CN117372428A - 一种晶圆的缺陷检测方法、装置、电子设备及存储介质 - Google Patents
一种晶圆的缺陷检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117372428A CN117372428A CN202311657988.4A CN202311657988A CN117372428A CN 117372428 A CN117372428 A CN 117372428A CN 202311657988 A CN202311657988 A CN 202311657988A CN 117372428 A CN117372428 A CN 117372428A
- Authority
- CN
- China
- Prior art keywords
- defect
- sample
- score vector
- wafer
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 457
- 238000001514 detection method Methods 0.000 title claims abstract description 172
- 239000013598 vector Substances 0.000 claims abstract description 224
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000010801 machine learning Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 229910052704 radon Inorganic materials 0.000 claims description 5
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 235000012489 doughnuts Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013526 transfer learning Methods 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
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提供了一种晶圆的缺陷检测方法、装置、电子设备及存储介质,包括:对待检测晶圆图像进行特征提取,确定出目标特征;将目标特征输入至第一缺陷检测模型之中,对目标特征进行晶圆缺陷检测处理,输出待检测晶圆图像的第一缺陷分值向量;将待检测晶圆图像输入至第二缺陷检测模型之中,对待检测晶圆图像进行晶圆缺陷检测处理,输出待检测晶圆图像相的第二缺陷分值向量;将第一缺陷分值向量以及第二缺陷分值向量输入至回归模型之中,基于第一缺陷分值向量的第一权重参数、第二缺陷分值向量的第二权重参数、第一缺陷分值向量以及第二缺陷分值向量,确定出待检测晶圆图像的目标缺陷检测结果,从而提高了晶圆缺陷检测的准确性。
Description
技术领域
本申请涉及半导体技术领域,尤其是涉及一种晶圆的缺陷检测方法、装置、电子设备及存储介质。
背景技术
基于机器学习的识别算法在晶圆缺陷识别中取得了一定成果,但晶圆图的特征维度高、噪声多,会严重影响识别器的性能。因此,该类方法依赖人类的主观特征选择,为识别器提供有效判别信息,这会导致所提取的特征具有一定的主观性和局限性。并且不同模型对数据的表达能力不同,如树模型可以很好的处理连续特征和离散特征,并对异常值有很好的健壮性。使用单一模型可能存在对某一类别识别较差的情况,表现在混淆矩阵中某一类别分数较低或不同类别得分差异较大。所以如何提高晶圆缺陷检测的准确性成为了不容小觑的技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种晶圆的缺陷检测方法、装置、电子设备及存储介质,通过将目标特征输入到第一缺陷检测模型之中得到第一缺陷分值向量,将待检测晶圆图像输入到第二缺陷检测模型之中得到第二缺陷分值向量,对第一缺陷分值向量以及第二缺陷分值向量进行融合得到待检测晶圆图像的目标缺陷检测结果,从而提高了晶圆缺陷检测的准确性。
本申请实施例提供了一种晶圆的缺陷检测方法,所述缺陷检测方法包括:
获取待检测晶圆图像,对所述待检测晶圆图像进行特征提取,确定出目标特征;
将所述目标特征输入至预先训练好的第一缺陷检测模型之中,对所述目标特征进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第一缺陷分值向量;其中,缺陷分值向量是由所述待检测晶圆图像所对应的多个晶圆缺陷类型的分值构成的;
将所述待检测晶圆图像输入至预先训练好的第二缺陷检测模型之中,对所述待检测晶圆图像进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第二缺陷分值向量;
将所述第一缺陷分值向量以及所述第二缺陷分值向量输入至回归模型之中,基于所述第一缺陷分值向量的第一权重参数、所述第二缺陷分值向量的第二权重参数、所述第一缺陷分值向量以及所述第二缺陷分值向量,确定出所述待检测晶圆图像的目标缺陷检测结果。
在一种可能的实施方式之中,所述对所述待检测晶圆图像进行特征提取,确定出目标特征,包括:
对所述待检测晶圆图像进行多个目标区域的密度特征提取,确定出多个密度特征;
基于区域标记算法确定出所述待检测晶圆图像之中的显著图像区域,对所述显著图像区域进行几何特征提取,确定出多个几何特征;
对所述待检测晶圆图像进行拉东变换,对变换后的待检测晶圆图像进行多个角度的特征提取,确定出多个角度特征;
基于多个所述密度特征、多个所述几何特征以及多个所述角度特征,确定出所述目标特征。
在一种可能的实施方式之中,通过以下步骤确定出所述第一缺陷检测模型:
