CN109977808A - 一种晶圆表面缺陷模式检测与分析方法 - Google Patents
一种晶圆表面缺陷模式检测与分析方法 Download PDFInfo
- Publication number
- CN109977808A CN109977808A CN201910181768.6A CN201910181768A CN109977808A CN 109977808 A CN109977808 A CN 109977808A CN 201910181768 A CN201910181768 A CN 201910181768A CN 109977808 A CN109977808 A CN 109977808A
- Authority
- CN
- China
- Prior art keywords
- sample
- defect
- wafer
- mode
- tested
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Health & Medical Sciences (AREA)
Abstract
本发明提出了一种晶圆表面缺陷模式检测与分析方法,该方法能够检测出晶粒的表面缺陷,并判断缺陷晶粒的分布模式及缺陷模式成因。本方法属于晶圆生产制造过程中的缺陷检测领域,旨在解决目前的缺陷检测方法中存在的人工劳动强度大、检测效率低等问题。具体流程包括:获取晶粒图像,通过机器视觉方法生成晶圆缺陷模式图;构建并训练晶圆缺陷模式检测模型与分类模型,检测模型用于判断晶圆是否存在缺陷模式,分类模型用于判断具体的缺陷模式类别;最后根据相似性度量算法在数据库中检索出与待测样本最相似的已标记样本,通过分析已知样本的缺陷模式成因,推断待测样本的缺陷模式成因。
Description
技术领域:
本发明属于晶圆生产制造过程中的缺陷检测领域。具体涉及一种对晶圆表面缺陷采用机器视觉方法进行检测、判断缺陷模式类型并分析缺陷模式成因的方法。
背景技术
集成电路是当今信息技术产业高速发展的基础和源动力,已经高度渗透与融合到国民经济和社会发展的每个领域,其技术水平和发展规模已成为衡量一个国家产业竞争力和综合国力的重要标志之一。近年来,我国不断推出产业政策和方针计划推动并指引集成电路产业的发展。集成电路的生产制造有着非常复杂的流程,其中,晶圆作为制造芯片的主要材料,其表面缺陷是影响产品良率的主要障碍。通过检测晶圆表面缺陷,不仅能发现有缺陷的晶粒,还能根据缺陷晶粒的分布模式判断工艺流程中存在的故障,便于工程师进行工艺改良。目前,晶圆缺陷检测主要分为两类:通过探针测试检测晶粒的电气性能和通过人工目检检测晶圆表面的缺陷,两种方式生成晶圆缺陷模式图后由经验丰富的工程师判断缺陷模式成因。人工目检的方式效率低、速度慢、劳动强度大,亟需一种能够自动检测晶圆表面缺陷并判断缺陷模式成因的方法。
针对晶圆缺陷模式检测与分析,早期采用的是基于统计分析的方法,比如缺陷密度分布的估计、缺陷聚类分析等。这些方法往往只集中于缺陷模式的统计分析,无法对缺陷模式进行具体的分类。模板匹配也曾广泛用于晶圆缺陷模式检测与分析中,该方法是一种像素层面的图像比较算法,通过建立不同表面缺陷模式的标准模板库,用待检测样本与模板进行匹配对比,进而判断缺陷类型。但这种方法在建立标准库时只能依赖已有的表面缺陷样本,而同一模式的表面缺陷间也会存在较大的形态变化,表面缺陷样本并不能反应所有的表面缺陷模式。近些年来,机器学习方法在晶圆表面缺陷模式分析领域有了广泛应用,例如最近邻、支持向量机、BP神经网络等等。但这些方法都具有复杂的特征工程,需要人工提取晶圆缺陷模式图特征,分类准确率低。同时,以上方法仅局限于晶圆缺陷模式分类,而在每种缺陷模式下,晶圆的根本缺陷成因不同,以上方法无法分析缺陷模式成因。
发明内容
本发明主要目的在于提出一种晶圆表面缺陷模式检测与分析方法,该方法能够应用到晶圆生产制造过程中,代替现在人工目检的方式,实现机器自动检测晶圆表面存在缺陷的晶粒,根据缺陷晶粒的分布模式判断晶圆缺陷模式类型并分析缺陷模式成因。本发明旨在解决以下问题:
1.晶圆表面缺陷检测主要通过人工目检生成晶圆缺陷模式图,效率低、速度慢、劳动强度大;
2.目前的晶圆表面缺陷模式分类算法准确率低,且需要人工提取待测晶圆缺陷模式图特征;
3.现有的晶圆缺陷模式检测算法仅局限于缺陷模式分类,而每种类别模式下的缺陷成因并不相同,现有方法无法分析晶圆缺陷模式的根本成因。
为了解决以上问题,本发明提出一种晶圆表面缺陷模式检测与分析方法,该方法首先检测出表面存在缺陷的晶粒,有缺陷的晶粒会在晶圆上聚集成一定的分布模式,本方法涉及的缺陷模式类型包括:Center、Donut、Edge-Loc、Edge-Ring、Loc、Random、Scratch、Near-Full。通过构建的晶圆缺陷模式检测模型判断晶圆上是否存在缺陷模式,若不存在,则为正常晶圆,若存在缺陷模式,再通过分类模型判断具体的缺陷模式类型。最后根据相似性度量算法在数据库中检索出与待测样本最相似的已标记样本,通过分析已知样本的缺陷模式成因,从而推断待测样本的缺陷模式成因。
本发明具体工作流程如下:
步骤1,利用工业电子显微镜对晶圆上的晶粒逐个扫描,获取晶粒原始图像;
步骤2,提取晶粒图像的颜色直方图特征,并与模板库中标准晶粒图像和背景图特征进行相似性判别,生成晶圆缺陷特征矩阵;
步骤3,扫描结束后,将晶圆缺陷特征矩阵转化为晶圆缺陷模式图,进行中值滤波;
步骤4,基于WM811K晶圆数据集,构建晶圆缺陷模式检测模型并进行训练,利用该模型判断晶圆图是否存在已知缺陷模式类型,如果不存在缺陷模式,则判断为正常晶圆,检测过程结束,如果存在缺陷模式,则进行步骤5;
步骤5,基于WM811K晶圆数据集,构建晶圆缺陷模式分类模型并进行训练,利用该模型判断具体的晶圆缺陷模式类别;
步骤6,基于步骤5构建的缺陷模式分类模型,提取Fc2层输出的晶圆缺陷模式图特征,采用相似性度量算法在数据库中检索出与待测样本最相似的已标记缺陷样本,通过分析已标记样本的缺陷模式成因,判断待测样本的缺陷成因。
步骤4中,晶圆缺陷模式检测模型由三层卷积层和两层全连接层组成,模型基于Tensorflow框架搭建,具体模型结构如下表所示:
卷积层使用的卷积核尺寸为3×3,步长为1×1,激活函数为ReLU。每个卷积层后采用3×3的最大池化层进行下采样。全连接层Fc1采用Sigmoid作为激活函数,并加入Dropout防止过拟合,Dropout概率取值为0.5。
