CN117007606A - 一种基于晶粒分割网络的晶圆晶粒缺陷检测方法及系统 - Google Patents
一种基于晶粒分割网络的晶圆晶粒缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117007606A CN117007606A CN202311035077.8A CN202311035077A CN117007606A CN 117007606 A CN117007606 A CN 117007606A CN 202311035077 A CN202311035077 A CN 202311035077A CN 117007606 A CN117007606 A CN 117007606A
- Authority
- CN
- China
- Prior art keywords
- wafer
- wafer image
- grain
- image
- die
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 97
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 35
- 239000013078 crystal Substances 0.000 claims abstract description 28
- 238000004519 manufacturing process Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 230000002950 deficient Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000005520 cutting process Methods 0.000 claims abstract description 15
- 230000005764 inhibitory process Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 235000002566 Capsicum Nutrition 0.000 description 8
- 239000006002 Pepper Substances 0.000 description 8
- 241000722363 Piper Species 0.000 description 8
- 235000016761 Piper aduncum Nutrition 0.000 description 8
- 235000017804 Piper guineense Nutrition 0.000 description 8
- 235000008184 Piper nigrum Nutrition 0.000 description 8
- 150000003839 salts Chemical class 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8858—Flaw counting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
-
- 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
- G06T2207/30204—Marker
-
- 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
- G06T2207/30242—Counting objects in image
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明涉及图像处理技术领域,尤其涉及一种基于晶粒分割网络的晶圆晶粒缺陷检测方法及系统,该方法的步骤包括:采集晶圆图像以及晶圆图像对应的生产工艺编号;对晶圆图像进行预处理得到晶圆图像块,所述预处理包括滑动裁切、高光抑制和数据增强;构建晶粒分割网络,通过编码器和解码器对晶圆图像块进行晶粒分割得到分割后的晶粒;构建缺陷检测网络,对分割后的晶粒进行缺陷检测得到晶圆图像块中的缺陷晶粒;统计晶圆图像块中缺陷晶粒数量,对缺陷晶粒数量大于阈值的晶圆图像块进行缺陷标记;综合缺陷标记和生产工艺编号对晶粒缺陷来源进行生产工艺定位,输出检测结果。本发明在提高晶圆缺陷检测准确率的同时实现缺陷来源定位。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于晶粒分割网络的晶圆晶粒缺陷检测方法及系统。
背景技术
半导体作为应用最为广泛的元器件之一,其制造过程需要经过切片、磨片、抛光、刻蚀、光刻等众多复杂工艺流程,生产过程中的任何异常都可能导致晶圆表面缺陷的产生。准确识别晶圆表面的各种缺陷,有助于提升晶圆制造质量。但是现有的检测方法仅能检测出晶圆缺陷,无法针对晶粒缺陷进行进一步检测从而定位晶粒缺陷的成因对应的某道工艺,不利于后续工艺优化进而提高晶圆良率。
