无监督的晶圆缺陷检测方法、装置、设备及存储介质与流程

1.本发明涉及晶圆检测技术领域，尤其涉及一种无监督的晶圆缺陷检测方法、装置、设备及存储介质。


背景技术：

2.在micro led显示技术中，由于制备设备、生产工艺、材料设计存在差异等多重影响导致wafer（晶圆）在生产过程中会产生多种故障类型，且故障类型之间不具耦合性。通过光致发光（pl）技术采集wafer的缺陷种类繁多，难以对每一种缺陷数据设定合理缺陷标签，往往会产生海量的、没有标签的wafer检测数据。现有的晶圆检测方法中利用大量的标签数据才能训练出比较稳定的检测模型，而采集的无标签数据难以利用起来，并且仅能学习到少数缺陷种类，导致在未知缺陷种类中检测精度不高。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提供一种无监督的晶圆缺陷检测方法、装置、设备及存储介质，旨在解决现有的晶圆检测方法中利用大量的标签数据才能训练出比较稳定的检测模型，而采集的无标签数据难以利用起来，并且仅能学习到少数缺陷种类，导致在未知缺陷种类中检测精度不高的技术问题。
5.为实现上述目的，本发明提供了一种无监督的晶圆缺陷检测方法，所述方法包括以下步骤：获取初始晶圆检测数据集；利用预设无监督自编码器为所述初始晶圆检测数据集中的无标签晶圆检测数据制作伪标签，生成目标晶圆检测数据集；根据所述目标晶圆检测数据集对预设分类器进行训练，得到训练好的目标分类器；在接收到待检测晶圆数据时，利用所述目标分类器对所述待检测晶圆数据进行检测，得到晶圆缺陷检测结果。
6.可选地，所述预设无监督自编码器与预设判别器形成对抗自编码网络；所述利用预设无监督自编码器为所述初始晶圆检测数据集中的无标签晶圆检测数据制作伪标签，生成目标晶圆检测数据集，包括：将所述初始晶圆检测数据集中的无标签晶圆检测数据输入至所述对抗自编码网络；利用所述对抗自编码网络中的预设无监督自编码器对所述无标签晶圆检测数据的标签进行预测，并利用所述对抗自编码网络中的预设判别器对所述预设无监督自编码器的预测结果进行约束，得到所述无标签晶圆检测数据对应的伪标签；
根据所述伪标签和所述初始晶圆检测数据集生成目标晶圆检测数据集。
7.可选地，所述利用预设无监督自编码器为所述初始晶圆检测数据集中的无标签晶圆检测数据制作伪标签，生成目标晶圆检测数据集之前，所述方法还包括：根据所述初始晶圆检测数据集中的有标签晶圆检测数据对初始判别器进行初步训练，得到预设判别器。
8.可选地，所述预设无监督自编码器由多个自编码器堆叠形成，其中，所述多个自编码器设置有不同的激活函数。
9.可选地，所述利用预设无监督自编码器为所述初始晶圆检测数据集中的无标签晶圆检测数据制作伪标签，生成目标晶圆检测数据集，包括：利用多个自编码器分别对所述初始晶圆检测数据集中的无标签晶圆检测数据的标签进行预测，得到多个预测结果；根据所述多个预测结果确定所述无标签晶圆检测数据对应的伪标签，生成目标晶圆检测数据集。
10.可选地，所述利用多个自编码器分别对所述初始晶圆检测数据集中的无标签晶圆检测数据的标签进行预测，得到多个预测结果之后，所述方法还包括：确定所述多个自编码器分别对应的预测精确度；从所述多个自编码器中删除预测精确度低于预设阈值的自编码器，得到多个剩余自编码器；根据所述多个剩余自编码器对应的预测结果确定所述无标签晶圆检测数据对应的伪标签，生成目标晶圆检测数据集。
11.可选地，所述根据所述多个剩余自编码器对应的预测结果确定所述无标签晶圆检测数据对应的伪标签，生成目标晶圆检测数据集，包括：根据所述多个剩余自编码器对应的预测精确度确定各剩余自编码器对应的权重值；根据所述多个剩余自编码器对应的预测结果以及所述权重值确定所述无标签晶圆检测数据对应的伪标签，生成目标晶圆检测数据集。
