CN117522871A - 基于视觉图像交互的半导体晶圆检测方法及系统 - Google Patents

基于视觉图像交互的半导体晶圆检测方法及系统 Download PDF

Info

Publication number
CN117522871A
CN117522871A CN202410013044.1A CN202410013044A CN117522871A CN 117522871 A CN117522871 A CN 117522871A CN 202410013044 A CN202410013044 A CN 202410013044A CN 117522871 A CN117522871 A CN 117522871A
Authority
CN
China
Prior art keywords
feature
wafer
super
resolution
network
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
CN202410013044.1A
Other languages
English (en)
Other versions
CN117522871B (zh
Inventor
罗建华
庞飞龙
陈强
王乐园
古奕康
李志才
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.)
Shenzhen Huatuo Semiconductor Technology Co ltd
Original Assignee
Shenzhen Huatuo Semiconductor 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 Shenzhen Huatuo Semiconductor Technology Co ltd filed Critical Shenzhen Huatuo Semiconductor Technology Co ltd
Priority to CN202410013044.1A priority Critical patent/CN117522871B/zh
Publication of CN117522871A publication Critical patent/CN117522871A/zh
Application granted granted Critical
Publication of CN117522871B publication Critical patent/CN117522871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/045—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
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明公开了一种基于视觉图像交互的半导体晶圆检测方法及系统，包括，获取晶圆的晶圆图像，对预处理后晶圆图像进行视觉增益，获取全局特征并分割感兴趣区域；将感兴趣区域进行超分辨率重建，构建特征提取网络提取不同尺度超分辨率特征，并进行自适应特征融合；基于图卷积网络结合特征提取网络构建晶圆检测网络，利用缺陷数据集进行训练，获取融合特征在不同标签中的权重信息，根据权重信息与特征图结合获取标签表示；将标签表示导入图卷积网络获取标签节点向量，导入二分类器中输出最终缺陷类别。本发明通过提取超分辨率特征提高了细小缺陷的检测精度，实现晶圆中自动化检测，筛选出缺陷晶圆，提高半导体生产的良品率。

Description

基于视觉图像交互的半导体晶圆检测方法及系统
技术领域
本发明涉及半导体检测技术领域，更具体的，涉及一种基于视觉图像交互的半导体晶圆检测方法及系统。
背景技术
随着半导体行业的蓬勃发展,对半导体晶圆材料的质量要求也越来越高。在半导体集成电路的生产过程中，晶圆经过生产步骤中不同的机台。当机台的机械手出现问题时，可能会造成晶圆表面与机械手非正常接触，产生机械手刮伤，而晶圆表面的缺陷很容易导致晶圆良率下降,影响晶圆的导电性,更为严重的会造成半导体的报废进而影响整个系统的正常运转和仪器损坏。因此，可视化及识别缺陷模式对于防止缺陷产生至关重要。
晶圆表面的缺陷产生一般是十分复杂的过程，都是在制造过程中产生的，需要对晶圆的制造工艺进行分析，并对于不同尺度下的缺陷进行分类以及阐述造成缺陷的原因，宏观尺度易产生环形，刮伤，球状和线形等缺陷，微观角度下易产生机械损伤和灰尘颗粒等缺陷。在传统的模板匹配中存在晶圆模板获取困难，模板选取不当以及检测效率低等问题,从而导致晶圆的测试时间偏长,这会降低整个生产线的生产效率和增加企业的运营成本。因此，如何利用图像特征提取降维分割出晶圆表面的缺陷是需要解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种基于视觉图像交互的半导体晶圆检测方法及系统。
