[发明专利]基于图像处理与机器学习的MOCVD腔内状态识别方法

权利要求书

1.基于图像处理与机器学习的MOCVD腔内状态识别方法，其特征在于，包括以下步骤：

S1、基于计算流体力学软件构建MOCVD反应腔模型并生成训练流线图；

S2、对训练流线图进行图像处理并分类，得到流动状态分类结果；

S3、基于流动状态分类结果对BP神经网络进行训练，得到训练完成的BP神经网络；

S4、基于训练完成的BP神经网络计算临界稳定压强并绘制稳定性图谱。

2.根据权利要求1所述一种基于图像处理与机器学习的MOCVD腔内状态识别方法，其特征在于，所述基于计算流体力学软件构建MOCVD反应腔模型并生成训练流线图这一步骤，其具体包括：

S11、基于计算流体力学软件构建MOCVD反应腔模型；

S12、设定多组工艺参数，基于MOCVD反应腔模型得到对应的流动状态，并生成训练流线图；

所述工艺参数包括压强、温度、转速和流量。

3.根据权利要求2所述一种基于图像处理与机器学习的MOCVD腔内状态识别方法，其特征在于，所述对训练流线图进行图像处理并分类，得到流动状态分类结果这一步骤，其具体包括：

S21、对训练流线图进行消除无关信息的图像预处理，得到预处理后的图像；

S22、基于灰度阈值对预处理后图像进行图像分割，得到分割后图像；

S23、对分割后图像进行特征提取，得到图像特征；

S24、根据图像特征对训练流线图中对应的工艺参数进行分类，得到流动状态分类结果。

4.根据权利要求3所述一种基于图像处理与机器学习的MOCVD腔内状态识别方法，其特征在于，所述对训练流线图进行消除无关信息的图像预处理，得到预处理后的图像这一步骤，其具体包括：

对训练流线图进行灰度化处理；

对训练流线图进行几何变换处理，所述几何变换包括平移、转置、镜像、旋转和缩放；

对训练流线图进行图像增强处理；

得到预处理后的图像。

5.根据权利要求4所述一种基于图像处理与机器学习的MOCVD腔内状态识别方法，其特征在于，所述对分割后图像进行特征提取，得到图像特征这一步骤，其具体包括：

S231、对分割后图像进行特征提取，所述特征包括反应腔边缘与衬底之间的旋涡、衬底上方的旋涡和旋涡的规模；

S232、将特征表示为数值与向量的形式，得到图像特征。

6.根据权利要求5所述一种基于图像处理与机器学习的MOCVD腔内状态识别方法，其特征在于，所述流动状态包括活塞-旋转过渡流、旋转流、浮力流和活塞流，所述根据图像特征对训练流线图中对应的工艺参数进行分类，得到流动状态分类结果这一步骤，其具体包括：

判断到反应腔边缘与衬底之间存在漩涡且漩涡的规模超过衬底边缘，流动状态分类为旋转流；

判断到反应腔边缘与衬底之间存在漩涡且漩涡的规模不超过衬底边缘，流动状态分类为旋转过渡流；

判断到反应腔边缘与衬底之间没有漩涡且衬底上方存在漩涡，流动状态分类为浮力流；

判断到反应腔边缘与衬底之间没有漩涡且衬底上方不存在漩涡，流动状态分类为活塞流。

7.根据权利要求6所述一种基于图像处理与机器学习的MOCVD腔内状态识别方法，其特征在于，所述基于流动状态分类结果对BP神经网络进行训练，得到训练完成的BP神经网络这一步骤，其具体包括：

以压强、温度、转速、流量四个工艺参数作为输入，对应的流动状态分类结果作为输出，训练BP神经网络，得到连续的变量空间上任意一点的输出结果和训练完成的BP神经网络。

8.根据权利要求7所述一种基于图像处理与机器学习的MOCVD腔内状态识别方法，其特征在于，所述基于训练完成的BP神经网络计算临界稳定压强并绘制稳定性图谱这一步骤，其具体包括：

S41、固定温度和流量，在转速的取值区间内取点并计算临界稳定压强；

S42、记录转速区间内每个点的临界稳定压强后描点连线，得到一条稳定性曲线；

S43、调节温度或流量并返回步骤S41直至达到预设循环次数，得到多工艺参数条件下的稳定性图谱。