一种基于序列异常检测的多尺度芯片缺陷检测方法

1.本发明涉及芯片缺陷检测技术领域，特别是涉及一种基于序列异常检测的多尺度芯片缺陷检测方法。


背景技术：

2.随着电子信息技术的高速发展，民用、军事和航空领域对高质量、高可靠的芯片需求更为迫切。芯片缺陷检测的目的在于把控芯片的出货质量，剔除不良品，避免残缺品流入市场。因此，在芯片出厂前对芯片继续筛选，显得格外重要。在芯片筛选的过程中，芯片电性能等测试是芯片质量保证的必要前提，但对芯片的外观缺陷，如芯片的打标、表面完整性、芯片引脚、芯片尺寸等进行检测也对保障芯片的可靠性影响深远。目前，芯片的第三方筛选厂家在芯片的外观缺陷检测领域主要采用传统的人工目测的方式，需要大量人力物力，检测成本高，检测精度低，漏检误检率高。针对人工检测的缺点，运用机器视觉检测的方法逐步推广，同时随着人工智能的发展，将机器学习的方式与机器视觉相融合促进检测方式更加智能化。
3.然而现有的基于机器学习和机器视觉的芯片缺陷检测技术，普遍采用监督学习的方式，需要大量人工标注设定标签来进行训练。并且，一般情况下缺陷图像的对比度较低，简单地通过边缘检测、梯度值或灰度值检测往往将导致漏检。此外，微型化芯片在实现精确的尺寸测量和外观检测时，往往需要高精度的成像设备，这些设备的成本较一般的成像设备要高数倍。现有芯片缺陷检测技术存在成像成本高、检测速度慢、检测准确率低及泛化能力弱的问题。
4.因此，本技术提出了基于序列异常检测的多尺度芯片缺陷检测方法来解决以上问题。


技术实现要素：

5.本发明改善了现有技术中微型化芯片精确的尺寸测量和外观检测仍需提高效率问题，提供一种成像成本低、检测速度快、检测准确率高及泛化能力强的基于序列异常检测的多尺度芯片缺陷检测方法。
6.本发明的技术解决方案是，提供一种具有以下步骤的基于序列异常检测的多尺度芯片缺陷检测方法：含有以下步骤，
7.步骤1，获取无缺陷的芯片图像，存在缺陷的芯片图像和待缺陷检测的芯片图像，并分别将经过灰化处理的图像数据转化为两组一维时间序列；
8.步骤2，对序列数据进行多尺度分析得到多个不同尺度下的子序列；
9.步骤3，确定最佳缺陷检测尺度，分别计算不同尺度下存在缺陷的序列和不存在缺陷的序列之间差的均方根值，比较后得到最佳检测尺度，选择最佳尺度下的序列作为待测子序列；
10.步骤4，识别序列状态，将子序列分割为t个长度为n的序列段，根据每个序列段的
特征分类，得到不同状态的集合，然后根据前述序列段与状态间的对应关系，将待测序列转化为状态序列；
11.步骤5，通过时间序列异常检测算法检测出待测时间序列中的异常部分；
12.步骤6，确定缺陷所在位置，根据异常检测结果，得到状态序列中的异常状态位置，进一步确定缺陷所在位置。
13.优选地，所述步骤3含有以下步骤，
14.步骤3.1、横坐标最佳缺陷检测尺度确定，计算横坐标序列不同尺度下，存在缺陷的序列和不存在缺陷的序列之间的相似度，比较相似度的大小，认为相似度最小的尺度为横坐标最佳检测尺度，选择该尺度下的序列作为待异常检测序列；
15.步骤3.2、确定纵坐标缺陷检测最佳尺度，计算纵坐标序列不同尺度下，存在缺陷的序列和不存在缺陷的序列之间的相似度，比较相似度的大小，认为相似度最小的尺度为为横坐标最佳检测尺度，选择该尺度下的序列作为待异常检测序列。
16.优选地，所述步骤4含有以下步骤，
17.步骤4.1、无缺陷图像的横纵坐标序列不同尺度下的子序列分割为多个序列段；然后根据每个序列段的特征，如包括但不限于均值，方差，最大值和最小值，将特征相的序列段定义为同一的状态，得到不同状态的集合；