获取多个样本晶圆图像以及每个所述样本晶圆图像的样本标签信息,并对每个所述样本晶圆图像进行特征提取,确定出每个所述样本晶圆图像的样本特征;
将每个所述样本特征输入至浅层机器学习模型之中,所述浅层机器学习模型之中的分类器对每个所述样本特征所对应的晶圆缺陷类型进行预测,预测出每个所述样本特征相对应的样本缺陷分值向量;
基于每个所述样本缺陷分值向量以及每个所述样本标签信息对所述浅层机器学习模型之中的分类器进行迭代训练,确定出所述第一缺陷检测模型。
在一种可能的实施方式之中,所述基于每个所述样本缺陷分值向量以及每个所述样本标签信息对所述浅层机器学习模型之中的分类器进行迭代训练,确定出所述第一缺陷检测模型,包括:
针对于每个所述样本缺陷分值向量,检测该样本缺陷分值向量与该样本缺陷分值向量相对应的所述样本标签信息是否相一致;
若任一为否,则对所述浅层机器学习模型之中所述分类器的网络参数进行迭代调整,直至所述样本缺陷分值向量与该样本缺陷分值向量相对应的所述样本标签信息相一致时停止对分类器的网络参数的调整,将当前网络参数下的浅层机器学习模型确定为所述第一缺陷检测模型。
在一种可能的实施方式之中,通过以下步骤确定出所述第一权重参数以及所述第二权重参数:
将每个样本晶圆图像的样本特征输入至所述第一缺陷检测模型之中,输出每个所述样本晶圆图像的第一样本缺陷分值向量;
将每个所述样本晶圆图像输入至所述第二缺陷检测模型之中,输出每个所述样本晶圆图像的第二样本缺陷分值向量;
将每个所述样本晶圆图像的所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量输入至所述回归模型之中,对每个所述样本晶圆图像的所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量进行回归处理,预测出每个所述样本晶圆图像的融合后的样本缺陷检测结果;
基于每个所述融合后的样本缺陷检测结果、每个样本标签信息、第一样本缺陷分值向量的第一参考权重参数以及第二样本缺陷分值向量的第二参考权重参数,确定出所述第一权重参数以及所述第二权重参数。
在一种可能的实施方式之中,所述基于每个所述融合后的样本缺陷检测结果、每个样本标签信息、第一样本缺陷分值向量的第一参考权重参数以及第二样本缺陷分值向量的第二参考权重参数,确定出所述第一权重参数以及所述第二权重参数,包括:
针对于每个所述融合后的样本缺陷检测结果,检测融合后的样本缺陷检测结果与该融合后的样本缺陷检测结果相对应的所述样本标签信息是否相一致;
若任一为否,则对所述第一参考权重参数以及所述第二参考权重参数进行迭代调整,确定出所述第一权重参数以及所述第二权重参数。
在一种可能的实施方式之中,所述对所述第一参考权重参数以及所述第二参考权重参数进行迭代调整,确定出所述第一权重参数以及所述第二权重参数,包括:
基于调整后的所述第一参考权重参数、调整后的所述第二参考权重参数、所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量,确定出调整后的所述融合后的样本缺陷检测结果;
当所述调整后的所述融合后的样本缺陷检测结果与相对应的所述样本标签信息相一致时,将当前的第一参考权重参数确定为所述第一权重参数,将当前的第二参考权重参数确定为所述第二权重参数。
本申请实施例还提供了一种晶圆的缺陷检测装置,所述缺陷检测装置包括:
特征提取模块,用于获取待检测晶圆图像,对所述待检测晶圆图像进行特征提取,确定出目标特征;
第一缺陷确定模块,用于将所述目标特征输入至预先训练好的第一缺陷检测模型之中,对所述目标特征进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第一缺陷分值向量;其中,缺陷分值向量是由所述待检测晶圆图像所对应的多个晶圆缺陷类型的分值构成的;
第二缺陷确定模块,用于将所述待检测晶圆图像输入至预先训练好的第二缺陷检测模型之中,对所述待检测晶圆图像进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第二缺陷分值向量;
融合模块,用于将所述第一缺陷分值向量以及所述第二缺陷分值向量输入至回归模型之中,基于所述第一缺陷分值向量的第一权重参数、所述第二缺陷分值向量的第二权重参数、所述第一缺陷分值向量以及所述第二缺陷分值向量,确定出所述待检测晶圆图像的目标缺陷检测结果。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的晶圆的缺陷检测方法的步骤。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的晶圆的缺陷检测方法的步骤。
本申请实施例提供的一种晶圆的缺陷检测方法、装置、电子设备及存储介质,所述缺陷检测方法包括:获取待检测晶圆图像,对所述待检测晶圆图像进行特征提取,确定出目标特征;将所述目标特征输入至预先训练好的第一缺陷检测模型之中,对所述目标特征进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第一缺陷分值向量;其中,缺陷分值向量是由所述待检测晶圆图像所对应的多个晶圆缺陷类型的分值构成的;将所述待检测晶圆图像输入至预先训练好的第二缺陷检测模型之中,对所述待检测晶圆图像进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第二缺陷分值向量;将所述第一缺陷分值向量以及所述第二缺陷分值向量输入至回归模型之中,基于所述第一缺陷分值向量的第一权重参数、所述第二缺陷分值向量的第二权重参数、所述第一缺陷分值向量以及所述第二缺陷分值向量,确定出所述待检测晶圆图像的目标缺陷检测结果。通过将目标特征输入到第一缺陷检测模型之中得到第一缺陷分值向量,将待检测晶圆图像输入到第二缺陷检测模型之中得到第二缺陷分值向量,对第一缺陷分值向量以及第二缺陷分值向量进行融合得到待检测晶圆图像的目标缺陷检测结果,从而提高了晶圆缺陷检测的准确性。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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为本申请实施例所提供的一种晶圆的缺陷检测方法的流程图;
