摘要
随着我国国力的不断强大，制造业的能力也大幅度提升，芯片制造行业扮演了越来越重要的角色，集成电路芯片在不同领域得到广泛应用。然而随着制造工艺水平的逐年改善，以及人们对产品质量的高度关注，如何高效、准确地对产品的表面质量进行评定成为了芯片制造业生产水平提升的瓶颈。在以往的芯片缺陷质量检测中，多采用肉眼通过高倍显微镜对芯片表面进行检测，该检测方式非常依赖于检验人员的操作，由于人眼易疲劳以及检验人员的主观判断使其检测效率和可靠性难以保证。传统的人工检测方法，存在耗时长、劳动强度大和误检率高等缺点。随着集成电路芯片的制造规模不断扩大，传统的人工检测方法已无法适应生产的需求，基于机器视觉的表面检测技术逐渐成为了人工检测的替代方案。 本文的主要研究目的是对芯片质量缺陷进行识别分类。对于芯片质量缺陷检测算法核心模型的选择，综合考虑各种因素，选择使用生成对抗网络(Generative Adversarial Network，GAN)模型替代传统的机器学习模型。GAN是一种生成式模型，其最基本的应用就是建模真实的数据分布和生成样本数据，例如生成图像和视频等。同时基于GAN在内部使用对抗训练机制的特点，传统机器学习中所遇到的样本不足的问题得到了解决。 本文通过将深度学习模型与机器视觉系统相结合，提出了通过SSGAN和改进判别器带分类支路的CDCGAN对芯片质量缺陷进行检测与分类。实验结果表明，提出的基于GAN的芯片表面缺陷方法不仅生成的样本具有一定的辨识度，而且与卷积神经网络相比能够实现较高的分类精度。 本文针对现有生产过程中常见的芯片缺陷类型设计芯片表面缺陷检测系统，搭建了硬件系统搭建并对软件系统进行设计。硬件系统实现包含了相机，光源和镜头的选型，总体系统的建立满足生产现场需求，使芯片图像高质量采集。软件系统采用Java语言作为开发语言，MySQL作为数据库，系统实现用户管理，芯片缺陷图像管理和芯片缺陷图像识别等功能，建立操作友好功能齐全的芯片缺陷识别检测系统。
NETL