络模型进行分析,得到晶体特征分析结果,晶体学孪生网络模型内嵌于材料检测组件;晶体损伤指数单元,用于获得晶体损伤指数,晶体损伤指数通过材料检测组件中的损伤分析模型对晶体特征分析结果进行分析得到;电学损失指数单元,用于当晶体损伤指数符合第一预定指数阈值时,启动加工检测组件对硅片材料的离子注入特征进行分析,得到电学损失指数;检测信号发射单元,用于当电学损失指数符合第二预定指数阈值时,启动表观检测组件中的信号发射器对半导体的表面发出线性调频红外热波发射信号;检测信号接收单元,用于获取线性调频红外热波接收信号,线性调频红外热波接收信号通过表观检测组件中的信号接收器得到;表观质量指数单元,用于通过信号对比模型对线性调频红外热波发射信号与线性调频红外热波接收信号进行对比分析得到半导体的表观质量指数,信号对比模型内嵌于表观检测组件;检测结果生成单元,用于加和晶体损伤指数、电学损失指数和表观质量指数,生成半导体的检测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了设置智能检测模块,包含材料检测组件、加工检测组件和表观检测组件,以实现对半导体的多角度检测;在材料检测组件中,设置晶体识别器,用于识别半导体硅片中的晶体,并对晶体进行多维特征采集,得到晶体特征信息,以实现对晶体结构的检测;设置晶体学孪生网络模型,用于对晶体特征信息进行深度学习分析,得到晶体特征分析结果,从而实现对晶体特征的智能化分析;设置损伤分析模型,用于分析晶体特征分析结果,生成代表晶体损伤程度的晶体损伤指数,实现对晶体质量的评估;设置第一预定指数阈值,判断晶体损伤指数是否符合标准,如果符合,则启动加工检测组件,实现检测流程的分级控制;在加工检测组件中,对半导体的离子注入特征进行分析,得到代表电学损失的电学损失指数,实现对加工质量的评估;当电学损失指数符合第二预定指数阈值时,启动表观检测组件,在表观检测组件中,设置信号发射器和接收器,对半导体表面形貌进行检测,并经信号对比模型分析,生成表观质量指数;最后将三个指数进行加和,得到半导体的最终检测结果的技术方案,实现对半导体的系统化、智能化评估,解决了现有技术中半导体检测精度和检测结果准确度低下的技术问题,达到了提高半导体检测精度和检测结果准确度的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于卷积模型的半导体检测方法的一种流程示意图;
图2为本申请实施例提供了一种基于卷积模型的半导体检测系统中智能检测模块的一种结构示意图;
图3为本申请实施例提供了一种基于卷积模型的半导体检测系统的一种结构示意图。
附图标记说明:多维度特征采集单元11,晶体特征分析单元12,晶体损伤指数单元13,电学损失指数单元14,检测信号发射单元15,检测信号接收单元16,表观质量指数单元17,检测结果生成单元18。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于卷积模型的半导体检测方法及系统。通过材料检测组件、加工检测组件和表观检测组件,对半导体进行多角度检测,实现对半导体的全流程、系统化检测。
在材料检测组件中,利用晶体识别器对硅片晶体进行识别,然后进行特征提取,并输入提取的晶体特征信息到晶体学孪生网络中进行深度学习分析,得到晶体损伤程度的定量指标即晶体损伤指数。
在加工检测组件中,当晶体损伤指数符合阈值时,启动加工检测组件对离子注入特征进行分析,得到电学损失指数。
在表观检测组件中,当电学损失指数符合阈值时,利用信号发射器和接收器对半导体进行表面检测,经过信号对比模型分析,得到表观质量指数。
最后,将三项指数进行加和,得到半导体的综合检测结果。本申请通过构建智能化、系统化、分级联动的检测方法,实现对半导体的精确高效检测,以达到准确、高效地对半导体质量进行智能评估和控制的技术目的。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于卷积模型的半导体检测方法,该方法应用于一种基于卷积模型的半导体检测系统,该系统包括智能检测模块,且智能检测模块包括材料检测组件、加工检测组件和表观检测组件。
在本申请实施例中,提供一种基于卷积模型的半导体检测方法,该方法应用于本发明公开了一种基于卷积模型的半导体检测方法,该方法应用于一种基于卷积模型的半导体检测系统中,该半导体检测系统包括智能检测模块,以有效地对半导体进行全面且智能化的质量检测。如图2所示,智能检测模块集成了材料检测组件、加工检测组件和表观检测组件三个组件。其中,材料检测组件用于对硅片材料晶体的进行特征采集,并进行分析,获取晶体损失指数;加工检测组件用于对硅片材料的离子注入特征进行分析,获取电学损失指数,评估电学性能;表观检测组件用于对半导体产品的表观进行检测,检测表面的缺陷情况,获取表观质量指数。
本申请实施例通过三个组件的协同工作,从材料结构、电学性能和外观质量等不同方面全面检测半导体的质量,实现智能化和精准化的半导体检测。
半导体检测包括:
对通过材料检测组件中晶体识别器识别到的半导体的硅片材料晶体进行多维度特征采集,得到晶体特征信息;
