CN114049342A - 一种去噪模型生成方法、***、设备及介质 - Google Patents
一种去噪模型生成方法、***、设备及介质 Download PDFInfo
- Publication number
- CN114049342A CN114049342A CN202111392331.0A CN202111392331A CN114049342A CN 114049342 A CN114049342 A CN 114049342A CN 202111392331 A CN202111392331 A CN 202111392331A CN 114049342 A CN114049342 A CN 114049342A
- Authority
- CN
- China
- Prior art keywords
- sem image
- sem
- characteristic information
- neural network
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001878 scanning electron micrograph Methods 0.000 claims abstract description 164
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000001259 photo etching Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000012935 Averaging Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000001459 lithography Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供了一种去噪模型生成方法、***、设备及介质,该方法包括:获取晶圆光刻后的SEM图像集合;将所述SEM图像集合中相同坐标的SEM图像像素值叠加取平均值,得到目标图像集合;利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息;获取所述目标图像集合的目标图像特征信息;利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型。本发明通过获取目标图像集合中的目标图像特征信息,利用SEM图像特征信息和目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型,采用该去噪模型实现对SEM图像进行去噪,提高了去噪的可靠性和效率。
Description
技术领域
本发明涉及半导体制造工艺技术领域,尤其涉及一种去噪模型生成方法、***、设备及介质。
背景技术
在先进光刻工艺节点下,因聚合物分子离散性和光酸发生器的分布产生的随机噪声,会影响光学临近修正(Optical Proximity Correction,OPC)模型的精度。为了建立精确的OPC模型,通常对某个选定的图形或关键尺寸值进行多次测量,通过取平均值以减小随机噪声的影响,但这种方法的量测和计算较复杂,主观性强,效率低下,且可靠性不足。
发明内容
本发明的目的在于提供一种去噪模型生成方法、***、设备及介质,解决了获取去噪图像效率低下,可靠性不足的问题,实现快速获取去噪图像,增加了去噪图像的可靠性。
为实现上述目的,第一方面,本发明提供了一种去噪模型的生成方法,该方法包括:
获取晶圆光刻后的SEM图像集合;
将所述SEM图像集合中相同坐标的SEM图像像素值叠加取平均值,得到目标图像集合;利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息;获取所述目标图像集合的目标图像特征信息;利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型。
其有益效果在于:通过获取晶圆光刻后的SEM图像集合,并将SEM图像集合中相同坐标的SEM图像像素值进行叠加后取平均值,得到进行目标图像集合,利用卷积神经网络模型对SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息,通过获取目标图像集合中的目标图像特征信息,利用SEM图像特征信息和目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型,通过采用该去噪模型实现对SEM图像进行去噪,提高了去噪的可靠性和效率。
可选的,所述SEM图像集合包括N个相同坐标下的所述SEM图像,N大于等于2。其有益效果在于:通过获取N个相同坐标下的SEM图像,且N大于等于2,尽可能的保证获取到在该坐标下图像产生的各种随机噪声,便于叠加取均值得到可靠的目标图像集合。
可选的,利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息,包括:向所述卷积神经网络模型中输入所述SEM图像,得到所述SEM图像特征信息;利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型,包括:
