【技术实现步骤摘要】
本专利技术涉及集成电路制造，尤其涉及一种晶圆缺陷检测方法、系统、电子设备以及存储介质。
技术介绍
1、为了保证晶圆的出货质量，提升客户的满意度，晶圆出货前的缺陷检验尤为重要。目前，在晶圆制造过程中主要通过对晶圆进行扫描而成像，然后通过查找并分析晶圆图像上的异常，来确定晶圆上可能造成电路无法正常工作的缺陷。
2、例如，《基于卷积神经网络的晶圆缺陷检测与分类算法》提供了两种基于深度学习的卷积神经网络(即zfnet卷积神经网络、改进faster rcnn的rpn网路)对晶圆缺陷进行检测分类的方法，两者均具有以下不足：
3、1)训练样本的标注成本高：每种缺陷类型、每种晶圆图案都需要大量标注数据；
4、2)通用性差：晶圆图案变化，模型需要补充标注样本重新训练，否则容易产生误检；
5、3)在检测晶圆缺陷时，会出现某类缺陷少见但致命的情况，此时比较常规的深度学习检测路线会因标签少，导致泛化能力下降。
技术实现思路
1、为了解决现有技术样本标注成本高、通用性差、缺陷类别数量极其不平衡时检测能力下降的问题，本专利技术提供一种晶圆缺陷检测方法、系统、电子设备以及存储介质。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、第一方面，本专利技术提供一种晶圆缺陷检测方法，包括：
4、获取目标晶圆图像；
5、利用预先训练的二分类检测模型对所述目标晶圆图像进行处理，得到所述目标晶圆图像对应的初始缺陷检测结果，
6、当所述置信度小于预设的置信度阈值时，以所述缺陷检测框为参考截取所述目标晶圆图像中的感兴趣区域；
7、利用预先训练的细粒度分类模型对所述感兴趣区域进行处理，得到所述目标晶圆图像对应的最终缺陷类型。
8、优选地，所述二分类检测模型包括第一卷积层以及二分类检测层，所述利用预先训练的二分类检测模型对所述目标晶圆图像进行处理，包括：
9、通过所述第一卷积层对所述目标晶圆图像进行特征提取处理，得到第一特征图；
10、通过所述二分类检测层对所述第一特征图进行二分类及检测处理，得到所述目标晶圆图像对应的所述初始缺陷检测结果。
11、优选地，所述第一卷积层为深度学习卷积神经网络；
12、所述二分类检测层基于nms算法对所述第一特征图进行二分类并回归所述缺陷检测框。
13、优选地，所述细粒度分类模型包括第二卷积层以及全连接层，所述利用预先训练的细粒度分类模型对所述感兴趣区域进行处理，包括：
14、通过所述第二卷积层对所述感兴趣区域进行特征提取处理，得到第二特征图；
15、通过所述全连接层对所述第二特征图进行处理，得到所述目标晶圆图像对应的最终缺陷类型。
16、优选地，所述最终缺陷类型为以下缺陷类型中的一种：图案颗粒类缺陷、背景颗粒类缺陷、图案脏污类缺陷、背景脏污类缺陷、划痕类缺陷、缺失类缺陷、无缺陷。
17、优选地，所述二分类检测模型的训练过程如下：
18、获取第一样本集，所述第一样本集包括若干样本晶圆图像，所述样本晶圆图像标注有缺陷标注框以及二分类标签，所述二分类标签包括污染类缺陷标签和缺失类缺陷标签中的一种；
19、将所述样本晶圆图像输入所述二分类检测模型进行处理，得到所述样本晶圆图像对应的所述初始缺陷检测结果；
20、基于所述样本晶圆图像的所述初始缺陷检测结果、以及所述样本晶圆图像的缺陷标注框以及二分类标签，对所述二分类检测模型进行迭代训练。
21、优选地，所述细粒度分类模型的训练过程如下：
22、获取所述样本图像标注的细粒度分类标签、以及所述样本晶圆图像经所述二分类检测模型处理后得到的缺陷检测框；
23、以所述样本晶圆图像的缺陷检测框为参考，截取所述样本晶圆图像中的感兴趣区域；
24、将所述感兴趣区域输入所述细粒度分类模型进行处理，得到所述样本晶圆图像对应的最终缺陷类型；
25、基于所述样本晶圆图像对应的最终缺陷类型、以及所述样本晶圆图像的细粒度分类标签，对所述细粒度分类模型进行迭代训练。
26、第二方面，本专利技术提供一种晶圆缺陷检测系统，包括：
27、目标图像获取模块，用于获取目标晶圆图像；
