公开(公告)号：CN119810063A

公开(公告)日：2025-04-11

申请号：CN202411886913.8

申请日：2024-12-20

Applicant: 无锡学院

Inventor： 迟荣华 ,  任杰 ,  吴腾 ,  李红旭 ,  张永宏 ,  常建华 ,  李晨

IPC: G06T7/00 ,  G06V10/44 ,  G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明提供一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法，首先，获取待检测晶圆图像并进行预处理；接着，构建并训练轻量化多尺度晶圆缺陷检测模型；所述轻量化多尺度晶圆缺陷检测模型包括：用于初次晶圆图像特征提取的轻量化Stem‑Dense特征提取模块、在初次晶圆图像特征提取的基础上进行多尺度特征提取，并与初次晶圆图像特征融合的多尺度特征提取融合模块、用于再次特征提取的CNN特征提取模块和缺陷分类模块；最后，将步骤S1进行预处理后的待检测晶圆图像输入至训练好的轻量化多尺度晶圆缺陷检测模型，进行晶圆缺陷检测。本发明提高了晶圆缺陷检测的效率和对晶圆缺陷类型分类的准确率。

公开(公告)号：CN119130925A

公开(公告)日：2024-12-13

申请号：CN202411135169.8

申请日：2024-08-19

Applicant: 无锡学院

Inventor： 李红旭 ,  任杰 ,  张永宏 ,  迟荣华 ,  常建华 ,  李晨

IPC: G06T7/00 ,  G06T7/90 ,  G06T5/70 ,  G06V10/774 ,  G06V10/82 ,  G06V10/764 ,  G06V10/52 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了基于PeleeNet与CNN的双路径缺陷检测方法，属于半导体制造领域，尤其涉及晶圆缺陷检测技术。该发明针对现有晶圆缺陷检测方法在处理复杂几何形态及多尺度缺陷信息时存在的精度不足、特征提取能力有限等问题，提出了一种结合PeleeNet分类网络、卷积神经网络(CNN)以及SE注意力层(SE Attention Mechanism)的双路径检测模型，称为DPSE‑WDDN网络。该方法通过双路径结构分别提取多尺度特征，并自适应调整特征通道权重，从而显著提高了晶圆缺陷检测的准确性和效率。本发明适用于半导体制造中的质量控制、生产线自动化检测以及晶圆供应链中的质量评估等场景。

公开(公告)号：CN118864947A

公开(公告)日：2024-10-29

申请号：CN202410881171.3

申请日：2024-07-01

Applicant: 无锡学院

Inventor： 李红旭 ,  张凌宸 ,  迟荣华 ,  卢益涛 ,  任杰

IPC: G06V10/764 ,  G06V20/64 ,  G06V10/26 ,  G06V10/44 ,  G06V10/82 ,  G06V10/771 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0499

Abstract: 本发明公开了一种基于COGCN网络的三维点云分类与分割方法，所述COGCN网络包括点云分类模型、点云分割模型；所述点云分类模型由依次连接的四层特征提取层、多层感知机MLP和融合池化层组成；所述点云分割模型由依次连接的空间变换网络、三层特征提取层、多层感知机MLP、最大池化层、全连接层组成；本发明利用CSEConv模块和Offset‑Attention模块相结合的方式，显著增强了点云数据的局部特征和上下文特征的提取能力。通过特征融合和多层感知机MLP的处理，有效捕捉了点云数据中的结构信息和语义信息，提高了分类与分割任务的精度。