功率半导体器件真空烧结设备及方法与流程

本技术涉及智能控制领域，且更为具体地，涉及一种功率半导体器件真空烧结设备及方法。

背景技术：

1、现有半导体功率器件真空烧结设备多为使用氮气作为保护气体，在将一定容积的密封腔体抽成真空后充入高纯氮气作为保护气体，防止产品高温状态下发生氧化现象。并且，借助助焊剂的辅助作用，将基板、dbc、芯片、电极等部件进行真空烧结。烧结完成后的产品一致性较差、焊接气孔率大，同时表面还会残留大量的助焊剂，需要使用专业的清洗设备和清洗溶剂进行清洗，费时且费力，使得产品制造成本大大增加。

2、并且，烧结过程中助焊剂在高温状态下会发生气化，易挥发到设备腔体的各个角落，气化后的助焊剂在设备冷却后又会以固态的形式凝结在腔体表面，造成设备脏污，清洗困难，导致设备使用寿命受到极大影响，且极易造成对产品的二次污染。同时，使用助焊剂的工艺也会向大气中排放出有害气体，是一种对环境非常不友好的生产工艺。

3、因此，期望一种优化的功率半导体器件真空烧结设备。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种功率半导体器件真空烧结设备及方法，其通过采用基于深度学习的神经网络模型挖掘出真空烧结过程中功率半导体器件的表面状态隐含特征分布信息，以此来基于实际半导体器件的表面状态情况来进行甲酸的通入量的自适应控制，从而提高抽真空及排气效率的同时避免造成甲酸的过量浪费，且避免过量的甲酸对人体及环境造成伤害。

2、根据本技术的一个方面，提供了一种功率半导体器件真空烧结设备，其包括：

3、图像采集模块，用于获取待烧结的半导体产品的表面图像；

4、图像分块模块，用于将所述待烧结的半导体产品的表面图像进行图像分块处理以得到表面图像块的序列；

5、图像特征提取模块，用于将所述表面图像块的序列中的各个表面图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；

6、矩阵聚合模块，用于将所述多个图像块特征矩阵基于所述图像分块的位置聚合为二维全局特征矩阵；

7、全局关联编码模块，用于将所述二维全局特征矩阵通过作为特征提取器的卷积神经网络模型以得到解码特征图；以及

8、甲酸通入量控制模块，用于将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的甲酸通入量。

9、在上述功率半导体器件真空烧结设备中，所述图像特征提取模块，用于：从所述卷积神经网络模型的浅层提取浅层图像块特征矩阵；从所述卷积神经网络模型的深层提取深层图像块特征矩阵；以及，融合所述浅层图像块特征图和所述深层图像块特征图以得到所述图像块特征矩阵；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。

10、在上述功率半导体器件真空烧结设备中，所述全局关联编码模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述解码特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述二维全局特征矩阵。

11、在上述功率半导体器件真空烧结设备中，还包括用于对所述包含深浅特征融合模块的卷积神经网络模型、所述作为特征提取器的卷积神经网络模型和所述解码器进行训练的训练模块。

12、在上述功率半导体器件真空烧结设备中，所述训练模块，包括：训练数据采集模块，用于获取训练数据，所述训练数据包括待烧结的半导体产品的训练表面图像，以及，所述推荐的甲酸通入量的真实值；训练图像分块模块，用于将所述待烧结的半导体产品的训练表面图像进行图像分块处理以得到训练表面图像块的序列；训练图像特征提取模块，用于将所述训练表面图像块的序列中的各个训练表面图像块分别通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练图像块特征矩阵；训练矩阵聚合模块，用于将所述多个训练图像块特征矩阵基于所述图像分块的位置聚合为训练二维全局特征矩阵；训练全局关联编码模块，用于将所述训练二维全局特征矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练解码特征图；以及，特征优化模块，用于对所述训练解码特征图进行类傅里叶尺度域概率修正以得到优化训练解码特征图；解码损失模块，用于将所述优化训练解码特征图通过所述解码器以得到解码损失函数值；以及，训练模块，用于以所述解码损失函数值作为损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述作为特征提取器的卷积神经网络模型和所述解码器进行训练。

13、在上述功率半导体器件真空烧结设备中，所述特征优化模块，用于：以如下优化公式对所述训练解码特征图进行类傅里叶尺度域概率修正以得到所述优化训练解码特征图；其中，所述优化公式为：

14、

15、其中，fi，j，k是所述训练解码特征图的第(i，j，k)位置的特征值，w、h和c分别是所述训练解码特征图的高度、宽度和通道数，且α、β和γ为用于尺度调节的超参数，exp(·)表示指数运算，fi，′j，k是所述优化训练解码特征图的第(i，j，k)位置的特征值。

16、在上述功率半导体器件真空烧结设备中，所述解码损失模块，用于：使用解码器对所述优化训练解码特征图进行解码回归以得到训练解码值；以及，计算所述训练解码值与所述推荐的甲酸通入量的真实值之间的均方误差损失函数值作为所述解码损失函数值。

17、根据本技术的另一方面，提供了一种功率半导体器件真空烧结方法，其包括：

18、获取待烧结的半导体产品的表面图像；

19、将所述待烧结的半导体产品的表面图像进行图像分块处理以得到表面图像块的序列；

20、将所述表面图像块的序列中的各个表面图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；

21、将所述多个图像块特征矩阵基于所述图像分块的位置聚合为二维全局特征矩阵；

22、将所述二维全局特征矩阵通过作为特征提取器的卷积神经网络模型以得到解码特征图；以及

23、将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的甲酸通入量。

24、根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的功率半导体器件真空烧结方法。

25、根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的功率半导体器件真空烧结方法。

26、与现有技术相比，本技术提供的一种功率半导体器件真空烧结设备及方法，其通过采用基于深度学习的神经网络模型挖掘出真空烧结过程中功率半导体器件的表面状态隐含特征分布信息，以此来基于实际半导体器件的表面状态情况来进行甲酸的通入量的自适应控制，从而提高抽真空及排气效率的同时避免造成甲酸的过量浪费，且避免过量的甲酸对人体及环境造成伤害。