进一步的,本步骤具体包括:
所述晶体识别器包括第一识别层和第二识别层;
获取所述硅片材料晶体的晶体显微图像;
获取晶体离散余弦变换系数,所述晶体离散余弦变换系数包括晶体直流系数和晶体交流系数;
通过所述第一识别层分析所述晶体直流系数得到所述晶体显微图像的晶体纹理特征;
通过所述第二识别层分析所述晶体交流系数得到所述晶体显微图像的晶体颜色特征;
获得所述晶体特征信息,所述晶体特征信息由所述晶体纹理特征和所述晶体颜色特征组成。
在一种可行的实施方式中,材料检测组件中设置有晶体识别器,在晶体识别器中设置了第一识别层和第二识别层以实现对硅片材料晶体的晶体显微图像的晶体离散余弦变换系数进行处理与分析。其中,第一识别层和第二识别层由卷积神经网络构成;第一识别层包含卷积层、池化层等,通过卷积核对输入的晶体直流系数进行特征提取,获取晶体纹理特征;第二识别层也包含卷积层、池化层等结构,可以获取晶体颜色特征。第一识别层对晶体离散余弦变换系数的直流分量敏感,第二识别层对晶体离散余弦变换系数的交流分量敏感,两层协同工作,对晶体显微图像的纹理和颜色特征进行全面分析。
为获取硅片材料晶体的晶体特征信息,首先,通过光学显微镜对硅片进行观察,调节焦距拍摄硅片材料晶体区域的图像,获取硅片材料晶体的晶体显微图像。其次,对获得的整张晶体显微图像进行分割,分割为多个标准大小的图像块,对每个图像块依次进行离散余弦变换,将图像块从空间域转换到频域,得到每个图像块对应的一组离散余弦变换系数。其中,每个图像块的余弦变换系数中既包含代表颜色信息的晶体直流系数分量,也包含代表纹理信息的晶体交流系数分量。将所有图像块的离散余弦变换系数累加,即对每个频域点上的系数进行加和,获得反映整张晶体显微图像信息的晶体离散余弦变换系数。
然后,将晶体直流系数作为第一识别层的输入,经过第一识别层的卷积计算,提取出图像中的纹理变化,获取晶体纹理特征;将晶体交流系数作为第二识别层的输入,经过第二识别层的卷积计算,提取出图像中的颜色变化,获取晶体颜色特征。最后,将晶体纹理特征和晶体颜色特征进行汇总,得到晶体特征信息,实现对硅片材料晶体的多维度特征采集,以提供详尽的晶体特征,为分析晶体损伤提供基础信息。
将所述晶体特征信息传输至晶体学孪生网络模型进行分析,得到晶体特征分析结果,所述晶体学孪生网络模型内嵌于所述材料检测组件;
进一步的,本申请实施例还包括:
所述晶体学孪生网络模型包括第一孪生模型和第二孪生模型;
获取初始晶体图像,所述初始晶体图像是指初始硅片材料的初始硅片晶体的显微图像;
获取初始晶体特征信息,所述初始晶体特征信息基于初始晶体离散余弦变换系数得到;
将所述初始晶体特征信息、所述晶体特征信息分别输入所述晶体学孪生网络模型中的所述第一孪生模型、所述第二孪生模型,得到区别特征信息;
将所述区别特征信息作为所述晶体特征分析结果。
在一种可行的实施方式中,材料检测组件内嵌有晶体学孪生网络模型,以对晶体特征信息进行分析,得到晶体特征分析结果。该晶体学孪生网络模型设置了第一孪生模型和第二孪生模型。其中,第一孪生模型和第二孪生模型均由卷积神经网络构成,包含输入层、多层卷积层、池化层以及全连接输出层等结构,两模型的网络结构参数设置完全一致;第一孪生模型接收初始晶体特征信息作为输入,第二孪生模型接收需要检测的晶体特征信息作为输入,通过对两模型比较初始晶体特征信息和晶体特征信息,检测晶体与初始晶体之间的差异,获得晶体损伤的区别特征信息。通过设置晶体学孪生网络模型,可以有效地对晶体特征进行对比分析,精确检测到晶体缺陷,以提高晶体损伤检测的准确率与灵敏度。
首先,准备初始硅片材料样本,该初始样本为未经处理的原始硅片,其切割自单晶硅棒,晶体完整无损伤。其次,使用光学显微镜或扫描电子显微镜等设备,选取硅片中间具代表性的晶体区域进行显微成像,获取初始硅片材料的初始硅片晶体区域的显微图像,作为初始晶体图像。再次,对初始晶体图像进行分割,得到多个图像子块,对每个图像子块进行离散余弦变换,得到初始晶体离散余弦变换系数,通过晶体识别器中的第一识别层和第二识别层对初始晶体离散余弦变换系数进行特征提取,得到初始晶体纹理特征和初始晶体颜色特征,汇总后得到表示初始硅片晶体组织信息的初始晶体特征信息。
然后,将得到的初始硅片晶体的初始晶体特征信息输入到第一孪生模型中;将待检测晶体的晶体特征信息输入到第二孪生模型中。接着,分别启动第一孪生模型和第二孪生模型,对各自的输入晶体特征信息进行学习提取,第一孪生模型输出初始晶体的反常特征信息,第二孪生模型输出待检测晶体的反常特征信息。之后,比较两个孪生模型的输出结果,明确两者之间的特征差异,得到反映待检测晶体缺陷的区别特征信息,将该区别特征信息作为晶体特征分析结果。
获得晶体损伤指数,所述晶体损伤指数通过所述材料检测组件中的损伤分析模型对所述晶体特征分析结果进行分析得到;
进一步的,本申请实施例还包括:
从所述晶体特征分析结果中提取第一特征指标的第一指标参数;
根据所述第一指标参数与第一预设指标参数阈值得到所述第一特征指标的第一偏差比例;
通过所述损伤分析模型中存储有预设特征指标权重系数集;