训练前,将步骤3处理后的图像作随机旋转和随机裁剪,并对输入图像进行标准化和归一化,标准化即将图像尺寸限制为224×224,归一化将三个通道的像素限制在(0,1)之间。基于WM811K数据集,选取22038张无缺陷模式的晶圆图作为正样本,15311张存在缺陷模式的晶圆图作为负样本。训练时损失函数选用Adam优化算法,学习率η=0.0001,样本batch_size为64,每一轮迭代包含583个批次,迭代次数为epoch=10。
步骤5中,晶圆缺陷模式检测模型由七层卷积层和三层全连接层组成,模型基于Tensorflow框架搭建,具体模型结构如下表所示:
卷积层使用的卷积核尺寸为3×3,步长为1×1,激活函数为ReLU。卷积层Conv2、Conv4和Conv7的输出特征均采用3×3的最大池化层下采样。全连接层Fc1和Fc2采用Sigmoid作为激活函数,并加入Dropout防止过拟合,Dropout概率取值为0.5。
训练前对样本图像作随机旋转和随机裁剪,并将图像尺寸限制为224×224,将三个通道的像素限制在(0,1)之间。WM811K晶圆数据集中标记的缺陷样本共25519张,选取60%作为训练集,即Center:2576,Donut:333,Edge-Loc:3113,Edge-Ring:5808,Loc:2155,Random:519,Scratch:715,Near-Full:93。损失函数选用Adam优化算法,学习率η=0.0001,样本batch_size为128,每一轮迭代包含199个批次,迭代次数为epoch=250。引入L2正则化对参数加以限制,防止过拟合,如公式(1)所示。
L=E+λ∑jωj 2 (1)
其中,E为原始代价函数,λ为正则化系数,本方法中λ取值为1×10-6,ωj为神经网络随机初始化和每轮迭代更新后的权重参数,L为引入正则化后的损失函数。
步骤6中,将待测样本输入到步骤5的分类模型中,提取Fc2层的输出特征作为原始特征向量a0。采用同样方法提取数据库中所有样本的原始特征,设数据库中样本数量为N,与待测样本组成原始特征矩阵A(N+1)×1024。采用PCA算法将原始特征矩阵降至254维,降维后的矩阵X(N+1)×254中每一行为一个样本降维后的特征向量。应用公式(2)将向量元素映射至区间[0,1],构成样本集D={μ0,μ1,μ2,…,μN}。
其中,xi为矩阵X的第i行特征向量,xi,min和xi,max分别为该向量的最小值与最大值,μi为归一化后的第i个样本特征向量。
将样本集矩阵D中的N+1个特征向量按照公式(3)进行区间映射。利用公式(4)计算映射后待测样本特征向量μ0 *与数据库中特征向量μk *(k∈{1,2,3...,N})的汉明距离,选择距离最小的样本作为近似查找结果,数据库中的样本缺陷模式成因已标记好,通过分析该样本的缺陷模式成因,推断待测样本的根本缺陷成因。
其中,μi,j为第i个特征向量中的第j个元素。
其中,μ0 *表示待测样本特征向量,μk *表示数据库中第k个样本特征向量。
本发明具有如下优点:
本方法采用机器视觉方法检测晶圆表面缺陷,并生成晶圆缺陷模式图,大大降低了人工劳动成本,提高晶圆检测效率。采用卷积神经网络构建晶圆表面缺陷模式检测与分类模型,训练后的检测模型在5104个缺陷样本中缺陷检出率为99.5%,分类模型能够准确判别8种缺陷模式,分别为:Center、Donut、Edge-Loc、Edge-Ring、Loc、Random、Scratch、Near-Full,测试时准确率分别为:99.8%、88.5%、92.1%、97.1%、85.4%、96.2%、98.9%、99.9%,模型检测效果均优于现有算法。本发明在分类模型的基础上,提出一种相似性度量算法用于分析待测样本的缺陷模式成因,使得模型不仅能够判断缺陷模式,还能分析造成该缺陷模式的根本原因。本发明能够应用在晶圆制造加工过程中的缺陷检测领域,代替人工对晶圆缺陷进行检测和分析。
附图说明
图1晶圆表面缺陷模式检测与分析方法流程图;
图2(a)为相机扫描晶粒方式示意图,(b)为晶圆缺陷特征矩阵示意图;
图3由晶圆缺陷特征矩阵生成的晶圆缺陷模式图,其中(a)为生成的原始缺陷模式图None,即为正常晶圆,(b)为滤波后缺陷模式图;
图4 WM811K晶圆数据集中晶圆缺陷模式示例;
图5晶圆缺陷模式检测模型结构示意图;
图6晶圆缺陷模式分类模型结构示意图;
图7相似性排序结果示意图,查询结果中最左侧为相似度最高的样本。
具体实施方式
下面结合附图与实例,针对本方法做详细说明。
图1为晶圆表面缺陷模式检测与分析方法的流程图,首先扫描晶圆上的晶粒,生成晶圆缺陷模式图,经过图像预处理后输入到训练好的晶圆缺陷模式检测模型中,若不存在缺陷模式,则为正常晶圆,退出检测过程;若存在缺陷模式,则输入到分类模型中,判断具体的缺陷模式类型。最后根据提出的相似性度量算法,在数据库中找出与待测样本最相似的样本,通过分析该相似样本的缺陷模式成因,进而推断造成待测样本缺陷的根本原因。具体步骤如下:
1.采集晶圆图像
图像采集设备采用工业电子显微镜,像素为2400万,采集的图像可实时传输到计算机进行处理。图2为相机扫描晶粒的方式及生成的晶圆缺陷特征矩阵示意图,如图2(a)所示,相机沿箭头方向扫描晶圆,获取晶粒图像和当前相机的位置。
2.生成晶圆缺陷特征矩阵
由于晶粒图像比较简单,图像的灰度级分布即可体现出正常晶粒与缺陷晶粒的差异,故提取晶粒图像的颜色直方图特征,与正常晶粒图像、背景图特征进行相似度计算。相似度计算采用巴氏距离(Bhattacharyya Distance)法,如公式(5)所示,分别计算实际晶粒与标准晶粒图像、背景图的相似度,设定阈值为0.9,相似度低于阈值时判断为缺陷晶粒。与晶粒位置对应生成晶圆缺陷特征矩阵,如图2(b)所示,背景图保存为0,正常晶粒保存为1,缺陷晶粒保存为2。
H1,H2分别为实际晶粒图像和标准图像的直方图特征,分别为直方图特征数据的平均值,N为直方图中bin的个数。
3.生成晶圆缺陷模式图
将晶圆缺陷特征矩阵按照0为白色、1为蓝色、2为紫色生成晶圆缺陷模式图,如图3(a)所示,此时晶圆图上含有大量噪声,影响后续的判别与分析。通过中值滤波,滤除部分噪声,滤波后结果如图3(b)所示。
4.晶圆缺陷模式检测
