【技术实现步骤摘要】
本专利技术属于集成电路制造领域，尤其涉及一种混合弱监督的晶圆sem缺陷分割方法和系统。
技术介绍
1、集成电路半导体制造工艺十分复杂，每个步骤都可能引起缺陷产生，通过仔细观察和分析这些缺陷，有助于发现根本原因，最终提高芯片成品的良率。传统方法，如基于规则、统计和形态算法的早期半导体缺陷检测，需要耗费大量人力资源，因为需要人工提取特征和确定规则。然而，近年来，随着深度学习技术的发展，半导体缺陷检测取得了显著进展。深度学习利用强大的神经网络学习能力，能够自动学习和提取特征，无需人工干预，从而提高了效率。
2、尽管现有的深度学习方法已经用于解决工业质量控制中的表面缺陷检测问题，然而目前深度学习方法严重依赖于广泛且完全标注的数据集，针对不同的问题都需要大量的数据和高精度的标签，这对深度学习模型的性能产生直接影响。然而，在晶圆sem图缺陷分割问题中，由于晶圆sem图像的保密性以及手动标注过程的繁重性，获取相应的数据集变得困难，使得全监督的深度学习方法在这一领域不切实际且无法持续。标记数据稀缺成为自动化晶圆sem缺陷分析进展的关键瓶颈。...
【技术保护点】
1.一种混合弱监督的晶圆SEM缺陷分割方法，其特征在于，包括：
2.根据权利要求1所述的混合弱监督的晶圆SEM缺陷分割方法，其特征在于，所述的分类标签用于表示晶圆SEM图像是否存在缺陷以及存在缺陷的类型，所述的分割标签用于表示晶圆SEM图像中的每个像素点是否属于缺陷。
3.根据权利要求1所述的混合弱监督的晶圆SEM缺陷分割方法，其特征在于，所述的ROI图像获取模块包括基于卷积结构的特征提取部分、以及分类部分，所述的特征提取部分用于生成输入的晶圆SEM图像的特征图，分类部分用于基于特征图预测晶圆SEM图像是否存在缺陷以及存在缺陷的类型；所述的晶圆...
【技术特征摘要】
1.一种混合弱监督的晶圆sem缺陷分割方法，其特征在于，包括：
2.根据权利要求1所述的混合弱监督的晶圆sem缺陷分割方法，其特征在于，所述的分类标签用于表示晶圆sem图像是否存在缺陷以及存在缺陷的类型，所述的分割标签用于表示晶圆sem图像中的每个像素点是否属于缺陷。
3.根据权利要求1所述的混合弱监督的晶圆sem缺陷分割方法，其特征在于，所述的roi图像获取模块包括基于卷积结构的特征提取部分、以及分类部分，所述的特征提取部分用于生成输入的晶圆sem图像的特征图，分类部分用于基于特征图预测晶圆sem图像是否存在缺陷以及存在缺陷的类型；所述的晶圆sem图像对应的roi图像是根据特征提取部分生成的特征图计算得到的，roi图像中的各像素点表示其对该图像所属类别的贡献值。
4.根据权利要求3所述的混合弱监督的晶圆sem缺陷分割方法，其特征在于，所述的roi图像的计算公式为：；其中，acti表示激活函数，c表示输入的晶圆sem图像对应的类别，fk表示特征提取部分生成的特征图中第k通道的特征映射，表示特征提取部分生成的特征图中第k个通道相对于c类的权值，表示特征映射的通道数，表示特征提取部分生成的特征图中各像素点对该图像所属类别的贡献值；将由各像素点对该图像所属类别的贡献值构成的图像...
【专利技术属性】
技术研发人员：陈一宁，乔驿博，高大为，陈鼎崴，卓成，孙奇，
申请(专利权)人：浙江大学，
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。