结合所述预设特征指标权重系数集加权基于所述第一偏差比例组建的晶体特征偏差比例集得到所述晶体损伤指数。
在一种可行的实施方式中,材料检测组件设置有损伤分析模型,以对晶体特征分析结果进行分析,得到晶体损伤指数。首先,从晶体特征分析的结果中提取第一特征指标的具体参数值,作为第一指标参数,例如,选取晶体裂纹长度作为第一特征指标,则对应的第一指标参数为晶体中裂纹的实际长度值。然后,确定第一特征指标的根据经验设置的第一预设指标参数阈值,例如裂纹长度的阈值设为10μm;获取已提取出的第一指标参数值,如晶体中的实测裂纹长度为15μm;计算该参数与阈值的偏差为5μm,再计算偏差值5μm占阈值10μm的偏差比例为50%,这该晶体裂纹长度特征指标的第一偏差比例为50%。依照上述方式计算晶体特征分析结果中所有特征指标的指标参数对应的偏差比例,得到晶体特征偏差比例集。
综合研究文献和行业经验,确定各特征指标对晶体损伤评估的不同贡献度,根据贡献度高低,给不同特征指标设置权重系数。贡献大的,权重系数设高;贡献小的,权重系数设低。经过多次试验和调整,由专家组确定一组合理评估各特征指标并计算出准确晶体损伤指数的权重系数集。将这一组经验证的权重系数集预先存储在损伤分析模型中,作为预设特征指标权重系数集使用。在计算每个硅片的晶体损伤指数时,直接调用该预设权重系数集进行加权计算。
然后,在损伤分析模型中调用预设特征指标权重系数集,逐一读取晶体特征偏差比例集中的每一个偏差比例,根据该偏差比例对应的特征指标,查找其预设权重系数。最后,通过加权计算,即每一个偏差比例与对应的权重系数相乘,再求和,即可得到晶体损伤指数。
当所述晶体损伤指数符合第一预定指数阈值时,启动所述加工检测组件对所述硅片材料的离子注入特征进行分析,得到电学损失指数;
进一步的,本申请实施例还包括:
所述加工检测组件基于第一离子量对所述硅片材料进行注入检测,得到第一注入层参数;
其中,所述第一注入层参数包括第一载流子寿命、第一扩散系数、第一注入层厚度、第一前表面复合速度、第一电学损失指数;
依次对所述第一载流子寿命、所述第一扩散系数、所述第一注入层厚度、所述第一前表面复合速度与所述第一电学损失指数进行拟合分析,得到拟合分析结果;
根据所述拟合分析结果确定目标表征指标,所述目标表征指标用于表征所述硅片材料的所述电学损失指数。
在一种可行的实施方式中,根据对半导体生产质量的要求设置第一预定指数阈值,用于对晶体损伤指数进行判断,以判断是否通过加工检测组件对硅片材料进行电学检测。当硅片晶体的晶体损伤指数小于第一预定指数阈值时,代表晶体损伤指数符合第一预定指数阈值,此时启动加工检测组件对硅片材料的离子注入特征进行分析;如果晶体损伤指数大于或等于第一预定指数阈值,说明晶体损伤过重,不再适合用于半导体产品的生产制造,判定为不合格品,不再进行电学检测,以节约时间和成本,提高检测效率。
当晶体损伤指数符合第一预定指数阈值时,首先,根据预设的第一离子量,使用离子注入设备对硅片材料进行离子注入处理。其次,通过四探针测试结合超导量子干涉测量等手段,对注入后的硅片进行电学测试,获得第一注入层参数,包括第一载流子寿命、第一扩散系数、第一注入层厚度、第一前表面复合速度、第一电学损失指数。其中,第一载流子寿命反映载流子的平均寿命;第一扩散系数反映离子在硅片中的扩散速率;第一注入层厚度为注入层的深度;第一前表面复合速度反映表面缺陷对载流子复合的速率;第一电学损失指数评估注入层的电学性能质量。这些第一注入层的参数构成了硅片在第一离子量注入条件下的电学特征指标,为电学分析提供了详尽的数据支持。其中,不同的离子量注入条件,获得不同的注入层参数,以全面评估硅片材料的电学特性。
然后,选取合适的曲线拟合模型,如指数衰减模型等;分别取出第一载流子寿命和第一电学损失指数,对第一载流子寿命与第一电学损失指数进行拟合,得到这两个参数的拟合关系。重复上述过程,依次对第一扩散系数、第一注入层厚度、第一前表面复合速度与第一电学损失指数进行拟合,得到四个参数与第一电学损失指数的各自拟合结果,作为拟合分析结果。随后,根据拟合分析结果,即各电学参数与损失指数的拟合关系,评估各参数反映损失的敏感性,选择与损失指数拟合优度最高,且变化幅度最大的电学参数作为目标表征指标,用于表征电学损失指数。例如,如果第一载流子寿命与第一电学损失指数的相关性最强,其变化范围也最大,则选择第一载流子寿命作为目标表征指标,表征硅片材料的电学损失指数。
进一步的,本步骤具体还包括:
所述加工检测组件基于第二离子量对所述硅片材料进行注入检测,得到第二注入层参数,且所述第二注入层参数包括所述目标表征指标的第二指标参数;
根据所述第一离子量与所述第一注入层参数中所述目标表征指标的第一指标参数的第一匹配关系、所述第二离子量与所述第二指标参数的第二匹配关系,组建离子注入量-注入层电损列表;
所述离子注入量-注入层电损列表用于匹配所述电学损失指数。
优选的,采取多组离子量对硅片材料进行注入检测。在以第一离子量确定目标表征指标后,基于第二离子量对硅片材料进行再次注入检测,获得第二注入层参数。第二注入层参数同样包含对应确定的目标表征指标,例如第二扩散系数。
