CN109754392A - 一种缺陷图像自动分析的装置及方法 - Google Patents
一种缺陷图像自动分析的装置及方法 Download PDFInfo
- Publication number
- CN109754392A CN109754392A CN201811560846.5A CN201811560846A CN109754392A CN 109754392 A CN109754392 A CN 109754392A CN 201811560846 A CN201811560846 A CN 201811560846A CN 109754392 A CN109754392 A CN 109754392A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- convolutional neural
- neural networks
- database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 64
- 238000013480 data collection Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 8
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000010191 image analysis Methods 0.000 abstract description 3
- 238000010921 in-depth analysis Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 15
- 230000002950 deficient Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种缺陷图像自动分析的方法,包括如下步骤:S01:训练得出卷积神经网络模型,S02:将上述卷积神经网络模型配置到自动分析装置中,所述自动分析装置包括数据收集模块和数据库;所述数据收集模块将所收集到的图像自动分析装置将数据收集模块收集到的图像输入所述卷积神经网络模型中进行识别和分类,并将分类之后的图像及对应的缺陷类型传输至数据库中。本发明提供的一种缺陷图像自动分析的装置及方法,采用基于卷积神经网络模型的深度学习方法实现产线缺陷图像数据的自动分类功能,并将自动分类结果实时输入缺陷数据库,为失效机制的深入分析提供准确的数据保障。
Description
技术领域
本发明涉及集成电路制造领域,具体涉及一种缺陷图像自动分析的装置及方法。
背景技术
在半导体集成电路制造领域,缺陷数据是生产线中的一类重要数据,其典型数据形式是由扫描电镜(SEM)所拍摄的一系列图片,缺陷数据与生产线的制造能力及晶圆制造的良率息息相关。产线所收集的缺陷数据通常表现为各种不同的缺陷类型,这些不同的缺陷类型通常反映了不同的失效机制,因此缺陷数据分析和利用的基础首先是要对缺陷类型进行准确判断和分类。目前对于缺陷数据的分类主要依赖工程师的经验进行人为判断,即采用人工分类方式,如附图1所示:当在线(In-line)检测设备完成缺陷数据的量测和收集后,将数据传入已有的缺陷数据库,然后工程师从数据库中调取缺陷图像数据进行人工分析,按照缺陷图像的不同特征结合制造工艺划分为不同的缺陷类型(defect code),这种人工分类方式在有限的数据规模下的确具有较高的准确度,但是不难看出,这种分析模式主要依赖工程师的行业经验,对人力资源占用巨大,分析效率十分低下,且因为生产效率的限制很难对产线的所有数据做出全面分析。
在先进工艺节点的生产线中,细分的缺陷类型不断增加,甚至多达成百上千种,缺陷数据的数据量也显著增加,人工分类方式已经难以完成全部数据规模的分析和分类,目前很多缺陷数据量测的设备厂商都在积极研发能够自动进行缺陷数据分析的工具或方法,也在一些在线检测设备初步集成了相关分析功能,但是这些设备功能在研发时很难覆盖到复杂多变的实际制造工艺数据,因此相关功能在实际生产线应用时虽然能在一定程度上提升效率但是准确性比较低,仍然需要大量的人力资源投入进行人工校验和检查,因此实际应用比例很低。在实际工艺制造的生产线上仍然迫切需要一种有效的缺陷图像分析工具或方法,在保证缺陷数据分析准确性的同时提高分析效率,从而为提升晶圆制造良率提供有效帮助。
发明内容
