一种基于深度学习的覆膜微结构深度参数智能测量方法

本发明涉及微结构光学测量与信号处理，特别是涉及一种基于深度学习的覆膜微结构深度参数智能测量方法。

背景技术：

1、随着工业技术与信息化技术的快速发展，航空航天、微电子、半导体等领域对高性能微结构器件的需求日益增长。微纳结构由于具有复杂的几何形貌及特殊的光学、电学特性，被广泛应用于半导体芯片制造、微机电系统、先进光学器件以及新型功能材料等领域。微结构的深度、线宽、周期、薄膜厚度等关键参数对器件性能具有重要影响，因此需要通过高精度检测手段对其结构参数进行准确表征与分析。

2、目前，微纳结构主流的量测方法包括非光学量测技术与光学量测技术。非光学量测技术如扫描电子显微镜测量，存在对样品产生潜在损伤、难以触及到底部等局限，无法满足工艺过程的在线测量需求。而光学量测技术因其具有快速、无损、实时等特点，可有效规避上述问题，是当前微结构测量的主流方法。现有光学量测方法通过对反射、透射、干涉、散射或椭偏等光谱信号进行分析，实现对微结构参数的反演与测量。然而，由于微结构参数与光谱信号之间通常存在复杂的非线性关系，同时实际测量过程中还容易受到噪声干扰、频谱特征混叠以及多参数耦合等因素影响，传统基于经验公式、解析模型或固定频带划分的方法难以准确提取与结构参数相关的关键特征信息，容易导致预测精度不足、稳定性较差以及泛化能力有限等问题。

3、在现有技术中，深度学习方法在复杂非线性关系建模与特征提取方面展现出良好的性能，为微结构参数预测与智能分析提供了新的技术途径。通过构建光谱信号与目标参数之间的映射关系，能够实现对关键参数的智能预测，提高复杂微结构测量过程中的准确性与鲁棒性。

4、因此，如何基于深度学习以实现光谱信号与目标参数之间映射关系的准确建立，提高参数预测的精度、稳定性与泛化能力，成为本领域技术人员亟需解决的技术问题。

技术实现思路

1、本发明的目的是提供一种基于深度学习的覆膜微结构深度参数智能测量方法，旨在解决或改善上述技术问题中的至少之一。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于深度学习的覆膜微结构深度参数智能测量方法，包括：

4、获取覆膜微结构的光谱信号样本，进行预处理后，提取频带分界点作为目标参数，构建输入-输出样本对，并划分为训练集和测试集；

5、构建深度学习模型；将输入特征，通过多尺度特征提取模块，进行多尺度并行特征提取；通过尺度加权融合模块，将多尺度特征进行拼接，并进行自适应加权融合；通过主干网络对加权融合特征进行深层特征图提取，并进行回归预测微结构的目标参数；通过输出头输出预测值；

6、利用训练集和测试集进行训练和测试，建立光谱信号与目标参数之间的映射关系，得到最终的深度学习模型；

7、将待测光谱信号输入最终的深度学习模型，得到微结构目标参数的预测结果。

8、进一步的，提取频带分界点，包括：

9、对光谱信号进行一阶导数计算，并根据一阶导数曲线的极值点确定频带分界点。

10、进一步的，多尺度特征提取模块中每个分支输出特征图的表达式为：

11、

12、式中，为第i个分支输出的特征图；为线性整流激活函数，；为批归一化操作；和为第i个分支的卷积核权重和偏置项；为二维卷积运算；为输入的光谱信号。

13、进一步的，多尺度特征提取模块中各分支的卷积核分别为、和。

14、进一步的，尺度加权融合模块的整体处理流程，表达式为：

15、

16、

17、式中，为加权融合特征；为线性整流激活函数；为卷积核权重；为拼接特征图；为偏置项；为沿通道维度的拼接操作；为多尺度特征提取模块输出的特征图。

18、进一步的，主干网络，包括：

19、根据加权融合特征，通过卷积层、最大池化层、批归一化层以及非线性激活层，提取深层特征图，表达式为：

20、

21、

22、式中，为中间特征图；为非线性激活函数；为批归一化操作；为卷积核大小为、输出通道数为64的二维卷积操作；为池化核大小为的最大池化操作；为加权融合特征；为深层特征图；为卷积核大小为、输出通道数为128的二维卷积操作；

23、根据深层特征图，通过全局平均池化层、全连接层、批归一化层、非线性激活层和正则化层后，通过一维全连接层生成最终的预测值，表达式为：

24、

25、式中，为最终输出的预测值；为一维全连接层，输出维度为1的特征；为深层特征图；为正则化操作；为dropout层的丢弃概率；为具体的丢弃比例数值；为64维全连接层；为全局平均池化。

26、根据本发明提供的具体实施例，本发明公开了以下技术效果：

27、本发明公开了一种基于深度学习的覆膜微结构深度参数智能测量方法，所述方法通过引入关键特征参量对光谱变化规律进行表征，建立了光谱特征与微结构参数之间的联系，提高了参数预测的合理性与可靠性；

28、通过深度学习方法建立光谱信号与目标参数之间的非线性映射关系，实现了参数预测与特征分析的自动化，降低了对人工经验及传统解析模型的依赖；

29、通过多尺度卷积结构与尺度加权融合机制，实现不同感受野特征的有效提取与融合，提高了特征表达能力；

30、通过轻量化网络结构设计，在保证模型表达能力的同时降低计算复杂度，提高了模型的工程适用性。

1.一种基于深度学习的覆膜微结构深度参数智能测量方法，其特征在于，包括：

2.根据权利要求1所述的一种基于深度学习的覆膜微结构深度参数智能测量方法，其特征在于，所述提取频带分界点，包括：

3.根据权利要求1所述的一种基于深度学习的覆膜微结构深度参数智能测量方法，其特征在于，所述多尺度特征提取模块中每个分支输出特征图的表达式为：

4.根据权利要求3所述的一种基于深度学习的覆膜微结构深度参数智能测量方法，其特征在于，所述多尺度特征提取模块中各分支的卷积核分别为、和。

5.根据权利要求1所述的一种基于深度学习的覆膜微结构深度参数智能测量方法，其特征在于，所述尺度加权融合模块的整体处理流程，表达式为：

6.根据权利要求1所述的一种基于深度学习的覆膜微结构深度参数智能测量方法，其特征在于，所述主干网络，包括：