[发明专利]基于全景分割的半导体自动分区方法

说明书

本发明属于半导体缺陷检测与图像处理技术领域，具体涉及一种基于全景分割的半导体自动分区方法，本方法基于全景分割网络，首先收集若干产品的模板数据作为全景分割网络的训练数据，模板数据包含模板图片和mask图片；将mask图片中材质定义为stuff，在模板图片上任意位置生成随机大小的颜色块，并将颜色块映射到mask图片上定义为things；其次采用训练数据训练全景分割网络，得到可以进行半导体自动分区建模的全景分割网络。将带分区图片输入该全景分割网络即可得到分区模板，该方法可以解决传统分区方案中调参繁琐、结构适应性弱、分区耗时等问题。

技术领域

本发明属于半导体缺陷检测与图像处理技术领域，具体涉及一种基于全景分割的半导体自动分区方法。

背景技术

随着物联网、5G产业、智能可穿戴设备的兴起，半导体行业在产业政策的加持下迎来了迅猛发展，市场需求急剧扩大。但是半导体制造业在生产速度和生产质量上需要解决很多问题，其中缺陷检测是半导体制造过程中的重要流程之一。目前，大多数半导体的生产厂商都采用人工质检的方式进行缺陷检测，不同工艺流程都需要经验丰富的操作员进行全神贯注的用肉眼检测缺陷。这种人工质检的方式耗时、效率低，往往带有很强的主观判断。为了提升缺陷检测的效率和准确率，基于机器视觉的自动光学检测（AOI）系统应运而生。

半导体在生产制造中往往是批量性的，因此具有结构重复性的特点。这一特点也是一个很重要的先验知识，常常被各大AOI厂商应用于缺陷检测流程中。目前市面上针对半导体缺陷检测的AOI设备，大部分都是采用先分区建模，后在线检测的流程，分区流程是半导体缺陷检测建模流程中的关键一步，分区结果的优劣直接影响到后续缺陷检测的准确率。而分区建模也是最耗时的一个阶段，这个阶段需要操作人员操作鼠标对半导体绘制多个多边形ROI，并对每个ROI设置类别、提取参数以及检测参数等复杂的操作。并且分区建模往往不是一次成功，需要不断调整参数达到最佳效果，一般每种产品的平均建模时间需要2小时。这就要求现场操作人员对各种半导体结构足够熟悉，并且要拥有一定的图像处理知识，提高了AOI软件使用门槛。结合上述分析，目前半导体缺陷检测的分区流程存在如下亟待解决的问题：

第一，传统AOI设备分区方法操作复杂，需要手动设置精细的选区，并不断调整提取值，人机交互和软件开发复杂度高；

第二，传统分区方案对产品结构变化的适应性较低，需要有经验的操作人员对着图纸去逐步操作；

第三，有些传统方案分区方案采用更为先进的自动二值化算法，但是该方案通用性较差，需要人为设定材质的类型和数量，并且对光照变化和不均匀的场景往往会失效（由于成像不稳定和物料表面不平整导致的图像灰度均匀性差）；

第四，传统分区方案耗时太久，通常经验丰富的操作工需要10-20分钟才能完成一个产品的分区操作，这对产品结构高频切换的生产线来说是不够友好的。

发明内容

本发明的目的在于提供一种基于全景分割的半导体自动分区方法，该方法可以解决传统分区方案中调参繁琐、结构适应性弱、分区耗时等问题。

为实现上述目的，本发明提供如下技术方案：

一种基于全景分割的半导体自动分区方法，本方法基于全景分割网络，其特征在于：

收集若干产品的模板数据作为全景分割网络的训练数据，模板数据包含模板图片和mask图片；将mask图片中材质定义为stuff，在模板图片上任意位置生成随机大小的颜色块，并将颜色块映射到mask图片上定义为things；

采用训练数据训练全景分割网络，得到可以进行半导体自动分区建模的全景分割网络。

进一步地，将模板数据拆分成若干张颗粒图片作为训练数据，所述训练数据划分成全景分割网络的训练集、验证集和测试集。

进一步地，所述模板数据的拆分包括：