本发明的目的是提供一种缺陷图像自动分析的装置及方法,采用基于卷积神经网络模型的深度学习方法实现产线缺陷图像数据的自动分类功能,并将自动分类结果实时输入缺陷数据库,为失效机制的深入分析提供准确的数据保障。
为了实现上述目的,本发明采用如下技术方案:一种缺陷图像自动分析的方法,包括如下步骤:
S01:训练得出卷积神经网络模型,具体包括:
S011:建立M个数据集,并将M个数据集分为N个训练数据集和M-N个测试数据集;其中,每个数据集中包括一个缺陷图像和该缺陷图像对应的缺陷类型,M和N均为整数,M≥2,M>N≥1;
S012:标注出每个数据集中缺陷图像中的缺陷区域,提取该缺陷区域中的缺陷特征,保证所述缺陷特征与缺陷类型一一对应;
S013:采用卷积神经网络算法对N个训练数据集进行迭代训练;
S014:采用测试数据集对训练后的卷积神经网络算法进行测试,若测试结果满足缺陷图像分类准确性要求,则将训练和测试之后的卷积神经网络算法输出,即为卷积神经网络模型;若测试结果不满足缺陷图像分类准确性要求,则继续对卷积神经网络算法进行迭代训练;
S02:将上述卷积神经网络模型配置到自动分析装置中,所述自动分析装置包括数据收集模块和数据库;所述数据收集模块将所收集到的图像输入所述卷积神经网络模型中进行识别和分类,并将分类之后的图像及对应的缺陷类型存储在所述数据库中。
进一步地,所述卷积神经网络算法为Alexnet、Inception、Xception、ResNet和VGG中的一种或多种。
进一步地,所述步骤S02将上述卷积神经网络模型配置到所述数据收集模块中;所述数据收集模块将所收集到的图像传输至所述卷积神经网络模型中进行识别和分类,并将分类之后的图像及对应的缺陷类型传输至数据库中进行存储。
进一步地,所述步骤S02将上述卷积神经网络模型配置到所述数据库中;所述数据收集模块将所收集到的图像传输至所述卷积神经网络模型中进行识别和分类,并将分类之后的图像及对应的缺陷类型存储在数据库中。
进一步地,所述自动分析装置还包括位于所述数据收集模块和数据库之间的自动分析模块;所述步骤S02将上述卷积神经网络模型配置到所述自动分析模块中;所述数据收集模块将所收集到的图像传输至所述卷积神经网络模型中进行缺陷识别和分类,并将分类之后的图像及对应的缺陷类型传输至所述数据库中进行存储。
进一步地,所述数据收集模块收集的图像被存储为Klarf文件和TIFF文件,其中,所述Klarf文件记录该图像的缺陷信息,所述TIFF文件记录该图像;当图像对应的Klarf文件和TIFF文件输入所述自动分析模块时,所述自动分析模块对TIFF文件中的图像进行分类,并将分类结果写入对应的Klarf文件中,再将更新后的Klarf文件和相应的TIFF文件传输至所述数据库中进行存储。
进一步地,所述神经网络算法包括输入层、A层卷积层和A层池化层、全连接层以及输出层,其中,A为大于1的整数。
本发明提供的一种缺陷图像自动分析的装置,包括数据收集模块和数据库,所述装置中配置有经过训练和测试的卷积神经网络模型,所述卷积神经网络模型用于对图像进行缺陷分类;所述数据收集模块将所收集到的图像传输至所述卷积神经网络模型中进行缺陷识别和分类,并将分类之后的图像及对应的缺陷类型存储在所述数据库中。
本发明的有益效果为:本发明所提出的缺陷图像自动分析装置,对产线缺陷数据量测设备所收集的在线缺陷图像进行自动分类,并将分类结果实时传输至数据库进行存储。本发明装置可配置在产线缺陷数据量测设备端或数据库服务器端,完全替代了传统的人工分类模式,在线实现了缺陷图像数据的自动分类,大大提高了数据分析效率。***核心功能的实现采用了基于卷积神经网络模型的深度学习方法,充分利用了卷积神经网络模型在图像分类方面的算法特点和优势,具有非常高的分类准确性。本发明的装置简单,具有非常高的可移植性,可适用于不同工艺节点的集成电路制造产线,具有非常重要的应用前景。
附图说明
附图1为现有技术中的缺陷图像分类模式示意图。
附图2为本发明一种缺陷图像自动分析的装置图。
附图3为本发明卷积神经网络模型的生成流程图。
附图4为实施例中采用Xception卷积神经网络模型的混淆矩阵示意图。
附图5为实施例中采用Xception卷积神经网络模型的柱状分布图。
附图6为实施例中缺陷图像自动分析装置的应用示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的具体实施方式做进一步的详细说明。
请参阅附图2,本发明提供的一种缺陷图像自动分析的装置,包括数据收集模块、自动分析模块和数据库,自动分析模块位于数据收集模块和数据库之间,自动分析模块中包含卷积神经网络模型,卷积神经网络模型用于对图像进行缺陷分类;数据收集模块收集到的图像传输至自动分析模块中进行缺陷识别和分类,并将分类之后的图像及对应的缺陷类型传输至数据库中进行存储。