检测模型用于缺陷晶粒是否在晶圆上聚集成一定的缺陷模式。若不存在缺陷模式,则为正常晶圆,检测过程结束;若存在缺陷模式,则进行后续处理。
(1)样本准备
本方法训练用的样本为WM811K晶圆数据集,该数据集共有样本数量为811457,其中仅有172950个样本是已标记的,图4所示为该数据集中晶圆缺陷模式示例,其中包含8种有缺陷模式的晶圆和一种无缺陷模式的晶圆(None)。选取22038张正常晶圆图(None)作为正样本,15311张存在缺陷模式的晶圆图作为负样本,缺陷类型分别为:Center、Donut、Edge-Loc、Edge-Ring、Loc、Random、Scratch、Near-Full,其数量分别占负样本总数的比例为:16.82%、2.17%、20.33%、37.94%、14.07%、3.39%、4.67%、0.61%。
(2)模型构建及训练
模型基于Tensorflow框架搭建,图5为晶圆缺陷模式检测模型结构示意图,Conv1至Conv3层为卷积层,卷积核尺寸均为3×3,卷积步长为1×1。激活函数采用ReLU,如公式(6)所示,该激活函数加快了网络拟合速度,增强参数稀疏性,防止模型过拟合。每层卷积层后采用一个3×3的最大池化层进行下采样。为了防止过拟合,训练时模型在Fc4层引入了Dropout方法,随机使一部分神经元失活,本方法将Dropout概率值设置为0.5。全连接层Fc4的激活函数与卷积层不同,使用Sigmoid,如公式(7)所示,输出层经过Softmax算法输出分类概率。
其中,x为卷积神经网络中卷积层神经元节点的值。
其中,z为卷积神经网络中全连接层神经元节点的值。
训练前,将步骤3处理后的图像作随机旋转和随机裁剪,并对输入图像进行标准化和归一化,标准化即将图像尺寸限制为224×224,归一化采用公式(8)将三个通道(x,y,z)的像素限制在(0,1)之间。训练时损失函数选用公式(9)所示的交叉熵损失。采用Tensorflow中封装的Adam算法进行优化,学习率η=0.0001,每批次样本batch_size为64,每一轮迭代包含583个批次,迭代次数为epoch=10。
其中,I(x,y,z)表示输入的彩色图像三通道像素值。
其中,y(i)为真实值,为预测值,n为每批次的样本数目。
5.晶圆缺陷模式分类
分类模型用于判别晶圆图的具体缺陷模式,本方法能够判别8种缺陷模式:Center、Donut、Edge-Loc、Edge-Ring、Loc、Random、Scratch、Near-Full。
(1)样本准备
WM811K晶圆数据集中标记的缺陷样本共25519张,选取60%作为训练集,15%作为验证集,25%作为测试集。训练集中,每种缺陷模式的样本数量分别为:
Center:2576;Donut:333;Edge-Loc:3113;Edge-Ring:5808;Loc:2155;Random:519;Scratch:715;Near-Full:93。
(2)模型构建及训练
分类模型结构如图6所示,基于tensorflow框架进行搭建。前七层为卷积层,均采用3×3的卷积核,步长为1×1,激活函数选用ReLU,在Conv2、Conv4、Conv7层后分别连接一个最大池化层进行下采样,降低特征维度。最后三层为全连接层,激活函数选用sigmoid。
训练前对待测样本图像作随机旋转和随机裁剪,并将图像尺寸限制为224×224,将三个通道的像素限制在(0,1)之间。训练时在第Fc8、Fc9层引入Dropout方法防止过拟合,同时,采用L2正则化方法对训练参数加以限制,其原理如公式(10)所示。选择交叉熵损失作为损失函数,采用Tensorflow封装好的Adam算法进行优化。学习率η=0.0001,样本batch_size设置为128,每一轮迭代包含199个批次,迭代次数为epoch=250。
L=E+λ∑jωj 2 (10)
其中,E为原始代价函数,λ为正则化系数,本方法中λ取值为1×10-6,ωj为神经网络随机初始化和每轮迭代更新后的权重参数,L为引入正则化后的损失函数。
6.晶圆缺陷成因分析
基于步骤5中的分类模型,将数据库中样本输入到模型中,提取Fc2层输出的特征,保存为HDF5文件,Fc2层提取的原始特征数据为1024维。采用同样方式提取待测样本的特征数据构成原始特征向量a0,设数据库中样本数量为N,待测样本与数据库中样本的特征向量组成原始特征矩阵A(N+1)×1024=(a0,a1,a2,...,aN)T。采用PCA算法对特征矩阵降维,降维过程如下:
(1)对矩阵A进行中心化操作,设向量为矩阵每一维度的均值向量,将原始特征矩阵减去均值得到矩阵A*,如公式(11)所示。
其中,Aij为矩阵A中第i个样本的第j维特征,为矩阵A第j维特征的均值,Aij *为矩阵A*中第i个样本的第j维特征。
(2)计算矩阵A*的协方差矩阵,协方差度量两个变量的线性相关性程度,协方差矩阵计算如公式(12)所示。
其中,N为数据库中样本数量。
(3)计算协方差矩阵的特征向量和特征值,按特征值由大到小排序,经验证,保留前254个主成分效果最好,得到更新后的特征向量矩阵v1024×254,矩阵中每一列为一个特征向量。
(4)根据公式(13)将原始特征数据矩阵A(N+1)×1024与特征向量矩阵v1024×254相乘,转化为降维后的矩阵X(N+1)×254=(x0,x1,x2,…,xN+1)T,此时,X中每一行为降维后每个样本的特征向量,维度为254维。
X=A×v (13)
其中,A为原始特征矩阵,v为特征向量矩阵。
应用公式(14)将向量元素映射至区间[0,1],构成样本集D={μ0,μ1,μ2,…,μN}。
其中,xi为矩阵X的第i行向量,即第i个样本特征,xi,min和xi,max分别为该向量的最小值与最大值,μi为归一化后的第i个样本特征向量。
将样本集矩阵D中的N+1个特征向量按照公式(15)进行区间映射。利用公式(16)计算待测样本特征向量μ0 *与数据库中特征向量μk *(k∈{1,2,3...,N})的汉明距离,选择距离最小的样本作为近似查找结果。图7为基于该相似性度量算法计算相似性后按照相似度大小排序的结果图,排序结果中最左侧为相似度最高的样本,也将作为参考样本。数据库中的样本缺陷模式成因已标记好,通过分析该参考样本的缺陷模式成因,进而推断待测样本的根本缺陷成因。
其中,μi,j为特征向量μi的第j个元素。
