基于图像处理与机器学习的MOCVD腔内状态识别方法与流程

基于图像处理与机器学习的mocvd腔内状态识别方法
技术领域
1.本发明属于是mocvd状态识别领域，尤其涉及一种基于图像处理与机器学习的mocvd腔内状态识别方法。


背景技术：

2.mocvd反应腔内的气体流动可分为多种状态，如不稳定流动可分为浮力流和旋转流，稳定流动可分为活塞流与活塞
‑
旋转过渡流等，各流动状态的流线形状的变化是连续的，没有明显的界线，而目前根据mocvd反应腔流线图进行流动状态判别主要依靠研究人员的经验，由于没有统一的判定标准，不同人员或者同一人员不同时间的判定可能会出现差异，并且在判定样本较多时会耗费大量的精力，导致效率与准确率下降。


技术实现要素：

3.为了解决上述技术问题，本发明的目的是提供一种基于图像处理与机器学习的mocvd腔内状态识别方法，分类标准更为统一，识别精度和效率更高。
4.本发明所采用的技术方案是：一种基于图像处理与机器学习的mocvd腔内状态识别方法，包括以下步骤：
5.s1、基于计算流体力学软件构建mocvd反应腔模型并生成训练流线图；
6.s2、对训练流线图进行图像处理并分类，得到流动状态分类结果；
7.s3、基于流动状态分类结果对bp神经网络进行训练，得到训练完成的bp神经网络；
8.s4、基于训练完成的bp神经网络计算临界稳定压强并绘制稳定性图谱。
9.进一步，所述基于计算流体力学软件构建mocvd反应腔模型并生成训练流线图这一步骤，其具体包括：
10.s11、基于计算流体力学软件构建mocvd反应腔模型；
11.s12、设定多组工艺参数，基于mocvd反应腔模型得到对应的流动状态，并生成训练流线图；
12.所述工艺参数包括压强、温度、转速和流量。
13.进一步，所述对训练流线图进行图像处理并分类，得到流动状态分类结果这一步骤，其具体包括：
14.s21、对训练流线图进行消除无关信息的图像预处理，得到预处理后图像；
15.s22、基于灰度阈值对预处理后图像进行图像分割，得到分割后图像；
16.s23、对分割后图像进行特征提取，得到图像特征；
17.s24、根据图像特征对训练流线图中对应的工艺参数进行分类，得到流动状态分类结果。
18.进一步，所述对训练流线图进行消除无关信息的图像预处理，得到预处理后的图像这一步骤，其具体包括：
19.对训练流线图进行灰度化处理；
20.对训练流线图进行几何变换处理，所述几何变换包括平移、转置、镜像、旋转和缩放；
21.对训练流线图进行图像增强处理；
22.得到预处理后的图像。
23.进一步，所述对分割后图像进行特征提取，得到图像特征这一步骤，其具体包括：
24.s231、对分割后图像进行特征提取，所述特征包括反应腔边缘与衬底之间的旋涡、衬底上方的旋涡和旋涡的规模；
25.s232、将特征表示为数值与向量的形式，得到图像特征。
26.进一步，所述流动状态包括活塞
‑
旋转过渡流、旋转流、浮力流和活塞流，所述根据图像特征对训练流线图中对应的工艺参数进行分类，得到流动状态分类结果这一步骤，其具体包括：
27.判断到反应腔边缘与衬底之间存在漩涡且漩涡的规模超过衬底边缘，流动状态分类为旋转流；
28.判断到反应腔边缘与衬底之间存在漩涡且漩涡的规模不超过衬底边缘，流动状态分类为旋转过渡流；
29.判断到反应腔边缘与衬底之间没有漩涡且衬底上方存在漩涡，流动状态分类为浮力流；
30.判断到反应腔边缘与衬底之间没有漩涡且衬底上方不存在漩涡，流动状态分类为活塞流。
31.进一步，所述基于流动状态分类结果对bp神经网络进行训练，得到训练完成的bp神经网络这一步骤，其具体包括：
32.以压强、温度、转速、流量四个工艺参数作为输入，对应的流动状态分类结果作为输出，训练bp神经网络，得到连续的变量空间上任意一点的输出结果和训练完成的bp神经网络。
33.进一步，所述基于训练完成的bp神经网络计算临界稳定压强并绘制稳定性图谱这一步骤，其具体包括：
34.s41、固定温度和流量，在转速的取值区间内取点并计算临界稳定压强；
35.s42、记录转速区间内每个点的临界稳定压强后描点连线，得到一条稳定性曲线；
36.s43、调节温度或流量并返回步骤s41直至达到预设循环次数，得到多工艺参数条件下的稳定性图谱。
