基于主动学习的芯片缺陷检测方法和装置制造方法及图纸

本申请提出了一种基于主动学习的芯片缺陷检测方法，包括：获取芯片图片集合，芯片图片集合包括标注数据集和未标注数据集；构建芯片缺陷检测骨干网络，并根据其构建损失预测模块；使用芯片图片集合对芯片缺陷检测骨干网络和损失预测模块进行训练；使用损失预测模块得到芯片缺陷检测骨干网络对未标注数据集的损失预测值后，使用基于高斯噪声的样本选择方法对未标注数据集进行最终的样本选择，并将最终选择的样本交由人工标注，生成新的标注数据集；将新的标注数据集加入标注数据集，完成一次迭代训练，不断迭代训练整体神经网络模型，直到获得具有足够精度的芯片缺陷检测网络。本申请在标注少的客观条件下改善了缺陷检测效果，具有较强的实用性。具有较强的实用性。具有较强的实用性。

【技术实现步骤摘要】
基于主动学习的芯片缺陷检测方法和装置


[0001]本申请涉及芯片缺陷检测
，尤其涉及一种基于主动学习的芯片缺陷检测方法和装置。

技术介绍

[0002]现有的实现芯片制造场景下的缺陷检测方法主要为基于卷积神经网络(Convolution Neural Network)的传统目标检测方法。这些方法主要分为两阶段目标检测方法与单阶段目标检测方法。
[0003]在传统的使用CNN进行目标检测的方法中，经典的两阶段方法包括R
‑
CNN，Fast R
‑
CNN，Faster R
‑
CNN等。R
‑
CNN模型最早由Girshirk等人于2014年提出，该模型在PASCAL VOC 2012目标检测任务竞赛中取得了巨大的提升，将目标检测的验证指标(即为mAP)相较于该模型之前的最佳结果提升了30％，达到了58％。R
‑
CNN采用选择性搜索(Selective Search)的候选框生成思想，利用层次分组算法(Hierarchical Grouping Alg本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于主动学习的芯片缺陷检测方法，其特征在于，包括以下步骤：获取芯片图片集合，其中，所述芯片图片集合包括标注数据集和未标注数据集；构建芯片缺陷检测骨干网络，之后根据所述芯片缺陷检测骨干网络构建损失预测模块；使用芯片图片集合对所述芯片缺陷检测骨干网络和所述损失预测模块进行训练；使用损失预测模块得到芯片缺陷检测骨干网络对未标注数据集的损失预测值后，使用基于高斯噪声的样本选择方法对未标注数据集进行最终的样本选择，并将最终选择的样本交由人工标注，生成新的标注数据集；将新的标注数据集加入标注数据集，完成一次迭代训练，不断迭代训练整体神经网络模型，直到获得具有足够精度的芯片缺陷检测网络。2.如权利要求1所述的方法，其特征在于，所述构建芯片缺陷检测骨干网络使用Darknet
‑
53卷积网络，在Darknet
‑
53卷积网络中添加任意检测头之后得到网络的最终输出，且根据芯片数据目标类数对最终输出的维度进行调整，使得网络输出维度数与芯片数据目标类数一致，同时，根据目前已有的芯片标注数据通过K
‑
均值聚类得到9种大小的标注框聚类结果，将其用作模型的预设锚框设定，完成芯片缺陷检测骨干网络的构建。3.如权利要求1所述的方法，其特征在于，所述根据所述芯片缺陷检测骨干网络构建损失预测模块，具体为：取出芯片缺陷检测骨干网络结构中每一类重复的残差块中最后一个残差块的输出，将这些输出分别通过全局平均池化层、全连接层与一个RELU激活层，拼接所有的RELU激活层输出，并通过一个全连接层之后获得损失预测值，完成损失预测模块的构建。4.如权利要求1所述的方法，其特征在于，所述芯片缺陷检测骨干网络和所述损失预测模块训练时使用的损失函数表示为：Loss
Backbone+LPM
(x
p
)＝λ
·
2Loss
LPM
(x
p
)+f
Loss
(x
i
)+f
Loss
(x
j
)其中，λ表示训练过程中可调的控制两种损失的训练重视程度的超参数，Loss
Backbone+LPM
()表示训练时总体的损失函数，f
Loss
()表示图片通过骨干网络Darknet

【专利技术属性】
技术研发人员：熊翊哲，陈辉，陈仕江，
申请(专利权)人：杭州涿溪脑与智能研究所，
类型：发明
国别省市：