其中,μ0 *表示待测样本特征向量,μk *表示数据库中第k个样本特征向量。
Claims (4)
1.一种晶圆表面缺陷模式检测与分析方法,其特征在于,所述方法包括如下几个步骤:
步骤1,利用工业电子显微镜对晶圆上的晶粒逐个扫描,获取晶粒原始图像;
步骤2,提取晶粒图像的颜色直方图特征,并与模板库中标准晶粒图像和背景图特征进行相似性判别,生成晶圆缺陷特征矩阵;
步骤3,扫描结束后,将晶圆缺陷特征矩阵转化为晶圆缺陷模式图,进行中值滤波;
步骤4,基于WM811K晶圆数据集,构建晶圆缺陷模式检测模型并进行训练,利用该模型判断晶圆图是否存在已知缺陷模式类型,如果不存在缺陷模式,则判断为正常晶圆,检测过程结束,如果存在缺陷模式,则进行步骤5;
步骤5,基于WM811K晶圆数据集,构建晶圆缺陷模式分类模型并进行训练,利用该模型判断具体的晶圆缺陷模式类别;
步骤6,基于步骤5构建的缺陷模式分类模型,提取Fc2层输出的晶圆缺陷模式图特征,采用相似性度量算法计算待测样本与数据库中已标记样本的相似性,按照相似性由大到小排序,保留相似性最大的样本,通过分析该样本的缺陷模式成因,进而判断待测样本的具体缺陷成因。
2.如权利要求1所述的一种晶圆表面缺陷模式检测与分析方法,其特征在于,步骤4具体如下:
模型基于Tensorflow框架搭建,由三层卷积层和两层全连接层构成;卷积层使用的卷积核尺寸为3×3,步长为1×1,激活函数为ReLU;每个卷积层后采用3×3的最大池化层进行下采样;全连接层Fc1采用Sigmoid作为激活函数,并加入Dropout防止过拟合,Dropout概率取值为0.5;
训练前,将步骤3处理后的图像作随机旋转和随机裁剪,并对输入图像进行标准化和归一化,标准化即将图像尺寸限制为224×224,归一化将三个通道的像素限制在(0,1)之间;训练时损失函数选用Adam优化算法,学习率η=0.0001。
3.如权利要求1所述的一种晶圆表面缺陷模式检测与分析方法,其特征在于,步骤5具体如下:
模型基于Tensorflow框架搭建,由七层卷积层和三层全连接层组成;卷积层尺寸为3×3,步长为1×1,激活函数为ReLU;卷积层Conv2、Conv4和Conv7的输出特征均采用3×3的最大池化层下采样;全连接层Fc1和Fc2采用Sigmoid作为激活函数,并加入Dropout防止过拟合,Dropout概率取值为0.5;
训练前对待测样本图像作随机旋转和随机裁剪,并将图像尺寸限制为224×224,将三个通道的像素限制在(0,1)之间;损失函数选用Adam优化算法,学习率η=0.0001;引入L2正则化对参数加以限制,防止过拟合,如公式(1)所示;
L=E+λ∑jωj 2 (1)
其中,E为原始代价函数,λ为正则化系数,λ取值为1×10-6,ωj为神经网络随机初始化和每轮迭代更新后得到的权重参数,L为引入正则化后的损失函数。
4.如权利要求1所述的一种晶圆表面缺陷模式检测与分析方法,其特征在于,步骤6具体如下:
将待测样本输入到步骤5的分类模型中,提取第Fc2层的输出特征作为原始特征向量a0;采用同样方法提取数据库中所有样本的原始特征,设数据库中样本数量为N,与待测样本组成原始特征矩阵A(N+1)×1024;采用PCA算法对特征矩阵降维,降维后的矩阵X(N+1)×254中每一行为一个样本的特征向量,每个样本具有254维特征;应用公式(2)将向量元素映射至区间[0,1],构成样本集D={μ0,μ1,μ2,...,μN};
其中,xi为降维后矩阵X的第i行向量,即第i个样本特征,xi,min和xi,max分别为该向量的最小值与最大值,μi为归一化后的第i个样本特征向量;
将样本集矩阵D中的N+1个特征向量按照公式(3)进行区间映射;利用公式(4)计算映射后待测样本特征向量μ0 *与数据库中特征向量μk *的汉明距离,其中k∈{1,2,3...,N};数据库中的样本缺陷模式成因已标记好,将距离按照由小到大排序,保留距离最小的样本作为近似查找结果,通过分析该样本的缺陷模式成因,进而推断待测样本的根本缺陷成因;
其中,μi,j为第i个特征向量中的第j个元素;
其中,μ0 *表示待测样本特征向量,μk *表示数据库中第k个样本特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910181768.6A CN109977808B (zh) | 2019-03-11 | 2019-03-11 | 一种晶圆表面缺陷模式检测与分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910181768.6A CN109977808B (zh) | 2019-03-11 | 2019-03-11 | 一种晶圆表面缺陷模式检测与分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977808A true CN109977808A (zh) | 2019-07-05 |
CN109977808B CN109977808B (zh) | 2020-10-27 |
Family
ID=67078591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910181768.6A Active CN109977808B (zh) | 2019-03-11 | 2019-03-11 | 一种晶圆表面缺陷模式检测与分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977808B (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516726A (zh) * | 2019-08-19 | 2019-11-29 | 上海华力微电子有限公司 | 一种自动识别晶圆空间图案分布的分类方法 |
CN110781944A (zh) * | 2019-10-21 | 2020-02-11 | 中冶南方(武汉)自动化有限公司 | 一种基于深度学习的铁水自动扒渣控制方法 |
CN111368928A (zh) * | 2020-03-06 | 2020-07-03 | 普迪飞半导体技术(上海)有限公司 | 晶圆的模式匹配方法、装置、电子设备与存储介质 |
