本發(fā)明涉及故障檢測，更具體地說，本發(fā)明涉及基于人工智能的集成電路故障檢測系統(tǒng)。

背景技術：

1、集成電路故障檢測系統(tǒng)自上世紀六十年代開始由手工檢測逐漸演變至今，在引入自動化檢測設備并集成多種測試技術后，取得了蓬勃發(fā)展，現如今，隨著機器學習與人工智能、云計算和大數據分析的普及，集成電路故障檢測系統(tǒng)已然邁入了智能化階段。

2、而在現有的集成電路故障檢測系統(tǒng)中，憑借著高精度檢測、多樣化的檢測技術、全面的缺陷分類能力、自動化程度提高和高適應性等優(yōu)勢，通過高分辨率的成像技術和先進的算法，精確檢測出微小的缺陷和異常的同時，還提升了檢測效率和一致性，實現了快速定位和修復問題的目的。

3、但現有的集成電路故障檢測系統(tǒng)仍然存在許多需要解決的問題，如系統(tǒng)成本和取得的效益不平衡，高分辨率成像和復雜算法處理時間較長，導致檢測速度慢，影響生產效率，以及處理大量ic時可能效率較低，難以滿足大規(guī)模生產的需求等，甚至可能會產生較高的誤報率和漏報率，影響檢測的可靠性。

技術實現思路

1、為了克服現有技術的上述缺陷，本發(fā)明的實施例提供基于集成電路故障檢測系統(tǒng)中的故障檢測報錯信息、成本耗費信息以及檢測效率信息的監(jiān)測分析，評估對系統(tǒng)性能以及進行算法改進的必要性，當判斷系統(tǒng)性能較弱時，構建卷積神經網絡—支持向量機算法模型，改進系統(tǒng)特征提取和特征處理功能，改進后的集成電路故障檢測系統(tǒng)結合系統(tǒng)改進信息和全面自動化信息進行實用性評估，從而對系統(tǒng)進行多次迭代，并為后續(xù)的集成電路故障檢測系統(tǒng)的構建提供更加可靠的建議和數據支撐。

2、為實現上述目的，本發(fā)明提供如下技術方案：

3、基于人工智能的集成電路故障檢測系統(tǒng)，包括如下模塊：

4、數據采集模塊，監(jiān)測、采集集成電路故障檢測系統(tǒng)中的故障檢測報錯信息、成本耗費信息以及檢測效率信息，卷積神經網絡—支持向量機算法模型構建需要的樣本數據以及集成電路故障檢測系統(tǒng)改進后的系統(tǒng)改進信息和全面自動化信息；

5、故障檢測性能評估模塊，構建故障檢測性能評估模型，對現有的集成電路故障檢測系統(tǒng)的故障檢測性能進行評估；

6、算法優(yōu)化模塊，對于故障檢測弱的集成電路故障檢測系統(tǒng)，通過構建卷積神經網絡—支持向量機算法模型，改進特征提取和特征處理功能；

7、改進成果評估模塊，對改進后的集成電路故障檢測系統(tǒng)結合系統(tǒng)改進信息和全面自動化信息進行實用性評估，并根據評估結果對卷積神經網絡—支持向量機算法模型進行迭代。

8、具體的，在數據采集模塊中，集成電路的樣本數據多由測試探針、示波器、邏輯分析儀和自動測試設備共同運行得到，再經由eda軟件，如cadence,synopsys,mentorgraphics進行設計和仿真，生成測試向量，實現監(jiān)測分析、處理集成電路和集成電路故障檢測系統(tǒng)相關信息的目的。在實際使用中，由于設備成本和實時監(jiān)測的復雜性等因素，本發(fā)明建立在集成電路故障檢測系統(tǒng)長期運行且檢測環(huán)境相對穩(wěn)定的情況，持續(xù)監(jiān)測集成電路數據的前提下進行的，從而可能會導致某一監(jiān)測時刻必要性變更的現象。

9、在故障檢測性能評估模塊中，構建故障檢測性能評估模型，具體過程為采集當前集成電路故障檢測系統(tǒng)的故障檢測報錯信息、成本耗費信息以及檢測效率信息，其中故障檢測報錯信息包括故障檢測報錯系數，標定為bgj，成本耗費信息包括成本耗費系數，標定為hcb，檢測效率信息包括檢測效率系數，標定為xjc；

10、故障檢測報錯系數bgj通過采集當前集成電路故障檢測系統(tǒng)最近檢測的一萬個集成電路數據，將實際不存在故障但被系統(tǒng)檢測為有故障的集成電路數量標定為wjd，將最近檢測的集成電路在保修期內被返廠維修的集成電路數量標定為fjd，則故障檢測報錯系數bgj＝wjd+fjd2；

