【技术实现步骤摘要】
本申请涉及人工智能，具体而言，涉及一种芯片表面缺陷检测方法及设备。
技术介绍
1、微电子芯片是许多电子设备中的关键组成部分，它们的质量直接影响到设备的性能。因此，检测微电子芯片的表面缺陷以保证其质量非常重要。然而，传统的手动或半自动化检测方法通常耗时较长，效率低下，并且可能受到人为因素的影响，导致检测结果的不准确。
2、近年来，深度学习作为一种强大的机器学习技术，在图像识别和处理等领域取得了显著的成功。因此，人们开始尝试利用深度学习模型来进行微电子芯片的表面缺陷检测。然而，如何设计一个有效的深度学习模型，能够准确地识别和定位微电子芯片表面的各种复杂缺陷，仍然是一个具有挑战性的问题。
技术实现思路
1、为了改善上述问题，本申请提供了一种芯片表面缺陷检测方法及设备。
2、第一方面，提供一种芯片表面缺陷检测方法，应用于ai检测服务设备，所述方法包括：
3、获取微电子芯片显微扫描图像训练样例和所述微电子芯片显微扫描图像训练样例的先验表面缺陷认证知识，所述先验表面缺陷认证知识用于反映所述微电子芯片显微扫描图像训练样例的目标表面缺陷；
4、通过表面缺陷检测网络中的图像描述表达挖掘分支对所述微电子芯片显微扫描图像训练样例进行图像描述表达挖掘处理，得到所述微电子芯片显微扫描图像训练样例的图像描述表达序列，所述图像描述表达序列中的图像描述表达与所述微电子芯片显微扫描图像训练样例的图像细节的视觉输出变量具有一对一匹配关系；
5、通过所述表面缺
6、依据所述先验表面缺陷认证知识与所述表面缺陷检测训练结果之间的区别，对所述表面缺陷检测网络进行调校。
7、在一些方案中，所述缺陷检测分支包括顶层缺陷检测分支和底层缺陷检测分支；所述通过所述表面缺陷检测网络中的缺陷检测分支对所述图像描述表达序列进行表面缺陷检测处理，得到表面缺陷检测训练结果，包括：
8、通过所述顶层缺陷检测分支对所述图像描述表达序列进行第一检测处理，得到所述图像描述表达序列中的顶层图像描述表达，所述顶层图像描述表达是与各个所述表面缺陷检测训练结果的第一缺陷区域对应的图像描述表达；
9、通过所述底层缺陷检测分支对所述图像描述表达序列进行第二检测处理，得到所述图像描述表达序列中的底层图像描述表达，所述底层图像描述表达是与各个所述表面缺陷检测训练结果的第二缺陷区域对应的图像描述表达；
10、依据所述顶层图像描述表达和所述底层图像描述表达确定所述表面缺陷检测训练结果。
11、在一些方案中，所述依据所述顶层图像描述表达和所述底层图像描述表达确定所述表面缺陷检测训练结果，包括：
12、确定位于第u个顶层图像描述表达之下的v个底层图像描述表达，所述u，v为正整数；
13、基于所述第u个顶层图像描述表达和所述v个底层图像描述表达之间的视觉输出变量得到所述表面缺陷检测训练结果。
14、在一些方案中，所述微电子芯片显微扫描图像训练样例包括微电子芯片显微扫描图像索引和图像细节；所述图像描述表达挖掘分支包括图像知识提炼组件和图像知识优化组件；
15、则所述通过所述表面缺陷检测网络中的图像描述表达挖掘分支对所述微电子芯片显微扫描图像训练样例进行图像描述表达挖掘处理，得到所述微电子芯片显微扫描图像训练样例的图像描述表达序列，包括：
16、获取设定检测任务特征；
17、基于所述设定检测任务特征、所述微电子芯片显微扫描图像索引和所述图像细节，得到芯片表面缺陷检测输入三元组；
18、通过所述表面缺陷检测网络中的所述图像知识提炼组件对所述芯片表面缺陷检测输入三元组进行图像知识提炼操作，得到所述微电子芯片显微扫描图像训练样例的图像知识变量集；
19、通过所述表面缺陷检测网络中的所述图像知识优化组件对所述图像知识变量集进行图像知识优化操作，得到所述微电子芯片显微扫描图像训练样例的所述图像描述表达序列。
20、在一些方案中，所述图像知识变量集包括视觉线性变量和热力线性变量，所述视觉线性变量用于反映所述微电子芯片显微扫描图像训练样例中的视觉输出变量，所述热力线性变量用于反映所述微电子芯片显微扫描图像训练样例中视觉输出变量的热力值；所述图像知识提炼组件包括热力图像知识提炼组件和视觉输出变量提炼组件；
21、则所述通过所述表面缺陷检测网络中的所述图像知识提炼组件对所述芯片表面缺陷检测输入三元组进行图像知识提炼操作，得到所述微电子芯片显微扫描图像训练样例的图像知识变量集，包括：
22、通过所述表面缺陷检测网络中的所述热力图像知识提炼组件对所述芯片表面缺陷检测输入三元组进行热力图像知识提炼操作，得到所述热力线性变量；
23、通过所述表面缺陷检测网络中的所述视觉输出变量提炼组件对所述芯片表面缺陷检测输入三元组进行视觉输出变量图像知识提炼操作，得到所述视觉线性变量。
