本发明涉及半导体制造，具体涉及基于peleenet与cnn的晶圆缺陷检测方法。
背景技术：
1、近年来，随着半导体行业的迅速发展，晶圆缺陷检测技术的重要性日益凸显。晶圆缺陷检测是确保芯片生产质量和提高生产良率的关键步骤。然而，晶圆表面可能存在多种复杂的缺陷类型，如中心缺陷、边缘缺陷和随机缺陷等，这些缺陷不仅种类繁多，且形态各异，给检测任务带来了巨大的挑战。
2、传统的晶圆待检测图像检测方法通常依赖于有经验的半导体工程师通过视觉识别来分析晶圆待检测图像缺陷的大小、形状和位置。然而，这种方法在面对大量数据时不仅耗时耗力，成本高昂，而且人工检测的准确率相对较低，在大规模数据集上尤其显得不足。此外，随着芯片尺寸的不断缩小，人工检测的难度也在增加。因此，行业内开始探索利用可用技术来降低成本并提高检测准确率。
3、随着硬件和算法的进步，浅层机器学习方法被广泛应用于晶圆缺陷检测领域。研究人员通过提取晶圆的radon特征和几何特征，再通过支持向量机(svm)进行分类，用于识别晶圆缺陷。虽然浅层机器学习在某些缺陷识别任务中取得了一定成果，但其局限在于特征提取的有效性较低，难以应对复杂多样的图像特征。随着深度学习技术的发展，研究者们开始探索将深度学习应用于晶圆图缺陷检测领域。深度学习模型通过自动学习数据中的特征，能够在大规模数据中识别和分类复杂的缺陷类型，提高了检测的自动化程度和准确性。
4、目前，基于深度学习的晶圆缺陷检测方法集中在卷积神经网络(cnn)上。这些方法通过提取图像的多层次特征，能够捕捉到晶圆表面缺陷的细节。然而，传统的cnn模型在处理具有复杂几何形态的晶圆缺陷时，仍然存在一定的局限性。具体而言，cnn模型在处理不同尺度的缺陷信息时，可能会丢失重要的空间特征。此外，由于晶圆图像中缺陷的分布通常是稀疏和不规则的，传统cnn模型在捕捉局部结构信息方面表现不足。为了克服这些挑战，近年来提出了许多改进方法，如多尺度特征提取和注意力机制。多尺度特征提取通过结合不同尺度的特征，有助于捕捉到缺陷的全局和局部信息。注意力机制则通过对重要特征进行加权，增强了模型对关键缺陷的敏感度。然而，这些方法在处理大规模晶圆数据时，仍然存在计算资源消耗大和训练时间长的问题。
5、上述方法在一定程度上解决了晶圆缺陷检测的问题，但是仍有许多不足。例如晶圆缺陷仍然存在着数据不平衡、不同类型晶圆图的特征信息在空间和位置上的分布差异大等问题，使用上述模型在不同类型晶圆图缺陷的识别效果会有差异，某些类型晶圆图缺陷模式的识别分类准确率仍偏低。因此，如何对不同类型晶圆图提取到准确的缺陷特征信息和进一步提高晶圆图整体识别分类准确率是本领域的研究重点。
技术实现思路
1、鉴于以上所述现有技术的缺点，本发明提供基于peleenet与cnn的晶圆缺陷检测方法。本发明基于dpse-wddn网络的缺陷检测，dpse-wddn网络包括缺陷检测与分类，通过结合peleenet与卷积神经网络(cnn)构建的双路径模型，有效提取并分析晶圆图像中的缺陷特征，适用于晶圆生产过程中的质量控制、生产线自动化检测以及晶圆再利用中的缺陷识别与分类。
2、为实现上述效果，本发明的技术方案如下：
3、本发明提供基于peleenet与cnn的晶圆缺陷检测方法，包括以下步骤：
4、步骤1：图像预处理：将输入的晶圆待检测图像，调整为三通道rgb图像，并对晶圆待检测图像进行中值滤波；
5、步骤2：构建dpse-wddn网络，使用dpse-wddn网络对晶圆待检测图像进行晶圆缺陷检测；所述dpse-wddn网络包括peleenet分支、conv-se分支和依次连接的第一全连接层、se注意力层、spatial-dropout层、最大池化层、flatten层、dense特征提取层、softmax层；所述peleenet分支、conv-se分支的输出端连接于第一全连接层的输入端；
6、所述peleenet分支包括依次连接的stem特征提取层、dense特征提取层、transition层以及平均池化层；所述conv-se分支包括依次连接的四个conv-se层；
7、步骤3：利用peleenet分支、conv-se分支分别对晶圆待检测图像进行特征提取，分别得到第四特征图和第五特征图，其中，peleenet分支进行包括：
8、步骤3.1：将经过预处理的晶圆待检测图像一次输入peleenet网络中的stem特征提取层，得到第一特征图；
