(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211152813.3 (22)申请日 2022.09.21 (71)申请人 华侨大学 地址 362000 福建省泉州市城华北路269号 (72)发明人 杜吉祥　张泽鹏　张洪博　晏来成　 (74)专利代理 机构 厦门智慧呈 睿知识产权代理 事务所(普通 合伙) 35222 专利代理师 王玮婷 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06T 3/40(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 晶圆位错缺陷的检测方法、 装置、 设备和存 储介质 (57)摘要 本发明实施例提供晶圆位错缺陷的检测方 法、 装置、 设备和存储介质， 涉及图像识别技术领 域。 其中， 这种检测方法包含步骤S1至步骤S4。 S1、 获取晶圆图片。 S2、 根据晶圆图片， 通过骨干 网络进行特征提取， 获取第一特征层集合。 S3、 根 据第一特征层集合， 通过多层中心点网络模型， 获取第二特征层集合。 S4、 根据第二特征层集合， 通过输出模块， 获取缺陷目标中心点和中心点到 边界框的距离。 通过本发明的检测方法只需要将 晶圆表面图像输入模型中即可得到位错缺陷的 检测结果和数量， 实现了高效自动的检测方法， 且相比其它检测方法具备较高的检测精度， 大大 降低了企业的生产成本 。 权利要求书3页 说明书11页 附图6页 CN 115423793 A 2022.12.02 CN 115423793 A 1.一种晶圆位 错缺陷的检测方法， 其特 征在于， 包 含： 获取晶圆图片； 根据所述晶圆图片， 通过骨干网络进行 特征提取， 获取第一特 征层集合； 根据所述第一特征层集合， 通过多层中心点网络模型， 获取第二特征层集合； 其中， 所 述多层中心点网络模型基于特 征金字塔和全局 ‑局部注意力机制构建； 根据所述第二特征层集合， 通过输出模块， 获取缺陷目标中心点和中心点到边界框的 距离。 2.根据权利要求1所述的晶圆位错缺陷的检测方法， 其特征在于， 所述骨干网络为 ResNet50； 第一特征层集合包括C1特征层、 C2特征层、 C3特征层、 C4特征层和C5特征层； 所述C1特征层的下采样倍数是2， 所述C2特征层的下采样倍数是4、 所述C3特征层的下采 样倍数是8、 所述C4特征层的的下采样倍数 是16和所述C5特征层的下采样倍数 是32。 3.根据权利要求1所述的晶圆位错缺陷的检测方法， 其特征在于， 所述第 二特征层集合 包括P3特征层、 P4特征层P5特征层、 P6特征层和P7特征层； 根据所述第一特征层集合， 通过多层中心点网络模型， 获取第二特征层集合， 具体包 括： 通过层间链接将所述第一特征层集合中的C3特征层、 C4特征层和C5特征层的通道数统 一至256； 根据统一 通道数后的C5特征层， 通过通道 注意力和3 ×3卷积， 获得P5特征层； 根据所述P5特征层， 进行2倍和4 倍下采样的卷积， 获得P6特征层和P7特征层； 根据统一通道数后的C5特征层自上而下链接后和统一通道数后的C4特征层共同融合， 获取P4特征层； 根据统一通道数后的C4特征层自上而下链接后和统一通道数后的C3特征层共同融合， 获取P3特征层。 4.