CN111612771A (zh) * | 2020-05-22 | 2020-09-01 | 江苏联峰实业有限公司 | 一种高强合金结构钢板表面细微裂纹的识别监测装置 |
CN111739001A (zh) * | 2020-06-17 | 2020-10-02 | 东华大学 | 一种基于可变形卷积的产品表面缺陷检测模型和检测方法 |
CN111754480A (zh) * | 2020-06-22 | 2020-10-09 | 上海华力微电子有限公司 | 晶背缺陷图检索及预警方法、存储介质及计算机设备 |
CN112557950A (zh) * | 2020-12-03 | 2021-03-26 | 广东电网有限责任公司江门供电局 | 基于矩阵相似性的配电网谐振接地***故障选线方法 |
CN112884697A (zh) * | 2019-11-29 | 2021-06-01 | 力晶积成电子制造股份有限公司 | 晶圆图的辨识方法与计算机可读取记录介质 |
CN112951736A (zh) * | 2021-01-29 | 2021-06-11 | 中芯集成电路制造(绍兴)有限公司 | 检测工序的智能抽样方法 |
CN113013048A (zh) * | 2021-02-24 | 2021-06-22 | 上海华力集成电路制造有限公司 | 晶圆缺陷检测方法 |
CN113095438A (zh) * | 2021-04-30 | 2021-07-09 | 上海众壹云计算科技有限公司 | 晶圆缺陷分类方法及其装置、***、电子设备和存储介质 |
CN113222967A (zh) * | 2021-05-28 | 2021-08-06 | 长江存储科技有限责任公司 | 晶圆的检测方法及*** |
CN113256570A (zh) * | 2021-05-10 | 2021-08-13 | 郑州轻工业大学 | 基于人工智能的视觉信息处理方法、装置、设备及介质 |
CN113362320A (zh) * | 2021-07-07 | 2021-09-07 | 北京工业大学 | 基于深度注意力网络的晶圆表面缺陷模式检测方法 |
CN113610155A (zh) * | 2021-08-06 | 2021-11-05 | 上海众壹云计算科技有限公司 | 基于相似性比对模型的晶圆缺陷分类方法及装置、电子设备和存储介质 |
EP3975058A1 (en) * | 2020-09-18 | 2022-03-30 | The Boeing Company | Machine learning network for screening quantum devices |
US20220207687A1 (en) * | 2020-12-31 | 2022-06-30 | Hon Hai Precision Industry Co., Ltd. | Method of detecting and classifying defects and electronic device using the same |
CN114798495A (zh) * | 2022-07-01 | 2022-07-29 | 深圳市信润富联数字科技有限公司 | 基于质量检测的钣金冲压件分拣方法、装置、设备及介质 |
CN114910480A (zh) * | 2022-05-09 | 2022-08-16 | 北京工业大学 | 一种基于机器视觉的晶圆表面缺陷检测方法 |
TWI775586B (zh) * | 2021-08-31 | 2022-08-21 | 世界先進積體電路股份有限公司 | 多分支的檢測系統及多分支的檢測方法 |
CN114972235A (zh) * | 2022-05-20 | 2022-08-30 | 成都飞机工业(集团)有限责任公司 | 一种晶圆氧化缺陷检测方法、装置、电子设备及存储介质 |
KR102516199B1 (ko) * | 2021-12-22 | 2023-03-30 | 호서대학교 산학협력단 | 특징검출을 위한 필터가 포함된 인공신경망을 이용한 비전 검사를 위한 장치 및 이를 위한 방법 |
CN115984235A (zh) * | 2023-01-31 | 2023-04-18 | 苏州大学 | 一种基于图像分割的晶圆图混合缺陷模式识别方法及*** |
CN116363567A (zh) * | 2023-06-02 | 2023-06-30 | 苏州鸿安机械股份有限公司 | 一种基于aoi视觉检测的晶圆缺陷识别方法及*** |
CN116415660A (zh) * | 2023-06-12 | 2023-07-11 | 合肥喆塔科技有限公司 | 基于晶圆缺陷知识库的构建及检索方法、设备及介质 |
CN116818799A (zh) * | 2023-06-20 | 2023-09-29 | 广州宝立科技有限公司 | 一种基于机器视觉检测技术的智能验布方法及装置 |
CN116974788A (zh) * | 2023-07-28 | 2023-10-31 | 江苏道达智能科技有限公司 | 一种实时分析晶圆缺陷的数据处理方法 |
CN117059511A (zh) * | 2023-10-11 | 2023-11-14 | 苏州瑞霏光电科技有限公司 | 一种晶圆材料内部应力分布检测方法及*** |
CN117438330A (zh) * | 2023-12-19 | 2024-01-23 | 武创芯研科技(武汉)有限公司 | 一种基于平面压痕的晶圆封装级rdl再布线层缺陷检测方法 |
CN118096774A (zh) * | 2024-04-29 | 2024-05-28 | 常州爱克赛伦自动化设备有限公司 | 结合深度特征的传感器封装过程缺陷检测装置及方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI822210B (zh) * | 2022-07-28 | 2023-11-11 | 力晶積成電子製造股份有限公司 | 識別異常分佈的方法及電子裝置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778460A (zh) * | 2012-07-31 | 2012-11-14 | 法国圣戈班玻璃公司 | 一种检测基质内缺陷的方法 |