本发明第一方面提供了一种基于视觉图像交互的半导体晶圆检测方法，包括：
通过机器视觉设备获取晶圆的晶圆图像，将所述晶圆图像进行预处理，对预处理后晶圆图像进行视觉增益，获取全局特征并分割感兴趣区域；
将所述感兴趣区域进行超分辨率重建，获取感兴趣区域的超分辨率图像，构建特征提取网络，在感兴趣区域的超分辨率图像中进行特征提取不同尺度超分辨率特征，将不同尺度的超分辨率特征进行自适应特征融合；
基于图卷积网络结合特征提取网络构建晶圆检测网络，并利用缺陷数据集进行训练，获取融合特征在不同标签中的权重信息，根据所述权重信息与特征图结合获取标签表示；
在晶圆检测网络中将所述标签表示导入图卷积网络获取标签节点向量，并将标签节点向量导入二分类器中输出最终缺陷类别。
本方案中，对预处理后晶圆图像进行视觉增益，获取全局特征并分割感兴趣区域，具体为：
根据机器视觉设备获取感知的晶圆图像序列，在所述晶圆图像序列中剔除不完整的晶圆图像，将筛选后的晶圆图像序列进行中值滤波，滤除冗余噪声；
通过VGG16网络获取预处理后的晶圆图像的特征图，引入视觉注意力对晶圆图像进行视觉增强，利用视觉注意力为所述特征图生成权重信息，并根据所述权重信息生成上下文向量；
利用多层感知机以前次迭代的隐藏状态为基础，通过所述上下文向量获取每次迭代期间关注的特征图，迭代结束后输出局部特征区域；
获取晶圆图像中需要关注的局部特征区域作为感兴趣区域，并将晶圆图像的不同尺度特征图进行反卷积及池化操作，映射到相同的分辨率，并进行特征拼接；
将拼接后的特征利用卷积生成同一特征图，并通过平均池化获取全局特征。
本方案中，将所述感兴趣区域进行超分辨率重建，获取感兴趣区域的超分辨率图像，具体为：
提取无缺陷晶圆的高清参考图像信息，将所述高清参考图像信息进行下采样降低分辨率，并将尺寸信息调整到与晶圆图像一致，利用相似度计算降低分辨率的参考图像信息与晶圆图像感兴趣区域的相似度；
基于所述相似度获取两图像区域中的相似特征，在降低分辨率的参考图像信息中将所述相似特征进行标记，并在高清参考图像信息的对应位置上提取图像特征；
根据所述图像特征利用特征迁移进行感兴趣区域的超分辨率重建，通过所述相似度对特征迁移的特征进行加权，将加权后的特征与晶圆图像感兴趣区域的特征进行融合获取特征迁移后的特征；
将所述特征迁移后的特征进行上采样获取感兴趣区域的超分辨率图像。
本方案中，构建特征提取网络，在感兴趣区域的超分辨率图像中进行特征提取不同尺度超分辨率特征，将不同尺度的超分辨率特征进行自适应特征融合，具体为：
调用VGG16网络为主网络，结合特征金字塔构建特征提取网络，将感兴趣区域的超分辨率图像导入所述特征提取网络，利用特征金字塔获取不同尺度的超分辨率特征图；
将所述不同尺度的超分辨率特征图进行特征缩放，将特征缩放后的超分辨率特征图进行卷积降维，对降维后的超分辨率特征图进行拼接处理；
获取各超分辨率特征图对应特征层的初始权重信息，将各超分辨率特征图与对应的权重信息结合，根据各超分辨率特征图中像素值的激活获取最终权重信息，根据所述最终权重信息进行自适应特征融合，获取融合特征。
本方案中，基于图卷积网络结合特征提取网络构建晶圆检测网络，并利用缺陷数据集进行训练，具体为：
基于图卷积网络结合特征提取网络构建晶圆检测网络，利用所述特征提取网络获取感兴趣区域的融合特征，将所述融合特征导入图卷积网络获取缺陷检测分类结果；
利用大数据方法获取晶圆缺陷数据，在所述晶圆缺陷数据中筛选含有类别标签的晶圆缺陷数据，获取不同缺陷类别的缺陷特征，利用所述缺陷特征将不含类别标签的晶圆缺陷数据进行聚类；
通过聚类结果结合正常晶圆图像数据构建缺陷数据集，利用所述缺陷数据集对晶圆检测网络进行训练，利用SVM分类器基于所述融合特征获取不同标签的权重信息；
将所述权重信息与感兴趣区域的超分辨率特征图进行卷积，获取包含自身特征的标签表示。
本方案中，在晶圆检测网络中将所述标签表示及全局特征进行融合，并获取各个标签的预测分数，输出最终缺陷类别，具体为：
根据缺陷数据集获取不同缺陷类别在同一晶圆中的频率信息，基于所述频率信息获取不同标签节点的邻居节点，根据所述邻居节点构建邻接矩阵；
在晶圆检测网络中将所述标签表示导入图卷积网络，利用所述邻接矩阵对标签节点进行学习表示确定对应图结构，根据所述图结构标签节点特征表示；
将所述标签节点特征表示与全局特征进行拼接，更新标签节点特征表示，通过图卷积更新邻接矩阵，通过更新后的邻接矩阵利用邻居聚合机制再次更新标签节点特征表示，获取最终的标签节点向量；
将所有的标签节点向量进行聚合获取标签节点向量序列，导入二分类器中输出最终缺陷类别。
本发明第二方面还提供了一种基于视觉图像交互的半导体晶圆检测系统，该系统包括：存储器、处理器，所述存储器中包括基于视觉图像交互的半导体晶圆检测方法程序，所述基于视觉图像交互的半导体晶圆检测方法程序被所述处理器执行时实现如下步骤：
通过机器视觉设备获取晶圆的晶圆图像，将所述晶圆图像进行预处理，对预处理后晶圆图像进行视觉增益，获取全局特征并分割感兴趣区域；