9、步骤3.2：将第一特征图输入dense特征提取层进行特征提取，得到第二特征图；第二特征图输入到peleenet网络中的transition层进行过渡处理得到第三特征图；
10、所述步骤3.2中的dense特征提取层是一个三分支特征提取模块，包括conv层、最大池化层和concatenate层；
11、步骤3.3：对经过peleenet网络中的transition层的第三特征图进行平均池化，调整特征图大小，输出第四特征图；
12、所述conv-se层由依次连接的第一3x3conv层、relu激活函数层、归一化层bn、最大池化层、第二3x3conv层、归一化层bn、se注意力层构成；
13、将经过预处理的晶圆待检测图像输入依次连接的四个conv-se层进行特征提取，得到第五特征图；
14、步骤4：双路径特征融合：
15、步骤4.1：将peleenet分支输出得到的第四特征图和conv-se分支输出得到的第五特征图经过第一全连接层进行融合得到第六特征图；
16、步骤4.2：将第六特征图输入spatial-dropout层进行正则化，再将spatial-dropout层的输出输入到dpse-wddn网络的最大池化层得到第七特征图；
17、步骤4.3：将第七特征图输入flatten层进行展平得到的第八特征图，将第八特征图输入到dpse-wddn网络的dense特征提取层，得到的第九特征图，将第九特征图输入到dpse-wddn网络的softmax层进行分类，得到晶圆缺陷检测结果。
18、进一步的，步骤1还包括：
19、对晶圆待检测图像进行不平衡类别的数据增强，数据增强过程包括垂直或水平翻转图像，垂直或水平移动图像，以及旋转或缩放图像。
20、进一步的，所述步骤3.1中的stem特征提取层由conv层、最大池化层和concatenate层组成。
21、进一步的，所述步骤3.2中的transition层由归一化层bn、relu激活函数层、conv层以及平均池化层组成。
22、进一步的，所述conv-se层由依次连接的conv层、se注意力层、归一化层bn、最大池化层、conv层、归一化层bn构成。
23、进一步的，所述se注意力层包括第一支路与第二支路，第二子路包括依次连接的全局池化层、第二全连接层、relu激活函数、第三全连接层、sigmod函数。
24、进一步的，所述步骤4.2中spatial dropout层正则化过程如下：
25、设定丢弃特征图的概率为p，保留的概率是1-p，对于每个通道c(c＝1，2，…，c)，随机选择保留的通道；表示为生成一个二值掩码：
26、
27、其中，mc是掩码在第c个通道的值。
28、与现有技术相比，本发明技术方案的有益效果是：
29、(1)本发明采用了双路径结构，通过peleenet和卷积神经网络(cnn)两个路径分别提取多尺度的图像特征，使得模型在处理不同尺度和形状的晶圆缺陷时表现更佳，显著提高了缺陷检测的准确性。由于采用了双路径结构与注意力机制，本发明的模型具备良好的泛化能力，能够适应不同类型的晶圆缺陷检测任务，具有较强的实用价值。
30、(2)本发明集成了peleenet的轻量级架构，利用其密集连接结构和多通道特征融合技术，高效地提取和处理晶圆图像中的丰富特征，在降低计算复杂度的同时，确保了高质量的特征提取。
31、(3)通过引入se注意力层，本发明能够自适应地调整各特征通道的权重，使模型更关注关键缺陷信息，抑制无关特征，从而增强了特征的表示能力和检测性能。
1.基于peleenet与cnn的晶圆缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤1还包括：
3.根据权利要求1所述的方法，其特征在于，所述步骤3.1中的stem特征提取层由conv层、最大池化层和concatenate层组成。
4.根据权利要求3所述的方法，其特征在于，所述步骤3.2中的transition层由归一化层bn、relu激活函数层、conv层以及平均池化层组成。
5.根据权利要求3所述的方法，其特征在于，所述conv-se层由依次连接的conv层、se注意力层、归一化层bn、最大池化层、conv层、归一化层bn构成。
6.根据权利要求1所述的方法，其特征在于，所述se注意力层包括第一支路与第二支路，第二子路包括依次连接的全局池化层、第二全连接层、relu激活函数、第三全连接层、sigmod函数。
7.根据权利要求1所述的方法，其特征在于，所述步骤4.2中spatial dropout层正则化过程如下：