18.步骤4.2、将待缺陷检测图像横纵坐标序列进行分割与并识别其状态，然后按各个序列段的先后关系状将不同尺度下的子序列转化为状态序列。
19.优选地，所述步骤5中建立马尔可夫异常检测模型实现对序列的异常检测具体过程如下：
20.步骤5.1、构造马尔可夫状态转移矩阵：马尔可夫状态转移矩阵构造分为以下步骤：首先，计算初始的状态转移概率mi表示无缺陷图像横纵坐标序列不同尺度下子序列中序列段处于状态i的数量，n表示一个子序列包含的状态总数，然后计算状态转概率其中其中表示从状态s
τ
转移到状态s
γ
的数，进而得到建立一个状态转移概率矩阵最后，重复上述步骤建立横纵坐标不同尺度下的马尔可夫状态转移矩阵。
21.步骤5.2、求待异常检测序列的累计状态转移概率并判断是否异常含有以下步骤：首先，给定一定长度的滑动滑动窗口；然后根据对应的状态转移矩阵，计算该窗口最早时刻出现的状态s
t-l+1
随着时间沿着各个状态转移到最后一个状态s
t-1
的累计概率最后，当p(s
t
|s
t-l+1
…st-1
)低于一定阈值是认为当前最后一个状态s
t-1
异常。
22.优选地，所述步骤6中，针对极端情况下，在最佳尺度下，横坐标状态序列或纵坐标状态序列中出现个多个异常状态，即图像中有多个位置存在缺陷的可能，若需要进一步缩小缺陷所在范围，则重复对所有尺度下的序列进行异常检测；被最多次检测为异常的位置(x1，y1)将被判定为缺陷所处位置，然后排除横坐标x＝x1和纵坐标y＝y1上的所有位置；在剩下的位置中找到被最多次检测为异常的位置(x2，y2)将被判定为缺陷所处位置，然后排除
横坐标x＝x2和纵坐标y＝y2上的所有位置；重复多次后将得到所有缺陷所处位置的坐标(xi，yj)
23.与现有技术相比，本发明基于序列异常检测的多尺度芯片缺陷检测方法具有以下优点：低成本的工业相机在成像工程中不可避免地引入大量噪声，这些噪声将淹没芯片上存在的小尺寸缺陷，如细且深的划痕。步骤三部分通过对序列继续多尺度分析，能够通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，从而可聚焦到信号的任意细节。能够有效检测模型对成像设备的性能要求，并提高检测的速度和准确率。
24.步骤五部分通过将图像识别问题转换为序列异常检测问题，一方面降低了图像缺陷检测算法的模型复杂度，提高了模型的鲁棒性和泛化能力，普通技术人员能够轻易地将其推广其它类型的芯片缺陷检测场景，另一方面降低了检测模型对设备的硬件算力要求。
附图说明
25.图1是本发明中无缺陷的芯片的图像；
26.图2是本发明中待缺陷检测的芯片图像；
27.图3是本发明中不存在缺陷图像的横坐标序列及其各尺度下的子序列的示意图；
28.图4是本发明中不存在缺陷图像的纵坐标序列及其各尺度下的子序列的示意图；
29.图5是本发明中存在缺陷与不存在缺陷图像的横坐标序列及其各尺度下的局部差异示意图；
30.图6是本发明中存在缺陷与不存在缺陷图像的纵坐标序列及其各尺度下的局部差异示意图。
具体实施方式
31.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
32.下面结合附图和具体实施方式对本发明基于序列异常检测的多尺度芯片缺陷检测方法作进一步说明：本实施例的主要理论步骤如下：
33.序列构造
34.使用工业相机获取无缺陷的芯片图像和存在缺陷的芯片图像(包括但不限于芯片管脚缺失，芯片管脚折叠和芯片表面磨损等缺陷)。使用工业相机获取待缺陷检测的芯片图像。
35.将图像统一调节为n
×
m像素格式，并将图像转化为灰度图像。依次读取每个像素点的r(x,y)，g(x,y)，b(x,y)，进行计算灰度值grey(x,y)(转换为整型数)，将灰度值赋值给新图像的相应位置，所有像素点遍历一遍后完成转换。计算公式如下：
