CN117589798A - 一种芯片故障检测方法、装置及电子设备 - Google Patents
一种芯片故障检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117589798A CN117589798A CN202410076860.7A CN202410076860A CN117589798A CN 117589798 A CN117589798 A CN 117589798A CN 202410076860 A CN202410076860 A CN 202410076860A CN 117589798 A CN117589798 A CN 117589798A
- Authority
- CN
- China
- Prior art keywords
- chip
- output signal
- fault
- image data
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000005284 excitation Effects 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000008367 deionised water Substances 0.000 description 1
- 229910021641 deionized water Inorganic materials 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- 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
- 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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
-
- 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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- 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
- G06T2207/30—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)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Signal Processing (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明提供一种芯片故障检测方法、装置及电子设备,该方法包括:首先,采集用于表征芯片的结构的图像数据。然后,将图像数据输入第一检测模型,确定芯片是否存在结构故障。在芯片存在结构故障的情况下,输出用于提醒芯片存在结构故障的第一提示信息。进一步的,在芯片不存在结构故障的情况下,获取芯片在预设的激励信号下的输出信号。然后,根据输出信号通过第二检测模型确定芯片是否存在电路故障。在芯片存在电路故障的情况下,输出用于提醒芯片存在电路故障的第二提示信息。这样,结合芯片的图像数据和输出信号,通过两个检测模型分别确定芯片是否存在结构故障和电路故障,以实现全面地对芯片进行故障检测,从而提高了芯片故障检测的准确性。
Description
技术领域
本发明涉及芯片故障检测技术领域,具体涉及一种芯片故障检测方法、装置及电子设备。
背景技术
随着芯片技术的快速发展,具有超大规模集成电路的芯片被广泛的生产和应用。例如,可以将多个复杂块组合起来形成系统级芯片(system on chip, SoC)即特征集成,将该芯片可以应用在电子设备中。为了提高电子设备的性能,以实现更多的功能,可以将晶体管、元器件以及集成电路都集成在一小块芯片上。这样,在芯片中超大规模的集成电路通常具有几层到上百层结构,每一层的结构都极其复杂,集成数千万甚至数亿的晶体管,从厘米级到纳米级具有多尺度结构。
并且,由于随着芯片尺寸的减小,芯片上的集成电路的复杂性也越来越高,这就导致在芯片的制作过程中精度控制的难度越来越大,制作的芯片也越来越容易出现故障。因此,需要对制作的芯片进行严格的故障检测,以最大限度地降低制作的芯片的故障率。
通常,导致芯片出现故障的因素众多,受到芯片的器件材料与工艺、集成电路的结构、工作环境等不同的影响,使得导致芯片故障的物理机制复杂多变。一种诱因可能导致芯片的多种故障,芯片的一个故障也可能有多种因素导致。仅靠单一的检测方式,无法对芯片进行全面地检测,容易遗漏芯片中存在的故障,从而导致芯片故障检测的准确性降低。
发明内容
本发明所要解决的技术问题是芯片故障检测的检测方式单一、不全面,从而导致芯片故障检测的准确性较低的问题。
为解决上述技术问题,本发明提供了一种芯片故障检测方法、装置及电子设备。具体采用如下技术方案:
第一方面,本发明提供一种芯片故障检测方法,方法包括:首先,采集芯片的图像数据,该图像数据用于表征芯片的结构。然后,将图像数据输入第一检测模型中,确定芯片是否存在结构故障,第一检测模型用于将图像数据与芯片的原始设计图对比,输出芯片是否存在结构故障。在芯片存在结构故障的情况下,输出第一提示信息,第一提示信息用于提醒芯片存在结构故障。进一步的,在芯片不存在结构故障的情况下,获取芯片在预设的激励信号下的输出信号。然后,根据输出信号通过第二检测模型确定芯片是否存在电路故障,第二检测模型用于根据输出信号的特征,确定并输出芯片是否存在电路故障。在芯片存在电路故障的情况下,输出第二提示信息,第二提示信息用于提醒芯片存在电路故障。
该方法中,结合芯片的图像数据和输出信号,分别通过第一检测模型和第二检测模型确定芯片是否存在结构故障和电路故障。这样,通过结合芯片的图像和输出信号进行双重检测,以全面地对芯片进行故障检测,从而提高了芯片故障检测的准确性。
结合第一方面,在一种可选择的实现方式中,上述第一检测模型包括:基于分类学习的卷积神经网络模型,第一检测模型还用于根据图像数据输出结构故障的位置信息和结构故障的类型。上述第一提示信息包括:结构故障的位置信息和结构故障的类型。
这样,根据第一提示信息,以便于快速地确定芯片中结构故障的位置和类型,及时地对芯片中的结构故障进行修复。
结合第一方面,在一种可选择的实现方式中,上述图像数据包括以下至少一个:芯片的集成电路的图像数据、芯片的内部截面扫描图像数据、芯片的内部分层扫描图像数据。原始设计图包括以下至少一个:芯片的集成电路设计版图、芯片的集成电路原理图。
这样,通过第一检测模型能够更加准确地确定芯片中是否存在结构故障。
结合第一方面,在一种可选择的实现方式中,根据输出信号通过第二检测模型,确定芯片是否存在电路故障,包括:首先,对输出信号进行降噪处理,得到降噪后的输出信号。然后,对降噪后的输出信号进行特征提取,得到检测特征参数,检测特征参数用于确定电路故障。最后,将检测特征参数输入第二检测模型,输出芯片是否存在电路故障的结果。
这样,对输出信号依次进行降噪、特征提取、特征输入第二检测模型,可以提高检测芯片结构故障的准确性。
结合第一方面,在一种可选择的实现方式中,上述对降噪后的输出信号进行特征提取,得到检测特征参数,包括:对降噪后的输出信号进行小波变换,提取处降噪后的输出信号的小波系数,根据小波系数确定检测特征参数。
这样,通过小波变换能够有效地提取出输出信号可以用于确定定芯片是否存在电路故障的特征参数,以实现对芯片是否存在电路故障的检测。
结合第一方面,在一种可选择的实现方式中,上述对降噪后的输出信号进行小波变换,提取处降噪后的输出信号的小波系数,根据小波系数确定检测特征参数,包括:首先,采用小波变换方法对降噪后的输出信号进行N层的小波分解,得到N层小波系数,其中,N为大于或者等于2的正整数。然后,确定N层小波系数中每层小波系数对应的各分量值的平方和,得到N个平方和。最后,将N个平方和组成检测特征向量,得到检测特征参数。
这样,利用小波分解和小波重构技术对降噪后的输出信号进一步进行去噪,从而提高输出信号的精度。并且,保证了较高的故障分辨率。
结合第一方面,在一种可选择的实现方式中,上述第二检测模型为:基于分类学习的卷积神经网络模型,第二检测模型还用于根据输出信号的特征,确定并输出电路故障的类型。上述第二提示信息包括:电路故障的类型。
这样,根据第二提示信息,以便于及时快速地对芯片中的电路故障进行修复。
第二方面,本发明提供一种芯片故障检测装置,该装置包括:第一采集模块,第一处理模块,第二采集模块,第二处理模块和提示模块。其中,第一采集模块,用于采集芯片的图像数据,图像数据用于表征芯片的结构。第一处理模块,用于将图像数据输入第一检测模型中,确定芯片是否存在结构故障,第一检测模型用于将图像数据与芯片的原始设计图对比,输出芯片是否存在结构故障。提示模块,用于在芯片存在结构故障的情况下,输出第一提示信息,第一提示信息用于提醒芯片存在结构故障。第二采集模块,用于在芯片不存在结构故障的情况下,获取芯片在预设的激励信号下的输出信号。第二处理模块,用于根据输出信号通过第二检测模型,确定芯片是否存在电路故障,第二检测模型用于根据输出信号的特征,确定并输出芯片是否存在电路故障。提示模块,还用于在芯片存在电路故障的情况下,输出第二提示信息,第二提示信息用于提醒芯片存在电路故障。
第三方面,本发明提供一种电子设备,包括:存储器、一个或多个处理器;存储器与处理器耦合;其中,存储器中存储有计算机程序代码,计算机程序代码包括计算机指令,当计算机指令被处理器执行时,使得电子设备执行如上述第一方面及其任一种可选择的方法。
第四方面,本发明提供一种计算机可读存储介质,包括计算机指令,当计算机指令在电子设备上运行时,使得电子设备执行如上述第一方面及其任一种可选择的方法。
可以理解地,上述第二方面的芯片故障检测装置,第三方面的电子设备,第四方面的计算机可读存储介质所能达到的有益效果,可参考第一方面及其任一种可能的设计方式中的有益效果,此处不再赘述。
附图说明
图1为本发明实施例提供的芯片故障检测方法的方法流程示意图;
