-
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
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：CN117422967A
公开(公告)日：2024-01-19
申请号：CN202311453152.2
申请日：2023-11-03
Applicant: 桂林电子科技大学
IPC: G06V10/80 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于信息熵自适应决策融合的晶圆图缺陷模式识别方法，结合不同深度卷积神经网络(DCNN)提取特征优势的信息熵自适应决策融合深度学习模型用于晶圆图缺陷模式识别。不同DCNN对不同缺陷模式识别效果各有优势，通过计算信息熵给不同DCCN的全连接层提取到的特征自适应赋予合理的权重，进而对输出结果进行决策融合得到最终融合特征。该融合特征更具有表达性，能够进一步提高最终的晶圆图识别分类准确率。最后，将融合特征输入到纠错输出编码和支持向量机（ECOC‑SVM）结合模型，以实现晶圆图缺陷模式识别分类。本发明能够准确识别并分析晶圆图缺陷模式，有利于提高晶圆生产的良率，对国家半导体制造技术发展具有极大的现实意义。
-
公开(公告)号：CN117523363A
公开(公告)日：2024-02-06
申请号：CN202311580607.7
申请日：2023-11-24
Applicant: 桂林电子科技大学
IPC: G06V10/86 , G06V10/44 , G06T3/4007 , G06V10/774 , G06V10/764
Abstract: 本发明公开了一种基于特征金字塔融合的晶圆图缺陷模式识别方法，包括：以残差块搭建一个27层的残差网络作为特征提取主干网络；将晶圆图数据集以8:2比例划分为训练集和测试集，对所述残差网络进行学习训练；构建特征金字塔网络，使用双线性插值算法对深层特征做上采样后与浅层特征相加融合，使浅层特征包含深层特征的高级语义信息；对所述融合后的金字塔特征进一步做多尺度特征融合得到最终特征，经过全连接层和Softmax函数做分类；本发明通过构建特征金字塔并对浅层特征进行融合，使浅层的特征也包含了深层的高级语义特征信息，再通过融合不同层的多尺度特征，极大丰富了特征信息，增强了特征表达能力，弥补了常规卷积神经网络对最深层特征进行预测分类而忽略了一些重要的浅层特征的不足。提高了晶圆图缺陷模式识别分类准确率，尤其是Scratch类型较小目标晶圆图的识别分类准确率。
-
公开(公告)号：CN215576286U
公开(公告)日：2022-01-18
申请号：CN202121779350.4
申请日：2021-08-02
Applicant: 桂林电子科技大学
IPC: G05D1/02
Abstract: 本实用新型涉及机动扫地机械技术领域，具体涉及一种扫地机器人，包括单片机、电机驱动模块和状态指示灯模块；电机驱动模块包括电机驱动芯片、左电机和右电机，电机驱动芯片与单片机连接，左电机和右电机与电机驱动芯片连接，单片机的PA6接电机驱动芯片使能EN12，PB12、PB13接电机驱动芯片的IN1、IN2引脚控制左电机，单片机的PA7接电机驱动芯片使能EN34，PB14、PB15接电机驱动芯片的IN3、IN4引脚控制右电机，实现扫地移动电机转动进行移动清扫；状态指示灯模块与单片机的PB3引脚、PB4引脚、PB5引脚、PB7引脚、PB8引脚、PB9引脚连接，控制按下不同的开关实现不同的扫地模式，从而实现智能扫地，降低劳动强度。
-
-
-
Search Results
4
records
(took 0.016 seconds)
