1.一种基于轻量化目标检测模型的晶圆缺陷检测方法,其特征在于,包括以下步骤:
获取晶圆图像,对所述晶圆图像进行预处理,得到预处理后的晶圆图像;
构建基于改进的YOLOv8网络的晶圆缺陷检测模型并训练,得到经训练的晶圆缺陷检测模型,所述晶圆缺陷检测模型包括多分支跨层聚合特征提取网络、多分支跨层聚合特征金字塔网络和部分卷积检测头网络,所述多分支跨层聚合特征提取网络和所述多分支跨层聚合特征金字塔网络在YOLOv8网络的特征提取网络和具有特征金字塔网络的路径聚合网络的基础上将C2F模块替换为多分支跨层聚合模块,所述多分支跨层聚合模块包括依次连接的第一CBS层、维度拆分层、第一残差多分支层、第二CBS层、第二残差多分支层、第三CBS层、拼接层和第四CBS层,所述多分支跨层聚合模块的输入特征经过所述第一CBS层得到第一特征,所述维度拆分层将所述第一特征按通道对半分为第二特征和第三特征,所述第三特征经过所述第一残差多分支层和第二CBS层得到第四特征,所述第四特征经过所述第二残差多分支层和第三CBS层得到第五特征,所述第二特征、第三特征、第四特征和第五特征经过所述拼接层进行维度合并,得到所述多分支跨层聚合模块的输出特征;所述第一残差多分支层和第二残差多分支层均采用RMB结构,所述RMB结构采用结构重参数化技术,在不同阶段拥有不同的结构,在训练阶段,其计算过程如下:在推理阶段,其计算过程如下:
其中,CBS(•)表示CBS结构对应的函数,
将所述预处理后的晶圆图像输入到所述经训练的晶圆缺陷检测模型,得到缺陷检测结果。
2.根据权利要求1所述的基于轻量化目标检测模型的晶圆缺陷检测方法,其特征在于,所述第一CBS层、第二CBS层第三CBS层和第四CBS层均采用CBS结构,所述CBS结构包括依次连接的卷积核大小为3×3的卷积层、批归一化层和silu激活函数层。
3.根据权利要求1所述的基于轻量化目标检测模型的晶圆缺陷检测方法,其特征在于,所述Pconv模块用于对所述Pconv模块的输入特征在一部分的通道上执行卷积操作,在另一部分的通道上不做处理。
4.根据权利要求1所述的基于轻量化目标检测模型的晶圆缺陷检测方法,其特征在于,所述预处理的方式包括调整所述晶圆图像的大小、图像归一化、通道调整和图像填充。
5.一种基于轻量化目标检测模型的晶圆缺陷检测装置,其特征在于,包括:
图像获取模块,被配置为获取晶圆图像,对所述晶圆图像进行预处理,得到预处理后的晶圆图像;
模型构建模块,被配置为构建基于改进的YOLOv8网络的晶圆缺陷检测模型并训练,得到经训练的晶圆缺陷检测模型,所述晶圆缺陷检测模型包括多分支跨层聚合特征提取网络、多分支跨层聚合特征金字塔网络和部分卷积检测头网络,所述多分支跨层聚合特征提取网络和所述多分支跨层聚合特征金字塔网络在YOLOv8网络的特征提取网络和具有特征金字塔网络的路径聚合网络的基础上将C2F模块替换为多分支跨层聚合模块,所述多分支跨层聚合模块包括依次连接的第一CBS层、维度拆分层、第一残差多分支层、第二CBS层、第二残差多分支层、第三CBS层、拼接层和第四CBS层,所述多分支跨层聚合模块的输入特征经过所述第一CBS层得到第一特征,所述维度拆分层将所述第一特征按通道对半分为第二特征和第三特征,所述第三特征经过所述第一残差多分支层和第二CBS层得到第四特征,所述第四特征经过所述第二残差多分支层和第三CBS层得到第五特征,所述第二特征、第三特征、第四特征和第五特征经过所述拼接层进行维度合并,得到所述多分支跨层聚合模块的输出特征;所述第一残差多分支层和第二残差多分支层均采用RMB结构,所述RMB结构采用结构重参数化技术,在不同阶段拥有不同的结构,在训练阶段,其计算过程如下:在推理阶段,其计算过程如下:
其中,CBS(•)表示CBS结构对应的函数,
将所述预处理后的晶圆图像输入到所述经训练的晶圆缺陷检测模型,得到缺陷检测结果。
6.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
8.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。