本发明专利技术涉及芯片检测技术领域，公开了一种芯片检测系统和芯片检测方法，包括；多模态数据采集模块，用于采集芯片的光学视觉数据、热性能数据和电性能数据；融合特征建模模块，用于对多模态数据进行预处理、特征提取和特征融合建模；智能检测模块，用于对融合特征进行缺陷检测与定位；异常分类标记模块，用于基于缺陷检测结果进行异常分类和标记；反馈优化动态调节模块。通过采用融合特征建模模块，利用深度学习网络对光学、热性能和电性能数据进行特征提取，通过跨模态注意力机制实现特征权重优化，多模态特征融合技术显著增强了系统对复杂缺陷模式的表达能力，提高了检测的精度和可靠性，特别是对微小裂纹、散热不良和信号不稳等问题的识别。
【技术实现步骤摘要】
本专利技术涉及芯片检测，具体为一种芯片检测系统和芯片检测方法。
技术介绍
1、随着电子技术的快速发展，芯片在现代工业和消费电子领域的应用越来越广泛，其质量的可靠性直接影响终端产品的性能和寿命。在芯片生产过程中，检测是确保芯片质量的重要环节。
2、传统芯片检测方法通常以单一模态为主，光学检测用于识别芯片表面缺陷，这种检测方式往往难以全面覆盖芯片可能存在的多维度缺陷，尤其在面对多模态缺陷关联或复杂缺陷模式时，表现出明显不足，由于数据模态单一且特征挖掘能力有限，现有检测方法在识别微小裂纹、散热不良及电性能波动等复杂问题时存在精度限制，现有芯片检测系统在运行过程中通常采用固定的采集参数和检测策略，无法根据检测结果动态调整。检测过程中的参数优化依赖人工操作，效率低下，难以适应复杂多变的检测环境。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种芯片检测系统和芯片检测方法，解决了芯片检测模态单一、检测精度不足、缺乏数据融合分析能力及动态优化适应性的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：一种芯片检测系统，包括；
3、多模态数据采集模块，用于采集芯片的光学视觉数据、热性能数据和电性能数据；
4、融化特征建模模块，用于对多模态数据进行预处理、特征提取和特征融合建模；
5、智能检测模块，用于对融合特征进行缺陷检测与定位；
6、异常分类标记模块，用于基于缺陷检测结果进行异常分类和标记；
>7、反馈优化动态调节模块，用于根据分类结果优化检测流程并动态调节数据采集模块的参数；8、数据储存模块，用于储存检测数据。
9、优选的，所述多模态数据采集模块包括；
10、光学视觉采集单元，用于采集芯片表面的全局和局部图像信息；
11、红外热成像采集单元，用于采集芯片运行时的动态热分布；
12、电性能信号采集单元，用于采集芯片的动态电流、电压和频率信号。
13、优选的，所述融合特征建模模块包括；
14、数据预处理单元，用于对采集的多模态数据进行去噪、归一化及频域转换；
15、特征提取单元，用于通过深度学习网络提取光学、红外和电性能特征；
16、模态特征融合单元，用于通过跨模态注意力机制实现多模态特征融合。
17、优选的，所述智能检测模块包括；
18、目标检测单元，用于检测芯片缺陷的类别和位置；
19、特征提取单元，用于进一步分析缺陷区域的特征信息。
20、优选的，所述异常分类标记模块；
21、异常分类单元，用于对芯片的异常类型进行分类；
22、异常标记单元，用于对异常结果生成标记数据，用于后续分析。
23、优选的，所述反馈优化动态调节模块包括
24、实时反馈单元，用于根据检测结果调整多模态数据采集模块的采集参数；
25、动态优化单元，用于基于数字孪生模型优化检测策略。
26、优选的，所述数据储存模块包括；
27、特征数据储存单元，用于存储各模态数据的提取特征；
28、检测结果储存单元，用于存储缺陷检测与分类结果；
