买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉桂林电子科技大学;南宁桂电电子科技研究院有限公司申请的专利一种基于特征增强残差网络的混合类型晶圆图缺陷识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116645334B 。

龙图腾网通过国家知识产权局官网在2025-10-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310520048.4，技术领域涉及：G06T7/00；该发明授权一种基于特征增强残差网络的混合类型晶圆图缺陷识别方法是由陈寿宏;黄振涛;侯杏娜;汪韬;马峻;郭玲;陆颖;覃冠翔设计研发完成，并于2023-05-10向国家知识产权局提交的专利申请。

本一种基于特征增强残差网络的混合类型晶圆图缺陷识别方法在说明书摘要公布了：本发明提出一种新颖的特征增强残差网络，用于混合类型晶圆图缺陷识别分类。该方法包括，获取晶圆图缺陷数据集，并将晶圆图数据集设置为统一尺寸；然后将晶圆图数据集进行滤波，去除晶圆图上的噪声缺陷点；将晶圆图数据集划分为训练集和测试集；采用提出的特征增强残差网络作为主干网络构建识别模型，并用训练集对模型进行训练，使用测试集验证模型性能。经实验结果表明，本方法能够有效地识别晶圆图缺陷，提高了混合类型晶圆图缺陷识别的准确率和鲁棒性。

本发明授权一种基于特征增强残差网络的混合类型晶圆图缺陷识别方法在权利要求书中公布了：1.一种基于特征增强残差网络的晶圆图缺陷识别方法，其特征在于，该方法包括以下步骤： S1：获取晶圆图缺陷数据集，并使用双线性插值方法将晶圆图缺陷数据集尺寸设置为统一大小； S2：使用均值滤波方法对晶圆图缺陷数据集进行滤波，去除晶圆图上的噪声缺陷点； S3：将晶圆图缺陷数据集划分为训练集和测试集； S4：采用特征增强残差网络作为作干网络，采用交叉熵损失函数作为输出层的损失函数构建晶圆图缺陷识别的深度学习网络模型； S5：使用训练集对模型进行训练，使用测试集评估模型的性能； 所述步骤S4采用特征增强残差网络作为主干网络，采用交叉熵损失函数作为输出层的损失函数构建晶圆图缺陷识别的深度学习网络模型包括：使用Python设计搭建特征增强残差网络深度学习网络模型，并进行训练和测试，所述特征增强残差网络深度学习网络模型包括常规卷积层、池化层、特征增强残差模块，以及多个全连接层，其运算步骤依次为： S21：使用常规卷积接收输入的晶圆图并进行特征提取，包含两个卷积层和一个池化层，卷积层1采用11×11的卷积核和ReLU激活函数对输入训练集图像进行卷积和线性激活，然后经池化层池化后输出64×35×35的特征矩阵X1，X1输入到卷积层2，卷积层2采用3×3的卷积核和ReLU激活函数对X1进行卷积和线性激活，输出128×35×35的特征矩阵X2； S22：特征矩阵X2输入到特征增强残差模块进行特征提取，输出128×35×35的特征矩阵X3 S23：使用常规卷积接收输入的特征矩阵X3并进行特征提取，包含两个卷积层和一个池化层，卷积层3使用3×3的卷积核、ReLU激活函数和批归一化处理对输入特征矩阵X3进行卷积、线性激活和归一化处理，输出512×18×18的特征矩阵X4，X4输入到卷积层4，卷积层4采用3×3的卷积核、ReLU激活函数和批归一化处理对X4进行卷积、线性激活和归一化处理，然后经池化层池化后输出1024×1×1的特征矩阵X5； S24：特征矩阵X5输入到全连接层，全连接层神经元个数分别为1024、512、512、38，然后经过Softmax函数得到预测输出； 所述步骤S22特征矩阵X2输入到特征增强残差模块进行特征提取，其步骤依次为： S31：特征矩阵X2分别经过两个通道增强Ghost卷积块和两个可变形卷积残差块进行特征提取，通道增强Ghost卷积块的结构为Ghost卷积、ReLU激活函数和批归一化层，可变形卷积残差块的结构分别为1×1常规卷积、3×3可变形卷积、1×1常规卷积，特征矩阵X2经过第一个和第二个通道增强Ghost卷积块分别得到输出特征矩阵U1、U2，特征矩阵X2经过第一个和第二个可变形卷积残差块分别得到输出特征矩阵U3、U4； S32：特征矩阵U1和U2进行逐元素相加，得到融合的特征矩阵U12； S33：特征矩阵U3和U4进行逐元素相加，得到融合的特征矩阵U34； S34：特征矩阵U2和U3进行逐元素相加，得到融合的特征矩阵U23； S35：特征矩阵U23经过全局平均池化、全连接层、Sigmoid函数得到特征矩阵U23`； S36：特征矩阵U12与特征矩阵U23`进行相乘，得到特征增强的矩阵U12`； S37：特征矩阵U34与特征矩阵U23`进行相乘，得到特征增强的矩阵U34`； S38：特征矩阵U12`与特征矩阵U34`进行逐元素相加，并经过一个卷积核大小为1×1的卷积，得到步骤S22中的输出X3。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人桂林电子科技大学;南宁桂电电子科技研究院有限公司，其通讯地址为：541004 广西壮族自治区桂林市七星区金鸡路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。