将所述感兴趣区域进行超分辨率重建，获取感兴趣区域的超分辨率图像，构建特征提取网络，在感兴趣区域的超分辨率图像中进行特征提取不同尺度超分辨率特征，将不同尺度的超分辨率特征进行自适应特征融合；
基于图卷积网络结合特征提取网络构建晶圆检测网络，并利用缺陷数据集进行训练，获取融合特征在不同标签中的权重信息，根据所述权重信息与特征图结合获取标签表示；
在晶圆检测网络中将所述标签表示导入图卷积网络获取标签节点向量，并将标签节点向量导入二分类器中输出最终缺陷类别。
本发明公开了一种基于视觉图像交互的半导体晶圆检测方法及系统，包括，获取晶圆的晶圆图像，对预处理后晶圆图像进行视觉增益，获取全局特征并分割感兴趣区域；将感兴趣区域进行超分辨率重建，构建特征提取网络提取不同尺度超分辨率特征，并进行自适应特征融合；基于图卷积网络结合特征提取网络构建晶圆检测网络，利用缺陷数据集进行训练，获取融合特征在不同标签中的权重信息，根据权重信息与特征图结合获取标签表示；将标签表示及全局特征进行融合，并获取各个标签的预测分数，输出最终缺陷类别。本发明通过提取超分辨率特征提高了细小缺陷的检测精度，实现晶圆中自动化检测，筛选出缺陷晶圆，提高半导体生产的良品率。
附图说明
图1示出了本发明一种基于视觉图像交互的半导体晶圆检测方法的流程图；
图2示出了本发明获取感兴趣区域的超分辨率图像的流程图；
图3示出了本发明最终缺陷类别的流程图；
图4示出了本发明一种基于视觉图像交互的半导体晶圆检测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于视觉图像交互的半导体晶圆检测方法的流程图。
如图1所示，本发明第一方面提供了一种基于视觉图像交互的半导体晶圆检测方法，包括
S102，通过机器视觉设备获取晶圆的晶圆图像，将所述晶圆图像进行预处理，对预处理后晶圆图像进行视觉增益，获取全局特征并分割感兴趣区域；
S104，将所述感兴趣区域进行超分辨率重建，获取感兴趣区域的超分辨率图像，构建特征提取网络，在感兴趣区域的超分辨率图像中进行特征提取不同尺度超分辨率特征，将不同尺度的超分辨率特征进行自适应特征融合；
S106，基于图卷积网络结合特征提取网络构建晶圆检测网络，并利用缺陷数据集进行训练，获取融合特征在不同标签中的权重信息，根据所述权重信息与特征图结合获取标签表示；
S108，在晶圆检测网络中将所述标签表示导入图卷积网络获取标签节点向量，并将标签节点向量导入二分类器中输出最终缺陷类别。
需要说明的是，在晶圆图像采集过程中，由于晶圆检测效率的要求，工作车间中的温度、光照以及晶圆的位置姿态都会对芯片图像的采集造成一定的影响，根据机器视觉设备获取感知的晶圆图像序列，在所述晶圆图像序列中剔除不完整的晶圆图像，芯片表面容易产生噪声点，将筛选后的晶圆图像序列进行中值滤波，滤除冗余噪声；通过VGG16网络获取预处理后的晶圆图像的特征图，引入视觉注意力对晶圆图像进行视觉增强，利用视觉注意力为所述特征图生成权重信息，表征特征图在晶圆图像中的重要性，并根据所述权重信息生成上下文向量；在多层感知机的隐藏层中，以前次迭代的隐藏状态为基础，通过所述上下文向量获取每次迭代期间关注的特征图，迭代结束后输出局部特征区域，通过视觉注意力增强寻找新位置搜索缺陷相关信息的能力；获取晶圆图像中需要关注的局部特征区域作为感兴趣区域，并将晶圆图像的不同尺度特征图进行反卷积及池化操作，映射到相同的分辨率，并进行特征拼接；将拼接后的特征利用卷积生成同一特征图，并通过平均池化获取全局特征。
图2示出了本发明获取感兴趣区域的超分辨率图像的流程图。
根据本发明实施例，将所述感兴趣区域进行超分辨率重建，获取感兴趣区域的超分辨率图像，具体为：
S202，提取无缺陷晶圆的高清参考图像信息，将所述高清参考图像信息进行下采样降低分辨率，并将尺寸信息调整到与晶圆图像一致，利用相似度计算降低分辨率的参考图像信息与晶圆图像感兴趣区域的相似度；
S204，基于所述相似度获取两图像区域中的相似特征，在降低分辨率的参考图像信息中将所述相似特征进行标记，并在高清参考图像信息的对应位置上提取图像特征；
S206，根据所述图像特征利用特征迁移进行感兴趣区域的超分辨率重建，通过所述相似度对特征迁移的特征进行加权，将加权后的特征与晶圆图像感兴趣区域的特征进行融合获取特征迁移后的特征；
S208，将所述特征迁移后的特征进行上采样获取感兴趣区域的超分辨率图像。
需要说明的是，高清参考图像信息的分辨率较高，直接从高清参考图像信息中提取特征会导致超像素重建效果不佳，而对高清参考图像信息进行分辨率降低，特征更容易被获取；通过相似度对特征信息的迁移进行加权，表征特征迁移的迁移程度，防止过度迁移导致晶圆图像的原有信息被破坏，从而改善图像质量。