28、粗分类检测模块，用于利用预先训练的二分类检测模型对所述目标晶圆图像进行处理，得到所述目标晶圆图像对应的初始缺陷检测结果，其中，所述初始缺陷检测结果包括初始缺陷类型、缺陷检测框以及置信度，且所述初始缺陷类型包括污染类缺陷和缺失类缺陷中的一种；
29、roi截取模块，用于当所述置信度小于预设的置信度阈值时，以所述缺陷检测框为参考截取所述目标晶圆图像中的感兴趣区域；
30、细分类模块，用于利用预先训练的细粒度分类模型对所述感兴趣区域进行处理，得到所述目标晶圆图像对应的最终缺陷类型。
31、第三方面，本专利技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如前所述的晶圆缺陷检测方法的步骤。
32、第四方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如前所述的晶圆缺陷检测方法的步骤。
33、通过采用上述技术方案，本专利技术相对现有技术具有以下有益效果：
34、本专利技术在第一阶段利用粗粒度的二分类检测模型将目标晶圆图像粗略地分为污染类缺陷和缺失类缺陷，并得到目标缺陷位置缺陷检测框；在第二阶段以目标缺陷位置缺陷检测框为参考，截取目标晶圆图像中的感兴趣区域，并利用细粒度分类模型对感兴趣区域进行处理，将目标晶圆图像细分为对应的最终缺陷类型，从而能够得到细粒度的分类。同时，由于第一阶段采用的是粗粒度的二分类检测模型，在模型训练过程中，即使样本晶圆图案各不相同，也无需大量标注数据(后续细粒度分类模型无需进一步提取缺陷检测框，因而在训练细粒度分类模型时也无需标注缺陷标注框)，就能保证良好的泛化性，通用性强，适应不同材质、图案的晶圆；此外，在缺陷类型数量极其不平衡时，比较常规的深度学习检测路线会因标签少而泛化能力下降，而本专利技术依然能够保持较好的检测能力。
本文档来自技高网...【技术保护点】
1.一种晶圆缺陷检测方法，其特征在于，包括：
2.如权利要求1所述的晶圆缺陷检测方法，其特征在于，所述二分类检测模型包括第一卷积层以及二分类检测层，所述利用预先训练的二分类检测模型对所述目标晶圆图像进行处理，包括：
3.如权利要求2所述的晶圆缺陷检测方法，其特征在于，所述第一卷积层为深度学习卷积神经网络；
4.如权利要求1所述的晶圆缺陷检测方法，其特征在于，所述细粒度分类模型包括第二卷积层以及全连接层，所述利用预先训练的细粒度分类模型对所述感兴趣区域进行处理，包括：
5.如权利要求4所述的晶圆缺陷检测方法，其特征在于，所述最终缺陷类型为以下缺陷类型中的一种：图案颗粒类缺陷、背景颗粒类缺陷、图案脏污类缺陷、背景脏污类缺陷、划痕类缺陷、缺失类缺陷、无缺陷。
6.如权利要求1所述的晶圆缺陷检测方法，其特征在于，所述二分类检测模型的训练过程如下：
7.如权利要求1所述的晶圆缺陷检测方法，其特征在于，所述细粒度分类模型的训练过程如下：
8.一种晶圆缺陷检测系统，其特征在于，包括：
9.一种电子设
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的晶圆缺陷检测方法的步骤。
...【技术特征摘要】
1.一种晶圆缺陷检测方法，其特征在于，包括：
2.如权利要求1所述的晶圆缺陷检测方法，其特征在于，所述二分类检测模型包括第一卷积层以及二分类检测层，所述利用预先训练的二分类检测模型对所述目标晶圆图像进行处理，包括：
3.如权利要求2所述的晶圆缺陷检测方法，其特征在于，所述第一卷积层为深度学习卷积神经网络；
4.如权利要求1所述的晶圆缺陷检测方法，其特征在于，所述细粒度分类模型包括第二卷积层以及全连接层，所述利用预先训练的细粒度分类模型对所述感兴趣区域进行处理，包括：
5.如权利要求4所述的晶圆缺陷检测方法，其特征在于，所述最终缺陷类型为以下缺陷类型中的一种：图案颗粒类缺陷、背景颗粒类缺陷、图案脏污类缺陷、背景...
【专利技术属性】
技术研发人员：张奇，任鲁西，
申请(专利权)人：魅杰光电科技上海有限公司，
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。