图2为本申请实施例所提供的一种晶圆的缺陷检测装置的结构示意图之一;
图3为本申请实施例所提供的一种晶圆的缺陷检测装置的结构示意图之二;
图4为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中的附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“对晶圆的缺陷进行检测”,给出以下实施方式,对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于半导体技术领域。
经研究发现,基于机器学习的识别算法在晶圆缺陷识别中取得了一定成果,但晶圆图的特征维度高、噪声多,会严重影响识别器的性能。因此,该类方法依赖人类的主观特征选择,为识别器提供有效判别信息,这会导致所提取的特征具有一定的主观性和局限性。并且不同模型对数据的表达能力不同,如树模型可以很好的处理连续特征和离散特征,并对异常值有很好的健壮性。使用单一模型可能存在对某一类别识别较差的情况,表现在混淆矩阵中某一类别分数较低或不同类别得分差异较大。所以如何提高晶圆缺陷检测的准确性成为了不容小觑的技术问题。
基于此,本申请实施例提供了一种晶圆的缺陷检测方法,通过将目标特征输入到第一缺陷检测模型之中得到第一缺陷分值向量,将待检测晶圆图像输入到第二缺陷检测模型之中得到第二缺陷分值向量,对第一缺陷分值向量以及第二缺陷分值向量进行融合得到待检测晶圆图像的目标缺陷检测结果,从而提高了晶圆缺陷检测的准确性。
请参阅图1,图1为本申请实施例所提供的一种晶圆的缺陷检测方法的流程图。如图1中所示,本申请实施例提供的缺陷检测方法,包括:
S101:获取待检测晶圆图像,对所述待检测晶圆图像进行特征提取,确定出目标特征。
该步骤中,获取待检测晶圆图像,对待检测晶圆图像进行特征提取,确定出目标特征。
其中,目标特征为待检测晶圆图像的59维特征。
在一种可能的实施方式之中,所述对所述待检测晶圆图像进行特征提取,确定出目标特征,包括:
A:对所述待检测晶圆图像进行多个目标区域的密度特征提取,确定出多个密度特征。
这里,对待检测晶圆图像进行多个目标区域的密度特征提取,确定出多个密度特征,待检测晶圆图像的13个区域的密度特征包括待检测晶圆图像内部的9个区域以及上下左右的4个部分。
其中,密度特征为13维特征。
B:基于区域标记算法确定出所述待检测晶圆图像之中的显著图像区域,对所述显著图像区域进行几何特征提取,确定出多个几何特征。
这里,根据区域标记算法确定出待检测晶圆图像之中的显著图像区域,对显著图像区域进行几何特征提取,确定出多个几何特征。
其中,将待检测晶圆图像中最显著的区域识别出来是噪声过滤的一种形式,使用区域标记算法,并选择待检测晶圆图像中最大面积的区域作为最显著区域。对最显著区域提取几何特征,例如面积、周长、主轴长度、短轴长度、密实度和离心率。
其中,对显著图像区域进行几何特征提取,得到6维几何特征。
C:对所述待检测晶圆图像进行拉东变换,对变换后的待检测晶圆图像进行多个角度的特征提取,确定出多个角度特征。
这里,对待检测晶圆图像进行拉东变换,对变换后的待检测晶圆图像进行多个角度的特征提取,确定出多个角度特征。
其中,对变换后的待检测晶圆图像进行多个角度的特征提取,得到40维角度特征。
D:基于多个所述密度特征、多个所述几何特征以及多个所述角度特征,确定出所述目标特征。
这里,将多个密度特征、多个几何特征以及多个角度特征,确定为目标特征。
S102:将所述目标特征输入至预先训练好的第一缺陷检测模型之中,对所述目标特征进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第一缺陷分值向量;其中,缺陷分值向量是由所述待检测晶圆图像所对应的多个晶圆缺陷类型的分值构成的。
该步骤中,将目标特征输入至第一缺陷检测模型之中,对目标特征进行晶圆缺陷检测处理,输出待检测晶圆图像的第一缺陷分值向量。
这里,将目标特征输入至第一缺陷检测模型之中,第一缺陷检测模型之中的分类器对目标特征进行晶圆缺陷检测处理,确定出待检测晶圆图在每种晶圆缺陷类型下的缺陷分值,将多个缺陷分值构成第一缺陷分值向量。
其中,缺陷分值向量是由待检测晶圆图像所对应的多个晶圆缺陷类型的分值构成的,晶圆缺陷类型包括Center、Donut、Edge-Loc、Edge-Ring、Local、 Near-full、Random、Scratch以及No_pattern。
在一种可能的实施方式之中,通过以下步骤确定出所述第一缺陷检测模型:
a:获取多个样本晶圆图像以及每个所述样本晶圆图像的样本标签信息,并对每个所述样本晶圆图像进行特征提取,确定出每个所述样本晶圆图像的样本特征。
这里,获取多个样本晶圆图像以及每个样本晶圆图像的样本标签信息,并对每个样本晶圆图像进行特征提取,确定出每个样本晶圆图像的样本特征。
其中,样本标签信息为样本晶圆图像相对应的真实缺陷检测结果。
这里,对每个样本晶圆图像进行特征提取的过程与上述对待检测晶圆图像进行特征提取的过程相一致,此部分不再进行赘述。
b:将每个所述样本特征输入至浅层机器学习模型之中,所述浅层机器学习模型之中的分类器对每个所述样本特征所对应的晶圆缺陷类型进行预测,预测出每个所述样本特征相对应的样本缺陷分值向量。
这里,将每个样本特征输入至浅层机器学习模型之中,浅层机器学习模型之中的分类器对每个样本特征所对应的晶圆缺陷类型进行预测,预测出每个样本特征相对应的样本缺陷分值向量。
c:基于每个所述样本缺陷分值向量以及每个所述样本标签信息对所述浅层机器学习模型之中的分类器进行迭代训练,确定出所述第一缺陷检测模型。
这里,根据每个样本缺陷分值向量以及每个样本标签信息对浅层机器学习模型之中的分类器进行迭代训练,当对分类器训练完成后确定出第一缺陷检测模型。
在一种可能的实施方式之中,所述基于每个所述样本缺陷分值向量以及每个所述样本标签信息对所述浅层机器学习模型之中的分类器进行迭代训练,确定出所述第一缺陷检测模型,包括:
