CN116090559A - 一种基于晶圆图检测数据生成知识点的方法 - Google Patents
一种基于晶圆图检测数据生成知识点的方法 Download PDFInfo
- Publication number
- CN116090559A CN116090559A CN202310054893.7A CN202310054893A CN116090559A CN 116090559 A CN116090559 A CN 116090559A CN 202310054893 A CN202310054893 A CN 202310054893A CN 116090559 A CN116090559 A CN 116090559A
- Authority
- CN
- China
- Prior art keywords
- defect
- wafer map
- subgraph
- wafer
- subgraphs
- 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 42
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 230000007547 defect Effects 0.000 claims abstract description 241
- 239000004065 semiconductor Substances 0.000 claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明涉及一种基于晶圆图检测数据生成知识点的方法，包括：获取晶圆图数据，所述晶圆图为半导体制造过程中包含缺陷的晶圆图；根据所述晶圆图对应的像素阵列，对所述晶圆图进行分割，得到若干包含单个晶圆缺陷的缺陷子图；将所述若干缺陷子图中的目标缺陷子图输入到缺陷检测模型中，得到对应的缺陷类型；根据所述缺陷类型，结合所述缺陷子图，确定对应的知识点，所述知识点中至少包含缺陷类型、缺陷坐标信息和晶圆编号，所述知识点用于生成或更新半导体领域的知识图谱。
Description
技术领域
本发明涉及半导体制造领域，尤其涉及一种基于晶圆图检测数据生成知识点的方法。
背景技术
在半导体制造过程中产生了各种数据，从数据来源主要分为两大类，一类是来自各种设备的数据，例如设备运行状态、设备参数、设备手册、运行日志等；另一类是来自生产的芯片的测试数据，例如芯片的电器特性、芯片缺陷等。在目前的生产过程中，往往只对一小部分数据进行了分析以用于指导生产，大部分数据并没有被充分利用。
在知识图谱的生成方式中，常规的方式为通过开放域的文本文档，通过自然语言处理NLP的方式提取出节点以及节点之间的因果/顺承等关系来构建知识，随后生成相应的知识图谱。但是，由于半导体制造中的存在大量的非文本数据，例如晶圆图数据，如果采用常规的知识图谱的生成方式，就需要首先通过语言生成模型将数据生成为事件描述文本，之后再将事件描述文本中的知识抽取出来，以此构建知识图谱。对于数据的处理存在语言生成以及解构的过程，较为繁琐与低效。
发明内容
本说明书一个或多个实施例描述了一种基于晶圆图检测数据生成知识点的方法，不将晶圆图数据生成为事件描述文本，而是直接从晶圆图数据生成知识点，然后可以基于知识点生成知识图谱，以此简化整个半导体制造过程中生成知识图谱的流程。在生成知识图谱后，可以基于知识图谱指导整个半导体的生产过程。
第一方面，提供了一种基于晶圆图检测数据生成知识点的方法，包括：
获取晶圆图数据，所述晶圆图为半导体制造过程中包含缺陷的晶圆图；
根据所述晶圆图对应的像素阵列，对所述晶圆图进行分割，得到若干包含单个晶圆缺陷的缺陷子图；
将所述若干缺陷子图中的目标缺陷子图输入到缺陷检测模型中，得到对应的缺陷类型；
根据所述缺陷类型，结合所述缺陷子图，确定对应的知识点，所述知识点中至少包含缺陷类型、缺陷坐标信息和晶圆编号，所述知识点用于生成或更新半导体领域的知识图谱。
在一种可能的实施方式中，在根据所述晶圆图对应的像素阵列，对所述晶圆图进行分割之前，所述方法还包括：
对所述晶圆图进行去噪处理，去除所述晶圆图中与缺陷无关的噪点。
在一种可能的实施方式中，所述对所述晶圆图进行去噪处理，包括：使用DBSCAN算法对所述晶圆图进行去噪处理。
在一种可能的实施方式中，在对所述晶圆图进行去噪处理之后，所述方法还包括：
对去噪后的晶圆图进行尺寸变换，变换到预设的尺寸。
在一种可能的实施方式中，对所述晶圆图进行分割，得到若干包含单个晶圆缺陷的缺陷子图，包括：
