一种基于AI识别算法的自适应晶圆读码方法技术

本发明专利技术涉及晶圆编码识别技术领域，尤其涉及一种基于AI识别算法的自适应晶圆读码方法，本发明专利技术包括设置灯光调节策略，收集并分析当前工作环境下图像及参数，利用补光器调节读码区域亮度；采集图像构建样本库，将采集到的图像分割成亚区域，采用滤波策略对图像亚区域进行处理；将处理后的亚区域进行选择，选择出带有晶圆ID编码信息的亚区域；构建基于LeNet－5网络的晶圆ID编码识别和提取策略；用样本库样本对LeNet－5网络的训练；将处理好的亚区域图像放入训练好的网络中进行ID提取识别。解决了规格不统一编码晶圆ID在阴雨天、黑夜、强光等复杂环境中识别困难的问题。杂环境中识别困难的问题。杂环境中识别困难的问题。

【技术实现步骤摘要】
一种基于AI识别算法的自适应晶圆读码方法


[0001]本专利技术涉及晶圆编码识别
，尤其涉及一种基于
AI
识别算法的自适应晶圆读码方法
。

技术介绍

[0002]随着竞争激烈的全球半导体行业对日益复杂的工艺流程提出更为严格的控制要求，为了保证封装与生产的工艺管控
、
追溯以及防伪需求，生产的晶圆上都会打上编码进行追溯
。
在制造流程中，需要通过机械手等搬运设备，将晶圆在这些加工设备之间进行搬运
。
为了实现晶圆的流向追踪，以及记录晶圆的相关信息
(
如测试结果等
)
，需要识别晶圆
ID。
目前，晶圆
ID
读取设备市场主要集中在国外相关设备厂商如康耐视
、IOSS GMbH、R2D Automation
等，进口晶圆读码器一方面价格居高不下，售后服务体系不够完善，无法实现
24
小时及时响应
。
另一方面，国内部分晶圆制造商，编码规则不够规范，存在字体偏小
、
位置有偏差等问题，国外相关晶圆读码器在编码识别率上存在一定不足
。
规格不统一的晶圆
ID
在复杂环境中的识别都存在较大问题，读码器随着生产制造的需求，其重要性日益凸显
。
[0003]现有授权公告号为
CN217426129U
的中国专利公开了一种晶圆
ID
全自动识别设备，包括：底座，其顶部开始的凹槽内壁底部贴合设置有转盘，所述转盘上表面贴合设置有晶圆本体，且晶圆本体的上表面边缘处刻印有二维码本体用于储存信息；还包括：透光环，其内侧固定安装在所述转盘的侧壁顶部，两者同轴设置，所述透光环的外侧固定套设有同轴设置的环板，且透光环的上表面与所述晶圆本体贴合设置，并且环板的内外两侧分别贴合设置有所述晶圆本体和底座；安装支架，其底部垂直连接在所述底座的顶部边缘处
。
[0004]现有公开号为
CN112200182A
的中国专利公开了一种基于深度学习的晶圆
ID
识别方法和装置
。
该晶圆
ID
识别方法包括：获取待识别的晶圆
ID
图像；利用光学文字识别循环卷积神经网络模型，从待识别的晶圆
ID
图像中获得晶圆
ID。
其中，光学文字识别循环卷积神经网络包括
Mobilenet bottleneck
卷积模块
。
本专利技术的技术方案利用包括
Mobilenet bottleneck
卷积模块的循环卷积神经网络模型，实现了对任意长度的晶圆
ID
字符的快速且准确的识别
。
以上专利都存在
技术介绍
提出的问题：规格不统一的晶圆
ID
在复杂环境中的识别都存在较大问题
。

