一种基于组合卷积的硅片缺陷分类方法技术

本发明专利技术涉及一种基于组合卷积的硅片缺陷分类方法，其中，包括：采集硅片的缺陷图像数据集；构建硅片的缺陷图像检测模型；输入层输入硅片缺陷图像；双分支卷积网络设置不同方向感知的卷积核，以使得在缺陷图像识别过程中从不同角度捕捉缺陷；多尺度卷积网络，用于同时捕捉大规模和小规模的缺陷特征；特征融合层，对双分支卷积网络和多尺度卷积网络输出特征进行融合；全连接层包含多个神经元，每个神经元表示一个硅片缺陷类别；输出层将每个硅片缺陷类别的得分转化为概率输出；对硅片缺陷图像数据集中的硅片缺陷图像进行标注，并输入检测模型进行训练；将训练好的检测模型部署到硅片检测系统中

【技术实现步骤摘要】
一种基于组合卷积的硅片缺陷分类方法


[0001]本专利技术涉及半导体硅片检测技术，特别涉及一种基于组合卷积的硅片缺陷分类方法
。

技术介绍

[0002]硅片是半导体产业的基本材料，其质量对集成电路和电子器件的性能具有重要影响
。
硅片制造过程中可能产生各种缺陷，这些缺陷需要通过高效的检测方法进行识别和分类
。
传统的缺陷检测方法主要依赖于人工检测，效率低且易出错
。
[0003]现有技术在硅片缺陷分类任务上存在一些缺陷，主要包括以下几点：
[0004]1.
特征提取能力有限：现有的图像处理和机器学习方法在特征提取方面受限于手工设计的特征，这使得它们在处理复杂的硅片缺陷图像时，难以提取到有效
、
丰富的特征信息，导致分类性能受到限制
。
[0005]2.
缺乏多尺度特征处理能力：现有技术中无法有效处理不同尺度和复杂度的硅片缺陷特征
。
对于多尺度特征的处理，需要设计更加复杂的算法和模型，以便捕捉到硅片缺陷的细节信息，增大了设计难度，增加了模型的计算量
。
[0006]3.
泛化能力较弱：现有技术在硅片缺陷分类任务上，往往需要较多的人工干预和调整，使得模型的泛化能力受到限制
。
当面临新的缺陷类型或不同生产环境时，现有技术可能需要重新设计和调整
。

