[發明專利]一種基于特征金字塔卷積神經網絡的半導體缺陷識別方法

有效

• 申請號: 202010362947.2
• 申請日: 2020-04-30
• 公開（公告）號: CN111652846B
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 成都數之聯科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 高俊

本發明公開一種基于特征金字塔卷積神經網絡的半導體缺陷識別方法，屬于圖像分類技術領域，其主要針對對于半導體檢測行業當中，缺陷在圖片中的占比較小，致使現有算法處理圖片時，缺陷容易被大尺寸正常特征或背景掩蓋的問題，調整各尺寸的權重，加大小尺寸特征的權重占比，以更適應主要為微小缺陷的半導體檢測系統。

技術領域

本發明涉及圖像分類技術領域，尤其涉及一種基于特征金字塔卷積神經網絡的半導體缺陷識別方法。

背景技術

現有半導體缺陷檢測分類識別方法主要基于模板匹配，將設計圖紙與生產結果逐像素對比，如果差異超過差異閾值則認為產品有生產缺陷，反之，則認為產品合格。現有算法主要是采用VGG-16網絡結構逐層提取網絡特征分類半導體缺陷。使用該方法提取特征時尺寸較小的特征會因周邊強勢特征的影響而弱化，現有算法難以準確識別微弱變化引起的半導體缺陷，容易出現大量的假缺陷(即過檢)的情況。對于半導體生產線檢測的效率造成了一定影響。

發明內容

綜上所述，本發明所解決的技術問題是：提供一種基于特征金字塔卷積神經網絡的半導體缺陷識別方法，其可以有效提高對于半導體缺陷的識別精度。

而本發明為解決上述技術問題所采用的技術方案為：

一種基于特征金字塔卷積神經網絡的半導體缺陷識別方法，包括以下方法:

S1、采集半導體缺陷圖片作為樣本圖片；

S2、標注樣本圖片的缺陷類型得到訓練樣本集；

S3、將訓練樣本集劃分為訓練集和測試集；

S4、基于卷積神經網絡與特征金字塔相融合的算法構建缺陷分類模型；

S5、利用所述訓練集和測試集訓練和測試缺陷分類模型；

S6、利用訓練后的缺陷分類模型分類待分類半導體缺陷圖片。

進一步的，所述基于卷積神經網絡與特征金字塔相融合的算法構建缺陷分類模型具體包括以下步驟：

L1、提取卷積神經網絡中的特征圖，所提取的各個特征圖具有不同的分辨率；

L2、分別提取步驟L1生成的具有相同分辨率的卷積層組的最后一個卷積層特征并進行通道壓縮，使其通道數變為1；

L3、將通道壓縮后的各個特征圖進行一維展開得到各個特征圖的一維特征向量，并將其與卷積神經網絡所輸出的最后一維全連接層特征向量進行堆疊；

L4、將步驟L3堆疊得到的一維特征向量進行全連接層計算，然后輸入至softmax分類器進行分類。

進一步的，在步驟L2中，在排除前2個分辨率最大的特征圖組后，將步驟L1提取的各個卷積層的特征圖進行通道壓縮。

進一步的，在步驟L4中，所述全連接層計算的維度為2048維。

進一步的，所述卷積神經網絡為VGG-16分類網絡。

綜上所述，由于采用了上述技術方案，本發明的有益效果為：

本發明針對于半導體檢測行業當中，缺陷在圖片中的占比較小，致使現有算法處理圖片時，缺陷容易被大尺寸正常特征或背景掩蓋的問題，本發明調整各尺寸的權重，加大小尺寸特征的權重占比，以更適應主要為微小缺陷的半導體檢測系統。

附圖說明

圖1為本發明所提供實施例1的流程示意圖；

圖2位本發明所提供實施例1的算法結構示意圖。

具體實施方式