利用损失函数计算所述SEM图像特征信息和所述目标图像特征信息之间的损失值;根据所述损失值调整所述卷积神经网络模型的参数,得到所述去噪模型。其有益效果在于:通过利用损失函数计算出SEM图像特征信息和目标图像特征信息之间的损失值,并根据损失值调整卷积神经网络模型的参数,从而得到包含该参数的去噪模型,从而采用该去噪模型提高获得去噪的SEM图像的效率和可靠性。
可选的,获取晶圆光刻后的SEM图像集合之前,包括:生成空间特征图像,在所述晶圆上进行光刻;采用扫描电子SEM在光刻后的所述晶圆上进行扫描,得到所述SEM图像集合。其有益效果在于:通过生成空间特征图像,在晶圆上进行光刻,然后采用扫描电子SEM在光刻后的晶圆上进行扫描,得到SEM图像集合,根据该SEM图像集合计算得到目标图像集合和SEM图像。
在第二方面,本发明实施例提供一种建立OPC模型的方法,基于上述的去噪模型,该方法包括:
获取晶圆光刻后的SEM图像;将所述SEM图像输入至所述去噪模型中,得到去噪图像;根据所述去噪图像优化OPC模型。
其有益效果在于:通过采用该去噪模型将获取到的晶圆光刻后的SEM图像去噪,得到去噪图像,采用该去噪图像优化OPC模型,提高了获得OPC模型的可靠性和效率。
在第三方面,本发明实施例提供一种去噪模型的生成***,包括:获取模块,用于获取晶圆光刻后的SEM图像集合;处理模块,与所述获取模块连接,用于将所述SEM图像集合中相同坐标的SEM图像像素值叠加取平均值,得到目标图像集合;所述处理模块,还用于利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息;所述获取模块,还用于获取所述目标图像集合的目标图像特征信息;训练模块,与所述处理模块连接,利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型。
其有益效果在于:通过获取模块获取晶圆光刻后的SEM图像集合,处理模块将SEM图像集合中相同坐标的SEM图像像素值叠加取平均值,得到目标图像集合,并利用卷积神经网络模型对SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息,获取模块还用于获取目标图像集合的目标图像特征信息,训练模块利用SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型,通过采用该去噪模型实现对SEM图像进行去噪,提高了去噪的可靠性和效率。
可选的,所述SEM图像集合包括N个相同坐标下的所述SEM图像,N大于等于6。其有益效果在于:通过获取N个相同坐标下的SEM图像,且N大于等于6,尽可能的保证获取到在该坐标下图像产生的各种随机噪声,便于叠加取均值得到可靠的目标图像集合。
可选的,利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息,包括:向所述卷积神经网络模型中输入所述SEM图像,得到所述SEM图像特征信息;所述训练模块利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型,包括:利用损失函数计算所述SEM图像特征信息和所述目标图像特征信息之间的损失值;根据所述损失值调整所述卷积神经网络模型的参数,得到所述去噪模型。其有益效果在于:通过利用损失函数计算出SEM图像特征信息和目标图像特征信息之间的损失值,并根据损失值调整卷积神经网络模型的参数,从而得到包含该参数的去噪模型,从而采用该去噪模型提高获得去噪的SEM图像的效率和可靠性。
可选的,所述获取单元在获取晶圆光刻后的SEM图像集合之前,包括:生成空间特征图像,在所述晶圆上进行光刻;采用扫描电子SEM在光刻后的所述晶圆上进行扫描,得到所述SEM图像集合。其有益效果在于:通过生成空间特征图像,在晶圆上进行光刻,然后采用扫描电子SEM在光刻后的晶圆上进行扫描,得到SEM图像集合,根据该SEM图像集合计算得到目标图像集合和SEM图像。
在第四方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的运行程序,所述处理器执行所述运行程序时实现如上述的方法。
本发明电子设备的有益效果在于:通过处理器执行运行程序实现上述方法的运行。
在第五方面,本发明实施例提供一种计算机可读存储介质,其上存储有运行程序,所述运行程序被处理器执行时实现上述的方法。
本发明计算机可读存储介质的有益效果在于,通过执行运行程序实现上述方法的运行。
附图说明
图1为现有获得去噪图像的流程示意图;
图2为本发明实施例公开的去噪模型的生成方法的流程示意图;
图3为本发明实施例公开的训练卷积神经网络模型的流程图;
图4为本发明实施例公开的采用该去噪模型进行图像去噪后的对比示意图;
图5为本发明实施例公开的建立OPC模型的方法的流程示意图;
图6为本发明实施例公开的采用去噪模型建立OPC模型的流程示意图;
图7为本发明实施例公开的去噪模型的生成***的示意图。
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,下面将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。除非另外定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“包括”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
