用于生成半导体检测报告的方法及装置与流程

本公开的实施例涉及图像处理技术领域，具体涉及用于生成半导体检测报告的方法及装置。

背景技术：

半导体在消费电子、通信系统、医疗仪器等领域有广泛应用，深刻影响着现代人类的生活。随着智能制造新时代的到来，半导体质量显得愈加重要。但是，目前的制造水平使得半导体仍有不少缺陷，甚至包含大量杂质。半导体如果含有杂质，则其周期场被破坏。在杂质周围将形成局部量子态，对应的能级将处于禁带。这些缺陷和杂质直接影响到半导体的运行效能及寿命。而对半导体质量的检测，目前还主要由人工来完成，并由人工完成半导体的检测报告。

技术实现要素：

本公开的实施例提出了用于生成半导体检测报告的方法及装置。

第一方面，本公开的实施例提供了一种用于生成半导体检测报告的方法，该方法包括：获取待处理半导体的待处理图像，上述待处理图像包括表面图像、红外热分布图像；响应于上述待处理图像中表面图像存在缺陷图像，根据上述缺陷图像获取缺陷类型信息；基于上述缺陷类型信息查询上述红外热分布图像中的异常发热点；响应于上述红外热分布图像中不存在异常发热点，根据上述缺陷类型信息生成对应上述待处理半导体的检测报告。

在一些实施例中，上述根据上述缺陷图像获取缺陷类型信息，包括：将上述待处理图像的缺陷图像导入预先训练的缺陷识别模型，得到对应上述待处理图的缺陷类型信息，其中，上述缺陷识别模型用于表征缺陷图像与缺陷类型信息之间的对应关系。

在一些实施例中，上述缺陷识别模型通过以下步骤训练得到：获取多个样本缺陷图像和对应上述多个样本缺陷图像中每个样本缺陷图像的样本缺陷类型信息，上述样本缺陷图像包括以下至少一项：擦痕缺陷、划痕缺陷、孔洞缺陷、缺损缺陷；将上述多个样本缺陷图像中每个样本缺陷图像作为输入，将上述多个样本缺陷图像中每个样本缺陷图像所对应的样本缺陷类型信息作为输出，训练得到缺陷识别模型。

在一些实施例中，上述待处理图像还包括表面结构图像，以及，上述方法还包括：响应于上述红外热分布图像中存在异常发热点，根据上述异常发热点确定对应上述表面结构图像的目标区域；将上述目标区域导入预先训练的杂质检测模型，得到对应上述目标区域的杂质信息，上述杂质检测模型用于表征目标区域与杂质信息之间的对应关系；根据上述缺陷类型信息和杂质信息生成对应上述待处理半导体的检测报告。

在一些实施例中，上述杂质检测模型通过以下步骤训练得到：获取多个历史杂质图像和对应上述多个历史杂质图像中每个历史杂质图像对应的历史杂质信息；将上述多个历史杂质图像中每个历史杂质图像作为输入，将上述多个历史杂质图像中每个历史杂质图像所对应的历史杂质信息作为输出，训练得到杂质检测模型。

在一些实施例中，上述检测报告包括以下至少一项：待处理半导体的基本信息、缺陷图像、缺陷类型信息、目标区域、缺陷类型信息、杂质信息。

第二方面，本公开的实施例提供了一种用于生成半导体检测报告的装置，该装置包括：图像获取单元，被配置成获取待处理半导体的待处理图像，上述待处理图像包括表面图像、红外热分布图像；第一检测单元，响应于上述待处理图像中表面图像存在缺陷图像，被配置成根据上述缺陷图像获取缺陷类型信息；异常发热点查询单元，被配置成基于上述缺陷类型信息查询上述红外热分布图像中的异常发热点；第一检测报告生成单元，响应于上述红外热分布图像中不存在异常发热点，被配置成根据上述缺陷类型信息生成对应上述待处理半导体的检测报告。

在一些实施例中，上述第一检测单元包括：第一检测子单元，被配置成将上述待处理图像的缺陷图像导入预先训练的缺陷识别模型，得到对应上述待处理图的缺陷类型信息，其中，上述缺陷识别模型用于表征缺陷图像与缺陷类型信息之间的对应关系。

