發(fā)布時間：2020-12-10 18:54

　　芯片表面缺陷會影響芯片的外觀和性能,因此表面缺陷檢測是芯片生產(chǎn)過程中的重要環(huán)節(jié)。具有缺陷與背景對比度低、缺陷較小等特點的弱缺陷給傳統(tǒng)檢測方法帶來了挑戰(zhàn)。因為近年來深度學習在機器視覺領域展現(xiàn)出了強大的能力,所以文中采用基于深度學習的方法來研究芯片表面弱缺陷的檢測問題。該方法將芯片表面缺陷看作噪音,首先應用卷積去噪自編碼器（Convolutional Denoising Auto-encoders,CDAE）重構(gòu)無缺陷圖像,然后用重構(gòu)的無缺陷圖像減去輸入圖像,獲得包含缺陷信息的殘差圖。因為殘差圖中已經(jīng)消除了背景的影響,所以最后可以基于殘差圖較容易地進行缺陷檢測。由于基于CDAE重構(gòu)芯片背景的無缺陷圖像時存在隨機噪音,導致弱缺陷可能會湮沒在重構(gòu)噪音中,為此,文中提出了重疊分塊策略抑制重構(gòu)噪音,以便更好地檢測弱缺陷。因為CDAE是無監(jiān)督學習網(wǎng)絡,所以訓練時無需進行大量的人工數(shù)據(jù)標注,這進一步增強了該方法的可應用性。通過對真實芯片表面數(shù)據(jù)進行測試,驗證了所提方法在芯片表面檢測上的有效性。 

【文章來源】：計算機科學. 2020年02期 第118-125頁 北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

芯片表面缺陷類別

重疊分塊的殘差圖生成策略提高了缺陷區(qū)域與非缺陷區(qū)域的對比度,使生成的殘差圖分割閾值比原始圖像更容易確定,從而更容易分割缺陷。因此本文使用了自動閾值分割方法。2 基于CDAE的無缺陷圖像重構(gòu)

L(x,y)=‖x-y‖2 (5)在具體實現(xiàn)中,自編碼器的編碼部分和解碼部分可以由多種深度學習模型構(gòu)成,如卷積神經(jīng)網(wǎng)絡(CNN)、長短期記憶網(wǎng)絡(LSTM)等。利用卷積神經(jīng)網(wǎng)絡實現(xiàn)自編碼器的編碼與解碼部分,并接受部分損壞的輸入數(shù)據(jù)進行模型訓練,可以構(gòu)成卷積去噪自編碼(CDAE),其最大優(yōu)勢在于卷積神經(jīng)網(wǎng)絡的局部感知和權(quán)值共享。局部感知可以保留二維圖像的結(jié)構(gòu)信息;權(quán)值共享能夠有效降低神經(jīng)網(wǎng)絡需要訓練的參數(shù)個數(shù),使網(wǎng)絡結(jié)構(gòu)的適用性更強。典型CDAE的體系結(jié)構(gòu)含有卷積和池化層的編碼器部分,以及具有卷積和上采樣的解碼器部分,如圖4所示。CDAE可采用隨機梯度下降算法或自適應梯度下降算法對CDAE模型進行優(yōu)化。

【參考文獻】：
期刊論文
[1]基于序貫相似性與光源自動調(diào)節(jié)的芯片表面缺陷檢測算法[J]. 馮莉,龔子華.  現(xiàn)代電子技術(shù). 2017(05)
[2]基于機器視覺的半導體表面缺陷檢測研究[J]. 董先飛,韓震宇,廖聲洋,儀向向.  計測技術(shù). 2014(05)
[3]基于深度學習的太陽能電池片表面缺陷檢測方法[J]. 王憲保,李潔,姚明海,何文秀,錢沄濤.  模式識別與人工智能. 2014(06)



本文編號：2909205