11、成本耗費系數hcb通過采集建立當前集成電路故障檢測系統(tǒng)的花費金額，標定為ji1，統(tǒng)計一年內檢測的集成電路數量，標記為sjc，則成本耗費系數hcb＝jj1÷sjc；

12、檢測效率系數xjc通過統(tǒng)計當前集成電路故障檢測系統(tǒng)在一個小時內檢測的集成電路數量，標定為tsl，采集市場中現有的其他種類集成電路故障檢測系統(tǒng)一個小時內檢測的集成電路數量，標定為tx，x為其他種類集成電路故障檢測系統(tǒng)編號，x＝1,2,3...n，n為正整數，則檢測效率系數

13、故障檢測性能評估模型分別由當前集成電路故障檢測系統(tǒng)的故障檢測報錯信息、成本耗費信息和檢測效率信息三方面加權構建而成，生成故障檢測性能評估指數xnpg，對應的系數分別為故障檢測報錯系數bgj、成本耗費系數hcb、檢測效率系數xjc，構成的公式為xnpg＝α1×bgj×α2×hcb+α3×xjc；

14、同時，α1、α2、α3均大于0，并根據實際情況進行設定，例如，采用專家賦權法，即邀請相關領域的專家通過專業(yè)的意見調查和綜合評估來確定各項指標的權重，以確保權重系數能夠準確地反映故障檢測性能評估中各項指標的重要性。此外，還可以考慮采用層次分析法、模糊綜合評價法等多種方法來確定權重系數，以保證權重系數的客觀性和科學性。在此不作贅述。

15、在故障檢測性能評估模塊中，由故障檢測性能評估模型中獲得的故障檢測性能評估指數用于體現集成電路故障檢測系統(tǒng)檢測過程中的性能強弱，它的值越大表示集成電路故障檢測系統(tǒng)出現誤報和漏報越頻繁，平攤到每一個集成電路上的檢測成本耗費越高，以及相較于市場中現有的其他集成電路故障檢測系統(tǒng)的檢測效率越低。

16、在故障檢測性能評估模塊中，當故障檢測性能評估指數xnpg大于設定的性能閾值時，說明現有的集成電路故障檢測系統(tǒng)不能滿足生產需要，發(fā)出改進必要性信號，并對現有的集成電路故障檢測系統(tǒng)進行后續(xù)算法優(yōu)化；

17、當故障檢測性能評估指數xnpg小于等于設定的性能閾值時，說明現有的集成電路故障檢測系統(tǒng)可以滿足生產需要，不進行后續(xù)步驟，直接輸出評估結果。

18、在算法優(yōu)化模塊中，將深度學習和傳統(tǒng)機器學習模型結合從而實現對原有算法優(yōu)化的目的，深度學習算法選用卷積神經網絡算法，通過卷積神經網絡算法強大的自動特征提取能力，從原始圖像數據中提取出層次化的高級特征，使得后續(xù)的傳統(tǒng)機器學習模型，即選用的支持向量機算法可以在較小的特征空間中高效工作，避免了過于復雜的模型結構，從而實現提高檢測效率和降低誤報、漏報次數的目的；

19、進一步的，本發(fā)明卷積神經網絡—支持向量機算法模型的構建方法如下：

20、步驟3.1，數據準備和預處理，收集集成電路故障檢測的圖像數據，包括正常和有缺陷的樣本，對圖像進行標準化、歸一化、裁剪、旋轉等處理，以提高模型的魯棒性；

21、步驟3.2，卷積神經網絡特征提取，構建卷積神經網絡模型，確定輸入層，輸入圖像，假設輸入圖像的大小為w×h×c，其中w為寬度，h為高度，c為通道數(例如灰度圖像c＝1，彩色圖像c＝3)，定義卷積層，在輸入圖像上應用多個卷積核(濾波器)，每個卷積核會生成一個特征圖(feature?map)，卷積操作公式為：其中，σ是激活函數(如relu)，w(k)是第k個卷積核，x是輸入圖像，b(k)是第k個卷積核的偏置，m和n分別是卷積核的高度和寬度，使用relu激活函數：σ(x)＝max(0,x)，定義池化層，在卷積層的輸出特征圖上應用池化操作，通常是最大池化(max?pooling)或平均池化(average?pooling)，以減小特征圖的尺寸，減少計算量和過擬合風險，最大池化為：pooled?feature?mapij＝maxm，n(feature?map(i+m)(j+n))，其中，m和n是池化窗口的尺寸(例如2×2)，逐層卷積和池化，每一層的輸出特征圖作為下一層的輸入，重復進行卷積和池化操作；