然后,在第一注入层参数中,确定目标表征指标的第一指标参数,如提取出第一载流子寿命的具体数值X1作为第一指标参数,记录第一离子量与第一指标参数之间的对应关系,作为第一匹配关系。在第一注入层参数中,确定目标表征指标的第一指标参数,如提取出第二扩散系数的具体数值Y1作为第二指标参数,记录第二离子量与第二指标参数之间的对应关系,作为第二匹配关系。将两组匹配关系整合,即第一离子量-X1与第二离子量-Y1,构成离子注入量-注入层电损列表。该列表用于确定电学损失指数,具体地,在匹配列表中,查找特定离子注入量所对应的目标表征指标的参数值,该参数值作为该离子注入条件下硅片的电学损失指数。
当所述电学损失指数符合第二预定指数阈值时,启动所述表观检测组件中的信号发射器对所述半导体的表面发出线性调频红外热波发射信号;
在本申请实施例中,根据对半导体的生产要求设置第二预定指数阈值,用于判断电学损失指数是否满足生产条件,当硅片材料的电学损失指数小于第二预定指数阈值时,为电学损失指数符合第二预定指数阈值,此时启动表观检测组件进行表面质量检测;如果电学损失指数大于或等于第二预定指数阈值,则说明硅片在制作加工过程中受损严重,此时不再需要进行表观检测,直接反馈给生产系统,及时调整加工工艺参数等,以避免最终产品不合格。
表观检测组件包含一个线性调频红外热源,作为信号发射器。当电学损失指数符合第二预定指数阈值时,将半导体样品置于工作台上,调整样品位置,使表面朝向信号发射器。在表观检测组件中对信号发射器输入控制信号,初始化红外热源的工作参数,如中心频率、频带宽度等,配置线性调频信号的时域模式,即热源的工作时长,调幅速率等参数。然后,触发信号发射器的控制电路,驱动热源发出设定波形的线性调频红外热辐射信号,使红外线覆盖待检测半导体表面。实现线性调频红外热波发射信号的发出。
获取线性调频红外热波接收信号,所述线性调频红外热波接收信号通过所述表观检测组件中的信号接收器得到;
在本申请实施例中,表观检测组件同时包含一个红外探测器,作为信号接收器,对半导体样品反射回来的线性调频红外热波接收信号进行接收。线性调频红外热波接收信号是线性调频红外热波发射信号经过半导体样品表面发射后产生的响应信号,承载半导体表面信息,通过信号接收器采集该反射信号,可以获得半导体表面特征的数据。通过协同进行红外热波的发射与接收,实现对半导体表面的无接触检测。
通过信号对比模型对所述线性调频红外热波发射信号与所述线性调频红外热波接收信号进行对比分析得到所述半导体的表观质量指数,所述信号对比模型内嵌于所述表观检测组件;
进一步的,本步骤具体包括:
基于试样线性调频红外热波发射信号对所述半导体的同类表观裂纹试样进行线性调频红外热波检测,得到试样线性调频红外热波接收信号;
对所述试样线性调频红外热波发射信号与所述试样线性调频红外热波接收信号的试验信号对比结果、所述同类表观裂纹试样的试样表观质量指数进行监督学习,并检验得到所述信号对比模型。
在一种可行的实施方式中,为实现对表观质量指数的获取,先构建信号对比模型。首先,准备多个具有同类表面裂纹的半导体试样,试样表面具有不同程度的裂纹;将各试样置于表观检测组件的工作台。其次,配置线性调频信号的参数,如频率范围、调制率等,形成连续变化的热波信号。再次,使用信号发射器对各试样进行扫描检测,信号发射后,试样产生不同的热反射响应,使用信号接收器获取反射信号,得到试样线性调频红外热波接收信号。从而收集大量包含不同裂纹试样的试样线性调频红外热波发射信号与试样线性调频红外热波接收信号。随后,对收集的试样线性调频红外热波发射信号与试样线性调频红外热波接收信号进行对比,获取不同试样的信号对比结果;同时通过专家评定获得每一个试样对应的表观质量指数,作为监督标签。然后,将试样线性调频红外热波发射信号与试样线性调频红外热波接收信号对比结果以及每一个试样对应的表观质量指数输入监督学习模型,如线性回归模型;学习信号对比结果与表观质量指数的量化映射关系。调整模型结构参数,重复训练,然后使用独立试样验证模型的检测性能是否达标,当达标时,得到可靠的信号对比模型。之后,将信号对比模型内嵌于表观检测组件中,以方便对线性调频红外热波发射信号与所述线性调频红外热波接收信号进行高效分析处理,获取半导体的表观质量指数,提高检测效率。
接着,将获取的待检测半导体的线性调频红外热波发射信号与所述线性调频红外热波接收信号进行对比,获取信号对比结果;将该信号对比结果作为信号对比模型的输入,模型提取信号的差异特征,输出表观质量指数。
加和所述晶体损伤指数、所述电学损失指数和所述表观质量指数,生成所述半导体的检测结果。
在本申请实施例中,在完成对半导体材料的晶体检测、电学检测和表观检测,获取相应的晶体损伤指数、电学损失指数和表观质量指数后,整合各项检测结果,生成半导体的检测结果。
首先,提取出该半导体样品的晶体损伤指数、电学损失指数以及表观质量指数。同时,设定指数的量化转换比例,将三类指数转换到同一量级数量级。然后,对转换后的数据进行加和,获得反映半导体综合质量的汇总指数。随后,根据预设的质量等级区间,确定该汇总指数对应的半导体质量等级。接着,生成含有半导体样品编号、各项指数、汇总指数、半导体质量等级的半导体检测结果,实现对半导体质量多维检测结果的有效集成,为半导体生产管理决策提供依据。