使用U-Net图像分割算法对所述晶圆图进行分割，得到若干包含单个晶圆缺陷的缺陷子图，以及每个缺陷子图的坐标信息；
根据各个缺陷子图的像素点数量，确定缺陷子图的面积信息；
所述知识点中还包含所述坐标信息和面积信息。
在一种可能的实施方式中，将所述若干缺陷子图中的目标缺陷子图输入到缺陷检测模型中，所述方法还包括：
对任意缺陷子图进行第一特征提取，得到子图特征；
根据所述子图特征在预定特征集中进行检索和比对，确定所述缺陷子图是否属于已知缺陷类型；所述预定特征集由已知缺陷类型的图特征构成；
在属于已知缺陷类型的情况下，将该缺陷子图确定为所述目标缺陷子图。
在一种可能的实施方式中，根据所述子图特征在预定特征集中进行检索和比对，确定所述缺陷子图是否属于已知缺陷类型，包括：
在所述预定特征集中，检索出与所述子图特征相似度最高的K个候选样本；
根据所述子图特征与所述K个候选样本的相似度，确定所述缺陷子图是否属于已知缺陷类型。
在一种可能的实施方式中，所述缺陷检测模型为Detection Transformer模型。
在一种可能的实施方式中，所述将所述若干缺陷子图中的目标缺陷子图输入到缺陷检测模型中，得到对应的缺陷类型，包括：
对所述目标缺陷子图进行第二特征提取，得到目标特征；
将所述目标特征输入到全连接层，将全连接层的输出输入到Softmax函数中，得到各种已知缺陷类型对应的概率；
选取概率最大的已知缺陷类型确定为缺陷类型。
在一种可能的实施方式中，所述第二特征提取包括：使用卷积神经网络CNN或ResNet模型对所述目标缺陷子图进行特征提取。
第二方面，提供了一种基于晶圆图检测数据生成知识点的装置，包括：
数据获取单元，配置为，获取晶圆图数据，所述晶圆图为半导体制造过程中包含缺陷的晶圆图；图像分割单元，配置为，根据所述晶圆图对应的像素阵列，对所述晶圆图进行分割，得到若干包含单个晶圆缺陷的缺陷子图；缺陷检测单元，配置为，将所述若干缺陷子图中的目标缺陷子图输入到缺陷检测模型中，得到对应的缺陷类型；知识点生成单元，配置为，根据所述缺陷类型，结合所述缺陷子图，确定对应的知识点，所述知识点中至少包含缺陷类型、缺陷坐标信息和晶圆编号，所述知识点用于生成或更新半导体领域的知识图谱。
在一种可能的实施方式中，所述装置还包括：图像去噪单元，配置为，对所述晶圆图进行去噪处理，去除所述晶圆图中与缺陷无关的噪点。
在一种可能的实施方式中，所述装置还包括：图像变换单元，配置为，对去噪后的晶圆图进行尺寸变换，变换到预设的尺寸。
在一种可能的实施方式中，所述装置还包括：第一特征提取单元，配置为对任意缺陷子图进行第一特征提取，得到子图特征；特征检索单元，配置为，根据所述子图特征在预定特征集中进行检索和比对，确定所述缺陷子图是否属于已知缺陷类型；所述预定特征集由已知缺陷类型的图特征构成；缺陷子图确定单元，配置为，在属于已知缺陷类型的情况下，将该缺陷子图确定为所述目标缺陷子图。
在一种可能的实施方式中，所述装置还包括：去重单元，配置为，将所述知识点添加到临时知识库中，对所述临时知识库中的知识点进行去重处理；图谱生成单元，配置为，利用去重处理后所述临时知识库中的知识点，生成或更新所述知识图谱。
本发明提出的一种基于晶圆图检测数据生成知识点的方法，使用端到端的方法，不将晶圆图数据生成为事件描述文本，而是直接从晶圆图数据生成知识点，然后可以基于知识点生成知识图谱，以此简化整个半导体制造过程中生成知识和知识图谱的流程。
附图说明
为了更清楚地说明本说明书披露的多个实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书披露的多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例公开的一种基于晶圆图检测数据生成知识点的方法的框架图；
图2为本发明实施例公开的一种基于晶圆图检测数据生成知识点的方法的流程图；
图3为本发明实施例公开的一种基于晶圆图检测数据生成知识点的装置的示意性框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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做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。
在半导体制造中的存在大量的非文本数据，例如晶圆图数据，如果采用常规的知识图谱的生成方式，就需要首先通过语言生成模型将数据生成为事件描述文本，之后再将事件描述文本中的知识抽取出来，以此构建知识图谱。对于数据的处理存在语言生成以及解构的过程，较为繁琐与低效。