(1):针对于每个所述样本缺陷分值向量,检测该样本缺陷分值向量与该样本缺陷分值向量相对应的所述样本标签信息是否相一致。
这里,对于每个样本缺陷分值向量,检测样本缺陷分值向量与该样本缺陷分值向量相对应的样本标签信息是否相一致。
(2):若任一为否,则对所述浅层机器学习模型之中所述分类器的网络参数进行迭代调整,直至所述样本缺陷分值向量与该样本缺陷分值向量相对应的所述样本标签信息相一致时停止对分类器的网络参数的调整,将当前网络参数下的浅层机器学习模型确定为所述第一缺陷检测模型。
这里,若任一为否,则对浅层机器学习模型之中分类器的网络参数进行迭代调整,直至样本缺陷分值向量与该样本缺陷分值向量相对应的样本标签信息相一致时停止对分类器的网络参数的调整,将当前网络参数下的浅层机器学习模型确定为第一缺陷检测模型。
S103:将所述待检测晶圆图像输入至预先训练好的第二缺陷检测模型之中,对所述待检测晶圆图像进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第二缺陷分值向量。
该步骤中,将待检测晶圆图像输入至预先训练好的第二缺陷检测模型之中,对待检测晶圆图像进行晶圆缺陷检测处理,输出待检测晶圆图像相对应的第二缺陷分值向量。
其中,利用第二缺陷检测模型对待检测晶圆图像进行晶圆缺陷检测处理的过程与上述第一缺陷检测模型对待检测晶圆图像进行晶圆缺陷检测处理的过程相一致,此部分不再进行赘述。
其中,第二缺陷检测模型为深度卷积神经网络模型,不同于第一缺陷检测模型的学习方法通过人工提取特征,第二缺陷检测模型采用深度卷积神经网络直接从待检测晶圆图像中提取特征。本方案中在DenseNet的基础上引人迁移学习的方法,通过迁移在大型数据集ImageNet上预训练好的模型权重参数,将性能优秀的模型参数初始化为模型的起始权重参数。通过调节学习率为1e-4,经过多次迭代训练,使得深度卷积神经网络模型基本达到收敛,确定出第二缺陷检测模型。
S104:将所述第一缺陷分值向量以及所述第二缺陷分值向量输入至回归模型之中,基于所述第一缺陷分值向量的第一权重参数、所述第二缺陷分值向量的第二权重参数、所述第一缺陷分值向量以及所述第二缺陷分值向量,确定出所述待检测晶圆图像的目标缺陷检测结果。
该步骤中,将第一缺陷分值向量以及第二缺陷分值向量输入至回归模型之中,根据第一缺陷分值向量的第一权重参数、第二缺陷分值向量的第二权重参数、第一缺陷分值向量以及第二缺陷分值向量,确定出待检测晶圆图像的目标缺陷检测结果。
这里,通过对第一权重参数与第一缺陷分值向量,以及第二权重参数与第二缺陷分值向量进行加权处理,得到最终的缺陷分值向量,将最终的缺陷分值向量确定为目标缺陷检测结果。
其中,第一权重参数为第一缺陷检测模型的输出结果相对应的权重参数,第二权重参数为第二缺陷检测模型的输出结果相对应的权重参数。
由于不同模型对待检测晶圆图像进行缺陷检测的结果是不同的,所以,在本方案中将两个不同模型的输出结果进行融合得到待检测晶圆图像的目标缺陷检测结果,从而能提高晶圆缺陷确定的准确性。
在一种可能的实施方式之中,通过以下步骤确定出所述第一权重参数以及所述第二权重参数:
I:将每个样本晶圆图像的样本特征输入至所述第一缺陷检测模型之中,输出每个所述样本晶圆图像的第一样本缺陷分值向量;将每个所述样本晶圆图像输入至所述第二缺陷检测模型之中,输出每个所述样本晶圆图像的第二样本缺陷分值向量。
这里,将每个样本晶圆图像的样本特征输入至第一缺陷检测模型之中,输出每个样本晶圆图像的第一样本缺陷分值向量;将每个样本晶圆图像输入至第二缺陷检测模型之中,输出每个样本晶圆图像的第二样本缺陷分值向量。
II:将每个所述样本晶圆图像的所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量输入至所述回归模型之中,对每个所述样本晶圆图像的所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量进行回归处理,预测出每个所述样本晶圆图像的融合后的样本缺陷检测结果。
这里,将每个所样本晶圆图像的第一样本缺陷分值向量以及第二样本缺陷分值向量输入至所述回归模型之中,对每个样本晶圆图像的第一样本缺陷分值向量以及第二样本缺陷分值向量进行回归处理,预测出每个样本晶圆图像的融合后的样本缺陷检测结果。
其中,回归模型利用第一样本缺陷分值向量的第一参考权重参数以及第二样本缺陷分值向量的第二参考权重参数对第一样本缺陷分值向量以及第二样本缺陷分值向量进行回归处理,预测出每个样本晶圆图像的融合后的样本缺陷检测结果。
III:基于每个所述融合后的样本缺陷检测结果、每个样本标签信息、第一样本缺陷分值向量的第一参考权重参数以及第二样本缺陷分值向量的第二参考权重参数,确定出所述第一权重参数以及所述第二权重参数。
这里,根据每个融合后的样本缺陷检测结果、每个样本标签信息、第一样本缺陷分值向量的第一参考权重参数以及第二样本缺陷分值向量的第二参考权重参数,确定出第一权重参数以及第二权重参数。
在一种可能的实施方式之中,所述基于每个所述融合后的样本缺陷检测结果、每个样本标签信息、第一样本缺陷分值向量的第一参考权重参数以及第二样本缺陷分值向量的第二参考权重参数,确定出所述第一权重参数以及所述第二权重参数,包括:
针对于每个所述融合后的样本缺陷检测结果,检测融合后的样本缺陷检测结果与该融合后的样本缺陷检测结果相对应的所述样本标签信息是否相一致;若任一为否,则对所述第一参考权重参数以及所述第二参考权重参数进行迭代调整,确定出所述第一权重参数以及所述第二权重参数。
这里,对于每个融合后的样本缺陷检测结果,检测融合后的样本缺陷检测结果与该融合后的样本缺陷检测结果相对应的样本标签信息是否相一致;若任一为否,则对第一参考权重参数以及第二参考权重参数进行迭代调整,确定出第一权重参数以及第二权重参数。
在一种可能的实施方式之中,所述对所述第一参考权重参数以及所述第二参考权重参数进行迭代调整,确定出所述第一权重参数以及所述第二权重参数,包括:
i:基于调整后的所述第一参考权重参数、调整后的所述第二参考权重参数、所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量,确定出调整后的所述融合后的样本缺陷检测结果。
这里,根据调整后的第一参考权重参数、调整后的第二参考权重参数、第一样本缺陷分值向量以及第二样本缺陷分值向量,确定出调整后的融合后的样本缺陷检测结果。
这里,调整后的融合后的样本缺陷检测结果的确定过程与上述目标缺陷检测结果的确定过程相一致此部分不再进行赘述。
ii:当所述调整后的所述融合后的样本缺陷检测结果与相对应的所述样本标签信息相一致时,将当前的第一参考权重参数确定为所述第一权重参数,将当前的第二参考权重参数确定为所述第二权重参数。
这里,当调整后的融合后的样本缺陷检测结果与相对应的样本标签信息相一致时,将当前的第一参考权重参数确定为第一权重参数,当前的第二参考权重参数确定为第二权重参数。
本申请实施例提供的一种晶圆的缺陷检测方法,所述缺陷检测方法包括:获取待检测晶圆图像,对所述待检测晶圆图像进行特征提取,确定出目标特征;将所述目标特征输入至预先训练好的第一缺陷检测模型之中,对所述目标特征进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第一缺陷分值向量;其中,缺陷分值向量是由所述待检测晶圆图像所对应的多个晶圆缺陷类型的分值构成的;将所述待检测晶圆图像输入至预先训练好的第二缺陷检测模型之中,对所述待检测晶圆图像进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第二缺陷分值向量;将所述第一缺陷分值向量以及所述第二缺陷分值向量输入至回归模型之中,基于所述第一缺陷分值向量的第一权重参数、所述第二缺陷分值向量的第二权重参数、所述第一缺陷分值向量以及所述第二缺陷分值向量,确定出所述待检测晶圆图像的目标缺陷检测结果。通过将目标特征输入到第一缺陷检测模型之中得到第一缺陷分值向量,将待检测晶圆图像输入到第二缺陷检测模型之中得到第二缺陷分值向量,对第一缺陷分值向量以及第二缺陷分值向量进行融合得到待检测晶圆图像的目标缺陷检测结果,从而提高了晶圆缺陷检测的准确性。
请参阅图2、图3,图2为本申请实施例所提供的一种晶圆的缺陷检测装置的结构示意图之一;图3为本申请实施例所提供的一种晶圆的缺陷检测装置的结构示意图之二。如图2中所示,所述晶圆的缺陷检测装置200包括:
特征提取模块210,用于获取待检测晶圆图像,对所述待检测晶圆图像进行特征提取,确定出目标特征;
第一缺陷确定模块220,用于将所述目标特征输入至预先训练好的第一缺陷检测模型之中,对所述目标特征进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第一缺陷分值向量;其中,缺陷分值向量是由所述待检测晶圆图像所对应的多个晶圆缺陷类型的分值构成的;
第二缺陷确定模块230,用于将所述待检测晶圆图像输入至预先训练好的第二缺陷检测模型之中,对所述待检测晶圆图像进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第二缺陷分值向量;
融合模块240,用于将所述第一缺陷分值向量以及所述第二缺陷分值向量输入至回归模型之中,基于所述第一缺陷分值向量的第一权重参数、所述第二缺陷分值向量的第二权重参数、所述第一缺陷分值向量以及所述第二缺陷分值向量,确定出所述待检测晶圆图像的目标缺陷检测结果。
进一步的,特征提取模块210在用于所述对所述待检测晶圆图像进行特征提取,确定出目标特征时,特征提取模块210具体用于:
对所述待检测晶圆图像进行多个目标区域的密度特征提取,确定出多个密度特征;
基于区域标记算法确定出所述待检测晶圆图像之中的显著图像区域,对所述显著图像区域进行几何特征提取,确定出多个几何特征;
对所述待检测晶圆图像进行拉东变换,对变换后的待检测晶圆图像进行多个角度的特征提取,确定出多个角度特征;
基于多个所述密度特征、多个所述几何特征以及多个所述角度特征,确定出所述目标特征。
进一步的,如图3所示,晶圆的缺陷检测装置200还包括模型训练模块250,所述模型训练模块250用于通过以下步骤确定出所述第一缺陷检测模型:
获取多个样本晶圆图像以及每个所述样本晶圆图像的样本标签信息,并对每个所述样本晶圆图像进行特征提取,确定出每个所述样本晶圆图像的样本特征;
将每个所述样本特征输入至浅层机器学习模型之中,所述浅层机器学习模型之中的分类器对每个所述样本特征所对应的晶圆缺陷类型进行预测,预测出每个所述样本特征相对应的样本缺陷分值向量;
基于每个所述样本缺陷分值向量以及每个所述样本标签信息对所述浅层机器学习模型之中的分类器进行迭代训练,确定出所述第一缺陷检测模型。
进一步的,模型训练模块250在用于所述基于每个所述样本缺陷分值向量以及每个所述样本标签信息对所述浅层机器学习模型之中的分类器进行迭代训练,确定出所述第一缺陷检测模型时,模型训练模块250具体用于:
针对于每个所述样本缺陷分值向量,检测该样本缺陷分值向量与该样本缺陷分值向量相对应的所述样本标签信息是否相一致;
若任一为否,则对所述浅层机器学习模型之中所述分类器的网络参数进行迭代调整,直至所述样本缺陷分值向量与该样本缺陷分值向量相对应的所述样本标签信息相一致时停止对分类器的网络参数的调整,将当前网络参数下的浅层机器学习模型确定为所述第一缺陷检测模型。
进一步的,如图3所示,晶圆的缺陷检测装置200还包括参数确定模块260,所述参数确定模块260通过以下步骤确定出所述第一权重参数以及所述第二权重参数:
将每个样本晶圆图像的样本特征输入至所述第一缺陷检测模型之中,输出每个所述样本晶圆图像的第一样本缺陷分值向量;
将每个所述样本晶圆图像输入至所述第二缺陷检测模型之中,输出每个所述样本晶圆图像的第二样本缺陷分值向量;
将每个所述样本晶圆图像的所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量输入至所述回归模型之中,对每个所述样本晶圆图像的所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量进行回归处理,预测出每个所述样本晶圆图像的融合后的样本缺陷检测结果;