综上所述,本申请实施例所提供的一种基于卷积模型的半导体检测方法具有如下技术效果:
对通过材料检测组件中晶体识别器识别到的半导体的硅片材料晶体进行多维度特征采集,得到晶体特征信息,实现晶体结构检测。将晶体特征信息传输至晶体学孪生网络模型进行分析,得到晶体特征分析结果,晶体学孪生网络模型内嵌于材料检测组件,实现晶体特征的智能化分析。获得晶体损伤指数,晶体损伤指数通过材料检测组件中的损伤分析模型对晶体特征分析结果进行分析得到,实现对晶体质量的评估。当晶体损伤指数符合第一预定指数阈值时,启动加工检测组件对硅片材料的离子注入特征进行分析,得到电学损失指数,实现检测流程的分级控制,提高效率。当电学损失指数符合第二预定指数阈值时,启动表观检测组件中的信号发射器对半导体的表面发出线性调频红外热波发射信号,实现检测流程的分级控制。获取线性调频红外热波接收信号,线性调频红外热波接收信号通过表观检测组件中的信号接收器得到;通过信号对比模型对线性调频红外热波发射信号与线性调频红外热波接收信号进行对比分析得到半导体的表观质量指数,信号对比模型内嵌于表观检测组件,实现表观检测。加和晶体损伤指数、电学损失指数和表观质量指数,生成半导体的检测结果,实现对半导体智能化、系统化、分级联动的检测,达到了提高半导体检测精度和检测结果准确度的技术效果。
实施例二
基于与前述实施例中一种基于卷积模型的半导体检测方法相同的发明构思,如图3所示,本申请实施例提供了一种基于卷积模型的半导体检测系统,该系统包括智能检测模块,且智能检测模块包括材料检测组件、加工检测组件和表观检测组件,该系统包括:
多维度特征采集单元11,用于对通过材料检测组件中晶体识别器识别到的半导体的硅片材料晶体进行多维度特征采集,得到晶体特征信息;
晶体特征分析单元12,用于将所述晶体特征信息传输至晶体学孪生网络模型进行分析,得到晶体特征分析结果,所述晶体学孪生网络模型内嵌于所述材料检测组件;
晶体损伤指数单元13,用于获得晶体损伤指数,所述晶体损伤指数通过所述材料检测组件中的损伤分析模型对所述晶体特征分析结果进行分析得到;
电学损失指数单元14,用于当所述晶体损伤指数符合第一预定指数阈值时,启动所述加工检测组件对所述硅片材料的离子注入特征进行分析,得到电学损失指数;
检测信号发射单元15,用于当所述电学损失指数符合第二预定指数阈值时,启动所述表观检测组件中的信号发射器对所述半导体的表面发出线性调频红外热波发射信号;
检测信号接收单元16,用于获取线性调频红外热波接收信号,所述线性调频红外热波接收信号通过所述表观检测组件中的信号接收器得到;
表观质量指数单元17,用于通过信号对比模型对所述线性调频红外热波发射信号与所述线性调频红外热波接收信号进行对比分析得到所述半导体的表观质量指数,所述信号对比模型内嵌于所述表观检测组件;
检测结果生成单元18,用于加和所述晶体损伤指数、所述电学损失指数和所述表观质量指数,生成所述半导体的检测结果。
进一步的,多维度特征采集模块11包括以下执行步骤:
获取所述硅片材料晶体的晶体显微图像;
获取晶体离散余弦变换系数,所述晶体离散余弦变换系数包括晶体直流系数和晶体交流系数;
通过所述第一识别层分析所述晶体直流系数得到所述晶体显微图像的晶体纹理特征;
通过所述第二识别层分析所述晶体交流系数得到所述晶体显微图像的晶体颜色特征;
获得所述晶体特征信息,所述晶体特征信息由所述晶体纹理特征和所述晶体颜色特征组成。
进一步的,晶体特征分析模块12包括以下执行步骤:
获取初始晶体图像,所述初始晶体图像是指初始硅片材料的初始硅片晶体的显微图像;
获取初始晶体特征信息,所述初始晶体特征信息基于初始晶体离散余弦变换系数得到;
将所述初始晶体特征信息、所述晶体特征信息分别输入所述晶体学孪生网络模型中的所述第一孪生模型、所述第二孪生模型,得到区别特征信息;
将所述区别特征信息作为所述晶体特征分析结果。
进一步的,晶体损伤指数模块13包括以下执行步骤:
从所述晶体特征分析结果中提取第一特征指标的第一指标参数;
根据所述第一指标参数与第一预设指标参数阈值得到所述第一特征指标的第一偏差比例;
通过所述损伤分析模型中存储有预设特征指标权重系数集;
结合所述预设特征指标权重系数集加权基于所述第一偏差比例组建的晶体特征偏差比例集得到所述晶体损伤指数。
进一步的,电学损失指数模块14包括以下执行步骤:
所述加工检测组件基于第一离子量对所述硅片材料进行注入检测,得到第一注入层参数;
其中,所述第一注入层参数包括第一载流子寿命、第一扩散系数、第一注入层厚度、第一前表面复合速度、第一电学损失指数;
依次对所述第一载流子寿命、所述第一扩散系数、所述第一注入层厚度、所述第一前表面复合速度与所述第一电学损失指数进行拟合分析,得到拟合分析结果;
根据所述拟合分析结果确定目标表征指标,所述目标表征指标用于表征所述硅片材料的所述电学损失指数。
进一步的,电学损失指数模块14还包括以下执行步骤:
