[发明专利]一种提高多类型图片深度学习模型训练效率的方法

说明书

本发明提供一种提高多类型图片深度学习模型训练效率的方法，提供三张不同类型的图像，对该三张不同类型的图像进行尺寸变换；对经过尺寸变换后的三张不同类型的图像进行滤波去噪；对经过滤波去噪后的三张不同类型的图像进行裁剪；对经过裁剪的三张不同类型的图像进行图像组合，图像组合包括对该三张不同类型的图像进行三维堆叠。本发明在预处理中将不同类型的图像进行三维堆叠，堆叠后图像尺寸为3 Channel 320*320，通过第一层深度学习神经网络使用3 Channel卷积核减少后续神经网络层的计算量，进而提高模型训练的效率。

技术领域

本发明涉及半导体技术领域，特别是涉及一种提高多类型图片深度学习模型训练效率的方法。

背景技术

芯片制造通常包含成百上千道工艺步骤，只有一道工艺步骤有问题，就会引起缺陷(defect)的产生，严重的可能会导致整个芯片的失效。随着线宽的缩小，制造工艺越来越复杂，产线缺陷(Inline defect)对产品良率的影响越来越大。

近年来将深度学习图像识别技术引入到在线缺陷(Inline defect)的识别与检测，以实现在线缺陷(Inline defect)的自动分类，提高分类的准确性，一致性和及时性。深度学习需要大量的缺陷图像(defect image)作为学习样本并且学习过程参数不断的训练优化，整个过程耗费大量的时间，如何提高模型训练的效率至关重要。

目前在线(Inline)每颗缺陷(defect)包含三种不同类型的图像(image)以得到更丰富的缺陷(defect)信息，包括扫描电镜侧视图像(SEM Side View Image)，扫描电镜俯视图像(SEM Top View Image)以及OM图像(OM Image)。当前在模型训练图像预处理中采取三种类型图像二维拼接的方式，模型训练效率低(一个模型训练平均耗费一周)。

因此，需要提出一种新的方法来解决上述问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种提高多类型图片深度学习模型训练效率的方法，用于解决现有技术中模型训练图像预处理中采取三种类型图像二维拼接的方式，模型训练效率低的问题。

为实现上述目的及其他相关目的，本发明提供一种提高多类型图片深度学习模型训练效率的方法，至少包括：

步骤一、提供三张不同类型的图像，对该三张不同类型的图像进行尺寸变换；

步骤二、对经过尺寸变换后的三张不同类型的图像进行滤波去噪；

步骤三、对经过滤波去噪后的三张不同类型的图像进行裁剪；

步骤四、对经过裁剪的三张不同类型的图像进行图像组合，所述图像组合包括对该三张不同类型的图像进行三维堆叠。

优选地，步骤一中的所述不同类型的图像包括：扫描电镜侧视图像、扫描电镜俯视图像、OM图像。

优选地，步骤四中对该三张不同类型的图像进行三维堆叠后，所述图像组合的尺寸为3channel 320*320。

优选地，步骤四中对所述图像进行三维堆叠后使用3channel卷积核提取特征。

优选地，该方法还包括有步骤五、模型构建和优化；

优选地，步骤五中的模型构建和优化至少包括：1、模型调整；2、拒绝模型。

如上所述，本发明的提高多类型图片深度学习模型训练效率的方法，具有以下有益效果：本发明在预处理中将不同类型的图像进行三维堆叠，堆叠后图像尺寸为3Channel320*320，通过第一层深度学习神经网络使用3Channel卷积核减少后续神经网络层的计算量，进而提高模型训练的效率。

附图说明

图1显示为本发明和现有技术的Epoch循环次数的对比图；