36.grey(x,y)＝0.299
×
r(x,y)+0.587
×
g(x,y)+0.114
×
b(x,y)
ꢀꢀ
(1)
37.经过灰化的图像原始数据可看作一个n
×
m的矩阵，grey(x,y)代表坐标(x,y)出的灰度。为方便后续工作，将数据转化为两组一维序列x(i)和y(j)。x(i)表示纵坐标为i的所有像素点的平均灰度值(i＝1，2，3，
…
，n)；y(j)表示纵坐标为j的所有像素点的平均灰度值(j＝1，2，3，
…
，m)。计算公式如下：
[0038][0039][0040]
不存在缺陷的图像可表示为greyn×m(x，y)，存在缺陷的图像可表示为grey
′n×m(x，y)。将greyn×m(x，y)和grey
′n×m(x，y)分别转为x(i)、y(j)和x
′
(i)和y
′
(i)。
[0041]
待缺陷检测的图像可表示为grey
″n×m(x，y)，将grey
″n×m(x，y)转换为x
″
(i)和y
″
(i)。
[0042]
序列多尺度分析
[0043]
本发明之所以需要进行多尺度分析，是因为低成本的工业相机在成像工程中引入大量噪声，这些噪声将淹没芯片上存在的小尺寸缺陷(例如细且深的划痕)。小波分析作为一种多尺度分析方法，其主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，从而可聚焦到信号的任意细节。
[0044]
优选地，选择mallat提出的一种离散小波变换快速算法，此算法对信号进行小波分解的公式如下：
[0045]
a0[f(t)]＝f(t)
ꢀꢀ
(4)
[0046]aj
[f(t)]＝∑kh(2t-k)a
j-1
[f(t)]
ꢀꢀ
(5)
[0047]dj
[f(t)]＝∑kg(2t-k)a
j-1
[f(t)]
ꢀꢀ
(6)
[0048]
f(t)为待分解序列，aj是f(t)在j层的近似部分(低频部分)的小波系数，dj是f(t)在j层的细节部分(高频部分)小波系数(即分解结果)。其中j为层数(j＝1，2，3，
…
，j；j＝log
2 n)。h和g代表时域中的小波分析滤波器。
[0049]
通过上述方式将x(i)和x
′
(i)分别分解为d个不同尺度下的子序列后，重构得到x1(i)，x2(i)x4(i)和x
′1(i)，x
′2(i)x
′d(i)；同理，将y(j)和y
′
(i)分解为d个不同尺度下的子序列，得到y1(j)，y2(j)
…
yd(j)和y
′1(j)，y
′2(j)
…y′d(j)；同理，将x
″
(i)和y
″
(i)分解为d个不同尺度下的子序列，得到x
″1(i)，x
″2(i)
…
x
″d(i)和y
″1(j)，y
″2(j)
…y″d(j)。
[0050]
最佳缺陷检测尺度确定
[0051]
3.1确定横坐标最佳缺陷检测尺度
[0052]
计算x(i)不同尺度下，存在缺陷的序列和不存在缺陷的序列之间的相似度，优选地计算两个序列差的均方根值e
x1
，e
x2
…exd
。
[0053][0054]
比较e
x1
，e
x2
…exd
的大小，并对e
x1
，e
x2
…exd
从大到小排序，认为最大的e
μ
(μ∈{x1，x2
…
xd})(相似度最小)所在尺度为横坐标最佳检测尺度。
[0055]
3.2确定纵坐标缺陷检测最佳尺度
[0056]
同理，计算y(j)不同尺度下，存在缺陷的序列和不存在缺陷的序列之间的相似度，
优选地计算两个序列差的均方根值e
y1
，e
y2
…eyd
，并对e
y1
，e
y2
…eyd
