缺陷检测方法、装置、设备及存储介质与流程

本发明涉及人工智能，尤其涉及一种缺陷检测方法、装置、设备及存储介质。

背景技术：

1、目前主流的缺陷检测算法分为传统算法及深度学习算法。

2、传统算法通常采用golden sample的方式，将被检测die图像与标准无缺陷的模板die图像进行差分，然后通过设定阈值将差分图像中变化大的部分分割出来，该种方法兼容性差、要求被检测die与模板die对齐精度很高，极容易造成过检测。

3、一般基于深度学习的方法，通常采用卷积神经网络结构或者图卷积结构或者transformer结构的目标检测或语义分割算法进行缺陷检测，该种方式模型效果极度依赖样本数据，当切换晶圆型号时，又需要收集新型号的缺陷数据进行模型训练，模型泛化性差。该种方法对样本依赖强，检测a类型的晶圆芯片，需要用a类型的数据训练模型；检测b类型的晶圆芯片，需要用b类型的数据训练模型；用a类型或者b类型训练的模型，如果直接用来检测c类型的芯片，效果比较差。主要原因是训练后，网络模型对芯片背景图案的敏感度很强，而没有学习到缺陷的特征（不同种类的芯片，芯片图案是不同的，但是这些芯片上的缺陷通常是一致的，包括缺陷类型、形态等）。常见的芯片缺陷类型通常包括rdl短路、断路、毛刺、阻焊层色差、脏污、划伤、pad黑点等等。

