【技術實現步驟摘要】
本專利技術涉及半導體缺陷檢測，具體為一種基于深度學習的半導體缺陷檢測方法及系統。
技術介紹
1、半導體芯片是一種由半導體材料制成的微小電子組件，通常呈薄片狀，它們被用于構建集成電路，這是現代電子設備的核心部件之一，半導體芯片缺陷檢測是用于檢測半導體芯片制造過程中可能存在的缺陷，以確保最終產品的質量和可靠性，半導體芯片作為電子設備的核心組件，在其制造過程中可能會出現各種缺陷，如晶體缺陷、金屬污染、氧化物、刻蝕不良等問題，這些缺陷如果未能及時發現和修復，可能會導致芯片性能下降、故障率提高甚至產品失效；
2、由于深度學習模型需要大量標注好的數據進行訓練，因此對于半導體缺陷檢測來說，標注大量的半導體芯片圖像可能需要耗費大量的人力資源和時間，并且在真實的半導體制造過程中，不同類型的缺陷數據可能呈現出不平衡的分布，這可能導致深度學習模型對于少數類別的缺陷識別能力不足，并且一些特別小或模糊的缺陷可能很難被傳統的深度學習方法準確地識別，這可能導致漏檢或誤檢。
技術實現思路
1、本專利技術的目的在于提供一種基于深度學習的半導體缺陷檢測方法及系統，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：一種基于深度學習的半導體缺陷檢測方法，包括以下步驟：
3、s1、通過多部高清攝像機采集半導體芯片樣本圖片，生成高精度的半導體芯片圖像，且對采集到的圖像進行去噪操作，以獲得原始的半導體芯片數據集；
4、s2、對獲得的原始的半導體芯片
5、s3、根據清洗和篩選后的半導體芯片數據集，將增強后的半導體芯片數據集根據缺陷類型分為墨點缺陷、外來物缺陷、劃痕缺陷和污染缺陷四類，并為每個缺陷類型賦予相應的標簽，且將標簽后的半導體芯片數據集按照劃分比例劃分為訓練集、驗證集和測試集；
6、s4、通過第一缺陷特征算法提取訓練集、驗證集和測試集中的樣本圖像的幾何缺陷特征，且通過第二缺陷特征算法提取訓練集、驗證集和測試集中的樣本圖像的灰度缺陷特征；
7、s5、通過缺陷分割算法對提取特征后的訓練集、驗證集和測試集中的樣本圖像進行圖像分割；
8、s6、構建初始深度學習網絡模型，且將圖像分割后訓練集中的樣本圖像輸入至初始深度學習網絡模型的輸入端，以訓練初始深度學習網絡模型，獲得訓練完成的深度學習網絡模型；
9、s7、將驗證集中的半導體芯片圖像輸入至深度學習網絡模型，深度學習網絡模型輸出預測的缺陷位置、缺陷類型和置信度，且將測試集中的半導體芯片圖像輸入至深度學習網絡模型，以評估訓練完成的學習網絡模型。
10、優選的，所述對采集到的圖像進行去噪操作，包括以下步驟：
11、a1、將樣本圖像中的像素劃分為多個像素塊，且根據像素塊中像素值的梯度均值來確定平坦像素塊，像素值的梯度均值為：
12、
13、其中，g表示像素值的梯度均值，u0表示樣本圖像，表示樣本圖像的梯度模值，表示梯度場的方向，表示均衡后的變換圖像，表示梯點；
14、a2、計算每個平坦像素塊中像素的像素值方差，并根據所有平坦像素塊的像素值方差的均值和圖像中的像素的像素值的均值來估計圖像的噪聲強度；
15、a3、根據估計的圖像噪聲強度，對當前像素值進行像素點轉換補償。
16、優選的，所述對去除重復、模糊和陰影后的半導體芯片數據集中的樣本圖像進行增強操作，包括以下步驟：
17、b1、將樣本圖像轉換為由色調、飽和度和亮度三個分量組成的矢量圖像；
18、b2、對亮度分量進行傅里葉變換，將亮度轉換到頻域上，通過傅里葉變換將矢量圖像從時域轉換為頻域，通過分析圖像的頻譜信息來進行增強處理；
19、b3、在頻域上對亮度分量進行迭代增強，每次迭代，將得到的結果進行傅里葉反變換，將其轉換回時域；
20、b4、將反變換后的時域圖像與原始的色調和飽和度分量合并，再轉換回樣本圖像，計算樣本圖像的各個圖像參數。
21、優選的，所述第一缺陷特征算法包括像素點提取算法、邊緣像素提取算法、緊湊性提取算法、重心坐標提取算法、矩形度提取算法和占空比提取算法，
22、其中，像素點提取算法為：
23、
24、其中，s表示缺陷區域內像素點的數量，(x,y)表示像素點所在的坐標，rd表示區域內部的像素點；
25、邊緣像素提取算法為：
26、
27、其中，l表示邊緣像素的個數，rb表示區域邊界；
28、緊湊性提取算法為：
29、
30、其中，c表示接近圓形的程度；
31、重心坐標提取算法為：