目前,为了建立精确的OPC模型,通常对某个选定的图形或关键尺寸值进行多次测量,参考图1所示,通过多次测量取平均值以减小随机噪声的影响,但这种方法的量测和计算较复杂,主观性强,效率低下,可靠性不足。
针对现有技术存在的问题,本发明的实施例提供了一种去噪模型的生成方法,参考图2和图3所示,该方法包括:
S201:获取晶圆光刻后的SEM图像集合。
在该步骤之前,根据掩膜板图形,生成空间特征图像,然后在晶圆上进行光刻工艺,即在晶圆的表面上形成光刻后的图像,采用扫描电子SEM在光刻后的晶圆上进行扫描,得到SEM图像集合。需要说明的是,SEM图像集合包括不同坐标下的SEM图像,且在每个相同坐标系下的SEM图像数量至少为6个,SEM图像的大小视情况而定。
S202:将所述SEM图像集合中相同坐标的SEM图像像素值叠加取平均值,得到目标图像集合。
该步骤中,因为晶圆光刻后,获取的SEM图像会随机存在噪声,所以将相同坐标的SEM图像像素值叠加取平均值,抵消随机产生的噪声,得到比较可靠的目标图像集合。
S203:利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息。
该步骤中,通过卷积神经网络模型,对SEM图像集合中的SEM图像进行特征提取获得SEM图像特征信息。
S204:获取所述目标图像集合的目标图像特征信息。
S205:利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型。
该步骤中,利用SEM图像特征信息和目标图像特征信息对卷积神经网络模型进行训练,调整卷积神经网络模型中的参数,得到去噪模型。即该去噪模型是通过训练卷积神经网络模型得到的。
具体的,SEM图像集合中包括训练图像和验证图像,利用损失函数计算所述训练图像特征信息和所述目标图像特征信息之间的损失值,根据所述损失值调整所述卷积神经网络模型的参数,得到所述去噪模型。当卷积神经网络模型遍历过SEM图像集合中的所有训练图像特征信息一次后,测试被训练的卷积神经网络模型的精度,通过在被训练的卷积神经网络模型输入验证图像,当被训练的卷积神经网络模型输出的图像与在目标图像集合中的图像的精度满足要求时,停止对该卷积神经网络模型中参数的迭代更新,即得到去噪模型,此时该去噪模型可投入实际应用。
在本实施例中,通过获取晶圆光刻后的SEM图像集合,并将SEM图像集合中相同坐标的SEM图像像素值进行叠加后取平均值,得到目标图像集合,利用卷积神经网络模型对SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息,通过获取目标图像集合中的目标图像特征信息,利用SEM图像特征信息和目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型。结合图4所示,图4为采用该去噪模型进行图像去噪后的对比示意图,通过采用该去噪模型实现对SEM图像进行去噪,提高了去噪的可靠性和效率,提高了图像的质量。
需要说明的是,在本实施例中卷积神经网络模型共15层,除去输入层和输出层,中间层共13层,13个中间层结构相同,卷积核大小为3*3,每层64个卷积核。每个卷积层后有批量标准化(BatchNormalization,BN),并使用线性整流函数(Rectified LinearUnit,ReLU)作为激活函数。输入层只进行卷积和激活,输出层只有卷积操作。但在实际应用中,也可采用其他的卷积神经网络模型。
在本发明公开的又一个实施例中,提供一种建立OPC模型的方法,参考图5和图6所示,该方法包括:
S501:获取晶圆光刻后的SEM图像。
采用扫描电子SEM扫描光刻后的晶圆,然后获取扫描的SEM图像。
S502:将所述SEM图像输入至所述去噪模型中,得到去噪图像。
该步骤中,通过使用去噪模型,得到去噪的图像,滤除了可能存在的随机噪声,提高了图像的精度。
S503:根据所述去噪图像优化OPC模型。
该步骤中,采用去噪图像建立OPC模型,提高了获得OPC模型的可靠性和效率。
在本发明公开的一个实施例中,提供一种去噪模型的生成***,参考图7所示,该***包括:获取模块701,用于获取晶圆光刻后的SEM图像集合,处理模块702与所述获取模块701连接,用于将所述SEM图像集合中相同坐标的SEM图像像素值叠加取平均值,得到目标图像集合。所述处理模块702还用于利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息,所述获取模块701还用于获取所述目标图像集合的目标图像特征信息。训练模块703与所述处理模块702连接,利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型。
本实施例中通过获取模块701获取晶圆光刻后的SEM图像集合,处理模块702将SEM图像集合中相同坐标的SEM图像像素值叠加取平均值,得到目标图像集合,并利用卷积神经网络模型对SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息,获取模块701还用于获取目标图像集合的目标图像特征信息,训练模块703利用SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型,通过采用该去噪模型实现对SEM图像进行去噪,提高了去噪的可靠性和效率。
