【技术实现步骤摘要】
芯片缺陷检测方法、装置、设备及介质
[0001]本申请实施例涉及但不限于数据分析领域,尤其涉及芯片缺陷检测方法
、
装置
、
设备及介质
。
技术介绍
[0002]随着半导体芯片制作工艺的不断发展和晶体管尺寸的不断缩小,半导体芯片缺陷检测的需求也越来越高
。
传统的半导体芯片缺陷检测方法主要包括目视检测法:芯片制造过程中通过人工肉眼或者一些其他工具对芯片质量进行检测,识别出带缺陷的半导体芯片,但是微小的缺陷可能无法有效检测;扫描电子显微镜检测法:采用扫描电子显微镜对芯片进行检测,能够获取高分辨率图像,精准确定缺陷位置,但是该方法需要昂贵的仪器;光学检测法:采用光学显微镜对芯片进行检测,一般可以检测出常见的缺陷,但还是以实验室人工目检和测量为主,缺陷的分类也需要人主观判断,且效率不高
。
[0003]除了传统检测方法,深度学习方法在缺陷检测领域也得到了应用,通过搭建自动化检测设备,利用深度卷积神经网络对半导体芯片进行缺陷检测,既可以拥有较高的准确度,又可以降低苛刻的硬件标准
。
现有的深度卷积神经网络检测算法需要利用大量样本数据集进行模型训练以获得良好的分类精度
。
搜集大量不同种类的半导体芯片缺陷图像需要耗费大量的人员精力和时间成本,而且半导体芯片存在多种不同种类的缺陷,每一种类的缺陷样本数量极其不均衡,某一些缺陷种类非常少量,传统的的几何变换很难保证缺陷样本图片的多样性
。
技术实现思路
【技术保护点】
【技术特征摘要】
1.
一种芯片缺陷检测方法,其特征在于,包括:获取芯片缺陷图像和无缺陷图像;提取所述芯片缺陷图像的第一特征,向所述第一特征加入噪声形成自适应特征集合;对于数据增强网络的第一分支,根据所述自适应特征集合和所述无缺陷图像的特征由第一生成对抗网络生成第一缺陷图像,由第二生成器根据所述第一缺陷图像得到对应所述无缺陷图像的第一恢复图像,所述第一生成对抗网络包括第一生成器和第一判别器;根据所述第一恢复图像和所述无缺陷图像之间的差异得到第一损失函数,根据所述第一损失函数优化第一分支的参数;对于数据增强网络的第二分支,根据所述芯片缺陷图像的特征由第二生成对抗网络生成第一无缺陷图像,由第一生成器根据所述第一无缺陷图像和所述自适应特征集合得到对应所述芯片缺陷图像的第二恢复图像,所述第二生成对抗网络包括第二生成器和第二判别器;根据所述第二恢复图像和所述芯片缺陷图像之间的差异得到第二损失函数,根据所述第二损失函数优化第二分支的参数;根据所述第一损失函数和所述第二损失函数优化所述数据增强网络的参数,得到目标数据增强网络;通过所述目标数据增强网络对芯片原始数据集进行数据增强得到芯片增强数据集;通过所述芯片原始数据集和所述芯片增强数据集训练芯片缺陷检测网络得到目标检测网络;通过所述目标检测网络对待检测图像进行检测得到检测结果
。2.
根据权利要求1所述的一种芯片缺陷检测方法,其特征在于,所述提取所述芯片缺陷图像的第一特征,向所述第一特征加入噪声形成自适应特征集合,包括:提取所述芯片缺陷图像的初步特征图;将所述初步特征图进行不同尺度的池化操作得到多个尺寸的池化特征图;对所述池化特征图进行卷积以减少通道数;对所述池化特征图采用双线性插值进行上采样操作,以使所述池化特征图的尺寸与所述初步特征图的尺寸相同;将所述池化特征图在通道上进行拼接得到所述第一特征;向所述第一特征加入高斯噪声形成自适应特征集合
。3.
根据权利要求1所述的一种芯片缺陷检测方法,其特征在于,所述根据所述自适应特征集合和所述无缺陷图像的特征由第一生成对抗网络生成第一缺陷图像,包括:将所述无缺陷图像的特征和所述自适应特征集合中的特征图结合得到第一结合特征图;由所述第一生成器根据所述第一结合特征图生成候选缺陷图像;由所述第一判别器根据所述候选缺陷图像得到第一判别结果,将所述第一判别结果通过对抗损失函数的形式反馈给第一生成器,以使所述第一生成器根据所述第一判别结果生成新的候选缺陷图像;当所述第一判别器根据所述第一生成器所生成的候选缺陷图像所得到的第一判别结果满足第一预设条件,将所述候选缺陷图像确定为第一缺陷图像
。
4.
根据权利要求1所述的一种芯片缺陷检测方法,其特征在于,所述根据所述芯片缺陷图像的特征由第二生成对抗网络生成第一无缺陷图像,包括:由所述第二生成器根据所述芯片缺陷图像的特征生成候选无缺陷图像;由所述第二判别器根据所述候选无缺陷图像得到第二判别结果,将第二判别结果通过生成损失函数的形式反馈给第二生成器,以使所述第二生成器根据所述第二判别结果生成新的候选无缺陷图像:当所述第二判别器根据所述第二生成器所生成的候选无缺陷图像所得到的第二判别结果满足第二预设条件,将所述候选无缺陷图像确定为第一无缺陷图像
。5.
根据权利要求3所述的一种芯片缺陷检测方法,其特征在于,所述对抗损失函数表示为:
L
GAN
(F
,
D
y
,
x
,
y)
=
E
y
~
pdata(y)
[log D
y
(y)]+E
x
~
pdata(x)
[log(1
‑
D
y
(F(x))]
;其中,
L
GAN
(F
,
D
y
,
x
,
y)
表示对抗损失函数;
F
表示第一生成器,
D
y
表示第一判别器,
x
表示无缺陷图像,
y
表示芯片缺陷图像,
E
y
~
pdata(y)
表示
y
域中的图像服从
y
的数据分布,
E
x
~
pdata(x)
表示
x
【专利技术属性】
技术研发人员:邓辅秦,罗家龙,王颖,黄泳龙,钟家铭,李楠楠,王宏民,钟东洲,习江涛,
申请(专利权)人:澳门科技大学,
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。