所述加工检测组件基于第二离子量对所述硅片材料进行注入检测,得到第二注入层参数,且所述第二注入层参数包括所述目标表征指标的第二指标参数;
根据所述第一离子量与所述第一注入层参数中所述目标表征指标的第一指标参数的第一匹配关系、所述第二离子量与所述第二指标参数的第二匹配关系,组建离子注入量-注入层电损列表;
所述离子注入量-注入层电损列表用于匹配所述电学损失指数。
进一步的,表观质量指数模块17包括以下执行步骤:
基于试样线性调频红外热波发射信号对所述半导体的同类表观裂纹试样进行线性调频红外热波检测,得到试样线性调频红外热波接收信号;
对所述试样线性调频红外热波发射信号与所述试样线性调频红外热波接收信号的试验信号对比结果、所述同类表观裂纹试样的试样表观质量指数进行监督学习,并检验得到所述信号对比模型。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (3)
1.一种基于卷积模型的半导体检测方法,其特征在于,所述方法应用于一种基于卷积模型的半导体检测系统,所述系统包括智能检测模块,且所述智能检测模块包括材料检测组件、加工检测组件和表观检测组件,所述方法包括:
对通过材料检测组件中晶体识别器识别到的半导体的硅片材料晶体进行多维度特征采集,得到晶体特征信息;
将所述晶体特征信息传输至晶体学孪生网络模型进行分析,得到晶体特征分析结果,所述晶体学孪生网络模型内嵌于所述材料检测组件;
其中,所述晶体学孪生网络模型包括第一孪生模型和第二孪生模型,所述将所述晶体特征信息传输至晶体学孪生网络模型进行分析,得到晶体特征分析结果,包括:
获取初始晶体图像,所述初始晶体图像是指初始硅片材料的初始硅片晶体的显微图像;
获取初始晶体特征信息,所述初始晶体特征信息基于初始晶体离散余弦变换系数得到;
将所述初始晶体特征信息、所述晶体特征信息分别输入所述晶体学孪生网络模型中的所述第一孪生模型、所述第二孪生模型,得到区别特征信息;
将所述区别特征信息作为所述晶体特征分析结果;
获得晶体损伤指数,所述晶体损伤指数通过所述材料检测组件中的损伤分析模型对所述晶体特征分析结果进行分析得到,所述获得晶体损伤指数,包括:
从所述晶体特征分析结果中提取第一特征指标的第一指标参数;
根据所述第一指标参数与第一预设指标参数阈值得到所述第一特征指标的第一偏差比例;
通过所述损伤分析模型中存储有预设特征指标权重系数集;
结合所述预设特征指标权重系数集加权基于所述第一偏差比例组建的晶体特征偏差比例集得到所述晶体损伤指数;
当所述晶体损伤指数符合第一预定指数阈值时,启动所述加工检测组件对所述硅片材料的离子注入特征进行分析,得到电学损失指数,包括:
所述加工检测组件基于第一离子量对所述硅片材料进行注入检测,得到第一注入层参数;
其中,所述第一注入层参数包括第一载流子寿命、第一扩散系数、第一注入层厚度、第一前表面复合速度、第一电学损失指数;
依次对所述第一载流子寿命、所述第一扩散系数、所述第一注入层厚度、所述第一前表面复合速度与所述第一电学损失指数进行拟合分析,得到拟合分析结果;
根据所述拟合分析结果确定目标表征指标,所述目标表征指标用于表征所述硅片材料的所述电学损失指数;
其中,所述方法还包括:
所述加工检测组件基于第二离子量对所述硅片材料进行注入检测,得到第二注入层参数,且所述第二注入层参数包括所述目标表征指标的第二指标参数;
根据所述第一离子量与所述第一注入层参数中所述目标表征指标的第一指标参数的第一匹配关系、所述第二离子量与所述第二指标参数的第二匹配关系,组建离子注入量-注入层电损列表;
所述离子注入量-注入层电损列表用于匹配所述电学损失指数;
当所述电学损失指数符合第二预定指数阈值时,启动所述表观检测组件中的信号发射器对所述半导体的表面发出线性调频红外热波发射信号;
获取线性调频红外热波接收信号,所述线性调频红外热波接收信号通过所述表观检测组件中的信号接收器得到;
通过信号对比模型对所述线性调频红外热波发射信号与所述线性调频红外热波接收信号进行对比分析得到所述半导体的表观质量指数,所述信号对比模型内嵌于所述表观检测组件,包括:
基于试样线性调频红外热波发射信号对所述半导体的同类表观裂纹试样进行线性调频红外热波检测,得到试样线性调频红外热波接收信号;
对所述试样线性调频红外热波发射信号与所述试样线性调频红外热波接收信号的试验信号对比结果、所述同类表观裂纹试样的试样表观质量指数进行监督学习,并检验得到所述信号对比模型;
加和所述晶体损伤指数、所述电学损失指数和所述表观质量指数,生成所述半导体的检测结果。
2.根据权利要求1所述方法,其特征在于,所述晶体识别器包括第一识别层和第二识别层,所述对通过材料检测组件中晶体识别器识别到的半导体的硅片材料晶体进行多维度特征采集,得到晶体特征信息,包括:
获取所述硅片材料晶体的晶体显微图像;
获取晶体离散余弦变换系数,所述晶体离散余弦变换系数包括晶体直流系数和晶体交流系数;
通过所述第一识别层分析所述晶体直流系数得到所述晶体显微图像的晶体纹理特征;
通过所述第二识别层分析所述晶体交流系数得到所述晶体显微图像的晶体颜色特征;
