(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 202210844615.7 (22)申请日 2022.07.19 (71)申请人 深圳新视智科技 术有限公司 地址 518000 广东省深圳市罗湖区莲塘街 道鹏兴社区鹏兴路2 号鹏基工业区710 栋六层 (72)发明人 乔乔　 (74)专利代理 机构 广东灵顿知识产权代理事务 所(普通合伙) 44558 专利代理师 赖耀华 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) (54)发明名称 半导体晶圆缺陷检测模型的训练方法及装 置 (57)摘要 本发明实施例公开了一种半导体晶圆缺陷 检测模型的训练方法和装置， 其中， 所述方法包 括： 获取训练样本集， 所述训练样本集包括一个 或多个训练样本， 所述训练样 本包括半导体晶圆 的缺陷图像以及对应的缺陷标注结果， 所述半导 体晶圆的缺陷图像为包含缺陷的矩形图像； 以所 述训练样 本的缺陷图像为输入， 对应的缺陷标注 结果为输 出， 对预设的半导体晶圆缺陷检测模型 进行训练， 其中， 所述半导体晶圆缺陷检测模型 包括网络 特征提取模块、 特征加强模块和输出预 测模块。 采用本发明， 可 以提高半导体晶圆缺陷 检测模型训练的有效性， 提高半导体晶圆的缺陷 检测的准确度。 权利要求书3页 说明书13页 附图5页 CN 114998324 A 2022.09.02 CN 114998324 A 1.一种半导体晶圆缺陷检测模型的训练方法， 其特 征在于， 所述方法包括： 获取训练样本集， 所述训练样本集包括一个或多个训练样本， 所述训练样本包括半导 体晶圆的缺陷图像以及 对应的缺陷标注结果， 所述半导体晶圆的缺陷图像为包含缺陷的矩 形图像； 以所述训练样本的缺陷图像为输入， 对应的缺陷标注结果为输出， 对预设的半导体晶 圆缺陷检测模型进 行训练， 其中， 所述半导体晶圆缺陷检测模 型包括网络特征提取模块、 特 征加强模块和输出 预测模块。 2.根据权利要求1所述的半导体晶圆缺陷检测模型的训练方法， 其特征在于， 所述方法 还包括： 获取包含缺陷的半导体晶圆的图像， 对图像中包含的缺陷进行标注， 获取标注的缺陷 对应的图像区域的最小外 接矩形作为所述半导体晶圆的缺陷图像。 3.根据权利要求1所述的半导体晶圆缺陷检测模型的训练方法， 其特征在于， 所述半导 体晶圆缺陷检测模型还包括数据输入处理模块， 其中， 所述数据输入处理模块用于对输入 所述半导体晶圆缺陷检测模型 的缺陷图像进行预处理， 所述预处理包括 随机缩放、 随机剪 裁、 随机排布和拼接中的一个或多个。 4.根据权利要求1所述的半导体晶圆缺陷检测模型的训练方法， 其特征在于， 所述以所 述训练样本的缺陷图像为输入， 对应的缺陷标注结果为输出， 对预设的半导体晶圆缺陷检 测模型进行训练的步骤， 还 包括： 将所述训练样本的缺陷图像输入所述半导体晶圆缺陷检测模型进行特征提取和缺陷 预测， 并基于与所述训练样本对应的缺陷标注结果对所述半导体晶圆缺陷检测模型进 行训 练， 其中， 对所述半导体晶圆缺陷检测模型 的训练包括对所述半导体晶圆缺陷检测模型 的 参数进行调整， 在达到预设的模型训练终止条件时终止对所述半导体晶圆缺陷检测模型的 训练。 5.根据权利要求4所述的半导体晶圆缺陷检测模型的训练方法， 其特征在于， 所述网络 特征提取模块包括Focus模块、 至少1个深度可分离卷积模块 （DWConv） 、 至少1个CSP1模块、 至少1个注意力机制模块、 至少1个S PP模块、 至少1个CS P2模块； 所述特征加强模块包括： CSP2模块与上采样组成的PAN与FPN模块、 和自适应特征融合 模块； 所述输出预测模块包括分支解耦结构 （Decoupled  head)， 所述分支解耦结构包括激活 函数层和卷积层。 