12.此外，为实现上述目的，本发明还提出一种无监督的晶圆缺陷检测装置，所述无监督的晶圆缺陷检测装置包括：获取模块，用于获取初始晶圆检测数据集；标签生成模块，用于利用预设无监督自编码器为所述初始晶圆检测数据集中的无标签晶圆检测数据制作伪标签，生成目标晶圆检测数据集；训练模块，用于根据所述目标晶圆检测数据集对预设分类器进行训练，得到训练好的目标分类器；检测模块，用于在接收到待检测晶圆数据时，利用所述目标分类器对所述待检测晶圆数据进行检测，得到晶圆缺陷检测结果。
13.此外，为实现上述目的，本发明还提出一种无监督的晶圆缺陷检测设备，所述无监督的晶圆缺陷检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的无监督的晶圆缺陷检测程序，所述无监督的晶圆缺陷检测程序配置为实现如上文所述的无监督的晶圆缺陷检测方法。
14.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有无监督的晶圆缺陷检测程序，所述无监督的晶圆缺陷检测程序被处理器执行时实现如上文所述的无监督的晶圆缺陷检测方法。
15.本发明通过获取初始晶圆检测数据集；利用预设无监督自编码器为初始晶圆检测数据集中的无标签晶圆检测数据制作伪标签，生成目标晶圆检测数据集；根据目标晶圆检测数据集对预设分类器进行训练，得到训练好的目标分类器；在接收到待检测晶圆数据时，利用目标分类器对待检测晶圆数据进行检测，得到晶圆缺陷检测结果。通过上述方式，为无标签晶圆检测数据制作伪标签，利用有标签数据和伪标签数据对目标分类器进行训练，使得目标分类器学习到不同的缺陷特征，能够识别到未知的缺陷种类，提高了晶圆缺陷的检测精度。
附图说明
16.图1是本发明实施例方案涉及的硬件运行环境的无监督的晶圆缺陷检测设备的结构示意图；图2为本发明无监督的晶圆缺陷检测方法第一实施例的流程示意图；图3为本发明无监督的晶圆缺陷检测方法第二实施例的流程示意图；图4为本发明无监督的晶圆缺陷检测方法一实施例的模型布局示意图；图5为本发明无监督的晶圆缺陷检测方法第三实施例的流程示意图；图6为本发明无监督的晶圆缺陷检测方法一实施例的集成策略示意图；图7为本发明无监督的晶圆缺陷检测装置第一实施例的结构框图。
17.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
18.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
19.参照图1，图1为本发明实施例方案涉及的硬件运行环境的无监督的晶圆缺陷检测设备结构示意图。
20.如图1所示，该无监督的晶圆缺陷检测设备可以包括：处理器1001，例如中央处理器（central processing unit，cpu），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（display）、输入单元比如键盘（keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（wireless-fidelity，wi-fi）接口）。存储器1005可以是高速的随机存取存储器（random access memory，ram），也可以是稳定的非易失性存储器（non-volatile memory，nvm），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
21.本领域技术人员可以理解，图1中示出的结构并不构成对无监督的晶圆缺陷检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
22.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及无监督的晶圆缺陷检测程序。
23.在图1所示的无监督的晶圆缺陷检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明无监督的晶圆缺陷检测设备中的处理器1001、存储器1005可以设置在无监督的晶圆缺陷检测设备中，所述无监督的晶圆缺陷检测设备通过处理器1001调用存储器1005中存储的无监督的晶圆缺陷检测程序，并执行本发明实施例提供的无监督的晶圆缺陷检测方法。