基于此，本说明书一个或多个实施例描述了一种基于晶圆图检测数据生成知识点的方法，不将晶圆图数据生成为事件描述文本，而是直接从晶圆图数据生成知识点，然后可以基于知识点生成知识图谱，以此简化整个半导体制造过程中生成知识图谱的流程。根据一个实施例，图1示出基于晶圆图数据生成知识点的方法的框架。首先输入原始的晶圆图，然后对原始晶圆图进行预处理，去除噪点并统一尺寸，然后对晶圆图上的缺陷图案进行边界检测、图案分隔，并获取各团的面积、坐标等信息，得到一个/一组尺寸统一、缺陷特征明显的晶圆图。对前述晶圆图进行特征提取和特征检索，根据相似度获取到前K个候选检索样本，根据这K个候选检索样本判定上述缺陷是否为未知缺陷，若为未知缺陷则直接输出并交由人工处理，若为已知缺陷则使用分类模型进行缺陷图案识别，得到缺陷类型，缺陷坐标和缺陷面积，并输出。
以下将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
图2为本发明实施例公开的一种晶圆图数据生成知识的方法的流程图。如图2所示，所述方法至少包括：步骤201，获取晶圆图数据，所述晶圆图为半导体制造过程中包含缺陷的晶圆图；步骤204，根据所述晶圆图对应的像素阵列，对所述晶圆图进行分割，得到若干包含单个晶圆缺陷的缺陷子图；步骤208，将所述若干缺陷子图中的目标缺陷子图输入到缺陷检测模型中，得到对应的缺陷类型；步骤209，根据所述缺陷类型，结合所述缺陷子图，确定对应的知识点，所述知识点中至少包含缺陷类型、缺陷坐标信息和晶圆编号，所述知识点用于生成或更新半导体领域的知识图谱。
首先，在步骤201，获取晶圆图数据，所述晶圆图为半导体制造过程中包含缺陷的晶圆图。
获取方式可以是多种，例如，可以是从半导体制造过程中的各机台的采集设备中直接获取晶圆图数据，或者，从数据库中调取获得晶圆图数据，该数据库存储有半导体制造过程中各机台产生的结构化数值数据和晶圆图数据。
在一些实施例中，在步骤201之后，所述方法还包括步骤202和步骤203。
在步骤202，对所述晶圆图进行去噪处理，去除所述晶圆图中与缺陷无关的噪点。
在一个具体的实施例中，使用DBSCAN聚类算法对所述晶圆图进行去噪处理。具体地，将晶圆图中的每个像素点当作一个数据点，输入到DBSCAN聚类算法中，找出像素点集合中的噪音点并去除。DBSCAN聚类算法通过设定半径R和最少点数目MinPts，将数据点分为三类：
1、核心点：在半径R的圆形区域内包含数据点的数目超过MinPts个的点。
2、边界点：在半径R圆形区域内包含数据点的数目小于MinPts个，并且落在核心点的半径R的圆形区域内的点。
3、噪音点：既不是核心点也不是边界点的点。
在去噪之后，进入步骤203，对去噪后的晶圆图进行尺寸变换，变换到预设的尺寸。步骤203用于将来自不同机台的不同尺寸的晶圆图统一尺寸，以便于后续步骤的处理。
然后，在步骤204，根据所述晶圆图对应的像素阵列，对所述晶圆图进行分割，得到若干包含单个晶圆缺陷的缺陷子图。当晶圆图中只包含单个缺陷时，算法会直接输出该缺陷的图案以及该晶圆缺陷的坐标信息和像素点数量；当晶圆图中包含多个缺陷(重叠缺陷)时，算法会将多个缺陷分割成为若干个单独的缺陷，并输出每个晶圆缺陷的图案以及该晶圆缺陷的坐标信息和像素点数量。晶圆缺陷的像素点数量可以用于计算该晶圆缺陷的面积。可以理解的是，每个缺陷子图的形状和尺寸和分割前的晶圆图相同，只是图案上的缺陷变成了原晶圆图上的缺陷的一个子缺陷。
在一个实施例中，使用U-Net图像分割算法对所述晶圆图上的缺陷图案进行边界检测和图案分割，得到若干包含单个晶圆缺陷的缺陷子图，以及每个缺陷子图的坐标信息；根据各个缺陷子图的像素点数量，确定缺陷子图的面积信息；此时，所述知识点中还包含所述坐标信息和面积信息。
本领域技术人员可以理解的是，U-Net图像分割算法是一种可以实现像素级图像分割的算法。
在一些实施例中，在步骤204之后，所述方法还包括步骤205至步骤207。
在步骤205，对任意缺陷子图进行第一特征提取，得到子图特征。
在一个具体的实施例中，使用卷积神经网络CNN对所述任意缺陷子图进行第一特征提取，得到子图特征。
在步骤206，根据所述子图特征在预定特征集中进行检索和比对，确定所述缺陷子图是否属于已知缺陷类型；所述预定特征集由已知缺陷类型的图特征构成。
在一个实施例中，在所述预定特征集中，检索出与所述子图特征相似度最高的K个候选样本；根据所述子图特征与所述K个候选样本的相似度，确定所述缺陷子图是否属于已知缺陷类型。