29、数据压缩归档单元，用于压缩与归档历史数据以便于长期存储。
30、优选的，所述模态间特征融合单元通过以下公式融合特征：
31、
32、其中，表示光学特征，表示热性能特征，表示电性能特征。
33、优选的，所述动态优化单元通过目标函数优化检测系统；
34、公式为：
35、
36、其中，表示检测误差，表示能耗约束，表示运行时延。
37、一种芯片检测方法，包括以下步骤；
38、s1、通过多模态数据采集模块同时采集芯片的光学视觉数据、热性能数据和电性能信号；
39、s2、通过融合特征建模模块对采集的数据进行预处理，包括去噪、归一化和特征提取，并通过多模态特征融合生成统一的融合特征；
40、s3、通过智能检测模块对融合特征进行分析，检测芯片的缺陷类别和缺陷位置，在通过异常分类标记模块对检测结果中的异常情况进行分类，并生成标记数据；
41、s4、通过反馈优化动态调节模块根据分类结果调整采集参数和检测策略，优化系统运行，通过数据存储模块将采集的原始数据、处理后的特征以及检测结果进行存储。
42、本专利技术提供了一种芯片检测系统和芯片检测方法。具备以下有益效果：
43、1、本专利技术通过采用融合特征建模模块，利用深度学习网络对光学、热性能和电性能数据进行特征提取，通过跨模态注意力机制实现特征权重优化，多模态特征融合技术显著增强了系统对复杂缺陷模式的表达能力，提高了检测的精度和可靠性，特别是对微小裂纹、散热不良和信号不稳等问题的识别。
44、2、本专利技术通过多模态数据采集模块，将光学视觉数据、红外热性能数据和电性能信号统一整合，形成全面的芯片信息表征，相比传统的单一模态检测方法，本系统能够同时检测芯片的外观缺陷、热性能异常及电性能故障，实现对芯片质量的多维度、全方位监测，大幅提升检测覆盖率和全面性。
45、3、本专利技术通过智能检测模块和异常分类标记模块相结合，不仅能够快速定位芯片的缺陷位置，还能对不同类型的异常进行分类和标记。分类结果以直观的形式生成标记数据，包括热图、缺陷位置和严重性评分报告，为后续的质量控制和问题溯源提供了便利。
本文档来自技高网...
【技术保护点】
1.一种芯片检测系统，其特征在于，包括；
2.根据权利要求1所述的一种芯片检测系统，其特征在于，所述多模态数据采集模块包括；
3.根据权利要求1所述的一种芯片检测系统，其特征在于，所述融合特征建模模块包括；
4.根据权利要求1所述的一种芯片检测系统，其特征在于，所述智能检测模块包括；
5.根据权利要求1所述的一种芯片检测系统，其特征在于，所述异常分类标记模块；
6.根据权利要求1所述的一种芯片检测系统，其特征在于，所述反馈优化动态调节模块包括
7.根据权利要求1所述的一种芯片检测系统，其特征在于，所述数据储存模块包括；
8.根据权利要求1所述的一种芯片检测系统，其特征在于，所述模态间特征融合单元通过以下公式融合特征：
9.根据权利要求1所述的一种芯片检测系统，其特征在于，所述动态优化单元通过目标函数优化检测系统；
10.一种芯片检测方法，依据权利要求1-9所述的一种芯片检测系统，其特征在于，包括以下步骤；
【技术特征摘要】
1.一种芯片检测系统，其特征在于，包括；
2.根据权利要求1所述的一种芯片检测系统，其特征在于，所述多模态数据采集模块包括；
3.根据权利要求1所述的一种芯片检测系统，其特征在于，所述融合特征建模模块包括；
4.根据权利要求1所述的一种芯片检测系统，其特征在于，所述智能检测模块包括；
5.根据权利要求1所述的一种芯片检测系统，其特征在于，所述异常分类标记模块；
6.根据权利要求1所述的一种芯片检测系...
【专利技术属性】
技术研发人员：周锦堂，王璇，
申请(专利权)人：四会市远峰科技有限公司，
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。