24.本发明实施例提供了一种无监督的晶圆缺陷检测方法，参照图2，图2为本发明无监督的晶圆缺陷检测方法第一实施例的流程示意图。
25.本实施例中，所述无监督的晶圆缺陷检测方法包括以下步骤：步骤s10：获取初始晶圆检测数据集。
26.可以理解的是，本实施例的执行主体为无监督的晶圆缺陷检测设备，所述无监督的晶圆缺陷检测设备可以为计算机、服务器等设备，还可以为其他具备推理能力的设备，本实施例对此不加以限制。
27.需要说明的是，初始晶圆检测数据集中包含少量有标签晶圆检测数据和大量无标签晶圆检测数据，在具体实现中，晶圆检测数据为利用光致发光（pl）技术采集的多种缺陷晶圆对应的光致发光图像，提前根据已知的缺陷类型在对应的光致发光图像中框选检测框并标注对应的缺陷类型信息，得到有标签晶圆检测数据。
28.步骤s20：利用预设无监督自编码器为所述初始晶圆检测数据集中的无标签晶圆检测数据制作伪标签，生成目标晶圆检测数据集。
29.应当理解的是，预设无监督自编码器利用无标签晶圆检测数据推断出数据内部隐藏的结构特征，对不同缺陷类型的晶圆检测数据进行区分，从而为大量的无标签晶圆检测数据制作伪标签，根据少量有标签晶圆检测数据和大量伪标签晶圆检测数据生成目标晶圆检测数据集。在具体实现中，预设无监督自编码器根据空间尺度距离函数区分不同缺陷类型之间的数据差异，例如，均方误差函数(mse)或均方根误差函数(rmse)等，其中，均方误差函数表示为：；均方根误差函数表示为：。
30.优选地，设置预设无监督自编码器与预设判别器形成对抗自编码网络，在预设无监督自编码器对大量的无标签晶圆检测数据进行训练学习过程中，与预设判别器通过反向传播来传递权重，且相互制约。具体地，利用预设判别器对伪标签的真伪进行判别，从而确定预设无监督自编码器的训练是否正确，预设无监督自编码器生成的伪标签将尽可能接近预设判别器的结果，从而提高自编码器生成的伪标签的质量。
31.优选地，提前根据少量的有标签晶圆检测数据对预设判别器进行初始化，使得预设判别器能够掌握真实数据的部分特点，有利于在模型训练时快速拟合，防止反向传播梯度消散。
32.在另一方面，本实施例中的设置多个深度自编码器进行堆叠，形成预设无监督自编码器，有效避免网络的随机性，每个深度自编码器对应一种激活函数，提供非线性建模能
力。针对多个深度自编码器的输出结果，按照预设集成策略进行组合，从而确定预设无监督自编码器的预测结果，并根据预测结果为各无标签晶圆检测数据制作伪标签。
33.步骤s30：根据所述目标晶圆检测数据集对预设分类器进行训练，得到训练好的目标分类器。
34.应当理解的是，目标晶圆检测数据集中包含少量有标签晶圆检测数据和大量伪标签晶圆检测数据，通过目标晶圆检测数据集对预设分类器进行训练，使得预设分类器学习到区分缺陷类型的特征。本实施例的预设分类器可以为卷积网络分类器，利用卷积网络分类器对晶圆图像进行检测，输出预测结果，根据预测结果与标签信息确定对应的损失函数值，迭代训练至损失函数值低于一定数值或当前迭代次数大于最大迭代次数，通过卷积网络分类器对目标晶圆检测数据集进行缺陷分层从而达到缺陷分类，得到训练好的卷积网络分类器。
35.步骤s40：在接收到待检测晶圆数据时，利用所述目标分类器对所述待检测晶圆数据进行检测，得到晶圆缺陷检测结果。
36.需要说明的是，待检测晶圆数据为利用光致发光（pl）技术采集的光致发光图像，利用训练好的目标分类器进行检测，确定当前采集的数据是否存在缺陷，并确定对应的缺陷类型。
37.本实施例通过获取初始晶圆检测数据集；利用预设无监督自编码器为初始晶圆检测数据集中的无标签晶圆检测数据制作伪标签，生成目标晶圆检测数据集；根据目标晶圆检测数据集对预设分类器进行训练，得到训练好的目标分类器；在接收到待检测晶圆数据时，利用目标分类器对待检测晶圆数据进行检测，得到晶圆缺陷检测结果。通过上述方式，为无标签晶圆检测数据制作伪标签，利用有标签数据和伪标签数据对目标分类器进行训练，使得目标分类器学习到不同的缺陷特征，能够识别到未知的缺陷种类，提高了晶圆缺陷的检测精度。
