[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)

说明书

本申请涉及卷积神经网络(CNN)算法支持的晶片的最小监督自动检查(AI)。计算装置包括存储器和处理器。存储器被配置为保存电子电路的一个或更多个参考图像。处理器被配置成(a)通过在参考图像中嵌入缺陷的视觉伪像来根据参考图像生成一组训练图像，(b)使用该一组训练图像来训练神经网络(NN)模型，以及(c)使用经训练的NN模型来识别在电子电路的复制品的经扫描的图像中的缺陷。

发明领域

本发明总体上涉及机器学习技术，且特别是涉及深度学习技术在电子电路中的缺陷的自动检查中的使用。

发明背景

卷积神经网络(CNN)(其是人工神经网络(NN)的子类)被考虑为与其他类型的NN相比更适合于实际实现。特别是，CNN被研究用于在例如图像和自然语言处理的领域中的各种潜在应用，其中CNN可能在运行时间和所需的计算资源方面具有特别实用的优势。

原则上，CNN架构通过应用卷积步骤来降低计算的复杂性和持续时间，同时保留研究对象(例如图像)的基本特征，该卷积步骤降低在神经网络模型中的变量的数量。尽管卷积构成CNN架构的主干，但我们强调，这些网络还包含一些其他基本操作(例如，“转置卷积”、“池化(Pooling)”和“批量重正化”)和技术(例如“丢弃(Dropouts)”，其减少在小数据集上的过度拟合问题)。

此外，最近的CNN方法旨在减少常常在深度学习解决方案中需要的模型和数据库定制，以便实现全自动的基于NN的产品，并从而扩展NN的实际(例如，商业)应用的范围。

监督式机器学习方法(特别是CNN的训练)需要足够的训练数据，以便实现良好的泛化并避免过度拟合。不幸的是，由于可能的约束，获得足够的可靠真实训练数据并不总是可能的。需要足够的训练数据的一些解决方案因此旨在人工地增加训练数据的数量，以便实现NN的良好性能。

为了使用非常少的训练数据来构建可靠的NN模型，通常需要图像增广。图像增广通过不同方式的处理或多种处理(例如，随机旋转、移位、剪切和翻转等)的组合来人工地创建训练图像。替代上述图像或在上述图像的顶部，可以通过采用生成方法来执行附加的图像增广。对这种类型的增广的值得注意的方法是使用生成式深度学习模型，例如变分自编码器模型或生成式对抗网络模型。例如，生成式对抗网络模型可以使用涉及在两个神经网络之间的“竞争”的迭代过程来增广图像，如由Goodfellow等人在“Deep Learning”(MITPress，2016年，第20章第651-716页)中所述的。

发明概述

本发明的实施例提供了一种包括存储器和处理器的计算装置。存储器被配置为保存电子电路的一个或更多个参考图像。处理器被配置成(a)通过在参考图像中嵌入缺陷的视觉伪像来根据参考图像生成一组训练图像，(b)使用该一组训练图像来训练神经网络(NN)模型，以及(c)使用经训练的NN模型来识别在电子电路的复制品的经扫描的图像中的缺陷。

在一些实施例中，NN模型是卷积神经网络(CNN)模型。

在一些实施例中，在生成训练图像时，处理器还被配置成增广具有嵌入的视觉伪像的参考图像。在其他实施例中，在生成训练图像时，处理器还被配置成对已增广的参考图像进行图像相减，其中已增广的参考图像的图像相减包括从已增广的图像中减去无缺陷参考图像。

在一个实施例中，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选择的参考图像的叠加来增广参考图像。

在另一个实施例中，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参考图像的一个或更多个中的模糊。

在一些实施例中，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视觉伪像的参考图像中的一个或更多个。

在一些实施例中，电子电路是晶片的芯片的一部分。