22、步驟3.3，特征向量生成，通過扁平化操作和全連接操作，分別將最后一個池化層的輸出特征圖展平(flatten)為一維特征向量并將扁平化后的特征向量輸入到全連接層，通過一系列的權重矩陣變換，進一步提取特征，展平操作：v＝flatten(pooled?featuremaps)，全連接層：y＝σ(w·v+b)，其中，w是權重矩陣，v是展平后的特征向量，b是偏置向量，σ是激活函數(如relu或softmax)，將全連接層的輸出作為最終的特征向量，最終特征向量：f＝y(tǒng)；

23、步驟3.4，支持向量機分類，構建向量機模型，將優(yōu)化問題轉化為約束最優(yōu)化問題，通過拉格朗日乘數法求解，優(yōu)化問題公式為約束條件為：yi(w·fi+b)≥1-ξi?for?i＝1，2，...，n和ξi≥0?for?i＝1，2，...，n，其中，w是決策邊界的權重向量，b是偏置項，ξi是松弛變量，c是正則化參數，fi是卷積神經網絡提取的特征向量，yi是標簽(+1或-1)，引入拉格朗日乘數并求解：其中，αi是拉格朗日乘數，獲取得到最優(yōu)的w和b，通過決策函數對新的特征向量進行分類，定義f為新的特征向量，則f(f)＝sign(w·f+b)，輸出結果，若結果為正，則預測類別為+1(正常集成電路)，若結果為負，則預測類別為-1(有缺陷的集成電路)。

24、在改進成果評估模塊中，通過構建卷積神經網絡—支持向量機算法模型實現對現有的集成電路故障檢測系統(tǒng)算法優(yōu)化后，構建改進成果評估模型，對算法改進后的集成電路故障檢測系統(tǒng)進行評估，并把評估結果記錄，作為下一個集成電路故障檢測系統(tǒng)構建時的性能閾值參考數值。

25、對算法改進后的集成電路故障檢測系統(tǒng)進行實用性評估，具體過程為采集集成電路故障檢測系統(tǒng)的系統(tǒng)改進信息和全面自動化信息，其中集成電路故障檢測系統(tǒng)的系統(tǒng)改進信息包括檢測覆蓋面系數和銷量變化系數，分別標定為jfg和xbh，全面自動化信息包括全面自動化系數，標定為qzd；

26、檢測覆蓋面系數jfg通過集成電路故障檢測系統(tǒng)可檢測故障的種類數量，標定為zgz，統(tǒng)計集成電路售后反饋中出現的故障種類數量，標定為sfk，則檢測覆蓋面系數jfg＝(zg2-sfk)/zgz；

27、銷量變化系數xbh通過采集使用原有集成電路故障檢測系統(tǒng)一年內的銷售數量，標定為xyy，再統(tǒng)計算法改進后的集成電路故障檢測系統(tǒng)一年內的銷售數量，標定為xgj，則銷量變化系數xbh＝xgj÷xyy；

28、全面自動化系數qzd采集算法改進后的集成電路故障檢測系統(tǒng)總支出金額，標定為jgj，再統(tǒng)計集成電路故障檢測過程中的人工支出費用，標定為rzc，則全面自動化系數qzd＝(jgj-rzc)/jgj；

29、改進成果評估模型分別由系統(tǒng)改進信息和全面自動化信息兩方面加權構建而成，生成改進成果評估指數gjpg，對應的系數分別為檢測覆蓋面系數jfg、銷量變化系數xbh、全面自動化系數qzd，構成的公式為gjpg＝β1×jfg-β2×xbh-β3×qzd，β1、β2、β3則是相應指標的權重系數，均大于0。

30、在改進成果評估模塊中，當改進成果評估指數gjpg小于等于實用閾值時，說明對算法改進后的集成電路故障檢測系統(tǒng)能較為全面地檢測出集成電路遇到的故障，在提高銷量的同時，還具有高自動化程度，具有高實用性，不再對算法進行調整，輸出評估結果；

31、當改進成果評估指數gjpg大于實用閾值時，說明算法改進后的集成電路故障檢測系統(tǒng)檢測出集成電路遇到的故障不全面，沒有實現提升銷量和高自動化的預期目標，實用性低，將評估結果反饋到算法優(yōu)化模塊，作為參數對算法進行迭代調整。

32、本發(fā)明的技術效果和優(yōu)點：

33、本發(fā)明基于集成電路故障檢測系統(tǒng)中的故障檢測報錯信息、成本耗費信息以及檢測效率信息的監(jiān)測分析，評估對系統(tǒng)性能以及進行算法改進的必要性，當判斷系統(tǒng)性能較弱時，構建卷積神經網絡—支持向量機算法模型，改進系統(tǒng)特征提取和特征處理功能，改進后的集成電路故障檢測系統(tǒng)結合系統(tǒng)改進信息和全面自動化信息進行實用性評估，從而對系統(tǒng)進行多次迭代，并為后續(xù)的集成電路故障檢測系統(tǒng)的構建提供更加可靠的建議和數據支撐。