38.参考图3，图3为本发明无监督的晶圆缺陷检测方法第二实施例的流程示意图。
39.基于上述第一实施例，本实施例无监督的晶圆缺陷检测方法中的所述预设无监督自编码器与预设判别器形成对抗自编码网络；所述步骤s20，包括：步骤s201：将所述初始晶圆检测数据集中的无标签晶圆检测数据输入至所述对抗自编码网络。
40.步骤s202：利用所述对抗自编码网络中的预设无监督自编码器对所述无标签晶圆检测数据的标签进行预测，并利用所述对抗自编码网络中的预设判别器对所述预设无监督自编码器的预测结果进行约束，得到所述无标签晶圆检测数据对应的伪标签。
41.应当理解的是，本实施例中利用判别器结合自编码器形成对抗自编码网络，根据对抗自编码网络对大量的无标签晶圆检测数据进行分类预测，将无标签晶圆检测数据区分为不同缺陷类型，同时利用判别器来提高自编码器生成伪标签的质量。预设无监督自编码器与预设判别器在训练过程中通过反向传播来传递权重，且相互制约。判别器通过判别伪标签的真伪来确定自编码器训练是否正确，而自编码器生成的伪标签将尽可能接近判别器的结果，通过该方式为各无标签晶圆检测数据制作对应的伪标签。
42.步骤s203：根据所述伪标签和所述初始晶圆检测数据集生成目标晶圆检测数据
集。
43.在具体实现中，为初始晶圆检测数据集中的无标签晶圆检测数据标记对应的伪标签，生成包含有标签晶圆检测数据和伪标签晶圆检测数据的目标晶圆检测数据集。
44.进一步地，所述步骤s20之前，所述方法还包括：根据所述初始晶圆检测数据集中的有标签晶圆检测数据对初始判别器进行初步训练，得到预设判别器。
45.需要说明的是，判别器最初不能判别数据是否为“真”，因此，本实施例中在对对抗自编码网络进行训练之前，对判别器进行初始化学习，利用少量有标签晶圆检测数据初步训练判别器，使判别器能够掌握真实数据部分特点，有利于在模型训练时快速拟合，防止反向传播梯度消散。
46.参照图4，图4为本发明无监督的晶圆缺陷检测方法一实施例的模型布局示意图，本实施例中利用少量有标签的wafer数据集对无监督分层学习器进行初始化，通过堆叠无监督自编码器来给海量wafer数据集制作伪标签数据集，同时训练对抗判别器来提高自编码器生成伪标签的质量，最后利用海量伪标签数据和有标签数据来训练卷积网络分类器，从而提高检测精度。
47.本实施例通过获取初始晶圆检测数据集；将初始晶圆检测数据集中的无标签晶圆检测数据输入至对抗自编码网络；利用对抗自编码网络中的预设无监督自编码器对无标签晶圆检测数据的标签进行预测，并利用对抗自编码网络中的预设判别器对预设无监督自编码器的预测结果进行约束，得到无标签晶圆检测数据对应的伪标签；根据伪标签和初始晶圆检测数据集生成目标晶圆检测数据集；根据目标晶圆检测数据集对预设分类器进行训练，得到训练好的目标分类器；在接收到待检测晶圆数据时，利用目标分类器对待检测晶圆数据进行检测，得到晶圆缺陷检测结果。通过上述方式，设置判别器对无监督自编码器的预测结果进行约束，提高了伪标签的生成质量，利用有标签数据和伪标签数据对目标分类器进行训练，使得目标分类器学习到不同的缺陷特征，能够识别到未知的缺陷种类，进一步提升了目标分类器的训练精度和识别精度。
48.参考图5，图5为本发明无监督的晶圆缺陷检测方法第三实施例的流程示意图。
49.基于上述第一实施例，本实施例无监督的晶圆缺陷检测方法中的所述预设无监督自编码器由多个自编码器堆叠形成，其中，所述多个自编码器设置有不同的激活函数。
50.所述步骤s20，包括：步骤s204：利用多个自编码器分别对所述初始晶圆检测数据集中的无标签晶圆检测数据的标签进行预测，得到多个预测结果。
51.可以理解的是，为了提高泛化性能，并使模型能够学习输入数据的深层特征，本实施例中将多个深度自动编码器(autoender,ae)堆叠形成预设无监督自编码器，能有效避免网络的随机性。其中，多个自编码器分别设置有不同的激活函数，激活函数用来提供非线性建模能力。