调用VGG16网络为主网络，结合特征金字塔构建特征提取网络，将感兴趣区域的超分辨率图像导入所述特征提取网络，利用特征金字塔获取不同尺度的超分辨率特征图；将所述不同尺度的超分辨率特征图进行特征缩放，保证特征融合时特征图尺寸一致，将特征缩放后的超分辨率特征图进行卷积降维，对降维后的超分辨率特征图进行拼接处理；获取各超分辨率特征图对应特征层的初始权重信息，将各超分辨率特征图与对应的权重信息结合，根据各超分辨率特征图中像素值的激活获取最终权重信息，根据所述最终权重信息进行自适应特征融合，获取融合特征。通过训练不同尺度的超分辨率特征图对应特征空间权重进行特征融合，将其他特征层无用的超分辨率特征图进行抑制，将有用的特征进行保留组合，得到不同尺度超分辨率特征图的贡献，强化了深层特征的语义特征。
图3示出了本发明最终缺陷类别的流程图。
根据本发明实施例，在晶圆检测网络中将所述标签表示及全局特征进行融合，并获取各个标签的预测分数，输出最终缺陷类别，具体为：
S302，根据缺陷数据集获取不同缺陷类别在同一晶圆中的频率信息，基于所述频率信息获取不同标签节点的邻居节点，根据所述邻居节点构建邻接矩阵；
S304，在晶圆检测网络中将所述标签表示导入图卷积网络，利用所述邻接矩阵对标签节点进行学习表示确定对应图结构，根据所述图结构标签节点特征表示；
S306，将所述标签节点特征表示与全局特征进行拼接，更新标签节点特征表示，通过图卷积更新邻接矩阵，通过更新后的邻接矩阵利用邻居聚合机制再次更新标签节点特征表示，获取最终的标签节点向量；
S308，将所有的标签节点向量进行聚合获取标签节点向量序列，导入二分类器中输出最终缺陷类别。
需要说明的是，由于晶圆图像中的缺陷往往对应多个缺陷标签，根据感兴趣区域的融合特征通过SVM分类器获取隶属于各个缺陷类别的概率，获取缺陷标签的权重，将权重与感兴趣区域的超分辨率特征图进行卷积，获取带有自身特征语义的标签表示作为图卷积网络的输入，通过图卷积获取标签节点之间的相关性信息。在图卷积网络中，获取标签节点特征表示与全局特征进行拼接，通过卷积操作，更新权重及标签节点特征表示，构建新的邻接矩阵，使得每一个标签对应的语义及包含上下文信息的全局特征进行融合，更好的判断标签节点之间的相关性。
需要说明的是，基于图卷积网络结合特征提取网络构建晶圆检测网络，利用所述特征提取网络获取感兴趣区域的融合特征，将所述融合特征导入图卷积网络获取缺陷检测分类结果；利用大数据方法获取晶圆缺陷数据，在所述晶圆缺陷数据中筛选含有类别标签的晶圆缺陷数据，常见的缺陷包括灰尘颗粒，堆垛缺陷，晶体错位，机械损伤等，获取不同缺陷类别的缺陷特征，利用所述缺陷特征将不含类别标签的晶圆缺陷数据进行聚类；通过聚类结果结合正常晶圆图像数据构建缺陷数据集，利用所述缺陷数据集对晶圆检测网络进行训练，利用SVM分类器基于所述融合特征获取不同标签的权重信息；将所述权重信息与感兴趣区域的超分辨率特征图进行卷积，获取包含自身特征的标签表示。
根据本发明实施例，获取晶圆图像对应的缺陷类别，根据所述缺陷类别提取缺陷特征，计算所述缺陷特征与晶圆生产工序中各工序的皮尔逊相关系数，根据所述相关系数与预设的相关系数阈值进行对比，筛选对应的生产工序进行缺陷初步溯源，基于初步溯源结果将生产工序进行细粒度分析，读取缺陷相关的生产动作及对应生产设备，判断生产设备的历史异常情况，基于所述历史异常情况设置生产设备的权重，获取生产设备的运行监测序列，计算所述运行监测序列与历史正常运行序列的均方距离，根据所述均方距离结合权重获取最终值，若大于预设阈值，则标记为异常生产设备，生产最终溯源，并在相关知识图谱中检索设备运维方法生成运维决策。
图4示出了本发明一种基于视觉图像交互的半导体晶圆检测系统的框图。
本发明第二方面还提供了一种基于视觉图像交互的半导体晶圆检测系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于视觉图像交互的半导体晶圆检测方法程序，所述基于视觉图像交互的半导体晶圆检测方法程序被所述处理器执行时实现如下步骤：
通过机器视觉设备获取晶圆的晶圆图像，将所述晶圆图像进行预处理，对预处理后晶圆图像进行视觉增益，获取全局特征并分割感兴趣区域；
将所述感兴趣区域进行超分辨率重建，获取感兴趣区域的超分辨率图像，构建特征提取网络，在感兴趣区域的超分辨率图像中进行特征提取不同尺度超分辨率特征，将不同尺度的超分辨率特征进行自适应特征融合；
基于图卷积网络结合特征提取网络构建晶圆检测网络，并利用缺陷数据集进行训练，获取融合特征在不同标签中的权重信息，根据所述权重信息与特征图结合获取标签表示；
在晶圆检测网络中将所述标签表示导入图卷积网络获取标签节点向量，并将标签节点向量导入二分类器中输出最终缺陷类别。
需要说明的是，调用VGG16网络为主网络，结合特征金字塔构建特征提取网络，将感兴趣区域的超分辨率图像导入所述特征提取网络，利用特征金字塔获取不同尺度的超分辨率特征图；将所述不同尺度的超分辨率特征图进行特征缩放，保证特征融合时特征图尺寸一致，将特征缩放后的超分辨率特征图进行卷积降维，对降维后的超分辨率特征图进行拼接处理；获取各超分辨率特征图对应特征层的初始权重信息，将各超分辨率特征图与对应的权重信息结合，根据各超分辨率特征图中像素值的激活获取最终权重信息，根据所述最终权重信息进行自适应特征融合，获取融合特征。通过训练不同尺度的超分辨率特征图对应特征空间权重进行特征融合，将其他特征层无用的超分辨率特征图进行抑制，将有用的特征进行保留组合，得到不同尺度超分辨率特征图的贡献，强化了深层特征的语义特征。