从大到小排序，认为最大的e
ε
(ε∈{y1，y2
…
yd})(相似度最小)所在尺度为横坐标最佳检测尺度。
[0057]
选择最佳尺度下的序列横纵坐标子序列作为待异常检测序列。
[0058]
序列状态识别
[0059]
4.1序列分割与状态态识别
[0060]
将无缺陷图像横坐标序列x
μ
(i)分割为t个长度为n的序列段{x
μ
(n)，x
μ
(2n)
…
x
μ
(tn)}，其中t≤n/n＜t+1。即，x
μ
(n)＝{x
μ
(1)，x
μ
(2)
…
x
μ
(n)}；
…
；x
μ
(tn)＝{x
μ
((t-1)n+1)，x
μ
((t-1)n+2)
…
x
μ
(tn)}。然后根据每个序列段的特征(包括但不限于均值，方差，最大值和最小值)将特征相的序列段定义为同一的状态s，得到不同状态的集合s
μ
＝{s1，s2，s3…sτ
}(0＜τ＜n)。
[0061]
同理，将无缺陷图像纵坐标序列y
ε
(j)分割为k个长度为f的序列段{y
ε
(f)，y
ε
(2f)
…yε
(kf)}，其中k≤m/f＜k+1。即，y
ε
(f)＝{y
ε
(1)，y
ε
(2)
…yε
(f)}；
…
；y
ε
(kf)＝{y
ε
((k-1)f+1)，y
ε
((k-1)f+2)
…yε
(kf)}。划分状态得到状态集合u
yε
＝{u1，u2，u3…u∈
}(0＜ε＜m)。
[0062]
4.2待异常检测状态序列构造
[0063]
将待缺陷检测图像横坐标序列x
″
μ
(i)分割为t个长度为n的序列段x
″
μ
(n)＝{x
″
μ
(n)，x
″
μ
(2n)
…
x
″
μ
(tn)}，将待缺陷检测图像纵坐标序列y
″
ε
(j)分割为k个长度为f的序列段y
″
ε
(k)＝{y
″
ε
(f)，y
″
ε
(2f)
…y″
ε
(kf)}。
[0064]
根据步骤4.1中所获得序列段与状态对应关系，得到状态集合s
″
xμ
＝{s1，s2，s3…sτ
}和u
″
yε
＝{u1，u2，u3…u∈
}，按各个序列段的先后顺序将x
″
μ
(n)和y
″
ε
(k)转化为状态序列s
″
xμ
(n)和s
″
yε
(k)。
[0065]
异常检测
[0066]
优选地，选用基于马尔可夫状态转移理论的检测方法，而非通过直接比较不存在缺陷的序列和待异常检测序列差异判断该芯片是否存在缺陷是因为，直接比较的方法对芯片的摆放位置要求较为严苛，些许的位置误差将导致错检率大幅提高。尤其是在快速运动的传送带上，芯片不可避免地受振动和惯性的影响会发生少许的位移，这将导致准确率低下，而减低传送带速度又将导致检测效率低下的问题。
[0067]
在步骤4中，x1(i)，x2(i)
…
xd(i)被分割为数个状态，并得到对应的状态集合s
xμ
＝{s1，s2，s3…sτ
}；y1(j)，y2(j)
…
yd(j)被分割为数个状态，并得到对应的状态集合u
yε
＝{u1，u2，u3…u∈
}。
[0068]
5.1马尔科夫状态转移矩阵构造
[0069]
构造x1(i)，x2(i)
…
xd(i)和y1(j)，y2(j)
…
yd(j)所对应的转移概率矩阵p
x1
，p
x2
…
p
xd
，和p
y1
，p
y2
…
p
yd
。
[0070]
马尔科夫状态转移矩阵构造方法如下，将一个马尔科夫模型的参数集表示为：
[0071]
λ＝{s，q，p}
ꢀꢀ
(8)
[0072]
其中λ代表马尔科夫模型，s＝(s1，s2…
sn)表示序列中所有可能存在的状态。q＝{q1，q2，q3，
…
，qn}代表初始状态转移概率集合：
[0073][0074]