52.在具体实现中，激活函数表示为，训练样本，针对输入的数据x通过激活函数确定隐藏变量，具体通过以下公式进行表示：；；
其中，自编码器的训练目的为优化参数集，使重构误差最小化。对于数据重构误差的损失函数，本实施例设置为传统的均方误差损失函数(mse)和交叉熵函数，其中，交叉熵成本函数表现出较快的收敛速度和较强的全局优化能力。在对于一个无标签m维数据的训练样本来说，其交叉熵成本函数定义为：；优选地，考虑到激活函数作为稀疏处理方式在模型学习有用特征方面的优势，本实施例中，正则化交叉熵在不同激活函数的自动编码器中对一个无标签m维训练样本的损失函数重写为：；需要说明的是，根据上述损失函数对堆叠的多个自编码器进行训练，使得多个自编码器对大量的无标签晶圆检测数据进行特征分层。
53.步骤s205：根据所述多个预测结果确定所述无标签晶圆检测数据对应的伪标签，生成目标晶圆检测数据集。
54.应当理解的是，设置集成策略对多个预测结果进行集成，确定各个无标签晶圆检测数据对应的伪标签，根据有标签晶圆检测数据和伪标签晶圆检测数据生成目标晶圆检测数据集。可选地，集成测策略为多数投票策略。
55.进一步地，所述步骤s205之后，所述方法还包括：确定所述多个自编码器分别对应的预测精确度；从所述多个自编码器中删除预测精确度低于预设阈值的自编码器，得到多个剩余自编码器；根据所述多个剩余自编码器对应的预测结果确定所述无标签晶圆检测数据对应的伪标签，生成目标晶圆检测数据集。
56.在具体实现中，由于多数投票策略存在所有单个模型的权重相同的缺陷，对于多类缺陷数据来说，容易被某些网络层学到没用的特征所干扰，优选地，本实施例设置预设阈值，用于对堆叠的多个自编码器进行筛选，其中，预设阈值可以为采用多数投票策略获取到的精确度阈值。参照图6，图6为本发明无监督的晶圆缺陷检测方法一实施例的集成策略示意图，本实施例中根据预设阈值进行精确度判断，在训练中只考虑精确度超过该阈值的单个网络，其他网络将被丢弃，根据精确度超过预设阈值的自编码器的预测结果确定最终输出结果。可选地，对剩余自编码器的预测结果取平均得到最终预测结果，从而确定各个无标签晶圆检测数据对应的伪标签，生成目标晶圆检测数据集。
57.进一步地，所述根据所述多个剩余自编码器对应的预测结果确定所述无标签晶圆检测数据对应的伪标签，生成目标晶圆检测数据集，包括：根据所述多个剩余自编码器对应的预测精确度确定各剩余自编码器对应的权重值；根据所述多个剩余自编码器对应的预测结果以及所述权重值确定所述无标签晶圆检测数据对应的伪标签，生成目标晶圆检测数据集。
58.需要说明的是，本实施例中对符合要求的网络输出根据对应的预测精确度分配对应的权重值，并根据权重值，确定各样本的综合诊断结果。在具体实现中，为了保持稳定性的组合诊断结果，对堆叠的多个自编码器进行多次训练。
59.本实施例通过获取初始晶圆检测数据集；利用多个自编码器分别对初始晶圆检测数据集中的无标签晶圆检测数据的标签进行预测，得到多个预测结果；根据多个预测结果
确定无标签晶圆检测数据对应的伪标签，生成目标晶圆检测数据集；根据目标晶圆检测数据集对预设分类器进行训练，得到训练好的目标分类器；在接收到待检测晶圆数据时，利用目标分类器对待检测晶圆数据进行检测，得到晶圆缺陷检测结果。通过上述方式，利用多个自编码器堆叠形成的无监督自编码器进行伪标签生成，避免了网络随机性对伪标签生成造成影响，提高了伪标签的生成质量，利用有标签数据和伪标签数据对目标分类器进行训练，使得目标分类器学习到不同的缺陷特征，能够识别到未知的缺陷种类，进一步提升了目标分类器的训练精度和识别精度。
60.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有无监督的晶圆缺陷检测程序，所述无监督的晶圆缺陷检测程序被处理器执行时实现如上文所述的无监督的晶圆缺陷检测方法。
61.由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
62.参照图7，图7为本发明无监督的晶圆缺陷检测装置第一实施例的结构框图。
