基于改进神经网络的芯片缺陷智慧检测系统技术方案

本发明专利技术涉及神经网络模型学习技术领域，具体涉及基于改进神经网络的芯片缺陷智慧检测系统

【技术实现步骤摘要】
基于改进神经网络的芯片缺陷智慧检测系统


[0001]本专利技术涉及神经网络模型学习
，具体涉及基于改进神经网络的芯片缺陷智慧检测系统
。

技术介绍

[0002]芯片是电子产品的核心组成部分，任何缺陷或不良都可能导致产品性能问题
、
故障甚至损坏
。
通过在制造过程中进行缺陷检测，可以识别并纠正缺陷，从而提高芯片的质量和可靠性
。
芯片的可靠性对于许多应用至关重要，尤其是在关键领域如医疗
、
航空航天和汽车等
。
未检测到的缺陷可能会导致设备故障，这可能对人们的生命和财产造成严重威胁
。
芯片缺陷检测有助于确保产品在长期使用中不会出现问题
。
随着芯片制造工艺的发展，芯片的集成度不断增加，因此需要更高效准确的检测方法来应对大批量芯片的检测需求
。
芯片缺陷检测是集成电路制造过程中的关键步骤，也即为芯片缺陷检测是芯片制造过程中的关键步骤，旨在识别和定位芯片上的缺陷或不良，以确保生产出高质量的芯片产品
。
[0003]目前，深度学习方法如卷积神经网络被广泛应用于芯片缺陷检测
。
但由于芯片结构通常较为复杂且多样，某些缺陷区域与非缺陷区域的结构较为相近，会导致对于复杂结构中某些不明显的缺陷进行检测时，神经网络对其中特征的提取精度较低，进而导致对芯片中缺陷区域识别的准确性较低
。

技术实现思路

[0004]为了解决由于某些缺陷区域与非缺陷区域的结构较为相近，导致神经网络对芯片中缺陷区域识别的准确性较低的技术问题，本专利技术的目的在于提供基于改进神经网络的芯片缺陷智慧检测系统，所采用的技术方案包括模块一下模块：缺陷识别模块，用于获取待识别芯片图像，将待识别芯片图像输入训练好的识别网络，输出缺陷区域；其中，识别网络的损失函数的更新过程为：根据缺陷区域分割训练集中含有缺陷区域的芯片图像，得到缺陷标注块和优选非标注块；分别输入缺陷标注块和优选非标注块至自编码网络得到第一特征图，匹配缺陷标注块的第一特征图和优选非标注块的第一特征图，筛选出缺陷标注块的部分第一特征图，作为区分特征图；输入缺陷标注块至识别网络，得到第二特征图；匹配第二特征图和区分特征图，筛选出部分第二特征图，作为目标特征图；输入芯片图像至识别网络中，得到第三特征图；匹配第三特征图和目标特征图，得到目标匹配度；基于目标匹配度，对识别网络的损失函数加权，更新损失函数
。
[0005]优选的，所述根据缺陷区域分割训练集中含有缺陷区域的芯片图像，得到缺陷标注块和优选非标注块，包括：获取训练集中任意芯片图像中的缺陷区域的最小外接矩形；将所有芯片图像中最大的外接矩形作为标准矩形，基于标准矩形对芯片图像进行分割，得到分割块，将含有缺陷区域的分割块为缺陷标注块；将未含有缺陷区域的分割块为待选非标注块；
保留与缺陷标注块相似的部分待选非标注块，作为优选非标注块
。
[0006]优选的，所述保留与缺陷标注块相似的部分待选非标注块，作为优选非标注块，包括：将缺陷标注块中的元素值按照预设排列顺序首尾相连转化为一维序列，作为缺陷标注序列；将待选非标注块中的元素值按照预设排列顺序首尾相连转化为一维序列，作为待选非标注块序列；计算缺陷标注序列和每个待选非标注块序列的相似度，将相似度大于预设相似阈值时对应的待选非标注块序列，作为优选非标注块，其中预设相似阈值的取值为小于1的正数
。
[0007]优选的，所述匹配缺陷标注块的第一特征图和优选非标注块的第一特征图，筛选出缺陷标注块的部分第一特征图，作为区分特征图，包括：计算缺陷标注块对应的第一特征图和优选非标注块的第一特征图的差分图，记为第一差分图，并获取缺陷标注块对应的第一特征图和优选非标注块的第一特征图中，同一位置处像素点在两张第一特征图中的最大像素值，记为第一像素值；对于第一差分图中的任意像素点，计算该像素点的像素值和对应的该像素点在两张第一特征图中的第一像素值的比值，作为第一差分图对应的缺陷标注块和优选非标注块的第一特征图的第一边权值；基于第一边权值，对缺陷标注块的第一特征图和优选非标注块的第一特征图进行匹配，将匹配的第一边权值大于预设第一匹配阈值的缺陷标注块的第一特征图作为区分特征图
。
[0008]优选的，所述匹配第二特征图和区分特征图，筛选出部分第二特征图，作为目标特征图，包括：计算第二特征图和区分特征图的差分图，记为第二差分图，并获取第二特征图和区分特征图中，同一位置处像素点在第二特征图和区分特征图中的最大像素值，记为第二像素值；对于第二差分图中的任意像素点，计算该像素点的像素值和对应的该像素点在第二特征图和区分特征图中的第二像素值的比值，作为第二差分图对应的第二特征图和区分特征图的第二边权值；基于第二边权值，对第二特征图和区分特征图进行匹配，将匹配的第二边权值大于预设第二匹配阈值的第二特征图作为目标特征图
。
[0009]优选的，所述匹配第三特征图和目标特征图，得到目标匹配度，包括：将第三特征图中的像素值按照预设排列顺序首尾相连转化为一维序列，作为第三特征序列；将目标特征图中的像素值按照预设排列顺序首尾相连转化为一维序列，作为目标特征序列；将第三特征图的第三特征序列和每个目标特征图的目标特征序列的相似度中的最大值，作为第三特征图的目标匹配度
。
[0010]优选的，所述基于目标匹配度，对识别网络的损失函数加权，更新损失函数，包括：在识别网络中的每个卷积层添加卷积层的损失函数，卷积层的损失函数为第三特征图和目标特征图的均方差；对每个第三特征图的目标匹配度进行负相关归一化，将负相关归一化的结果值作为加权值，将卷积层中每个第三特征图的加权值作为权重，对每张第三特征图的均方差进行加权求和，将加权求和后的均方差作为识别网络中对应卷积层的损失函数
。
[0011]优选的，训练集中含有缺陷区域的芯片图像中的缺陷区域是由人工标注出来的
。
[0012]优选的，所述分别输入缺陷标注块和优选非标注块至自编码网络得到第一特征
图，包括：将缺陷标注块和优选非标注块输入至同一自编码网络中，得到每个隐藏层对应的第一特征图
。
[0013]优选的，所述输入缺陷标注块至识别网络，得到第二特征图，包括：将缺陷标注块输入至识别网络中，得到每个隐藏层对应的第二特征图
。
[0014]本专利技术实施例至少具有如下有益效果：本专利技术涉及神经网络模型学习