图2为本发明实施例提供的根据输出信号确定芯片是否存在电路故障的方法流程示意图;
图3为本发明实施例提供的芯片故障检测装置的结构示意图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
随着芯片技术的快速发展,具有超大规模集成电路的芯片被广泛的生产和应用。例如,可以将多个复杂块组合起来形成SoC即特征集成,将该芯片可以应用在电子设备中。为了提高电子设备的性能,以实现更多的功能,可以将晶体管、元器件以及集成电路都集成在一小块芯片上。这样,在芯片中超大规模的集成电路通常具有几层到上百层结构,每一层的结构都极其复杂,集成数千万甚至数亿的晶体管,从厘米级到纳米级具有多尺度结构。
并且,由于随着芯片尺寸的减小,芯片上的集成电路的复杂性也越来越高,这就导致在芯片的制作过程中精度控制的难度越来越大,制作的芯片也越来越容易出现故障。因此,需要对制作的芯片进行严格的故障检测,以最大限度地降低制作的芯片的故障率。
通常,导致芯片出现故障的因素众多,受到芯片的器件材料与工艺、集成电路的结构、工作环境等不同的影响,使得导致芯片故障的物理机制复杂多变。一种诱因可能导致芯片的多种故障,芯片的一个故障也可能有多种因素导致。仅靠单一的检测方式,无法对芯片进行全面地检测,容易遗漏芯片中存在的故障,从而导致芯片故障检测的准确性降低。
为了解决上述问题,本发明实施例提供了一种芯片故障检测方法、装置及电子设备,该方法首先获取用于表征芯片结构的图像数据,然后,将图像数据输入第一检测模型中,确定芯片是否存在结构故障。在芯片不存在结构故障的情况下,获取芯片在预设的激励信号下的输出信号。进一步的,根据输出信号通过第二检测模型确定芯片是否存在电路故障。本申请提供的方法能够结合芯片的图像数据和输出信号,分别通过第一检测模型和第二检测模型确定芯片是否存在结构故障和电路故障。这样,通过结合芯片的图像和输出信号进行双重检测,以全面地对芯片进行故障检测,从而提高了芯片故障检测的准确性。
下面结合附图,对本发明实施例提供的方案进行介绍。
具体的,参见图1,为本发明实施例提供的芯片故障检测方法的方法流程示意图,如图1所示,该方法包括如下步骤S101-S106:
S101、采集芯片的图像数据,图像数据用于表征芯片的结构。
在本发明实施例中,为了对芯片进行故障检测,首先,需要采集芯片的图像数据。其中,图像数据用于表征芯片的结构,例如包括:芯片中集成电路的结构。
在一些实施例中,上述图像数据包括芯片的外部(表面)的、结构的图像数据以及芯片内部结构的图像数据。具体的,图像数据包括以下至少一个:芯片的集成电路的图像数据、芯片的内部截面扫描图像数据、芯片的内部分层扫描图像数据。
在一种实现方式中,可以通过高分辨率摄像装置采集芯片的集成电路的图像数据。其中,高分辨率摄像装置例如可以为:电荷耦合元件(charge coupled device,CCD)摄像机、互补金属氧化物半导体(complementary metal oxide semiconductor,CMOS)摄像机等。
在又一种实现方式中,可以通过超声波扫描显微镜采集芯片的内部截面扫描图像数据、芯片的内部分层扫描图像数据。示例性的,可以将电镀后的芯片放入到去离子水中,然后使用超声波扫描显微镜对芯片进行截面定位、扫描,然后再进行分层定位、扫描,分别得到芯片的内部截面扫描图像数据和芯片的内部分层扫描图像数据。
S102、将图像数据输入第一检测模型中,确定芯片是否存在结构故障。
在本发明实施例中,可以将S101中采集的芯片的图像数据,通过第一检测模型,确定该芯片是否存在结构故障。其中,第一检测模型为根据样本数据训练好的机器学习模型,第一检测模型可以用于将图像数据与芯片的原始设计图对比,输出芯片是否存在结构故障。这样,通过第一检测模型确定芯片是否存在结构故障,可以提高芯片故障检测的准确性。
示例性的,第一检测模型可以为图像比对算法模型,例如,可以为尺度不变特征转换算法模型、加速稳健特征算法模型等,本申请对第一检测模型不做具体限定。
在一些实施例中,上述原始设计图包括以下至少一个:芯片的集成电路设计版图、芯片的集成电路原理图。这样,以便于第一检测模型更加准确地确定芯片是否存在结构故障。
需要说明的是,在本发明实施例中,芯片的结构故障具体指芯片中集成电路、引脚以及中心焊盘等结构存在的缺陷,例如,引脚出现位置偏移、引脚上翘、引脚下翘、引脚处附着焊球、引脚桥接等缺陷。中心焊盘表面部分会出现裂纹、异物、划痕、孔洞等缺陷。集成电路中的走线断裂、走向错误等缺陷。
S103、在芯片存在结构故障的情况下,输出第一提示信息,第一提示信息用于提醒芯片存在结构故障。
具体的,在第一检测模型根据芯片的图像数据确定芯片存在结构故障的情况下,可以快速地输出用于提醒芯片存在结构故障的第一提示信息。这样,以便于及时地对芯片的结构进行修复。并且,在这种情况下无需进行后续的芯片电路故障检测,以提高芯片故障检测的效率。
在一些实施例中,第一检测模型还包括:基于分类学习的卷积神经网络模型。则第一检测模型还用于根据图像数据输出结构故障的位置信息和结构故障的类型。上述第一提示信息包括:结构故障的位置信息和结构故障的类型。
