多任务学习的半导体晶圆检测方法、装置、设备及介质与流程

本发明涉及人工智能，尤其涉及一种多任务学习的半导体晶圆检测方法、装置、设备及介质。

背景技术：

1、半导体行业是现代技术领域的重要组成部分，为从消费电子产品到工业自动化等广泛应用提供了支持。在半导体晶圆生产过程中，由于材料、工艺等因素的影响，可能会产生各种缺陷，如点缺陷、线缺陷、面缺陷等。如果这些缺陷没有被及时发现和处理，就会降低晶圆的性能和可靠性，导致晶圆产品质量下降。因此，半导体晶圆缺陷检测是半导体晶圆制造中至关重要的一环。近年来，随着计算机视觉技术的发展，基于卷积神经网络的半导体晶圆缺陷检测方法已经得到了广泛的应用。

2、现有技术中，一般通过卷积神经网络提取半导体晶圆表面图像的特征信息进行缺陷检测，但对于半导体晶圆这种微、纳米级别图像，单一特征信息很难将其有效分析，从而导致缺陷检测精度较低，因此，在使用计算机视觉技术对半导体晶圆进行缺陷检测时，如何提高半导体晶圆缺陷检测精度成为亟需解决的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种多任务学习的半导体晶圆检测方法、装置、设备及介质，以解决对半导体晶圆进行缺陷检测过程中，检测精度较低的问题。

2、本技术实施例的第一方面提供了一种多任务学习的半导体晶圆检测方法 ，所述的半导体晶圆检测方法包括：

3、获取待检测物体的表征光强特征的第一图像与表征偏振特征的第二图像；

4、对所述第一图像与所述第二图像分别进行特征提取，得到对应所述第一图像的第一特征图与对应所述第二图像的第二特征图；

5、对所述第一特征图与所述第二特征图分别进行在空间维度上的全局平均池化操作与全局最大值池化操作，得到对应所述第一特征图的第一平均池化特征图和第一最大值池化特征图，以及对应所述第二特征图的第二平均池化特征图和第二最大值池化特征图；

6、根据所述第一特征图的第一平均池化特征图和第一最大值池化特征图，计算所述第一特征图在通道维度上的权重值，得到第一权重值，根据所述第二特征图的第二平均池化特征图和第二最大值池化特征图，计算所述第二特征图在通道维度上的权重值，得到第二权重值；

7、根据所述第一权重值与所述第一特征图，计算得到第一通道增强特征图，根据所述第二权重值和第二特征图，计算得到第二通道增强特征图；

8、对第一通道增强特征图与所述第二通道增强特征图分别进行空间维度的增强，得到对应第一通道增强特征图的第一增强特征图与对应第二通道增强特征图的第二增强特征图；

9、将迭代次数增加一次，若所述迭代次数小于预设阈值，则对所述第一增强特征图和所述第二增强特征图分别进行细节重建，得到对应第一增强特征图的第一重建特征图与对应第二增强特征图的第二重建特征图；

10、将所述第一重建特征图作为所述第一图像，将所述第二重建特征图作为所述第二图像，返回执行对所述第一图像与所述第二图像分别进行特征提取的步骤，直至所述迭代次数等于所述预设阈值，得到每次迭代对应的第一增强特征图和第二增强特征图；

11、针对一次迭代，将对应的第一增强特征图和第二增强特征图进行融合，得到对应融合特征图，将所有融合特征图进行融合，得到最终的融合特征图；

12、根据所述最终的融合特征进行缺陷检测，得到缺陷检测结果。

13、本技术实施例的第二方面提供了一种多任务学习的半导体晶圆检测装置，所述半导体晶圆检测装置包括：

14、提取模块，用于对所述第一图像与所述第二图像分别进行特征提取，得到对应所述第一图像的第一特征图与对应所述第二图像的第二特征图；

15、空间池化模块，用于对所述第一特征图与所述第二特征图分别进行在空间维度上的全局平均池化操作与全局最大值池化操作，得到对应所述第一特征图的第一平均池化特征图和第一最大值池化特征图，以及对应所述第二特征图的第二平均池化特征图和第二最大值池化特征图；

16、通道激活模块，用于根据所述第一特征图的第一平均池化特征图和第一最大值池化特征图，计算所述第一特征图在通道维度上的权重值，得到第一权重值，根据所述第二特征图的第二平均池化特征图和第二最大值池化特征图，计算所述第二特征图在通道维度上的权重值，得到第二权重值；

17、通道增强模块，用于根据所述第一权重值与所述第一特征图，计算得到第一通道增强特征图，根据所述第二权重值和第二特征图，计算得到第二通道增强特征图；

18、空间增强模块，用于对第一通道增强特征图与所述第二通道增强特征图分别进行空间维度的增强，得到对应第一通道增强特征图的第一增强特征图与对应第二通道增强特征图的第二增强特征图；

19、重建模块，用于将迭代次数增加一次，若所述迭代次数小于预设阈值，则对所述第一增强特征图和所述第二增强特征图分别进行细节重建，得到对应第一增强特征图的第一重建特征图与对应第二增强特征图的第二重建特征图；

20、迭代模块，用于将所述第一重建特征图作为所述第一图像，将所述第二重建特征图作为所述第二图像，返回执行对所述第一图像与所述第二图像分别进行特征提取的步骤，直至所述迭代次数等于所述预设阈值，得到每次迭代对应的第一增强特征图和第二增强特征图；

21、融合模块，用于针对一次迭代，将对应的第一增强特征图和第二增强特征图进行融合，得到对应融合特征图，将所有融合特征图进行融合，得到最终的融合特征图；

22、检测模块，用于根据所述最终的融合特征进行缺陷检测，得到缺陷检测结果。

23、第三方面，本发明实施例提供一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的多任务学习的半导体晶圆检测方法。

24、第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的多任务学习的半导体晶圆检测方法。

25、本发明与现有技术相比存在的有益效果是：

26、获取待检测物体的表征光强特征的第一图像与表征偏振特征的第二图像，对第一图像与第二图像分别进行特征提取，得到对应第一图像的第一特征图与对应第二图像的第二特征图，对第一特征图与第二特征图分别进行图像增强处理，得到对应第一特征图的第一增强特征图与对应第二特征图的第二增强特征图，将迭代次数增加一次，若迭代次数小于预设阈值，则对第一增强特征图和第二增强特征图分别进行细节重建，得到对应第一增强特征图的第一重建特征图与对应第二增强特征图的第二重建特征图，将第一重建特征图作为第一图像，将第二重建特征图作为第二图像，返回执行对第一图像与第二图像分别进行特征提取的步骤，直至迭代次数等于预设阈值，得到每次迭代对应的第一增强特征图和第二增强特征图，针对一次迭代，将对应的第一增强特征图和第二增强特征图进行融合，得到对应融合特征图，将所有融合特征图进行融合，得到最终的融合特征图，根据最终的融合特征进行缺陷检测，得到缺陷检测结果。本技术中，将不同模态数据的细节特征与不同模态数据的融合特征的提取作为不同的任务，对表征光强特征的图像与表征偏振特征的图像进行特征提取，得到对应的特征图，将特征图进行图像增强，并对增强后的图像进行细节重建，得到光强特征图与偏振特征图中的细节纹理特征图，作为第一任务，进行迭代处理，直至迭代次数达到预设阈值，将细节纹理特征图再次进行图像增强，提取每次迭代后的增强图像的高语义特征，将提取的高语义特征进行融合，提取融合特征，作为第二任务，得到包含纹理细节和信息互补的融合特征，对融合特征进行缺陷检测，从而提高缺陷检测精度。