半导体硅晶圆检测方法、装置、计算机设备及介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，尤其涉及一种半导体硅晶圆检测方法、装置、计算机设备及介质。该方法从待检测晶圆的芯片图像中随机选择目标图像、第一参考图像和第二参考图像，对第一降噪卷积层和第二降噪卷积层进行训练，以得到训练好的第一降噪卷积层和训练好的第二降噪卷积层对目标图像处理，得到降噪图像，将目标图像和降噪图像相减，得到噪声图像，对目标图像进行边缘检测，得到边缘检测图像，将目标图像、噪声图像和边缘检测图像输入晶圆缺陷检测模型，输出目标图像对应的晶圆缺陷检测结果，以参考图像作为标签图像，通过颜色域转换避免降噪卷积层学习到恒等映射，提高噪声图像预测的准确率，进而提高了晶圆缺陷检测的准确率。率。率。

【技术实现步骤摘要】
半导体硅晶圆检测方法、装置、计算机设备及介质


[0001]本专利技术涉及人工智能
，尤其涉及一种半导体硅晶圆检测方法、装置、计算机设备及介质。

技术介绍

[0002]随着半导体工业的快速发展，半导体制造工艺也变得越来越复杂，例如，芯片电路单元的制造尺寸越来越小，导致芯片电路单元在制造过程中更容易出现缺陷，因此半导体缺陷检测已广泛应用于包括但不限于CPU、存储器、逻辑集成电路等各种半导体器件的工艺流程中。
[0003]但是，由于晶圆表面待检测缺陷特征复杂，各种缺陷的形态、像素占比各不相同，而且采集到的晶圆表面图像包含随机噪声，导致采用常规缺陷检测方法容易出现误检，难以实现高精度的晶圆缺陷检测，而现有去噪方法通常需要采集真实低噪图像以实现高精度的去噪，但真实低噪图像的采集条件过于苛刻，一种替代方式为假定噪声分布进行去噪处理，但假定的噪声分布图像与真实低噪图像仍然会存在差异，导致晶圆缺陷检测的准确率较低。因此，如何提高晶圆缺陷检测的准确率成为了亟待解决的问题。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种半导体硅晶圆检测方法，其特征在于，所述半导体硅晶圆检测方法包括：获取待检测晶圆中N个不同芯片对应的芯片图像，从所有芯片图像中随机选择一张芯片图像作为目标图像，从除所述目标图像外的所有芯片图像中随机选择两张芯片图像，分别作为第一参考图像和第二参考图像，N为大于二的整数；将所述目标图像输入第一降噪卷积层进行特征映射处理，得到第一降噪结果，将所述第一参考图像转换至HSV色彩空间，得到色彩空间转换结果，根据所述色彩空间转换结果和所述第一降噪结果，计算得到第一降噪损失；将所述第一降噪结果输入第二降噪卷积层进行特征映射处理，得到第二降噪结果，根据所述第二降噪结果和所述第二参考图像，计算得到第二降噪损失；根据所述第一降噪损失和所述第二降噪损失，对所述第一降噪卷积层和所述第二降噪卷积层进行训练，得到训练好的第一降噪卷积层和训练好的第二降噪卷积层；将所述目标图像依次输入所述训练好的第一降噪卷积层和所述训练好的第二降噪卷积层，得到降噪图像，将所述目标图像和所述降噪图像相减，得到噪声图像；对所述目标图像进行灰度处理，得到灰度图像，对所述灰度图像进行边缘检测，得到边缘检测图像，将所述目标图像、所述噪声图像和所述边缘检测图像输入晶圆缺陷检测模型，得到所述目标图像对应的晶圆缺陷检测结果。2.根据权利要求1所述的半导体硅晶圆检测方法，其特征在于，所述第一降噪卷积层包括第一特征提取层、第二特征提取层、第三特征提取层、最大池化层、平均池化层、第一特征上采样层、第一函数层和第二函数层，第二降噪卷积层包括第四特征提取层、第五特征提取层、第六特征提取层、最大池化层、平均池化层、第二特征上采样层、第一激活函数层和第二激活函数层；所述将所述目标图像输入第一降噪卷积层进行特征映射处理，得到第一降噪结果，将所述第一参考图像转换至HSV色彩空间，得到色彩空间转换结果，根据所述色彩空间转换结果和所述第一降噪结果，