基于计算机视觉的芯片缺陷检测方法研究

作     者：李亚航 

作者单位：河北科技大学 

学位级别：硕士

导师姓名：王书海;孙祎

授予年度：2022年

学科分类：080903[工学-微电子学与固体电子学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：芯片缺陷检测 计算机视觉 R3Det ResNet18 图像处理 YOLOv3 

摘      要：半导体芯片的制造工艺复杂且工序繁多,在生产制造的各个环节中都可能会出现缺陷。目前传统的人工缺陷检测效率低、费时费力,因此如何对半导体芯片的缺陷进行有效识别检测,提高检测效率已成为当前制造业的研究热点之一。本文采用计算机视觉的方法分别对半导体芯片的内部空洞缺陷和表面缺陷进行了检测。在内部空洞缺陷检测中,针对X射线获取的芯片内部图像存在背景因素干扰、空洞缺陷占比小和对比度低的问题,提出了一种先提取空洞缺陷所在的中心目标区域,再对中心目标区域进行空洞缺陷检测的方法。首先对中心目标区域进行提取,针对芯片中心目标区域可能发生旋转的情况,选用能够检测旋转目标的R3Det网络模型。该模型可准确计算芯片中心目标区域的边界框,去除多余背景信息带来的干扰。使用ResNet18网络模型对三种芯片进行分类,为接下来阈值分割提供依据。然后对提取出来的中心目标区域进行去噪和指数变换等图像处理操作,增强空洞缺陷的对比度,为后续空洞缺陷分割奠定基础。最后在阈值分割过程中,依据不同芯片类型设定不同阈值进行空洞缺陷分割。该方法有效实现了三种不同类型芯片内部空洞缺陷的检测,一定程度上减少了背景影响和模型的重新设计。在表面缺陷检测中,为了减少预处理和人为因素的影响,采用深度学习的方法,利用YOLOv3网络模型对芯片的表面缺陷进行检测。为提升对芯片表面缺陷的检测精度,在YOLOv3网络结构中加入注意力模块来提高模型选择表面缺陷目标关键信息的能力;同时加入空间金字塔模块利用同一卷积层的不同尺度特征获得更多的信息。实验结果表明改进后的YOLOv3网络缺陷检测精度提高了1.58%。