63.如图7所示，本发明实施例提出的无监督的晶圆缺陷检测装置包括：获取模块10，用于获取初始晶圆检测数据集。
64.标签生成模块20，用于利用预设无监督自编码器为所述初始晶圆检测数据集中的无标签晶圆检测数据制作伪标签，生成目标晶圆检测数据集。
65.训练模块30，用于根据所述目标晶圆检测数据集对预设分类器进行训练，得到训练好的目标分类器。
66.检测模块40，用于在接收到待检测晶圆数据时，利用所述目标分类器对所述待检测晶圆数据进行检测，得到晶圆缺陷检测结果。
67.应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
68.本实施例通过获取初始晶圆检测数据集；利用预设无监督自编码器为初始晶圆检测数据集中的无标签晶圆检测数据制作伪标签，生成目标晶圆检测数据集；根据目标晶圆检测数据集对预设分类器进行训练，得到训练好的目标分类器；在接收到待检测晶圆数据时，利用目标分类器对待检测晶圆数据进行检测，得到晶圆缺陷检测结果。通过上述方式，为无标签晶圆检测数据制作伪标签，利用有标签数据和伪标签数据对目标分类器进行训练，使得目标分类器学习到不同的缺陷特征，能够识别到未知的缺陷种类，提高了晶圆缺陷的检测精度。
69.需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
70.另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的无监督的晶圆缺陷检测方法，此处不再赘述。
71.在一实施例中，所述预设无监督自编码器与预设判别器形成对抗自编码网络；所述标签生成模块20，还用于将所述初始晶圆检测数据集中的无标签晶圆检测数据输入至所述对抗自编码网络；利用所述对抗自编码网络中的预设无监督自编码器对所述无标签晶圆检测数据的标签进行预测，并利用所述对抗自编码网络中的预设判别器对所述
预设无监督自编码器的预测结果进行约束，得到所述无标签晶圆检测数据对应的伪标签；根据所述伪标签和所述初始晶圆检测数据集生成目标晶圆检测数据集。
72.在一实施例中，所述训练模块30，还用于根据所述初始晶圆检测数据集中的有标签晶圆检测数据对初始判别器进行初步训练，得到预设判别器。
73.在一实施例中，所述预设无监督自编码器由多个自编码器堆叠形成，其中，所述多个自编码器设置有不同的激活函数。
74.在一实施例中，所述标签生成模块20，还用于利用多个自编码器分别对所述初始晶圆检测数据集中的无标签晶圆检测数据的标签进行预测，得到多个预测结果；根据所述多个预测结果确定所述无标签晶圆检测数据对应的伪标签，生成目标晶圆检测数据集。
75.在一实施例中，所述标签生成模块20，还用于确定所述多个自编码器分别对应的预测精确度；从所述多个自编码器中删除预测精确度低于预设阈值的自编码器，得到多个剩余自编码器；根据所述多个剩余自编码器对应的预测结果确定所述无标签晶圆检测数据对应的伪标签，生成目标晶圆检测数据集。
76.在一实施例中，所述标签生成模块20，还用于根据所述多个剩余自编码器对应的预测精确度确定各剩余自编码器对应的权重值；根据所述多个剩余自编码器对应的预测结果以及所述权重值确定所述无标签晶圆检测数据对应的伪标签，生成目标晶圆检测数据集。
77.此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
78.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
79.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器（read only memory，rom）/ram、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
80.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。