根据本发明实施例，在晶圆检测网络中将所述标签表示及全局特征进行融合，并获取各个标签的预测分数，输出最终缺陷类别，具体为：
根据缺陷数据集获取不同缺陷类别在同一晶圆中的频率信息，基于所述频率信息获取不同标签节点的邻居节点，根据所述邻居节点构建邻接矩阵；
在晶圆检测网络中将所述标签表示导入图卷积网络，利用所述邻接矩阵对标签节点进行学习表示确定对应图结构，根据所述图结构标签节点特征表示；
将所述标签节点特征表示与全局特征进行拼接，更新标签节点特征表示，通过图卷积更新邻接矩阵，通过更新后的邻接矩阵利用邻居聚合机制再次更新标签节点特征表示，获取最终的标签节点向量；
将所有的标签节点向量进行聚合获取标签节点向量序列，导入二分类器中输出最终缺陷类别。
需要说明的是，由于晶圆图像中的缺陷往往对应多个缺陷标签，根据感兴趣区域的融合特征通过SVM分类器获取隶属于各个缺陷类别的概率，获取缺陷标签的权重，将权重与感兴趣区域的超分辨率特征图进行卷积，获取带有自身特征语义的标签表示作为图卷积网络的输入，通过图卷积获取标签节点之间的相关性信息。
需要说明的是，基于图卷积网络结合特征提取网络构建晶圆检测网络，利用所述特征提取网络获取感兴趣区域的融合特征，将所述融合特征导入图卷积网络获取缺陷检测分类结果；利用大数据方法获取晶圆缺陷数据，在所述晶圆缺陷数据中筛选含有类别标签的晶圆缺陷数据，常见的缺陷包括灰尘颗粒，堆垛缺陷，晶体错位，机械损伤等，获取不同缺陷类别的缺陷特征，利用所述缺陷特征将不含类别标签的晶圆缺陷数据进行聚类；通过聚类结果结合正常晶圆图像数据构建缺陷数据集，利用所述缺陷数据集对晶圆检测网络进行训练，利用SVM分类器基于所述融合特征获取不同标签的权重信息；将所述权重信息与感兴趣区域的超分辨率特征图进行卷积，获取包含自身特征的标签表示。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于视觉图像交互的半导体晶圆检测方法程序，所述基于视觉图像交互的半导体晶圆检测方法程序被处理器执行时，实现如上述任一项所述的基于视觉图像交互的半导体晶圆检测方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献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）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于视觉图像交互的半导体晶圆检测方法，其特征在于，包括以下步骤：
通过机器视觉设备获取晶圆的晶圆图像，将所述晶圆图像进行预处理，对预处理后晶圆图像进行视觉增益，获取全局特征并分割感兴趣区域；
将所述感兴趣区域进行超分辨率重建，获取感兴趣区域的超分辨率图像，构建特征提取网络，在感兴趣区域的超分辨率图像中进行特征提取不同尺度超分辨率特征，将不同尺度的超分辨率特征进行自适应特征融合；
基于图卷积网络结合特征提取网络构建晶圆检测网络，并利用缺陷数据集进行训练，获取融合特征在不同标签中的权重信息，根据所述权重信息与特征图结合获取标签表示；
在晶圆检测网络中将所述标签表示导入图卷积网络获取标签节点向量，并将标签节点向量导入二分类器中输出最终缺陷类别。
2.根据权利要求1所述的一种基于视觉图像交互的半导体晶圆检测方法，其特征在于，对预处理后晶圆图像进行视觉增益，获取全局特征并分割感兴趣区域，具体为：
根据机器视觉设备获取感知的晶圆图像序列，在所述晶圆图像序列中剔除不完整的晶圆图像，将筛选后的晶圆图像序列进行中值滤波，滤除冗余噪声；
通过VGG16网络获取预处理后的晶圆图像的特征图，引入视觉注意力对晶圆图像进行视觉增强，利用视觉注意力为所述特征图生成权重信息，并根据所述权重信息生成上下文向量；
利用多层感知机以前次迭代的隐藏状态为基础，通过所述上下文向量获取每次迭代期间关注的特征图，迭代结束后输出局部特征区域；
获取晶圆图像中需要关注的局部特征区域作为感兴趣区域，并将晶圆图像的不同尺度特征图进行反卷积及池化操作，映射到相同的分辨率，并进行特征拼接；
将拼接后的特征利用卷积生成同一特征图，并通过平均池化获取全局特征。
3.根据权利要求1所述的一种基于视觉图像交互的半导体晶圆检测方法，其特征在于，将所述感兴趣区域进行超分辨率重建，获取感兴趣区域的超分辨率图像，具体为：
提取无缺陷晶圆的高清参考图像信息，将所述高清参考图像信息进行下采样降低分辨率，并将尺寸信息调整到与晶圆图像一致，利用相似度计算降低分辨率的参考图像信息与晶圆图像感兴趣区域的相似度；
基于所述相似度获取两图像区域中的相似特征，在降低分辨率的参考图像信息中将所述相似特征进行标记，并在高清参考图像信息的对应位置上提取图像特征；
根据所述图像特征利用特征迁移进行感兴趣区域的超分辨率重建，通过所述相似度对特征迁移的特征进行加权，将加权后的特征与晶圆图像感兴趣区域的特征进行融合获取特征迁移后的特征；