mi表示序列中处于状态i的数量，n表示状态的总数。
[0075]
建立一个状态转移概率矩阵p：
[0076][0077]
其中，表示在状态s
τ
经过一步转移到状态s
γ
的概率。若在t-1时刻的状态s
t-1
＝s3，在t时刻的s
t
＝s5，则此时的状态转移概率为
[0078]
的计算公式为：
[0079][0080]
表示从状态s
τ
转移到状态s
γ
的次数。状态转移概率矩阵p的展开形式如下：
[0081][0082]
重复上述步骤得到x1(i)，x2(i)
…
xd(i)和y1(j)，y2(j)
…
yd(j)分别所对应的状态转移概率矩阵p
x1
，p
x2
…
p
xd
，和p
y1
，p
y2
…
p
yd
。
[0083]
得到得到x1(i)，x2(i)
…
xd(i)和y1(j)，y2(j)
…
yd(j)对应的马尔科夫模型λ
x1
，λ
x2
…
λ
xd
和λ
y1
，λ
y２
…
λ
yd
。
[0084]
5.2基于马尔可夫模型的异常检测
[0085]
根据步骤3，将最佳尺度下的序列选作待异常检测序列。在步骤4中，待异常检测序列已转化为状态序列s
″
(n)＝{s1，s2…st
}。计算待检测状态间的累计状态转移概率p(s
t
|s
t-l+1
，
…
，s
t-1
)，其表示在一个长为1的滑动滑动窗口中，最早时刻出现的状态s
t-l+1
随着时间沿着各个状态转移到最后一个状态s
t-1
的累计概率。如果这个概率越小则最后这个状态异常的可能性越大，计算公式如下：
[0086][0087]
若累计状态转移概率p(s
t
|s
t-l+1
…st-1
)低于一定阈值时，则认为状态s
t-1
为异常状态。
[0088]
根据上述方法检测出状态序列s
″
xμ
(n)中的异常；同理检测s
″
yε
(k)中的异常。
[0089]
若未检测出“异常”，则认为本批芯片不存在缺陷；若检测出“异常”则执行下一步，确定缺陷所在位置。
[0090]
确定缺陷所在位置
[0091]
根据步骤5中的检测结果，得到状态序列s
″
xμ
(n)中的sa(0＜a≤t)为异常状态，则缺陷所在横坐标位置为xi＝a
×
t。
[0092]
同理，状态序列集合s
″
yε
(k)中的ub(0＜b≤f)为异常状态，则缺陷所在纵坐标位置为yj＝b
×
f。
[0093]
综上，检测出的芯片缺陷所在位置为(a
×
t，b
×
f)。
[0094]
针对极端情况下，最佳尺度的检测中s
″
x
和u
″y中出现个异常状态(即图像中存在不止一个芯片缺陷)，此时将有多个位置存在缺陷的可能。若存在进一步缩小缺陷所在范围的
需要，则重复步骤5对所有尺度下的序列进行异常检测。
[0095]
被最多次检测为异常的位置(x1，y1)将被判定为缺陷所处位置，然后排除横坐标x＝x1和纵坐标y＝y1上的所有位置；在剩下的位置中找到被最多次检测为异常的位置(x2，y2)将被判定为缺陷所处位置，然后排除横坐标x＝x2和纵坐标y＝y2上的所有位置；重复数次后将得到所有缺陷所处位置的坐标(xi，yj)。
[0096]
下面给出本实施例的具体计算过程，达到对本实施例中的技术方案进行清楚、完整地描述。
[0097]
序列构造
[0098]
使用工业相机获取无缺陷的芯片图像和存在缺陷的芯片图像，无缺陷的芯片图像如图1所示，存在缺陷的芯片图像，以及待缺陷检测的芯片图像如图2所示。
[0099]
按照公式1将图像统一调节为1900
×
1400像素格式，并将图像转化为灰度图像。依次读取每个像素点的r(x，y)，g(x，y)，b(x，y)，进行计算灰度值grey(x，y)(转换为整型数)，将灰度值赋值给新图像的相应位置，所有像素点遍历一遍后完成转换。