具体的,第一检测模型可以根据样本数据以及包括芯片结构故障类型的数据库进行训练学习,使第一检测模型具备根据图像数据和原始设计图输出结构故障的位置信息和结构故障的类型的能力。其中,结构故障的位置信息用于表征故障点在芯片的位置。结构故障的类型为芯片故障的具体类型,例如:引脚位置偏移故障、引脚上翘故障、引脚下翘故障、引脚处附着焊球故障、引脚桥接等故障。
S104、在芯片不存在结构故障的情况下,获取芯片在预设的激励信号下的输出信号。
在本发明实施例中,在芯片不存在结构故障的情况下,进一步的确定该芯片是否存在电路故障,以实现对芯片进行全面的故障检测。首先,需要采集芯片在预设的激励信号下的输出信号。由于芯片的输出信号是影响设备工作的直接因素,也是芯片是否出现电路故障的直接反映。因此,输出信号中包含有能区分出芯片是否存在电路故障的特征。同时,芯片的输出信号相比于其他的电路信息更容易获取,便于芯片电路检测的实现。
需要说明的是,预设的激励信号可以结合对芯片的故障检测的需求进行设置,本申请对此不做具体限定。
S105、根据输出信号通过第二检测模型,确定芯片是否存在电路故障。
在本发明实施例中,可以将S104中采集的芯片的输出信号,通过第二检测模型,确定该芯片是否存在电路故障。其中,第二检测模型为根据样本数据训练好的机器学习模型,第二检测模型可以用于根据输出信号的特征,确定并输出芯片是否存在电路故障。这样,通过第二检测模型确定芯片是否存在电路故障,可以提高芯片故障检测的准确性。
在一些实施例中,图2为本发明实施例提供的根据输出信号确定芯片是否存在电路故障的方法流程示意图,如图2所示,S105具体可以包括以下步骤S1051- S1053:
S1051、对输出信号进行降噪处理,得到降噪后的输出信号。
通常,获取的输出信号中会包括噪声信号,影响芯片的故障检测。因此,可以采用滤波算法对输出信号进行降噪处理,得到降噪后的输出信号,以提高芯片检测的准确性。
S1052、对降噪后的输出信号进行特征提取,得到检测特征参数,检测特征参数用于确定电路故障。
具体的,由于采集到的输出信号中虽然包含有故障特征,但这些故障特征在大量的无用信息中。因此,需要对降噪后的输出信号进行特征提取,以得到检测特征参数,以便于第二检测模型确定芯片是否存在电路故障。
在一些实施例中,对降噪后的输出信号进行特征提取,得到检测特征参数包括:对降噪后的输出信号进行小波变换,提取处降噪后的输出信号的小波系数,根据小波系数确定检测特征参数。
具体的,小波变换是一种基于傅里叶变换的改进方法,多用于分析非平稳信号的时频特征,通过对降噪后的输出信号进行小波变换,提取出小波系数组成检测特征参数。
在一种实现方式中,对降噪后的输出信号进行小波变换,提取处降噪后的输出信号的小波系数,具体包括:首先,选取一个小波函数,将该小波函数与降噪后的输出信号的起始点对齐。然后,计算在这一时刻降噪后的输出信号与小波函数的内积,即为小波变换系数。若在当前时刻,降噪后的输出信号与所选择的小波函数越逼近,小波变换系数就越大,反之,小波变换系数就越小。接下来,在时间轴上将小波函数右移一个单位,重复上述步骤,求出降噪后的输出信号在右移后所在时刻的小波变换系数。然后,继续移动小波函数,并计算小波系数,直到得到电路输出响应信号在所有时刻下的小波系数。然后,将小波函数伸缩一个单位尺度,然后重复前面三个步骤,得到此尺度下的小波系数。进一步的,获取在所有尺度下降噪后的输出信号所有时刻的小波系数:重复前面所有的四个步骤,直到得到所有的尺度下的小波系数。最后,将这些小波系数组合在一起组成检测特征参数。
在一些实施例中,上述对降噪后的输出信号进行小波变换,提取处降噪后的输出信号的小波系数,根据小波系数确定检测特征参数,具体包括:
首先,采用小波变换方法对降噪后的输出信号进行N层的小波分解,得到N层小波系数,其中,N为大于或者等于2的正整数。
然后,确定N层小波系数中每层小波系数对应的各分量值的平方和,得到N个平方和。
具体的,第j层小波系数对应的各分量值的平方和的表达式为:
;
其中,j=1,2,…,N,为第j层小波系数对应的各分量值的平方和,/>为第j层小波系数的第i个分量,/>为第j层小波系数的维数,N 为小波分解的层数。
最后,将N个平方和组成检测特征向量,得到检测特征参数。
具体的,检测特征参数的表达式为:
;
这样,利用小波分解和小波重构技术对降噪后的输出信号进一步进行去噪,从而提高输出信号的精度。并且,将输入第二检测模型的检测特征参数的数据量缩减为N个大减小了第二检测模型的规模,避免了过学习现象的发生,提升了第二检测模型的收敛速度,同时又保证了较高的故障分辨率。
S1053、将检测特征参数输入第二检测模型,输出芯片是否存在电路故障的结果。
最后,将S1052中确定的检测特征参数输入第二检测模型,第二检测模型可以输出芯片是否存在电路故障的结果。
S106、在芯片存在电路故障的情况下,输出第二提示信息,第二提示信息用于提醒芯片存在电路故障。
具体的,在第二检测模型根据芯片的输出信号确定芯片存在电路故障的情况下,可以快速地输出用于提醒芯片存在电路故障的第二提示信息。这样,以便于及时地对芯片的电路进行修复。