在一些实施例中，上述装置包括缺陷识别模型训练单元，被配置成训练缺陷识别模型，上述缺陷识别模型训练单元包括：第一样本获取子单元，被配置成获取多个样本缺陷图像和对应上述多个样本缺陷图像中每个样本缺陷图像的样本缺陷类型信息，上述样本缺陷图像包括以下至少一项：擦痕缺陷、划痕缺陷、孔洞缺陷、缺损缺陷；缺陷识别模型训练子单元，被配置成将上述多个样本缺陷图像中每个样本缺陷图像作为输入，将上述多个样本缺陷图像中每个样本缺陷图像所对应的样本缺陷类型信息作为输出，训练得到缺陷识别模型。

在一些实施例中，上述待处理图像还包括表面结构图像，以及，上述装置还包括：第二检测单元，响应于上述红外热分布图像中存在异常发热点，被配置成根据上述异常发热点确定对应上述表面结构图像的目标区域；杂质信息获取单元，被配置成将上述目标区域导入预先训练的杂质检测模型，得到对应上述目标区域的杂质信息，上述杂质检测模型用于表征目标区域与杂质信息之间的对应关系；第二检测报告生成单元，被配置成根据上述缺陷类型信息和杂质信息生成对应上述待处理半导体的检测报告。

在一些实施例中，上述装置包括杂质检测模型训练单元，被配置成训练杂质检测模型，上述杂质检测模型训练单元包括：第二样本获取子单元，被配置成获取多个历史杂质图像和对应上述多个历史杂质图像中每个历史杂质图像对应的历史杂质信息；杂质检测模型训练子单元，被配置成将上述多个历史杂质图像中每个历史杂质图像作为输入，将上述多个历史杂质图像中每个历史杂质图像所对应的历史杂质信息作为输出，训练得到杂质检测模型。

在一些实施例中，上述检测报告包括以下至少一项：待处理半导体的基本信息、缺陷图像、缺陷类型信息、目标区域、缺陷类型信息、杂质信息。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储器，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述第一方面的用于生成半导体检测报告的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述第一方面的用于生成半导体检测报告的方法。

本公开的实施例提供的用于生成半导体检测报告的方法及装置，首先获取待处理半导体的待处理图像；然后再待处理图像中表面图像存在缺陷图像时，根据缺陷图像获取缺陷类型信息；之后基于缺陷类型信息查询红外热分布图像中的异常发热点；最后在红外热分布图像中不存在异常发热点时，根据缺陷类型信息生成对应待处理半导体的检测报告。本申请能够自动有序地对待处理图像进行准确检测，提高了检测报告的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成半导体检测报告的方法的一个实施例的流程图；

图3是根据本公开的用于生成半导体检测报告的方法的一个应用场景的示意图；

图4是根据本公开的缺陷识别模型训练方法的一个实施例的流程图；

图5是根据本公开的用于生成半导体检测报告的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的实施例的用于生成半导体检测报告的方法或用于生成半导体检测报告的装置的示例性系统架构100。

如图1所示，系统架构100可以包括图像采集设备101，网络102和服务器103。网络102用以在图像采集设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

图像采集设备101可以采集半导体的相关图像，并将图像通过网络102发送给服务器103。图像采集设备101上可以安装有多种图像处理应用，例如图像放大应用、分辨率调整应用、颜色调整应用、红外感应探头等。

服务器103可以是提供各种服务的服务器，例如对图像采集设备101提供的图像进行数据处理的服务器。服务器可以对接收到的图像进行数据处理，从而生成半导体质量的检测报告。

需要说明的是，本公开的实施例所提供的用于生成半导体检测报告的方法一般由服务器103执行，相应地，用于生成半导体检测报告的装置一般设置于服务器103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。

应该理解，图1中的图像采集设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的图像采集设备、网络和服务器。

继续参考图2，示出了根据本公开的用于生成半导体检测报告的方法的一个实施例的流程200。该用于生成半导体检测报告的方法包括以下步骤：

步骤201，获取待处理半导体的待处理图像。

在本实施例中，用于生成半导体检测报告的方法的执行主体(例如图1所示的服务器103)可以通过有线连接方式或者无线连接方式获取待处理半导体的待处理图像。其中，待处理半导体即为被检测的半导体。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。