[0100]
经过灰化的图像原始数据可看作一个1900
×
1400的矩阵，grey(x，y)代表坐标(x，y)出的灰度。为方便后续工作，将数据转化为两组一维序列x(i)和y(j)。x(i)表示纵坐标为i的所有像素点的平均灰度值(i＝1，2，3，
…
，n)；y(j)表示纵坐标为j的所有像素点的平均灰度值(j＝1，2，3，
…
，m)。计算公式如下：
[0101][0102][0103]
不存在缺陷的图像可表示为grey
1900
×
1400
(x，y)，存在缺陷的图像可表示为grey
′
1900
×
1400
(x，y)。将grey
1900
×
1400
(x，y)和grey
′
1900
×
1400
(x，y)分别转为x(i)、y(j)和x
′
(i)和y
′
(i)。
[0104]
待缺陷检测的图像可表示为grey
″
1900
×
1400
(x，y)，将grey
″
1900
×
1400
(x，y)转换为x
″
(i)和y
″
(i)。
[0105]
不存在缺陷的图像可表示为grey
1900
×
1400
(x，y)，存在缺陷的图像可表示为grey
′
1900
×
1400
(x，y)。将grey
1900
×
1400
(x，y)和grey
′
1900
×
1400
(x，y)分别转为x(i)、y(j)和x
′
(i)和y
′
(i)。
[0106]
序列多尺度分析
[0107]
优选地，使用“db4”小波对x(i)和x
′
(i)进行分解重构，得到5个不同尺度下的子序列，即x1(i)，x2(i)，x3(i)，x4(i)，x5(i)和x
′1(i)，x
′2(i)，x
′3(i)，x
′4(i)，x
′5(i)；同理，对y(j)和y
′
(i)分解重构，得到y1(j)，y2(j)，y3(j)，y4(j)，y5(j)和y
′1(j)，y
′2(j)，y
′3(j)，y
′4(j)，y
′5(j)。
[0108]
待缺陷检测的图像可表示为grey
″
1900
×
1400
(x，y)，将grey
″
1900
×
1400
(x，y)转换为x
″
(i)和y
″
(i)。然后同步骤2，对x
″
(i)和y
″
(i)分解重构，得到x
″1(i)，x
″2(i)，x
″3(i)，x
″4(i)，x
″5(i)和y
″1(j)，y
″2(j)，y
″3(j)，y
″4(j)，y
″5(j)。
[0109]
不存在缺陷图像的横坐标序列及其各尺度下的子序列如图3所示；不存在缺陷图像的纵坐标序列及其各尺度下的子序列如图4所示。
[0110]
存在缺陷与不存在缺陷图像的横坐标序列及其各尺度下的局部差异如图5所示；
存在缺陷与不存在缺陷图像的纵坐标序列及其各尺度下的局部差异如图6所示。
[0111]
最佳缺陷检测尺度确定
[0112]
3.1确定横坐标最佳缺陷检测尺度
[0113]
计算x(i)不同尺度下，存在缺陷的序列和不存在缺陷的序列之间的相似度，优选地计算两个序列差的均方根值e
x1
，e
x2
，e
x3
，e
x4
和e
x5
。
[0114][0115][0116][0117][0118][0119]
比较e
x1
，e
x2
，e
x3
，e
x4
和e
x5
的大小，其中e
x3
最大(相似度最小)，故第三尺度为横坐标最佳检测尺度。
[0120]
3.2确定纵坐标缺陷检测最佳尺度
[0121]
同理，计算y(j)不同尺度下，存在缺陷的序列和不存在缺陷的序列之间的相似度，优选地计算两个序列差的均方根值e
y1
，e
y2
，e
y3
，e
y4
和e
y5
。
