基于并行注意力补偿机制的FPN晶圆表面缺陷检测方法技术

本发明专利技术公开了基于并行注意力补偿机制的FPN晶圆表面缺陷检测方法，包括：1）基于ResNet网络进行晶圆特征提取；2）融合注意力的特征图金字塔网络A

FPN wafer surface defect detection method based on parallel attention compensation mechanism

【技术实现步骤摘要】
基于并行注意力补偿机制的FPN晶圆表面缺陷检测方法


[0001]本专利技术涉及晶圆后处理领域，特别涉及基于并行注意力补偿机制的FPN晶圆表面缺陷检测方法。

技术介绍

[0002]在晶圆缺陷检测过程中，由于晶圆表面具有图案整齐的线路，所以导致晶圆进行视觉检测时，整齐规则排列的电路图案会成为非常复杂的背景，所以在晶圆检测过程中，缺陷表现为形状多样的多尺度特征，以上难点为检测任务带来了极大的挑战。所以需要解决在检测过程中复杂背景干扰的问题，提高缺陷检测精度。
[0003]本次需要解决的主要技术是现有晶圆检测技术中，在检测过程中无法抑制背景图像干扰，造成缺陷漏检、误检等问题，而提出的一种融合注意力的多尺度晶圆表面缺陷检测的方法。
[0004]2018年邡鑫等人在《基于卷积神经网络的晶圆缺陷检测与分类算法》(计算机工程,2018,44(08):218
‑
223)一文中采用改进的更快区域
‑
卷积神经网络方法(Faster RCNN：全称：Faster Regions with CNN Features)对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于并行注意力补偿机制的FPN晶圆表面缺陷检测方法，其特征在于，包括以下步骤：步骤1)基于ResNet网络进行晶圆特征提取；步骤2)融合注意力的特征图金字塔网络A
‑
FPN对特征图进行细分化；步骤3)基于K
‑
means聚类改进锚框的大小生成；步骤4)得到候选区域进行分类及回归。2.根据权利要求1所述的基于并行注意力补偿机制的FPN晶圆表面缺陷检测方法，其特征在于，步骤1)具体包括使用ResNet
‑
50网络进行特征提取，得到四种不同规格的特征图，包括底层特征图L2、L3和高层特征图L4和L5。3.根据权利要求2所述的基于并行注意力补偿机制的FPN晶圆表面缺陷检测方法，其特征在于，所述步骤2)具体包括：在底层特征图L2、L3输出位置设置通道注意力机制，L2、L3经过通道注意力融合后得到精细特征图C2、C3；在高层特征图L4输出位置设置空间注意力机制，L4经过空间注意力融合后得到精细特征图F
’4，将特征图输进FPN网络之前，先进行通道筛选和区域筛选。4.根据权利要求3所述的基于并行注意力补偿机制的FPN晶圆表面缺陷检测方法，其特征在于，所述通道注意力机制的执行过程具体包括：首先对特征图进行平均池化和最大池化，提取两种特征描述和并使特征图的输出变为1
×1×
C/r，r为降维倍数；其次，将这两个不同的特征和分别送入中间的共享网络层，然后将得到的两个特征的对应元素相加，再经过sigmoid激活函数得到通道注意力图Mc为1
×1×
C；最后和原始主干网络的输出相连接，如公式1所示：Mc(F)＝σ(P
MLP
(P
avg
(F)+P
MLP
(P
max
(F)))(1)化简可得：其中，共享网络层表示一个多层感知机，在公式中用P
MLP
表示，包含两层的神经网络；P
avg
表示平均池化，P
max
表示最大池化，σ代表sigmoid激活函数，W0和W1代表的是多层感知机模型的两层参数，且W0和W1之间的特征采用ReLU作为激活函数进行处理；最后，将Mc(F)与其输入特征相乘得到经过通道注意力调整的...

【专利技术属性】
技术研发人员：孙进，梁立，刘芳军，杨志勇，
申请(专利权)人：扬州大学，
类型：发明
国别省市：