[发明专利]基于深度学习的晶圆规则性失效检测定位方法及相关装置

权利要求书

1.基于深度学习的晶圆规则性失效检测定位方法，其特征在于，包括：

采集待检测的晶圆数据；

构建预先训练好的晶圆规则性失效检测深度学习模型和晶圆规则性失效定位深度学习模型；

将待检测的晶圆数据输入到预先训练好的晶圆规则性失效检测深度学习模型和晶圆规则性失效定位深度学习模型中，分别进行晶圆检测，以及规则性失效定位，输出晶圆的二维图像阵列和规则性失效定位突出显示的二维图像阵列；

根据晶圆的二维图像阵列和规则性失效突出显示的二维图像阵列，判断规则性失效的分类结果是否准确，如果不准确，进行人工选择分类，以及是否将此晶圆数据更新晶圆规则性失效定位深度学习模型的信息。

2.根据权利要求1所述的基于深度学习的晶圆规则性失效检测定位方法，其特征在于，所述进行晶圆检测，以及规则性失效定位，输出晶圆的二维图像阵列和带规则性失效数据的二维图像阵列，具体包括：

调用深度学习模块中存放的晶圆规则性失效检测深度学习模型对待检测的晶圆数据进行预测，如果没有发现规则性失效，就将晶圆数据和检测结果存入数据存储模块；

如果发现规则性失效，调用深度学习模块中存放的晶圆规则性失效定位深度学习模型，然后将规则性失效定位对应的管芯在晶圆的二维图像阵列中突出显示。

3.根据权利要求2所述的基于深度学习的晶圆规则性失效检测定位方法，其特征在于，二维图像阵列中每个图像点的位置是管芯的位置信息，其中管芯是否失效的检测结果采用不同的颜色显示。

4.根据权利要求1所述的基于深度学习的晶圆规则性失效检测定位方法，其特征在于，所述根据晶圆的二维图像阵列和带划痕数据的二维图像阵列，判断检测结果是否准确，如果不准确则人工分类，以及是否将此晶圆数据更新晶圆规则性失效定位深度学习模型的信息，具体包括：

将发现划痕的提示信息，晶圆的二维图像阵列和对定位的规则性失效突出显示的二维图像阵列，待用户确认划痕检测和定位结果是否准确的信息显示在人机交互模块上；

如果确认检测和定位结果正确，将晶圆数据和检测结果存入数据存储模块；

如果确认检测结果不正确，输出提示用户是否将此晶圆的划痕类型人工分类，以及是否将此晶圆数据更新晶圆规则性失效定位深度学习模型的信息；

用户人工选择晶圆分类后，中央处理模块将就将晶圆数据和人工分类的结果存入数据存储模块；

如果用户选择将此晶圆数据用于更新模型，则将此数据标记后存入数据存储模块，本次检测完成后，系统更新晶圆划痕检测深度学习模型。

5.根据权利要求1所述的基于深度学习的晶圆规则性失效检测定位方法，其特征在于，晶圆划痕检测深度学习模型采用以下步骤建立：

步骤1，收集晶圆数据，并将每个晶圆人工分别分类为：良品晶圆，点失效晶圆，带划痕状失效晶圆，带聚集性失效晶圆，以及其他类型的用户定义的晶圆类型；

对晶圆数据进行预处理，对数据按照管芯在晶圆上的相对位置按顺序排序，将每个测试项目是否通过与否分别置1和0，去掉重复的数据；

步骤2，将每个晶圆数据处理成3×n的数据矩阵其中x_n，y_n是晶圆上每个管芯的相对位置的坐标数据，i_n是该点所有测试项目是否通过的逻辑值的“与”值；

步骤3，使用深度学习框架建立深度学习模型；将步骤2处理好的数据矩阵作为输入，将步骤1所述的晶圆分类的逻辑值作为输出，构建分类型的长短期记忆深度学习网络；

步骤4，对模型进行训练，计算训练获得的模型对输入数据的预测值，计算预测值和实际值之间的误差，采用遗传算法寻找预测值和实测值之间的误差的最小值，获得网络参数的最优值；

步骤5，深度学习模块根据人机交互模块的输入的晶圆数据，计算获得晶圆对应的分类；将计算获得的数据输出至人机互动模块；

步骤6，如果用户纠正了分类结果，人机交互模块由用户决定是否补充入历史数据；

步骤7，采用步骤6获得的测试数据对深度学习模型进行训练和更新。