【技术实现步骤摘要】
本专利技术涉及图像处理，更具体地涉及一种缺陷分类方法、一种缺陷分类装置、一种电子设备和一种存储介质。
技术介绍
1、在半导体制造过程中，需要对半导体进行检测，以检测半导体是否存在缺陷以及缺陷类型。以半导体是晶圆为例，现有技术中，通常利用自动化光学检测的方式对晶圆进行检测，并根据所检测的缺陷类型优化制造工艺。但是晶圆的缺陷类型多种多样，并且对于不同种类的晶圆或者对于处于不同工序段的晶圆，缺陷的形态差异往往也比较大，此时就需要通过人工检测的方式或类别固定的深度学习分类算法来确定晶圆中是否存在缺陷以及缺陷类型。人工检测的成本不仅比较高，效率也比较低。而对于类别固定的深度学习分类算法，在训练时通常需要大量的已标注数据。同时缺陷的类别多种多样，较难一次将所有缺陷类别，因此需要不断采集数据并通过人工进行标注。在出现新的缺陷类别时还需要人工核查新类别是否符合要求。整个流程较长，且人工介入多，效率偏低。
技术实现思路
1、考虑到上述问题而提出了本专利技术。本专利技术提供了一种缺陷分类方法、一种缺陷分类装置、一种电子设备和一种存储介质。
2、根据本专利技术一个方面，提供一种缺陷分类方法，方法包括：将待测图像和第一位置提示信息输入缺陷分类模型的特征提取网络，以获得待测图像的图像特征和位置标识特征，其中，第一位置提示信息用于指示待测图像中的缺陷区域所在的位置；将图像特征和位置标识特征输入缺陷分类模型的全连接神经网络，以获得缺陷分类结果，缺陷分类结果用于指示待测图像中的缺陷区域所属的类别；其中
3、示例性地，缺陷分类模型通过以下方式训练：获取目标样本数据集；通过目标样本数据集对缺陷分类模型进行训练；其中，获取目标样本数据集，包括：获取多个第一样本图像；将多个第一样本图像输入半自动标注网络，以确定多个第一样本图像各自对应的缺陷区域的位置；对多个第一样本图像各自对应的缺陷区域的位置进行标注，以获得多个第一样本图像各自对应的第二位置提示信息；获取多个第一样本图像各自对应的标注标签；获取多个第二样本图像；将多个第二样本图像输入半自动标注网络，以确定多个第二样本图像各自对应的缺陷区域的位置；对多个第二样本图像各自对应的缺陷区域的位置进行标注，以获得多个第二样本图像各自对应的第三位置提示信息。
4、示例性地，将多个第一样本图像输入半自动标注网络，确定多个第一样本图像各自对应的缺陷区域的位置，包括：将多个第一样本图像和多个第一样本图像各自对应的初始位置提示信息输入半自动标注网络，以确定多个第一样本图像各自对应的缺陷区域的位置；将多个第二样本图像输入半自动标注网络，确定多个第二样本图像各自对应的缺陷区域的位置，包括：将多个第二样本图像和多个第二样本图像各自对应的初始位置提示信息输入半自动标注网络，以确定多个第二样本图像各自对应的缺陷区域的位置。
5、示例性地，任一第一样本图像或任一第二样本图像所对应的初始位置提示信息通过以下方式获得：将第一样本图像或第二样本图像与模板图像进行匹配，其中，待测图像中包含目标对象，模板图像为包含无缺陷的目标对象在内的图像；将第一样本图像或第二样本图像上的与模板图像不一致的区域，确定为第一样本图像或第二样本图像中的缺陷区域，以获得初始位置提示信息。
6、示例性地，任一第一样本图像或任一第二样本图像所对应的初始位置提示信息通过以下方式获得：获取用户输入的初始位置提示信息。
7、示例性地，获取多个第一样本图像各自对应的标注标签，包括：在将多个第一样本图像输入半自动标注网络时，还确定多个第一样本图像各自对应的缺陷区域的类别，以获得多个第一样本图像各自对应的标注标签。
8、示例性地，通过目标样本数据集对缺陷分类模型进行训练，包括：基于目标样本数据集执行以下模型训练操作：利用已标注数据对缺陷分类模型进行训练，获得经初始训练的缺陷分类模型；将多个第二样本图像和多个第二样本图像各自对应的第三位置提示信息输入经初始训练的缺陷分类模型，以获得多个第二样本图像各自对应的第一预测分类结果，第一预测分类结果用于指示对应的第二样本图像中的缺陷区域所属的类别；基于多个第二样本图像各自对应的第一预测分类结果获取多个第二样本图像中至少部分第二样本图像各自对应的伪标签；将多个第一样本图像和多个第一样本图像各自对应的第二位置提示信息输入经初始训练的缺陷分类模型，以获得多个第一样本图像各自对应的第二预测分类结果，第二预测分类结果用于指示对应的第一样本图像中的缺陷区域所属的类别；将至少部分第二样本图像和部分第二样本图像各自对应的第三位置提示信息输入经初始训练的缺陷分类模型，以获得至少部分第二样本图像各自对应的第三预测分类结果，第三预测分类结果用于指示对应的第二样本图像中的缺陷区域所属的类别；基于多个第一样本图像各自对应的标注标签与第二预测分类结果之间的差异以及至少部分第二样本图像各自对应的伪标签与第三预测分类结果之间的差异，计算预测损失值；基于预测损失值对经初始训练的缺陷分类模型中的参数进行优化，以获得与本轮训练操作对应的训练完成的缺陷分类模型。
9、示例性地，待测图像包括多个第一待测图像，训练操作还包括：在本轮训练操作完成之后，获取通过训练完成的缺陷分类模型预测获得的与至少一个测试图像各自对应的第四预测分类结果，其中，第四预测分类结果用于指示对应的测试图像中的缺陷区域所属的类别，至少一个测试图像包括以下一项或多项：多个第二样本图像中的至少部分样本图像；待测图像；除多个第二样本图像和待测图像以外的新图像；将至少一个测试图像各自对应的第四预测分类结果输出；响应于用户输入的核查信息，对第四预测分类结果和/或测试图像执行对应的操作。
10、示例性地，响应于用户输入的核查信息，对第四预测分类结果和/或测试图像执行对应的操作，包括以下一项或多项：对于基于第四预测分类结果划分为已知类别的任一测试图像，若核查信息包括关于该测试图像的删除信息，则删除该测试图像，其中，已知类别为已标注数据中的标注标签所指示的类别；对于第四预测分类结果中划分出的任一新类别，若核查信息包括关于该新类别的删除信息，则从第四预测分类结果中删除该新类别，其中，新类别为不同于已知类别的类别；对于第四预测分类结果中划分出的任一新类别，若核查信息包括关于该新类别的合并信息，则将该新类别与合并信息所指定的已知类别合并为同一类别；对于第四预测分类结果中划分出的任一新类别，若核查信息包括关于该新类别的添加信息，则将该新类别以及该新类别所对应的测试图像添加至已标注数据中。
11、示例性地，第一位本文档来自技高网...