CN103811367A (zh) * | 2012-11-07 | 2014-05-21 | 中芯国际集成电路制造(上海)有限公司 | 产品缺陷检测方法 |
CN103971133A (zh) * | 2014-04-13 | 2014-08-06 | 北京工业大学 | 基于案例推理的钢板表面缺陷的自动识别方法 |
US20180232630A1 (en) * | 2017-02-13 | 2018-08-16 | Kla-Tencor Corporation | Automated Accuracy-Oriented Model Optimization System for Critical Dimension Metrology |
CN108491867A (zh) * | 2018-03-12 | 2018-09-04 | 苏州卓融新能源科技有限公司 | 基于人工智能的影像匹配及识别方法 |
US20180315630A1 (en) * | 2017-05-01 | 2018-11-01 | Semilab Semiconductor Physics Laboratory Co., Ltd. | Charge Metrology for Integrated Measurement |
CN108765389A (zh) * | 2018-05-18 | 2018-11-06 | 浙江大学 | 一种微观晶圆表面缺陷图像检测方法 |
US20180330493A1 (en) * | 2017-04-28 | 2018-11-15 | Mentor Graphics Corporation | Wafer Map Pattern Detection Based On Supervised Machine Learning |
US20190005357A1 (en) * | 2017-06-28 | 2019-01-03 | Applied Materials, Inc. | Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks |
CN109146847A (zh) * | 2018-07-18 | 2019-01-04 | 浙江大学 | 一种基于半监督学习的晶圆图批量分析方法 |
CN109449093A (zh) * | 2018-10-24 | 2019-03-08 | 武汉新芯集成电路制造有限公司 | 晶圆检测方法 |
-
2019
- 2019-03-11 CN CN201910181768.6A patent/CN109977808B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778460A (zh) * | 2012-07-31 | 2012-11-14 | 法国圣戈班玻璃公司 | 一种检测基质内缺陷的方法 |
CN103811367A (zh) * | 2012-11-07 | 2014-05-21 | 中芯国际集成电路制造(上海)有限公司 | 产品缺陷检测方法 |
CN103971133A (zh) * | 2014-04-13 | 2014-08-06 | 北京工业大学 | 基于案例推理的钢板表面缺陷的自动识别方法 |
US20180232630A1 (en) * | 2017-02-13 | 2018-08-16 | Kla-Tencor Corporation | Automated Accuracy-Oriented Model Optimization System for Critical Dimension Metrology |
US20180330493A1 (en) * | 2017-04-28 | 2018-11-15 | Mentor Graphics Corporation | Wafer Map Pattern Detection Based On Supervised Machine Learning |
US20180315630A1 (en) * | 2017-05-01 | 2018-11-01 | Semilab Semiconductor Physics Laboratory Co., Ltd. | Charge Metrology for Integrated Measurement |
US20190005357A1 (en) * | 2017-06-28 | 2019-01-03 | Applied Materials, Inc. | Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks |
CN108491867A (zh) * | 2018-03-12 | 2018-09-04 | 苏州卓融新能源科技有限公司 | 基于人工智能的影像匹配及识别方法 |
CN108765389A (zh) * | 2018-05-18 | 2018-11-06 | 浙江大学 | 一种微观晶圆表面缺陷图像检测方法 |
CN109146847A (zh) * | 2018-07-18 | 2019-01-04 | 浙江大学 | 一种基于半监督学习的晶圆图批量分析方法 |
CN109449093A (zh) * | 2018-10-24 | 2019-03-08 | 武汉新芯集成电路制造有限公司 | 晶圆检测方法 |
Non-Patent Citations (7)
Title |
---|
JIANBO YU 等: ""Wafer map defect detection and recognition using joint local and nonlocal linear discriminant analysis"", 《IEEE TTRANSACTIONS ON SEMICONDUCTOR MANUFACTURING》 * |
MUHAMMAD SAQLAIN 等: ""A voting ensemble classifier for wafer map defect patterns identification in semiconductor manufacturing"", 《MEASUREMENT SCIENCE AND TECHNOLOGY》 * |
