[发明专利]一种基于特征金字塔卷积神经网络的半导体缺陷识别方法

说明书

本发明公开一种基于特征金字塔卷积神经网络的半导体缺陷识别方法，属于图像分类技术领域，其主要针对对于半导体检测行业当中，缺陷在图片中的占比较小，致使现有算法处理图片时，缺陷容易被大尺寸正常特征或背景掩盖的问题，调整各尺寸的权重，加大小尺寸特征的权重占比，以更适应主要为微小缺陷的半导体检测系统。

技术领域

本发明涉及图像分类技术领域，尤其涉及一种基于特征金字塔卷积神经网络的半导体缺陷识别方法。

背景技术

现有半导体缺陷检测分类识别方法主要基于模板匹配，将设计图纸与生产结果逐像素对比，如果差异超过差异阈值则认为产品有生产缺陷，反之，则认为产品合格。现有算法主要是采用VGG-16网络结构逐层提取网络特征分类半导体缺陷。使用该方法提取特征时尺寸较小的特征会因周边强势特征的影响而弱化，现有算法难以准确识别微弱变化引起的半导体缺陷，容易出现大量的假缺陷(即过检)的情况。对于半导体生产线检测的效率造成了一定影响。

发明内容

综上所述，本发明所解决的技术问题是：提供一种基于特征金字塔卷积神经网络的半导体缺陷识别方法，其可以有效提高对于半导体缺陷的识别精度。

而本发明为解决上述技术问题所采用的技术方案为：

一种基于特征金字塔卷积神经网络的半导体缺陷识别方法，包括以下方法:

S1、采集半导体缺陷图片作为样本图片；

S2、标注样本图片的缺陷类型得到训练样本集；

S3、将训练样本集划分为训练集和测试集；

S4、基于卷积神经网络与特征金字塔相融合的算法构建缺陷分类模型；

S5、利用所述训练集和测试集训练和测试缺陷分类模型；

S6、利用训练后的缺陷分类模型分类待分类半导体缺陷图片。

进一步的，所述基于卷积神经网络与特征金字塔相融合的算法构建缺陷分类模型具体包括以下步骤：

L1、提取卷积神经网络中的特征图，所提取的各个特征图具有不同的分辨率；

L2、分别提取步骤L1生成的具有相同分辨率的卷积层组的最后一个卷积层特征并进行通道压缩，使其通道数变为1；

L3、将通道压缩后的各个特征图进行一维展开得到各个特征图的一维特征向量，并将其与卷积神经网络所输出的最后一维全连接层特征向量进行堆叠；

L4、将步骤L3堆叠得到的一维特征向量进行全连接层计算，然后输入至softmax分类器进行分类。

进一步的，在步骤L2中，在排除前2个分辨率最大的特征图组后，将步骤L1提取的各个卷积层的特征图进行通道压缩。

进一步的，在步骤L4中，所述全连接层计算的维度为2048维。

进一步的，所述卷积神经网络为VGG-16分类网络。

综上所述，由于采用了上述技术方案，本发明的有益效果为：

本发明针对于半导体检测行业当中，缺陷在图片中的占比较小，致使现有算法处理图片时，缺陷容易被大尺寸正常特征或背景掩盖的问题，本发明调整各尺寸的权重，加大小尺寸特征的权重占比，以更适应主要为微小缺陷的半导体检测系统。

附图说明

图1为本发明所提供实施例1的流程示意图；

图2位本发明所提供实施例1的算法结构示意图。

具体实施方式