CN119417838A 基于高光谱成像的半导体芯片缺陷自动检测方法及系统 （北京珂阳科技有限公司）

区西环南路26号院30号楼（嘉捷科技基于高光谱成像的半导体芯片缺陷自动检本发明提供一种基于高光谱成像的半导体神经形态自适应处理网络和双路径扩散模型进架构搜索的动态混合特征增强网络提取多层次分支专家决策模块和不确定度动态集成策略生2采集待检测半导体芯片的高光谱图像数据，将所述高光谱图基于神经架构搜索方法构建动态混合特征增强网络，将所述修正基于所述初始缺陷检测结果建立时空知识推理图，将所述初始缺陷节点，计算每个初始缺陷检测结果之间的形态相似度和空间位置关系并构建边连接强度，2.根据权利要求1所述的方法，其特征在于，采集待检测半导体芯片的高光谱图像数采集待检测半导体芯片的高光谱图像数据，其中，所述高光谱图将所述高光谱图像数据输入改进的神经形态自适应处理网络，根据所述注意力权重图对所述噪声分布密度图和所述纹理复杂度3对所述方向子带、所述尺度子带、所述近似系数子带和所述细节系构建深度残差重构网络，将所述增强系数输入所述深构建双分支注意力扩散网络，所述双分支注意力扩散构建层级化特征金字塔网络，所述层级化特征金字塔构建自适应光照补偿网络，所述自适应光照补偿网络基于神经架构搜索方法构建动态混合特征增强网络，所述神经将所述修正后的图像数据输入所述动态混合特征增强网络，通过所4对所述多层次特征金字塔中相邻层的特征图执行跨层注意力运算，通过卷构建多分支专家决策模块，所述多分支专家决策模块获取多个子网络输出的独立检测结果对应的置信度，基于所述置;注意力头中，第i层特征图中第m个位置和第j层特征图中第n个位置之间的注意力权重，获取芯片图像的初始缺陷检测结果，所述初始缺陷检测结果将所述初始缺陷检测结果中的每个缺陷设置为图节点，建立时空知5基于所述边连接强度，通过自底向上的层次聚类方法对所述图节构建图注意力网络，所述图注意力网络包括注意力层播层对所述图节点的特征进行更新，使每个图节点的特征聚合对应的相邻节点的加权信提取所述节点特征矩阵中每个所述相似缺陷组群对应的缺陷关联特相似缺陷组群对应时间段内的工艺参数序列，所述工艺参数序列包含温度参数和压力参获取芯片制造过程中的工艺参数序列和缺陷关联特征向量基于所述训练数据集构建第一预测模型，采用所述工艺参数序所述工艺参数序列和所述缺陷关联特征向量在预设时间窗口内的历史数据预测当前时刻将所述测试数据集输入所述第一预测模型和所述第二预测模型，通样本数量计算得到；基于预设显著性水平确定临界值，当所述格兰杰因果检验统计量大于所述临界值时，征向量与所述工艺参数序列的协方差和方差计算所述缺陷关联特征向量中每个特征与所68.基于高光谱成像的半导体芯片缺陷自动检测系统，用于实现前述权利要求1_7中任第一单元，用于采集待检测半导体芯片的高光谱图像数据加至改进的神经形态自适应处理网络并计算局部区域的噪声分布密度图和纹理复杂度图，矩阵计算不同尺度的小波分解系数，对所述小波分解系数进行非线性映射得到增强系数，第二单元，用于基于神经架构搜索方法构建动态混合特第三单元，用于基于所述初始缺陷检测结果建立时空知识推其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意7这些缺陷会严重影响芯片的性能和可靠性，传统的缺陷检测方法主要依赖人工目视检查，[0005]本发明实施例提供一种基于高光谱成像的半导体芯片缺波变换重构得到初步增强的图像数据；将所述初步增强的图像数据输入双路径扩散模型，8[0014]根据所述注意力权重图对所述噪声分布密度图和所述纹理复杂度图进行特征重谱图像数据的不同波段进行自适应增强处理，构建多尺度方