例如在授权公告号为CN112700406B的中国专利中公开了一种基于卷积神经网络的晶圆缺陷检测方法及系统,涉及集成电路技术领域,该检测方法包括获取基于卷积神经网络的缺陷检测模型并保存,获取图像采集设备采集的晶圆图像,并进行加权均值滤波处理,将处理后的晶圆图像并输入至缺陷检测模型,利用缺陷检测模型检测晶圆图像缺陷的类型。
而在授权公告号为CN112529873B的中国专利中公开了一种基于ART神经网络的晶圆缺陷检测方法,包括以下步骤:获取基于ART神经网络的缺陷检测模型并保存;获取扫描电镜采集的晶圆图像,并输入至所述缺陷检测模型;利用所述缺陷检测模型检测所述晶圆图像的缺陷及缺陷类型。以上专利均存在本背景技术提出的问题:现有的检测方法仅能检测出晶圆缺陷,无法针对晶粒缺陷进行进一步检测从而定位晶粒缺陷的成因对应的某道工艺,不利于后续工艺优化进而提高晶圆良率。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种基于晶粒分割网络的晶圆晶粒缺陷检测方法及系统,本发明通过构建晶粒分割网络和缺陷检测网络在提高晶圆缺陷检测准确率的同时实现缺陷来源定位,为后续工艺改进提供重要依据。
为了达到上述目的,本发明采用以下技术方案:
本发明提供一种基于晶粒分割网络的晶圆晶粒缺陷检测方法,包括下述步骤:
采集晶圆图像以及晶圆图像对应的生产工艺编号,其中晶圆图像的名称中包含生产工艺编号;
对晶圆图像进行预处理得到晶圆图像块,预处理包括滑动裁切、高光抑制和数据增强;
构建晶粒分割网络,通过编码器和解码器对晶圆图像块进行晶粒分割得到分割后的晶粒;
构建缺陷检测网络,对分割后的晶粒进行缺陷检测得到晶圆图像块中的缺陷晶粒;
统计晶圆图像块中缺陷晶粒数量,对缺陷晶粒数量大于阈值的晶圆图像块进行缺陷标记;
综合缺陷标记和生产工艺编号对晶粒缺陷来源进行生产工艺定位,输出检测结果。
作为优选的技术方案,所述滑动裁切用于将晶圆图像裁切成晶圆图像块,裁切过程用下式表示:
式中M表示晶圆图像的高度,N表示晶圆图像的宽度,E表示晶圆图像块的边长,D表示连续两个晶圆图像块的中心像素点之间的距离,Q表示晶圆图像块的数目。
作为优选的技术方案,所述高光抑制用于对晶圆图像中的高光区域进行抑制,具体步骤包括:
对晶圆图像进行灰度化处理,逐行扫描确定每个像素的灰度值,将每行像素的灰度值记为一组,记录每组灰度值的中值,则第m行像素的灰度中值Ym为:
Ym=med(I(m,1),...,I(m,n)),m=1,...,n;
式中I(m,n)表示第m行n列像素的灰度值,med(·)表示从每组灰度值中选出灰度中值,因此整幅图像的灰度中值Y为:
Y=med(Y1,...,Yn);
式中Y1表示第1行像素的灰度中值,Yn表示第n行像素的灰度中值;
利用灰度中值对图像进行高光抑制,用下式表示:
式中I(m,n)表示高光抑制后的灰度值,i(m,n)表示原始图像的灰度值。
作为优选的技术方案,所述数据增强用于对晶圆图像进行扩充,具体步骤包括:
将晶圆图像进行图像变换,所述图像变换包括水平翻转、垂直翻转、随机角度旋转、噪声干扰和大尺度抖动中的至少一种。
作为优选的技术方案,所述灰度化处理过程用下式表示:
式中f(x,y)表示像素点(x,y)处的灰度值,R(x,y)表示红色分量,G(x,y)表示绿色分量,B(x,y)表示蓝色分量。
作为优选的技术方案,所述编码器通过特征提取单元和空洞空间金字塔池化单元对晶圆图像块进行特征编码,具体步骤包括:
通过特征提取单元对输入的晶圆图像块进行浅层特征提取得到浅层特征,所述特征提取单元为EfficientNet网络;
将浅层特征输入到空洞空间金字塔池化单元,获取多尺度深层特征;
对多尺度深层特征进行通道拼接并通过1×1卷积层降低拼接后的多尺度深层特征的通道数。
作为优选的技术方案,所述解码器包括注意力机制单元、上采样单元和特征融合单元,其中注意力机制单元的输出作为上采样单元的输入。
作为优选的技术方案,所述空洞空间金字塔池化单元包括膨胀率分别为6、12、18的三个并行空洞卷积、一个1×1卷积层以及一个全局平均池化层。
作为优选的技术方案,所述特征融合单元采用串联融合法将浅层特征与多尺度深层特征直接相连,组成一个新的融合特征,融合特征维度为融合前所有的特征向量维度之和。
作为优选的技术方案,所述晶粒分割网络的损失函数用下式表示:
loss=ξLhc+(1-ξ)Llc;
式中ξ表示随训练变化的参数,ei表示当前训练的迭代次数,en表示设置的训练迭代次数,fc表示提供周期性计划的可变性,Llc表示将权重集中在错误预测数据样本,Lhc表示将权重集中在正确预测数据样本,loss表示损失函数。
作为优选的技术方案,所述缺陷检测网络包括3×3卷积层、1×1卷积层、全连接层、全局平均池化层和移动倒置瓶颈卷积单元,其中移动倒置瓶颈卷积单元包括1×1卷积层,深度可分离卷积层、SE层和Dropout层。
作为优选的技术方案,所述阈值为晶圆图像块中缺陷晶粒数量占晶粒总数量的比例;
作为优选的技术方案,所述缺陷标记用于在晶圆图像中标记出缺陷晶粒数量超过阈值的晶圆图像块,标记出的晶圆图像块由人工进行质检;
作为优选的技术方案,所述注意力机制单元用于计算注意力权重,用下式表示:
Attention=Conv1×1(Convdec(Convdc(F)));