由背景技术部分的描述可知，现有的半导体质量通常由人工来完成。随着技术的进步，半导体的尺寸和精度越来越高，人工检测更容易出现误判的情况。并且，半导体检测的准确度由检测人员的知识水平所决定，主观性太强。在检测同一半导体时，不同检测人员可能得到不同的结果，没有统一的标准。此外，人工检测速度太慢，效率低下，且容易检测遗漏，使得现有对半导体检测的检测报告准确性不高。

为了实现对半导体的准确检测，执行主体可以获取半导体的多个图像。本申请的上述待处理图像可以包括表面图像、红外热分布图像。其中，表面图像可以是图像采集设备101获取的、高分辨率显微镜采集的半导体图像。高分辨率显微镜采集半导体的表面图像时，结合目标检测算法，通过不断变焦和移动镜头来获得详细的半导体的表面图像。目标检测算法能够根据具体的被检测图像获取指定类型的图像。目标检测算法可以是fastr-cnn(fastregion-basedconvolutionalnetworkmethod，基于快速区域的卷积网络方法)和r-fcn(region-basedfullyconvolutionalnetworks，基于区域的全卷积网络)等。红外热分布图像可以是图像采集设备101获取的、红外显微镜采集的半导体图像。

步骤202，响应于上述待处理图像中表面图像存在缺陷图像，根据上述缺陷图像获取缺陷类型信息。

执行主体可以对表面图像进行图像处理，获取到表面图像中的缺陷图像。其中，缺陷图像为半导体表面的缺陷对应在表面图像中的图像区域。当存在缺陷图像时，执行主体可以根据缺陷图像获取对应的缺陷类型信息。其中，缺陷类型信息用于表征缺陷属于哪类缺陷。例如，缺陷类型信息可以是灰尘颗粒、杂质等。在确定缺陷图像时，执行主体可以通过矫正算法对表面图像进行图像矫正，再通过图像增强算法提高图像的对比度；然后，再通过无损放大算法对图像进行发达；之后，通过图像分类算法、半导体信息库和杂质信息库对图像进行处理，以识别缺陷。如此，可以避免由于拍摄角度、光线、尺寸、缺陷类型等问题导致对缺陷识别错误。

矫正算法可以首先确定可能的初始缺陷图像，然后调整该初始缺陷图像的角度；最后再通过图像增强算法调整角度后的图像的对比度来检测缺陷图像，有利于提高对缺陷识别的准确性。图像增强算法可以是对数图像增强算法、指数图像增强算法等算法。无损放大算法可以是高级插值算法等。图像分类算法可以是卷积神经网络、深度学习模型。

在本实施例的一些可选的实现方式中，上述根据上述缺陷图像获取缺陷类型信息，可以包括：将上述待处理图像的缺陷图像导入预先训练的缺陷识别模型，得到对应上述待处理图的缺陷类型信息。

为了获取准确的缺陷类型信息，执行主体可以将缺陷图像导入预先训练的缺陷识别模型。缺陷识别模型对缺陷图像进行处理，可以得到对应的缺陷类型信息。其中，上述缺陷识别模型可以用于表征缺陷图像与缺陷类型信息之间的对应关系。

在本实施例的一些可选的实现方式中，上述缺陷识别模型通过以下步骤训练得到：

第一步，获取多个样本缺陷图像和对应上述多个样本缺陷图像中每个样本缺陷图像的样本缺陷类型信息。

执行主体可以获取多个样本缺陷图像，并为本领域技术人员播放。其中，上述样本缺陷图像包括以下至少一项：擦痕缺陷、划痕缺陷、孔洞缺陷、缺损缺陷。本领域技术人员可以根据经验对多个样本缺陷图像中的每个样本缺陷图像标注出样本缺陷类型信息。

第二步，将上述多个样本缺陷图像中每个样本缺陷图像作为输入，将上述多个样本缺陷图像中每个样本缺陷图像所对应的样本缺陷类型信息作为输出，训练得到缺陷识别模型。

执行主体训练的可以是初始化缺陷识别模型，初始化缺陷识别模型可以是未经训练的深度学习模型或未训练完成的其他学习模型，初始化缺陷识别模型的各层可以设置有初始参数，参数在缺陷识别模型的训练过程中可以被不断地调整。初始化缺陷识别模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型，例如，初始化缺陷识别模型可以是未经训练的卷积神经网络，也可以是未经训练的循环神经网络，还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。这样，执行主体可以将多个样本缺陷图像中每个样本缺陷图像从缺陷识别模型的输入侧输入，依次经过缺陷识别模型中的各层的参数的处理，并从缺陷识别模型的输出侧输出，输出侧输出的信息即为样本缺陷类型信息。

