本發(fā)明涉及半導(dǎo)體制造，尤其涉及一種檢測模型訓(xùn)練方法、一種檢測模型訓(xùn)練裝置、一種檢測模型訓(xùn)練系統(tǒng)和一種檢測方法。

背景技術(shù)：

1、由于半導(dǎo)體晶圓背景復(fù)雜，傳統(tǒng)的基于模板匹配的缺陷檢測算法會產(chǎn)生大量的過檢，而這大量的過檢還需要質(zhì)檢人員逐張進(jìn)行檢查，非常耗時且由于人具有主觀性與易疲勞的特點，檢測效果不佳，所以目前普遍采用基于深度學(xué)習(xí)的方法。但是深度學(xué)習(xí)算法的效果強(qiáng)烈依賴于訓(xùn)練數(shù)據(jù)，在實際的產(chǎn)線上可以獲取到的原始數(shù)據(jù)量會很大，但是這些數(shù)據(jù)往往存在非常嚴(yán)重的不均衡現(xiàn)象。模型會對數(shù)據(jù)量大的類別學(xué)習(xí)效果遠(yuǎn)好于少的類別，基于不均衡的數(shù)據(jù)進(jìn)行深度學(xué)習(xí)模型訓(xùn)練，模型會更傾向于將待測數(shù)據(jù)判為數(shù)據(jù)量大的檢測類別，如此會造成很大的漏檢風(fēng)險，并影響檢測準(zhǔn)確率。

2、因此，亟需提供一種新的檢測模型訓(xùn)練方案來解決上述訓(xùn)練數(shù)據(jù)不均衡導(dǎo)致問題。

技術(shù)實現(xiàn)思路

1、因此，為克服現(xiàn)有技術(shù)中的至少部分缺陷和問題，本發(fā)明實施例提供了一種檢測模型訓(xùn)練方法、一種檢測模型訓(xùn)練裝置、一種檢測模型訓(xùn)練系統(tǒng)和一種檢測方法訓(xùn)練得到的檢測模型，具有檢測準(zhǔn)確率更高、漏檢更少的特點。

2、具體地，一方面，本發(fā)明一個實施例提供的一種檢測模型訓(xùn)練方法，包括：獲取多個訓(xùn)練數(shù)據(jù)；所述多個訓(xùn)練數(shù)據(jù)對應(yīng)多種工件類別；對所述多個訓(xùn)練數(shù)據(jù)進(jìn)行歸集處理，確定與所述多種工件類別一一對應(yīng)的多個訓(xùn)練數(shù)據(jù)集；基于所述多個訓(xùn)練數(shù)據(jù)集進(jìn)行模型訓(xùn)練得到檢測模型。

3、在一個實施例中，所述基于所述多個訓(xùn)練數(shù)據(jù)集進(jìn)行模型訓(xùn)練得到檢測模型，包括：基礎(chǔ)訓(xùn)練步驟，基于所述多個訓(xùn)練數(shù)據(jù)集進(jìn)行基礎(chǔ)訓(xùn)練得到基礎(chǔ)模型；自檢步驟，采用所述基礎(chǔ)模型對所述多個訓(xùn)練數(shù)據(jù)集進(jìn)行自檢得到自檢信息；迭代訓(xùn)練步驟，基于所述自檢信息對所述基礎(chǔ)模型進(jìn)行迭代訓(xùn)練得到所述檢測模型。

4、在一個實施例中，所述迭代訓(xùn)練步驟具體包括：根據(jù)所述自檢信息符合預(yù)設(shè)判斷條件時，完成所述迭代訓(xùn)練；否則，根據(jù)所述自檢信息更新所述多個訓(xùn)練數(shù)據(jù)集，返回至所述基礎(chǔ)訓(xùn)練步驟。

5、在一個實施例中，所述自檢信息包括與所述多個訓(xùn)練數(shù)據(jù)集一一對應(yīng)的多個自檢噪聲值；所述多個自檢噪聲值均小于等于預(yù)設(shè)閾值時，所述自檢信息符合所述預(yù)設(shè)判斷條件。

6、在一個實施例中，所述自檢信息包括所述多個訓(xùn)練數(shù)據(jù)中的異常數(shù)據(jù)；所述根據(jù)所述自檢信息更新所述多個訓(xùn)練數(shù)據(jù)集，包括：依據(jù)對所述異常數(shù)據(jù)進(jìn)行復(fù)判的復(fù)判結(jié)果將所述異常數(shù)據(jù)更新至所述多個訓(xùn)練數(shù)據(jù)集中的目標(biāo)更新訓(xùn)練數(shù)據(jù)集中。

