本发明属于半导体，具体涉及一种硅片表面缺陷识别和分类方法、系统、设备及介质。
背景技术：
1、硅片表面缺陷检测是半导体行业产业线中十分重要的环节，特别是针对半导体级的抛光片的缺陷检测，对进入后续工艺阶段有较大影响。
2、目前各个半导体厂家对半导体级的硅片缺陷检测的方法大多数是借助机器视觉辅助，找出有表面灰度值异常的硅片，靠人工复检缺陷类型来诊断硅片是否是良品。也有借助传统图像算法对硅片进行灰度分析，进行缺陷特征的形态学分析并判定缺陷类型后，获取缺陷样本图像，再借助cnn分类网络将缺陷分类为崩边、脏污和划伤。
3、通过cnn分类网络进行缺陷分类的方法虽借助深度学习对样本进行了分类，但是经过对大量硅片生产厂家的需求调研发现，cnn网络对硅片缺陷的分类不够精准，存在误分，将缺陷只分为崩边、脏污和划伤三种类型，大大增加了硅片的报废率，降低了硅片产能，影响经济效益。
技术实现思路
1、为了解决传统图像处理对硅片缺陷的分类不够精准的问题。本发明提供了一种硅片表面缺陷识别和分类方法、系统、设备及介质。
2、为了实现上述目的，本发明提供如下技术方案：
3、一种硅片表面缺陷识别和分类方法，包括以下步骤：
4、获取硅片的正反面图像和硅片的边缘图像；
5、将硅片的正反面图像和硅片的边缘图像输入深度学习分类模型，输出硅片的表面缺陷类型；所述硅片的表面缺陷类型按照危害程度分为崩边、裂纹、划伤、脏污和浅线痕；
6、所述深度学习分类模型包括改进后的resnet34网络和改进后的unet语义分割模型；所述改进后的resnet34网络用于处理硅片的正反面图像，所述改进后的resnet34网络包括resnet34基准网络，用深度dw卷积和gs卷积替换resnet34基准网络中传统卷积部分，在resnet34基准网络中引入ema注意力机制；所述改进后的unet语义分割模型包括unet语义分割基准模型，在unet语义分割基准模型中加上残差连接和cbam注意力机制。
7、优选地，所述划伤根据划伤深度不同分为浅划伤和深划伤，划伤的线条形状为笔直点画线或者间歇性淡纹的为浅划伤，划伤的线条形状为黑色笔直的为深划伤。
8、优选地，在将硅片的正反面图像和硅片的边缘图像输入深度学习分类模型之前，还包括构建训练集，通过训练集对深度学习分类模型进行训练，其中训练集的获取包括：
9、扫描硅片正反面，获取存在表面缺陷的硅片图像与正常的硅片图像，将所述存在表面缺陷的硅片图像分为多个区域块，分别在多个区域块中获取设定尺寸的缺陷区域图像作为图像一。
10、获取具有边缘缺陷的硅片的侧面图像，并将硅片的侧面图像按照设定尺寸剪裁作为图像二。
11、对正常的硅片图像、图像一和图像二进行灰度处理，得到正常的硅片图像的灰度区间，设定灰度阈值范围；从图像一中获取灰度值超出灰度阈值范围的多个缺陷样本，多个所述缺陷样本作为训练集。
12、优选地，所述灰度处理通过二值化方法，具体包括以下步骤：
13、获取正常的硅片图像、图像一和图像二的直方图，将像素点按照灰度级范围分成不同的bin，并统计每个bin中的像素点数量。
14、归一化直方图，使每个bin中的像素点数量除以总的像素点数量。
15、迭代计算不同灰度级像素所占图像的比例和平均灰度。
16、计算前景像素和背景像素的方差，选择使得方差最大的阈值，作为全局阈值。
17、优选地，所述从图像一中获取灰度值超出灰度阈值范围的多个缺陷样本，具体包括：
18、对所述图像一进行均值滤波处理，对滤波后图像进行边缘检测，并通过regiongrowing函数将图像分割成多个区域regions，依据灰度均值对所述多个区域regions进行筛选，提取出满足条件的图像区域；
19、对于所得到的图像区域，通过形态学分析方法对图像进行特征提取，运用腐蚀操作进一步平滑区域边缘，通过膨胀将未连接的区域进行合并从而恢复因腐蚀而丢失的部分区域，通过开运算和闭运算提取缺陷的特征，获得一个连通域，对连通域进行特征计算和筛选，去除非缺陷的区域，剩下的连通域中以重心为中心截取固定尺寸图像作为缺陷样本。
