本发明专利技术提出一种基于注意力空间金字塔池化的晶圆图故障模式识别方法，该方法结合深度卷积神经网络(DCNN)和注意力空间金字塔池化(ESPP)构建多尺度特征融合深度学习模型用于晶圆图故障模式识别。本发明专利技术基于Pytorch框架实现对晶圆图故障模式的检测识别算法，提出一个新颖的深度学习模型用于检测识别晶圆图故障模式。使用DCNN相比浅层的CNN能够更好的提取晶圆图故障特征，ESPP能够很好的解决晶圆图故障模式的类间相似性和类内相异性问题，多尺度特征融合能够将DCNN所提取晶圆图故障的浅层特征与深层特征相融合，进而可以更加准确的识别晶圆图故障模式。本发明专利技术能够提高半导体芯片制造过程中晶圆图故障模式的识别准确率，有利于提高半导体芯片生产的良率，对于国家半导体制造技术的发展具有极大的现实意义。体制造技术的发展具有极大的现实意义。体制造技术的发展具有极大的现实意义。
【技术实现步骤摘要】
基于注意力空间金字塔池化的晶圆图故障模式识别方法
[0001]本专利技术属于实际半导体生产中产生的晶圆图领域，具体涉及晶圆图故障模式识别。
技术介绍
[0002]半导体芯片是人工智能得以快速发展的基础，是推动科技发展进步的关键技术。虽然晶圆的制造过程中拥有先进的制造技术和专业的技术人员，但是随着芯片设计复杂度的提升以及生产过程中参数错误设置等原因还是很难避免出现不正常的晶粒。在晶圆图上，未通过电学特性测试的缺陷晶粒趋向于呈现特定的空间图案，不同的空间图案表示产生缺陷的原因不同，通过分析缺陷属于哪种类型就能够追溯生产过程中出现的问题。
[0003]传统的晶圆图缺陷识别分类是通过有经验的专业人员手动进行。然而，由于主观性和先验知识的影响，分类结果存在差异性。近年来，深度学习由于能够自动的提取丰富的图像特征得到快速发展。卷积神经网络（CNN）是深度学习的典型代表，CNN能够在不需要了解该领域知识的情况下自动的提取图像的重要特征，并进行模式识别和分类。在晶圆图缺陷模式识别分类中，将晶圆图数据集作为CNN的输入，CNN的输出端将给出识别分类的缺陷类型。CNN能够自动提取晶圆缺陷模式特征并进行分类，相比于传统人工方法和机器学习方法有了很大的提升。但是，晶圆图表面缺陷故障大小形状存在差异，CNN采用同一尺寸的卷积核和池化过滤器提取特征，这导致晶圆图上的部分特征信息缺失，降低了晶圆图故障识别的准确率。
技术实现思路
[0004]本专利技术目的在于提供一种基于注意力空间金字塔池化的晶圆图故障模式识别方法用于晶圆图故障模式识别，提高对晶圆图故障模式识别的准确率。
[0005]本方法是这样实现的，一种基于注意力空间金字塔池化的晶圆图故障模式识别方法，该方法包含以下步骤：步骤1. 对晶圆图数据集图像进行预处理，并划分为训练集和测试集；步骤2. 以卷积层、池化层、批归一化层和SE Block为基础构建深度卷积神经网络DCNN作为主干网络用于特征提取；步骤3. 基于空间金字塔池化模块设计注意力空间金字塔池化模块；步骤4. 结合DCNN与注意力空间金字塔池化模块搭建多尺度特征融合深度学习模型；步骤5. 使用训练集训练深度学习模型，使用测试集测试深度学习模型，并使用准确率、精确率、召回率和F1
‑
Score评价模型性能。
[0006]进一步地，步骤1中，对晶圆图的预处理过程，包括如下步骤：使用均值滤波方法对晶圆图图像进行滤波去噪处理；将晶圆图图像转为换尺寸大小224
×
224，像素通道为3的图像；
将晶圆图数据集按照8：2的比例划分为训练集和测试集。
[0007]进一步地，步骤2中，构建的深度卷积神经网络DCNN，其结构包含常规卷积块、三个通道增强卷积块；常规卷积块用于接收晶圆图数据集的输入，包含一层卷积层、一层批归一化层和一层ReLU激活函数层；输入常规卷积块的晶圆图维度为3
×
224
×
224，卷积层使用卷积核大小为11
×
11，常规卷积块输出特征向量维度为64
×
35
×
35。
[0008]进一步地，所述三个通道增强卷积块，通道增强卷积块使用SE Block增强卷积的通道注意力，其结构为卷积层、批归一化层、ReLU层、SE Block、卷积层、批归一化层、ReLU层；第一个卷积块接收输入特征向量维度为64
×
35
×
35，输出特征向量维度为128
×
35
×
35；第二个卷积块接收输入特征向量维度为128
×
35
×
35，输出特征向量维度为256
×
17
×
17；第三个卷积块接收输入特征向量维度为256
×
17
×
17，输出特征向量维度为512
×
17
×
17。
