CN118506128B 超算模型训练及部署方法 （上海感图网络科技有限公司）

US2018164792A1,2018.06.14AVS系统对待确认缺陷图像进行检测验证，获得2基于AI上推指令获取目标产线机台对晶圆物料板在缺陷检测过程基于新增的缺陷图像训练集执行AI模型训练，根据下推指令将训练后的A基于部署AI模型的智能视觉AVS系统对待确认缺陷图像进行检测验证，获得真缺陷图确定AI模型的版本信息和模型训练参数；所述模型训练参数根据模型训练参数筛选确定训练的缺陷类型和对应的缺陷图像数在所述标定数据集中设置映射标签，基于所述映射标签3本中不含目标缺陷类型或目标缺陷类型的缺陷图像数量小于设定值时，获取若干正常图4型成本高昂和模型缺陷检测精度不理想的问题。所述方法用于超算模型训练及部署系统，[0005]基于AI上推指令获取目标产线机台对晶圆物料板在缺陷检测过程上传的缺陷样[0008]基于部署AI模型的智能视觉AVS系统对待确认缺陷图像进行检测验证，获得真缺[0011]确定AI模型的版本信息和模型训练参数；所述模型训练参数至少包括模型召回5从其他边缘终端节点的产线机台获取包含目标缺陷类型及目标数量[0029]当结果指示复判结果为带有缺点的缺陷图像时，指示部署目标AI模型的AVS系统6通常包含有至少一个中心节点110和多个边缘节点120，中心节点110为该超算系统中负责[0041]中心节点110通过无线网络或有线网络与边缘节点120建立通信连接。在本申请7[0042]图2是本申请实施例提供的超算模型训练及部署系统的结构示意图，包括模型训练中心节点220和若干与模型训练中心节点220通信连接的终端边缘节点210。正常运行的中心节点基于缺陷图像和缺陷信息进行模型训练和模型部署。每个终端边缘节点210都包括数据服务器211和若干运行缺陷检测模型的产线机台212。产线机台212基于缺陷检测模型检测晶圆物料板并采集缺陷图像和确认缺陷信息；而数据服务器211则根据缺陷图像和[0043]模型训练中心节点220包括图像标注服务器221和模型训练服务器222，图像标注[0044]如图2的结构中，示例性的列出了一个终端边缘节点210与模型训练中心节点220检测模型产生的缺陷图像还需要分类处理。如图2在终端边缘节点还设置了分别与数据服服务器214则根据缺陷样本ID缓存缺陷信息。这种结构化和非结构化数据分类存储的方案于二者数据的关联信息、缺陷样本ID和缺陷样本集合等数据信息则存放在数据服务器2118骤需要先确定当前的AI模型版本信息，然后再确定训练的缺陷类型和对应的缺陷图像数边缘节点下产线机台增设这一缺陷识别检测功能时，就可以直接通过中心服务器下发指令时就需要主动执行缺陷图片创建任务。例如通过缺陷图像生成模型定向生成缺陷图像，然后再对缺陷图像进行手动标注。9和非结构化存档服务器226。将历史AI模型和关联数据存放在非结构化存档服务器226中，对于图像验证集，暂存缺陷样本和生成缺陷图像的素材图像存放到结构化存档服务器225[0060]步骤401，基于AI上推指令获取目标产线机台对晶圆物料板在缺陷检测过程上传[0064]图5示出了该超算模型训练及部署方法的算法示意图，数据标注具体可以分为人目标产线机台上传的缺陷样本中不含目标缺陷类型或目标缺陷类型的缺陷图像数量小于[0066]步骤403基于新增的缺陷图像训练集执行AI模型训练，根据下推指令将训练后的AI模型保持模型的统一性。这种一致的部署保证了不同设备在运行时使用相同版本的模[0071]为保证训练的模型精度，在训练完成后即可根据上传的[0072]步骤404，基于部署AI模型的智能视觉AVS系统对待确认[0073]智能视觉AVS系统是独立于产线机台的设备，其目的是为了对目标AI模型的性能进行优化，具体是借助外部其他缺陷检测模型或外部机器识别的待确认缺陷图像进行优时可以将用友商的缺陷检测模型先运行，检测晶圆物料板后得到一批待确认的缺陷图像，别的所有真缺陷图像进行复判。当复判结果指示待确认图确定为带有缺点的缺陷图像时，[0078]本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件