【技术实现步骤摘要】
本专利技术涉及深度学习，特别是涉及一种晶圆缺陷检测模型的训练方法以及系统。
技术介绍
1、晶圆缺陷检测是半导体制程中的关键一步，且随着深度学习技术的不断发展，利用深度学习模型对晶圆缺陷进行检测也逐渐成为大趋势。
2、然而，现有的晶圆缺陷检测模型在使用之前，需要对其输入大量有标注的晶圆缺陷数据，以完成对晶圆缺陷检测模型的训练，导致训练前的工作量大，降低了晶圆缺陷检测模型的训练效率，且当训练样本数量不够时，会降低晶圆缺陷检测模型的缺陷检测精度。因此，存在待改进之处。
技术实现思路
1、鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种晶圆缺陷检测模型的训练方法以及系统，改善了晶圆缺陷检测模型训练效率低的问题。
2、为解决上述技术问题，本专利技术是通过以下技术方案实现的：
3、本专利技术提供一种晶圆缺陷检测模型的训练方法以及系统，包括：
4、获取训练样本集，所述训练样本集包括有标签缺陷数据集和无标签缺陷数据集；
5、对初始残差网络模型进行初始化处理，生成多任务检测网络模型，其中，所述多任务检测网络模型包括学生网络模型和教师网络模型；
6、将所述有标签缺陷数据集输入所述学生网络模型中进行多任务特征预测处理，生成第一预测特征数据集；
7、对所述有标签缺陷数据集和所述第一预测特征数据集进行多任务有监督损失处理，生成有监督损失权重；
8、将所述无标签缺陷数据集分别输入所述教师网络模型和所述学生网
9、根据所述有监督损失权重和所述一致性损失权重对所述学生网络模型进行迭代优化处理，生成目标晶圆缺陷检测模型。
10、在本专利技术一实施例中，所述获取训练样本集，所述训练样本集包括有标签缺陷数据集和无标签缺陷数据集的步骤包括：
11、获取无标签缺陷数据集；以及
12、对所述无标签缺陷数据集进行部分标签标注处理，生成有标签缺陷数据集，所述有标签缺陷数据集和所述无标签缺陷数据集构成训练样本集。
13、在本专利技术一实施例中，所述将所述有标签缺陷数据集输入所述学生网络模型中进行多任务特征预测处理，生成第一预测特征数据集的步骤包括：
14、将所述有标签缺陷数据集输入所述学生网络模型中进行特征提取处理，生成初始缺陷特征数据集，所述初始缺陷特征数据集包括浅层缺陷特征数据集、中层缺陷特征数据集和高层缺陷特征数据集；
15、对所述浅层缺陷特征数据集和所述高层缺陷特征数据集进行特征融合处理，生成轮廓预测特征数据集；
16、对所述高层缺陷特征数据集进行像素距离预测处理，生成距离预测特征数据集；
17、将所述高层缺陷特征数据集融合进入对应的所述中层缺陷特征数据集中，生成分割预测特征数据集；以及
18、对所述轮廓预测特征数据集、所述距离预测特征数据集和所述分割预测特征数据集进行融合取均值处理，生成第一预测特征数据集。
19、在本专利技术一实施例中，所述对所述浅层缺陷特征数据集和所述高层缺陷特征数据集进行特征融合处理，生成轮廓预测特征数据集的步骤包括：
20、对所述浅层缺陷特征数据集和所述高层缺陷特征数据集进行采样处理，生成第一融合特征数据集；
21、对所述第一融合特征数据集进行单通道卷积处理，生成多个单通道特征数据；以及
22、对多个所述单通道特征数据进行激活函数处理，生成轮廓预测特征数据集。
23、在本专利技术一实施例中，所述将所述高层缺陷特征数据集融合进入对应的所述中层缺陷特征数据集中，生成分割预测特征数据集的步骤包括：
24、根据所述中层缺陷特征数据集对所述高层缺陷特征数据集进行多次上采样处理，生成第二融合特征数据集；
25、对所述第二融合特征数据集进行多通道卷积处理，生成多个多通道特征数据；以及
26、对多个所述多通道特征数据进行激活函数处理，生成分割预测特征数据集。
27、在本专利技术一实施例中，对所述有标签缺陷数据集和所述第一预测特征数据集进行多任务有监督损失处理，生成有监督损失权重的步骤包括：
28、对所述有标签缺陷数据集进行真值检测处理，生成有标签缺陷真值数据集，所述有标签缺陷真值数据集包括多个缺陷分割真值、多个缺陷轮廓真值和多个缺陷距离真值；以及
29、对所述有标签缺陷真值数据集和对应的所述第一预测特征数据集进行二值交叉损失函数处理，生成有监督损失权重。
30、在本专利技术一实施例中，所述对所述有标签缺陷数据集进行真值检测处理，生成有标签缺陷真值数据集的步骤包括：
31、对所述有标签缺陷数据集进行掩膜分割处理，生成分割掩膜数据集，并将分割掩膜数据定义为缺陷分割真值；
32、对所述分割掩膜数据集进行边缘检测处理，生成多个缺陷轮廓真值；以及
33、对所述分割掩膜数据集进行像素距离检测处理，生成多个缺陷距离真值。