式中Conv1×1(·)表示1×1卷积层,Convdec(·)表示深度膨胀卷积,Convdc(·)表示深度卷积,F表示输入特征图,F∈RC×H×W,C为输入特征图的通道数,H为输入特征图的高度,W为输入特征图的宽度,Attention表示注意力权重图,注意力权重图中的值表示每个特征元素的重要性,表示元素相乘。
作为优选的技术方案,所述上采样单元用于恢复图像分辨率,具体步骤包括:
利用卷积核对尺寸为H×W×C的低分辨率特征图进行卷积提取特征,卷积核的通道数为r2,得到与低分辨率特征图尺寸相同的低分辨率输出特征图,低分辨率输出特征图的通道数为Cr2,其中r为放大的目标倍数;
将尺寸为H×W×Cr2的低分辨率输出特征图的像素重新排列为尺寸为rH×rW×C的高分辨率特征图,其中高分辨率特征图的总像素个数与低分辨率输出特征图的总像素个数相等,从而实现从低分辨率特征图到高分辨率特征图的r倍放大。
本发明还提供一种晶圆缺陷检测系统,其特征在于,包括:
数据采集模块,采集晶圆图像以及晶圆图像对应的生产工艺编号;
数据预处理模块,对晶圆图像进行预处理得到晶圆图像块,所述预处理包括滑动裁切、高光抑制和数据增强;
分割网络构建模块,构建晶粒分割网络,通过编码器和解码器对晶圆图像块进行晶粒分割得到分割后的晶粒;
检测网络构建模块,构建缺陷检测网络,对分割后的晶粒进行缺陷检测得到晶圆图像块中的缺陷晶粒;
结果输出模块,综合缺陷标记和生产工艺编号对晶粒缺陷来源进行生产工艺定位,输出检测结果。
本发明的一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现一种基于晶粒分割网络的晶圆晶粒缺陷检测方法。
本发明的一种控制器,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序时实现一种基于晶粒分割网络的晶圆晶粒缺陷检测方法。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明构建的晶粒分割网络采用编码器-解码器结构,编码器通过特征提取单元和空洞空间金字塔池化单元对晶圆图像块进行特征编码,解码器通过注意力机制单元、上采样单元和特征融合单元对晶粒进行分割和定位。本发明属于图像处理技术领域,通过构建晶粒分割网络和缺陷检测网络提高了晶圆缺陷检测的准确率和效率。
(2)本发明通过构建晶粒分割网络和缺陷检测网络对分割出的晶粒进行缺陷检测,并对缺陷晶粒数量超过阈值的晶圆图像块进行缺陷标记,综合缺陷标记和晶圆图像对应的生产工艺编号对晶粒缺陷来源进行生产工艺定位,为后续工艺改进提供重要依据。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法的整体流程示意图;
图2为本发明的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法中所述晶粒分割网络的结构示意图;
图3为本发明的一种基于晶粒分割网络的晶圆晶粒缺陷检测系统的结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
实施例1
如图1所示,本实施例提供一种基于晶粒分割网络的晶圆晶粒缺陷检测方法,具体包括下述步骤:
S1:采集晶圆图像以及晶圆图像对应的生产工艺编号,其中晶圆图像的名称中包含生产工艺编号。
S2:对晶圆图像进行预处理得到晶圆图像块,预处理包括滑动裁切、高光抑制和数据增强;
S21:滑动裁切用于将晶圆图像裁切成晶圆图像块,裁切过程用下式表示:
式中M表示晶圆图像的高度,N表示晶圆图像的宽度,E表示晶圆图像块的边长,D表示连续的两个晶圆图像块的中心像素点之间的距离,Q表示晶圆图像块的数目;
S22:高光抑制用于对晶圆图像中的高光区域进行抑制,具体步骤包括:
对晶圆图像进行灰度化处理,灰度化处理过程用下式表示:
式中f(x,y)表示像素点(x,y)处的灰度值,R(x,y)表示红色分量,G(x,y)表示绿色分量,B(x,y)表示蓝色分量;
逐行扫描确定每个像素的灰度值,将每行像素的灰度值记为一组,记录每组灰度值的中值,则第m行像素的灰度中值Ym为:
Ym=med(I(m,1),...,I(m,n)),m=1,...,n;
式中I(m,n)表示第m行n列像素的灰度值,med(·)表示从每组灰度值中选出灰度中值,因此整幅图像的灰度中值Y为:
Y=med(Y1,...,Yn);
式中Y1表示第1行像素的灰度中值,Yn表示第n行像素的灰度中值;
利用灰度中值对图像进行高光抑制,用下式表示:
式中I(m,n)表示高光抑制后图像的灰度值,i(m,n)表示原始图像的灰度值;
S23:采用数据增强技术对晶圆图像进行扩充,以提高网络的泛化性能,具体实施过程如下:
根据晶圆图像没有固定方向的特点,当图像输入网络进行训练时,将图像以一定概率应用水平翻转、垂直翻转、随机角度旋转、噪声干扰和大尺度抖动等图像变换,从而达到扩充晶圆图像数量的目的;
水平翻转以图像中心为轴,将图像沿着水平方向进行翻折,垂直翻转则是将图像沿着垂直方向进行翻折;
随机角度旋转将图像围绕着图像的中心点,以0-360°区间内的任意角度进行随机地旋转,通过随机角度旋转保留了图像所有特征信息且实现各个角度下图像数据的获取;
