芯片表面缺陷會(huì)影響芯片的外觀和性能,因此表面缺陷檢測(cè)是芯片生產(chǎn)過(guò)程中的重要環(huán)節(jié)。具有缺陷與背景對(duì)比度低、缺陷較小等特點(diǎn)的弱缺陷給傳統(tǒng)檢測(cè)方法帶來(lái)了挑戰(zhàn)。因?yàn)榻陙?lái)深度學(xué)習(xí)在機(jī)器視覺(jué)領(lǐng)域展現(xiàn)出了強(qiáng)大的能力,所以文中采用基于深度學(xué)習(xí)的方法來(lái)研究芯片表面弱缺陷的檢測(cè)問(wèn)題。該方法將芯片表面缺陷看作噪音,首先應(yīng)用卷積去噪自編碼器（Convolutional Denoising Auto-encoders,CDAE）重構(gòu)無(wú)缺陷圖像,然后用重構(gòu)的無(wú)缺陷圖像減去輸入圖像,獲得包含缺陷信息的殘差圖。因?yàn)闅埐顖D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(jìn)行缺陷檢測(cè)。由于基于CDAE重構(gòu)芯片背景的無(wú)缺陷圖像時(shí)存在隨機(jī)噪音,導(dǎo)致弱缺陷可能會(huì)湮沒(méi)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(cè)弱缺陷。因?yàn)镃DAE是無(wú)監(jiān)督學(xué)習(xí)網(wǎng)絡(luò),所以訓(xùn)練時(shí)無(wú)需進(jìn)行大量的人工數(shù)據(jù)標(biāo)注,這進(jìn)一步增強(qiáng)了該方法的可應(yīng)用性。通過(guò)對(duì)真實(shí)芯片表面數(shù)據(jù)進(jìn)行測(cè)試,驗(yàn)證了所提方法在芯片表面檢測(cè)上的有效性。 

【文章來(lái)源】：計(jì)算機(jī)科學(xué). 2020年02期 第118-125頁(yè) 北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

芯片表面缺陷類(lèi)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(duì)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(dòng)閾值分割方法。2 基于CDAE的無(wú)缺陷圖像重構(gòu)

L(x,y)=‖x-y‖2 (5)在具體實(shí)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(xué)習(xí)模型構(gòu)成,如卷積神經(jīng)網(wǎng)絡(luò)(CNN)、長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)等。利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)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(jìn)行模型訓(xùn)練,可以構(gòu)成卷積去噪自編碼(CDAE),其最大優(yōu)勢(shì)在于卷積神經(jīng)網(wǎng)絡(luò)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(luò)需要訓(xùn)練的參數(shù)個(gè)數(shù),使網(wǎng)絡(luò)結(jié)構(gòu)的適用性更強(qiáng)。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(jī)梯度下降算法或自適應(yīng)梯度下降算法對(duì)CDAE模型進(jìn)行優(yōu)化。

【參考文獻(xiàn)】：
期刊論文
[1]基于序貫相似性與光源自動(dòng)調(diào)節(jié)的芯片表面缺陷檢測(cè)算法[J]. 馮莉,龔子華.  現(xiàn)代電子技術(shù). 2017(05)
[2]基于機(jī)器視覺(jué)的半導(dǎo)體表面缺陷檢測(cè)研究[J]. 董先飛,韓震宇,廖聲洋,儀向向.  計(jì)測(cè)技術(shù). 2014(05)
[3]基于深度學(xué)習(xí)的太陽(yáng)能電池片表面缺陷檢測(cè)方法[J]. 王憲保,李潔,姚明海,何文秀,錢(qián)沄濤.  模式識(shí)別與人工智能. 2014(06)



本文編號(hào)：2909205