[0009]进一步地，三个卷积块的输出分别以跳跃连接的方式输入到注意力空间金字塔池化模块中进行多尺度特征融合；注意力空间金字塔池化接收来自前面的三个卷积块输出的特征向量，特征向量维度大小分别是128
×
35
×
35、256
×
17
×
17、512
×
17
×
17。
[0010]进一步地，步骤3中，所设计的注意力空间金字塔池化，接收输入维度为C
×
H
×
W的特征向量，使用n个大小的池化过滤器对输入特征向量进行池化操作；同时，对输入维度为C
×
H
×
W的特征向量进行维度压缩，得到维度为C
×1×
1的特征向量，并与n个池化过滤器输出的特征向量进行通道维度相乘操作。
[0011]进一步地，所述的对输入维度为C
×
H
×
W的特征向量进行维度压缩，包括使用全局最大池化将输入的特征向量维度C
×
W
×
H进行降维压缩为C
×1×
1，并经过一层全连接层，一层批归一化层和一层ReLU激活函数层，得到特征向量维度为C
×1×
1。
[0012]进一步地，将注意力空间金字塔池化模块输出的特征向量进行一维拉伸，得到维度为一维的特征向量，作为全连接层的输入。
附图说明
[0013]图1是本专利技术对晶圆图故障模式检测的示意图；图2是本专利技术所提出的深度学习模型；图3是本专利技术提出的深度学习模型中的注意力空间金字塔池化吗模块。
具体实施方式
[0014]以下结合附图对本专利技术做进一步说明。
[0015]本专利技术提供一种基于注意力空间金字塔池化的晶圆图故障模式识别方法用于晶圆图故障模式识别。具体流程如附图1所示，晶圆图图像经过预处理进行滤波去噪、尺寸处理和数据集划分，得到维度为3
×
224
×
224的晶圆图图像，如S101所示；使用训练集训练基于注意力空间金字塔池化的深度学习模型，如S102所示；深度学习模型经过训练数据集训
练，得到最优效果的模型，使用测试数据集进行测试，深度学习模型给出测试图像的缺陷类别，如S103所示。
[0016]本专利技术所提出的深度学习模型如图2所示，包含五个部分，分别是S201、S202、S203、S204、S205。
[0017]S201是常规卷积块，输入为晶圆图数据集，输入的晶圆图数据集需要提前经过预处理，预处理过程包括滤波去噪、尺寸处理和数据集划分，得到维度为3
×
224
×
224的晶圆图图像。S201结构组成为卷积层、批归一化层和ReLU激活层，其中卷积层所采用的卷积核大小为11
×
11，采用大卷积核可以扩大感受野范围、对输入图像进行降维以减小模型参数量。本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于注意力空间金字塔池化的晶圆图故障模式识别方法，其特征在于，包括如下步骤：步骤1. 对晶圆图数据集图像进行预处理，并划分为训练集和测试集；步骤2. 以卷积层、池化层、批归一化层和SE Block为基础构建深度卷积神经网络DCNN作为主干网络用于特征提取；步骤3. 基于空间金字塔池化模块设计注意力空间金字塔池化模块；步骤4. 结合DCNN与注意力空间金字塔池化模块搭建多尺度特征融合深度学习模型；步骤5. 使用训练集训练深度学习模型，使用测试集测试深度学习模型，并使用准确率、精确率、召回率和F1
‑
Score评价模型性能。2.如权利要求1所述的一种基于注意力空间金字塔池化的晶圆图故障模式识别方法，其特征在于，所述对晶圆图数据集图像进行预处理，并划分为训练集和测试集，包括：使用均值滤波方法对晶圆图图像进行滤波去噪处理；将晶圆图图像转为换尺寸大小224
×
224，像素通道为3的图像；训练集和测试集划分比例为8：2。3.一种基于注意力空间金字塔池化的晶圆图故障模式识别方法，其特征在于，设计了一个深度学习模型，模型包含第一层卷积层、三个卷积块、注意力空间金字塔池化模块和全连接层，所述第一层卷积层用于接收晶圆图数据集的输入，其包含一层卷积层、一层批归一化层和一层ReLU激活函数层；输入卷积块的晶圆图维度大小为3
×
224
×
224，卷积层使用卷积核大小为11
×
11，卷积块输出的特征图维度为64
×
35
×
35；所述三个卷积块，其结构为卷积层、批归一化层、ReLU层、SE Block、卷积层、批归一化层、ReLU层；所述注意力空间金字塔池化（ESPP），其特征在于，接收输入维度为C
×
H
×
W的特征向量，使用n个大小的池化过滤器对输入特征向量进行池化操作；同时，对输入维度为C
×...
【专利技术属性】
技术研发人员：陈寿宏，黄振涛，侯杏娜，汪韬，马峻，郭玲，陆颖，覃冠翔，
申请(专利权)人：南宁桂电电子科技研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。