噪声干扰包括向晶圆图像添加椒盐噪声和高斯噪声,其中椒盐噪声用下式表示:
式中outspn表示添加椒盐噪声后即像素发生改变后的数值,orig表示像素原数值,rand.u表示0到1之间的随机数,thold表示椒盐噪声阈值;
高斯噪声用下式表示:
式中outgn表示添加高斯噪声后即像素发生改变后的数值,orig表示像素原数值,rand表示均值为0,标准差为0.02的随机数;
大尺度抖动数据增强过程用下式表示:
式中P1表示粘贴目标所处的图像即子图像,P2表示被粘贴图像即主图像,表示Mask掩膜,其中,大尺度抖动的高随机性体现在P1和P2选取的随机性、/>即选取掩膜的随机性以及P1在P2图像中粘贴位置的随机性。
S3:构建晶粒分割网络,通过编码器和解码器对晶圆图像块进行晶粒分割得到分割后的晶粒;
如图2所示,本实施例的晶粒分割网络采用编码器-解码器结构,具体如下:
所述编码器通过特征提取单元和空洞空间金字塔池化单元对晶圆图像块进行特征编码,具体步骤包括:
通过特征提取单元对输入的晶圆图像块进行浅层特征提取得到浅层特征,所述特征提取单元为EfficientNet网络;
将浅层特征输入到空洞空间金字塔池化单元,获取多尺度深层特征;
对多尺度深层特征进行通道拼接并通过1×1卷积层降低拼接后的多尺度深层特征的通道数;
所述解码器包括注意力机制单元、上采样单元和特征融合单元,其中注意力机制单元的输出作为上采样单元的输入;
所述注意力机制单元用于计算注意力权重,用下式表示:
Attention=Conv1×1(Convdec(Convdc(F)));
式中Conv1×1(·)表示1×1卷积层,Convdec(·)表示深度膨胀卷积,Convdc(·)表示深度卷积,F表示输入特征图,F∈RC×H×W,C为输入特征图的通道数,H为输入特征图的高度,W为输入特征图的宽度,Attention表示注意力权重图,注意力权重图中的值表示每个特征元素的重要性,表示元素相乘;
所述空洞空间金字塔池化单元包括膨胀率分别为6、12、18的三个并行空洞卷积、一个1×1卷积层以及一个全局平均池化层;
所述特征融合单元采用串联融合法将浅层特征与多尺度深层特征直接相连,组成一个新的融合特征,融合特征维度为融合前所有的特征向量维度之和;
所述上采样单元用于恢复图像分辨率,具体步骤包括:
利用卷积核对尺寸为H×W×C的低分辨率特征图进行卷积提取特征,卷积核的通道数为r2,得到与低分辨率特征图尺寸相同的低分辨率输出特征图,低分辨率输出特征图的通道数为Cr2,其中r为放大的目标倍数;
将尺寸为H×W×Cr2的低分辨率输出特征图的像素重新排列为尺寸为rH×rW×C的高分辨率特征图,其中高分辨率特征图的总像素个数与低分辨率输出特征图的总像素个数相等,从而实现从低分辨率特征图到高分辨率特征图的r倍放大。
所述晶粒分割网络的损失函数用下式表示:
loss=ξLhc+(1-ξ)Llc;
式中ξ表示随训练变化的参数,ei表示当前训练的迭代次数,en表示设置的训练迭代次数,fc表示提供周期性计划的可变性,Llc表示将权重集中在错误预测数据样本,Lhc表示将权重集中在正确预测数据样本,loss表示损失函数。
S4:构建缺陷检测网络,对分割出的晶粒进行缺陷检测;
缺陷检测网络用于对晶粒进行二分类,包括3×3卷积层、1×1卷积层、全连接层、全局平均池化层和移动倒置瓶颈卷积单元,其中移动倒置瓶颈卷积单元包括1×1卷积层,深度可分离卷积层、SE层和Dropout层。
S5:统计晶圆图像块中缺陷晶粒数量,对缺陷晶粒数量超过阈值的晶圆图像块进行缺陷标记;
所述阈值为晶圆图像块中缺陷晶粒数量占晶粒总数量的比例,预设为40%;
所述缺陷标记用于在晶圆图像中标记出缺陷晶粒数量超过阈值的晶圆图像块,标记出的晶圆图像块由人工进行质检。
S6:综合缺陷标记和生产工艺编号对晶粒缺陷来源进行生产工艺定位,输出检测结果。
本发明在训练晶粒分割网络和缺陷检测网络的时候采用5折交叉验证法对晶圆图像数据集进行划分并完成网络训练和测试,随机从晶圆图像数据集中取出20%图像作为测试集,将剩余的图像平均分为5份,保持测试集不变进行5次试验,每次使用1份作为验证集,剩余的4份数据增强后作为训练集,确保每次实验使用不同的数据作为验证集,将5组实验的测试结果均值作为网络的精度估计,以此充分利用晶圆图像数据并在一定程度上避免过拟合。
实施例2
如图3所示,本实施例提供一种晶圆缺陷检测系统20,包括:数据采集模块21、数据预处理模块22、分割网络构建模块23、检测网络构建模块24、缺陷标记模块25和结果输出模块26;
在本实施例中,数据采集模块21用于采集晶圆图像以及晶圆图像对应的生产工艺编号,其中晶圆图像的名称中包含生产工艺编号;
在本实施例中,数据预处理模块22用于采用滑动裁切、高光抑制和数据增强对晶圆图像进行预处理;
滑动裁切用于将晶圆图像裁切成晶圆图像块,裁切过程用下式表示:
式中M表示晶圆图像的高度,N表示晶圆图像的宽度,E表示晶圆图像块的边长,D表示连续的两个晶圆图像块的中心像素点之间的距离,Q表示晶圆图像块的数目;
高光抑制用于对晶圆图像中的高光区域进行抑制,具体步骤包括:
对晶圆图像进行灰度化处理,灰度化处理过程用下式表示:
式中f(x,y)表示像素点(x,y)处的灰度值,R(x,y)表示红色分量,G(x,y)表示绿色分量,B(x,y)表示蓝色分量;