技术实现思路

[0007]本专利技术的目的在于提供一种基于组合卷积的硅片缺陷分类方法，用于解决上述现有技术的问题
。
[0008]本专利技术的一种基于组合卷积的硅片缺陷分类方法，其中，包括：步骤
1、
采集硅片的缺陷图像数据集；步骤
2、
构建硅片的缺陷图像检测模型，包括：输入层
、
初始卷积层
、
最大池化层
、
分支层
、
特征融合层
、
全连接层以及输出层；输入层输入硅片缺陷图像；分支层包括双分支卷积网络以及多尺度卷积网络；双分支卷积网络设置不同方向感知的卷积核，以使得在硅片缺陷图像识别过程中从不同角度捕捉缺陷；多尺度卷积网络，用于同时捕捉大规模和小规模的缺陷特征，以模拟复杂的硅片缺陷结构和迥异的硅片缺陷类型；特征融合层，对双分支卷积网络和多尺度卷积网络输出特征进行融合；全连接层包含多个神经元，每个神经元表示一个硅片缺陷类别；对神经元进行分类激活，利用特征融合层的输出特征进行缺陷分类和识别；输出层将每个硅片缺陷类别的得分转化为概率输出；步骤
3、
对硅片缺陷图像数据集中的硅片缺陷图像进行标注，并输入检测模型进行训练；步骤
4、
将训练好的检测模型部署到硅片检测系统中
。
[0009]根据本专利技术一种基于组合卷积的硅片缺陷分类方法的一实施例，其中，特征融合层使用
concatenate
操作将双分支卷积网络和多尺度卷积网络输出进行融合，得到融合后的特征图
。
[0010]根据本专利技术一种基于组合卷积的硅片缺陷分类方法的一实施例，其中，将融合后的特征图展平为一维的向量，作为全连接层的输入，全连接层的每个神经元具有与输入节点相对应的权重，在每个神经元的输出上添加一个偏置项
。
[0011]根据本专利技术一种基于组合卷积的硅片缺陷分类方法的一实施例，其中，包括：输出层含有5个神经元，分别对应硅片裂纹
、
水渍
、
缺口
、
砂粒以及污点缺陷
。
[0012]根据本专利技术一种基于组合卷积的硅片缺陷分类方法的一实施例，其中，双分支卷积网络包括：初始卷积层采用大的卷积核进行卷积操作，以捕捉到硅片的全局结构和大尺度的特征，以检测裂纹和缺口这类长的缺陷；分支层包括两个分支，每个分支采用不同尺寸的卷积核，对应水渍这类小且局部的缺陷以及砂粒这类大的缺陷；通过特征融合的方式将两个分支的输出特征图进行组合，以综合考虑不同尺寸缺陷的特征信息
。
[0013]根据本专利技术一种基于组合卷积的硅片缺陷分类方法的一实施例，其中，多尺度卷积网络包括：初始卷积层使用较大的卷积核进行卷积操作，以捕捉硅片的全局结构和较大尺度的特征；并行卷积层使用不同尺寸的卷积核来捕捉不同尺度的特征，对于砂粒这类大的缺陷，通过大的卷积核检测到其颗粒特征；对于裂纹和水渍这类小缺陷，通过小的卷积核检测到其细节特征；通过特征融合的方式将并行卷积层的输出特征图进行组合，以综合考虑不同尺寸缺陷的特征信息
。
[0014]根据本专利技术一种基于组合卷积的硅片缺陷分类方法的一实施例，其中，对于硅片裂纹缺陷，裂纹的特征被双分支卷积网络中的方向感知卷积核所检测，多尺度卷积网络捕捉不同尺度和方向的裂纹纹理特征；对于硅片水渍缺陷，水渍的凹凸特征通过双分支卷积网络中的局部感知域卷积核来提取，多尺度卷积网络进行尺度和形状多样性的感知；对于硅片缺口缺陷，缺口的局部形状和纹理特征通过双分支卷积网络中的局部感知域卷积核得到，多尺度卷积网络则捕捉不同尺度和深度的缺口信息；对于硅片污点和砂粒缺陷，双分支卷积网络中的边缘和纹理特征提取污点和砂粒的形状和颜色特征，多尺度卷积网络捕捉不同尺度和形状的纹理变化
。
[0015]根据本专利技术一种基于组合卷积的硅片缺陷分类方法的一实施例，其中，步骤3具体包括：将硅片图像数据缩放，利用
labelimage
进行缺陷标注生成硅片缺陷标签文件，标注一定数量的硅片缺陷图像，缺陷包含裂纹
、
水渍
、
缺口
、
沙砾以及污点，将硅片图像和硅片缺陷标签文件分为数据集和验证集，输入检测模型进行训练
。
[0016]根据本专利技术一种基于组合卷积的硅片缺陷分类方法的一实施例，其中，还包括对训练好的检测模型进行模型评估，在验证集上评估检测模型的性能，包括准确率和召回率，并根据评估结果，对检测模型进行调整和优化，以提高硅片缺陷分类的性能
。
[0017]根据本专利技术一种基于组合卷积的硅片缺陷分类方法的一实施例，其中，对于硅片裂纹缺陷，全连接层对于不同尺度和方向的裂纹，综合融合双分支卷积网络和多尺度卷积网络；对于硅片水渍缺陷，全连接层对双分支卷积网络和多尺度卷积网络的结果综合融合不同尺度和形状的特征，以提高水渍的分类效果；对于硅片缺口缺陷，全连接层对双分支卷积网络和多尺度卷积网络的结果综合融合考虑不同尺度
、
纹理和深度的特征，以提高缺口的分类准确性；对于硅片污点和砂粒缺陷，全连接层对双分支卷积网络和多尺度卷积网络的结果综合融合不同纹理和尺度的特征，以提高对污点和砂粒的分类准确性
。
[0018]本专利技术一种基于组合卷积的硅片缺陷分类方法，解决了在硅片缺陷分类任务上的
问题，能够高效
、
准确的进行硅片缺陷分类
。
附图说明
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于组合卷积的硅片缺陷分类方法，其特征在于，包括：步骤
1、
采集硅片的缺陷图像数据集；步骤
2、
构建硅片的缺陷图像检测模型，包括：输入层
、
初始卷积层
、
最大池化层
、
分支层
、
特征融合层
、
全连接层以及输出层；输入层输入硅片缺陷图像；分支层包括双分支卷积网络以及多尺度卷积网络；双分支卷积网络设置不同方向感知的卷积核，以使得在硅片缺陷图像识别过程中从不同角度捕捉缺陷；多尺度卷积网络，用于同时捕捉大规模和小规模的缺陷特征，以模拟复杂的硅片缺陷结构和迥异的硅片缺陷类型；特征融合层，对双分支卷积网络和多尺度卷积网络输出特征进行融合；全连接层包含多个神经元，每个神经元表示一个硅片缺陷类别；对神经元进行分类激活，利用特征融合层的输出特征进行缺陷分类和识别；输出层将每个硅片缺陷类别的得分转化为概率输出；步骤
3、
对硅片缺陷图像数据集中的硅片缺陷图像进行标注，并输入检测模型进行训练；步骤
4、
将训练好的检测模型部署到硅片检测系统中
。2.
如权利要求1所述的方法，其特征在于，特征融合层使用
concatenate
操作将双分支卷积网络和多尺度卷积网络输出进行融合，得到融合后的特征图
。3.
如权利要求2所述的方法，其特征在于，将融合后的特征图展平为一维的向量，作为全连接层的输入，全连接层的每个神经元具有与输入节点相对应的权重，在每个神经元的输出上添加一个偏置项
。4.
如权利要求1所述的方法，其特征在于，包括：输出层含有5个神经元，分别对应硅片裂纹
、
水渍
、
缺口
、
砂粒以及污点缺陷
。5.
如权利要求1所述的方法，其特征在于，双分支卷积网络包括：初始卷积层采用大的卷积核进行卷积操作，以捕捉到硅片的全局结构和大尺度的特征，以检测裂纹和缺口这类长的缺陷；分支层包括两个分支，每个分支采用不同尺寸的卷积核，对应水渍这类小且局部的缺陷以及砂粒这类大的缺陷；通过特征融合的方式将两个分支的输出特征图进行组合，以综合考虑不同尺寸缺陷的特征信息
。6.
如权利要求1所述的方法，其特征在于...

【专利技术属性】
技术研发人员：徐晨，刘伟鑫，陈佳佳，
申请(专利权)人：琶洲实验室黄埔，
类型：发明
国别省市：