获得所述晶体特征信息,所述晶体特征信息由所述晶体纹理特征和所述晶体颜色特征组成。
3.一种基于卷积模型的半导体检测系统,其特征在于,用于实施权利要求1-2任意一项所述的一种基于卷积模型的半导体检测方法,所述系统包括智能检测模块,且所述智能检测模块包括材料检测组件、加工检测组件和表观检测组件,所述系统包括:
多维度特征采集单元,所述多维度特征采集单元用于对通过材料检测组件中晶体识别器识别到的半导体的硅片材料晶体进行多维度特征采集,得到晶体特征信息;
晶体特征分析单元,所述晶体特征分析单元用于将所述晶体特征信息传输至晶体学孪生网络模型进行分析,得到晶体特征分析结果,所述晶体学孪生网络模型内嵌于所述材料检测组件;
晶体损伤指数单元,所述晶体损伤指数单元用于获得晶体损伤指数,所述晶体损伤指数通过所述材料检测组件中的损伤分析模型对所述晶体特征分析结果进行分析得到;
电学损失指数单元,所述电学损失指数单元用于当所述晶体损伤指数符合第一预定指数阈值时,启动所述加工检测组件对所述硅片材料的离子注入特征进行分析,得到电学损失指数;
检测信号发射单元,所述检测信号发射单元用于当所述电学损失指数符合第二预定指数阈值时,启动所述表观检测组件中的信号发射器对所述半导体的表面发出线性调频红外热波发射信号;
检测信号接收单元,所述检测信号接收单元用于获取线性调频红外热波接收信号,所述线性调频红外热波接收信号通过所述表观检测组件中的信号接收器得到;
表观质量指数单元,所述表观质量指数单元用于通过信号对比模型对所述线性调频红外热波发射信号与所述线性调频红外热波接收信号进行对比分析得到所述半导体的表观质量指数,所述信号对比模型内嵌于所述表观检测组件;
检测结果生成单元,所述检测结果生成单元用于加和所述晶体损伤指数、所述电学损失指数和所述表观质量指数,生成所述半导体的检测结果;
晶体特征分析模块包括以下执行步骤:
获取初始晶体图像,所述初始晶体图像是指初始硅片材料的初始硅片晶体的显微图像;
获取初始晶体特征信息,所述初始晶体特征信息基于初始晶体离散余弦变换系数得到;
将所述初始晶体特征信息、所述晶体特征信息分别输入所述晶体学孪生网络模型中的所述第一孪生模型、所述第二孪生模型,得到区别特征信息;
将所述区别特征信息作为所述晶体特征分析结果;
晶体损伤指数模块包括以下执行步骤:
从所述晶体特征分析结果中提取第一特征指标的第一指标参数;
根据所述第一指标参数与第一预设指标参数阈值得到所述第一特征指标的第一偏差比例;
通过所述损伤分析模型中存储有预设特征指标权重系数集;
结合所述预设特征指标权重系数集加权基于所述第一偏差比例组建的晶体特征偏差比例集得到所述晶体损伤指数;
电学损失指数模块包括以下执行步骤:
所述加工检测组件基于第一离子量对所述硅片材料进行注入检测,得到第一注入层参数;
其中,所述第一注入层参数包括第一载流子寿命、第一扩散系数、第一注入层厚度、第一前表面复合速度、第一电学损失指数;
依次对所述第一载流子寿命、所述第一扩散系数、所述第一注入层厚度、所述第一前表面复合速度与所述第一电学损失指数进行拟合分析,得到拟合分析结果;
根据所述拟合分析结果确定目标表征指标,所述目标表征指标用于表征所述硅片材料的所述电学损失指数;
所述加工检测组件基于第二离子量对所述硅片材料进行注入检测,得到第二注入层参数,且所述第二注入层参数包括所述目标表征指标的第二指标参数;
根据所述第一离子量与所述第一注入层参数中所述目标表征指标的第一指标参数的第一匹配关系、所述第二离子量与所述第二指标参数的第二匹配关系,组建离子注入量-注入层电损列表;
所述离子注入量-注入层电损列表用于匹配所述电学损失指数;
表观质量指数模块包括以下执行步骤:
基于试样线性调频红外热波发射信号对所述半导体的同类表观裂纹试样进行线性调频红外热波检测,得到试样线性调频红外热波接收信号;
对所述试样线性调频红外热波发射信号与所述试样线性调频红外热波接收信号的试验信号对比结果、所述同类表观裂纹试样的试样表观质量指数进行监督学习,并检验得到所述信号对比模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311200057.1A CN116934758B (zh) | 2023-09-18 | 2023-09-18 | 一种基于卷积模型的半导体检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311200057.1A CN116934758B (zh) | 2023-09-18 | 2023-09-18 | 一种基于卷积模型的半导体检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934758A CN116934758A (zh) | 2023-10-24 |
CN116934758B true CN116934758B (zh) | 2023-11-24 |
Family
