[发明专利]芯片表面缺陷检测方法、系统、计算机设备和存储介质

说明书

本发明适用于芯片检测技术领域，提供了一种芯片表面缺陷检测方法、系统、计算机设备和存储介质，所述方法包括以下步骤：采集无损芯片的表面图片，以所述无损芯片的表面图像训练Cycle GAN网络框架，得到缺陷检测模型；输入待检测芯片的表面图片至缺陷检测模型中进行检测判定；当所述待检测芯片的表面被判定为有缺陷时，定位待检测芯片的表面图片中的缺陷位置，本发明的有益效果是：为实现芯片表面的缺陷检测提供了一种精度高、成本低的检测方法。

技术领域

本发明涉及芯片检测技术领域，尤其涉及一种芯片表面缺陷检测方法、系统、计算机设备和存储介质。

背景技术

随着军工、航天等各种高精尖领域的迅速发展，对芯片的质量和可靠性方面的要求也越来越高。因此出厂芯片的二次筛选显得尤为重要。尽管在二次筛选中芯片电性能等测试是芯片质量保证的必要前提，但芯片外观表面缺陷如芯片表面完整性、芯片引脚等的可靠性检测对芯片的二次筛选也起着重要作用。目前芯片的二次筛选厂家在芯片的外观缺陷检测领域仍采用传统的人工目测方式，但这种方式需要大量的人力物力，导致检测成本提高，而且容易漏检误检，检测精度低。

针对人工检测的缺点，运用机器视觉检测的方法得到更多的青睐，同时随着近年来非常火热的人工智能的发展，将深度学习的方法与机器视觉相融合的方法，会使得表面缺陷检测方法更加智能化。

在缺陷检测领域，目前基于深度学习的方法都是使用监督学习的方法，需要使用标注出缺陷的样本图片进行模型的训练，这样需要大量的人力资源去标注出芯片图片中的缺陷，这需要大量的人力资源，同时会增加检测的成本，并且采集大量各种带缺陷的样本较为困难，在现实中大多数的样本图片为表面正常的芯片图片。现有基于深度学习模型的缺陷检测方法无法定位出缺陷位置，只能简单的判断是否存在缺陷。

发明内容

本发明实施例的目的在于提供一种芯片表面缺陷检测方法、系统、计算机设备和存储介质，旨在解决背景技术中确定的现有技术存在的技术问题。

本发明实施例是这样实现的，芯片表面缺陷检测方法，包括以下步骤：

采集无损芯片的表面图片，以所述无损芯片的表面图像训练Cycle GAN网络框架，所述Cycle GAN网络框架包括真实空间的第一GAN网络和映射空间的第二GAN网络；

基于所述第一GAN网络和第二GAN网络生成缺陷检测模型，其中：

第一GAN网络由第一生成器通过映射空间随机生成的一个正态噪声矩阵解码生成一个假图片与真实的无损芯片表面图片通过第一判别器进行比较训练，来训练第一判别器和第一生成器的判别能力和生成能力，此时的第一生成器也起着解码器的作用，将映射空间的随机噪声解码到真实空间；

第二GAN网络由第二生成器通过将真实空间的无损芯片表面图片编码映射至映射空间与映射空间随机生成的一个正态噪声矩阵通过第一判别器进行比较训练，来训练第二判别器和第二生成器的判别能力和生成能力，此时的第二生成器也起着编码器的作用，将真实无损芯片表面图片编码映射至映射空间；

输入待检测芯片的表面图片至缺陷检测模型中进行检测判定；

当所述待检测芯片的表面被判定为有缺陷时，定位待检测芯片的表面图片中的缺陷位置。

作为本发明进一步的方案：输入至第一GAN网络中的无损芯片的表面图片中混入有随机噪声，用于增加图像特征信息的多样性。

作为本发明再进一步的方案：所述训练Cycle GAN网络框架的步骤中，还包括：定义循环一致性损失函数，所述循环一致性损失函数用于表征无损芯片的表面图片与第一生成器解码映射隐藏空间生成器生成的图片之间的误差。

作为本发明再进一步的方案：所述当所述待检测芯片的表面被判定为有缺陷时，定位待检测芯片的表面图片中的缺陷位置的步骤，具体包括：