。
该系统包络缺陷识别模块，用于获取待识别芯片图像，将待识别芯片图像输入训练好的识别网络，输出缺陷区域；其中，识别网络的损失函数的更新过程为：根据缺陷区域分割训练集中芯片图像，得到缺陷标注块和优选非标注块，将训练集中的缺陷区域和非缺陷区域通过缺陷标注块和优选非标注块进行区分，后续通过提取缺陷区域和非缺陷区域的特征，提高识别网络的识别能力；分别输入缺陷标注块和优选非标注块至自编码网络得到第一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于改进神经网络的芯片缺陷智慧检测系统，其特征在于，该系统包括以下模块：缺陷识别模块，用于获取待识别芯片图像，将待识别芯片图像输入训练好的识别网络，输出缺陷区域；其中，识别网络的损失函数的更新过程为：根据缺陷区域分割训练集中含有缺陷区域的芯片图像，得到缺陷标注块和优选非标注块；分别输入缺陷标注块和优选非标注块至自编码网络得到第一特征图，匹配缺陷标注块的第一特征图和优选非标注块的第一特征图，筛选出缺陷标注块的部分第一特征图，作为区分特征图；输入缺陷标注块至识别网络，得到第二特征图；匹配第二特征图和区分特征图，筛选出部分第二特征图，作为目标特征图；输入芯片图像至识别网络中，得到第三特征图；匹配第三特征图和目标特征图，得到目标匹配度；基于目标匹配度，对识别网络的损失函数加权，更新损失函数
。2.
根据权利要求1所述的基于改进神经网络的芯片缺陷智慧检测系统，其特征在于，所述根据缺陷区域分割训练集中含有缺陷区域的芯片图像，得到缺陷标注块和优选非标注块，包括：获取训练集中任意芯片图像中的缺陷区域的最小外接矩形；将所有芯片图像中最大的外接矩形作为标准矩形，基于标准矩形对芯片图像进行分割，得到分割块，将含有缺陷区域的分割块为缺陷标注块；将未含有缺陷区域的分割块为待选非标注块；保留与缺陷标注块相似的部分待选非标注块，作为优选非标注块
。3.
根据权利要求2所述的基于改进神经网络的芯片缺陷智慧检测系统，其特征在于，所述保留与缺陷标注块相似的部分待选非标注块，作为优选非标注块，包括：将缺陷标注块中的元素值按照预设排列顺序首尾相连转化为一维序列，作为缺陷标注序列；将待选非标注块中的元素值按照预设排列顺序首尾相连转化为一维序列，作为待选非标注块序列；计算缺陷标注序列和每个待选非标注块序列的相似度，将相似度大于预设相似阈值时对应的待选非标注块序列，作为优选非标注块，其中预设相似阈值的取值为小于1的正数
。4.
根据权利要求1所述的基于改进神经网络的芯片缺陷智慧检测系统，其特征在于，所述匹配缺陷标注块的第一特征图和优选非标注块的第一特征图，筛选出缺陷标注块的部分第一特征图，作为区分特征图，包括：计算缺陷标注块对应的第一特征图和优选非标注块的第一特征图的差分图，记为第一差分图，并获取缺陷标注块对应的第一特征图和优选非标注块的第一特征图中，同一位置处像素点在两张第一特征图中的最大像素值，记为第一像素值；对于第一差分图中的任意像素点，计算该像素点的像素值和对应的该像素点在两张第一特征图中的第一像素值的比值，作为第一差分图对应的缺陷标注块和优选非标注块的第一特征图的第一边权值；基于第一边权值，对缺陷标注块的第一特征图和优...

【专利技术属性】
技术研发人员：陈有章，候绪明，吴琛，李海英，吴卫红，
申请(专利权)人：闽都创新实验室，
类型：发明
国别省市：