步骤203，基于上述缺陷类型信息查询上述红外热分布图像中的异常发热点。

不同的缺陷具有不同的热力学特征。为了进一步确定该缺陷是否影响半导体的性能，执行主体还可以基于上述缺陷类型信息查询上述红外热分布图像中的异常发热点。异常发热点可以通过红外热分布图像与预设的基准红外热分布图像进行比较来确定。例如，正常情况下，某一半导体正常工作时会在指定位置存在较强的发热特征，在其他位置则存在较弱的发热特征或没有发热特征。当上述的缺陷导致半导体工作时，发热特征发生变化，则说明该缺陷可能关于影响到半导体的正常工作。此时，执行主体就可以根据缺陷类型信息查询红外热分布图像中的异常发热点。当待处理图像中表面图像不存在缺陷图像，执行主体可以直接生成检测报告。

步骤204，响应于上述红外热分布图像中不存在异常发热点，根据上述缺陷类型信息生成对应上述待处理半导体的检测报告。

当红外热分布图像中不存在异常发热点时，说明半导体的缺陷不足以对半导体的正常工作构成影响。此时，执行主体可以根据缺陷类型信息生成对应上述待处理半导体的检测报告。如此，首先对表面图像进行检测，当表面图像存在缺陷图像时再红外热分布图像，实现了对半导体的多层次有序检测。避免了人工检测半导体质量时的检测准确性不高、漏检等情况，提高了检测精度和准确性，提高了检测报告的真实性和有效性。

在本实施例的一些可选的实现方式中，上述待处理图像还可以包括表面结构图像，以及，上述方法还可以包括以下步骤：

第一步，响应于上述红外热分布图像中存在异常发热点，根据上述异常发热点确定对应上述表面结构图像的目标区域。

当红外热分布图像中存在异常发热点时，执行主体可以将异常发热点对应在表面结构图像内确定目标区域。即目标区域就是异常发热点图像区域。

第二步，将上述目标区域导入预先训练的杂质检测模型，得到对应上述目标区域的杂质信息。

得到目标区域后，执行主体可以将目标区域导入预先训练的杂质检测模型，得到对应上述目标区域的杂质信息。其中，上述杂质检测模型可以用于表征目标区域与杂质信息之间的对应关系。

第三步，根据上述缺陷类型信息和杂质信息生成对应上述待处理半导体的检测报告。

上述可以得到半导体的表面图像的缺陷类型信息。此处，执行主体可以根据缺陷类型信息和杂质信息生成对应待处理半导体的检测报告。上述检测报告可以包括以下至少一项：待处理半导体的基本信息、缺陷图像、缺陷类型信息、目标区域、缺陷类型信息、杂质信息。如此，对半导体可能存在的多个质量问题进行全面检测，提高了检测报告的准确性。此外，执行主体还可以查询杂质清除库，从而提供清除检测报告中杂质的杂质清除方式。

在本实施例的一些可选的实现方式中，上述杂质检测模型通过以下步骤训练得到：

第一步，获取多个历史杂质图像和对应上述多个历史杂质图像中每个历史杂质图像对应的历史杂质信息。

第二步，将上述多个历史杂质图像中每个历史杂质图像作为输入，将上述多个历史杂质图像中每个历史杂质图像所对应的历史杂质信息作为输出，训练得到杂质检测模型。

杂质检测模型的训练步骤与上述缺陷识别模型的训练步骤类似，此处不再一一赘述。

继续参见图3，图3是根据本实施例的用于生成半导体检测报告的方法的应用场景的一个示意图。在图3的应用场景中，服务器103通过网络102获取到图像采集设备101采集的半导体的待处理图像。服务器103首先通过多种算法获取缺陷图像和对应的缺陷类型信息；然后根据缺陷类型信息查询红外热分布图像中的异常发热点；最后生成检测报告，如图3所示。

本公开的上述实施例提供的方法首先获取待处理半导体的待处理图像；然后再待处理图像中表面图像存在缺陷图像时，根据缺陷图像获取缺陷类型信息；之后基于缺陷类型信息查询红外热分布图像中的异常发热点；最后在红外热分布图像中不存在异常发热点时，根据缺陷类型信息生成对应待处理半导体的检测报告。本申请能够自动有序地对待处理图像进行准确检测，提高了检测报告的准确性。

