System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及半导体制造过程晶圆缺陷检测领域,具体涉及基于特征融合的晶圆图缺陷模式识别分类算法研究。
技术介绍
1、半导体是电子信息产业的重要基础,随着半导体的发展,制造工艺复杂性也随之增加,半导体制造工艺上的问题导致了故障的发生。晶圆制造是半导体制造中一个重要的环节,半导体制造过程中会因为制造工艺产生晶圆缺陷,晶圆缺陷的比例影响着晶圆的生产良率。晶圆测试是晶圆制造的一个环节,集成电路根据电气参数进行测试,通过电路探针测试以评估晶圆上每一个芯片的好坏。将通过功能测试的晶粒、有缺陷晶粒、和没有晶粒的位置用不同颜色标记出来可以构成一定形状模式图案,即晶圆图,它反映出了晶圆制造过程中的潜在的异常问题。通过对晶圆图缺陷模式识别,以定位半导制造过程中存在的故障源,帮助工程师及时发现异常操作并进行调整,提高了晶圆生产效率和生产质量,避免因为出现大量缺陷造成损失。
2、传统的晶圆图检测方法是由有经验的半导体工程师通过视觉识别,通过分析晶圆图缺陷的大小、形状和位置等信息来识别缺陷模式,进而分析实际的缺陷原因。但是这种方法不仅成本高、耗时耗力,而且精度低。随着硬件和算法的进步,将浅层机器学习方法应用到晶圆图缺陷检测可以克服人工检测成本高、时间长和准确率低的问题。但是由于聚焦于缺陷模式识别器的构建,不能从复杂多样的图像中学习到有效的特征。随着人工智能的发展,深度学习的方法成为图像处理的主流方法之一。cnn在晶圆图缺陷模式分类领域得到了广泛应用。cnn可以自动学习丰富的特征,避免了某些类别的不完全手动特征提取和显著特征丢失的问题,并且可以
技术实现思路
1、本专利技术目的在于提供一种基于信息熵自适应决策融合的晶圆图缺陷模式是识别方法,结合不同dcnn模型对于不同晶圆缺陷模式的识别优势,提高对晶圆图缺陷模式识别的准确率。
2、为了实现上述目的,本专利技术提供了一种晶圆图缺陷模式识别方法,包括:
3、步骤1.对晶圆图数据集图像进行数据扩充,并划分为训练集和测试集;
4、步骤2.搭建四种dcnn模型用于晶圆图缺陷特征提取;
5、步骤3.对四种模型全连接层提取到的特征采用信息熵自适应决策融合的方法,通过计算信息熵和融合权重,将四种特征进行自适应融合,得到融合特征信息;
6、步骤4.将融合特征输入到ecoc-svm分类器进行最终分类,实现晶圆图缺陷模式识别和分类。
7、步骤1中,对晶圆图的数据扩充过程,将数量少的四种类型晶圆图数量分别扩充至2500。不同尺寸的晶圆图统一调整为(224,224,3),通道数为3;将数据集以8:2的比例划分为训练集和测试集。
8、步骤2中,搭建的四种dcnn模型,分别为三个基于特征金字塔(fpn)的dcnn模型,一个基于多支路卷积块注意力模块(m-cbam)的dcnn模型;
9、其中,第一种基于特征金字塔的dcnn模型,总卷积层数为10层;分别在第6个卷积层、第8个卷积层和第10个卷积层提取到三层特征构成一个特征金字塔;对深层特征上采样后与浅层特征融合,得到三个新的融合特征,最后将浅层特征和三个新融合特征进一步拼接融合;
10、其中,第二种基于特征金字塔的dcnn模型,总卷积层数为27层,第一层卷积接收晶圆图数据集的输入;第二层卷积核大小为3×3;后面为4个残差结构,每个残差结构有两个残差块,每个残差块由三个卷积层构成;在第二个残差结构、第三个残差结构和第四个残差结构的输出层提取到三个特征构成一个特征金字塔;对深层特征上采样后与浅层特征融合,得到三个新的融合特征,最后将浅层特征和三个新融合特征进一步拼接融合;
11、其中,第三种基于特征金字塔的dcnn模型,采用具有更深层数的resnet50作为特征提取网络,在每一个残差块输出层提取特征构成特征金字塔,对深层特征上采样后与浅层特征融合,得到四个新的融合特征,最后将浅层特征和四个新融合特征进一步拼接融合;
12、其中,第四种基于多支路卷积块注意力模块的dcnn模型,采用resnext50作为特征提取网络,将m-cbam融入到resnext50的每一个残差块中。每一个resnext块融入了m-cbam,提取到更加丰富的特征。
13、步骤3中,在四个dcnn全连接层提取特征,经过softmax层将一维向量转为一个概率向量,每一个概率对应一个类别。dcnn信息熵自适应决策融合的方法为,首先计算四种dcnn输出概率矩阵,随后计算每一个dcnn输出概率向量的信息熵并根据信息熵赋予合理权重;进一步的,对每个dcnn的输出概率与融合权重相乘得到新概率矩阵,最后将新概率矩阵按列加权求和得到最后的融合特征。
14、步骤4中,ecoc-svm把纠错输出编码与支持向量机结合起来,同时采用多个svm将多分类问题转换为多个二分类问题,实现多分类并具有纠错功能。将四种dcnn信息熵自适应决策融合之后得到的融合特征输入到ecoc-svm,能够进一步提高最终的晶圆图识别分类准确率。
本文档来自技高网...【技术保护点】
1.一种基于信息熵自适应决策融合的晶圆图缺陷模式识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于信息熵自适应决策融合的晶圆图缺陷模式识别方法,其特征在于,将不同尺寸的晶圆图统一调整为224×224,像素通道为3的图像;整体数据集划分训练集与测试集比例为8:2。
3.根据权利要求1所述的一种基于信息熵自适应决策融合的晶圆图缺陷模式识别方法,其特征在于,搭建四种基于特征金字塔和多支路卷积块注意力模块的深度卷积神经网络作为晶圆图缺陷特征提取主干网络,步骤包括:
4.如权利要求3所述的一种晶圆图缺陷模式识别方法,其特征在于,所述的晶圆图维度为[3, 224, 224],3代表特征向量的通道数,224代表特征向量的高度,224代表特征向量宽度。
5.根据权利要求1 所述的一种基于信息熵自适应决策融合的晶圆图缺陷模式识别方法,其特征在于,采用信息熵自适应决策融合的方法,步骤包括:
6.根据权利要求1 所述的一种基于信息熵自适应决策融合的晶圆图缺陷模式识别方法,其特征在于,把纠错输出编码(ECOC)与支持向量机(
...【技术特征摘要】
1.一种基于信息熵自适应决策融合的晶圆图缺陷模式识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于信息熵自适应决策融合的晶圆图缺陷模式识别方法,其特征在于,将不同尺寸的晶圆图统一调整为224×224,像素通道为3的图像;整体数据集划分训练集与测试集比例为8:2。
3.根据权利要求1所述的一种基于信息熵自适应决策融合的晶圆图缺陷模式识别方法,其特征在于,搭建四种基于特征金字塔和多支路卷积块注意力模块的深度卷积神经网络作为晶圆图缺陷特征提取主干网络,步骤包括:
4.如权利要求3所述的一种晶圆图缺陷模式识别方法,其特征在于,所述的晶圆...
【专利技术属性】
技术研发人员:陈寿宏,陆颖,覃冠翔,侯杏娜,刘美旗,
申请(专利权)人:桂林电子科技大学,
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。