(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 202211383066.4 (22)申请日 2022.11.07 (71)申请人 浙江大学杭州国际科创中心 地址 310000 浙江省杭州市萧 山区市心北 路99号5楼 (72)发明人 钟红生　皮孝东　杨德仁　王蓉　 李佳君　 (74)专利代理 机构 杭州五洲普华专利代理事务 所(特殊普通 合伙) 33260 专利代理师 姚宇吉 (51)Int.Cl. G06V 10/778(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/26(2022.01)G06T 7/00(2017.01) G06T 7/73(2017.01) G06T 3/40(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 用于识别碳化硅位错的模型训练方法、 识别 方法及装置 (57)摘要 本发明涉及碳化硅技术领域， 公开了一种用 于识别碳化硅位错的模型训练方法、 识别方法及 装置， 通过 获取背景干净且不同位错无重叠的第 一碳化硅位错图片样本进行标注， 再通过神经网 络模型进行训练得到第1代检测模型； 获取背景 干净且存在位错重叠交错的多张第二碳化硅位 错图片样本， 通过第1代检测模型进行检测后进 行标注， 再通过神经网络模型对 标注后的多张第 一碳化硅位错图片样本和第二碳化硅位错图片 样本进行训练， 得到第2代检测模型； 获取背景不 干净的多张第三碳化硅位错图片样 本， 根据上述 步骤得到第3代检测模型。 采用本发明在保证识 别准确率的条件下， 大大节省了时间和人工成 本， 并节约了30%以上的晶片加工成本， 进而降低 了检测成本 。 权利要求书2页 说明书9页 附图5页 CN 115424099 A 2022.12.02 CN 115424099 A 1.一种用于识别碳 化硅位错的神经网络模型训练方法， 其特 征在于， 包括以下步骤： 获取多张第一碳化硅位错图片样本， 其中， 所述第一碳化硅位错图片样本中的背景干 净且不同位错无重叠； 对每张第一碳化硅位错图片样本中的位错进行标注， 得到标注后的 多张第一碳化硅位错图片样本； 通过神经网络模型对标注后的多张第一碳化硅位错图片样 本进行训练， 得到第1代检测模型； 获取多张第二碳化硅位错图片样本， 其中， 所述第二碳化硅位错图片样本中的背景干 净且存在位错重叠交错； 通过所述第 1代检测模型对每张第二碳化硅位错图片样本中的位 错进行检测， 根据检测结果对位错进 行标注， 得到标注后的多张第二碳化硅位错图片样 本； 通过神经网络模型对标注后的多张第一碳化硅位错图片样本和标注后的多张第二碳化硅 位错图片样本进行训练， 得到第2 代检测模型； 获取多张第三碳化硅位错图片样本， 其中， 所述第三碳化硅位错图片样本中的背景不 干净； 通过所述第2代检测模型对每张第三碳化硅位错图片样本中的位错进行检测， 根据检 测结果对位错进行标注， 得到标注后的多张第三碳化硅位错图片样本； 通过神经网络模型 对标注后的多张第一碳化硅位错图片样本、 标注后的多张第二碳化硅位错图片样本、 标注 后的多张第三 碳化硅位错图片样本进行训练， 得到第3代检测模型。 2.根据权利要求1所述的用于识别碳化硅位错的神经网络模型训练方法， 其特征在于， 在得到第3代检测模型之后， 还包括： 获取多张第四碳化硅位错图片样本， 其中， 所述第四碳 化硅位错图片样品具有进一步导致位错识别错误的影响因素； 根据前述步骤， 继续进一步 训练得到第4代检测模型。 3.根据权利要求1所述的用于识别碳化硅位错的神经网络模型训练方法， 其特征在于， 分别获取多张第一碳化硅位错图片样本、 多张第二碳化硅位错图片样本、 多张第三碳化硅 位错图片样本的步骤具体包括： 获取多张碳化硅位错图片， 对每张碳化硅位错图片进行切割， 得到多张碳化硅位错图 片样本； 从多张碳化硅位错图片样本中分别选取多张第一碳化硅位错图片样本、 多张第二 碳化硅位错图片样本、 多张第三 碳化硅位错图片样本 。 4.