【技术实现步骤摘要】
本专利技术属于缺陷检测，更为具体地讲，涉及一种基于生成对抗网络的晶圆缺陷检测方法。
技术介绍
1、近年来，芯片复杂性的增加使得晶圆的制造过程变得更加复杂和昂贵。并且晶圆缺陷会导致芯片产量降低和安全问题。为了消除晶圆缺陷，构建完美且经济的制造环境是极其困难的。因此，缺陷检测成为提高晶圆良率的必要手段。
2、然而，传统的人工缺陷检测方法在速度和规模上都比较弱，因此在实际生产过程中，基于视觉的缺陷识别算法，由于其快速和稳定的性能而受到广泛使用，特别的，深度学习(deep learning，简称dl)由于其良好的性能，已经成为一个进行晶圆缺陷检测的突破口，是一个大规模的网络，执行端到端的自动特征提取，以避免操作员的选择。现有深度学习方法大多都需要一定量的正常与异常数据样本，然而，在晶圆缺陷检测领域，异常晶圆需要专业人员进行测试认定，导致异常晶圆数据往往是不容易获取的，因此，一种使用大量正常数据的无监督深度学习方法进行晶圆缺陷检测是必要的。
3、为解决上述问题，我们提出了一种基于生成对抗网络的晶圆缺陷检测方法。
技术实现思路
1、为解决
技术介绍
中的问题，本专利技术提供一种基于生成对抗网络的晶圆缺陷检测方法。
2、为实现上述目的，本专利技术采取的技术方案为：
3、一种基于生成对抗网络的晶圆缺陷检测方法，所述方法包括以下步骤：
4、s1、获取晶圆图片数据集；
5、采集正常条件下的多张晶圆图片，记为；
6、其中，，
7、s2、数据预处理；
8、1）、通过最大连通分量标记(lccl)算法去噪；
9、采用lccl算法中的8-连接算法进行晶圆图片的预处理，找到有效像素与其周围的8个连通分量，并保留其中最大的分量，并将其他分量设置为相同的背景颜色；
10、2）、调整数据集图片大小；
11、筛选出数据集中图片长度位于20像素-64像素之外的晶圆图片，予以删除，并保留长度在区间内的晶圆图片；通过python中的resize函数将所有选定的晶圆图片调整为固定尺寸（128，128）；
12、3）、将晶圆图片转换为灰度图；
13、转换过程是将rgb转换为灰度并将其规范化，采用itu-r 601-2标准，定义公式为:
14、
15、其中，，，是每个通道的rgb颜色值，是单通道灰度值。
16、由于晶圆图片中有三种颜色类型，处理后的图像也包含三个灰度值，，，通过公式（2）进行归一化:
17、
18、其中，为，，的最大值，为最小值。表示三种灰度颜色之一，。这种归一化扩大了有效像素和其他像素之间的差异，便于提取到需要的信息，转换后的训练数据集记为，，为第种缺陷下晶圆图片的数量。
19、s3、构建基于生成对抗网络的晶圆缺陷检测网络；
20、如图2所示，所构建的ganomaly网络主要包含编码器与解码器两个部分，编码器结构如表1所示；解码器结构与表1完全相反；
21、表1为ganomaly网络中编码器的网络结构
22、
23、其中，代表通道数量。对于使用的灰度图像，固定为1。代表输入图像的大小，这里为固定尺寸（128，128）。是深度学习模型中的一个潜在变量。是向量的长度，设置为100。
24、检测网络为ganomaly网络，ganomaly网络由编码器一、编码器二、编码器三与一个解码器所组成；
25、其中，编码器一与解码器相连接，构成了图像生成器，能够通过原始图像重建一种假图像；
26、编码器二作为潜在层被添加到图像生成器的输出端；
27、编码器三在网络中作为鉴别器使用，编码器三作为一个单独的编码器，后面连接着一个全连接层；
28、s4、训练基于生成对抗网络的晶圆缺陷检测网络模型；
29、1）、设置最大迭代次数为，初始化当前迭代次数；给定期望的模型训练误差为；
30、2）、在第次迭代中，从预处理后的数据集中抽取张晶圆图片记为，然后将作为ganomaly网络的单批次输入；
31、3）、以代表所输入的数据，通过编码器一后其被卷积成一个向量在这个模型中的长度被设置为100，也被称为生成器的瓶颈特征，并被认为是包含图像特征的最小维度，编码器使用leakyrelu作为激活函数，并在卷积和激活之间添加了批处理规范层batch-norm；
32、所述batch-norm是一种放大图像间相对差异的操作，其计算公式为：
33、
34、其中，和分别是输入的均值和方差，是为了数值稳定性的常数，和是可学习的参数；
35、解码器使用relu()激活函数和批处理规范层将向量转换回与大小相同的，随后编码器二将生成器的输出缩小为一个与编码器一输出大小相同的向量，命名为；
36、编码器三在网络中作为鉴别器使用，在鉴别器中，矢量大小与编码器一输出大小相同；鉴别器将向每个图像输出一个数字，从而识别数据和的真假：
37、4）、计算网络的损失值，在ganomaly网络模型中包含三种类型的损失函数，即对抗性损失（adversarial loss）、上下文损失（contextual loss）、编码器损失（encoder loss），总损失由三者计算得到，其计算公式如下：
38、
39、
40、
41、
42、其中，表示鉴别器函数的值，其输入大小为128 × 128，输出大小为1；表示生成器函数的值；代表所输入的原始数据，代表所生成的假数据，其作用是，鉴别生成器从原始数据重建假数据的能力；
43、代表编码器一的输出，代表编码器二的输出，其作用是，减少瓶颈特征距离，以及使用来自潜在层的特征；
44、、、分别代表对抗性损失（adversarial loss）、上下文损失（contextual loss）、编码器损失（encoder loss）的权重，权重通过网络学习得到；
45、损失计算完成后，判断当前迭代次数或者，若满足，则停止迭代训练；否则，将进行下一轮训练；
46、s5、变正态样本置信区间法计算阈值异常评分；
47、定义置信区间的公式为：
48、其中，为显著性水平；表示异常评分落在~之间的概率为；
49、考虑到异常分数永远不会是负的，将设置为负无穷，置为3%，因为正态样本分布高度集中于其均值；因此，公式（8）可化为：
50、
51、公式（9）表示97%的正常数据位于阈值确定的范围内；
52、s6、晶圆图片的缺陷检测；
53、采集未知缺陷种类的晶圆图片，然后输入至步骤s4中训练后的ganomaly网络模型，并利用步骤s5中所示方法进行异常值评分，以本文档来自技高网...
【技术保护点】
1.一种基于生成对抗网络的晶圆缺陷检测方法，所述方法包括以下步骤：
【技术特征摘要】
1.一种基于生成对抗网络的晶圆缺陷...
【专利技术属性】
技术研发人员：黎承诺，刘志亮，代梦航，左明健，
申请(专利权)人：青岛明思为科技有限公司，
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。