在一些实施例中,第二检测模型可以为:基于分类学习的卷积神经网络模型,第二检测模型还用于根据输出信号的特征,确定并输出电路故障的类型。第二提示信息包括:电路故障的类型。
具体的,第二检测模型可以根据样本输出信号和电路故障的类型的样本数据进行训练学习,使第二检测模型具备根据芯片的输出信号输出电路故的类型的能力。并且,在第二提示信息中还可以包括电路故障的类型,以便于及时快速地对芯片中的电路故障进行修复。
采用本发明上述实施例提供的一种芯片故障检测方法,首先,获取用于表征芯片结构的图像数据,然后,将图像数据输入第一检测模型中,确定芯片是否存在结构故障。在芯片存在结构故障的情况下,输出用于提醒芯片存在结构故障的第一提示信息。在芯片不存在结构故障的情况下,获取芯片在预设的激励信号下的输出信号。进一步的,根据输出信号通过第二检测模型确定芯片是否存在电路故障。本申请提供的方法能够结合芯片的图像数据和输出信号,分别通过第一检测模型和第二检测模型确定芯片是否存在结构故障和电路故障。这样,通过结合芯片的图像和输出信号进行双重检测,以全面地对芯片进行故障检测,从而提高了芯片故障检测的准确性。
在一些实施例中,本发明实施例还提供一种芯片故障检测装置,图3为本发明实施例提供的芯片故障检测装置的结构示意图,如图3所示,该芯片故障检测装置300包括:第一采集模块301,第一处理模块302,第二采集模块303,第二处理模块304和提示模块305。其中,第一采集模块301,用于采集芯片的图像数据,图像数据用于表征芯片的结构。第一处理模块302,用于将图像数据输入第一检测模型中,确定芯片是否存在结构故障,第一检测模型用于将图像数据与芯片的原始设计图对比,输出芯片是否存在结构故障。提示模块305,用于在芯片存在结构故障的情况下,输出第一提示信息,第一提示信息用于提醒芯片存在结构故障。第二采集模块303,用于在芯片不存在结构故障的情况下,获取芯片在预设的激励信号下的输出信号。第二处理模块302,用于根据输出信号通过第二检测模型,确定芯片是否存在电路故障,第二检测模型用于根据输出信号的特征,确定并输出芯片是否存在电路故障。提示模块305,还用于在芯片存在电路故障的情况下,输出第二提示信息,第二提示信息用于提醒芯片存在电路故障。
在一些实施例中,本发明实施例还提供一种电子设备,包括:存储器、一个或多个处理器;存储器与处理器耦合;其中,存储器中存储有计算机程序代码,计算机程序代码包括计算机指令,当计算机指令被处理器执行时,使得电子设备执行如上述方法实施例中芯片故障检测方法的相关步骤。
在一些实施例中,本发明实施例还提供一种计算机可读存储介质,包括计算机指令,当计算机指令在电子设备上运行时,使得电子设备执行如上述方法实施例中芯片故障检测方法的相关步骤。
通过以上实施方式的描述,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,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
本申请提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (10)
1.一种芯片故障检测方法,其特征在于,所述方法包括:
采集芯片的图像数据,所述图像数据用于表征所述芯片的结构;
将所述图像数据输入第一检测模型中,确定所述芯片是否存在结构故障,所述第一检测模型用于将所述图像数据与所述芯片的原始设计图对比,输出所述芯片是否存在结构故障;
在所述芯片存在结构故障的情况下,输出第一提示信息,所述第一提示信息用于提醒所述芯片存在结构故障;
在所述芯片不存在结构故障的情况下,获取所述芯片在预设的激励信号下的输出信号;
根据所述输出信号通过第二检测模型,确定所述芯片是否存在电路故障,所述第二检测模型用于根据所述输出信号的特征,确定并输出所述芯片是否存在电路故障;
在所述芯片存在电路故障的情况下,输出第二提示信息,所述第二提示信息用于提醒所述芯片存在电路故障。
2.根据权利要求1所述的方法,其特征在于,所述第一检测模型包括:基于分类学习的卷积神经网络模型,所述第一检测模型还用于根据所述图像数据输出结构故障的位置信息和结构故障的类型;
所述第一提示信息包括:所述结构故障的位置信息和所述结构故障的类型。
3.根据权利要求1所述的方法,其特征在于,所述图像数据包括以下至少一个:所述芯片的集成电路的图像数据、所述芯片的内部截面扫描图像数据、所述芯片的内部分层扫描图像数据;
所述原始设计图包括以下至少一个:所述芯片的集成电路设计版图、所述芯片的集成电路原理图。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述输出信号通过第二检测模型,确定所述芯片是否存在电路故障,包括:
对所述输出信号进行降噪处理,得到降噪后的输出信号;
对所述降噪后的输出信号进行特征提取,得到检测特征参数,所述检测特征参数用于确定电路故障;
将所述检测特征参数输入所述第二检测模型,输出所述芯片是否存在电路故障的结果。