本发明所提出的缺陷图像自动分析的装置的核心功能是实现缺陷图像的自动分类,即对输入的缺陷图像数据根据预先设定的不同缺陷类型进行自动分类和标定,这里所述预先设定的缺陷类型是根据集成电路产线的工艺特征或失效机制已经确定的不同缺陷类型,例如图2实施例所述的STI Void,Ball Defect,AA Damage,Stick PD等缺陷类型,当然对于先进工艺节点,产线缺陷类型已多达上百种甚至几百种,这里不再一一列出。对于缺陷图像的自动分类功能实现,本发明采用基于卷积神经网络的深度学习方法,利用卷积神经网络算法对大量的缺陷图像数据进行反复训练和测试,最终生成高准确率的神经网络模型,并将其配置在所述缺陷图像自动分析***中。卷积神经网络是深度学习的代表算法之一,其在计算机视觉领域应用广泛,尤其在图像识别和分类等应用方面具有明显优势,本发明即利用卷积神经网络在图像分类方面的算法优势和特点开发缺陷图像自动分析***中的神经网络模型,实现所述缺陷图像自动分析***的核心功能。
本发明提供的一种缺陷图像自动分析的方法,包括如下步骤:
S01:训练得出卷积神经网络模型,具体包括:
S011:数据集准备:建立M个数据集,并将M个数据集分为N个训练数据集和M-N个测试数据集;其中,每个数据集中包括一个缺陷图像和该缺陷图像对应的缺陷类型,M和N均为整数,M≥2,M>N≥1;
S012:数据预处理:标注出每个数据集中缺陷图像中的缺陷区域,提取该缺陷区域中的缺陷特征,保证缺陷特征与缺陷类型一一对应;
S013:采用卷积神经网络算法对N个训练数据集进行迭代训练;
S014:采用测试数据集对训练后的卷积神经网络算法进行测试,若测试结果满足缺陷图像分类准确性要求,则将训练和测试之后的卷积神经网络算法输出,即为卷积神经网络模型;若测试结果不满足缺陷图像分类准确性要求,则继续对卷积神经网络算法进行迭代训练。
其中,请参阅附图3,本发明中神经网络算法包括输入层、A层卷积层和A层池化层、全连接层以及输出层,其中,A为大于1的整数。在运用卷积神经网络算法进行模型训练时,所采用的卷积神经网络模型架构可包括Alexnet、Inception、Xception、ResNet、VGG等任意一种,也可针对不同的缺陷类型采用多种模型架构进行组合训练,以及根据模型测试结果对模型架构和训练参数进行优化调整。
S02:将上述卷积神经网络模型配置到自动分析装置中,自动分析装置包括数据收集模块和数据库;数据收集模块将所收集到的图像输入卷积神经网络模型中进行识别和分类,并将分类之后的图像及对应的缺陷类型传输至数据库中进行存储。
如图2所示,缺陷图像自动分析装置介于In-line缺陷数据收集和缺陷数据库之间,即在产线缺陷检测设备完成In-line缺陷数据收集后,立即进行缺陷图像自动分析,完成不同缺陷类型的自动分类,也就是对所有在线收集的缺陷图像所属类型进行自动标定,譬如图2中所示的不同缺陷图像分别对应STI Void,Ball Defect,AA Damage,Stick PD等,随后再将自动标定好的缺陷图像数据实时传入缺陷数据库,以供进一步失效机制和良率分析。可以看出,上述缺陷图像自动分析装置的输入端和输出端分别是产线缺陷数据量测设备和缺陷数据库服务器,因此所述***在进行硬件配置时,既可配置在产线缺陷数据量测设备端,也可配置在缺陷数据库服务器端,同时,所述***的具体表现形式可以是软件产品,也可以是包含配置文件的一系列可执行文件,可根据具体硬件需求和配置形式进行定制开发。
本发明中自动分析装置包括数据收集模块、自动分析模块和数据库,自动分析模块位于数据收集模块和数据库之间;本发明中步骤S02中卷积神经网络模型可以分为三种情况来进行配置:
(1)将上述卷积神经网络模型配置到数据收集模块中;数据收集模块将所收集到的图像传输至卷积神经网络模型中进行识别和分类,并将分类之后的图像及对应的缺陷类型传输至数据库中。
(2)将上述卷积神经网络模型配置到数据库中;数据收集模块将所收集到的图像传输至卷积神经网络模型中进行识别和分类,并将分类之后的图像及对应的缺陷类型存储在数据库中。
(3)将上述卷积神经网络模型配置到自动分析模块中;自动分析模块位于数据收集模块和数据库之间;数据收集模块将所收集到的图像传输至自动分析模块中的卷积神经网络模型中进行缺陷识别和分类,并将分类之后的图像及对应的缺陷类型传输至数据库中进行存储。
以下采用两个具体实施例进行说明:
实施例1