[0122][0123][0124][0125][0126][0127]
其中e
y1
最大(相似度最小)，因此第一尺度为横坐标最佳检测尺度。
[0128]
选择最佳尺度下的序列x
″3(i)和y
″1(j)作为待异常检测序列。
[0129]
序列状态识别
[0130]
4.1序列分割与状态态识别
[0131]
将无缺陷图像横坐标序列x
μ
(i)分割为t＝190个长度为n＝10的序列段{x(n)，x(2n)x(tn)}＝{x(10)，x(20)x(1900)}。其中，x(n)＝x(10)＝{x
μ
(1)，x
μ
(2)
…
x
μ
(10)}；
…
；x(tn)＝x(1900)＝{x
μ
(1891)，x
μ
(1892)
…
x
μ
(1900)}。然后根据每个序列段的特征(均值，方差，最大值和最小值)将特征相同的序列段定义为同一的状态s，得到10个不同状态的集合s
x
＝{s1，s2，s3…s10
}。
[0132]
同理，将无缺陷图像纵坐标序列y
ε
(j)分割为k＝140个长度为f＝10的序列段{y(f)，y(2f)
…
y(kf)}＝{y(10)，y(20)
…
y(1400)}。其中，y(f)＝y(10)＝{y
ε
(1)，y
ε
(2)
…yε
(f)}；
…
；y(kf)＝y(1400)＝{y5(1391)，y5(1392)
…
y5(1400)}。然后根据每个序列段的特征(均值，方差，最大值和最小值)将特征相同的序列段定义为同一的状态s，得到10个不同状态的集合uy＝{u1，u2，u3…u10
}。
[0133]
4.2待异常检测状态序列构造
[0134]
将待缺陷检测图像横坐标序列x
″
μ
(i)分割为t＝190个长度为n＝10的序列段{x
″
(10)，x
″
(20)
…
x
″
(1900)}。将待缺陷检测图像纵坐标序列y
″
ε
(j)分割为k＝140个长度为f＝10的序列段{y
″
ε
(10)，y
″
ε
(20)
…y″
ε
(1400)}。
[0135]
根据步骤4.1中所获得的序列段与状态的对应关系，得到状态集合s
″
xμ
＝{s1，s2，s3…sτ
}和u
″
yε
＝{u1，u2，u3…u∈
}，按各个序列段的先后关系状将x
″
μ
(n)和y
″
ε
(k)按转化为状态序列s
″
xμ
(n)和s
″
yε
(k)。
[0136]
异常检测
[0137]
在步骤4中，x1(i)，x2(i)
…
x5(i)被分割为数个状态的集合s
x1
，s
x2
…sx5
；y1(j)，y2(j)
…
y5(j)被分割为数个状态的集合u
y1
，u
y2
…uy5
。
[0138]
5.1马尔科夫状态转移矩阵构造
[0139]
构造x1(i)，x2(i)
…
x5(i)和y1(j)，y2(j)
…
y5(j)分别所对应的状态转移概率矩阵p
x1
，p
x2
…
p
x5
，和p
y1
，p
y2
…
p
y5
。
[0140]
将一个马尔科夫模型的参数集表示为：
[0141]
λ＝{s，q，p}
ꢀꢀ
(13)
[0142]
其中λ代表马尔科夫模型，s＝(s1，s2…
sn)表示序列中所有可能存在的状态。q＝{q1，q2，q3，
…
，qn}代表初始状态转移概率集合：
[0143][0144]
mi表示序列中处于状态i的数量，n表示状态的总数。
[0145]
建立一个状态转移概率矩阵p：
[0146][0147]
其中，表示在状态s
τ
经过一步转移到状态s
γ
的概率。若在t-1时刻的状态s
t-1
＝s3，在t时刻的s
t
＝s5，则此时的状态转移概率为
[0148]
的计算公式为：
[0149][0150]
表示从状态s
τ
转移到状态s