技术实现思路

[0005]为了解决规格不统一编码晶圆
ID
在复杂环境中识别困难问题，本专利技术采取的技术方案为，一种基于
AI
识别算法的自适应晶圆读码方法，具体实现步骤包括：
[0006]S1、
设置灯光调节策略，收集并分析当前工作环境下参数，利用补光器调节读码区域亮度，所述工作环境参数包括光照强度
、
湿度；
[0007]S2、
采集图像构建样本库，将采集到的图像分割成亚区域，采用滤波策略对图像亚区域进行处理；
[0008]S3、
将处理后的亚区域进行选择，选择出带有晶圆
ID
编码信息的亚区域；
[0009]S4、
构建基于
LeNet
－5网络的晶圆
ID
编码提取和识别模型；
[0010]S5、
用样本库样本对模型进行训练；
[0011]S6、
处理好的亚区域图像放入训练好的网络中进行
ID
编码提取识别
。
[0012]作为优选的技术方案，所述
S1
中灯光调节策略具体包括以下步骤：
[0013]S101、
搭建卷积神经网络模型；
[0014]S102、
将收集的光照强度
、
湿度导入到卷积神经网络模型中训练，使用的卷积核进行特征提取；
[0015]S103、
将提取到的特征通过池化层进行降采样，采用
RELU
函数作为激活函数，连接卷积层和池化层；
[0016]S104、
利用提取到的特征信息进行补光器亮度调节分配
。
[0017]作为优选的技术方案，所述
S1
中补光器的具体调节方法包括，根据环境的亮度提供不同程度的亮度补充，根据不同类型环境提供不同光照种类，光照种类包括白光和蓝光两种，两种不同颜色的灯间错安装在补光器上
。
[0018]作为优选的技术方案，所述采集图像构建样本库，将采集到的图像分割成亚区域具体包括以下步骤：
[0019]S201、
开启相机，获取晶圆
ID
编码区域图像；
[0020]S202、
将所获取的图像分割成亚区域，并针对亚区域进行分析和处理；
[0021]S203、
使用
Otsu
阈值分割策略确定图像分割阈值；
[0022]S204、
采用滤波策略对分割好的亚区域进行处理
。
[0023]作为优选的技术方案，所述使用
Otsu
阈值分割算法确定阈值包括以下步骤：
[0024]S301、
将采集的图像定义为，将转化为灰度图像；
[0025]S302、
设灰度图像的像素大小为，灰度级大小为
,
灰度级区间为；
[0026]S303、
设灰度图像中灰度级为的所有像素个数为，灰度级为
i
的像素点出现的概率为其中
,
且；
[0027]S304、
将灰度图像中的像素按灰度级用图像分割阈值划分为背景灰度级和目标灰度级；其中，背景灰度级所属区间为，目标灰度级所属区间为，背景和目标对应的像素分别为和；
[0028]S305、
分别计算背景出现的概率以及目标出现的概率，计算公式分别如下：
[0029]；
[0030]；
[0031]分别计算背景平均灰度值以及目标平均灰度值，计算公式分
别如下：
[0032]；
[0033]；
[0034]计算背景以及目标类间方差
,
计算公式如下：
[0035]；
[0036]其中为灰度图像的总灰度值；
[0037]S306、...

【技术保护点】

【技术特征摘要】
1.
一种基于
AI
识别算法的自适应晶圆读码方法，其特征在于，包括下述步骤：
S1、
设置灯光调节策略，收集并分析当前工作环境下参数，利用补光器调节读码区域亮度，所述工作环境的参数包括光照强度
、
湿度；
S2、
采集图像构建样本库，将采集到的图像分割成亚区域，采用滤波策略对图像亚区域进行处理；
S3、
将处理后的亚区域进行选择，选择出带有晶圆
ID
编码信息的亚区域；
S4、
构建基于
LeNet
－5网络的晶圆
ID
编码提取和识别模型；
S5、
用样本库样本对模型进行训练；
S6、
处理好的亚区域图像放入训练好的网络中进行
ID
编码提取识别
。2.
根据权利要求1所述的一种基于
AI
识别算法的自适应晶圆读码方法，其特征在于，所述
S1
中灯光调节策略具体包括以下步骤：
S101、
搭建卷积神经网络模型；
S102、
将收集的光照强度
、
湿度导入到卷积神经网络模型中训练，使用的卷积核进行特征提取；
S103、
将提取到的特征通过池化层进行降采样，采用
RELU
函数作为激活函数，连接卷积层和池化层；
S104、
利用提取到的特征信息进行补光器亮度调节分配
。3.
根据权利要求2所述的一种基于
AI
识别算法的自适应晶圆读码方法，其特征在于，所述
S1
中补光器的具体调节方法包括，根据环境的亮度提供不同程度的亮度补充，根据不同类型环境提供不同光照种类，光照种类包括白光和蓝光两种，两种不同颜色的灯间错安装在补光器上
。4.
所述根据权利要求1所述的一种基于
AI
识别算法的自适应晶圆读码方法，其特征在于，所述采集图像构建样本库，将采集到的图像分割成亚区域具体包括以下步骤：
S201、
开启相机，获取晶圆
ID
编码区域图像；
S202、
将所获取的图像分割成亚区域，并针对亚区域进行分析和处理；
S203、
使用
Otsu
阈值分割策略确定图像分割阈值；
S204、
采用滤波策略对分割好的亚区域进行处理
。5.
根据权利要求4所述的一种基于
AI
识别算法的自适应晶圆读码方法，其特征在于，所述使用
Otsu
阈值分割算法确定图像分割最优阈值包括以下步骤：
S301、
将采集的图像定义为，将转化为灰度图像；
S302、
设灰度图像的像素大小为，灰度级大小为
,
灰度级区间为；
S303、
设灰度图像中灰度级为的所有像素个数为，灰度级为的像素点出现的概率为其中
,
且；
S304、
将灰度图像中的像素按灰度级用图像分割阈值划分为背景灰度级和目标灰度级；其中，背景灰度级所属区间为，目标灰度级所属区间
为，背景和目标对应的像素分别为和；
S305、
分别计算背景出现的概率以及目标出现的概率，计算公式分别如下：；；分别计算背景平均灰度值以及目标平均灰度值，计算公式分别如下：；；计算背景以及目标类间方差
,
计算公式如下：；其中为灰度图像的总灰度值；
S306、
令的取值从变化，计算不同的值下的类间方差，最优阈值为当最大时的取值
。6.
根据权利要求5所述的一种基于
AI
识别算法的自适应晶圆读码方法，其特征在于，所述对每个亚...

【专利技术属性】
技术研发人员：林坚，王彭，吴国明，王栋梁，
申请(专利权)人：泓浒苏州半导体科技有限公司，
类型：发明
国别省市：