具体地，在将子图特征和预定特征集中已知缺陷类型的图特征进行检索和比对之后，输出前K个相似度最高的候选检索样本，再根据相似度判断缺陷子图是否属于已知缺陷类型。例如，可以设定一个相似度阈值，当相似度大于或等于预设的相似度阈值时，则认为该缺陷为已知缺陷类型；当相似度低于预设的相似度阈值时，则认为该缺陷为未知缺陷类型。
若所述缺陷子图属于已知缺陷类型，则继续进行后续的步骤207；所述缺陷子图属于未知缺陷类型，则将现有信息直接输出，交由相关的工程师对缺陷进行人工判断，不再进行后续步骤。在人工判断之后，如果发现是***的误判，即该缺陷实际上属于已知缺陷，则将其添加进入已知缺陷构成的预定特征集中；如果发现该缺陷属于真实的未知缺陷，则将该缺陷更新为新类型的缺陷，添加进入预定特征集。
在步骤207，在属于已知缺陷类型的情况下，将该缺陷子图确定为所述目标缺陷子图。
然后，在步骤208，将所述若干缺陷子图中的目标缺陷子图输入到缺陷检测模型中，得到对应的缺陷类型。
在一个实施例中，使用Detection Transformer模型(以下简称为DETR模型)作为缺陷检测模型。本领域技术人员可以理解的是，DETR模型是将晶圆图缺陷识别问题看作计算机视觉领域的目标检测问题，具体地，模型的输入先经过backbone模块提取特征，然后将特征平铺展开进行位置编码，传入Transformer的编码器Encoder中，然后经过处理和解码器Decoder解码后，得到目标缺陷子图的缺陷类型和检测框。
在另一个实施例中，对所述目标缺陷子图进行第二特征提取，得到目标特征；将所述目标特征输入到全连接层，将全连接层的输出输入到Softmax函数中，得到各种已知缺陷类型对应的概率；选取概率最大的已知缺陷类型确定为缺陷类型。
具体地，使用卷积神经网络CNN或ResNet模型对所述目标缺陷子图进行特征提取，得到目标特征，然后将所述目标特征输入到全连接层，将全连接层的输出输入到Softmax函数中，得到各种已知缺陷类型对应的概率，然后选取概率最大的已知缺陷类型确定为缺陷类型。
最后，在步骤209，根据所述缺陷类型，结合所述缺陷子图，确定对应的知识点，所述知识点中至少包含缺陷类型、缺陷坐标信息和晶圆编号，所述知识点用于生成或更新半导体领域的知识图谱。
在一些实施例中，所述知识点还包括缺陷图案的面积。
在一些更具体的实施例中，可以将知识点构造为三元组的形式，具体地，三元组的形式为(缺陷类型，[x1,x2,y1,y2]，缺陷面积)。其中，(x1,y1)为DETR模型输出的检测框左上角的坐标，(x2,y2)为DETR模型输出的检测框右下角的坐标。
在一些实施例中，在步骤209之后，所述方法还包括：步骤210，将所述知识点添加到临时知识库中，对所述临时知识库中的知识点进行去重处理；步骤211，利用去重处理后所述临时知识库中的知识点，生成或更新所述知识图谱。
图3为本发明实施例公开的一种基于晶圆图检测数据生成知识点的装置的示意性框图。该装置300包括：
数据获取单元301，配置为，获取晶圆图数据，所述晶圆图为半导体制造过程中包含缺陷的晶圆图；图像分割单元304，配置为，根据所述晶圆图对应的像素阵列，对所述晶圆图进行分割，得到若干包含单个晶圆缺陷的缺陷子图；缺陷检测单元308，配置为，将所述若干缺陷子图中的目标缺陷子图输入到缺陷检测模型中，得到对应的缺陷类型；知识点生成单元309，配置为，根据所述缺陷类型，结合所述缺陷子图，确定对应的知识点，所述知识点中至少包含缺陷类型、缺陷坐标信息和晶圆编号，所述知识点用于生成或更新半导体领域的知识图谱。
在一个实施例中，所述装置300还包括：图像去噪单元302，配置为，对所述晶圆图进行去噪处理，去除所述晶圆图中与缺陷无关的噪点。
在一个实施例中，所述装置300还包括：图像变换单元303，配置为，对去噪后的晶圆图进行尺寸变换，变换到预设的尺寸。
在一个实施例中，所述装置300还包括：第一特征提取单元305，配置为对任意缺陷子图进行第一特征提取，得到子图特征；特征检索单元306，配置为，根据所述子图特征在预定特征集中进行检索和比对，确定所述缺陷子图是否属于已知缺陷类型；所述预定特征集由已知缺陷类型的图特征构成；缺陷子图确定单元307，配置为，在属于已知缺陷类型的情况下，将该缺陷子图确定为所述目标缺陷子图。
在一个实施例中，所述装置300还包括：去重单元310，配置为，将所述知识点添加到临时知识库中，对所述临时知识库中的知识点进行去重处理；图谱生成单元311，配置为，利用去重处理后所述临时知识库中的知识点，生成或更新所述知识图谱。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于晶圆图检测数据生成知识点的方法，包括：
获取晶圆图数据，所述晶圆图为半导体制造过程中包含缺陷的晶圆图；
