基于卷积去噪自编码器的芯片表面弱缺陷检测方法

发布时间：2020-12-10 18:54

　　芯片表面缺陷会影响芯片的外观和性能,因此表面缺陷检测是芯片生产过程中的重要环节。具有缺陷与背景对比度低、缺陷较小等特点的弱缺陷给传统检测方法带来了挑战。因为近年来深度学习在机器视觉领域展现出了强大的能力,所以文中采用基于深度学习的方法来研究芯片表面弱缺陷的检测问题。该方法将芯片表面缺陷看作噪音,首先应用卷积去噪自编码器（Convolutional Denoising Auto-encoders,CDAE）重构无缺陷图像,然后用重构的无缺陷图像减去输入图像,获得包含缺陷信息的残差图。因为残差图中已经消除了背景的影响,所以最后可以基于残差图较容易地进行缺陷检测。由于基于CDAE重构芯片背景的无缺陷图像时存在随机噪音,导致弱缺陷可能会湮没在重构噪音中,为此,文中提出了重叠分块策略抑制重构噪音,以便更好地检测弱缺陷。因为CDAE是无监督学习网络,所以训练时无需进行大量的人工数据标注,这进一步增强了该方法的可应用性。通过对真实芯片表面数据进行测试,验证了所提方法在芯片表面检测上的有效性。 

【文章来源】：计算机科学. 2020年02期 第118-125页 北大核心

【文章页数】：8 页

【部分图文】：

芯片表面缺陷类别

重叠分块的残差图生成策略提高了缺陷区域与非缺陷区域的对比度,使生成的残差图分割阈值比原始图像更容易确定,从而更容易分割缺陷。因此本文使用了自动阈值分割方法。2 基于CDAE的无缺陷图像重构

L(x,y)=‖x-y‖2 (5)在具体实现中,自编码器的编码部分和解码部分可以由多种深度学习模型构成,如卷积神经网络(CNN)、长短期记忆网络(LSTM)等。利用卷积神经网络实现自编码器的编码与解码部分,并接受部分损坏的输入数据进行模型训练,可以构成卷积去噪自编码(CDAE),其最大优势在于卷积神经网络的局部感知和权值共享。局部感知可以保留二维图像的结构信息;权值共享能够有效降低神经网络需要训练的参数个数,使网络结构的适用性更强。典型CDAE的体系结构含有卷积和池化层的编码器部分,以及具有卷积和上采样的解码器部分,如图4所示。CDAE可采用随机梯度下降算法或自适应梯度下降算法对CDAE模型进行优化。

【参考文献】：
期刊论文
[1]基于序贯相似性与光源自动调节的芯片表面缺陷检测算法[J]. 冯莉,龚子华.  现代电子技术. 2017(05)
[2]基于机器视觉的半导体表面缺陷检测研究[J]. 董先飞,韩震宇,廖声洋,仪向向.  计测技术. 2014(05)
[3]基于深度学习的太阳能电池片表面缺陷检测方法[J]. 王宪保,李洁,姚明海,何文秀,钱沄涛.  模式识别与人工智能. 2014(06)



本文编号：2909205