[发明专利]一种半导体检测方法、装置以及计算机可读存储介质

权利要求书

1.一种半导体检测方法，其特征在于，包括：

对训练集样本的各类性能表征参数对应等级、不同检验图像对应等级进行标记；

将所述训练集样本的各类性能表征参数作为与各类性能表征方式对应的多层神经网络模型的输入，将所述训练集样本的各类性能表征参数对应等级作为输出；

将所述训练集样本的不同检验图像作为与不同图像检测设备对应的卷积神经网络模型的输入，将所述训练集样本的不同检验图像对应等级作为输出；

基于所述训练集样本的各类性能表征参数和对应的标记等级，对所述多层神经网络模型进行训练；基于所述训练集样本的不同检验图像和对应的标记等级，对所述卷积神经网络模型进行训练，直至所有神经网络模型的误识别率不大于预设误识别率，完成单模型训练；

基于半导体产品类型，设置各个神经网络模型的权重；

利用完成单模型训练的多层神经网络模型对待测样本的多类性能表征进行检测，利用完成单模型训练的卷积神经网络模型对待测样本的多幅检验图像进行检测，并根据所述各个神经网络模型的权重，对所有神经网络模型的输出进行融合，得到所述待测样本的最终等级。

2.如权利要求1所述的半导体检测方法，其特征在于，所述利用完成单模型训练的各个神经网络模型对待测样本进行检测前包括：

基于标记等级对所述训练集样本进行等级归类，筛选训练集中各类性能表征参数对应等级、不同检验图像对应等级均相同的样本，生成每个样本等级均相同的目标训练集；

设置组合训练次数阈值，基于所述目标训练集对完成单模型训练的各个神经网络模型进行组合训练；

标记每次训练中，输出结果与所有神经网络模型输出中占比最大的等级不同的神经网络模型；

当训练次数达到所述组合训练次数阈值时，将各个神经网络模型被标记次数与阈值进行比较；

若当前神经网络模型被标记次数小于第一阈值，则不对所述当前神经网络模型的内部参数和权重进行调整；

若所述当前神经网络模型被标记次数大于等于所述第一阈值，则调整所述当前神经网络模型的内部参数或权重。

3.如权利要求2所述的半导体检测方法，其特征在于，所述若所述当前神经网络模型被标记次数大于等于所述第一阈值，则调整所述当前神经网络模型的内部参数或权重包括：

判断所述当前神经网络模型被标记次数是否小于第二阈值；

若所述当前神经网络模型被标记次数小于所述第二阈值，则调整所述当前神经网络模型的权重；

若所述当前神经网络模型被标记次数大于等于所述第二阈值，则根据所述当前神经网络模型的类型，调整所述当前神经网络模型的内部参数，并重新训练所述当前神经网络模型；

完成被标记次数大于等于所述第二阈值的全部神经网络模型的调参及重训练后，对所有神经网络模型进行重组合训练，直至所有神经网络模型被标记次数均小于所述第二阈值。

4.如权利要求3所述的方法，其特征在于，所述若所述当前神经网络模型被标记次数大于等于所述第二阈值，则根据所述当前神经网络模型的类型，调整所述当前神经网络模型的内部参数包括：

获取所述当前神经网络模型的类型；

若所述当前神经网络模型为多层神经网络，则调整的参数为多层神经网络的输入层节点数、隐含层层数或节点数、学习率中任意一种或多种；

若所述当前神经网络模型为卷积神经网络，则调整的参数为卷积核大小和步长。

5.如权利要求1所述的半导体检测方法，其特征在于，所述各类性能表征参数包括衬底或外延片的晶体学表征参数、电学表征参数，光学表征参数和热力学表征参数中的一个或多个；

所述图像检测设备包括光学显微镜、原子力显微镜、透射电子显微镜、扫描隧道显微镜、扫描电子显微镜、自动光学检测设备中的一种或多种。

6.如权利要求1所述的半导体检测方法，其特征在于，所述半导体产品类型至少包括激光器、MicroLED、深紫外LED、功率器件、射频器件的外延片或衬底；不同半导体产品类型对应的各个神经网络模型的权重不同。