逐行扫描确定每个像素的灰度值,将每行像素的灰度值记为一组,记录每组灰度值的中值,则第m行像素的灰度中值Ym为:
Ym=med(I(m,1),...,I(m,n)),m=1,...,n;
式中I(m,n)表示第m行n列像素的灰度值,med(·)表示从每组灰度值中选出灰度中值,因此整幅图像的灰度中值Y为:
Y=med(Y1,...,Yn);
式中Y1表示第1行像素的灰度中值,Yn表示第n行像素的灰度中值;
利用灰度中值对图像进行高光抑制,用下式表示:
式中I(m,n)表示高光抑制后图像的灰度值,i(m,n)表示原始图像的灰度值;
数据增强技术用于对晶圆图像进行扩充,以提高网络的泛化性能,具体实施过程如下:
根据晶圆图像没有固定方向的特点,当图像输入网络进行训练时,将图像以一定概率应用水平翻转、垂直翻转、随机角度旋转、噪声干扰和大尺度抖动等图像变换,从而达到扩充晶圆图像数量的目的;
水平翻转以图像中心为轴,将图像沿着水平方向进行翻折,垂直翻转则是将图像沿着垂直方向进行翻折;
随机角度旋转将图像围绕着图像的中心点,以0-360°区间内的任意角度进行随机地旋转,通过随机角度旋转保留了图像所有特征信息且实现各个角度下图像数据的获取;
噪声干扰包括向晶圆图像添加椒盐噪声和高斯噪声,其中椒盐噪声用下式表示:
式中outspn表示添加椒盐噪声后即像素发生改变后的数值,orig表示像素原数值,rand.u表示0到1之间的随机数,thold表示椒盐噪声阈值;
高斯噪声用下式表示:
式中outgn表示添加高斯噪声后即像素发生改变后的数值,orig表示像素原数值,rand表示均值为0,标准差为0.02的随机数;
大尺度抖动数据增强过程用下式表示:
式中P1表示粘贴目标所处的图像即子图像,P2表示被粘贴图像即主图像,表示Mask掩膜,其中,大尺度抖动的高随机性体现在P1和P2选取的随机性、/>即选取掩膜的随机性以及P1在P2图像中粘贴位置的随机性;
在本实施例中,分割网络构建模块23用于构建晶粒分割网络,通过编码器和解码器对晶圆图像块进行晶粒分割得到分割后的晶粒;
所述编码器通过特征提取单元和空洞空间金字塔池化单元对晶圆图像块进行特征编码,具体步骤包括:
通过特征提取单元对输入的晶圆图像块进行浅层特征提取得到浅层特征,所述特征提取单元为EfficientNet网络;
将浅层特征输入到空洞空间金字塔池化单元,获取多尺度深层特征;
对多尺度深层特征进行通道拼接并通过1×1卷积层降低拼接后的多尺度深层特征的通道数;
所述解码器包括注意力机制单元、上采样单元和特征融合单元,其中注意力机制单元的输出作为上采样单元的输入;
所述注意力机制单元用于计算注意力权重,用下式表示:
Attention=Conv1×1(Convdec(Convdc(F)));
式中Conv1×1(·)表示1×1卷积层,Convdec(·)表示深度膨胀卷积,Convdc(·)表示深度卷积,F表示输入特征图,F∈RC×H×W,C为输入特征图的通道数,H为输入特征图的高度,W为输入特征图的宽度,Attention表示注意力权重图,注意力权重图中的值表示每个特征元素的重要性,表示元素相乘;
所述空洞空间金字塔池化单元包括膨胀率分别为6、12、18的三个并行空洞卷积、一个1×1卷积层以及一个全局平均池化层;
所述特征融合单元采用串联融合法将浅层特征与多尺度深层特征直接相连,组成一个新的融合特征,融合特征维度为融合前所有的特征向量维度之和;
所述上采样单元用于恢复图像分辨率,具体步骤包括:
利用卷积核对尺寸为H×W×C的低分辨率特征图进行卷积提取特征,卷积核的通道数为r2,得到与低分辨率特征图尺寸相同的低分辨率输出特征图,低分辨率输出特征图的通道数为Cr2,其中r为放大的目标倍数;
将尺寸为H×W×Cr2的低分辨率输出特征图的像素重新排列为尺寸为rH×rW×C的高分辨率特征图,其中高分辨率特征图的总像素个数与低分辨率输出特征图的总像素个数相等,从而实现从低分辨率特征图到高分辨率特征图的r倍放大;
所述晶粒分割网络的损失函数用下式表示:
loss=ξLhc+(1-ξ)Llc;
式中ξ表示随训练变化的参数,ei表示当前训练的迭代次数,en表示设置的训练迭代次数,fc表示提供周期性计划的可变性,Llc表示将权重集中在错误预测数据样本,Lhc表示将权重集中在正确预测数据样本,loss表示损失函数;
在本实施例中,检测网络构建模块24用于构建缺陷检测网络,对分割出的晶粒进行缺陷检测;
缺陷检测网络用于对晶粒进行二分类,包括3×3卷积层、1×1卷积层、全连接层、全局平均池化层和移动倒置瓶颈卷积单元,其中移动倒置瓶颈卷积单元包括1×1卷积层,深度可分离卷积层、SE层和Dropout层;
在本实施例中,缺陷标记模块25用于统计晶圆图像块中缺陷晶粒数量,对缺陷晶粒数量超过阈值的晶圆图像块进行缺陷标记;
在本实施例中,结果输出模块26用于综合缺陷标记和生产工艺编号对晶粒缺陷来源进行生产工艺定位,输出检测结果。
上述关于本发明的一种晶圆缺陷检测系统中的各参数和各个单元模块实现相应功能的步骤,可参考上文中关于一种基于晶粒分割网络的晶圆晶粒缺陷检测方法的实施例中的各参数和步骤,在此不做赘述。
实施例3