6.根据权利要求5所述的半导体晶圆缺陷检测模型的训练方法， 其特征在于， 所述将所 述训练样本的缺陷图像输入所述半导体晶圆缺陷检测模型进行特征提取和 缺陷预测的步 骤， 还包括： 将训练样本的缺陷图像输入所述Focus模块进行切片操作； 将切片操作之后的结果输入所述CSP1模块和所述深度可分离卷积模块堆叠进行特征 提取， 其中， 所述将切片操作之后的结果输入所述CSP1模块和所述深度可分离卷积模块堆 叠进行特征提取的步骤中， 通过注意力机制模块对特 征提取进行加强； 将提取到的特征输入所述SPP模块进行融合处理， 以获取所述网络特征提取模块输出 的特征；权　利　要　求　书 1/3 页 2 CN 114998324 A 2将所述网络特征提取模块输出的特征输入所述PAN与FPN模块进行处理， 然后将处理之 后的特征输入所述自适应特征融合模块对特征进 行自适应融合处理， 以获取所述特征加强 模块输出的特 征； 将所述特征加强模块输出的特征输入所述分支解耦结构， 通过所述激活函数对所述特 征加强模块输出 的特征进行激活处理， 并通过卷积层进行卷积操作， 以得到所述输出预测 模块输出的预测结果， 其中， 所述预测结果包括与所述 缺陷图像对应的预测框 。 7.根据权利要求6所述的半导体晶圆缺陷检测模型的训练方法， 其特征在于， 所述以所 述训练样本的缺陷图像为输入， 对应的缺陷标注结果为输出， 对预设的半导体晶圆缺陷检 测模型进行训练的步骤， 还 包括： 根据预设的CIOU损失函数， 计算预测框与标注框之间的损失值， 其中， 所述预测框为根 据所述半导体晶圆缺陷检测模块 获取的缺陷图像中的预测的图像区域， 所述标注框为所述 缺陷图像中包 含的缺陷对应的图像区域的最小外 接矩形； 根据计算得到的损失值对所述半导体晶圆缺陷检测模型的模型参数进行调整。 8.根据权利要求1所述的半导体晶圆缺陷检测模型的训练方法， 其特征在于， 所述方法 还包括： 获取验证样本集， 所述验证样本集包括一个或多个验证样本， 所述验证样本包括半导 体晶圆的缺陷图像以及 对应的缺陷标注结果， 所述半导体晶圆的缺陷图像为包含缺陷的矩 形图像； 通过所述验证样本集对所述半导体晶圆缺陷检测模型进行测试， 获取模型测试结果， 在所述模型测试结果满足预设条件的情况下， 判定完成对所述半导体晶圆缺陷检测模型的 训练； 其中， 所述预设条件包括精确率满足预设的精确率阈值、 召回率满足预设的召回率阈 值、 平均精度满足预设的第一精度阈值和所有缺陷分类的平均 精度满足预设的第二精度阈 值中的一个或多个组合。 9.根据权利要求1所述的半导体晶圆缺陷检测模型的训练方法， 其特征在于， 所述方法 还包括： 获取待检测半导体晶圆的待检测图像； 将所述待检测图像输入所述半导体晶圆缺陷检测模型以进行特征提取和缺陷检测， 获 取所述半导体晶圆缺陷检测模型的输出结果， 根据所述输出结果确定待检测图像对应的缺 陷检测结果。 10.一种半导体晶圆缺陷检测模型的训练装置， 其特 征在于， 所述装置包括： 训练样本获取单元， 用于获取训练样本集， 所述训练样本集包括一个或多个训练样本， 所述训练样本包括半导体晶圆的缺陷图像以及 对应的缺陷标注结果， 所述半导体晶圆的缺 陷图像为包 含缺陷的矩形图像； 模型训练单元， 用于以所述训练样本的缺陷图像为输入， 对应的缺陷标注结果为输出， 对预设的半导体晶圆缺陷检测模型进行训练， 其中， 所述半导体晶圆缺陷检测模型包括网 络特征提取模块、 特 征加强模块和输出 预测模块； 检测图像获取 单元， 用于获取待检测半导体晶圆的待检测图像； 缺陷检测单元， 用于将所述待检测图像输入所述半导体晶圆缺陷检测模型以进行特征权　利　要　求　书 2/3 页 3 CN 114998324 A 3