7、在一個實施例中，所述基于所述多個訓(xùn)練數(shù)據(jù)集進(jìn)行基礎(chǔ)訓(xùn)練得到基礎(chǔ)模型，包括：根據(jù)預(yù)設(shè)采樣規(guī)則逐個對所述多個訓(xùn)練數(shù)據(jù)集進(jìn)行采樣得到與所述多個訓(xùn)練數(shù)據(jù)集一一對應(yīng)的多組采樣數(shù)據(jù)；基于所述多組采樣數(shù)據(jù)進(jìn)行所述基礎(chǔ)訓(xùn)練得到所述基礎(chǔ)模型。

8、在一個實施例中，所述多個訓(xùn)練數(shù)據(jù)對應(yīng)多種特征類別，所述多個訓(xùn)練數(shù)據(jù)集包括目標(biāo)采樣數(shù)據(jù)集；所述目標(biāo)采樣數(shù)據(jù)集包括與所述多種特征類別一一對應(yīng)的多個目標(biāo)采樣數(shù)據(jù)子集；所述預(yù)設(shè)采樣規(guī)則包括：所述目標(biāo)采樣數(shù)據(jù)集中所述多個目標(biāo)采樣數(shù)據(jù)子集的數(shù)據(jù)采樣數(shù)目相等。

9、在一個實施例中，所述多個訓(xùn)練數(shù)據(jù)對應(yīng)多種特征類別；所述多個訓(xùn)練數(shù)據(jù)集包括目標(biāo)訓(xùn)練數(shù)據(jù)集；所述檢測模型訓(xùn)練方法還包括：將所述目標(biāo)訓(xùn)練數(shù)據(jù)集按照特征類別分類，得到與所述多種特征類別一一對應(yīng)的多個目標(biāo)訓(xùn)練數(shù)據(jù)子集。

10、本發(fā)明一個實施例提供一種檢測模型訓(xùn)練裝置，包括：訓(xùn)練數(shù)據(jù)獲取模塊，用于獲取多個訓(xùn)練數(shù)據(jù)；所述多個訓(xùn)練數(shù)據(jù)對應(yīng)多種工件類別；數(shù)據(jù)歸集模塊，用于對所述多個訓(xùn)練數(shù)據(jù)進(jìn)行歸集處理，確定與所述多種工件類別一一對應(yīng)的多個訓(xùn)練數(shù)據(jù)集；訓(xùn)練模塊，用于基于所述多個訓(xùn)練數(shù)據(jù)集進(jìn)行模型訓(xùn)練得到檢測模型。

11、本發(fā)明一個實施例提供一種檢測方法，包括：獲取待測工件的待測圖像；采用檢測模型對所述待測圖像進(jìn)行檢測，所述檢測模型通過如前述任意一項實施例所述的模型訓(xùn)練方法訓(xùn)練得到。

12、本發(fā)明一個實施例提供一種檢測模型訓(xùn)練系統(tǒng)，包括處理器和連接所述處理器的存儲器，所述存儲器存儲有所述處理器執(zhí)行的指令，且所述指令使得所述處理器執(zhí)行操作以進(jìn)行前述任意一項實施例所述的檢測模型訓(xùn)練方法。

13、本發(fā)明一個實施例提供一種可讀介質(zhì)，所述可讀介質(zhì)存儲有計算機(jī)可讀指令，所述計算機(jī)可讀指令包括用于執(zhí)行前述任一項實施例所述的檢測模型訓(xùn)練方法。

14、由上可知，本發(fā)明上述實施例可以達(dá)成以下一個或多個有益效果：通過將多個訓(xùn)練數(shù)據(jù)進(jìn)行歸集處理得到與多種工件類別一一對應(yīng)的多個訓(xùn)練數(shù)據(jù)集，相比于直接將混合有不同工件類別的多個訓(xùn)練數(shù)據(jù)作為訓(xùn)練樣品，本實施例能夠?qū)崿F(xiàn)工件類別層面的數(shù)據(jù)均衡，能夠基于不同的工件類別實現(xiàn)模型的訓(xùn)練，提高模型的準(zhǔn)確率，減少漏檢。

技術(shù)特征：

1.一種檢測模型訓(xùn)練方法，其特征在于，包括：

2.如權(quán)利要求1所述的檢測模型訓(xùn)練方法，其特征在于，所述基于所述多個訓(xùn)練數(shù)據(jù)集進(jìn)行模型訓(xùn)練得到檢測模型，包括：