T NAKAZAWA: ""Wafer map defect pattern classification and image retrieval using convolutional neural network"", 《IEEE TTRANSACTIONS ON SEMICONDUCTOR MANUFACTURING》 * |
于建波 等: ""基于局部与非局部线性判别分析和高斯混合模型动态集成的晶圆表面缺陷探测与识别"", 《自动化学报》 * |
杨振良 等: ""数据驱动的晶圆图缺陷模式识别方法"", 《中国机械工程》 * |
林佳 等: ""晶圆表面缺陷在线检测研究"", 《计算机测量与控制》 * |
邡鑫 等: ""基于卷积神经网络的晶圆缺陷检测与分类算法"", 《计算机工程》 * |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516726A (zh) * | 2019-08-19 | 2019-11-29 | 上海华力微电子有限公司 | 一种自动识别晶圆空间图案分布的分类方法 |
CN110781944B (zh) * | 2019-10-21 | 2022-07-05 | 中冶南方(武汉)自动化有限公司 | 一种基于深度学习的铁水自动扒渣控制方法 |
CN110781944A (zh) * | 2019-10-21 | 2020-02-11 | 中冶南方(武汉)自动化有限公司 | 一种基于深度学习的铁水自动扒渣控制方法 |
CN112884697A (zh) * | 2019-11-29 | 2021-06-01 | 力晶积成电子制造股份有限公司 | 晶圆图的辨识方法与计算机可读取记录介质 |
CN111368928A (zh) * | 2020-03-06 | 2020-07-03 | 普迪飞半导体技术(上海)有限公司 | 晶圆的模式匹配方法、装置、电子设备与存储介质 |
CN111368928B (zh) * | 2020-03-06 | 2023-04-07 | 普迪飞半导体技术(上海)有限公司 | 晶圆的模式匹配方法、装置、电子设备与存储介质 |
CN111612771A (zh) * | 2020-05-22 | 2020-09-01 | 江苏联峰实业有限公司 | 一种高强合金结构钢板表面细微裂纹的识别监测装置 |
CN111739001A (zh) * | 2020-06-17 | 2020-10-02 | 东华大学 | 一种基于可变形卷积的产品表面缺陷检测模型和检测方法 |
CN111754480A (zh) * | 2020-06-22 | 2020-10-09 | 上海华力微电子有限公司 | 晶背缺陷图检索及预警方法、存储介质及计算机设备 |
CN111754480B (zh) * | 2020-06-22 | 2024-04-16 | 上海华力微电子有限公司 | 晶背缺陷图检索及预警方法、存储介质及计算机设备 |
EP3975058A1 (en) * | 2020-09-18 | 2022-03-30 | The Boeing Company | Machine learning network for screening quantum devices |
CN112557950B (zh) * | 2020-12-03 | 2022-11-22 | 广东电网有限责任公司江门供电局 | 基于矩阵相似性的配电网谐振接地***故障选线方法 |
CN112557950A (zh) * | 2020-12-03 | 2021-03-26 | 广东电网有限责任公司江门供电局 | 基于矩阵相似性的配电网谐振接地***故障选线方法 |
US20220207687A1 (en) * | 2020-12-31 | 2022-06-30 | Hon Hai Precision Industry Co., Ltd. | Method of detecting and classifying defects and electronic device using the same |
CN112951736B (zh) * | 2021-01-29 | 2023-07-07 | 绍兴中芯集成电路制造股份有限公司 | 检测工序的智能抽样方法 |
CN112951736A (zh) * | 2021-01-29 | 2021-06-11 | 中芯集成电路制造(绍兴)有限公司 | 检测工序的智能抽样方法 |
CN113013048A (zh) * | 2021-02-24 | 2021-06-22 | 上海华力集成电路制造有限公司 | 晶圆缺陷检测方法 |
CN113095438B (zh) * | 2021-04-30 | 2024-03-15 | 上海众壹云计算科技有限公司 | 晶圆缺陷分类方法及其装置、***、电子设备和存储介质 |
CN113095438A (zh) * | 2021-04-30 | 2021-07-09 | 上海众壹云计算科技有限公司 | 晶圆缺陷分类方法及其装置、***、电子设备和存储介质 |
CN113256570A (zh) * | 2021-05-10 | 2021-08-13 | 郑州轻工业大学 | 基于人工智能的视觉信息处理方法、装置、设备及介质 |
CN113222967A (zh) * | 2021-05-28 | 2021-08-06 | 长江存储科技有限责任公司 | 晶圆的检测方法及*** |
CN113362320A (zh) * | 2021-07-07 | 2021-09-07 | 北京工业大学 | 基于深度注意力网络的晶圆表面缺陷模式检测方法 |
CN113362320B (zh) * | 2021-07-07 | 2024-05-28 | 北京工业大学 | 基于深度注意力网络的晶圆表面缺陷模式检测方法 |
CN113610155A (zh) * | 2021-08-06 | 2021-11-05 | 上海众壹云计算科技有限公司 | 基于相似性比对模型的晶圆缺陷分类方法及装置、电子设备和存储介质 |
CN113610155B (zh) * | 2021-08-06 | 2024-05-31 | 上海众壹云计算科技有限公司 | 基于相似性比对模型的晶圆缺陷分类方法及装置、电子设备和存储介质 |