【技术保护点】
1.一种缺陷分类方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述缺陷分类模型通过以下方式训练：
3.如权利要求2所述的方法，其特征在于，
4.如权利要求3所述的方法，其特征在于，任一第一样本图像或任一第二样本图像所对应的初始位置提示信息通过以下方式获得：
5.如权利要求3所述的方法，其特征在于，任一第一样本图像或任一第二样本图像所对应的初始位置提示信息通过以下方式获得：
6.如权利要求2所述的方法，其特征在于，所述获取所述多个第一样本图像各自对应的标注标签，包括：
7.如权利要求2所述的方法，其特征在于，所述通过所述目标样本数据集对所述缺陷分类模型进行训练，包括：
8.如权利要求7所述的方法，其特征在于，所述待测图像包括多个第一待测图像，所述训练操作还包括：
9.如权利要求8所述的方法，其特征在于，所述响应于用户输入的核查信息，对所述第四预测分类结果和/或所述测试图像执行对应的操作，包括以下一项或多项：
10.如权利要求1-6任一项所述的方法，
11.如权利要求1-6任一项所述的方法，其特征在于，所述缺陷分类模型还包括注意力网络，在所述将所述图像特征和所述位置标识特征输入所述缺陷分类模型的全连接神经网络，以获得缺陷分类结果之前，所述方法还包括：
12.如权利要求1-6任一项所述的方法，其特征在于，所述特征提取网络包括图像编码模块和位置编码模块，所述将待测图像和第一位置提示信息输入缺陷分类模型的特征提取网络，以获得所述待测图像的图像特征和位置标识特征，包括：
13.如权利要求12所述的方法，其特征在于，所述图像编码模块采用无监督的训练方式训练获得，在训练所述缺陷分类模型时，所述图像编码模块的参数保持固定，对所述位置编码模块的参数进行训练。
14.如权利要求1-6任一项所述的方法，其特征在于，所述缺陷分类模型为开放世界半监督分类模型。
15.如权利要求1-6任一项所述的方法，其特征在于，所述待测图像为包含晶圆的晶圆图像，所述缺陷区域为所述晶圆上的缺陷区域。
16.一种缺陷分类装置，其特征在于，所述装置包括：
17.一种电子设备，包括处理器和存储器，其特征在于，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器运行时用于执行如权利要求1-15任一项所述的缺陷分类方法。
18.一种存储介质，存储有计算机程序/指令，其特征在于，所述计算机程序/指令在运行时用于执行如权利要求1-15任一项所述的缺陷分类方法。
...【技术特征摘要】
1.一种缺陷分类方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述缺陷分类模型通过以下方式训练：
3.如权利要求2所述的方法，其特征在于，
4.如权利要求3所述的方法，其特征在于，任一第一样本图像或任一第二样本图像所对应的初始位置提示信息通过以下方式获得：
5.如权利要求3所述的方法，其特征在于，任一第一样本图像或任一第二样本图像所对应的初始位置提示信息通过以下方式获得：
6.如权利要求2所述的方法，其特征在于，所述获取所述多个第一样本图像各自对应的标注标签，包括：
7.如权利要求2所述的方法，其特征在于，所述通过所述目标样本数据集对所述缺陷分类模型进行训练，包括：
8.如权利要求7所述的方法，其特征在于，所述待测图像包括多个第一待测图像，所述训练操作还包括：
9.如权利要求8所述的方法，其特征在于，所述响应于用户输入的核查信息，对所述第四预测分类结果和/或所述测试图像执行对应的操作，包括以下一项或多项：
10.如权利要求1-6任一项所述的方法，其特征在于，
11.如权利要求1-6任一项所述的方法，其特征在于，所述缺陷分类模型还包括注意力网络，在所述将所述图像特征和所述位置标识特征输...
【专利技术属性】
技术研发人员：韩晓，徐海俊，
申请(专利权)人：苏州镁伽科技有限公司，
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。