[发明专利]基于机器学习的过程周期图像的根本原因分析

说明书

本发明公开了一种技术，该技术涉及对过程周期图像进行分类以预测过程周期的成功或失败。所公开的技术包括在基因分型过程中捕获和处理布置在图像生成芯片上的区段的图像。创建生产周期图像的图像描述特征，并将其作为输入提供给分类器。受过训练的分类器将成功的生产图像与不成功的或失败的生产图像分开。通过受过训练的根本原因分类器将这些失败的生产图像进一步分类为各种类别的失败。

优先权申请

本申请要求2021年1月28日提交的名称为“MACHINE LEARNING-BASED ROOT CAUSEANALYSIS OF PROCESS CYCLE IMAGES”的美国非临时专利申请号17/161,595(代理人案卷号ILLM 1026-2/IP-1911-US)的权益，该专利申请要求2020年1月31日提交的名称为“MACHINE LEARNING-BASED ROOT CAUSE ANALYSIS OF PROCESS CYCLE IMAGES”的美国临时专利申请号62/968,950(代理人案卷号ILLM 1026-1/IP-1911-PRV)的权益。优先权申请以引用方式并入本文中用于所有目的。

技术领域

所公开的技术涉及图像的分类以用于评估，以及生产过程的根本原因失败分析。

背景技术

本部分中讨论的主题不应仅因为在本部分中有提及就被认为是现有技术。类似地，在本部分中提及的或与作为背景技术提供的主题相关联的问题不应被认为先前在现有技术中已被认识到。本部分中的主题仅表示不同的方法，这些方法本身也可对应于受权利要求书保护的技术的具体实施。

基因分型是需要多日才能完成的过程。该过程易受机械及化学处理错误的影响。所收集的用于基因分型的样品被提取并且分布在图像生成芯片的区段和区域中。然后通过多个步骤对样品进行化学处理以生成荧光图像。该过程为所分析的每个区段生成质量评分。该质量无法洞察低质量过程的失败的根本原因。在一些情况下，失败的区段图像仍然产生可接受的质量评分。

因此，有机会引入新的方法和系统来评估区段图像，并且确定生产基因分型期间的失败的根本原因分析。

附图说明

在附图中，在所有不同视图中，类似的参考符号通常是指类似的部件。另外，附图未必按比例绘制，而是重点说明所公开的技术的原理。在以下描述中，参考以下附图描述了所公开的技术的各种具体实施，其中：

图1示出了系统的体系结构级示意图，其中对来自基因分型仪器的过程周期图像进行分类并且确定不良图像的根本原因。

图2例示了图1的特征生成器的子系统部件。

图3呈现了示例性基因分型过程的过程步骤。

图4呈现了在成功的处理完成之后在图像生成中布置的区段的图像。

图5A和图5B呈现了由于基因分型过程中的杂交失败而导致的失败的区段图像的示例。

图5C和图5D呈现了由于间隔区移位失败而导致的失败的区段图像的示例。

图5E呈现了由于偏移失败而导致的失败的区段图像的示例。

图5F呈现了由于表面磨蚀失败而导致的失败的区段图像的示例。

图5G和图5H呈现了由试剂流动失败而导致的失败的区段图像的示例。

图5I呈现了失败源未知的失败的或不健康的区段图像的示例。

图6A和图6B是通过使用主成分分析(PCA)生成的排序的主成分而选择的96个本征图像分量的基的示例。

图6C和图6D是从图6A和图6B中的96个图像中选择的前40个本征图像分量的放大图。

图7A例示了用于输入到主成分分析的区段图像的图像缩放和展平。