基于AI与云计算技术的半导体基板光刻胶层缺陷检测系统的制作方法

基于ai与云计算技术的半导体基板光刻胶层缺陷检测系统
技术领域
1.本发明涉及半导体技术领域，具体涉及基于ai与云计算技术的半导体基板光刻胶层缺陷检测系统。


背景技术：

2.光刻胶是一种有机化合物，它被紫外光曝光后，在显影溶液中的溶解度会发生变化。硅片制造中所用的光刻胶以液态涂在硅片表面，而后被干燥成胶膜。光刻胶是微电子技术中微细图形加工的关键材料之一，特别是近年来大规模和超大规模集成电路的发展，更是大大促进了光刻胶的研究开发和应用。
3.在泛半导体领域，基板光刻胶层的质量直接影响到最终的产品质量，因此对基板光刻胶层的缺陷检测非常重要。现有的基板光刻胶层缺陷检测，通常采用人工检测的方法，这种方法存在抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大的问题，检测效果较差。
4.因此，如何提高检测效率，保证检测的准确性，成为了本领域技术人员急需解决的问题。


技术实现要素：

5.针对上述现有技术的不足，本发明实际解决的问题包括：如何提高检测效率，保证检测的准确性。
6.本发明采用了如下的技术方案：
7.基于ai与云计算技术的半导体基板光刻胶层缺陷检测系统，包括相互通信连接的产品信息获取模块、图像采集模块、云处理器、数据库、控制器，云处理器包括匹配模块、检测模块；所述ai与云计算技术的半导体基板光刻胶层缺陷检测系统进行检测时包括如下步骤：
8.s1、控制器控制待测产品到达状态码获取工位，产品信息获取模块获取待测产品的产品状态码；
9.s2、匹配模块基于产品状态码判断产品是否具有对应的检测模型，若有，执行步骤s3；
10.s3、控制器控制待测产品到达图像采集工位，图像采集装置获取待测图像；
11.s4、检测模块调用对应的检测模型对待测图像进行检测，若检测合格则将待测产品标记为合格或不合格；
12.s5、控制器控制待测产品向后续工位移动，数据库存储检测记录。
13.优选地，云处理器还包括模型建立模块，步骤s2中，若产品不具有对应的检测模型，执行步骤s301，所述ai与云计算技术的半导体基板光刻胶层缺陷检测系统进行检测时还包括：
14.s301、模型建立模块判断是否有待测产品状态码对应的模型样本数据库，若没有，
建立新的模型样本数据库；
15.s302、控制器控制待测产品到达图像采集工位，图像采集装置获取待测图像；
16.s303、模型建立模块将待测图像作为样本存入对应的模型样本数据库；
17.s304、检测模块将待测产品标记为不合格，执行步骤s5。
18.优选地，所述ai与云计算技术的半导体基板光刻胶层缺陷检测系统进行检测时还包括：
19.s311、当某一状态码对应的模型样本数据库中的样本数量大于第一预设阈值时，模型建立模块建立与状态码对应的检测模型并利用模型样本数据库中的样本完成检测模型训练。
20.优选地，一个模型样本数据库对应多个状态码。
21.优选地，所有的待测图像均存入对应的模型样本数据库中，所述ai与云计算技术的半导体基板光刻胶层缺陷检测系统进行检测时还包括：
22.s321、模型建立模块每隔预设时间对所有已有检测模型进行离线更新训练，训练完成后再重新部署。
23.优选地，当待测图像的检测点数量小于第二预设阈值时，对应的检测模型为小型检测模型，当检测图像的检测点数量大于或等于第二预设阈值时，对应的检测模型为大型检测模型。
24.优选地，小型检测模型包括依次连接的特征提取器、网络头部，所述特征提取器为mobilenet，网络头部包括全连接层、激活函数。
25.优选地，大型检测模型包括依次连接的特征提取器、网络颈部及网络头部，所述特征提取器为resnet152，网络颈部包括全连接层、bn层、leakyrelu激活函数、dropout层，网络头部包括全连接层、激活函数。
26.综上所述，本发明与现有技术相比，采用ai与云计算技术能够实现对光刻胶层缺陷的自动检测，解决基板光刻胶层表面缺陷人工检测效率低、准确性差、时效性差等，已机器视觉自动判断，达到代替人工快速检验，提高效率，降低陈本，提升准确性等目的。
附图说明
27.为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
28.图1是本发明公开的基于ai与云计算技术的半导体基板光刻胶层缺陷检测系统的一种具体实施方式的结构示意图；
29.图2是本发明公开的基于ai与云计算技术的半导体基板光刻胶层缺陷检测系统进行检测时的一种具体实施方式的流程图。
具体实施方式
30.下面结合附图对本发明作进一步的详细说明。
31.如图1所示，为本发明公开的基于ai与云计算技术的半导体基板光刻胶层缺陷检测系统的示意图，包括相互通信连接的产品信息获取模块、图像采集模块、云处理器、数据库、控制器，云处理器包括匹配模块、检测模块；如图2所示，所述ai与云计算技术的半导体
基板光刻胶层缺陷检测系统进行检测时包括如下步骤：
32.s1、控制器控制待测产品到达状态码获取工位，产品信息获取模块获取待测产品的产品状态码；
33.s2、匹配模块基于产品状态码判断产品是否具有对应的检测模型，若有，执行步骤s3；
34.s3、控制器控制待测产品到达图像采集工位，图像采集装置获取待测图像；
35.s4、检测模块调用对应的检测模型对待测图像进行检测，若检测合格则将待测产品标记为合格或不合格；
36.s5、控制器控制待测产品向后续工位移动，数据库存储检测记录。
