[发明专利]晶圆缺陷识别方法、装置、电子设备以及存储介质

权利要求书

1.一种晶圆缺陷识别方法，其特征在于，所述方法包括：

获取待检测晶圆图；

将所述待检测晶圆图输入至目标晶圆缺陷识别模型，经所述目标晶圆缺陷识别模型输出所述待检测晶圆图的缺陷信息；其中所述目标晶圆缺陷识别模型包括至少一个多尺度深度可分离网络，所述多尺度深度可分离网络的各个通道包含多个感受野不同的卷积分支。

2.根据权利要求1所述的方法，其特征在于，所述将所述待检测晶圆图输入至目标晶圆缺陷识别模型，经所述目标晶圆缺陷识别模型输出所述待检测晶圆图的缺陷信息之前，包括：

确定所述待检测晶圆图的粗略缺陷信息；

从多个候选晶圆缺陷识别模型中选取与所述粗略缺陷信息相匹配的目标晶圆缺陷识别模型；所述候选晶圆缺陷识别模型中的多尺度深度可分离网络的卷积分支的尺寸和/或数量不同。

3.根据权利要求1所述的方法，其特征在于，所述通道的输出结果根据所述多个卷积分支输出的特征信息的融合信息确定。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述缺陷信息包括缺陷类型，所述目标晶圆缺陷识别模型被设置为按照下述方式训练得到：

获取多个晶圆图样本，所述晶圆图样本标注有缺陷类型；

构建初始晶圆缺陷识别模型，所述晶圆缺陷识别模型中设置有模型参数；

分别将所述多个晶圆图样本输入至所述晶圆缺陷识别模型中，生成预测结果；

基于所述预测结果与所述缺陷类型之间的差异，对所述模型参数进行迭代调整，直至所述差异满足预设要求。

5.根据权利要求4所述的方法，其特征在于，所述预测结果与所述缺陷类型之间的差异根据损失函数确定，所述损失函数还设置有第一调节系数、第二调节系数，所述第一调节系数用于调节正负晶圆图样本的损失贡献，所述第二调节系数用于调节易区分晶圆图样本的损失贡献。

6.根据权利要求1所述的方法，其特征在于，在所述将所述待检测晶圆图输入至目标晶圆缺陷识别模型之前，所述方法还包括：

对所述待检测晶圆图进行二值化处理，得到二值化待检测晶圆。

7.根据权利要求1所述的方法，其特征在于，所述目标晶圆缺陷识别模块还包括至少一个单尺度深度可分离网络，所述单尺度深度可分离网络的第一数量和/或所述多尺度深度可分离网络的第二数量根据待检测晶圆的特征信息确定。

8.根据权利要求4所述的方法，其特征在于，所述获取多个晶圆图样本，所述晶圆图样本标注有缺陷类型，包括：

获取晶圆图数据集，所述晶圆图数据集中的各个晶圆图样本标注有缺陷类型；

分别计算各个缺陷类型的晶圆图样本在晶圆图数据集中的占比，将占比超出预设比例阈值的缺陷类型的晶圆图样本选取为目标晶圆图样本；

对所述目标晶圆图样本进行下采样，直至所述目标晶圆图样本的数量与其他缺陷类型晶圆图样本的数量之间的差异小于所述预设比例阈值。

9.根据权利要求1所述的方法，其特征在于，所述目标晶圆缺陷识别模型包括顺次连接的特征提取层、多尺度深度可分离网络层、池化层和全连接层；

所述特征提取层包括依次相连的若干层卷积层，用于对待检测晶圆图进行初步特征提取得到所述待检测晶圆图的初步特征信息；

所述多尺度深度可分离网络层包括依次相连的第一逐点卷积层、逐深度卷积层、第二逐点卷积层，用于深度提取所述待检测晶圆图的特征信息；所述第一逐点卷积层用于将输入的所述初步特征信息的M个通道变为N个通道；所述逐深度卷积层包括N个通道，每个所述通道对输入的初步特征信息进行卷积得到深度特征信息；每个所述通道包含若干个卷积分支，每个所述卷积分支包括至少一个卷积核对所述初步特征信息进行卷积；所述第二逐点卷积层对所述逐深度卷积层各个通道输出的深度特征信息进行融合拼接；

所述池化层用于对所述深度特征信息进行降维；

所述全连接层用于对降维后的深度特征信息进行处理，并输出所述待检测晶圆图的缺陷信息。