根据权利要求3所述的 晶圆位错缺陷的检测方法， 其特 征在于， 根据统一通道数后的C5特征层自上而下链接后和统一通道数后的C4特征层共同融合， 获取P4特征层， 具体包括： 根据统一通道数后的C5特征层自上而下链接， 通过最近邻插值法进行2倍上采样， 使其 恢复与C4特征层相同的尺度； 通过GLA特 征融合方式， 将上采样后的C5特征层和统一 通道数后的C4特征层进行融合； 对融合后的特 征， 进行3x3的卷积， 获取 所述P4特征层； 根据统一通道数后的C4特征层自上而下链接后和统一通道数后的C3特征层共同融合， 获取P3特征层， 具体包括： 根据统一通道数后的C4特征层自上而下链接， 通过最近邻插值法进行2倍上采样， 使其 恢复与C3特征层相同的尺度； 通过GLA特 征融合方式， 将上采样后的C4特征层和统一 通道数后的C3特征层进行融合； 对融合后的特 征， 进行3x3的卷积， 获取 所述P3特征层。 5.根据权利要求4所述的晶圆位错缺陷的检测方法， 其特征在于， 所述GLA特征融合方 式包括：权　利　要　求　书 1/3 页 2 CN 115423793 A 2将低层特 征图Fl和高层特 征图Fh相加； 根据相加后的低层特 征图Fl和高层特 征图Fh， 通过通道 注意力， 获取全局特 征信息； 根据相加后的低层特 征图Fl和高层特 征图Fh， 通过非线性变换， 获取局部特 征信息； 将所述全局特征信息和所述局部特征信息， 对应通道的位置相加， 然后通过Sigmoid进 行转化， 获取注意力权 重 将低层特征图Fl与 相乘， 将高层特征图Fh与 相乘， 并将两个乘积相加， 获取 融合后的特 征层。 6.根据权利要求1至5任意一项所述的晶圆位错缺陷的检测方法， 其特征在于， 根据所 述第二特征层集合， 通过输出模块， 获取缺陷目标中心点和中心 点到边界框的距离， 具体包 括： 所述第二特征层集合中的各个特征层， 分别通过一个输出模块进行中心点预测和边界 回归， 获取各个特征层的缺陷目标中心 点和缺陷目标中心 点到边界框四条边的距离； 其中， 各个输出模块之间权 重共享； 所述输出模块包含中心点预测分支和回归分支； 所述中心点预测分支包括 四个3×3卷 积层， 用以输出缺陷目标中心点的概率热图 其中， 式中， s代表概率热 图所在特征层的下采样倍数， w和h代表输入图像的宽和高； 所述回归分支包括四个3 ×3卷 积层， 用以输出通道数为4的回归分量特征图； 其中， 回归分量特征图的四个通道分别代表 中心点至目标边界框左、 上、 右、 下四条边的距离 。 7.根据权利要求6任意一项所述的晶圆位错缺陷的检测方法， 其特征在于， 根据 所述第 二特征层集合， 通过输出模块， 获取缺陷目标中心点和中心点到边界框的距离， 之后还包 括： 将各个特 征层的缺陷目标中心点 合并， 并计算各个中心点的原图采样点 坐标； 根据所述原图采样点坐标和各个特征层的缺陷目标中心点到边界框四条边的距离， 计 算边界框的对角点 坐标； 获取各个原图采样点坐标存在缺陷目标中心点的概率， 并根据所述概率， 获取概率值 大于0.1的前15 0个结果作为检测结果。 8.一种晶圆位 错缺陷的检测装置， 其特 征在于， 包 含： 图片获取模块， 用于获取晶圆图片； 第一特征获取模块， 用于根据 所述晶圆图片， 通过骨干网络进行特征提取， 获取第一特 征层集合； 第二特征获取模块， 用于根据 所述第一特征层集合， 通过多层中心点网络模型， 获取第 二特征层集合； 其中， 所述多层中心 点网络模型基于特征金字塔和全局 ‑局部注意力机制构 建； 缺陷识别模块， 用于根据 所述第二特征层集合， 通过输出模块， 获取缺陷目标中心点和 中心点到边界框的距离 。 9.一种晶圆位错缺陷的检测设备， 其特征在于， 包括处理器、 存储器， 以及存储在所述 存储器内的计算机程序； 所述计算机程序能够被所述处理器执行， 以实现如权利要求1至7 任意一项所述的 晶圆位错缺陷的检测方法。权　利　要　求　书 2/3 页 3 CN 115423793 A 3