将所述特征迁移后的特征进行上采样获取感兴趣区域的超分辨率图像。
4.根据权利要求1所述的一种基于视觉图像交互的半导体晶圆检测方法，其特征在于，构建特征提取网络，在感兴趣区域的超分辨率图像中进行特征提取不同尺度超分辨率特征，将不同尺度的超分辨率特征进行自适应特征融合，具体为：
调用VGG16网络为主网络，结合特征金字塔构建特征提取网络，将感兴趣区域的超分辨率图像导入所述特征提取网络，利用特征金字塔获取不同尺度的超分辨率特征图；
将所述不同尺度的超分辨率特征图进行特征缩放，将特征缩放后的超分辨率特征图进行卷积降维，对降维后的超分辨率特征图进行拼接处理；
获取各超分辨率特征图对应特征层的初始权重信息，将各超分辨率特征图与对应的权重信息结合，根据各超分辨率特征图中像素值的激活获取最终权重信息，根据所述最终权重信息进行自适应特征融合，获取融合特征。
5.根据权利要求1所述的一种基于视觉图像交互的半导体晶圆检测方法，其特征在于，基于图卷积网络结合特征提取网络构建晶圆检测网络，并利用缺陷数据集进行训练，具体为：
基于图卷积网络结合特征提取网络构建晶圆检测网络，利用所述特征提取网络获取感兴趣区域的融合特征，将所述融合特征导入图卷积网络获取缺陷检测分类结果；
利用大数据方法获取晶圆缺陷数据，在所述晶圆缺陷数据中筛选含有类别标签的晶圆缺陷数据，获取不同缺陷类别的缺陷特征，利用所述缺陷特征将不含类别标签的晶圆缺陷数据进行聚类；
通过聚类结果结合正常晶圆图像数据构建缺陷数据集，利用所述缺陷数据集对晶圆检测网络进行训练，利用SVM分类器基于所述融合特征获取不同标签的权重信息；
将所述权重信息与感兴趣区域的超分辨率特征图进行卷积，获取包含自身特征的标签表示。
6.根据权利要求1所述的一种基于视觉图像交互的半导体晶圆检测方法，其特征在于，在晶圆检测网络中将所述标签表示及全局特征进行融合，并获取各个标签的预测分数，输出最终缺陷类别，具体为：
根据缺陷数据集获取不同缺陷类别在同一晶圆中的频率信息，基于所述频率信息获取不同标签节点的邻居节点，根据所述邻居节点构建邻接矩阵；
在晶圆检测网络中将所述标签表示导入图卷积网络，利用所述邻接矩阵对标签节点进行学习表示确定对应图结构，根据所述图结构标签节点特征表示；
将所述标签节点特征表示与全局特征进行拼接，更新标签节点特征表示，通过图卷积更新邻接矩阵，通过更新后的邻接矩阵利用邻居聚合机制再次更新标签节点特征表示，获取最终的标签节点向量；
将所有的标签节点向量进行聚合获取标签节点向量序列，导入二分类器中输出最终缺陷类别。
7.一种基于视觉图像交互的半导体晶圆检测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于视觉图像交互的半导体晶圆检测方法程序，所述基于视觉图像交互的半导体晶圆检测方法程序被所述处理器执行时实现如下步骤：
通过机器视觉设备获取晶圆的晶圆图像，将所述晶圆图像进行预处理，对预处理后晶圆图像进行视觉增益，获取全局特征并分割感兴趣区域；
将所述感兴趣区域进行超分辨率重建，获取感兴趣区域的超分辨率图像，构建特征提取网络，在感兴趣区域的超分辨率图像中进行特征提取不同尺度超分辨率特征，将不同尺度的超分辨率特征进行自适应特征融合；
基于图卷积网络结合特征提取网络构建晶圆检测网络，并利用缺陷数据集进行训练，获取融合特征在不同标签中的权重信息，根据所述权重信息与特征图结合获取标签表示；
在晶圆检测网络中将所述标签表示导入图卷积网络获取标签节点向量，并将标签节点向量导入二分类器中输出最终缺陷类别。
8.根据权利要求7所述的一种基于视觉图像交互的半导体晶圆检测系统，其特征在于，构建特征提取网络，在感兴趣区域的超分辨率图像中进行特征提取不同尺度超分辨率特征，将不同尺度的超分辨率特征进行自适应特征融合，具体为：
调用VGG16网络为主网络，结合特征金字塔构建特征提取网络，将感兴趣区域的超分辨率图像导入所述特征提取网络，利用特征金字塔获取不同尺度的超分辨率特征图；
将所述不同尺度的超分辨率特征图进行特征缩放，将特征缩放后的超分辨率特征图进行卷积降维，对降维后的超分辨率特征图进行拼接处理；
获取各超分辨率特征图对应特征层的初始权重信息，将各超分辨率特征图与对应的权重信息结合，根据各超分辨率特征图中像素值的激活获取最终权重信息，根据所述最终权重信息进行自适应特征融合，获取融合特征。
9.根据权利要求7所述的一种基于视觉图像交互的半导体晶圆检测系统，其特征在于，基于图卷积网络结合特征提取网络构建晶圆检测网络，并利用缺陷数据集进行训练，具体为：
基于图卷积网络结合特征提取网络构建晶圆检测网络，利用所述特征提取网络获取感兴趣区域的融合特征，将所述融合特征导入图卷积网络获取缺陷检测分类结果；
利用大数据方法获取晶圆缺陷数据，在所述晶圆缺陷数据中筛选含有类别标签的晶圆缺陷数据，获取不同缺陷类别的缺陷特征，利用所述缺陷特征将不含类别标签的晶圆缺陷数据进行聚类；
通过聚类结果结合正常晶圆图像数据构建缺陷数据集，利用所述缺陷数据集对晶圆检测网络进行训练，利用SVM分类器基于所述融合特征获取不同标签的权重信息；
