[发明专利]一种微观晶圆表面缺陷图像检测方法

权利要求书

1.一种微观晶圆表面缺陷图像检测方法，其特征在于：

1)由已标记缺陷类型及其标定包围盒的微观晶圆原始图像构建训练集；

2)由训练集利用更快速区域卷积神经网络方法和区域建议网络结合进行模型训练，得到最终模型；

3)采集工业生产中拍摄的微观晶圆图像，并用最终模型进行检测得到图像中缺陷的位置。

2.根据权利要求1所述的一种微观晶圆表面缺陷图像检测方法，其特征在于：所述缺陷类型分为加热不均hump、灰尘颗粒dust、机械损伤injury和液体残留物blot的四种。

3.根据权利要求1所述的一种微观晶圆表面缺陷图像检测方法，其特征在于：所述的缺陷类型的标定包围盒为包围缺陷的最小外接矩形。

4.根据权利要求1所述的一种微观晶圆表面缺陷图像检测方法，其特征在于：所述步骤1)中，对所有微观晶圆原始图像进行扩充，对图像进行旋转、错切和翻转的操作，构成训练集。

5.根据权利要求1所述的一种微观晶圆表面缺陷图像检测方法，其特征在于：所述步骤3)具体为：

3.1)将训练集图像输入ZFNet神经网络模型进行训练，获取特征图，具体过程如下：

3.1.1)通过卷积层处理得到原始特征图；

3.1.2)将步骤3.1.1)获取的原始特征图采用Leaky ReLU作为激活函数进行激活，公式为：

其中，f(x)为输出特征图的像素值，λ为激活系数，x为输入的原始特征图的像素值；

3.1.3)将经过步骤3.1.2)激活获得的特征图做池化处理，池化方式是核为3×3的最大池化，公式为：

F(f(x))＝max(f(x),0)

其中，F(f(x))表示池化处理后的特征图的像素值，当f(x)<0时，F(f(x))＝0；当f(x)≥0时，F(f(x))＝f(x)；

3.2)将步骤3.1.2)获得的特征图及其缺陷类别输入区域建议网络(RPN网络)进行训练，输出预测框，具体过程如下：

3.2.1)建立大小为3×3的窗口，在特征图上滑动窗口并在每个窗口下生成九个锚区，对于每个锚区，计算锚区与已知的标定包围盒(tBox)之间的重合度p*：

其中，IoU表示锚区和标定包围盒的交集与并集之比，anchor表示锚区，tBox表示标定包围盒；

3.2.2)采用选择性搜索(Selective Search)方法针对训练集的图像生成若干个候选框及其候选概率；

3.2.3)根据步骤3.2.1)获取的锚区和步骤3.2.2)获取的候选框，将候选框进行分类和回归处理，输出预测框；

构建以下损失函数对每一幅图像进行分类和回归处理，以损失函数最小为目标处理获得预测框的尺寸参数(x,y,w,h)，损失函数具体公式为：

其中，N_cls为候选框的数目，表示第j个锚区与标定包围盒的重合度，p_i表示第i个候选框的候选概率，λ为分类与回归损失函数的权值，N_reg为图像中锚区的数量，i表示候选框的序号，j表示锚区的序号，q表示标定包围盒的序号；t_i表示第i个候选框的尺寸参数，表示第q个标定包围盒的尺寸参数；表示为锚区和候选框下的分类损失函数，表示为候选框和标定包围盒下的回归损失函数；

分类损失函数计算为：

回归损失函数计算为：

其中，第i个候选框的尺寸参数t_i由t_x、t_y、t_w和t_h构成，t_x和t_y表示候选框的中心坐标，t_w和t_h表示候选框的宽度和高度；第q个标定包围盒的尺寸参数由和组成，和表示标定包围盒的中心坐标，和表示标定包围盒的宽度和高度；

上述候选框的中心坐标t_x和t_y以及候选框的宽度和高度t_w和t_h表示为：

上述标定包围盒的中心坐标和以及标定包围盒的宽度和高度和表示为：

其中，(x^*,y^*,w^*,h^*)表示标定包围盒的尺寸参数，(x_a,y_a,w_a,h_a)为候选框的尺寸参数；(x,y,w,h)为预测框的尺寸参数，x和y表示预测框的中心坐标，w和h表示预测框的宽度和高度。