3.如權(quán)利要求2所述的檢測模型訓(xùn)練方法，其特征在于，所述迭代訓(xùn)練步驟具體包括：根據(jù)所述自檢信息符合預(yù)設(shè)判斷條件時，完成所述迭代訓(xùn)練；否則，根據(jù)所述自檢信息更新所述多個訓(xùn)練數(shù)據(jù)集，返回至所述基礎(chǔ)訓(xùn)練步驟。

4.如權(quán)利要求3所述的檢測模型訓(xùn)練方法，其特征在于，所述自檢信息包括與所述多個訓(xùn)練數(shù)據(jù)集一一對應(yīng)的多個自檢噪聲值；所述多個自檢噪聲值均小于等于預(yù)設(shè)閾值時，所述自檢信息符合所述預(yù)設(shè)判斷條件。

5.如權(quán)利要求3所述的檢測模型訓(xùn)練方法，其特征在于，所述自檢信息包括所述多個訓(xùn)練數(shù)據(jù)中的異常數(shù)據(jù)；所述根據(jù)所述自檢信息更新所述多個訓(xùn)練數(shù)據(jù)集，包括：依據(jù)對所述異常數(shù)據(jù)進(jìn)行復(fù)判的復(fù)判結(jié)果將所述異常數(shù)據(jù)更新至所述多個訓(xùn)練數(shù)據(jù)集中的目標(biāo)更新訓(xùn)練數(shù)據(jù)集中。

6.如權(quán)利要求2所述的檢測模型訓(xùn)練方法，其特征在于，所述基于所述多個訓(xùn)練數(shù)據(jù)集進(jìn)行基礎(chǔ)訓(xùn)練得到基礎(chǔ)模型，包括：

7.如權(quán)利要求6所述的檢測模型訓(xùn)練方法，其特征在于，所述多個訓(xùn)練數(shù)據(jù)對應(yīng)多種特征類別，所述多個訓(xùn)練數(shù)據(jù)集包括目標(biāo)采樣數(shù)據(jù)集；所述目標(biāo)采樣數(shù)據(jù)集包括與所述多種特征類別一一對應(yīng)的多個目標(biāo)采樣數(shù)據(jù)子集；所述預(yù)設(shè)采樣規(guī)則包括：所述目標(biāo)采樣數(shù)據(jù)集中所述多個目標(biāo)采樣數(shù)據(jù)子集的數(shù)據(jù)采樣數(shù)目相等。

8.如權(quán)利要求1所述的檢測模型訓(xùn)練方法，其特征在于，所述多個訓(xùn)練數(shù)據(jù)對應(yīng)多種特征類別；所述多個訓(xùn)練數(shù)據(jù)集包括目標(biāo)訓(xùn)練數(shù)據(jù)集；所述檢測模型訓(xùn)練方法還包括：將所述目標(biāo)訓(xùn)練數(shù)據(jù)集按照特征類別分類，得到與所述多種特征類別一一對應(yīng)的多個目標(biāo)訓(xùn)練數(shù)據(jù)子集。

9.一種檢測模型訓(xùn)練裝置，其特征在于，包括：

10.一種檢測方法，其特征在于，包括：

11.一種檢測模型訓(xùn)練系統(tǒng)，其特征在于，包括處理器和連接所述處理器的存儲器，所述存儲器存儲有所述處理器執(zhí)行的指令，且所述指令使得所述處理器執(zhí)行操作以進(jìn)行如權(quán)利要求1-8任意一項所述的檢測模型訓(xùn)練方法。

技術(shù)總結(jié)
本發(fā)明一個實施例提供的一種檢測模型訓(xùn)練方法，包括：獲取多個訓(xùn)練數(shù)據(jù)；所述多個訓(xùn)練數(shù)據(jù)對應(yīng)多種工件類別；對所述多個訓(xùn)練數(shù)據(jù)進(jìn)行歸集處理，確定與所述多種工件類別一一對應(yīng)的多個訓(xùn)練數(shù)據(jù)集；基于所述多個訓(xùn)練數(shù)據(jù)集進(jìn)行模型訓(xùn)練得到檢測模型。本發(fā)明實施例公開的測模型訓(xùn)練方法訓(xùn)練得到的檢測模型檢測準(zhǔn)確率更高、漏檢更少。

技術(shù)研發(fā)人員：陳魯,肖安七,張嵩
受保護(hù)的技術(shù)使用者：深圳中科飛測科技股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2