[发明专利]卷积神经网络(CNN)算法支持的晶片的最小监督自动检查(AI)

权利要求书

1.一种计算装置，包括：

存储器，所述存储器被配置为保存电子电路的一个或更多个参考图像；以及

处理器，所述处理器被配置成：

通过在所述参考图像中嵌入缺陷的视觉伪像来根据所述参考图像生成一组训练图像；

使用所述一组训练图像来训练神经网络(NN)模型；以及

使用经训练的NN模型来识别在所述电子电路的复制品的经扫描的图像中的缺陷。

2.根据权利要求1所述的计算装置，其中，所述NN模型是卷积神经网络(CNN)模型。

3.根据权利要求1所述的计算装置，其中，在生成所述训练图像时，所述处理器还被配置成增广具有嵌入的视觉伪像的所述参考图像。

4.根据权利要求3所述的计算装置，其中，在生成所述训练图像时，所述处理器还被配置成对已增广的参考图像进行图像相减，其中所述已增广的参考图像的图像相减包括从所述已增广的图像中减去无缺陷参考图像。

5.根据权利要求3所述的计算装置，其中，所述处理器被配置为通过将生成式深度学习(GDL)算法应用于选择的参考图像而生成所述选择的参考图像的叠加来增广所述参考图像。

6.根据权利要求1-5中的任一项所述的计算装置，其中，所述处理器还被配置成通过应用生成式深度学习(GDL)算法来以光学方式校正在所述参考图像的一个或更多个中的模糊。

7.根据权利要求1-5中的任一项所述的计算装置，其中，所述处理器还被配置为根据分类、对象检测和分割中的一个来标记被嵌有所述视觉伪像的所述参考图像中的一个或更多个。

8.根据权利要求1-5中的任一项所述的计算装置，其中，所述电子电路是晶片的芯片的一部分。

9.根据权利要求1-5中的任一项所述的计算装置，其中，所述处理器被配置为通过对经扫描的图像应用图像相减来识别在所述经扫描的图像中的缺陷，其中扫描图像的图像相减包括从所述经扫描的图像中减去无缺陷参考图像。

10.根据权利要求1-5中的任一项所述的计算装置，其中，所述参考图像中的至少一个包括下列项之一：(i)所述电子电路的实际复制品的经扫描的图像和(ii)通过几个复制品的扫描而生成的“金芯片”。

11.根据权利要求1-5中的任一项所述的计算装置，其中，所述处理器被配置成识别以旋转扫描模式扫描的所述电子电路的复制品的图像中的所述缺陷。

12.一种方法，包括：

在存储器中保存电子电路的一个或更多个参考图像；

通过在所述参考图像中嵌入缺陷的视觉伪像来根据所述参考图像生成一组训练图像；

使用所述一组训练图像来训练神经网络(NN)模型；以及

使用经训练的NN模型来识别在所述电子电路的复制品的经扫描的图像中的缺陷。

13.根据权利要求12所述的方法，其中，所述NN模型是卷积神经网络(CNN)模型。

14.根据权利要求12所述的方法，其中，生成所述训练图像包括增广具有嵌入的视觉伪像的所述参考图像。

15.根据权利要求14所述的方法，其中，生成所述训练图像包括对已增广的参考图像进行图像相减，其中已增广的参考图像的图像相减包括从所述已增广的图像中减去无缺陷参考图像。

16.根据权利要求14所述的方法，其中，增广所述参考图像包括通过将生成式深度学习(GDL)算法应用于选择的参考图像来生成所述选择的参考图像的叠加。