24、在一些方案中，所述图像知识变量集还包括区域线性变量；所述图像知识提炼组件还包括区域图像特征挖掘核；
25、则所述通过所述表面缺陷检测网络中的所述图像描述表达挖掘分支对所述芯片表面缺陷检测输入三元组进行图像描述表达挖掘处理，得到所述微电子芯片显微扫描图像训练样例的图像知识变量集，包括：
26、为所述芯片表面缺陷检测输入三元组中的所述设定检测任务特征配置第一特征指数；
27、为所述芯片表面缺陷检测输入三元组中的所述微电子芯片显微扫描图像索引配置第二特征指数；
28、为所述芯片表面缺陷检测输入三元组中的所述图像细节配置第三特征指数；
29、其中，所述第一特征指数、所述第二特征指数和所述第三特征指数是不同的指数；
30、通过所述表面缺陷检测网络中的所述区域图像特征挖掘核对所述芯片表面缺陷检测输入三元组进行图像知识提炼操作，得到所述区域线性变量。
31、在一些方案中，所述图像知识变量集还包括分布线性变量，所述分布线性变量用于反映所述微电子芯片显微扫描图像训练样例中的视觉输出变量所对应的分布标签；
32、则所述通过所述表面缺陷检测网络中的所述图像知识提炼组件对所述芯片表面缺陷检测输入三元组进行图像知识提炼操作，得到所述微电子芯片显微扫描图像训练样例的图像知识变量集，包括：
33、通过所述表面缺陷检测网络中的视觉输出变量提炼组件对所述芯片表面缺陷检测输入三元组进行视觉输出变量图像知识提炼操作，得到所述分布线性变量。
34、在一些方案中，所述依据所述先验表面缺本文档来自技高网...
【技术保护点】
1.一种芯片表面缺陷检测方法，其特征在于，应用于AI检测服务设备，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述缺陷检测分支包括顶层缺陷检测分支和底层缺陷检测分支；所述通过所述表面缺陷检测网络中的缺陷检测分支对所述图像描述表达序列进行表面缺陷检测处理，得到表面缺陷检测训练结果，包括：
3.根据权利要求1所述的方法，其特征在于，所述微电子芯片显微扫描图像训练样例包括微电子芯片显微扫描图像索引和图像细节；所述图像描述表达挖掘分支包括图像知识提炼组件和图像知识优化组件；
4.根据权利要求3所述的方法，其特征在于，所述图像知识变量集包括视觉线性变量和热力线性变量，所述视觉线性变量用于反映所述微电子芯片显微扫描图像训练样例中的视觉输出变量，所述热力线性变量用于反映所述微电子芯片显微扫描图像训练样例中视觉输出变量的热力值；所述图像知识提炼组件包括热力图像知识提炼组件和视觉输出变量提炼组件；
5.根据权利要求3所述的方法，其特征在于，所述图像知识变量集还包括区域线性变量；所述图像知识提炼组件还包括区域图像特征挖掘核；
7.根据权利要求1所述的方法，其特征在于，所述依据所述先验表面缺陷认证知识与所述表面缺陷检测训练结果之间的区别，对所述表面缺陷检测网络进行调校，包括：
8.根据权利要求7所述的方法，其特征在于，所述边缘比对结果包括第一边缘比对结果，所述第一边缘比对结果用于反映所述表面缺陷检测训练结果的表面缺陷形状的训练质量评分；
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
10.一种AI检测服务设备，其特征在于，所述AI检测服务设备包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现权利要求1-9任一项所述的方法。
...【技术特征摘要】
1.一种芯片表面缺陷检测方法，其特征在于，应用于ai检测服务设备，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述缺陷检测分支包括顶层缺陷检测分支和底层缺陷检测分支；所述通过所述表面缺陷检测网络中的缺陷检测分支对所述图像描述表达序列进行表面缺陷检测处理，得到表面缺陷检测训练结果，包括：
3.根据权利要求1所述的方法，其特征在于，所述微电子芯片显微扫描图像训练样例包括微电子芯片显微扫描图像索引和图像细节；所述图像描述表达挖掘分支包括图像知识提炼组件和图像知识优化组件；
4.根据权利要求3所述的方法，其特征在于，所述图像知识变量集包括视觉线性变量和热力线性变量，所述视觉线性变量用于反映所述微电子芯片显微扫描图像训练样例中的视觉输出变量，所述热力线性变量用于反映所述微电子芯片显微扫描图像训练样例中视觉输出变量的热力值；所述图像知识提炼组件包括热力图像知识提炼组件和视觉输出变量提炼组件；
5.根据权利要求3所述的方法，其特征在于，...
【专利技术属性】
技术研发人员：陈炳贵，
申请(专利权)人：深圳龙芯半导体科技有限公司，
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。