向滤波器组和小波分解单元，9将相邻层的修正特征图映射至相同通道数，计算相邻层中修正特征图的查询矩阵和键矩第g个注意力头中，第i层特征图中第m个位置和第j层特征图中第n个位置之间的注意力权[0041]通过格兰杰因果检验方法计算所述缺陷关联特征向量与所述工艺参数序列之间采用所述工艺参数序列和所述缺陷关联特征向量在预设时间窗口内的历史数据预测当前际值之差的平方求和计算得到两个预测模型的残差平方和，构建格兰杰因果检验统计量，联特征向量与所述工艺参数序列的协方差和方差计算所述缺陷关联特征向量中每个特征据添加至改进的神经形态自适应处理网络并计算局部区域的噪声分布密度图和纹理复杂特征图进行重构和增强，生成融合后的特征图并添加至预先设置的多分支专家决策模块，于所述工艺参数影响模型和所述相似缺陷组群对初始缺陷检测结果进行可靠性评估和优神经架构搜索构建的动态混合特征增强网络，结合跨层注意力机制和多分支专家决策模[0056]图1为本发明实施例基于高光谱成像的半导体芯片缺陷自动检测方法的流程示意[0057]图2为本发明实施例基于高光谱成像的半导体芯片缺陷自动检测系统的结构示意[0060]图1为本发明实施例基于高光谱成像的半导体芯片缺陷自动检测方法的流程示意[0061]S1.采集待检测半导体芯片的[0067]根据所述注意力权重图对所述噪声分布密度图和所述纹理复杂度图进行特征重谱图像数据的不同波段进行自适应增强处理，构建多尺度方向滤波器组和小波分解单元，[0070]采集待检测半导体芯片的高光谱图像数据。使用配备有一路径的深度残差重构网络包含3个残差块，每个残差块包含2个卷积层，卷积核大小为[0085]将提取到的高频细节特征图和低频结构特征图输入一个频细节特征图和低频结构特征图的尺寸均为128x128，通过特征映射模块分别映射到照均衡模块将照度分布图和纹理细节图输入自适应曝光补偿算法和局部对比度增强算法，特征图的尺寸为256x256，照度分析模块使用三层卷积神经网络，卷积核大小分别为7x7、性，自适应光照补偿网络的引入也使得该方法对不同光照条件下的图像具有更强的适应[0088]S2.基于神经架构搜索方法构建动将相邻层的修正特征图映射至相同通道数，计算相邻层中修正特征图的查询矩阵和键矩使用带有缺陷标注的图像数据集进行训练，并评估在验证集上的性能，例如平均精度均值层后接ReLU激活函数和一个2x2的最大池化层。第g个注意力头中，第i层特征图中第m个位置和第j层特征图中第n个位置之间的注意力权层特征的细节信息可以有效地传递到高层，高层特征的语义信息也可以有效地传递到低[0109]S3.基于所述初始缺陷检测结果建立时法来评估不同数据点之间的依赖性和时序关节点或数据点之间不存在直接的连接或关系，所述格兰杰因果检验方法是一种统计学方节点的形态相似度大于预设的相似度阈值（例如0.9并且空间位置距离小于预设的距离[0128]通过格兰杰因果检验方法计算所述缺陷关联特征向量与所述工艺参数序列之间采用所述工艺参数序列和所述缺陷关联特征向量在预设时间窗口内的历史数据预测当前际值之差的平方求和计算得到两个预测模型的残差平方和，构建格兰杰因果检验统计量，联特征向量与所述工艺参数序列的协方差和方差计算所述缺陷关联特征向量中每个特征[0135]将收集到的工艺参数序列按照时间顺序划分为训练数据[0138]利用两个模型的残差平方和、两个模型的参数个数以及测试数据集中的样本数可以判定缺陷关联特征向量对工艺参数序列存在格兰杰[0141]本实施例中，通过识别与工艺参数序列存在格兰杰因果关系的缺陷关联特征向[0142]图2为本发明实施例基于高光谱成像的半导体芯片缺陷自动检测系统的结构示意据添加至改进的神经形态自适应处理