一种少样本环境下的半导体芯片缺陷分割方法技术

本发明专利技术公开了一种少样本环境下的半导体芯片缺陷分割方法，该方法首次提出了基于少样本学习的交互式分割网络。在该网络中，通过深度残差网络提取图像的各种特征以及先验掩膜信息。前景语义重构模块引入对比损失，压缩背景中的已知类和潜在类，提取出查询图像的前景匹配区域。背景信息更新模块则用于提取并更新图像的背景信息，以便精确识别图像的背景区域。通过知识迁移，该交互式分割网络能够在训练样本稀缺的情况下进行准确的半导体芯片缺陷识别分割，这在工业场景中，特别是在缺乏密集标注样本的情况下，具有重要应用价值。

【技术实现步骤摘要】

本专利技术涉及深度学习和语义分割，具体涉及一种少样本环境下的半导体芯片缺陷分割方法。

技术介绍

1、半导体芯片是电路芯片，将一定数量的半导体元器件封装在不同材料的载体中，如陶瓷、塑料、玻璃或金属，以实现特定功能。在制造和封装芯片的过程中，表面缺陷不可避免地出现，这些缺陷会降低或损害半导体元器件和集成电路的性能。因此，在半导体芯片封装制造的后续生产工序中，芯片表面的质量检测至关重要。

2、随着对半导体芯片的需求不断增加和质量标准的提高，传统的人工目视检测方法已经难以满足高速、高精度的检测需求，因为它们效率低、精度低、成本高、劳动强度大，而且标准不统一。因此，机器视觉技术逐渐成为半导体芯片缺陷检测的主要方法，因为它高效、精确、可靠、无接触且客观。传统的机器视觉检测方法基于人工设计的特征选择和模式识别算法的组合，但由于光照等因素影响，芯片表面图像常常存在问题，如缺陷与背景差异不明显、对比度低和噪声影响等。此外，由于缺陷种类繁多且缺乏足够的样本数量，传统机器视觉方法难以实现良好的检测结果。近年来，深度学习模型，特别是深度卷积神经网络，在光学检测领域发挥本文档来自技高网...

【技术保护点】

1.一种少样本环境下的半导体芯片缺陷分割方法，其特征在于，所述半导体芯片缺陷分割方法包括以下步骤：

2.根据权利要求1所述的一种少样本环境下的半导体芯片缺陷分割方法，其特征在于，所述步骤S1中构建支持查询样本对的过程如下：

3.根据权利要求1所述的一种少样本环境下的半导体芯片缺陷分割方法，其特征在于，所述步骤S2中搭建交互式分割网络的过程如下：

4.根据权利要求3所述的一种少样本环境下的半导体芯片缺陷分割方法，其特征在于，所述半导体芯片缺陷分割方法还包括交互式分割网络的训练，训练过程中采用损失函数loss包括最终的预测分割损失函数Lfinal、多层解码...

【技术特征摘要】

1.一种少样本环境下的半导体芯片缺陷分割方法，其特征在于，所述半导体芯片缺陷分割方法包括以下步骤：

2.根据权利要求1所述的一种少样本环境下的半导体芯片缺陷分割方法，其特征在于，所述步骤s1中构建支持查询样本对的过程如下：

3.根据权利要求1所述的一种少样本环境下的半导体芯片缺陷分割方法，其特征在于，所述步骤s2中搭建交互式分割网络的过程如下：

4.根据权利要求3所述的一种少样本环境下的半导体芯片缺陷分割方法，其特征在于，所述半导体芯片缺陷分割方法还包括交互式分割网络的训练，...

【专利技术属性】
技术研发人员：陈子维，刘屿，哀薇，黎曦琦，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：