请参阅附图4和5,模型训练所采用的神经网络架构是Xception,其中图4给出了混淆矩阵(Confusion Matrix)结果,x轴是需要预测的缺陷类型,y轴则为数据集中实际标定的缺陷类型,可以看出,矩阵单元的准确率基本都沿着对角线分布,表明所预测的缺陷类型与实际缺陷类型完全吻合,而图5则给出了每种缺陷类型具体预测准确率的柱状分布图,可以看出,所有缺陷类型的预测准确率都超过90%,表明了该神经网络模型具有非常高的测试准确性。
实施例2
请参阅附图6,SM01和SM02是数据收集模块设备,用于在线收集缺陷数据,此实施例的具体数据形式是Klarf文件和TIFF文件,其中Klarf文件记录晶圆缺陷的具体信息(批次、位置、数量等),TIFF文件则记录Klarf文件对应的缺陷图像。当Klarf文件和TIFF文件输入缺陷图像自动分析***时,***首先对TIFF文件中的所有缺陷图像进行自动分类,将其标定为对应的缺陷类型,然后再将自动分类的结果(即每个缺陷对应的缺陷类型)写入相应的Klarf文件,完成对Klarf文件的更新,这样原始收集的Klarf文件和TIFF文件通过运行缺陷图像自动分析***后,将生成包含缺陷类型的新Klarf文件(New Klarf),最后再将NewKlarf文件和相应的TIFF文件保存至数据库Data Server,进一步进行具体的失效机制分析和良率提升。
以上所述仅为本发明的优选实施例,所述实施例并非用于限制本发明的专利保护范围,因此凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明所附权利要求的保护范围内。
Claims (8)
1.一种缺陷图像自动分析的方法,其特征在于,包括如下步骤:
S01:训练得出卷积神经网络模型,具体包括:
S011:建立M个数据集,并将M个数据集分为N个训练数据集和M-N个测试数据集;其中,每个数据集中包括一个缺陷图像和该缺陷图像对应的缺陷类型,M和N均为整数,M≥2,M>N≥1;
S012:标注出每个数据集中缺陷图像中的缺陷区域,提取该缺陷区域中的缺陷特征,保证所述缺陷特征与缺陷类型一一对应;
S013:采用卷积神经网络算法对N个训练数据集进行迭代训练;
S014:采用测试数据集对训练后的卷积神经网络算法进行测试,若测试结果满足缺陷图像分类准确性要求,则将训练和测试之后的卷积神经网络算法输出,即为卷积神经网络模型;若测试结果不满足缺陷图像分类准确性要求,则继续对卷积神经网络算法进行迭代训练;
S02:将上述卷积神经网络模型配置到自动分析装置中,所述自动分析装置包括数据收集模块和数据库;所述数据收集模块将所收集到的图像输入所述卷积神经网络模型中进行识别和分类,并将分类之后的图像及对应的缺陷类型存储在所述数据库中。
2.根据权利要求1所述的一种缺陷图像自动分析的方法,其特征在于,所述卷积神经网络算法为Alexnet、Inception、Xception、ResNet和VGG中的一种或多种。
3.根据权利要求1所述的一种缺陷图像自动分析的方法,其特征在于,所述步骤S02将上述卷积神经网络模型配置到所述数据收集模块中;所述数据收集模块将所收集到的图像传输至所述卷积神经网络模型中进行识别和分类,并将分类之后的图像及对应的缺陷类型传输至数据库中进行存储。
4.根据权利要求1所述的一种缺陷图像自动分析的方法,其特征在于,所述步骤S02将上述卷积神经网络模型配置到所述数据库中;所述数据收集模块将所收集到的图像传输至所述卷积神经网络模型中进行识别和分类,并将分类之后的图像及对应的缺陷类型存储在数据库中。
5.根据权利要求1所述的一种缺陷图像自动分析的方法,其特征在于,所述自动分析装置还包括位于所述数据收集模块和数据库之间的自动分析模块;所述步骤S02将上述卷积神经网络模型配置到所述自动分析模块中;所述数据收集模块将所收集到的图像传输至所述卷积神经网络模型中进行缺陷识别和分类,并将分类之后的图像及对应的缺陷类型传输至所述数据库中进行存储。
6.根据权利要求5所述的一种缺陷图像自动分析的方法,其特征在于,所述数据收集模块收集的图像被存储为Klarf文件和TIFF文件,其中,所述Klarf文件记录该图像的缺陷信息,所述TIFF文件记录该图像;当图像对应的Klarf文件和TIFF文件输入所述自动分析模块时,所述自动分析模块对TIFF文件中的图像进行分类,并将分类结果写入对应的Klarf文件中,再将更新后的Klarf文件和相应的TIFF文件传输至所述数据库中进行存储。
7.根据权利要求1所述的一种缺陷图像自动分析的方法,其特征在于,所述神经网络算法包括输入层、A层卷积层和A层池化层、全连接层以及输出层,其中,A为大于1的整数。