5.根据权利要求4所述的方法,其特征在于,所述对所述降噪后的输出信号进行特征提取,得到检测特征参数,包括:
对所述降噪后的输出信号进行小波变换,提取处所述降噪后的输出信号的小波系数,根据所述小波系数确定所述检测特征参数。
6.根据权利要求5所述的方法,其特征在于,所述对所述降噪后的输出信号进行小波变换,提取处所述降噪后的输出信号的小波系数,根据所述小波系数确定所述检测特征参数,包括:
采用小波变换方法对所述降噪后的输出信号进行N层的小波分解,得到N层小波系数,其中,所述N为大于或者等于2的正整数;
确定所述N层小波系数中每层小波系数对应的各分量值的平方和,得到N个平方和;
将所述N个平方和组成检测特征向量,得到所述检测特征参数。
7.根据权利要求1所述的方法,其特征在于,所述第二检测模型为:基于分类学习的卷积神经网络模型,所述第二检测模型还用于根据所述输出信号的特征,确定并输出电路故障的类型;
所述第二提示信息包括:所述电路故障的类型。
8.一种芯片故障检测装置,其特征在于,所述装置包括:第一采集模块,第一处理模块,第二采集模块,第二处理模块和提示模块;其中,
所述第一采集模块,用于采集芯片的图像数据,所述图像数据用于表征所述芯片的结构;
所述第一处理模块,用于将所述图像数据输入第一检测模型中,确定所述芯片是否存在结构故障,所述第一检测模型用于将所述图像数据与所述芯片的原始设计图对比,输出所述芯片是否存在结构故障;
所述提示模块,用于在所述芯片存在结构故障的情况下,输出第一提示信息,所述第一提示信息用于提醒所述芯片存在结构故障;
所述第二采集模块,用于在所述芯片不存在结构故障的情况下,获取所述芯片在预设的激励信号下的输出信号;
所述第二处理模块,用于根据所述输出信号通过第二检测模型,确定所述芯片是否存在电路故障,所述第二检测模型用于根据所述输出信号的特征,确定并输出所述芯片是否存在电路故障;
所述提示模块,还用于在所述芯片存在电路故障的情况下,输出第二提示信息,所述第二提示信息用于提醒所述芯片存在电路故障。
9.一种电子设备,其特征在于,包括:存储器、一个或多个处理器;所述存储器与所述处理器耦合;其中,所述存储器中存储有计算机程序代码,所述计算机程序代码包括计算机指令,当所述计算机指令被所述处理器执行时,使得所述电子设备执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在电子设备上运行时,使得所述电子设备执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410076860.7A CN117589798A (zh) | 2024-01-19 | 2024-01-19 | 一种芯片故障检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410076860.7A CN117589798A (zh) | 2024-01-19 | 2024-01-19 | 一种芯片故障检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117589798A true CN117589798A (zh) | 2024-02-23 |
Family
ID=89922372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410076860.7A Pending CN117589798A (zh) | 2024-01-19 | 2024-01-19 | 一种芯片故障检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117589798A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0028091A1 (en) * | 1979-10-18 | 1981-05-06 | Sperry Corporation | Fault detection in integrated circuit chips and in circuit cards and systems including such chips |
CN101299055A (zh) * | 2008-06-16 | 2008-11-05 | 湖南大学 | 基于小波-神经网络的模拟集成开关电流电路测试方法 |
CN102263937A (zh) * | 2011-07-26 | 2011-11-30 | 华南理工大学 | 基于视频检测的驾驶员驾驶行为监控装置及监控方法 |
CN109817181A (zh) * | 2019-03-29 | 2019-05-28 | 维沃移动通信有限公司 | 一种显示驱动方法及移动终端 |
CN110060237A (zh) * | 2019-03-29 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 一种故障检测方法、装置、设备及系统 |