根据所述晶圆图对应的像素阵列，对所述晶圆图进行分割，得到若干包含单个晶圆缺陷的缺陷子图；
将所述若干缺陷子图中的目标缺陷子图输入到缺陷检测模型中，得到对应的缺陷类型；
根据所述缺陷类型，结合所述缺陷子图，确定对应的知识点，所述知识点中至少包含缺陷类型、缺陷坐标信息和晶圆编号，所述知识点用于生成或更新半导体领域的知识图谱。
2.根据权利要求1所述的方法，其特征在于，在根据所述晶圆图对应的像素阵列，对所述晶圆图进行分割之前，所述方法还包括：
对所述晶圆图进行去噪处理，去除所述晶圆图中与缺陷无关的噪点。
3.根据权利要求2所述的方法，其特征在于，所述对所述晶圆图进行去噪处理，包括：使用DBSCAN算法对所述晶圆图进行去噪处理。
4.根据权利要求2所述的方法，其特征在于，在对所述晶圆图进行去噪处理之后，所述方法还包括：
对去噪后的晶圆图进行尺寸变换，变换到预设的尺寸。
5.根据权利要求1所述的方法，其特征在于，对所述晶圆图进行分割，得到若干包含单个晶圆缺陷的缺陷子图，包括：
使用U-Net图像分割算法对所述晶圆图进行分割，得到若干包含单个晶圆缺陷的缺陷子图，以及每个缺陷子图的坐标信息；
根据各个缺陷子图的像素点数量，确定缺陷子图的面积信息；
所述知识点中还包含所述坐标信息和面积信息。
6.根据权利要求1所述的方法，其特征在于，将所述若干缺陷子图中的目标缺陷子图输入到缺陷检测模型中之前，所述方法还包括：
对任意缺陷子图进行第一特征提取，得到子图特征；
根据所述子图特征在预定特征集中进行检索和比对，确定所述缺陷子图是否属于已知缺陷类型；所述预定特征集由已知缺陷类型的图特征构成；
在属于已知缺陷类型的情况下，将该缺陷子图确定为所述目标缺陷子图。
7.根据权利要求6所述的方法，其特征在于，根据所述子图特征在预定特征集中进行检索和比对，确定所述缺陷子图是否属于已知缺陷类型，包括：
在所述预定特征集中，检索出与所述子图特征相似度最高的K个候选样本；
根据所述子图特征与所述K个候选样本的相似度，确定所述缺陷子图是否属于已知缺陷类型。
8.根据权利要求1所述的方法，其特征在于，所述缺陷检测模型为DetectionTransformer模型。
9.根据权利要求1所述的方法，其特征在于，所述将所述若干缺陷子图中的目标缺陷子图输入到缺陷检测模型中，得到对应的缺陷类型，包括：
对所述目标缺陷子图进行第二特征提取，得到目标特征；
将所述目标特征输入到全连接层，将全连接层的输出输入到Softmax函数中，得到各种已知缺陷类型对应的概率；
选取概率最大的已知缺陷类型确定为缺陷类型。
10.根据权利要求9所述的方法，其特征在于，所述第二特征提取包括：使用卷积神经网络CNN或ResNet模型对所述目标缺陷子图进行特征提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310054893.7A CN116090559A (zh) | 2023-02-03 | 2023-02-03 | 一种基于晶圆图检测数据生成知识点的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310054893.7A CN116090559A (zh) | 2023-02-03 | 2023-02-03 | 一种基于晶圆图检测数据生成知识点的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116090559A true CN116090559A (zh) | 2023-05-09 |
Family
ID=86205966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310054893.7A Pending CN116090559A (zh) | 2023-02-03 | 2023-02-03 | 一种基于晶圆图检测数据生成知识点的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116090559A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6456899B1 (en) * | 1999-12-07 | 2002-09-24 | Ut-Battelle, Llc | Context-based automated defect classification system using multiple morphological masks |
| CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