本发明实施例的一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现上述任一项所述的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法。需要说明的是:一种基于晶粒分割网络的晶圆晶粒缺陷检测方法的所有计算机程序均使用Python语言实现,其中,数据预处理模块、分割网络构建模块、检测网络构建模块、缺陷标记模块和结果输出模块均由远程服务器控制;远程服务器的CPU为Intel Xeon Gold5120,GPU为NVIDIA GTX 2080Ti 11GB,操作系统为Ubuntu 18.04.2 LTS,深度学习框架为PyTorch1.7.0,使用CUDA10.1进行加速推理;Intel Xeon Gold 5120包含存储器和处理器,其中,存储器用于存储计算机程序;处理器用于执行计算机程序,使得Intel Xeon Gold5120执行实现一种晶圆缺陷检测系统。
所属技术领域的技术人员知道,本发明可以实现为系统、方法或计算机程序产品。
因此,本公开可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (13)
1.一种基于晶粒分割网络的晶圆晶粒缺陷检测方法,其特征在于,包括下述步骤:
采集晶圆图像以及晶圆图像对应的生产工艺编号;
对晶圆图像进行预处理得到晶圆图像块,所述预处理包括滑动裁切、高光抑制和数据增强;
构建晶粒分割网络,通过编码器和解码器对晶圆图像块进行晶粒分割得到分割后的晶粒;
构建缺陷检测网络,对分割后的晶粒进行缺陷检测得到晶圆图像块中的缺陷晶粒;
统计晶圆图像块中缺陷晶粒数量,对缺陷晶粒数量大于阈值的晶圆图像块进行缺陷标记;
综合缺陷标记和生产工艺编号对晶粒缺陷来源进行生产工艺定位,输出检测结果。
2.根据权利要求1所述的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法,其特征在于,所述滑动裁切用于将晶圆图像裁切成晶圆图像块,裁切过程用下式表示:
式中M表示晶圆图像的高度,N表示晶圆图像的宽度,E表示晶圆图像块的边长,D表示连续的两个晶圆图像块的中心像素点之间的距离,Q表示晶圆图像块的数目。
3.根据权利要求1所述的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法,其特征在于,所述高光抑制用于对晶圆图像中的高光区域进行抑制,具体步骤包括:
对晶圆图像进行灰度化处理,逐行扫描确定每个像素的灰度值,将每行像素的灰度值记为一组,记录每组灰度值的中值,则第m行像素的灰度中值Ym为:
Ym=med(I(m,1),...,I(m,n)),m=1,...,n;
式中I(m,n)表示第m行n列像素的灰度值,med(·)表示从每组灰度值中选出灰度中值,因此整幅图像的灰度中值Y为:
Y=med(Y1,...,Yn);
式中Y1表示第1行像素的灰度中值,Yn表示第n行像素的灰度中值;
利用灰度中值对图像进行高光抑制,用下式表示:
式中I(m,n)表示高光抑制后图像的灰度值,i(m,n)表示原始图像的灰度值。
4.根据权利要求1所述的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法,其特征在于,所述数据增强用于对晶圆图像进行扩充,具体步骤包括:
将晶圆图像进行图像变换,所述图像变换包括水平翻转、垂直翻转、随机角度旋转、噪声干扰和大尺度抖动中的至少一种。
5.根据权利要求1所述的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法,其特征在于,所述编码器通过特征提取单元和空洞空间金字塔池化单元对晶圆图像块进行特征编码,具体步骤包括:
通过特征提取单元对输入的晶圆图像块进行浅层特征提取得到浅层特征,所述特征提取单元为EfficientNet网络;
将浅层特征输入到空洞空间金字塔池化单元,获取多尺度深层特征;
对多尺度深层特征进行通道拼接并通过1×1卷积层降低拼接后的多尺度深层特征的通道数。
6.根据权利要求1所述的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法,其特征在于,所述解码器包括注意力机制单元、上采样单元和特征融合单元,其中注意力机制单元的输出作为上采样单元的输入。
7.根据权利要求1所述的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法,其特征在于,所述晶粒分割网络的损失函数用下式表示:
loss=ξLhc+(1-ξ)Llc;
式中ξ表示随训练变化的参数,ei表示当前训练的迭代次数,en表示设置的训练迭代次数,fc表示提供周期性计划的可变性,Llc表示将权重集中在错误预测数据样本,Lhc表示将权重集中在正确预测数据样本,loss表示损失函数。
8.根据权利要求1所述的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法,其特征在于,所述缺陷检测网络包括3×3卷积层、1×1卷积层、全连接层、全局平均池化层和移动倒置瓶颈卷积单元,其中移动倒置瓶颈卷积单元包括1×1卷积层,深度可分离卷积层、SE层和Dropout层。