CN110455827A (zh) * | 2019-08-13 | 2019-11-15 | 高瑶 | 一种智能新能源电池板合格检测系统及方法 |
CN110763685A (zh) * | 2019-10-22 | 2020-02-07 | 陕西源杰半导体技术有限公司 | Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置 |
CN112017986A (zh) * | 2020-10-21 | 2020-12-01 | 季华实验室 | 半导体产品缺陷检测方法、装置、电子设备及存储介质 |
CN112345556A (zh) * | 2020-11-23 | 2021-02-09 | 兰州大学 | 一种集成电路的故障诊断系统及方法 |
CN113409284A (zh) * | 2021-06-28 | 2021-09-17 | 北京百度网讯科技有限公司 | 电路板故障检测方法、装置、设备以及存储介质 |
CN114964476A (zh) * | 2022-05-27 | 2022-08-30 | 中国石油大学(北京) | 油气管道系统动设备的故障诊断方法、装置及设备 |
CN115128438A (zh) * | 2022-09-02 | 2022-09-30 | 中诚华隆计算机技术有限公司 | 一种芯片内部故障监测方法及其装置 |
CN115361272A (zh) * | 2022-08-08 | 2022-11-18 | 展讯通信(上海)有限公司 | 一种基带芯片的通信故障检测方法、系统和电子设备 |
CN116777894A (zh) * | 2023-07-05 | 2023-09-19 | 山东睿芯半导体科技有限公司 | 芯片的表面缺陷检测方法和装置 |
CN117274172A (zh) * | 2023-09-04 | 2023-12-22 | 航天科工防御技术研究试验中心 | 芯片的分层缺陷的确定方法、装置、电子设备及存储介质 |
CN117351271A (zh) * | 2023-09-26 | 2024-01-05 | 江西汇盛电力科技有限公司 | 高压配电线路监控设备故障监测方法、系统及其存储介质 |
-
2024
- 2024-01-19 CN CN202410076860.7A patent/CN117589798A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0028091A1 (en) * | 1979-10-18 | 1981-05-06 | Sperry Corporation | Fault detection in integrated circuit chips and in circuit cards and systems including such chips |
DE3063168D1 (en) * | 1979-10-18 | 1983-06-16 | Sperry Corp | Fault detection in integrated circuit chips and in circuit cards and systems including such chips |
CN101299055A (zh) * | 2008-06-16 | 2008-11-05 | 湖南大学 | 基于小波-神经网络的模拟集成开关电流电路测试方法 |
CN102263937A (zh) * | 2011-07-26 | 2011-11-30 | 华南理工大学 | 基于视频检测的驾驶员驾驶行为监控装置及监控方法 |
CN109817181A (zh) * | 2019-03-29 | 2019-05-28 | 维沃移动通信有限公司 | 一种显示驱动方法及移动终端 |
CN110060237A (zh) * | 2019-03-29 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 一种故障检测方法、装置、设备及系统 |
CN110455827A (zh) * | 2019-08-13 | 2019-11-15 | 高瑶 | 一种智能新能源电池板合格检测系统及方法 |
CN110763685A (zh) * | 2019-10-22 | 2020-02-07 | 陕西源杰半导体技术有限公司 | Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置 |
CN112017986A (zh) * | 2020-10-21 | 2020-12-01 | 季华实验室 | 半导体产品缺陷检测方法、装置、电子设备及存储介质 |
CN112345556A (zh) * | 2020-11-23 | 2021-02-09 | 兰州大学 | 一种集成电路的故障诊断系统及方法 |
CN113409284A (zh) * | 2021-06-28 | 2021-09-17 | 北京百度网讯科技有限公司 | 电路板故障检测方法、装置、设备以及存储介质 |
