(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210424283.7 (22)申请日 2022.04.22 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 邓晓刚　周奉玄　刘晓月　肖林勃　 谭海燕　雷其昌　 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/77(2022.01) G06V 10/762(2022.01) G06K 9/62(2022.01) (54)发明名称 基于多块主成分分析网络的晶圆图缺陷检 测方法 (57)摘要 本发明涉及一种基于多块主成分分析网络 的晶圆图缺陷检测方法， 其步骤为： 首先对晶圆 图进行尺寸统一化和滤噪的预处理； 然后通过K 均值聚类技术将PCANet模型提取的高维晶圆图 特征分为不同的特征子块， 然后对每个特征子块 分别应用支持向量数据描述法建立监控子模型； 最后使用贝叶斯融合策略将不同子块的监控模 型融合为整体监控模型， 并根据整体监控模型进 行晶圆图缺陷的检测。 本发明能提取到晶圆图中 有助于缺陷检测的深层特征， 并使用分块策略降 低了特征差异性对晶圆图缺陷检测的影 响， 能够 有效地提高晶圆图缺陷检测的性能。 权利要求书4页 说明书11页 附图3页 CN 115423737 A 2022.12.02 CN 115423737 A 1.一种基于多块主成分 分析网络的 晶圆图缺陷检测方法， 含有以下步骤： (一)采集工业过程中的正常晶圆图样本作为训练数据集I， 并对训练数据集I中的晶圆 图样本进行预处理， 预处理过程包括图像的尺寸统一化和中值滤波， 经过预处理后的训练 数据集表示 为Ip； (二)使用预处理后的训练数据集Ip训练多块主成分分析网络(简称： PCANet)模型并提 取训练数据特征集F， 利用训练数据特征集F的均值mF和方差sF对训练数据特征集F进行标 准化处理， 经过标准化处理后的训练数据特征集表示为 然后使用K均值聚类算 法将标准 化的训练数据特 征集 分为k个特征子块 (三)对k个特征子块 中的每个特征子块 应用支持向量描 述(简称： SVDD)法建立基本的监控子模型， 并将标准化的训练数据特征集 投影到相应的 SVDD模型上计算监控变量Db(1≤b≤k)， 使用核密度估计方法根据 置信水平β 确定每个特征 子块的置信极限 然后使用贝叶斯融合策略构建整体统计量BD， 并使用核密度估计方法 根据置信水平β 计算整体 检测阈值BDlim； (四)采集包含正常晶圆图样本和缺陷晶圆图样本的测试数据集It， 并对测试数据集It 中的晶圆图样本进行预处理， 预处理过程包括图像的尺寸统一化和中值滤波， 经过预处理 后的测试 数据集表示 为 (五)使用训练好的PCANet模型提取预处理后的测试数据集 的晶圆图特征集Ft， 并利 用训练数据特征集F的均值mF和方差sF对测 试数据特征集Ft进行标准化处理， 经过标准化 处理后的测试 数据特征集表示 为 (六)将标准化的测试数据特征 投影到相应的SVDD模型上计算监控变量 并通过贝 叶斯融合策略计算测试样本的整体监控变量BDt， 将测试样本的整体监控变量BDt与检测阈 值BDlim进行比较， 如果BDt＞BDlim， 则表示测试样本是缺陷晶圆图， 否则是正常晶圆图。 2.如权利要求1所述的基于多块主成分分析网络的晶圆图缺陷检测方法， 其特征在于， 所述步骤(一)中， 对包含N张正常晶圆图样 本的训练数据集I＝[I1,I2,...,IN]进行预处理， 首先使用双三次插值算法对晶圆图进 行缩放处理， 将晶圆图的尺 寸统一化为(28， 28)， 然后 对经过尺寸统一化处理后的训练数据集使用(3， 3)的滤波核进行中值滤波处理， 经过预处 理后的训练数据集表示 为 3.如权利要求2所述的基于多块主成分分析网络的晶圆图缺陷检测方法， 其特征在于， 所述步骤(二)中， 首先通过预处理后的训练数据集Ip训练PCANet模型并提取训练数据特征 集F， 训练PCANet模型并提取特征主要包括第一阶段主成分分析、 第二阶段主成分分析、 二 进制哈希编码和块 直方图三个阶段， 具体步骤如下： (1)第一阶段主成分 分析 首先对训练数据集 中的晶圆图按照逐个像素进行大小为k1×k2的块 采样， 然后对 全部采样块进行级联 学习， 第 张晶圆图的表示 为： 权　利　要　求　书 1/4 页 2 CN 115423737 A 2其中， [k1/2]表示取整 运算； 然后对上述采 集到的块进行零 均值化处理， 处理后的晶圆图块表示 为： 同样的， 对训练数据集中的每张晶圆图都做相似的处 理， 经过处理后的训练集矩阵为： 假设第一层的PCA滤波器数量 为L1， 那么PCANet模型的第一层PCA滤波器表示如下： 其中， 表示将X映射到矩阵大小为k1×k2的矩阵 ql(XXT)表示XXT的第l个主 要特征向量； (2)第二阶段主成分 分析 第二阶段PCA与第一阶段PCA相似， 首 先对第一阶段PCA产生的映射输出进行计算： Ii与Wl1做卷积运算， 并且做卷积运算之前， 为了保证 映射结果与原始晶圆图的尺寸相 同， 使用零值填充图像的边界， 与第一阶段相似， 在第二阶段同样对输入矩阵(PCANet第一 阶段PCA的输出矩阵)进行块采样、 级联和零均值 化处理： 然后对每一个矩阵都做相似的处 理， 得到第二层输入矩阵的块采样形式： 同样的， 第二层PCA滤波器也由相应的主特征向量组成， 假设第二层的PCA滤波器数量 为L2， 则第二层PCA滤波器表示 为： 最终， 通过PCANet模型的前两个阶段， 每 个晶圆图都会产生 L1×L2个输出特征矩阵： (3)哈希编码和块 直方图 首先对第二阶段的输出矩阵进行二值处理， 处理后的输出矩阵数据只包含整数和零， 接着对这些输出矩阵再通过公式(1 1)进行二进制哈希编码： 其中H(·)是一个单位阶跃函数， 经过以上处理， 第 二阶段输出矩阵数据中的每个像素 值都被编码为 之间的整数， 第i张晶圆图共有 L1个输出 将每个输 出 划分为B个块， 然后对每 个块进行直方图统计再进行级联后得到的输出为：权　利　要　求　书 2/4 页 3 CN 115423737 A 3