将所述权重信息与感兴趣区域的超分辨率特征图进行卷积，获取包含自身特征的标签表示。
10.根据权利要求7所述的一种基于视觉图像交互的半导体晶圆检测系统，其特征在于，在晶圆检测网络中将所述标签表示及全局特征进行融合，并获取各个标签的预测分数，输出最终缺陷类别，具体为：
根据缺陷数据集获取不同缺陷类别在同一晶圆中的频率信息，基于所述频率信息获取不同标签节点的邻居节点，根据所述邻居节点构建邻接矩阵；
在晶圆检测网络中将所述标签表示导入图卷积网络，利用所述邻接矩阵对标签节点进行学习表示确定对应图结构，根据所述图结构标签节点特征表示；
将所述标签节点特征表示与全局特征进行拼接，更新标签节点特征表示，通过图卷积更新邻接矩阵，通过更新后的邻接矩阵利用邻居聚合机制再次更新标签节点特征表示，获取最终的标签节点向量；
将所有的标签节点向量进行聚合获取标签节点向量序列，导入二分类器中输出最终缺陷类别。
CN202410013044.1A 2024-01-04 2024-01-04 基于视觉图像交互的半导体晶圆检测方法及系统 Active CN117522871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410013044.1A CN117522871B (zh) 2024-01-04 2024-01-04 基于视觉图像交互的半导体晶圆检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410013044.1A CN117522871B (zh) 2024-01-04 2024-01-04 基于视觉图像交互的半导体晶圆检测方法及系统

Publications (2)

Publication Number Publication Date
CN117522871A true CN117522871A (zh) 2024-02-06
CN117522871B CN117522871B (zh) 2024-04-16

Family

ID=89751697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410013044.1A Active CN117522871B (zh) 2024-01-04 2024-01-04 基于视觉图像交互的半导体晶圆检测方法及系统

Country Status (1)

Country Link
CN (1) CN117522871B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118329777A (zh) * 2024-06-11 2024-07-12 深圳市华拓半导体技术有限公司 裸晶圆表面缺陷的检测方法、装置、终端设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103674965A (zh) * 2013-12-06 2014-03-26 深圳市大族激光科技股份有限公司 一种晶圆外观缺陷的分类以及检测方法
US20200105500A1 (en) * 2018-09-28 2020-04-02 Taiwan Semiconductor Manufacturing Co., Ltd. Machine learning on wafer defect review
KR20200086485A (ko) * 2019-01-09 2020-07-17 에스케이텔레콤 주식회사 웨이퍼 맵 결함 패턴 인식 방법 및 장치
CN114998324A (zh) * 2022-07-19 2022-09-02 深圳新视智科技术有限公司 半导体晶圆缺陷检测模型的训练方法及装置
CN115144405A (zh) * 2022-09-02 2022-10-04 扬州中科半导体照明有限公司 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN115409824A (zh) * 2022-09-06 2022-11-29 长沙理工大学 一种基于深度卷积神经网络的硅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
CN116385391A (zh) * 2023-04-03 2023-07-04 深圳智现未来工业软件有限公司 一种晶圆图缺陷的多目标检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103674965A (zh) * 2013-12-06 2014-03-26 深圳市大族激光科技股份有限公司 一种晶圆外观缺陷的分类以及检测方法
US20200105500A1 (en) * 2018-09-28 2020-04-02 Taiwan Semiconductor Manufacturing Co., Ltd. Machine learning on wafer defect review
