[发明专利]基于融合深度学习模型的集成电路缺陷图像识别分类系统在审

专利信息
申请号: 201910910060.X 申请日: 2019-09-25
公开(公告)号: CN110766660A 公开(公告)日: 2020-02-07
发明(设计)人: 林义征 申请(专利权)人: 上海众壹云计算科技有限公司
主分类号: G06T7/00 分类号: G06T7/00;G06K9/62;G06N3/04
代理公司: 11616 北京盛凡智荣知识产权代理有限公司 代理人: 任娜娜
地址: 200000 上海市*** 国省代码: 上海;31
权利要求书: 查看更多 说明书: 查看更多
摘要: 发明公开了一种基于融合深度学习模型的集成电路缺陷图像识别分类系统,提出使用基于深度卷积神经网络(CNN)的融合模型的方式对晶圆的缺陷图像进行在线自动识别分类,及时地侦测晶圆各类缺陷数量的变化;其核心机制是由两种融入学习机制的深度学习模型构建的缺陷图像特征提取方法,该深度CNN融合模型基于SE_Inception_V4、SE_Inception_ResNet_V2两种框架构建了Combined3缺陷图像分类模型,并利用序列模型优化(SMBO)算法对融合深度CNN识别模型进行超参优化,提升模型识别精度。增加了自动化水平。降低了识别成本,原因是AI模型取代工程师,并且工作效率大大提高。基于实时的识别分类结果,工程师可以及时统计缺陷数据,查找原因,进而调整工艺参数,提高良品率。
搜索关键词: 缺陷图像 融合 晶圆 工程师 卷积神经网络 在线自动识别 自动化水平 分类结果 分类模型 分类系统 工作效率 核心机制 框架构建 模型构建 模型识别 缺陷数据 特征提取 序列模型 学习机制 良品率 算法 侦测 集成电路 优化 查找 学习 分类 融入 统计
【主权项】:
1.一种基于融合深度学习模型的集成电路缺陷图像识别分类系统,其特征在于,提出使用基于深度卷积神经网络(CNN)的融合模型的方式对晶圆的缺陷图像进行在线自动识别分类,及时地侦测晶圆各类缺陷数量的变化;/n其核心机制是由两种融入学习机制的深度学习模型构建的缺陷图像特征提取方法,该深度CNN融合模型基于SE_Inception_V4、SE_Inception_ResNet_V2两种框架构建了Combined3缺陷图像分类模型,并利用序列模型优化(SMBO)算法对融合深度CNN识别模型进行超参优化,提升模型识别精度。/n
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海众壹云计算科技有限公司,未经上海众壹云计算科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/patent/201910910060.X/,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code