CN114964476A (zh) * | 2022-05-27 | 2022-08-30 | 中国石油大学(北京) | 油气管道系统动设备的故障诊断方法、装置及设备 |
CN115361272A (zh) * | 2022-08-08 | 2022-11-18 | 展讯通信(上海)有限公司 | 一种基带芯片的通信故障检测方法、系统和电子设备 |
CN115128438A (zh) * | 2022-09-02 | 2022-09-30 | 中诚华隆计算机技术有限公司 | 一种芯片内部故障监测方法及其装置 |
CN116777894A (zh) * | 2023-07-05 | 2023-09-19 | 山东睿芯半导体科技有限公司 | 芯片的表面缺陷检测方法和装置 |
CN117274172A (zh) * | 2023-09-04 | 2023-12-22 | 航天科工防御技术研究试验中心 | 芯片的分层缺陷的确定方法、装置、电子设备及存储介质 |
CN117351271A (zh) * | 2023-09-26 | 2024-01-05 | 江西汇盛电力科技有限公司 | 高压配电线路监控设备故障监测方法、系统及其存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210231581A1 (en) | Method for performing smart semiconductor wafer defect calibration | |
KR102384269B1 (ko) | 반도체 표본의 딥 러닝 - 기반 검사의 방법 및 그 시스템 | |
KR102618355B1 (ko) | 딥 러닝을 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템 | |
JP3668215B2 (ja) | パターン検査装置 | |
CN110189288A (zh) | 生成可用于半导体样本的检查的训练集的方法和其系统 | |
CN113763312B (zh) | 使用弱标记检测半导体试样中的缺陷 | |
US11715190B2 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
US11669957B2 (en) | Semiconductor wafer measurement method and system | |
CN109923654A (zh) | 通过跨层图像相减的晶片噪声减少 | |
CN113269709A (zh) | 探测半导体晶片中缺陷的方法及半导体晶片缺陷探测系统 | |
JP2011058931A (ja) | フォトマスクの特性検出装置およびフォトマスクの特性検出方法 | |
CN117333424A (zh) | 晶圆缺陷评估方法、装置、存储器芯片和可读存储介质 | |
CN117751382A (zh) | 基于异常的缺陷检查方法和系统 | |
Li et al. | A defect detection method based on improved mask R-CNN for wafer maps | |
CN117589798A (zh) | 一种芯片故障检测方法、装置及电子设备 | |
CN114529543B (zh) | 一种航空发动机外周螺钉垫片的安装检测方法及装置 | |
US10282509B2 (en) | Non-transitory computer readable storage medium, mask evaluation method and inspection apparatus | |
Tsai et al. | Enhancing the data analysis in IC testing by machine learning techniques | |
US20220383473A1 (en) | Method and system for diagnosing a semiconductor wafer | |
TWI843591B (zh) | 影像瑕疵檢測模型的建立方法、瑕疵影像的檢測方法及電子裝置 | |
US11645831B2 (en) | Identification of an array in a semiconductor specimen | |
US20230334647A1 (en) | Wafer inspection system | |
Paul et al. | Deep Image Segmentation for Defect Detection in Photo-lithography Fabrication | |
CN117830255A (zh) | 缺陷检测方法、缺陷检测装置及存储介质 | |
CN116524277A (zh) | 一种脑部核磁共振图像的分类方法、系统及电子设备 |
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 |