进一步参考图4，其示出了缺陷识别模型训练方法的又一个实施例的流程400。该缺陷识别模型训练方法的流程400，包括以下步骤：

步骤401，获取多个样本缺陷图像和对应上述多个样本缺陷图像中每个样本缺陷图像的样本缺陷类型信息。

在本实施例中，缺陷识别模型训练方法运行于其上的执行主体(例如图1所示的服务器103)可以获取多个样本缺陷图像和多个样本缺陷图像中每个样本缺陷图像所对应的样本缺陷类型信息。

在本实施例中，执行主体可以获取多个样本缺陷图像，并为本领域技术人员播放，本领域技术人员可以根据经验对多个样本缺陷图像中每个样本缺陷图像标注样本缺陷类型信息。

步骤402，将上述多个样本缺陷图像中每个样本缺陷图像依次输入至初始化缺陷识别模型，得到上述多个样本缺陷图像中每个样本缺陷图像所对应的预测缺陷类型信息。

在本实施例中，基于步骤401所获取的多个样本缺陷图像，执行主体可以将多个样本缺陷图像中每个样本缺陷图像依次输入至初始化缺陷识别模型，从而得到多个样本缺陷图像中每个样本缺陷图像所对应的预测缺陷类型信息。这里，执行主体可以将每个样本缺陷图像从初始化缺陷识别模型的输入侧输入，依次经过初始化缺陷识别模型中的各层的参数的处理，并从初始化缺陷识别模型的输出侧输出，输出侧输出的信息即为该样本缺陷图像所对应的预测缺陷类型信息。其中，初始化缺陷识别模型可以是未经训练的深度学习模型或未训练完成的其他学习模型，其各层设置有初始化参数，初始化参数在缺陷识别模型的训练过程中可以被不断地调整。

步骤403，将上述多个样本缺陷图像中每个样本缺陷图像所对应的预测缺陷类型信息与该样本缺陷图像所对应的样本缺陷类型信息进行比较，得到上述初始化缺陷识别模型的预测准确率。

在本实施例中，基于步骤402所得到的多个样本缺陷图像中每个样本缺陷图像所对应的预测缺陷类型信息。执行主体可以将多个样本缺陷图像中每个样本缺陷图像所对应的预测缺陷类型信息与该样本缺陷图像所对应的样本缺陷类型信息进行比较，从而得到初始化缺陷识别模型的预测准确率。具体地，若一个样本缺陷图像所对应的预测缺陷类型信息与该样本缺陷图像所对应的样本缺陷类型信息相同或相近，则初始化缺陷识别模型预测正确；若一个样本缺陷图像所对应的预测缺陷类型信息与该样本缺陷图像所对应的样本缺陷类型信息不同或不相近，则初始化缺陷识别模型预测错误。这里，执行主体可以计算预测正确的数目与样本总数的比值，并将该比值作为初始化缺陷识别模型的预测准确率。

步骤404，确定上述预测准确率是否大于预设准确率阈值。

在本实施例中，基于步骤403所得到的初始化缺陷识别模型的预测准确率，执行主体可以将初始化缺陷识别模型的预测准确率与预设准确率阈值进行比较。若大于预设准确率阈值，则执行步骤405；若不大于预设准确率阈值，则执行步骤406。

步骤405，将初始化缺陷识别模型作为训练完成的缺陷识别模型。

在本实施例中，在初始化缺陷识别模型的预测准确率大于预设准确率阈值的情况下，说明该缺陷识别模型训练完成，此时，执行主体可以将初始化缺陷识别模型作为训练完成的缺陷识别模型。

步骤406，调整初始化缺陷识别模型的参数。

在本实施例中，在初始化缺陷识别模型的预测准确率不大于预设准确率阈值的情况下，执行主体可以调整初始化缺陷识别模型的参数，并返回执行步骤402，直至训练出能够表征缺陷图像与缺陷类型信息之间的对应关系的缺陷识别模型为止。

