[发明专利]基于深度学习的晶圆ID识别方法和装置

说明书

本发明公开了一种基于深度学习的晶圆ID识别方法和装置。该晶圆ID识别方法包括：获取待识别的晶圆ID图像；利用光学文字识别循环卷积神经网络模型，从待识别的晶圆ID图像中获得晶圆ID。其中，光学文字识别循环卷积神经网络包括Mobilenet bottleneck卷积模块。本发明的技术方案利用包括Mobilenet bottleneck卷积模块的循环卷积神经网络模型，实现了对任意长度的晶圆ID字符的快速且准确的识别。

技术领域

本发明涉及晶圆检测技术领域，尤其涉及一种基于深度学习的晶圆ID识别方法和装置。

背景技术

晶圆ID是半导体晶圆的唯一标识。在晶圆检测过程中，准确识别每个晶圆的ID至关重要。通过对晶圆ID的识别可以实现对晶圆的追踪。另外，也可以通过晶圆ID读取晶圆图(Wafer Map)，以便确定晶圆为良品或不良品。晶圆ID识别错误会导致测试数据和实物晶圆之间无法对应或出现混淆，进而导致后续工作结果没有意义。

在现有技术中，晶圆ID识别方法主要有两类。

第一类方法先进行字符分割，然后对分割后的字符进行提取特征，进而进行单个字符的识别。由于第一类方法需要先分割、再识别，因此第一类方法耗时较长。另外，如果字符分割效果差，则很容易影响字符识别的精度。

第二类方法涉及基于多标签分类的识别方法。此类方法不用字符分割，直接对每张晶圆ID图像进行特征提取，最后进行多标签分类。但是该方法要求每张晶圆ID图像的类别数相同，即只能识别定长的字符序列，无法识别不定长的字符序列。

因此，需要提供一种能够快速且准确识别不定长度的晶圆ID的方法。

发明内容

有鉴于此，本发明提出了一种基于深度学习的晶圆ID识别方法和装置，其能够解决以上技术问题。

本发明的技术方案如下：

一种基于深度学习的晶圆ID识别方法，包括：

获取待识别的晶圆ID图像；

利用光学文字识别循环卷积神经网络模型，从所述待识别的晶圆ID图像中获得晶圆ID，其中，所述光学文字识别循环卷积神经网络包括Mobilenet bottleneck卷积模块。

根据本发明一优选实施例，所述Mobilenet bottleneck卷积模块采用ReLU激活函数。

根据本发明一优选实施例，所述光学文字识别循环卷积神经网络包括第一卷积层、第一归一化层、第一激活层、第一Mobilenet bottleneck卷积模块、第二Mobilenetbottleneck卷积模块、第三Mobilenet bottleneck卷积模块、第四Mobilenet bottleneck卷积模块、第一长短期记忆层、第二长短期记忆层、全连接层以及Softmax分类层。

根据本发明一优选实施例，所述第一激活层采用Swish激活函数。

根据本发明一优选实施例，所述第一Mobilenet bottleneck卷积模块包括卷积核大小为5×5的可分离卷积，所述第二、第三和第四Mobilenet bottleneck卷积模块分别包括卷积核大小为3×3的可分离卷积。

根据本发明一优选实施例，所述光学文字识别循环卷积神经网络模型是通过以下步骤训练得到的：

采集晶圆ID真实图像，每张晶圆ID真实图像由其对应的晶圆ID标记；

随机生成晶圆ID合成图像，每张晶圆ID合成图像由其对应的晶圆ID标记；

利用晶圆ID合成图像对光学文字识别循环卷积神经网络进行预训练，得到光学文字识别循环卷积神经网络预训练模型；