计算得到第一降噪损失，将所述第一降噪结果输入第二降噪卷积层进行特征映射处理，得到第二降噪结果，根据所述第二降噪结果和所述第二参考图像，计算得到第二降噪损失，根据所述第一降噪损失和所述第二降噪损失，对所述第一降噪卷积层和所述第二降噪卷积层进行训练，得到训练好的第一降噪卷积层和训练好的第二降噪卷积层，包括：将所述目标图像输入所述第一特征提取层，输出第一特征提取结果，将所述第一特征提取结果输入所述第二特征提取层，输出第二特征提取结果；将所述目标图像输入最大池化层，得到第一参考池化结果，将所述第一参考池化结果输入所述第一特征上采样层，输出第一参考上采样结果，采用所述第一函数层对所述第一参考上采样结果进行处理，得到第一参考激活结果；将所述第一参考激活结果输入所述第三特征提取层，输出第三特征提取结果，将所述第三特征提取结果输入所述平均池化层，输出第二参考池化结果，采用所述第二函数层对所述第二参考池化结果进行处理，得到第二参考激活结果；将所述第二参考激活结果和所述目标图像相乘，得到第一参考相乘结果，将所述第一参考相乘结果和所述第二特征提取结果相加，得到所述第一降噪结果，根据所述色彩空间转换结果和第一降噪结果，计算得到所述第一降噪损失；
将所述第一降噪结果输入所述第四特征提取层，输出第四特征提取结果，将所述第四特征提取结果输入所述第五特征提取层，输出第五特征提取结果；将所述第一降噪结果输入所述最大池化层，得到第三参考池化结果，将所述第三参考池化结果输入所述第二特征上采样层，输出第二参考上采样结果，采用所述第一函数层对所述第二参考上采样结果进行处理，得到第三参考激活结果；将所述第三参考激活结果输入所述第六特征提取层，输出第六特征提取结果，将所述第六特征提取结果输入所述平均池化层，输出第四参考池化结果，采用所述第二函数层对所述第四参考池化结果进行处理，得到第四参考激活结果；将所述第四参考激活结果和所述目标图像相乘，得到第二参考相乘结果，将所述第二参考相乘结果和所述第五特征提取结果相加，得到所述第二降噪结果，根据所述第二参考图像和所述第二降噪结果，计算得到所述第二降噪损失；根据所述第一降噪损失和所述第二降噪损失，对所述第一降噪卷积层和所述第二降噪卷积层进行训练，得到所述训练好的第一降噪卷积层和所述训练好的第二降噪卷积层。3.根据权利要求1至2任一项所述的半导体硅晶圆检测方法，其特征在于，所述晶圆缺陷检测模型包括第一编码器分支、第二编码器分支、第三编码器分支和解码器分支；所述将所述目标图像、所述噪声图像和所述边缘检测图像输入预训练好的晶圆缺陷检测模型，得到所述目标图像对应的晶圆缺陷检测结果，包括：将所述目标图像输入所述第一编码器分支进行特征提取，得到第一图像特征；将所述噪声图像输入所述第二编码器分支进行特征提取，得到第二图像特征；将所述边缘检测图像输入所述第三编码器分支进行特征提取，得到第三图像特征；将所述第一图像特征、所述第二图像特征和所述第三图像特征融合，得到融合结果，将所述融合结果输入所述解码器分支进行特征重构，得到所述晶圆缺陷检测结果。4.根据权利要求3所述的半导体硅晶圆检测方法，其特征在于，所述第三编码器分支包括第一卷积层和第二卷积层；所述将所述边缘检测图像输入所述第三编码器分支进行特征提取，得到第三图像特征，包括：对所述边缘检测图像进行最大池化操作，得到第一最大池化结果，对所述第一最大池化结果进行最近邻上采样，得到第一上采样结果，使用激活函数对所述第一上采样结果进行激活处理，得到第一激活结果；将所述第一激活结果输入所述第一卷积层进行特征提取，得到第一卷积结果，对所述第一卷积结果进行平均池化处理，得到平均池化结果，使用所述激活函数对所述平均池化结果进行激活处理，得到第二激活结果；将所述第二激活结果和所述第一激活结果相乘...

【专利技术属性】
技术研发人员：何良雨，王戬鑫，刘彤，张文刚，梅能华，
申请(专利权)人：锋睿领创珠海科技有限公司，
类型：发明
国别省市：