γ
的次数。状态转移概率矩阵p的展开形式如下：
[0151]
[0152]
根据上述步骤，得到x1(i)，x2(i)
…
x5(i)和y1(j)，y2(j)
…
y5(j)分别所对应的状态转移概率矩阵p
x1
，p
x2
…
p
x5
，和p
y1
，p
y2
…
p
y5
。
[0153]
得到得到x1(i)，x2(i)
…
x5(i)和y1(j)，y2(j)
…
y5(j)对应的马尔科夫模型λ
x1
，λ
x2
…
λ
x5
和λ
y1
，λ
y2
…
λ
y5
。
[0154]
5.2基于马尔可夫模型的异常检测
[0155]
将待异常检测序列转化为状态序列s
″
(n)＝{s1，s2…s190
}后，计算待检测状态间的累计状态转移概率p(s
t
|s
t-9
，
…
，s
t-1
)，其表示在一个长为l＝10的滑动窗口中，最早时刻出现的状态s
t-9
随着时间沿着各个状态转移到最后一个状态s
t-1
的累计概率。如果这个概率越小则最后这个状态异常的可能性越大，计算公式如下：
[0156][0157]
若累计状态转移概率p(s
t
|s
t-l+1
…st-1
)低于一定阈值k＝0.5
×
10-9
时，则认为此位置的状态异常。
[0158]
根据上述方法检测出状态序列s
″
x3
(n)中的异常，经过检测得到x＝a1；x＝a2；x＝a3和x＝a4处存在异常。
[0159]
同理检测s
″
y1
(k)中的异常，经过检测得到y＝b1；y＝b2；y＝b3和y＝b4处存在异常。
[0160]
确定缺陷所在位置
[0161]
根据步骤5中的检测结果，得到状态序列s
″
x3
(n)中x＝a1×
10；x＝a2×
10；x＝a3×
10和x＝a4×
10处存在异常。同理，状态序列s
″
y1
(k)中y＝b1×
10；y＝b2×
10；y＝b3×
10和y＝b4×
10处存在异常。可以得出结论，该批次待检测的芯片中可能存在多个缺陷。
[0162]
缺陷所在横坐标位置为xi＝ai×
10(i＝1，2，3，4，5)；缺陷所在纵坐标位置为yj＝bj×
10(j＝1，2，3，4，5)。综上，芯片缺陷可能的位置为(xi，yj)，即(x1，y1)；(x1，y2)；(x1，y3)；(x1，y4)；(x2，y1)；(x2，y2)；(x2，y3)；(x2，y4)；(x3，y1)；(x3，y2)；(x3，y3)；(x3，y4)；(x4，y1)；(x4，y2)；(x4，y3)；(x4，y4)共16个位置。
[0163]
进一步缩小缺陷所在范围，则重复对对所有尺度下的序列进行异常检测。
[0164]
位置(x1，y1)被4次检测为异常，认为(x1，y1)处存在缺陷，然后排除横坐标x＝x1和纵坐标y＝y1上的所有位置后，还剩(x2，y2)；(x2，y3)；(x2，y4)；(x3，y2)；(x3，y3)；(x3，y4)；(x4，y2)；(x4，y3)；(x4，y4)。
[0165]
在剩下的位置中(x3，y3)将被3次判定异常，认为(x3，y3)处存在缺陷，然后排除横坐标x＝x3和纵坐标y＝y3上的所有位置后，还剩(x2，y2)；(x2，y4)；(x4，y2)；(x4，y4)。
[0166]
在剩下的位置中(x2，y2)将被2次判定异常，认为(x2，y2)处存在缺陷，然后排除横坐标x＝x2和纵坐标y＝y2上的所有位置后，还剩(x4，y4)。
[0167]
最终得到缺陷所在位置为(x1，y1)，(x3，y3)，(x2，y2)和(x4，y4)，如图2所示。
[0168]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。