可选的,所述SEM图像集合包括N个相同坐标下的所述SEM图像,N大于等于2。在实际应用中,通常N取值为6。通过获取N个相同坐标下的SEM图像,尽可能的保证获取到在该坐标下图像产生的各种随机噪声,便于叠加取均值得到可靠的目标图像集合。
可选的,所述训练模块703利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型,具体为,利用损失函数计算所述SEM图像特征信息和所述目标图像特征信息之间的损失值,根据所述损失值调整所述卷积神经网络模型的参数,得到包含所述参数的去噪模型。从而采用该去噪模型提高获得去噪的SEM图像的效率和可靠性。
可选的,所述获取单元701在获取晶圆光刻后的SEM图像集合之前,根据掩膜板图形生成空间特征图像,然后在所述晶圆上进行光刻,采用扫描电子SEM在光刻后的所述晶圆上进行扫描,得到所述SEM图像集合。并根据该SEM图像集合计算得到目标图像集合和SEM图像。
在本发明公开的再一个实施例中,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的运行程序,所述处理器执行所述运行程序时实现如上述的方法。
在本发明公开的另一个实施例中,提供一种计算机可读存储介质,其上存储有运行程序,所述运行程序被处理器执行时实现上述的方法。
在本申请实施例各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,或处理器执行本申请各个实施例该方法的全部或部分步骤。而前述的存储介质包括:快闪存储器、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质
以上所述,仅为本申请实施例的具体实施方式,但本申请实施例的保护范围并不局限于此,任何在本申请实施例揭露的技术范围内的变化或替换,都应涵盖在本申请实施例的保护范围之内。因此,本申请实施例的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种去噪模型的生成方法,其特征在于,包括:
获取晶圆光刻后的SEM图像集合;
将所述SEM图像集合中相同坐标的SEM图像像素值叠加取平均值,得到目标图像集合;
利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息;
获取所述目标图像集合的目标图像特征信息;
利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型。
2.根据权利要求1所述的方法,其特征在于,所述SEM图像集合包括N个相同坐标下的所述SEM图像,N大于等于2。
3.根据权利要求1或2所述的方法,其特征在于,利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息,包括:
向所述卷积神经网络模型中输入所述SEM图像,得到所述SEM图像特征信息;
利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型,包括:
利用损失函数计算所述SEM图像特征信息和所述目标图像特征信息之间的损失值;
根据所述损失值调整所述卷积神经网络模型的参数,得到所述去噪模型。
4.一种建立OPC模型的方法,其特征在于,基于权利要求1至3任一项所述的去噪模型,该方法包括:
获取晶圆光刻后的SEM图像;
将所述SEM图像输入至所述去噪模型中,得到去噪图像;
根据所述去噪图像优化OPC模型。
5.一种去噪模型的生成***,其特征在于,包括:
获取模块,用于获取晶圆光刻后的SEM图像集合;
处理模块,与所述获取模块连接,用于将所述SEM图像集合中相同坐标的SEM图像像素值叠加取平均值,得到目标图像集合;
所述处理模块,还用于利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息;
所述获取模块,还用于获取所述目标图像集合的目标图像特征信息;
训练模块,与所述处理模块连接,利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型。
6.根据权利要求5所述的***,其特征在于,所述SEM图像集合包括N个相同坐标下的所述SEM图像,N大于等于6。
7.根据权利要求5或6所述的***,其特征在于,利用卷积神经网络模型对所述SEM图像集合中的SEM图像进行特征提取,得到SEM图像特征信息,包括:
向所述卷积神经网络模型中输入所述SEM图像,得到所述SEM图像特征信息;
所述训练模块利用所述SEM图像特征信息和所述目标图像特征信息对卷积神经网络模型进行训练,得到去噪模型,包括:
利用损失函数计算所述SEM图像特征信息和所述目标图像特征信息之间的损失值;
根据所述损失值调整所述卷积神经网络模型的参数,得到所述去噪模型。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的运行程序,其特征在于,所述处理器执行所述运行程序时实现如权利要求1至3中任一项、或权利要求4所述的方法。