34、在本专利技术一实施例中，所述将所述无标签缺陷数据集分别输入所述教师网络模型和所述学生网络模型中进行多任务一致性损失处理，生成一致性损失权重的步骤包括：
35、将所述无标签缺陷数据集输入所述教师网络模型中进行真值检测处理，生成无标签缺陷真值数据集；
36、将所述无标签缺陷数据集输入所述学生网络模型中进行多任务特征预测处理，生成第二预测特征数据集；以及
37、对所述无标签缺陷真值数据集和对应的所述第二预测特征数据集进行均方差处理，生成一致性损失权重。
38、在本专利技术一实施例中，所述根据所述有监督损失权重和所述一致性损失权重对所述学生网络模型进行迭代优化处理，生成目标晶圆缺陷检测模型的步骤包括：
39、对所述有监督损失权重和所述一致性损失权重进行高斯优化处理，生成网络总损失权重；以及
40、根据所述网络总损失权重对所述学生网络模型进行迭代优化处理，生成目标晶圆缺陷检测模型。
41、本专利技术还提供一种晶圆缺陷检测模型的训练系统，所述系统包括：
42、数据获取模块，用以获取训练样本集，所述训练样本集包括有标签缺陷数据集和无标签缺陷数据集；
43、模型初始化模块，用以对初始残差网络模型进行初始化处理，生成多任务检测网络模型，其中，所述多任务检测网络模型包括学生网络模型和教师网络模型；
44、特征预测模块，用以将所述有标签缺陷数据集输入所述学生网络模型中进行多任务特征预测处理，生成第一预测特征数据集；
45、有监督损失处理模块，用以对所述有标签缺陷数据集和所述第一预测特征数据集进行多任务有监督损失处理，生成有监督损失权重；
46、一致性损失处理模块，用以将所述无标签缺陷数据集分别输入所述教师网络模型和所述学生网络模型中进行多任务一致性损失处理，生成一致性损失权重；以及
4本文档来自技高网...
【技术保护点】
1.一种晶圆缺陷检测模型的训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的晶圆缺陷检测模型的训练方法，其特征在于，所述获取训练样本集，所述训练样本集包括有标签缺陷数据集和无标签缺陷数据集的步骤包括：
3.根据权利要求1所述的晶圆缺陷检测模型的训练方法，其特征在于，所述将所述有标签缺陷数据集输入所述学生网络模型中进行多任务特征预测处理，生成第一预测特征数据集的步骤包括：
4.根据权利要求3所述的晶圆缺陷检测模型的训练方法，其特征在于，所述对所述浅层缺陷特征数据集和所述高层缺陷特征数据集进行特征融合处理，生成轮廓预测特征数据集的步骤包括：
5.根据权利要求3所述的晶圆缺陷检测模型的训练方法，其特征在于，所述将所述高层缺陷特征数据集融合进入对应的所述中层缺陷特征数据集中，生成分割预测特征数据集的步骤包括：
6.根据权利要求1所述的晶圆缺陷检测模型的训练方法，其特征在于，对所述有标签缺陷数据集和所述第一预测特征数据集进行多任务有监督损失处理，生成有监督损失权重的步骤包括：
7.根据权利要求6所述的晶
8.根据权利要求1所述的晶圆缺陷检测模型的训练方法，其特征在于，所述将所述无标签缺陷数据集分别输入所述教师网络模型和所述学生网络模型中进行多任务一致性损失处理，生成一致性损失权重的步骤包括：
9.根据权利要求1所述的晶圆缺陷检测模型的训练方法，其特征在于，所述根据所述有监督损失权重和所述一致性损失权重对所述学生网络模型进行迭代优化处理，生成目标晶圆缺陷检测模型的步骤包括：
10.一种晶圆缺陷检测模型的训练系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种晶圆缺陷检测模型的训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的晶圆缺陷检测模型的训练方法，其特征在于，所述获取训练样本集，所述训练样本集包括有标签缺陷数据集和无标签缺陷数据集的步骤包括：
3.根据权利要求1所述的晶圆缺陷检测模型的训练方法，其特征在于，所述将所述有标签缺陷数据集输入所述学生网络模型中进行多任务特征预测处理，生成第一预测特征数据集的步骤包括：
4.根据权利要求3所述的晶圆缺陷检测模型的训练方法，其特征在于，所述对所述浅层缺陷特征数据集和所述高层缺陷特征数据集进行特征融合处理，生成轮廓预测特征数据集的步骤包括：
5.根据权利要求3所述的晶圆缺陷检测模型的训练方法，其特征在于，所述将所述高层缺陷特征数据集融合进入对应的所述中层缺陷特征数据集中，生成分割预测特征数据集的步骤包括：
6.根据...
【专利技术属性】
技术研发人员：张潇，徐东东，胡周，陈健，
申请(专利权)人：合肥晶合集成电路股份有限公司，
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。