公开(公告)号：CN115795366A

公开(公告)日：2023-03-14

申请号：CN202211662683.8

申请日：2022-12-23

Applicant: 桂林电子科技大学

Inventor： 陈寿宏 ,  刘美旗 ,  侯杏娜 ,  朱子任 ,  马峻 ,  黄新 ,  黄振涛 ,  汪涛

IPC: G06F18/241 ,  G06F18/214 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/09

Abstract: 本发明公开了一种基于多支路注意力机制的晶圆图故障模式识别方法，包括：以ResneXt基础残差块搭建ResneXt‑50用作特征提取主干网络；在ResneXt残差块后面融入多支路注意力机制，给晶圆图显著缺陷簇分配更大的权重以提升特征识别能力；将所述晶圆图数据集划分为训练集和测试集，对所述主干网络进行学习训练；在主干网络全连接层提取到的晶圆图缺陷特征信息输入到ECOC‑SVM进行最终分类。本发明通过多支路注意力机制给不同的晶圆图缺陷簇区域分配了不同的权重，提升了网络模型的特征提取能力，获得了更加全面的晶圆图缺陷簇特征信息，解决了不同类型晶圆图缺陷簇特征提取能力差异大、细节信息特征提取不全面的问题，提高了分类的准确率。

公开(公告)号：CN118154577A

公开(公告)日：2024-06-07

申请号：CN202410427594.8

申请日：2024-04-10

Applicant: 桂林电子科技大学

Inventor： 陈寿宏 ,  朱子任 ,  覃冠翔 ,  陆颖

IPC: G06T7/00 ,  G06V10/82 ,  G06V10/764 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明提出一种结合深度卷积神经网络(DCNN)和多种注意力机制的深度学习模型用于晶圆图故障模式识别。本发明采用PyTorch框架，提出了一种新颖的深度学习模型，用于检测和识别晶圆图的故障模式。使用DCNN相比浅层的CNN能够更好的提取晶圆图故障特征，不同的注意力机制对于不同缺陷模式识别效果各有优势。本发明在ResNeSt50网络中引入卷积块注意力机制(CBAM,Convolutional Block Attention Module)和自注意力机制(Self Attention)，使网络能够聚焦于重要特征，从而更有效地处理晶圆缺陷图像数据，提高晶圆图缺陷模式检测准确率。本发明能够提高半导体芯片制造过程中晶圆图故障模式的识别准确率，有利于提高半导体芯片生产的良率，对于国家半导体制造技术的发展具有极大的现实意义。