基于每个所述融合后的样本缺陷检测结果、每个样本标签信息、第一样本缺陷分值向量的第一参考权重参数以及第二样本缺陷分值向量的第二参考权重参数,确定出所述第一权重参数以及所述第二权重参数。
进一步的,所述参数确定模块260在用于所述基于每个所述融合后的样本缺陷检测结果、每个样本标签信息、第一样本缺陷分值向量的第一参考权重参数以及第二样本缺陷分值向量的第二参考权重参数,确定出所述第一权重参数以及所述第二权重参数时,所述参数确定模块260具体用于:
针对于每个所述融合后的样本缺陷检测结果,检测融合后的样本缺陷检测结果与该融合后的样本缺陷检测结果相对应的所述样本标签信息是否相一致;
若任一为否,则对所述第一参考权重参数以及所述第二参考权重参数进行迭代调整,确定出所述第一权重参数以及所述第二权重参数。
进一步的,所述参数确定模块260在用于所述对所述第一参考权重参数以及所述第二参考权重参数进行迭代调整,确定出所述第一权重参数以及所述第二权重参数时,所述参数确定模块260具体用于:
基于调整后的所述第一参考权重参数、调整后的所述第二参考权重参数、所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量,确定出调整后的所述融合后的样本缺陷检测结果;
当所述调整后的所述融合后的样本缺陷检测结果与相对应的所述样本标签信息相一致时,将当前的第一参考权重参数确定为所述第一权重参数,将当前的第二参考权重参数确定为所述第二权重参数。
本申请实施例提供的一种晶圆的缺陷检测装置,所述缺陷检测装置包括:特征提取模块,用于获取待检测晶圆图像,对所述待检测晶圆图像进行特征提取,确定出目标特征;第一缺陷确定模块,用于将所述目标特征输入至预先训练好的第一缺陷检测模型之中,对所述目标特征进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第一缺陷分值向量;其中,缺陷分值向量是由所述待检测晶圆图像所对应的多个晶圆缺陷类型的分值构成的;第二缺陷确定模块,用于将所述待检测晶圆图像输入至预先训练好的第二缺陷检测模型之中,对所述待检测晶圆图像进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第二缺陷分值向量;融合模块,用于将所述第一缺陷分值向量以及所述第二缺陷分值向量输入至回归模型之中,基于所述第一缺陷分值向量的第一权重参数、所述第二缺陷分值向量的第二权重参数、所述第一缺陷分值向量以及所述第二缺陷分值向量,确定出所述待检测晶圆图像的目标缺陷检测结果。通过将目标特征输入到第一缺陷检测模型之中得到第一缺陷分值向量,将待检测晶圆图像输入到第二缺陷检测模型之中得到第二缺陷分值向量,对第一缺陷分值向量以及第二缺陷分值向量进行融合得到待检测晶圆图像的目标缺陷检测结果,从而提高了晶圆缺陷检测的准确性。
请参阅图4,图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示,所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令,当电子设备400运行时,所述处理器410与所述存储器420之间通过总线430通信,所述机器可读指令被所述处理器410执行时,可以执行如上述图1以所示方法实施例中的晶圆的缺陷检测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的晶圆的缺陷检测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
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,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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通信接口,装置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。
所述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。
所述功能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,可以存储在一个处理器可执行的非易失的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例所述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-OnlyMemory,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代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种晶圆的缺陷检测方法,其特征在于,所述缺陷检测方法包括:
获取待检测晶圆图像,对所述待检测晶圆图像进行特征提取,确定出目标特征;
将所述目标特征输入至预先训练好的第一缺陷检测模型之中,对所述目标特征进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第一缺陷分值向量;其中,缺陷分值向量是由所述待检测晶圆图像所对应的多个晶圆缺陷类型的分值构成的;
将所述待检测晶圆图像输入至预先训练好的第二缺陷检测模型之中,对所述待检测晶圆图像进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第二缺陷分值向量;
将所述第一缺陷分值向量以及所述第二缺陷分值向量输入至回归模型之中,基于所述第一缺陷分值向量的第一权重参数、所述第二缺陷分值向量的第二权重参数、所述第一缺陷分值向量以及所述第二缺陷分值向量,确定出所述待检测晶圆图像的目标缺陷检测结果。
2.根据权利要求1所述的缺陷检测方法,其特征在于,所述对所述待检测晶圆图像进行特征提取,确定出目标特征,包括:
对所述待检测晶圆图像进行多个目标区域的密度特征提取,确定出多个密度特征;
基于区域标记算法确定出所述待检测晶圆图像之中的显著图像区域,对所述显著图像区域进行几何特征提取,确定出多个几何特征;
对所述待检测晶圆图像进行拉东变换,对变换后的待检测晶圆图像进行多个角度的特征提取,确定出多个角度特征;
基于多个所述密度特征、多个所述几何特征以及多个所述角度特征,确定出所述目标特征。
3.根据权利要求1所述的缺陷检测方法,其特征在于,通过以下步骤确定出所述第一缺陷检测模型:
获取多个样本晶圆图像以及每个所述样本晶圆图像的样本标签信息,并对每个所述样本晶圆图像进行特征提取,确定出每个所述样本晶圆图像的样本特征;
将每个所述样本特征输入至浅层机器学习模型之中,所述浅层机器学习模型之中的分类器对每个所述样本特征所对应的晶圆缺陷类型进行预测,预测出每个所述样本特征相对应的样本缺陷分值向量;
基于每个所述样本缺陷分值向量以及每个所述样本标签信息对所述浅层机器学习模型之中的分类器进行迭代训练,确定出所述第一缺陷检测模型。
4.根据权利要求3所述的缺陷检测方法,其特征在于,所述基于每个所述样本缺陷分值向量以及每个所述样本标签信息对所述浅层机器学习模型之中的分类器进行迭代训练,确定出所述第一缺陷检测模型,包括:
针对于每个所述样本缺陷分值向量,检测该样本缺陷分值向量与该样本缺陷分值向量相对应的所述样本标签信息是否相一致;
若任一为否,则对所述浅层机器学习模型之中所述分类器的网络参数进行迭代调整,直至所述样本缺陷分值向量与该样本缺陷分值向量相对应的所述样本标签信息相一致时停止对分类器的网络参数的调整,将当前网络参数下的浅层机器学习模型确定为所述第一缺陷检测模型。
5.根据权利要求1所述的缺陷检测方法,其特征在于,通过以下步骤确定出所述第一权重参数以及所述第二权重参数:
将每个样本晶圆图像的样本特征输入至所述第一缺陷检测模型之中,输出每个所述样本晶圆图像的第一样本缺陷分值向量;
将每个所述样本晶圆图像输入至所述第二缺陷检测模型之中,输出每个所述样本晶圆图像的第二样本缺陷分值向量;
将每个所述样本晶圆图像的所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量输入至所述回归模型之中,对每个所述样本晶圆图像的所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量进行回归处理,预测出每个所述样本晶圆图像的融合后的样本缺陷检测结果;
基于每个所述融合后的样本缺陷检测结果、每个样本标签信息、第一样本缺陷分值向量的第一参考权重参数以及第二样本缺陷分值向量的第二参考权重参数,确定出所述第一权重参数以及所述第二权重参数。
6.根据权利要求5所述的缺陷检测方法,其特征在于,所述基于每个所述融合后的样本缺陷检测结果、每个样本标签信息、第一样本缺陷分值向量的第一参考权重参数以及第二样本缺陷分值向量的第二参考权重参数,确定出所述第一权重参数以及所述第二权重参数,包括:
针对于每个所述融合后的样本缺陷检测结果,检测融合后的样本缺陷检测结果与该融合后的样本缺陷检测结果相对应的所述样本标签信息是否相一致;
若任一为否,则对所述第一参考权重参数以及所述第二参考权重参数进行迭代调整,确定出所述第一权重参数以及所述第二权重参数。
7.根据权利要求6所述的缺陷检测方法,其特征在于,所述对所述第一参考权重参数以及所述第二参考权重参数进行迭代调整,确定出所述第一权重参数以及所述第二权重参数,包括:
基于调整后的所述第一参考权重参数、调整后的所述第二参考权重参数、所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量,确定出调整后的所述融合后的样本缺陷检测结果;
当所述调整后的所述融合后的样本缺陷检测结果与相对应的所述样本标签信息相一致时,将当前的第一参考权重参数确定为所述第一权重参数,将当前的第二参考权重参数确定为所述第二权重参数。
8.一种晶圆的缺陷检测装置,其特征在于,所述缺陷检测装置包括:
特征提取模块,用于获取待检测晶圆图像,对所述待检测晶圆图像进行特征提取,确定出目标特征;
第一缺陷确定模块,用于将所述目标特征输入至预先训练好的第一缺陷检测模型之中,对所述目标特征进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第一缺陷分值向量;其中,缺陷分值向量是由所述待检测晶圆图像所对应的多个晶圆缺陷类型的分值构成的;
第二缺陷确定模块,用于将所述待检测晶圆图像输入至预先训练好的第二缺陷检测模型之中,对所述待检测晶圆图像进行晶圆缺陷检测处理,输出所述待检测晶圆图像的第二缺陷分值向量;
融合模块,用于将所述第一缺陷分值向量以及所述第二缺陷分值向量输入至回归模型之中,基于所述第一缺陷分值向量的第一权重参数、所述第二缺陷分值向量的第二权重参数、所述第一缺陷分值向量以及所述第二缺陷分值向量,确定出所述待检测晶圆图像的目标缺陷检测结果。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求1至7任一所述的晶圆的缺陷检测方法的步骤。
10.一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上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一所述的晶圆的缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657988.4A CN117372428A (zh) | 2023-12-06 | 2023-12-06 | 一种晶圆的缺陷检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657988.4A CN117372428A (zh) | 2023-12-06 | 2023-12-06 | 一种晶圆的缺陷检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372428A true CN117372428A (zh) | 2024-01-09 |