TWI775586B (zh) * | 2021-08-31 | 2022-08-21 | 世界先進積體電路股份有限公司 | 多分支的檢測系統及多分支的檢測方法 |
KR102516199B1 (ko) * | 2021-12-22 | 2023-03-30 | 호서대학교 산학협력단 | 특징검출을 위한 필터가 포함된 인공신경망을 이용한 비전 검사를 위한 장치 및 이를 위한 방법 |
CN114910480A (zh) * | 2022-05-09 | 2022-08-16 | 北京工业大学 | 一种基于机器视觉的晶圆表面缺陷检测方法 |
CN114910480B (zh) * | 2022-05-09 | 2024-07-02 | 北京工业大学 | 一种基于机器视觉的晶圆表面缺陷检测方法 |
CN114972235A (zh) * | 2022-05-20 | 2022-08-30 | 成都飞机工业(集团)有限责任公司 | 一种晶圆氧化缺陷检测方法、装置、电子设备及存储介质 |
CN114798495B (zh) * | 2022-07-01 | 2022-11-11 | 深圳市信润富联数字科技有限公司 | 基于质量检测的钣金冲压件分拣方法、装置、设备及介质 |
CN114798495A (zh) * | 2022-07-01 | 2022-07-29 | 深圳市信润富联数字科技有限公司 | 基于质量检测的钣金冲压件分拣方法、装置、设备及介质 |
CN115984235A (zh) * | 2023-01-31 | 2023-04-18 | 苏州大学 | 一种基于图像分割的晶圆图混合缺陷模式识别方法及*** |
CN116363567B (zh) * | 2023-06-02 | 2023-08-22 | 苏州鸿安机械股份有限公司 | 一种基于aoi视觉检测的晶圆缺陷识别方法及*** |
CN116363567A (zh) * | 2023-06-02 | 2023-06-30 | 苏州鸿安机械股份有限公司 | 一种基于aoi视觉检测的晶圆缺陷识别方法及*** |
CN116415660A (zh) * | 2023-06-12 | 2023-07-11 | 合肥喆塔科技有限公司 | 基于晶圆缺陷知识库的构建及检索方法、设备及介质 |
CN116818799A (zh) * | 2023-06-20 | 2023-09-29 | 广州宝立科技有限公司 | 一种基于机器视觉检测技术的智能验布方法及装置 |
CN116974788A (zh) * | 2023-07-28 | 2023-10-31 | 江苏道达智能科技有限公司 | 一种实时分析晶圆缺陷的数据处理方法 |
CN116974788B (zh) * | 2023-07-28 | 2024-07-05 | 江苏道达智能科技有限公司 | 一种实时分析晶圆缺陷的数据处理方法 |
CN117059511A (zh) * | 2023-10-11 | 2023-11-14 | 苏州瑞霏光电科技有限公司 | 一种晶圆材料内部应力分布检测方法及*** |
CN117059511B (zh) * | 2023-10-11 | 2023-12-15 | 苏州瑞霏光电科技有限公司 | 一种晶圆材料内部应力分布检测方法及*** |
CN117438330B (zh) * | 2023-12-19 | 2024-04-02 | 武创芯研科技(武汉)有限公司 | 一种基于平面压痕的晶圆级封装rdl再布线层缺陷检测方法 |
CN117438330A (zh) * | 2023-12-19 | 2024-01-23 | 武创芯研科技(武汉)有限公司 | 一种基于平面压痕的晶圆封装级rdl再布线层缺陷检测方法 |
CN118096774A (zh) * | 2024-04-29 | 2024-05-28 | 常州爱克赛伦自动化设备有限公司 | 结合深度特征的传感器封装过程缺陷检测装置及方法 |
CN118096774B (zh) * | 2024-04-29 | 2024-07-02 | 常州爱克赛伦自动化设备有限公司 | 结合深度特征的传感器封装过程缺陷检测装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109977808B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977808A (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN111079640B (zh) | 一种基于自动扩增样本的车型识别方法及*** | |
CN110188774B (zh) | 一种基于深度学习的电涡流扫描图像分类识别方法 | |
CN108428231B (zh) | 一种基于随机森林的多参数零件表面粗糙度学习方法 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
CN107437243A (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
CN111398291B (zh) | 基于深度学***漆包电磁线表面瑕疵检测方法 | |
CN111368825A (zh) | 一种基于语义分割的指针定位方法 | |
CN111914902B (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
CN112669274B (zh) | 一种用于表面异常区域像素级分割的多任务检测方法 | |
CN109726730A (zh) | 自动光学检测图像分类方法、***及计算机可读介质 | |
CN106340007A (zh) | 一种基于图像处理的车身漆膜缺陷检测识别方法 | |
CN116091505B (zh) | 一种蓝宝石衬底自动缺陷检测分类的方法和*** | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN117011274A (zh) | 自动化玻璃瓶检测***及其方法 | |
CN114897802A (zh) | 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |