-
公开(公告)号：CN118658041A
公开(公告)日：2024-09-17
申请号：CN202410788499.0
申请日：2024-06-19
Applicant: 桂林电子科技大学
IPC: G06V10/82 , G06V10/20 , G06V10/774 , G06N3/0455 , G06N3/096
Abstract: 本发明提出了一种基于迁移学习的Swin‑Transformer的晶圆缺陷模式识别方法，以提高晶圆生产的良率和质量。本发明提出一种新颖的方法，利用已有的知识和经验，通过迁移学习将Swin‑Transformer模型应用于晶圆缺陷识别任务，显著提升了模型性能和泛化能力。本发明在晶圆缺陷模式识别方面优于传统方法，提高了半导体芯片生产故障模式的识别准确率，为半导体制造技术的发展提供了重要的现实意义和指导。
-
公开(公告)号：CN118364460A
公开(公告)日：2024-07-19
申请号：CN202410282968.1
申请日：2024-03-13
Applicant: 桂林电子科技大学
IPC: G06F21/56 , G06F18/241 , G06F18/214
Abstract: 本发明提出了一种基于MobileViT架构的结合Triplet attention的硬件木马的检测方法。本发明基于Pytorch框架实现对硬件木马的检测识别算法，提出一个新颖的深度学习模型用于检测识别硬件木马。采用基于Transformer的轻量级网络MobileViT结构。本发明从改进MobileViT模型的角度出发，提出TA‑MobileViT模型，通过添加三重注意力机制，获取更丰富和更重要的网络特征，提升网络的分类性能。使用Transformer相比于CNN拥有全局提取特征的能力，从而提高模型的表现力和性能，能够更好的提取硬件木马时间序列的特征，Triplet attention能够是模型获得跨维度交互能力，进而大大提升模型分类的精度。本发明能够提高检测识别集成电路中硬件木马的准确率，有利于提高硬件电路安全，对于国家集成电路和半导体发展具有现实意义。
-
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：CN119741470A
公开(公告)日：2025-04-01
申请号：CN202411765857.2
申请日：2024-12-04
Applicant: 桂林电子科技大学
IPC: G06V10/25 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06V10/80
Abstract: 本发明涉及一种基于多尺度特征融合的晶体硅光伏电池缺陷实时检测方法，包括以下步骤：建立晶体硅光伏电池缺陷电致发光图像检测数据集；构建基于RT‑DETR改进的光伏电池缺陷实时目标检测模型；使用检测数据集的训练集对光伏电池缺陷目标检测模型进行训练；使用完成训练的光伏电池缺陷目标检测模型对待检测的缺陷图像进行检测。本发明基于RT‑DETR模型提出用于晶硅体光伏电池缺陷实时检测的模型，不依赖于锚框设置和非极大值抑制处理，提高检测速度；倒置残差扩张网络IRD‑Net作为提取图像特征的骨干网络，增强静态和动态特征建模能力，同时提取基于不同尺度感受野的特征，提高检测性能；引入扩张小波跨尺度特征融合模块DWCSFM优化颈部的编码器，交替更新高层和低层特征，并减少参数数量和计算负载，进一步增强模型对不同尺度缺陷目标的检测能力。
-
公开(公告)号：CN118171274A
公开(公告)日：2024-06-11
申请号：CN202410283066.X
申请日：2024-03-13
Applicant: 桂林电子科技大学
IPC: G06F21/56 , G06F18/241 , G06F18/214
Abstract: 本发明提出了MTF预处理下一种基于DenseBlock和ResBlock结合注意机制的深度学习硬件木马检测方法。采用具备若干注意力机制支路网络的DenseNet和具备残差结构的ResNet结构。本发明基于Pytorch框架实现对硬件木马检测识别算法，提出一个新颖的深度学习模型用于检测识别硬件木马。本发明从改进DenseNet模型和ResNet的角度出发，提出Res‑Dense‑SE Net模型，通过扩展注意力机制支路，获取更丰富的网络特征，提升网络的分类性能。经过网络层不断细化特征，硬件木马特征图像的部分特征会存在丢失的情况，从注意力机制支路获取的重点特征图特征，存在相互补充的作用，使得最终的硬件木马特征图特征更加完整。同时使用该结构的硬件木马分类检测算法首先通过MTF(Markov Transition Field)预处理提取特征。本发明能够提高检测识别集成电路中硬件木马的准确率，有利于提高硬件电路安全，对于国家集成电路和半导体发展具有现实意义。
-
Patent Agency Ranking
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：CN116645334A
公开(公告)日：2023-08-25
申请号：CN202310520048.4
申请日：2023-05-10
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06T7/00 , G06T3/40 , G06T5/20 , G06V10/764 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出一种新颖的特征增强残差网络，用于混合类型晶圆图缺陷识别分类。该方法包括，获取晶圆图缺陷数据集，并将晶圆图数据集设置为统一尺寸；然后将晶圆图数据集进行滤波，去除晶圆图上的噪声缺陷点；将晶圆图数据集划分为训练集和测试集；采用提出的特征增强残差网络作为主干网络构建识别模型，并用训练集对模型进行训练，使用测试集验证模型性能。经实验结果表明，本方法能够有效地识别晶圆图缺陷，提高了混合类型晶圆图缺陷识别的准确率和鲁棒性。
-
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
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。
-
公开(公告)号：CN116486176A
公开(公告)日：2023-07-25
申请号：CN202310520013.0
申请日：2023-05-10
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06T5/20 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于注意力空间金字塔池化的晶圆图故障模式识别方法，该方法结合深度卷积神经网络(DCNN)和注意力空间金字塔池化(ESPP)构建多尺度特征融合深度学习模型用于晶圆图故障模式识别。本发明基于Pytorch框架实现对晶圆图故障模式的检测识别算法，提出一个新颖的深度学习模型用于检测识别晶圆图故障模式。使用DCNN相比浅层的CNN能够更好的提取晶圆图故障特征，ESPP能够很好的解决晶圆图故障模式的类间相似性和类内相异性问题，多尺度特征融合能够将DCNN所提取晶圆图故障的浅层特征与深层特征相融合，进而可以更加准确的识别晶圆图故障模式。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。
-
公开(公告)号：CN117876339A
公开(公告)日：2024-04-12
申请号：CN202410055153.X
申请日：2024-01-15
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于注意力机制与多尺度特征融合的多晶光伏电池缺陷识别方法。本发明从改进ConvNeXtV2模型的角度出发，提出ConvNeXt‑CWFP模型，通过注意力机制动态增加或减小多尺度特征通道的权重，进一步提高网络对多晶光伏电池缺陷模式识别的分类性能。提出的模型以ConvNeXtV2‑Base作为特征提取主干网络，在部分网络层引入通道注意力机制学习自适应权重，使得模型更加关注重要通道特征，并通过特征金字塔结构捕获不同尺度的特征，并通过池化拼接的操作融合权重增强提取的特征，以在识别光伏电池小目标缺陷方面获得更好的性能；将多晶光伏电池电致发光图像数据集以6:2:2比例划分为训练集、验证集和测试集，对所述改进网络模型进行学习训练和性能验证。本方法解决传统CNN局部特征信息不足的问题，提高了多晶光伏电池缺陷模式识别分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.024 seconds)