4、因此，对晶圆缺陷检测时，如何克服对样本的依赖，实现无需大量同类型晶圆芯片样本对模型的训练，就可以高效高质量检测出晶圆的缺陷，是亟待解决的技术问题。

5、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。

技术实现思路

1、本发明的主要目的在于提供一种缺陷检测方法、装置、设备及存储介质，旨在解决现有技术中晶圆检测模型依赖大量的样本训练，模型泛化性差的技术问题。

2、为实现上述目的，本发明提供一种缺陷检测方法，所述缺陷检测方法包括以下步骤：

3、通过算法模型对无缺陷参考图像进行多级卷积操作，获得对应的n层第一特征图，n为大于1的整数；

4、对被检测图像进行多级卷积操作，获得对应的n层第二特征图；

5、将各层的所述第一特征图与所述第二特征图作差，获得各层的残差；

6、对各层的所述残差进行上采样，获得各层对应的采样结果；

7、将各层的所述残差叠加上所述采样结果，获得残差解码图；

8、采用归一化指数函数对所述残差解码图进行归一化处理，获得所述被检测图像的缺陷残差图；

9、对所述缺陷残差图进行阈值分割，获得所述被检测图像对应的缺陷。

10、优选地，所述多级卷积操作包括卷积处理和池化处理。

11、优选地，所述算法模型包括卷积神经网络模型、图卷积模型或transformer模型。

12、优选地，所述对被检测图像进行多级卷积操作，获得对应的n层第二特征图，包括：

13、通过卷积神经网络模型的卷积层不同卷积核提取被检测图像不同频段的特征，并通过池化层提取不同粒度的特征，获得对应的n层第二特征图。

14、优选地，所述对各层的所述残差进行上采样，获得各层对应的采样结果，包括：

15、对各层的所述残差采用最近邻近差值进行上采样，获得各层对应的采样结果。

16、优选地，所述将各层的所述残差叠加上所述采样结果，获得残差解码图，包括：

17、将各层的所述残差叠加上所述采样结果，直至采样到的图像与所述被检测图像一样大时，获得残差解码图。

18、此外，为实现上述目的，本发明还提出一种缺陷检测装置，所述缺陷检测装置包括：

19、卷积模块，用于通过算法模型对无缺陷参考图像进行多级卷积操作，获得对应的n层第一特征图，n为大于1的整数；

20、卷积模块，还用于对被检测图像进行多级卷积操作，获得对应的n层第二特征图；

21、作差模块，用于将各层的所述第一特征图与所述第二特征图作差，获得各层的残差；

22、采样模块，用于对各层的所述残差进行上采样，获得各层对应的采样结果；

23、叠加模块，用于将各层的所述残差叠加上所述采样结果，获得残差解码图；

24、归一化模块，用于采用归一化指数函数对所述残差解码图进行归一化处理，获得所述被检测图像的缺陷残差图；

25、分割模块，用于对所述缺陷残差图进行阈值分割，获得所述被检测图像对应的缺陷。

26、此外，为实现上述目的，本发明还提出一种缺陷检测设备，所述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缺陷检测程序，所述缺陷检测程序配置为实现如上文所述的缺陷检测方法的步骤。

27、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缺陷检测程序，所述缺陷检测程序被处理器执行时实现如上文所述的缺陷检测方法的步骤。

28、本发明中，通过算法模型对无缺陷图进行多级卷积操作，获得对应的n层第一特征图，n为大于1的整数；对待检测图进行多级卷积操作，获得对应的n层第二特征图；将各层的所述第一特征图与所述第二特征图作差，获得各层的残差；对各层的所述残差进行上采样，获得各层对应的采样结果；将各层的所述残差叠加上所述采样结果，获得残差解码图；采用归一化指数函数对所述残差解码图进行归一化处理，获得所述待检测图的缺陷残差图，所述算法模型训练完成后，可达到兼容不同类型的芯片图案，所述算法模型只需要训练一次，就能实现对不同类型的芯片图案进行缺陷检测，晶圆检测采用所述算法模型不再依赖大量的样本训练，所述算法模型泛化性好。

技术特征：

1.一种缺陷检测方法，其特征在于，所述缺陷检测方法包括以下步骤：

2.如权利要求1所述的缺陷检测方法，其特征在于，所述多级卷积操作包括卷积处理和池化处理。

3.如权利要求1所述的缺陷检测方法，其特征在于，所述算法模型包括卷积神经网络模型、图卷积模型或transformer模型。

4.如权利要求3所述的缺陷检测方法，其特征在于，所述对被检测图像进行多级卷积操作，获得对应的n层第二特征图，包括：

5.如权利要求1所述的缺陷检测方法，其特征在于，所述对各层的所述残差进行上采样，获得各层对应的采样结果，包括：

6.如权利要求1所述的缺陷检测方法，其特征在于，所述将各层的所述残差叠加上所述采样结果，获得残差解码图，包括：

7.一种缺陷检测装置，其特征在于，所述缺陷检测装置包括：

8.一种缺陷检测设备，其特征在于，所述缺陷检测设备包括：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缺陷检测程序，所述缺陷检测程序被所述处理器执行时实现如权利要求1至6中任一项所述的缺陷检测方法的步骤。

9.一种存储介质，其特征在于，所述存储介质上存储有缺陷检测程序，所述缺陷检测程序被处理器执行时实现如权利要求1至6中任一项所述的缺陷检测方法的步骤。

技术总结
本发明涉及人工智能，公开了一种缺陷检测方法、装置、设备及存储介质，该方法通过算法模型对无缺陷图进行多级卷积操作，获得对应的n层第一特征图，n为大于1的整数；对待检测图进行多级卷积操作，获得对应的n层第二特征图；将各层的所述第一特征图与所述第二特征图作差，获得各层的残差；对各层的所述残差进行上采样，获得各层对应的采样结果；将各层的所述残差叠加上所述采样结果，获得残差解码图；采用归一化指数函数对所述残差解码图进行归一化处理，获得所述待检测图的缺陷残差图，所述算法模型训练完成后，可达到兼容不同类型的芯片图案，所述算法模型只需要训练一次，就能实现对不同类型的芯片图案进行缺陷检测，算法模型泛化性好。

技术研发人员：梅爽,王祥铜,华凯,胡彦潮
受保护的技术使用者：武汉罗博半导体科技有限公司
技术研发日：
技术公布日：2024/1/16