20、优选地，所述resnet34基准网络包括34个卷积层组成，包括16个基本块，残差块由两个3×3卷积层和一个跳跃连接。
21、优选地，所述改进后的unet语义分割模型将损失函数设置为dice+bce复合损失函数。
22、本发明还提供一种硅片表面缺陷识别和分类的系统，包括：
23、图像获取模块，用于获取硅片的正反面图像和硅片的边缘图像。
24、深度学习模块，用于建立深度学习分类模型包括改进后的resnet34网络和改进后的unet语义分割模型；所述改进后的resnet34网络用于处理硅片的正反面图像，所述改进后的resnet34网络包括resnet34基准网络，用深度dw卷积和gs卷积替换resnet34基准网络中传统卷积部分，在resnet34基准网络中引入ema注意力机制；所述改进后的unet语义分割模型包括unet语义分割基准模型，在unet语义分割基准模型中加上残差连接和cbam注意力机制。
25、分类识别模块，用于将硅片的正反面图像和硅片的边缘图像输入深度学习分类模型，输出硅片的表面缺陷类型。
26、本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现所述一种硅片表面缺陷识别和分类方法中所述的步骤。
27、本发明还提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，其特征在于，该计算机程序被处理器加载时，能够执行所述一种硅片表面缺陷识别和分类方法中所述的步骤。
28、本发明提供的一种硅片表面缺陷识别和分类方法、系统、设备及介质具有以下有益效果：
29、本发明提出一种硅片表面缺陷的识别和分类方法，将获取的硅片的正反面图像和硅片的边缘图像分别输入改进后的resnet34网络和改进后的unet语义分割模型，改进后的resnet34网络中用深度dw卷积和gs卷积替换，减少了模型参数量和计算量，并加入ema注意力机制提升模型性能；在unet语义分割基准模型中加上残差连接和cbam注意力机制，得到改进后的unet语义分割模型。输入图像经过模型处理后，输出硅片的表面缺陷类型。硅片缺陷按照危害程度分为崩边、裂纹、划伤、脏污、浅线痕五种类型。对于微小缺陷经过后续工艺处理后恢复为良品的小缺陷硅片，进而降低硅片报废率，提高企业产能和效益。
1.一种硅片表面缺陷识别和分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种硅片表面缺陷识别和分类方法，其特征在于，所述划伤根据划伤深度不同分为浅划伤和深划伤，划伤的线条形状为笔直点画线或者间歇性淡纹的为浅划伤，划伤的线条形状为黑色笔直的为深划伤。
3.根据权利要求1所述的一种硅片表面缺陷识别和分类方法，其特征在于，在将硅片的正反面图像和硅片的边缘图像输入深度学习分类模型之前，还包括构建训练集，通过训练集对深度学习分类模型进行训练，其中训练集的获取包括：
4.根据权利要求3所述的一种硅片表面缺陷识别和分类方法，其特征在于，所述灰度处理通过二值化方法，具体包括以下步骤：
5.根据权利要求3所述的一种硅片表面缺陷识别和分类方法，其特征在于，所述从图像一中获取灰度值超出灰度阈值范围的多个缺陷样本，具体包括：
6.根据权利要求1所述的一种硅片表面缺陷识别和分类方法，其特征在于，所述resnet34基准网络包括34个卷积层组成，包括16个基本块，残差块由两个3×3卷积层和一个跳跃连接。
7.根据权利要求1所述的一种硅片表面缺陷识别和分类方法，其特征在于，所述改进后的unet语义分割模型将损失函数设置为dice+bce复合损失函数。
8.一种硅片表面缺陷识别和分类的系统，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器加载时，能够执行权利要求1至7任一项所述方法的步骤。
