【技术实现步骤摘要】
本专利技术涉及半导体器件检测，尤其涉及基于多尺度轻量化网络的半导体检测方法及装置。
技术介绍
1、随着科技的飞速发展，半导体行业的需求持续增长，芯片制造技术不断向高密度和多层级方向推进。在这一背景下，芯片内部元器件呈现出占像素区域小、长宽比大且数量众多的特点。传统的半导体器件检测主要依赖人工视觉检查，这种方法效率低下、主观性强且容易出错，因此亟须开发更高效、更精确的自动检测方法。
2、深度学习技术的应用为半导体器件检测带来了新的可能性。yolo算法作为轻量型目标检测代表性算法，适合在基于ml的sem图像进行自动检测和分类的任务中，该模型无锚点单阶段架构使其更适合不同半导体的不同层的sem图像数据集中进行训练。其中，yolov8通过其高效的网络结构和无锚设计，并结合mosaic数据增强技术，在各种复杂场景下均有着出色表现。yolov8模型主要优化在主干部分和颈部中都使用c2f模块替换yolov5的c3模块，使模型具有更强的特征提取能力和融合来自主干的不同层次特征，确保模型能够充分利用多尺度信息，同时显著提升了推理速度。同时解耦...
【技术保护点】
1.基于多尺度轻量化网络的半导体检测方法，其特征在于：方法包括：
2.根据权利要求1所述的基于多尺度轻量化网络的半导体检测方法，其特征在于：将YOLOv8模型中BackBone网络中第7层、第9层C2f模块替换为MSEC模块，或者将YOLOv8模型中Neck网络中第13层、第19层、第22层C2f模块替换为MSEC模块，或者将BackBone网络中第7层、第9层C2f模块以及Neck网络中第13层、第19层、第22层C2f模块均替换为MSEC模块。
3.根据权利要求1或2所述的基于多尺度轻量化网络的半导体检测方法，其特征在于：所述MSEC模块的...
【技术特征摘要】
1.基于多尺度轻量化网络的半导体检测方法，其特征在于：方法包括：
2.根据权利要求1所述的基于多尺度轻量化网络的半导体检测方法，其特征在于：将yolov8模型中backbone网络中第7层、第9层c2f模块替换为msec模块，或者将yolov8模型中neck网络中第13层、第19层、第22层c2f模块替换为msec模块，或者将backbone网络中第7层、第9层c2f模块以及neck网络中第13层、第19层、第22层c2f模块均替换为msec模块。
3.根据权利要求1或2所述的基于多尺度轻量化网络的半导体检测方法，其特征在于：所述msec模块的输入特征输入spilt层进行划分得到第一特征、第二特征，第一特征输入第一channel rearrange层进行重新排列得到第三特征、第四特征，第三特征输入3×3conv层得到第五特征，第四特征输入5×5conv层得到第六特征，第五特征和第六特征输入第二channel rearrange层得到第七特征，第二特征和第七特征输入拼接层得到第八特征，第八特征输入1×1conv层进行通道融合得到msec模块的输出特征。
4.根据权利要求1所述的基于多尺度轻量化网络的半导体检测方法，其特征在于：所述daem模块的输入特征输入channel recalibrate层进行通道权重重校准，得到自校准后的特征图，自校准后的特征图分别输入spilt层、卷积层，经卷积层降维后的特征图分别输入local attention层、global attention层，经local attention层从空间维度捕捉图像特征得到空间特征，经global attention层从深度维度捕捉图像特征得到深度特征，将空间特征和深度特征输入sigmoid激活函数生成局部和全局的权重因子，按权重因子对spilt层的输出特征进行特征融合得到daem模块的输出特征。
5.根据权利要求4所述的基于多尺度轻量化网络的半导体检测方法，其特征在于：所述channel recalibrate层包括adaptiveavgpool2d层、第一conv层、第二conv层，对daem模块的输入特征进行维度扩展得到通道数倍增后的特征图，通道数倍增后的特征图输入adaptiveavgpool2d层中，在空间维度上进行全局平均池化，提取每个通道的全局上下文信息，adaptiveavgpool2d层的输出特征输入第一conv层进行降维，降维后的特征输入第二conv层进行特征映射得到维度扩展的特征，维度扩展的特征通过sigmoid激活函数生成通道级动态权重，基于通道级动态权重对通道数倍增后的特征图进行自校正，将自校...
【专利技术属性】
技术研发人员：束敏，
申请(专利权)人：中国科学技术大学先进技术研究院，
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。