9.根据权利要求6所述的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法,其特征在于,所述注意力机制单元用于计算注意力权重,用下式表示:
Attention=Conv1×1(Convdec(Convdc(F)));
式中Conv1×1(·)表示1×1卷积层,Convdec(·)表示深度膨胀卷积,Convdc(·)表示深度卷积,F表示输入特征图,F∈RC×H×W,C为输入特征图的通道数,H为输入特征图的高度,W为输入特征图的宽度,Attention表示注意力权重图,注意力权重图中的值表示每个特征元素的重要性,表示元素相乘。
10.根据权利要求6所述的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法,其特征在于,所述上采样单元用于恢复图像分辨率,具体步骤包括:
利用卷积核对尺寸为H×W×C的低分辨率特征图进行卷积提取特征,卷积核的通道数为r2,得到与低分辨率特征图尺寸相同的低分辨率输出特征图,低分辨率输出特征图的通道数为Cr2,其中r为放大的目标倍数;
将尺寸为H×W×Cr2的低分辨率输出特征图的像素重新排列为尺寸为rH×rW×C的高分辨率特征图,其中高分辨率特征图的总像素个数与低分辨率输出特征图的总像素个数相等。
11.一种基于晶粒分割网络的晶圆晶粒缺陷检测系统,其基于权利要求1-10中任一项所述的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法实现,其特征在于,所述系统包括:
数据采集模块,采集晶圆图像以及晶圆图像对应的生产工艺编号;
数据预处理模块,对晶圆图像进行预处理得到晶圆图像块,所述预处理包括滑动裁切、高光抑制和数据增强;
分割网络构建模块,构建晶粒分割网络,通过编码器和解码器对晶圆图像块进行晶粒分割得到分割后的晶粒;
检测网络构建模块,构建缺陷检测网络,对分割后的晶粒进行缺陷检测得到晶圆图像块中的缺陷晶粒;
结果输出模块,综合缺陷标记和生产工艺编号对晶粒缺陷来源进行生产工艺定位,输出检测结果。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现权利要求1-10中任一项所述的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法。
13.一种控制器,包括存储器和处理器,所述存储器用于存储计算机程序,其特征在于,所述处理器用于执行所述计算机程序时实现权利要求1-10中任一项所述的一种基于晶粒分割网络的晶圆晶粒缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311035077.8A CN117007606B (zh) | 2023-08-17 | 2023-08-17 | 一种基于晶粒分割网络的晶圆晶粒缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311035077.8A CN117007606B (zh) | 2023-08-17 | 2023-08-17 | 一种基于晶粒分割网络的晶圆晶粒缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117007606A true CN117007606A (zh) | 2023-11-07 |
CN117007606B CN117007606B (zh) | 2024-03-08 |
Family
ID=88563474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311035077.8A Active CN117007606B (zh) | 2023-08-17 | 2023-08-17 | 一种基于晶粒分割网络的晶圆晶粒缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117007606B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529873A (zh) * | 2020-12-09 | 2021-03-19 | 深圳市芯汇群微电子技术有限公司 | 一种基于art神经网络的晶圆缺陷检测方法 |
CN112700406A (zh) * | 2020-12-09 | 2021-04-23 | 深圳市芯汇群微电子技术有限公司 | 一种基于卷积神经网络的晶圆缺陷检测方法 |
WO2022105125A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN114820579A (zh) * | 2022-05-27 | 2022-07-29 | 广东工业大学 | 一种基于语义分割的图像复合缺陷的检测方法及系统 |
CN114910480A (zh) * | 2022-05-09 | 2022-08-16 | 北京工业大学 | 一种基于机器视觉的晶圆表面缺陷检测方法 |