| CN111161213A (zh) * | 2019-12-09 | 2020-05-15 | 浙江大学 | 一种基于知识图谱的工业产品缺陷图像分类方法 |
| CN113191540A (zh) * | 2021-04-23 | 2021-07-30 | 南京航空航天大学 | 一种产业链路制造资源的构建方法及装置 |
| CN113254667A (zh) * | 2021-06-07 | 2021-08-13 | 成都工物科云科技有限公司 | 基于深度学习模型的科技人物知识图谱构建方法、装置及终端 |
| CN113792742A (zh) * | 2021-09-17 | 2021-12-14 | 北京百度网讯科技有限公司 | 遥感图像的语义分割方法和语义分割模型的训练方法 |
| CN114328277A (zh) * | 2022-03-11 | 2022-04-12 | 广东省科技基础条件平台中心 | 一种软件缺陷预测和质量分析方法、装置、设备及介质 |
| CN114417995A (zh) * | 2022-01-19 | 2022-04-29 | 平安国际智慧城市科技股份有限公司 | 管网风险预警方法、装置、计算机设备及存储介质 |
| CN114637782A (zh) * | 2022-04-02 | 2022-06-17 | 筏渡(上海)科技有限公司 | 一种针对结构化数值型数据生成文本的方法及装置 |
| CN114637864A (zh) * | 2022-04-02 | 2022-06-17 | 筏渡(上海)科技有限公司 | 一种知识图谱的更新方法及装置 |
| CN114782410A (zh) * | 2022-05-24 | 2022-07-22 | 内蒙古大学 | 一种基于轻量化模型的绝缘子缺陷检测方法及其*** |
| CN114897858A (zh) * | 2022-05-24 | 2022-08-12 | 内蒙古大学 | 一种基于深度学习的快速绝缘子缺陷检测方法及其*** |
-
2023
- 2023-02-03 CN CN202310054893.7A patent/CN116090559A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6456899B1 (en) * | 1999-12-07 | 2002-09-24 | Ut-Battelle, Llc | Context-based automated defect classification system using multiple morphological masks |
| CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
| CN111161213A (zh) * | 2019-12-09 | 2020-05-15 | 浙江大学 | 一种基于知识图谱的工业产品缺陷图像分类方法 |
| CN113191540A (zh) * | 2021-04-23 | 2021-07-30 | 南京航空航天大学 | 一种产业链路制造资源的构建方法及装置 |
| CN113254667A (zh) * | 2021-06-07 | 2021-08-13 | 成都工物科云科技有限公司 | 基于深度学习模型的科技人物知识图谱构建方法、装置及终端 |
| CN113792742A (zh) * | 2021-09-17 | 2021-12-14 | 北京百度网讯科技有限公司 | 遥感图像的语义分割方法和语义分割模型的训练方法 |
| CN114417995A (zh) * | 2022-01-19 | 2022-04-29 | 平安国际智慧城市科技股份有限公司 | 管网风险预警方法、装置、计算机设备及存储介质 |
| CN114328277A (zh) * | 2022-03-11 | 2022-04-12 | 广东省科技基础条件平台中心 | 一种软件缺陷预测和质量分析方法、装置、设备及介质 |
| CN114637782A (zh) * | 2022-04-02 | 2022-06-17 | 筏渡(上海)科技有限公司 | 一种针对结构化数值型数据生成文本的方法及装置 |
| CN114637864A (zh) * | 2022-04-02 | 2022-06-17 | 筏渡(上海)科技有限公司 | 一种知识图谱的更新方法及装置 |
| CN114782410A (zh) * | 2022-05-24 | 2022-07-22 | 内蒙古大学 | 一种基于轻量化模型的绝缘子缺陷检测方法及其*** |
