一种晶圆的缺陷检测方法、装置、电子设备及存储介质与流程

本技术涉及半导体，尤其是涉及一种晶圆的缺陷检测方法、装置、电子设备及存储介质。

背景技术：

1、基于机器学习的识别算法在晶圆缺陷识别中取得了一定成果，但晶圆图的特征维度高、噪声多，会严重影响识别器的性能。因此，该类方法依赖人类的主观特征选择，为识别器提供有效判别信息，这会导致所提取的特征具有一定的主观性和局限性。并且不同模型对数据的表达能力不同，如树模型可以很好的处理连续特征和离散特征，并对异常值有很好的健壮性。使用单一模型可能存在对某一类别识别较差的情况，表现在混淆矩阵中某一类别分数较低或不同类别得分差异较大。所以如何提高晶圆缺陷检测的准确性成为了不容小觑的技术问题。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种晶圆的缺陷检测方法、装置、电子设备及存储介质，通过将目标特征输入到第一缺陷检测模型之中得到第一缺陷分值向量，将待检测晶圆图像输入到第二缺陷检测模型之中得到第二缺陷分值向量，对第一缺陷分值向量以及第二缺陷分值向量进行融合得到待检测晶圆图像的目标缺陷检测结果，从而提高了晶圆缺陷检测的准确性。

2、本技术实施例提供了一种晶圆的缺陷检测方法，所述缺陷检测方法包括：

3、获取待检测晶圆图像，对所述待检测晶圆图像进行特征提取，确定出目标特征；

4、将所述目标特征输入至预先训练好的第一缺陷检测模型之中，对所述目标特征进行晶圆缺陷检测处理，输出所述待检测晶圆图像的第一缺陷分值向量；其中，缺陷分值向量是由所述待检测晶圆图像所对应的多个晶圆缺陷类型的分值构成的；

5、将所述待检测晶圆图像输入至预先训练好的第二缺陷检测模型之中，对所述待检测晶圆图像进行晶圆缺陷检测处理，输出所述待检测晶圆图像的第二缺陷分值向量；

6、将所述第一缺陷分值向量以及所述第二缺陷分值向量输入至回归模型之中，基于所述第一缺陷分值向量的第一权重参数、所述第二缺陷分值向量的第二权重参数、所述第一缺陷分值向量以及所述第二缺陷分值向量，确定出所述待检测晶圆图像的目标缺陷检测结果。

7、在一种可能的实施方式之中，所述对所述待检测晶圆图像进行特征提取，确定出目标特征，包括：

8、对所述待检测晶圆图像进行多个目标区域的密度特征提取，确定出多个密度特征；

9、基于区域标记算法确定出所述待检测晶圆图像之中的显著图像区域，对所述显著图像区域进行几何特征提取，确定出多个几何特征；

10、对所述待检测晶圆图像进行拉东变换，对变换后的待检测晶圆图像进行多个角度的特征提取，确定出多个角度特征；

11、基于多个所述密度特征、多个所述几何特征以及多个所述角度特征，确定出所述目标特征。

12、在一种可能的实施方式之中，通过以下步骤确定出所述第一缺陷检测模型：

13、获取多个样本晶圆图像以及每个所述样本晶圆图像的样本标签信息，并对每个所述样本晶圆图像进行特征提取，确定出每个所述样本晶圆图像的样本特征；

14、将每个所述样本特征输入至浅层机器学习模型之中，所述浅层机器学习模型之中的分类器对每个所述样本特征所对应的晶圆缺陷类型进行预测，预测出每个所述样本特征相对应的样本缺陷分值向量；

15、基于每个所述样本缺陷分值向量以及每个所述样本标签信息对所述浅层机器学习模型之中的分类器进行迭代训练，确定出所述第一缺陷检测模型。

16、在一种可能的实施方式之中，所述基于每个所述样本缺陷分值向量以及每个所述样本标签信息对所述浅层机器学习模型之中的分类器进行迭代训练，确定出所述第一缺陷检测模型，包括：

17、针对于每个所述样本缺陷分值向量，检测该样本缺陷分值向量与该样本缺陷分值向量相对应的所述样本标签信息是否相一致；

18、若任一为否，则对所述浅层机器学习模型之中所述分类器的网络参数进行迭代调整，直至所述样本缺陷分值向量与该样本缺陷分值向量相对应的所述样本标签信息相一致时停止对分类器的网络参数的调整，将当前网络参数下的浅层机器学习模型确定为所述第一缺陷检测模型。