类似的，杂质检测模型也可以按照上述缺陷识别模型训练方法来训练得到，此处不再一一赘述。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于生成半导体检测报告的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成半导体检测报告的装置500可以包括：图像获取单元501、第一检测单元502、异常发热点查询单元503和第一检测报告生成单元504。其中，图像获取单元501被配置成获取待处理半导体的待处理图像，上述待处理图像包括表面图像、红外热分布图像；第一检测单元502，响应于上述待处理图像中表面图像存在缺陷图像，被配置成根据上述缺陷图像获取缺陷类型信息；异常发热点查询单元503被配置成基于上述缺陷类型信息查询上述红外热分布图像中的异常发热点；第一检测报告生成单元504，响应于上述红外热分布图像中不存在异常发热点，被配置成根据上述缺陷类型信息生成对应上述待处理半导体的检测报告。

在本实施例的一些可选的实现方式中，上述第一检测单元502可以包括：第一检测子单元(图中未示出)，被配置成将上述待处理图像的缺陷图像导入预先训练的缺陷识别模型，得到对应上述待处理图的缺陷类型信息，其中，上述缺陷识别模型用于表征缺陷图像与缺陷类型信息之间的对应关系。

在本实施例的一些可选的实现方式中，上述用于生成半导体检测报告的装置500可以包括缺陷识别模型训练单元(图中未示出)，被配置成训练缺陷识别模型，上述缺陷识别模型训练单元可以包括：第一样本获取子单元(图中未示出)和缺陷识别模型训练子单元(图中未示出)。其中，第一样本获取子单元被配置成获取多个样本缺陷图像和对应上述多个样本缺陷图像中每个样本缺陷图像的样本缺陷类型信息，上述样本缺陷图像包括以下至少一项：擦痕缺陷、划痕缺陷、孔洞缺陷、缺损缺陷；缺陷识别模型训练子单元被配置成将上述多个样本缺陷图像中每个样本缺陷图像作为输入，将上述多个样本缺陷图像中每个样本缺陷图像所对应的样本缺陷类型信息作为输出，训练得到缺陷识别模型。

在本实施例的一些可选的实现方式中，上述待处理图像还包括表面结构图像，以及，上述用于生成半导体检测报告的装置500还可以包括：第二检测单元(图中未示出)、杂质信息获取单元(图中未示出)和第二检测报告生成单元(图中未示出)。其中，第二检测单元，响应于上述红外热分布图像中存在异常发热点，被配置成根据上述异常发热点确定对应上述表面结构图像的目标区域；杂质信息获取单元被配置成将上述目标区域导入预先训练的杂质检测模型，得到对应上述目标区域的杂质信息，上述杂质检测模型用于表征目标区域与杂质信息之间的对应关系；第二检测报告生成单元，被配置成根据上述缺陷类型信息和杂质信息生成对应上述待处理半导体的检测报告。

在本实施例的一些可选的实现方式中，上述用于生成半导体检测报告的装置500可以包括杂质检测模型训练单元(图中未示出)，被配置成训练杂质检测模型，杂质检测模型训练单元可以包括：第二样本获取子单元(图中未示出)和杂质检测模型训练子单元(图中未示出)。其中，第二样本获取子单元被配置成获取多个历史杂质图像和对应上述多个历史杂质图像中每个历史杂质图像对应的历史杂质信息；杂质检测模型训练子单元被配置成将上述多个历史杂质图像中每个历史杂质图像作为输入，将上述多个历史杂质图像中每个历史杂质图像所对应的历史杂质信息作为输出，训练得到杂质检测模型。

在本实施例的一些可选的实现方式中，上述检测报告可以包括以下至少一项：待处理半导体的基本信息、缺陷图像、缺陷类型信息、目标区域、缺陷类型信息、杂质信息。

本实施例还提供了一种电子设备，包括：一个或多个处理器；存储器，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述的用于生成半导体检测报告的方法。

本实施例还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述的用于生成半导体检测报告的方法。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如，图1中的服务器103)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待处理半导体的待处理图像，上述待处理图像包括表面图像、红外热分布图像；响应于上述待处理图像中表面图像存在缺陷图像，根据上述缺陷图像获取缺陷类型信息；基于上述缺陷类型信息查询上述红外热分布图像中的异常发热点；响应于上述红外热分布图像中不存在异常发热点，根据上述缺陷类型信息生成对应上述待处理半导体的检测报告。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括图像获取单元、第一检测单元、异常发热点查询单元和第一检测报告生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一检测报告生成单元还可以被描述为“通过缺陷类型信息生成检测报告的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。