37.本发明中，产品信息获取模块、图像采集模块及控制器设置在产品流水线上，可采用5g通信的方式与远端的云处理器及数据库进行通信。控制器可控制产品传送带或阻挡器等装置将待测产品输送到各个位置，完成信息的采集及检测。本发明中，产品信息获取模块可为读码器，读码器通过对基板(待测产品)进行条码识别，获取产品状态码。图像采集装置可为安装在机械手上的ccd相机。
38.本发明与现有技术相比，采用ai与云计算技术能够实现对光刻胶层缺陷的自动检测，解决基板光刻胶层表面缺陷人工检测效率低、准确性差、时效性差等，已机器视觉自动判断，达到代替人工快速检验，提高效率，降低陈本，提升准确性等目的。此外，将产品信息获取模块、图像采集模块及控制器设置在产品流水线上，实现了检测和生产的一体化，保证了生产的效率。
39.具体实施时，云处理器还包括模型建立模块，步骤s2中，若产品不具有对应的检测模型，执行步骤s301，所述ai与云计算技术的半导体基板光刻胶层缺陷检测系统进行检测时还包括：
40.s301、模型建立模块判断是否有待测产品状态码对应的模型样本数据库，若没有，建立新的模型样本数据库；
41.s302、控制器控制待测产品到达图像采集工位，图像采集装置获取待测图像；
42.s303、模型建立模块将待测图像作为样本存入对应的模型样本数据库；
43.s304、检测模块将待测产品标记为不合格，执行步骤s5。
44.本发明中，若某个待测产品没有检测模型时，则无法进行检测，此时，除了将待测产品标记为不合格外，同样需要采集待测图像，并将待测图像存储到对应的模型样本数据库中(若没有对应的模型样本数据库，则生成新的模型样本数据库)。这样，可以在生产过程中完成样本的采集，为后续建立对应的检测模型做准备。
45.具体实施时，所述ai与云计算技术的半导体基板光刻胶层缺陷检测系统进行检测时还包括：
46.s311、当某一状态码对应的模型样本数据库中的样本数量大于第一预设阈值时，模型建立模块建立与状态码对应的检测模型并利用模型样本数据库中的样本完成检测模型训练。
47.本发明中，当采集的样本达到一定数量后(例如100个)，即可基于样本进行检测模型的建立和训练。本发明中，检测模型可为基于tensorflow框架、googlenet网络结构的神经网络。此外，在采集到的模型样本后，可由人工对样本进行标注，形成训练集、验证集、测
试集等。本发明中，对模型的训练可采用以下公式：
48.训练过程中：
[0049][0050]
其中f(
·
)为整个模型，θ为模型参数，x,y分为为输入图像与输出结果，l(
·
)为损失函数，训练过程中对模型参数进行优化，从而降低模型误差。
[0051]
推理过程中：
[0052]
h1＝f1(x|θ1)
[0053][0054][0055]
其中h1,h2分别表示特征提取器的输出和网络颈部的输出，f1(
·
),f
drop
(
·
),f
leaky
(
·
),f
bn
(
·
),f
softmax
(
·
)分为表示特征提取网络、dropout层、leakyrelu激活函数、bn层、softmax激活函数，w2,b2,w3,b3分别为颈部全连接层的权重与偏置、头部全连接层的权重与偏置。
[0056]
具体实施时，一个模型样本数据库对应多个状态码。
[0057]
本发明中，一个状态码对应一种具体的产品，但是，由于产品间的相似性，因此，不同的产品其光刻胶层可能具有相同的检测点。所以，本发明中一个模型样本数据库可对应多个状态码，即一个检测模型可以对多种产品进行检测，这样可以减少模型数量，进而减少训练量，降低运行成本。
[0058]
具体实施时，所有的待测图像均存入对应的模型样本数据库中，所述ai与云计算技术的半导体基板光刻胶层缺陷检测系统进行检测时还包括：
[0059]
s321、模型建立模块每隔预设时间对所有已有检测模型进行离线更新训练，训练完成后再重新部署。
[0060]
本发明中，为了保证检测结果的准确性，可以将采集的待测图像进行存储，作为训练样本，每间隔一段时间对检测模型进行更新训练，优化检测模型的参数。
[0061]
具体实施时，当待测图像的检测点数量小于第二预设阈值时，对应的检测模型为小型检测模型，当检测图像的检测点数量大于或等于第二预设阈值时，对应的检测模型为大型检测模型。
[0062]
本发明中，针对检测点的不同，可采用不同类型的检测模型，在保证检测效果的前提下，提高检测效率。
[0063]
具体实施时，小型检测模型包括依次连接的特征提取器、网络头部，所述特征提取器为mobilenet，网络头部包括全连接层、激活函数。
[0064]
本发明中，当识别对象难度较小、识别精度不是特别高的情况，选用小型模型检测。小型模型具有算法轻，网络层级浅，推理与鉴别速度快等特点，能很好的运用到这类难度小精度较要求低的应用场景。
[0065]
具体实施时，大型检测模型包括依次连接的特征提取器、网络颈部及网络头部，所述特征提取器为resnet152，网络颈部包括全连接层、bn层、leakyrelu激活函数、dropout层，网络头部包括全连接层、激活函数。
[0066]
本发明中，当识别对象难度较大、识别精度特别高的情况，选用大型模型检测。大
型模型具有算法负责，网络层级深，推理与鉴别速度较慢等特点，能很好的运用到这类难度大精度高的应用场景。
[0067]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。