8.一种缺陷图像自动分析的装置,其特征在于,包括数据收集模块和数据库,所述装置中配置有经过训练和测试的卷积神经网络模型,所述卷积神经网络模型用于对图像进行缺陷分类;所述数据收集模块将所收集到的图像传输至所述卷积神经网络模型中进行缺陷识别和分类,并将分类之后的图像及对应的缺陷类型存储在所述数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811560846.5A CN109754392A (zh) | 2018-12-20 | 2018-12-20 | 一种缺陷图像自动分析的装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811560846.5A CN109754392A (zh) | 2018-12-20 | 2018-12-20 | 一种缺陷图像自动分析的装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109754392A true CN109754392A (zh) | 2019-05-14 |
Family
ID=66403722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811560846.5A Pending CN109754392A (zh) | 2018-12-20 | 2018-12-20 | 一种缺陷图像自动分析的装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109754392A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298839A (zh) * | 2019-07-10 | 2019-10-01 | 北京滴普科技有限公司 | 一种基于数据驱动的外观缺陷智能判别*** |
CN110610214A (zh) * | 2019-09-23 | 2019-12-24 | 桂林电子科技大学 | 基于dcnn的晶圆图故障模式识别方法及*** |
CN110717898A (zh) * | 2019-09-25 | 2020-01-21 | 上海众壹云计算科技有限公司 | 一种运用ai和大数据管理的半导体制造缺陷自动管理方法 |
CN110969600A (zh) * | 2019-11-12 | 2020-04-07 | 华北电力大学扬中智能电气研究中心 | 一种产品缺陷检测方法、装置、电子设备及存储介质 |
CN111179241A (zh) * | 2019-12-25 | 2020-05-19 | 成都数之联科技有限公司 | 一种面板缺陷检测和分类方法及*** |
CN111652883A (zh) * | 2020-07-14 | 2020-09-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的玻璃表面缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107408209A (zh) * | 2014-12-03 | 2017-11-28 | 科磊股份有限公司 | 无需取样及特征选择的自动缺陷分类 |
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
US9892344B1 (en) * | 2015-11-30 | 2018-02-13 | A9.Com, Inc. | Activation layers for deep learning networks |
-
2018
- 2018-12-20 CN CN201811560846.5A patent/CN109754392A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107408209A (zh) * | 2014-12-03 | 2017-11-28 | 科磊股份有限公司 | 无需取样及特征选择的自动缺陷分类 |
US9892344B1 (en) * | 2015-11-30 | 2018-02-13 | A9.Com, Inc. | Activation layers for deep learning networks |
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298839A (zh) * | 2019-07-10 | 2019-10-01 | 北京滴普科技有限公司 | 一种基于数据驱动的外观缺陷智能判别*** |
