基于卷积去噪自编码器的芯片表面弱缺陷检测方法
芯片表面缺陷会影响芯片的外观和性能,因此表面缺陷检测是芯片生产过程中的重要环节.具有缺陷与背景对比度低、缺陷较小等特点的弱缺陷给传统检测方法带来了挑战.因为近年来深度学习在机器视觉领域展现出了强大的能力,所以文中采用基于深度学习的方法来研究芯片表面弱缺陷的检测问题.该方法将芯片表面缺陷看作噪音.首先应用卷积去噪自编码器(Convolutional Denoising Auto encoders,CDAE)重构无缺陷图像,然后用重构的无缺陷图像减去输入图像,获得包含缺陷信息的残差图.因为残差图中已经消除了背景的影响,所以最后可以基于残差图较容易地进行缺陷检测.由于基于CDAE重构芯片背景的无缺陷图像时存在随机噪音,导致弱缺陷可能会湮没在重构噪音中,为此,文中提出了重叠分块策略抑制重构噪音,以便更好地检测弱缺陷.因为CDAE是无监督学习网络,所以训练时无需进行大量的人工数据标注,这进一步增强了该方法的可应用性.通过对真实芯片表面数据进行测试,验证了所提方法在芯片表面检测上的有效性.
芯片表面缺陷、缺陷检测、深度学习、无监督学习、卷积去噪自编码器
47
TP391(计算技术、计算机技术)
国家重点研发计划;安徽省科技强警计划项目;浙江大学CAD&CG国家重点实验室开放课题;中央高校基本科研业务费专项资金;安徽省高等学校省级质量工程项目
2020-04-24（万方平台首次上网日期，不代表论文的发表时间）
共8页
118-125
