基于人工智能的芯片表面缺陷检测研究

为了准确地检测芯片的表面缺陷,提出了一种基于反向传播神经网络(BPNN)的检测算法。首先,中值滤波方法被用于滤除芯片表面图像的噪声;然后,提取芯片表面缺陷的Hu不变矩特征和局部二值模式(LBP)特征,并采用核主成分分析(KPCA)算法降维级联后的特征;最后,离线学习芯片表面正常模式和各种缺陷模式的BPNN模型。在线检测时使用BPNN判断芯片是否存在表面缺陷,使用最近邻(Nearest Neighbor, NN)算法具体分类缺陷的模式。提出算法在芯片表面图像数据库中的检测准确率为88.41%,可以应用于芯片生产线中的表面缺陷检测。

基于融合注意力的多尺度芯片缺陷检测算法

芯片的表面缺陷检测在半导体制造中具有重要意义,针对目前芯片表面缺陷面积小,缺陷外形多变,缺陷尺寸跨度大的情况,提出一种基于YOLOv5改进的芯片表面缺陷检测算法,首先基于ConvNext网络改进特征提取模块,提升网络稳定性和特征表达能力,同时提出增强卷积注意力模块(ehanced convolutional block attention module,E_CBAM),将更详细的位置信息嵌入到卷积注意力(convolutional block attention module,CBAM)之中,提升整个网络对于小面积及边缘缺陷的检测能力,而针对芯片缺陷多变尺寸跨度大的问题,研究引入了可变形卷积和双向特征金字塔网络(bi-directional feature pyramid network,BiFPN),一方面可变形卷积对于外形不规则的卷积有更好的提取能力,另一方面Neck部分的BiFPN在简化结构的同时保证了多尺度融合的准确性。经过实验表明,改进后的网络在芯片表面缺陷数据集(chip defect dataset,CDD)上,平均精度均值(mAP)mAP@0.5指标达到95.3%,相较于原始的YOLOv5s网络提升了3.1%,在没有过多增加网络参数的情况下,对芯片表面缺陷的精度更高,鲁棒性更强。