一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法及系统技术方案

本发明专利技术提供一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法，首先，获取待检测晶圆图像并进行预处理；接着，构建并训练轻量化多尺度晶圆缺陷检测模型；所述轻量化多尺度晶圆缺陷检测模型包括：用于初次晶圆图像特征提取的轻量化Stem‑Dense特征提取模块、在初次晶圆图像特征提取的基础上进行多尺度特征提取，并与初次晶圆图像特征融合的多尺度特征提取融合模块、用于再次特征提取的CNN特征提取模块和缺陷分类模块；最后，将步骤S1进行预处理后的待检测晶圆图像输入至训练好的轻量化多尺度晶圆缺陷检测模型，进行晶圆缺陷检测。本发明专利技术提高了晶圆缺陷检测的效率和对晶圆缺陷类型分类的准确率。

【技术实现步骤摘要】

本专利技术属于半导体检测的，更具体的涉及一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法及系统。

技术介绍

1、随着半导体制造技术的不断进步，半导体制造业对晶圆材料的需求越来越大，与此同时，对晶圆材料的质量要求也越来越高。晶圆的制作过程非常繁杂，晶圆生产过程中会出现各种缺陷问题，例如边缘缺陷、中心缺陷和随机缺陷等缺陷。晶圆表面缺陷会显著影响半导体芯片的良率和性能，因此，准确识别这些缺陷对于保障芯片生产质量至关重要。

2、传统的缺陷检测依赖工程师通过视觉检查分析图像中的缺陷。然而，这种人工方式在面对海量数据时效率低下，且易受主观因素影响，导致漏检或误判。而且，随着生产线的扩展，仅依靠人工检测已无法适应高效生产的需求，耗时耗力，且成本高昂。为了应对这些挑战，行业开始探索更高效的检测方法，以提高缺陷识别的准确率，并降低运营成本。

3、近年来，深度学习技术的兴起为晶圆缺陷检测提供了新的解决方案。基于卷积神经网络的缺陷检测模型能够自动学习图像中的复杂特征，并实现对多种缺陷类型的分类。现有缺陷检测模型，在传统的卷积神经网络中添加残差块以加本文档来自技高网...

【技术保护点】

1.一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法，其特征在于，步骤S1中，预处理的操作包括：滤波处理和图像数据增强。

3.根据权利要求1所述的一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法，其特征在于，所述的Stem-Dense特征提取模块包括第一Stem特征提取单元；

4.根据权利要求3所述的一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法，其特征在于，所述的Stem-Dense特征提取模块还包括第一Dense Bloc...

【技术特征摘要】

1.一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法，其特征在于，步骤s1中，预处理的操作包括：滤波处理和图像数据增强。

3.根据权利要求1所述的一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法，其特征在于，所述的stem-dense特征提取模块包括第一stem特征提取单元；

4.根据权利要求3所述的一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法，其特征在于，所述的stem-dense特征提取模块还包括第一dense block特征提取单元；

5.根据权利要求1所述的一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法，其特征在于，所述多尺度特征提取融合模块包括：依次连接的第一conv1-se单元、第二conv1-se单元、第三conv1-se单元和第一upsampling单元；依次连接的第四conv1-se单元、第五conv1-se单元和第二upsampling单元；依次连接的第六conv1-se单元和第三upsampling单元；第四upsampling单元；第一upsampling单元、第二upsampling单元、第三upsampling单元和第四upsampling单元的输出端均连接第三concatenate单元的输入端。

6.根据权利要求5所述的一种基于lmp-wdd-net模型的晶圆缺陷检测方法，其特征在于，所述第一conv1-se单...

【专利技术属性】
技术研发人员：迟荣华，任杰，吴腾，李红旭，张永宏，常建华，李晨，
申请(专利权)人：无锡学院，
类型：发明
国别省市：