9.一种可读存储介质,其上存储有运行程序,其特征在于,所述运行程序被处理器执行时实现如权利要求1至3中任一项、或权利要求4所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111392331.0A CN114049342A (zh) | 2021-11-19 | 2021-11-19 | 一种去噪模型生成方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111392331.0A CN114049342A (zh) | 2021-11-19 | 2021-11-19 | 一种去噪模型生成方法、***、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049342A true CN114049342A (zh) | 2022-02-15 |
Family
ID=80211136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111392331.0A Pending CN114049342A (zh) | 2021-11-19 | 2021-11-19 | 一种去噪模型生成方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049342A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094909A (zh) * | 2023-08-31 | 2023-11-21 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印晶圆图像采集处理方法 |
-
2021
- 2021-11-19 CN CN202111392331.0A patent/CN114049342A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094909A (zh) * | 2023-08-31 | 2023-11-21 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印晶圆图像采集处理方法 |
CN117094909B (zh) * | 2023-08-31 | 2024-04-02 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印晶圆图像采集处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110603626B (zh) | 使用差异图像的晶片检验 | |
JP5276854B2 (ja) | パターン生成装置およびパターン形状評価装置 | |
CN110361926B (zh) | 光学邻近效应修正模型及其建立方法和掩膜板的形成方法 | |
CN115797300A (zh) | 一种基于自适应梯度阈值canny算子的边缘检测方法及其装置 | |
WO2022121736A1 (zh) | 一种基于机器学习的cdsem图像虚拟测量方法 | |
CN114049342A (zh) | 一种去噪模型生成方法、***、设备及介质 | |
JP5146797B2 (ja) | パターン欠陥検査のための装置、その方法及びそのプログラムを記録したコンピュータ読取り可能な記録媒体 | |
JP5810031B2 (ja) | 半導体回路パターン計測装置及び方法 | |
TWI836130B (zh) | 用於增強影像之方法及檢測系統 | |
TWI617899B (zh) | 經由匹配程序決定施加至積體電路製造過程之劑量校正的方法 | |
JP2014206550A (ja) | パターン形状評価装置 | |
CN115752760A (zh) | 一种适用于微振动环境的相位恢复算法 | |
TWI741541B (zh) | 影像分析系統及影像分析方法 | |
CN110969582B (zh) | 一种基于多源参考信息的遥感图像盲复原方法 | |
KR20240032830A (ko) | 하전 입자 검사에서의 이미지 왜곡 보정 | |
JP2009139166A (ja) | 画像欠陥検査方法および画像欠陥検査装置 | |
CN114648544A (zh) | 一种亚像素椭圆提取方法 | |
CN110047032B (zh) | 一种基于径向基函数拟合的局部自适应误匹配点剔除方法 | |
JP2021132159A (ja) | 特徴量測定方法及び特徴量測定装置 | |
CN112797917A (zh) | 一种高精度的数字散斑干涉相位定量测量方法 | |
JP7094594B2 (ja) | 処理条件推定装置、方法及びプログラム | |
Sezestre et al. | Model-based contour extraction: an enabler for very low-frame SEM images metrology | |
JP7042358B2 (ja) | 画像処理方法及び画像処理装置 | |
US20230298854A1 (en) | Method of performing metrology on a microfabrication pattern | |
CN113554585B (zh) | 影像分析***及影像分析方法 |
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 |