[发明专利]晶圆缺陷识别方法、装置、电子设备以及存储介质

说明书

本申请涉及一种晶圆缺陷识别方法、装置、电子设备以及存储介质。其中，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各个通道包含多个感受野不同的卷积分支。本申请实施例提供的晶圆缺陷识别模型提取的特征信息更加全面且丰富，从而提高了分类识别的准确率以及该模型的鲁棒性。另外，使用深度可分离网络代替常规的卷积网络还可以在加深网络的同时减少参数量，从而可以节省计算资源。

技术领域

本申请涉及计算机视觉领域，特别是涉及一种晶圆缺陷识别方法、装置、电子设备以及存储介质。

背景技术

晶圆在加工过程中由于存在制程不完善、机台缺乏保养、制造材料污染等问题产生缺陷，进而导致晶圆良品率降低。缺陷尺寸大小对其所在区域芯片功能存在影响。由于缺陷产生的源头较多，导致产生的缺陷种类也较多，需要安排测试工程师手动对产生的缺陷进行分类，但这样会增加人工成本费时费力，且分类效率较低。

相关技术中，对晶圆图进行人工特征提取送入分类器，但是这种方法费时费力且泛化性不强；还有一种手段是使用卷积神经网络代替人工提取特征，通过全连接层的softmax输出分类结果，但是模型的性能并没有随着卷积神经网络深度的增加而变得更好；另外，由于缺陷的尺寸大小各不相同且差异较大，普通的卷积神经网络在提取特征时并不准确地提取所有缺陷的特征信息，从而使得模型的分类准确率和鲁棒性并不高。

因此，相关技术中亟需一种高准确率的晶圆缺陷识别方法。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高晶圆缺陷识别准确率的晶圆缺陷识别方法、装置、电子设备以及存储介质。

第一方面，本申请实施例提供了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各个通道包含多个感受野不同的卷积分支。

本申请实施例提供的晶圆缺陷识别模型，可以利用目标晶圆缺陷识别模型对输入的待检测晶圆图进行分析处理，确定所述待检测晶圆图的缺陷类型。其中，由于该晶圆缺陷识别模型包含多尺度深度可分离网络，所述多尺度深度可分离网络各个通道包含多个感受野不同的卷积分支。不同感受野的卷积分支可以提取不同尺寸的图像特征信息，即提取的特征信息更加全面且丰富，从而提高了分类识别的准确率以及该模型的鲁棒性。另外，使用深度可分离网络代替常规的卷积网络还可以在加深网络的同时减少参数量，从而可以节省计算资源。

可选的，在本申请的一个实施例中，所述将所述待检测晶圆图输入至晶圆缺陷识别模型，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。

可选的，在本申请的一个实施例中，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。

可选的，在本申请的一个实施例中，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；