KR20200086485A (ko) * 2019-01-09 2020-07-17 에스케이텔레콤 주식회사 웨이퍼 맵 결함 패턴 인식 방법 및 장치
CN114998324A (zh) * 2022-07-19 2022-09-02 深圳新视智科技术有限公司 半导体晶圆缺陷检测模型的训练方法及装置
CN115144405A (zh) * 2022-09-02 2022-10-04 扬州中科半导体照明有限公司 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN115409824A (zh) * 2022-09-06 2022-11-29 长沙理工大学 一种基于深度卷积神经网络的硅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
CN116385391A (zh) * 2023-04-03 2023-07-04 深圳智现未来工业软件有限公司 一种晶圆图缺陷的多目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘佳敏 等: "先进节点图案化晶圆缺陷检测技术", 《激光与光电子学进展》, vol. 60, no. 3, 28 February 2023 (2023-02-28), pages 23 - 51 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118329777A (zh) * 2024-06-11 2024-07-12 深圳市华拓半导体技术有限公司 裸晶圆表面缺陷的检测方法、装置、终端设备及存储介质

Also Published As

Publication number Publication date
CN117522871B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
TWI834916B (zh) 基於機器學習的取樣缺陷檢測
CN110766660A (zh) 基于融合深度学习模型的集成电路缺陷图像识别分类系统
US12007335B2 (en) Automatic optimization of an examination recipe
CN117522871B (zh) 基于视觉图像交互的半导体晶圆检测方法及系统
JP2000137804A (ja) デジタル画像の異常検出方法およびシステム、ならびにそのための記憶媒体
CN118196555A (zh) 生成可用于检查半导体样本的训练数据
CN111667476B (zh) 布料瑕疵检测方法、装置、电子设备及可读存储介质
CN113439276A (zh) 基于机器学习的半导体样本中的缺陷分类
CN117974601B (zh) 基于模板匹配的硅片表面缺陷检测方法及系统
CN112669274B (zh) 一种用于表面异常区域像素级分割的多任务检测方法
CN111242144A (zh) 电网设备异常的检测方法和装置
Mezher et al. Computer vision defect detection on unseen backgrounds for manufacturing inspection
CN117853778A (zh) 一种基于改进的htc铸件dr图像缺陷识别方法
Rojas-Gomez et al. Making vision transformers truly shift-equivariant
CN117576042A (zh) 晶圆缺陷检测方法、系统、电子设备以及存储介质
CN117067112A (zh) 一种水切割机及其控制方法
CN111340139A (zh) 一种图像内容复杂度的判别方法及装置
CN114882020B (zh) 产品的缺陷检测方法、装置、设备及计算机可读介质
US11988613B2 (en) Care area based defect detection
CN114119562A (zh) 一种基于深度学习的刹车盘外表面缺陷检测方法及系统
CN114861771A (zh) 基于特征提取和深度学习的工业ct图像缺陷分类方法
Mustafaev et al. Enhancing Metal Surface Defect Recognition through Image Patching and Synthetic Defect Generation
CN116152807B (zh) 一种基于U-Net网络的工业缺陷语义分割方法及存储介质
Ghorbanzade et al. Image Inpainting by Multiscale Spline Interpolation

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