【技术实现步骤摘要】
本专利技术主要涉及半导体设备，具体涉及一种基于深度学习的电子束量测设备模板图形定位方法和系统。
技术介绍
1、信息产业的蓬勃发展极大地带动了集成电路行业的发展，电子束量测设备可用于集成电路制造过程中的晶圆和掩模版的特征图形量测，是集成电路生产线上最重要的工艺设备之一。电子束量测设备对特征图形的定位精度和定位鲁棒性是其最关键指标，而晶圆上特征图形的多样性以及电子束扫描成像导致的噪声和特征图形形变都会导致特征图形定位的失败。因此在电子束量测过程中，必须设计稳定高精度的特征图形定位算法以保证电子束量测设备的特征图形定位精度。
技术实现思路
1、针对现有技术存在的技术问题，本专利技术提供一种定位精度高的基于深度学习的电子束量测设备模板图形定位方法和系统。
2、为解决上述技术问题，本专利技术提出的技术方案为：
3、一种基于深度学习的电子束量测设备模板图形定位方法，包括步骤：
4、1)获取测量模板图片以构建目标图像集，并对目标图像集中图片的图形边缘进行标注；
5、2)使用标注好的目标图像集对深度神经网络进行训练，得到图形边缘检测推理模型；
6、3)利用训练得到的图形边缘检测推理模型对测量模板图片进行边缘检测，截取测量点区域，并将测量点区域保存为模板图像；
7、4)对保存的模板图像中包含的图形边缘进行特征提取，以构造测量点区域的特征向量；
8、5)利用图形边缘检测推理模型对待测量图片进行边缘检测，并利用模板图像的
9、优选地，步骤4)的具体过程为：
10、对模板图像的轮廓进行傅里叶变换得到其对应的傅里叶形状描述符向量，然后对轮廓边缘点进行降采样，并计算降采样后每个边缘点的梯度值作为边缘的梯度特征向量，最后将傅里叶形状描述符向量和梯度特征向量分别作为模板图像的全局特征描述向量和局部特征描述向量。
11、优选地，对轮廓边缘点的8*8邻域内的每个像素点计算梯度大小和方向，并得到该邻域内的梯度直方图以作为轮廓边缘点的局部特征描述向量。
12、优选地，步骤5)的具体过程为：
13、首先利用图形边缘检测推理模型对待测量图片进行全局边缘检测，并得到待测量图片的全局轮廓图，然后将模板图像在待测量图片的全局轮廓图上进行滑动，最后通过计算模板图像和滑动重叠区域的特征描述向量基于局部和全局可形变多样相似度来定位待测量图形的测量点区域。
14、优选地，计算模板图像和滑动重叠区域的特征描述向量基于局部和全局可形变多样相似度的公式为：
15、
16、其中为模板图像轮廓点，为滑动重叠区域图像轮廓点，k(nnα(qj,p))为模板图像轮廓点和滑动重叠区域图像轮廓点中特征相似的点的数量，fp为模板图像轮廓的傅里叶形状描述符向量，fq为滑动重叠区域图像轮廓的傅里叶形状描述符向量，rj为滑动重叠区域图像轮廓点和模板图像轮廓点的距离，exp为指数函数，n为滑动重叠区域图像轮廓点的数量。
17、优选地，在步骤2)之前，通过neighbor2blind深度神经网络对训练集图片进行去噪。
18、优选地，neighbor2blind深度神经网络的目标函数为：
19、
20、其中，fθ为训练的去噪网络，g1和g2为亚采样的图片，y为噪声图片，h为去噪图片的亚采样图片，ωy为盲点掩码，γ和β分别为加权系数。
21、本专利技术还公开了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器运行时执行如上所述方法的步骤。
22、本专利技术进一步公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
23、本专利技术还公开了一种基于深度学习的电子束量测设备模板图形定位系统，包括相互连接的存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
24、与现有技术相比，本专利技术的优点在于：
25、本专利技术的基于深度学习的电子束量测设备模板图形定位方法，不仅能满足晶圆上特征图形的定位精度，而且能够消除电子束成像产生的噪声和形变对特征图形定位产生的误差，并通过深度学习的方法实现量测设备的在线智能学习，使电子束量测设备更加的智能化和自动化。
26、本专利技术的定位方法和装置具有抗干扰能力强、易于操作、定位精度高等优点，很好地满足了电子束量测设备对测量点图形精准定位的需求，显著提高了电子束测量设备的测量效率。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的电子束量测设备模板图形定位方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于深度学习的电子束量测设备模板图形定位方法，其特征在于，步骤4)的具体过程为：
3.根据权利要求2所述的基于深度学习的电子束量测设备模板图形定位方法，其特征在于，对轮廓边缘点的8*8邻域内的每个像素点计算梯度大小和方向，并得到该邻域内的梯度直方图以作为轮廓边缘点的局部特征描述向量。
4.根据权利要求2或3所述的基于深度学习的电子束量测设备模板图形定位方法，其特征在于，步骤5)的具体过程为：
5.根据权利要求4所述的基于深度学习的电子束量测设备模板图形定位方法，其特征在于，计算模板图像和滑动重叠区域的特征描述向量基于局部和全局可形变多样相似度的公式为：
6.根据权利要求1或2或3所述的基于深度学习的电子束量测设备模板图形定位方法，其特征在于，在步骤2)之前，通过Neighbor2Blind深度神经网络对训练集图片进行去噪。
7.根据权利要求6所述的基于深度学习的电子束量测设备模板图形定位方法，其特征在于，Ne
8.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器运行时执行如权利要求1-7中任意一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如权利要求1-7中任意一项所述方法的步骤。
10.一种基于深度学习的电子束量测设备模板图形定位系统，包括相互连接的存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如权利要求1-7中任意一项所述方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的电子束量测设备模板图形定位方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于深度学习的电子束量测设备模板图形定位方法，其特征在于，步骤4)的具体过程为：
3.根据权利要求2所述的基于深度学习的电子束量测设备模板图形定位方法，其特征在于，对轮廓边缘点的8*8邻域内的每个像素点计算梯度大小和方向，并得到该邻域内的梯度直方图以作为轮廓边缘点的局部特征描述向量。
4.根据权利要求2或3所述的基于深度学习的电子束量测设备模板图形定位方法，其特征在于，步骤5)的具体过程为：
5.根据权利要求4所述的基于深度学习的电子束量测设备模板图形定位方法，其特征在于，计算模板图像和滑动重叠区域的特征描述向量基于局部和全局可形变多样相似度的公式为：
6.根据权利要求1或2或3所述的基于深度学习的电子束量测...
【专利技术属性】
技术研发人员：李宣伦，龙会跃，李瑫，沈云波，陈龙，徐建君，
申请(专利权)人：中国电子科技集团公司第四十八研究所，
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。