[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

说明书

本发明公开了一种基于图像处理与机器学习的MOCVD腔内状态识别方法，该方法包括：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；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；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；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。通过使用本发明，可方便工程人员快速查找对应工艺参数的气体流动状态，从而实现更高质量的半导体材料外延生长。本发明作为一种基于图像处理与机器学习的MOCVD腔内状态识别方法，可广泛应用于MOCVD状态识别领域。

技术领域

本发明属于是MOCVD状态识别领域，尤其涉及一种基于图像处理与机器学习的MOCVD腔内状态识别方法。

背景技术

MOCVD反应腔内的气体流动可分为多种状态，如不稳定流动可分为浮力流和旋转流，稳定流动可分为活塞流与活塞-旋转过渡流等，各流动状态的流线形状的变化是连续的，没有明显的界线，而目前根据MOCVD反应腔流线图进行流动状态判别主要依靠研究人员的经验，由于没有统一的判定标准，不同人员或者同一人员不同时间的判定可能会出现差异，并且在判定样本较多时会耗费大量的精力，导致效率与准确率下降。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于图像处理与机器学习的MOCVD腔内状态识别方法，分类标准更为统一，识别精度和效率更高。

本发明所采用的技术方案是：一种基于图像处理与机器学习的MOCVD腔内状态识别方法，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。

进一步，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。

进一步，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。

进一步，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。

进一步，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；