19、在一种可能的实施方式之中，通过以下步骤确定出所述第一权重参数以及所述第二权重参数：

20、将每个样本晶圆图像的样本特征输入至所述第一缺陷检测模型之中，输出每个所述样本晶圆图像的第一样本缺陷分值向量；

21、将每个所述样本晶圆图像输入至所述第二缺陷检测模型之中，输出每个所述样本晶圆图像的第二样本缺陷分值向量；

22、将每个所述样本晶圆图像的所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量输入至所述回归模型之中，对每个所述样本晶圆图像的所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量进行回归处理，预测出每个所述样本晶圆图像的融合后的样本缺陷检测结果；

23、基于每个所述融合后的样本缺陷检测结果、每个样本标签信息、第一样本缺陷分值向量的第一参考权重参数以及第二样本缺陷分值向量的第二参考权重参数，确定出所述第一权重参数以及所述第二权重参数。

24、在一种可能的实施方式之中，所述基于每个所述融合后的样本缺陷检测结果、每个样本标签信息、第一样本缺陷分值向量的第一参考权重参数以及第二样本缺陷分值向量的第二参考权重参数，确定出所述第一权重参数以及所述第二权重参数，包括：

25、针对于每个所述融合后的样本缺陷检测结果，检测融合后的样本缺陷检测结果与该融合后的样本缺陷检测结果相对应的所述样本标签信息是否相一致；

26、若任一为否，则对所述第一参考权重参数以及所述第二参考权重参数进行迭代调整，确定出所述第一权重参数以及所述第二权重参数。

27、在一种可能的实施方式之中，所述对所述第一参考权重参数以及所述第二参考权重参数进行迭代调整，确定出所述第一权重参数以及所述第二权重参数，包括：

28、基于调整后的所述第一参考权重参数、调整后的所述第二参考权重参数、所述第一样本缺陷分值向量以及所述第二样本缺陷分值向量，确定出调整后的所述融合后的样本缺陷检测结果；

29、当所述调整后的所述融合后的样本缺陷检测结果与相对应的所述样本标签信息相一致时，将当前的第一参考权重参数确定为所述第一权重参数，将当前的第二参考权重参数确定为所述第二权重参数。

30、本技术实施例还提供了一种晶圆的缺陷检测装置，所述缺陷检测装置包括：

31、特征提取模块，用于获取待检测晶圆图像，对所述待检测晶圆图像进行特征提取，确定出目标特征；

32、第一缺陷确定模块，用于将所述目标特征输入至预先训练好的第一缺陷检测模型之中，对所述目标特征进行晶圆缺陷检测处理，输出所述待检测晶圆图像的第一缺陷分值向量；其中，缺陷分值向量是由所述待检测晶圆图像所对应的多个晶圆缺陷类型的分值构成的；

33、第二缺陷确定模块，用于将所述待检测晶圆图像输入至预先训练好的第二缺陷检测模型之中，对所述待检测晶圆图像进行晶圆缺陷检测处理，输出所述待检测晶圆图像的第二缺陷分值向量；

34、融合模块，用于将所述第一缺陷分值向量以及所述第二缺陷分值向量输入至回归模型之中，基于所述第一缺陷分值向量的第一权重参数、所述第二缺陷分值向量的第二权重参数、所述第一缺陷分值向量以及所述第二缺陷分值向量，确定出所述待检测晶圆图像的目标缺陷检测结果。

35、本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的晶圆的缺陷检测方法的步骤。

36、本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的晶圆的缺陷检测方法的步骤。

37、本技术实施例提供的一种晶圆的缺陷检测方法、装置、电子设备及存储介质，所述缺陷检测方法包括：获取待检测晶圆图像，对所述待检测晶圆图像进行特征提取，确定出目标特征；将所述目标特征输入至预先训练好的第一缺陷检测模型之中，对所述目标特征进行晶圆缺陷检测处理，输出所述待检测晶圆图像的第一缺陷分值向量；其中，缺陷分值向量是由所述待检测晶圆图像所对应的多个晶圆缺陷类型的分值构成的；将所述待检测晶圆图像输入至预先训练好的第二缺陷检测模型之中，对所述待检测晶圆图像进行晶圆缺陷检测处理，输出所述待检测晶圆图像的第二缺陷分值向量；将所述第一缺陷分值向量以及所述第二缺陷分值向量输入至回归模型之中，基于所述第一缺陷分值向量的第一权重参数、所述第二缺陷分值向量的第二权重参数、所述第一缺陷分值向量以及所述第二缺陷分值向量，确定出所述待检测晶圆图像的目标缺陷检测结果。通过将目标特征输入到第一缺陷检测模型之中得到第一缺陷分值向量，将待检测晶圆图像输入到第二缺陷检测模型之中得到第二缺陷分值向量，对第一缺陷分值向量以及第二缺陷分值向量进行融合得到待检测晶圆图像的目标缺陷检测结果，从而提高了晶圆缺陷检测的准确性。

38、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。