CN110610214A (zh) * | 2019-09-23 | 2019-12-24 | 桂林电子科技大学 | 基于dcnn的晶圆图故障模式识别方法及*** |
CN110717898A (zh) * | 2019-09-25 | 2020-01-21 | 上海众壹云计算科技有限公司 | 一种运用ai和大数据管理的半导体制造缺陷自动管理方法 |
CN110969600A (zh) * | 2019-11-12 | 2020-04-07 | 华北电力大学扬中智能电气研究中心 | 一种产品缺陷检测方法、装置、电子设备及存储介质 |
CN111179241A (zh) * | 2019-12-25 | 2020-05-19 | 成都数之联科技有限公司 | 一种面板缺陷检测和分类方法及*** |
CN111652883A (zh) * | 2020-07-14 | 2020-09-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的玻璃表面缺陷检测方法 |
CN111652883B (zh) * | 2020-07-14 | 2024-02-13 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的玻璃表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754392A (zh) | 一种缺陷图像自动分析的装置及方法 | |
CN106290378B (zh) | 缺陷分类方法和缺陷检查*** | |
CN107004123A (zh) | 迭代式缺陷滤除工艺 | |
CN109726744A (zh) | 一种网络流量分类方法 | |
CN110383038A (zh) | 用于对空气样本进行自动分析的***和方法 | |
CN111553303A (zh) | 基于卷积神经网络的遥感正射影像密集建筑物提取方法 | |
CN110378206B (zh) | 一种智能审图***及方法 | |
WO2000014790A1 (fr) | Systeme d'inspection et procede de production d'un dispositif electronique l'utilisant | |
CN109120632A (zh) | 基于在线特征选择的网络流异常检测方法 | |
CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN113191452B (zh) | 一种基于深度学习的煤灰分在线检测***及其检测方法 | |
CN115187527A (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
CN102683165A (zh) | 智能缺陷筛选及取样方法 | |
CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
CN110688955A (zh) | 一种基于yolo神经网络的建筑构建目标检测方法 | |
CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
CN111626357B (zh) | 一种基于神经网络模型的图像识别方法 | |
CN114862832A (zh) | 缺陷检测模型的优化方法、装置、设备及存储介质 | |
CN106529470A (zh) | 一种基于多级深度卷积神经网络的手势识别方法 | |
CN113283467B (zh) | 一种基于平均损失和逐类选择的弱监督图片分类方法 | |
CN114090556A (zh) | 一种电力营销数据采集方法及*** | |
CN116229278B (zh) | 一种输电线路防震锤锈蚀缺陷检测方法和*** | |
CN107292531B (zh) | 一种基于bp神经网络和聚类分析法的公交车“两率”检查方法 | |
CN115758561A (zh) | 一种飞机飞行模拟参数数据的生成方法 | |
WO2023085992A1 (en) | Image analysis of cut flowers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190514 |