Family
ID=89408128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311657988.4A Pending CN117372428A (zh) | 2023-12-06 | 2023-12-06 | 一种晶圆的缺陷检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372428A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197652A (zh) * | 2018-01-02 | 2018-06-22 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN113627457A (zh) * | 2020-04-24 | 2021-11-09 | 坎泰克有限公司 | 基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和系统 |
-
2023
- 2023-12-06 CN CN202311657988.4A patent/CN117372428A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197652A (zh) * | 2018-01-02 | 2018-06-22 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN113627457A (zh) * | 2020-04-24 | 2021-11-09 | 坎泰克有限公司 | 基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和系统 |
Non-Patent Citations (1)
Title |
---|
M. SAQLAIN等: "A voting ensemble classifier for wafer map defect patterns identification in semiconductor manufacturing", IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING, vol. 32, no. 2, pages 171 - 182, XP011722132, DOI: 10.1109/TSM.2019.2904306 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019051941A1 (zh) | 车型识别方法、装置、设备及计算机可读存储介质 | |
US20140348420A1 (en) | Method and system for automatic selection of one or more image processing algorithm | |
CN112052813B (zh) | 染色体间易位识别方法、装置、电子设备及可读存储介质 | |
CN111582358B (zh) | 户型识别模型的训练方法及装置、户型判重的方法及装置 | |
CN112669275A (zh) | 基于YOLOv3算法的PCB表面缺陷检测方法及装置 | |
CN113706472B (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN111310737A (zh) | 一种车道线检测方法及装置 | |
US11132790B2 (en) | Wafer map identification method and computer-readable recording medium | |
CN112668462A (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN113870254B (zh) | 目标对象的检测方法、装置、电子设备及存储介质 | |
CN113705650B (zh) | 一种人脸图片集的处理方法、装置、介质和计算设备 | |
CN112560791B (zh) | 识别模型的训练方法、识别方法、装置及电子设备 | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
CN117274212A (zh) | 一种桥梁水下结构裂缝检测方法 | |
EP3176726A1 (en) | Method and device for positioning human eyes | |
JP2019158684A (ja) | 検査システム、識別システム、及び識別器評価装置 | |
CN115620083B (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN114119970B (zh) | 目标跟踪方法及装置 | |
CN112446231A (zh) | 一种人行横道检测方法、装置、计算机设备及存储介质 | |
CN112199975A (zh) | 基于人脸特征的身份验证方法及装置 | |
CN111093140A (zh) | 检测麦克和听筒防尘网缺陷的方法、装置、设备及存储介质 | |
CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
CN117372428A (zh) | 一种晶圆的缺陷检测方法、装置、电子设备及存储介质 | |
CN115984759A (zh) | 变电站开关状态识别方法、装置、计算机设备和存储介质 | |
CN115082909A (zh) | 一种肺部病变识别方法及系统 |
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 |