【技术实现步骤摘要】
本专利技术涉及图像处理，尤其是涉及一种基于深度学习的半导体sem图像降噪方法。
技术介绍
1、全球对半导体产品的需求一直在稳步增长，导致器件尺寸的物理极限逐渐接近；此外，器件结构的复杂性已经从二维结构推进到三维结构，器件集成已经从水平方向转向垂直方向；因此，对半导体制造工艺的质量和性能要求明显趋于严格。同时，人工智能正逐渐被半导体行业所接受，各种应用跨越了半导体制造过程的各个阶段。晶圆的制造质量对半导体制造商的胜利起着至关重要的作用，并对产量、可靠性、制造成本等产生重大影响，因此，这就要求制造商在晶圆的制造过程中保持较高的质量水平。在半导体制造领域，良率是半导体制造商关注的一个关键性指标，提高晶圆的良率意味着能从每块晶圆上生产出更多合格的功能性芯片，从而降低制造成本，提高盈利能力。
2、然而，很多晶圆制造厂商在现有应用场景中存在着sem图像分辨率较差，量测结果误差较大、无法识别晶圆缺陷的问题。对此，本专利技术提供一种基于深度学习的降噪方法来改善sem图像噪声问题，还原半导体结构的真实信息。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的半导体sem图像降噪方法。
2、本专利技术的目的可以通过以下技术方案来实现：
3、本专利技术提供一种基于深度学习的半导体sem图像降噪方法，包括训练阶段和推理阶段，具体包括以下步骤：
4、第一部分，训练阶段，包括：
5、步骤1、对半导体sem图像
6、步骤2、采用超分辨算法对半导体sem图像进行处理，生成高清图片，将高清图片构建训练数据集；
7、步骤3、对训练数据集中的图片掺入多种强度的噪声；
8、步骤4、采用掺入多种强度的噪声的图片训练一分类模型；
9、步骤5、训练一分割模型，该模型用于生成噪声预测置信度；
10、步骤6、使用所述分割模型生成的分割图像第二次训练所述分类模型；
11、步骤7、采用掺入多种强度的噪声的图片训练一降噪模型；
12、第二部分，推理阶段，包括：
13、步骤8、对待降噪的半导体sem图像进行图像预处理；
14、步骤9、使用训练完成的分割模型生成四张噪声强度区间的置信度矩阵图片，通过滑动窗口对待识别图片以及四张张噪声强度区间的置信度矩阵图片共五张图片进行切分，并进行噪声强度预测，根据预测后的结果，选择对应强度的置信度矩阵，将置信度矩阵数据标准化至1至0之间；
15、步骤10、通过训练完成的降噪模型对待识别的半导体sem图像进行调用对应预测强度的降噪参数进行降噪，得到降噪的图片后，进行图像合并；
16、步骤11、通过拉普拉斯锐化核对步骤10合并的图像进行特征增强。
17、进一步地，所述预处理包括对图像进行直方图均衡化。
18、进一步地，选择使用opencv图像处理库中的equalizehist接口对图像进行直方图均衡化。
19、进一步地，所述步骤3中将高清图片构建训练数据集包括将图像切分成分辨率为128x128的图片。
20、进一步地，所述分类模型根据四种噪声强度对不同强度噪声的图像进行分类，所述四种噪声强度为0-15、15-25、25-50、50-75。
21、可选地，采用长宽为128x128，步长为36的滑动窗口对待识别图片以及四张张噪声强度区间的置信度矩阵图片共五张图片进行切分。
22、可选地，在所述步骤10中的置信度矩阵的矩阵值中添加一个0.01的偏置值。
23、可选地，所述拉普拉斯锐化核采用如下公式表示：
24、
25、第二方面，本专利技术提供一种电子设备，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行上述任意一项所述的方法。
26、第三方面，本专利技术提供一种存储介质，其上存储有程序，所述程序被执行时实现上述任意一项所述的方法。
27、与现有技术相比，本专利技术具有以下有益效果：
28、1、可以清晰表现半导体器件结构：本专利技术在推理过程中，采用滑动窗口让降噪模型更关注局部信息，通过分割模型训练的置信度矩阵来实现精准降噪，能够准确呈现出半导体器件的微观结构。
29、2、可以清晰的反应出半导体器件的边界：半导体结构具有独特的特性，需要图像具有清晰的边界。通常降噪后的图片会出现边界不清晰、模糊的情况。本方法在预处理阶段对图片进行直方图均衡化来避免由于色调不均匀产生的误差，并在降噪后通过锐化核来突出边界信息。
30、3、对缺陷的敏感性：本方法可以清晰地显示由于工艺原因产生的结构缺陷。这有助于后续的缺陷检测算法准确地识别和定位缺陷。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的半导体SEM图像降噪方法，其特征在于，包括训练阶段和推理阶段，具体包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的半导体SEM图像降噪方法，其特征在于，所述预处理包括对图像进行直方图均衡化。
3.根据权利要求2所述的一种基于深度学习的半导体SEM图像降噪方法，其特征在于，选择使用OpenCV图像处理库中的equalizeHist接口对图像进行直方图均衡化。
4.根据权利要求1所述的一种基于深度学习的半导体SEM图像降噪方法，其特征在于，所述步骤3中将高清图片构建训练数据集包括将图像切分成分辨率为128x128的图片。
5.根据权利要求1所述的一种基于深度学习的半导体SEM图像降噪方法，其特征在于，所述分类模型根据四种噪声强度对不同强度噪声的图像进行分类，所述四种噪声强度为0-15、15-25、25-50、50-75。
6.根据权利要求1所述的一种基于深度学习的半导体SEM图像降噪方法，其特征在于，采用长宽为128x128，步长为36的滑动窗口对待识别图片以及四张张噪声强度区间的置信度矩阵图
7.根据权利要求1所述的一种基于深度学习的半导体SEM图像降噪方法，其特征在于，在所述步骤10中的置信度矩阵的矩阵值中添加一个0.01的偏置值。
8.根据权利要求1所述的一种基于深度学习的半导体SEM图像降噪方法，其特征在于，所述拉普拉斯锐化核采用如下公式表示：
9.一种电子设备，其特征在于，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如权利要求1-8任意一项所述的方法。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任意一项所述的方法。
...【技术特征摘要】
1.一种基于深度学习的半导体sem图像降噪方法，其特征在于，包括训练阶段和推理阶段，具体包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的半导体sem图像降噪方法，其特征在于，所述预处理包括对图像进行直方图均衡化。
3.根据权利要求2所述的一种基于深度学习的半导体sem图像降噪方法，其特征在于，选择使用opencv图像处理库中的equalizehist接口对图像进行直方图均衡化。
4.根据权利要求1所述的一种基于深度学习的半导体sem图像降噪方法，其特征在于，所述步骤3中将高清图片构建训练数据集包括将图像切分成分辨率为128x128的图片。
5.根据权利要求1所述的一种基于深度学习的半导体sem图像降噪方法，其特征在于，所述分类模型根据四种噪声强度对不同强度噪声的图像进行分类，所述四种噪声强度为0-15、15-25、25-50、50-75。
6.根据权利要求...
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。