CN116342474A (zh) * | 2022-12-30 | 2023-06-27 | 深存科技(无锡)有限公司 | 晶圆表面缺陷检测方法 |
-
2023
- 2023-08-17 CN CN202311035077.8A patent/CN117007606B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022105125A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN112529873A (zh) * | 2020-12-09 | 2021-03-19 | 深圳市芯汇群微电子技术有限公司 | 一种基于art神经网络的晶圆缺陷检测方法 |
CN112700406A (zh) * | 2020-12-09 | 2021-04-23 | 深圳市芯汇群微电子技术有限公司 | 一种基于卷积神经网络的晶圆缺陷检测方法 |
CN114910480A (zh) * | 2022-05-09 | 2022-08-16 | 北京工业大学 | 一种基于机器视觉的晶圆表面缺陷检测方法 |
CN114820579A (zh) * | 2022-05-27 | 2022-07-29 | 广东工业大学 | 一种基于语义分割的图像复合缺陷的检测方法及系统 |
CN116342474A (zh) * | 2022-12-30 | 2023-06-27 | 深存科技(无锡)有限公司 | 晶圆表面缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
于志斌等: "基于YOLO算法与机器视觉的晶圆片表面缺陷检测研究", 新型工业化, no. 2021, pages 114 - 117 * |
刘珈彤等: "晶圆表面缺陷模式识别的二维主成分分析卷积自编码器", 计算机辅助设计与图形学学报, vol. 32, no. 3, pages 425 - 436 * |
Also Published As
Publication number | Publication date |
---|---|
CN117007606B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597985B (zh) | 一种基于多尺度特征融合的人群计数方法 | |
CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
WO2023070447A1 (zh) | 模型训练方法、图像处理方法、计算处理设备及非瞬态计算机可读介质 | |
CN112348770A (zh) | 一种基于多分辨率卷积网络的桥梁裂缝检测方法 | |
CN111898668A (zh) | 一种基于深度学习的小目标物体检测方法 | |
CN112861729A (zh) | 一种基于伪深度图引导的实时深度补全方法 | |
CN109858327B (zh) | 一种基于深度学习的字符分割方法 | |
CN114742799B (zh) | 基于自监督异构网络的工业场景未知类型缺陷分割方法 | |
CN112258537B (zh) | 一种基于卷积神经网络的监督暗视觉图像边缘检测方法 | |
CN106097253A (zh) | 一种基于块旋转和清晰度的单幅图像超分辨率重建方法 | |
CN110895815A (zh) | 一种基于深度学习的胸部x线气胸分割方法 | |
CN109919215B (zh) | 基于聚类算法改进特征金字塔网络的目标检测方法 | |
CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN111445388A (zh) | 一种图像超分辨重建模型训练方法、船只跟踪方法及装置 | |
CN116778346B (zh) | 一种基于改进自注意力机制的管线识别方法及系统 | |
CN117007606B (zh) | 一种基于晶粒分割网络的晶圆晶粒缺陷检测方法及系统 | |
CN114693670B (zh) | 基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法 | |
CN117036266A (zh) | 一种基于知识蒸馏的工业图像异常检测方法及系统 | |
CN114565511A (zh) | 基于全局单应性估计的轻量级图像配准方法、系统及装置 | |
CN115100402A (zh) | 小样本分割模型、小目标检测方法、系统、介质及设备 | |
CN114723757A (zh) | 一种基于深度学习算法的高精度晶圆缺陷检测方法及系统 | |
CN114463300A (zh) | 钢材表面缺陷检测方法、电子设备、存储介质 | |
CN113657225A (zh) | 一种目标检测方法 | |
CN112926588B (zh) | 一种基于卷积网络的大角度车牌检测方法 | |
CN110135419A (zh) | 一种自然场景下端到端文本识别方法 |
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 |