ID=88384731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311200057.1A Active CN116934758B (zh) | 2023-09-18 | 2023-09-18 | 一种基于卷积模型的半导体检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934758B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668527A (zh) * | 2020-12-31 | 2021-04-16 | 华南理工大学 | 一种超声导波半监督成像检测方法 |
CN113517760A (zh) * | 2021-09-10 | 2021-10-19 | 广州健新科技有限责任公司 | 一种基于大数据和数字孪生的电池储能站监测方法及系统 |
CN116519699A (zh) * | 2023-02-23 | 2023-08-01 | 中国民用航空飞行学院 | 一种结构损伤检测系统及结构损伤检测方法 |
-
2023
- 2023-09-18 CN CN202311200057.1A patent/CN116934758B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668527A (zh) * | 2020-12-31 | 2021-04-16 | 华南理工大学 | 一种超声导波半监督成像检测方法 |
CN113517760A (zh) * | 2021-09-10 | 2021-10-19 | 广州健新科技有限责任公司 | 一种基于大数据和数字孪生的电池储能站监测方法及系统 |
CN116519699A (zh) * | 2023-02-23 | 2023-08-01 | 中国民用航空飞行学院 | 一种结构损伤检测系统及结构损伤检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116934758A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107580710B (zh) | 用于增强检验工具的检验灵敏度的系统及方法 | |
CN108428231B (zh) | 一种基于随机森林的多参数零件表面粗糙度学习方法 | |
CN107885928B (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
CN115630847B (zh) | 一种基于数据预测的收发组件检测方法、系统及存储介质 | |
CN113984736B (zh) | 一种基于空间偏移拉曼光谱的带包装食品信号分离方法 | |
CN115032493B (zh) | 一种基于管芯参数显示的晶圆测试方法及系统 | |
CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN116848405A (zh) | 通过超声波来检测材料中缺陷的方法、装置和程序 | |
CN107300562B (zh) | 一种测量继电器成品触点间距的x射线无损检测方法 | |
CN109766518B (zh) | 考虑样本个体差异的不确定加速退化建模和分析方法 | |
CN116934758B (zh) | 一种基于卷积模型的半导体检测方法及系统 | |
CN113642209B (zh) | 基于数字孪生的结构植入故障响应数据获取及评判方法 | |
CN112860658B (zh) | 基于数据挖掘的高速列车电磁发射预测方法 | |
CN112598666B (zh) | 一种基于卷积神经网络的电缆隧道异常检测方法 | |
CN111678991B (zh) | 一种用于混凝土结构无损检测损伤识别的方法 | |
CN108572285A (zh) | 一种基于低频宽带噪声的高速光耦筛选方法 | |
CN109427049A (zh) | 一种涂层缺陷的检测方法 | |
CN109709060B (zh) | 一种沥青软化点、针入度和质量损失的测定方法 | |
CN115345256B (zh) | 应用于智能制造的工业产品测试系统 | |
CN115452957A (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
CN115438033A (zh) | 一种数字孪生运维数据质量检验方法 | |
CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
CN114186586A (zh) | 基于二维卷积神经网络的损伤识别方法及设备 | |
CN118225887B (zh) | 一种合金表面有机膜层的无损监测方法及系统 | |
CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 |
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 |