32、
33、其中，xc表示重心的橫坐標，yc表示重心的縱坐標；
34、矩形度提取算法為：
35、
36、其中，rt表示矩形度，ls表示最小外接矩形短邊，lt表示邊長；
37、占空比提取算法為：
38、
39、其中，rq表示占空比。
40、優選的，所述第二缺陷特征算法包括灰度均值提取算法、灰度方差提取算法和灰度熵提取算法，
41、其中，灰度均值提取算法為：
42、
43、其中，ur表示灰度均值，i表示像素值，l表示灰度圖像的灰度級，p(i)表示灰度值分布概率；
44、灰度方差提取算法為：
45、
46、其中，vr表示灰度方差；
47、灰度熵提取算法為：
48、
49、其中，ge表示灰度熵。
50、優選的，所述缺陷分割算法為：
51、
52、其中，(i,j)表示樣本圖像的坐標，g(i,j)表示處理后的樣本圖像，f(i,j)表示原始樣本圖像，表示圖像增強后的樣本圖像，tmax和tmin表示最大和最小的閾值，t表示動態閾值常數，k表示圖像增強因子。
53、本專利技術還提供如下技術方案：一種基于深度學習的半導體缺陷檢測系統，其適用于一種基于深度學習的半導體缺陷檢測方法，包括數據采集與預處理模塊、數據標注與劃分模塊、特征提取模塊、圖像分割模塊、深度學習網絡模型訓練模塊和模型預測與評估模塊；
54、所述數據采集與預處理模塊用于通過多部高清攝像機采集半導體芯片樣本圖片，并進行去噪、清洗、篩選和增強操作，生成高質量的半導體芯片圖像數據集；
55、所述數據標注與劃分模塊用于根據清洗和篩選后的高質量半導體芯片數據集，將其根據缺陷類型分為墨點缺陷、外來物缺陷、劃痕缺陷和污染缺陷四類，并賦予相應的標簽。然后按照劃分比例將數據集劃分為訓練集、驗證集和測試集；
56、所述特征提取模本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的半導體缺陷檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的半導體缺陷檢測方法，其特征在于：所述對采集到的圖像進行去噪操作，包括以下步驟：
3.根據權利要求1所述的一種基于深度學習的半導體缺陷檢測方法，其特征在于：所述對去除重復、模糊和陰影后的半導體芯片數據集中的樣本圖像進行增強操作，包括以下步驟：
4.根據權利要求1所述的一種基于深度學習的半導體缺陷檢測方法，其特征在于：所述第一缺陷特征算法包括像素點提取算法、邊緣像素提取算法、緊湊性提取算法、重心坐標提取算法、矩形度提取算法和占空比提取算法，
5.根據權利要求1所述的一種基于深度學習的半導體缺陷檢測方法，其特征在于：所述第二缺陷特征算法包括灰度均值提取算法、灰度方差提取算法和灰度熵提取算法，
6.根據權利要求1所述的一種基于深度學習的半導體缺陷檢測方法，其特征在于：所述缺陷分割算法為：
7.一種基于深度學習的半導體缺陷檢測系統，其適用于上述權利要求1-6任意一項所述的一種基于深度學習的半導體缺陷檢測方法，
8.根據權利要求7所述的一種基于深度學習的半導體缺陷檢測系統，其特征在于：所述圖像分割模塊(4)用于使用缺陷分割算法對提取特征后的訓練集、驗證集和測試集中的樣本圖像進行缺陷區域的分割，以便深度學習網絡模型對每個缺陷區域進行識別和分類；
...【技術特征摘要】
1.一種基于深度學習的半導體缺陷檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的半導體缺陷檢測方法，其特征在于：所述對采集到的圖像進行去噪操作，包括以下步驟：
3.根據權利要求1所述的一種基于深度學習的半導體缺陷檢測方法，其特征在于：所述對去除重復、模糊和陰影后的半導體芯片數據集中的樣本圖像進行增強操作，包括以下步驟：
4.根據權利要求1所述的一種基于深度學習的半導體缺陷檢測方法，其特征在于：所述第一缺陷特征算法包括像素點提取算法、邊緣像素提取算法、緊湊性提取算法、重心坐標提取算法、矩形度提取算法和占空比提取算法，
5.根據權利要求1所述的一種基于深度學習的半導體缺陷檢測方法，其特征在于：所述第二缺陷特征算法包括灰度均...
【專利技術屬性】
技術研發人員：宋海波，魏維格，
申請(專利權)人：成都騰帆計算機科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。