[发明专利]一种晶圆缺陷样本生成方法及系统

说明书

本发明涉及一种晶圆缺陷样本生成方法及系统。所述方法包括：获取标记后的晶圆缺陷图片样本集并将其划分为训练集和测试集；建立径向基神经网络，其网络输入为晶圆缺陷图片像素点，输出为缺陷概率；通过训练集对径向基神经网络进行训练，利用训练后的径向基神经网络对测试集进行计算，获得缺陷生成训练集；将缺陷概率作为输入，晶圆缺陷图片像素点缺陷作为输出，重新构建径向基神经网络；使用缺陷生成训练集对重新构建的径向基神经网络进行训练，生成训练好的径向基神经网络；采用训练好的径向基神经网络自动生成晶圆缺陷样本。采用本发明方法能够通过小样本数据生成大量晶圆缺陷数据，解决了由于训练集缺失导致的深度学习训练数据不足的问题。

技术领域

本发明涉及晶圆缺陷检测技术领域，特别是涉及一种晶圆缺陷样本生成方法及系统。

背景技术

晶圆缺陷检测是半导体制造与封测行业不可或缺的工序。传统算法通常采用差影比对的方式，无需提供大量样本即可完成缺陷检测，但传统方法容易受到外界干扰，致使检测成功率低。基于深度学习的人工智能算法在使用足够多的缺陷样本训练后，具有很强的泛化能力，抗干扰能力极强，是目前晶圆缺陷检测领域最先进的算法。但由于晶圆缺陷数据极少，很难通过大规模的采样获取深度学习所需的大量晶圆缺陷数据，因此如何通过小样本数据生成大量晶圆缺陷数据成为近年来的研究热点。

发明内容

本发明的目的是提供一种晶圆缺陷样本生成方法及系统，以解决训练集的缺失导致深度学习训练数据不足的问题。

为实现上述目的，本发明提供了如下方案：

一种晶圆缺陷样本生成方法，包括：

获取标记后的晶圆缺陷图片样本集；所述晶圆缺陷图片样本集中包括多张晶圆缺陷图片；每张所述晶圆缺陷图片中存在缺陷的像素点被标记为1，不存在缺陷的像素点被标记为0；

将所述晶圆缺陷图片样本集划分为训练集和测试集；

建立径向基神经网络；所述径向基神经网络的输入为晶圆缺陷图片像素点，所述径向基神经网络的输出为缺陷概率；

通过所述训练集对所述径向基神经网络进行模型训练，生成训练后的径向基神经网络；

利用所述训练后的径向基神经网络对所述测试集进行计算，获得缺陷生成训练集；

将所述缺陷概率作为网络输入，将晶圆缺陷图片像素点缺陷作为网络输出，重新构建径向基神经网络；

使用所述缺陷生成训练集对所述重新构建的径向基神经网络进行训练，生成训练好的径向基神经网络；

采用所述训练好的径向基神经网络自动生成晶圆缺陷样本。

可选地，所述将所述晶圆缺陷图片样本集划分为训练集和测试集，具体包括：

从所述晶圆缺陷图片样本集中随机选取50％的晶圆缺陷图片作为训练集，其余50％的晶圆缺陷图片作为测试集。

可选地，所述通过所述训练集对所述径向基神经网络进行模型训练，生成训练后的径向基神经网络，具体包括：

将所述训练集作为所述径向基神经网络的训练数据，使用梯度下降法对所述径向基神经网络进行训练，更新网络参数，生成所述训练后的径向基神经网络。

可选地，所述利用所述训练后的径向基神经网络对所述测试集进行计算，获得缺陷生成训练集，具体包括：

利用所述训练后的径向基神经网络计算所述测试集中每个样本的缺陷概率；

将所述缺陷概率大于50％的样本划入所述缺陷生成训练集。

可选地，所述采用所述训练好的径向基神经网络自动生成晶圆缺陷样本，具体包括：