(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 202211317148.9 (22)申请日 2022.10.26 (71)申请人 济宁九德半导体科技有限公司 地址 273299 山东省济宁市泗水县经济开 发区泉济路与圣诚路交汇处向南5 0米 (72)发明人 石坚　蔡亮　刘世伟　王涵　 吴修杰　李杰　 (74)专利代理 机构 济南文衡创服知识产权代理 事务所(普通 合伙) 37323 专利代理师 刘真 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于图像的半导体扩散纸源缺陷检测系统 及其方法 (57)摘要 本申请涉及智能检测领域， 其具体地 公开了 一种基于图像的半导体扩散纸源缺陷检测系统 及其方法， 其通过从待检测扩散纸源的检测图像 和参考图像中分别提取出检测特征图和参考特 征图， 进一步以所述参考特征图和所述检测特征 图之间在高维特征空间的特征差异作为用于判 断扩散纸源 是否存在缺陷的特征表 示， 提高对于 待检测扩散纸源是否存在缺陷的检测精准度。 权利要求书2页 说明书10页 附图6页 CN 115375691 A 2022.11.22 CN 115375691 A 1.一种基于 图像的半导体扩散纸源缺陷检测系统， 其特征在于， 包括： 图像采集模块， 用于获取待检测扩散纸源的检测图像和参考图像， 所述参考图像为没有缺陷的扩散纸源的 图像； 孪生网络模块， 用于将所述检测图像和所述参考图像通过包含第一卷积神经网络和 第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图， 所述第一卷积神经网 络和所述第二卷积神经网络具有相同的网络结构； 特征差异模块， 用于计算所述检测特征 图和所述参考特征图之间的差分特征图； 特征分布校正模块， 用于对所述差分特征图进行 特征分布校正以得到校正后差分特征图； 以及检测结果生成模块， 用于将所述校正后差分 特征图通过分类器 以得到分类结果， 所述分类结果用于表示待检测扩散纸源是否存在缺 陷。 2.根据权利要求1所述的基于图像的半导体扩散纸源缺陷检测系统， 其特征在于， 所述 孪生网络模块， 包括： 检测图像特征提取单元， 用于使用所述第一卷积神经网络的多层卷积 层对所述检测图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度检测特征 图； 第一空间注意力单元， 用于将所述深度检测特征图输入所述第一卷积神经网络的第一 空间注意力模块以得到第一空间注意力图； 以及检测特征图生成单元， 用于计算所述深度 检测特征图和所述第一空间注意力图的按位置点乘以得到所述检测特 征图。 3.根据权利要求2所述的基于图像的半导体扩散纸源缺陷检测系统， 其特征在于， 所述 孪生网络模块， 包括： 参考图像特征提取单元， 用于使用所述第二卷积神经网络的多层卷积 层对所述参考图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参考特征 图； 第二空间注意力单元， 用于将所述深度参考特征图输入所述第二卷积神经网络的第二 空间注意力模块以得到第二空间注意力图； 以及参考特征图生成单元， 用于计算所述深度 参考特征图和所述第二空间注意力图的按位置点乘以得到所述 参考特征图。 4.根据权利要求3所述的基于图像的半导体扩散纸源缺陷检测系统， 其特征在于， 所述 特征差异模块， 进一步用于： 以如下公式计算所述检测特征图和所述参考特征图之间的差 分特征图； 其中， 所述公式为： 其中， 表示所述检测特征图， 表示所述参考特征图， 表示所述差分特征图， 表示按位置 差分。 5.根据权利要求4所述的基于图像的半导体扩散纸源缺陷检测系统， 其特征在于， 所述 特征分布校正模块， 进一步用于： 以如下公式对所述差分特征图进行特征分布校正以得到 校正后差分特 征图； 其中， 所述公式为： 其中， 为差分特征图， 是所述差分特征图通过所述分类器进行预分类获得的概率 值。 6.根据权利要求5所述的基于图像的半导体扩散纸源缺陷检测系统， 其特征在于， 所述 检测结果生成模块， 包括： 特征图展开单元， 用于将所述校正后差 分特征图基于行向量 或列 向量展开为分类特征向量； 全连接编码单元， 用于使用所述分类器的多个全连接层对所述 分类特征向量进行全连接编码以得到编码分类特征向量； 以及分类单元， 用于将所述编码 分类特征向量通过所述分类 器的Softmax分类函数以得到所述分类结果。权　利　要　求　书 1/2 页 2 CN 115375691 A 27.一种基于图像的半导体扩散纸源缺陷检测方法， 其特征在于， 包括： 获取待检测扩散 纸源的检测图像和参考图像， 所述参考图像为没有缺陷的扩散纸源的图像； 将所述检测图 像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得 到检测特征图和参考特征图， 所述第一卷积神经网络和所述第二卷积神经网络具有相同的 网络结构； 计算所述检测特征图和所述参考特征图之间的差分特征图； 对所述差分特征图 进行特征分布校正以得到校正后差 分特征图； 以及将所述校正后差 分特征图通过分类器以 得到分类结果， 所述分类结果用于表示待检测扩散纸源是否存在缺陷。 8.根据权利要求7所述的基于图像的半导体扩散纸源缺陷检测方法， 其特征在于， 所述 计算所述检测特征图和所述参考特征图之间的差分特征图， 包括： 以如下公式计算所述检 测特征图和所述 参考特征图之间的差分特 征图； 其中， 所述公式为： 其中， 表示所述检测特征图， 表示所述参考特征图， 表示所述差分特征图， 表示按位置 差分。 9.根据权利要求8所述的基于图像的半导体扩散纸源缺陷检测方法， 其特征在于， 对所 述差分特征图进行特征分布校正以得到校正后差分特征图， 包括： 以如下公式对所述差分 特征图进行 特征分布校正以得到校正后差分特 征图； 其中， 所述公式为： 其中， 为差分特征图， 是所述差分特征图通过所述分类器进行预分类获得的概率 值。 10.根据权利要求9所述的基于图像的半导体扩散纸源缺陷检测方法， 其特征在于， 将 所述校正后差分特征图通过分类器以得到分类结果， 包括： 将所述校正后差分特征图基于 行向量或列向量展开为分类特征向量； 使用所述分类器的多个全连接层对 所述分类特征向 量进行全连接编码以得到编 码分类特征向量； 以及将所述编码分类特征向量通过所述分类 器的Softmax分类函数以得到所述分类结果。权　利　要　求　书 2/2 页 3 CN 115375691 A 3