| CN114897858A (zh) * | 2022-05-24 | 2022-08-12 | 内蒙古大学 | 一种基于深度学习的快速绝缘子缺陷检测方法及其*** |
Non-Patent Citations (2)
| Title |
|---|
| PRASHANT P. SHINDE 等: "Wafer Defect Localization and Classification Using Deep Learning Techniques", DIGITAL OBJECT IDENTIFIER, 11 April 2022 (2022-04-11), pages 39969 - 39974 * |
| 赵朗月 等: "基于机器视觉的表面缺陷检测方法研究进展", 仪器仪表学报, 29 January 2022 (2022-01-29), pages 1 - 22 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626146B (zh) | 一种基于模板匹配的合并单元格表格分割识别方法 | |
| CN109343920B (zh) | 一种图像处理方法及其装置、设备和存储介质 | |
| US11686689B2 (en) | Automatic optimization of an examination recipe | |
| CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN113807301B (zh) | 一种新增建设用地自动提取方法及自动提取*** | |
| US11663840B2 (en) | Method and system for removing noise in documents for image processing | |
| CN112966088B (zh) | 未知意图的识别方法、装置、设备及存储介质 | |
| KR102488789B1 (ko) | 인공지능 기반 단일 클래스 이상 탐지 모델을 이용한 예측 분류 방법, 장치 및 프로그램 | |
| CN116403109A (zh) | 一种基于改进神经网络的建筑物识别与提取方法及*** | |
| CN110837874A (zh) | 基于时间序列分类的业务数据异常检测方法 | |
| CN114647713A (zh) | 基于虚拟对抗的知识图谱问答方法、设备及存储介质 | |
| CN114612702A (zh) | 基于深度学习的图像数据标注***及其方法 | |
| Ghan et al. | Clustering and pattern matching for an automatic hotspot classification and detection system | |
| de las Heras et al. | Notation-invariant patch-based wall detector in architectural floor plans | |
| CN116502714A (zh) | 一种端到端的知识图谱生成方法 | |
| CN116090559A (zh) | 一种基于晶圆图检测数据生成知识点的方法 | |
| CN116246161A (zh) | 领域知识引导下的遥感图像目标精细类型识别方法及装置 | |
| CN113657196B (zh) | Sar图像目标检测方法、装置、电子设备和存储介质 | |
| CN111652083B (zh) | 一种基于自适应采样的弱监督时序动作检测方法及*** | |
| CN114495144A (zh) | 文本图像中表格key-value信息的提取方法及装置 | |
| CN111435537B (zh) | 模型训练方法、装置及基于拼接图的位姿优化方法、装置 | |
| CN116342422A (zh) | 一种基于晶圆图去噪的识别缺陷方法 | |
| CN111062388A (zh) | 基于深度学习的广告文字的识别方法、***、介质及设备 | |
| JP2020101900A (ja) | 画像検査装置、画像検査のための学習方法および画像検査プログラム | |
| KR102685359B1 (ko) | 시편들을 검사하는 방법 및 그의 시스템 |
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 |