根据权利要求1所述的用于识别碳化硅位错的神经网络模型训练方法， 其特征在于， 每张第一碳化硅位错图片样本、 每张第二碳化硅位错图片样本、 每张第三碳化硅位错图片 样本中的位错数量 都不超过10个； 第一碳化硅位错图片样本、 第二碳化硅位错图片样 本、 第 三碳化硅位错图片样本的数量范围都为20 0‑500张。 5.根据权利要求1所述的用于识别碳化硅位错的神经网络模型训练方法， 其特征在于， 对每张第一碳化硅位错图片样本中的位错进 行标注， 得到标注后的多张第一碳化硅位错图 片样本的步骤具体包括： 基于标注软件对多 张第一碳化硅位错图片样本 中的不同位错进行人工标注， 得到标注 后的多张第一 碳化硅位错图片样本 。 6.根据权利要求1所述的用于识别碳化硅位错的神经网络模型训练方法， 其特征在于， 对每张第一碳化硅位错图片样本中的位错进 行标注， 得到标注后的多张第一碳化硅位错图 片样本的步骤具体包括： 基于标注软件对多 张第一碳化硅位错图片样本 中的不同位错进行人工标注， 再通过神 经网络模 型对人工标注后的第一碳化硅位错图片样本进 行训练， 得到第0代模型； 使用所述权　利　要　求　书 1/2 页 2 CN 115424099 A 2第0代模型对多张第一碳化硅位错图片样本逐张进行检测， 得到每张第一碳化硅位错图片 样本中的位错类型和坐标位置； 根据检测出来的多张第一碳化硅位错图片样本中的位错类 型和坐标位置， 通过标注软件对多张第一碳化硅位错图片样本中的不同位错进行自动标注 并通过人工标注进行辅助调整， 得到标注后的多张第一 碳化硅位错图片样本 。 7.根据权利要求1所述的用于识别碳化硅位错的神经网络模型训练方法， 其特征在于， 通过所述第 1代检测模型对每张第二碳化硅位错图片样本中的位错进行检测， 根据检测结 果对位错进行标注， 得到标注后的多张第二 碳化硅位错图片样本的步骤具体包括： 使用所述第1代模型对多张第二碳化硅位错图片样本进行检测， 得到每张第二碳化硅 位错图片样本中的位 错类型和坐标位置； 根据检测出来的多 张第二碳化硅位错图片样本 中不同位错的位错类型和坐标位置， 通 过标注软件对多张第二碳化硅位错图片样本中的不同位错进行自动标注并通过人工标注 进行辅助调整， 得到标注后的多张第二 碳化硅位错图片样本 。 8.一种基于权利要求1 ‑7任一项所述的用于识别碳化硅位错的神经网络模型训练方法 的碳化硅晶片图像位 错识别方法， 其特 征在于， 包括以下步骤： 获取所述第3代检测模型和基于碳化硅晶片拍摄得到的多张碳化硅位错图片， 通过所 述第3代检测模型对多张碳化硅位错图片进行检测， 得到每张碳化硅位错图片 中的位错类 型和坐标位置； 根据检测出来的多 张碳化硅位错图片中不同位错的位错类型和坐标位置， 通过标注软 件对多张碳化硅位错图片样本中的不同位错进行自动标注并通过人工标注进 行辅助调整， 得到标注后的多张碳 化硅位错图片； 将标注后的多张碳化硅位错图片按照坐标进行拼接， 得到包含标注的碳化硅晶片图 像。 9.根据权利要求8所述的碳化硅晶片图像位错识别方法， 其特征在于， 将标注后的多张 碳化硅位错图片按照坐标进行拼接的步骤具体包括： 当多张碳化硅位错图片为步进电机经过X1列Y1行的扫描后得到， 设置每张碳化硅位错 图片在X方向和Y方向的长、 宽 之比为Y1： X1， 再将处理后的每张碳化硅位错图片按照坐标进 行拼接， 使得拍摄得到的碳化硅图片在拼接后， 形成的碳化硅晶片图像在XY方向的长宽一 致。 10.一种基于权利要求1 ‑7任一项所述的用于识别碳化硅位错的神经网络模型训练方 法的碳化硅晶片图像位 错识别装置， 其特 征在于， 包括以下模块： 获取模块， 获取所述第3代检测模型和基于碳化硅晶片拍摄得到的多张碳化硅位错图 片， 通过所述第3代检测模型对多张碳化硅位错图片进 行检测， 得到每张碳化硅位错图片中 的位错类型和坐标位置； 标注模块， 根据检测出来的多张碳化硅位错图片中不同位错的位错类型和坐标位置， 通过标注软件对多张碳化硅位错图片样本中的不同位错进行自动标注并通过人工标注进 行辅助调整， 得到标注后的多张碳 化硅位错图片； 拼接模块， 将标注后的多张碳化硅位错图片进行拼接， 得到包含标注的碳化硅晶片图 像。权　利　要　求　书 2/2 页 3 CN 115424099 A 3