37.本发明方法及系统的有益效果是：本发明首先在大范围工艺参数内进行模拟仿真得到流线图，然后依靠图像识别技术，对不同工艺条件下的气体流线图进行识别与分类，相较于人工分类标准更为统一，识别精度和效率更高，最后通过神经网络对分类结果进行学习，得到多工艺参数(压强、温度、转速、流量)下的稳定性曲线，可方便工程人员快速查找对应工艺参数的气体流动状态，从而实现更高质量的半导体材料外延生长。
附图说明
38.图1是本发明具体实施例的步骤流程图；
39.图2是本发明一种基于图像处理与机器学习的mocvd腔内状态识别方法的常规流
程图；
40.图3是本发明具体实施例旋转流的示意图；
41.图4是本发明具体实施例活塞
‑
旋转过渡流的示意图；
42.图5是本发明具体实施例浮力流的示意图；
43.图6是本发明具体实施例活塞流的示意图；
44.图7是本发明具体实施例在流量固定、不同温度情况下的p
‑
ω稳定性曲线示意图；
45.图8是本发明具体实施例在温度固定，不同流量情况下的p
‑
ω稳定性曲线示意图。
具体实施方式
46.下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
47.参照图1和图2，本发明提供了一种基于图像处理与机器学习的mocvd腔内状态识别方法，该方法包括以下步骤：
48.s1、基于计算流体力学软件构建mocvd反应腔模型并生成训练流线图；
49.s2、对训练流线图进行图像处理并分类，得到流动状态分类结果；
50.s3、基于流动状态分类结果对bp神经网络进行训练，得到训练完成的bp神经网络；
51.s4、基于训练完成的bp神经网络计算临界稳定压强并绘制稳定性图谱。
52.具体地，p
‑
ω稳定性图谱中，曲线下方为稳定流动状态(活塞流)区域，曲线上方为不稳定流动状态区域，其中左上方为浮力流状态区域，右上方为旋转流状态区域。曲线即表示临界稳定状态区域。
53.进一步作为本方法的优选实施例，所述基于计算流体力学软件构建mocvd反应腔模型并生成训练流线图这一步骤，其具体包括：
54.s11、基于计算流体力学软件构建mocvd反应腔模型；
55.s12、设定多组工艺参数，基于mocvd反应腔模型得到对应的流动状态，并生成训练流线图；
56.所述工艺参数包括压强、温度、转速和流量。
57.具体地，基于cfd软件进行仿真，在一定范围内设置多个工艺参数：压强分别设置为2torr、4torr、6torr、8torr、10torr，温度分别设置为500k、600k、700k、800k、900k、1000k，转速分别设置为500rpm、600rpm、700rpm、800rpm、900rpm、1000rpm,流量分别设置为1500sccm、1750sccm、2000sccm、2250sccm、2500sccm、2750sccm、3000sccm，并按照相同的图像参数(分辨率、图形角度、线宽等)生成流线图。
58.进一步作为本方法优选实施例，所述对训练流线图进行图像处理并分类，得到流动状态分类结果这一步骤，其具体包括：
59.s21、对训练流线图进行消除无关信息的图像预处理，得到预处理后图像；
60.具体地，预处理的目的是消除无关信息，恢复有用信息，并最大限度地简化数据。
61.s22、基于灰度阈值对预处理后图像进行图像分割，得到分割后图像；
62.具体地，图像分割是把图像分成一些互不重叠而又具有各自特征的子区域，每一区域内的像素集是连续的。这一环节中，将预处理后的图像基于灰度特征来计算一个或多
个灰度阈值，并将图像中每个像素的灰度值与阈值作比较，最后将像素根据比较结果分到合适的类别中。
63.s23、对分割后图像进行特征提取，得到图像特征；
64.s24、根据图像特征对训练流线图中对应的工艺参数进行分类，得到流动状态分类结果。
65.进一步作为本发明优选实施例，所述对训练流线图进行消除无关信息的图像预处理，得到预处理后的图像这一步骤，其具体包括：
66.对训练流线图进行灰度化处理；
67.具体地，灰度化，在rgb模型中，如果r＝g＝b，则彩色表示一种灰度颜色，r＝g＝b的值即灰度值，灰度图像每个像素只需一个字节存放灰度值，可大大减少所需处理的数据量。
68.对训练流线图进行几何变换处理，所述几何变换包括平移、转置、镜像、旋转和缩放；
69.具体地，几何变换，通过平移、转置、镜像、旋转、缩放等空间变换，改正图像采集的系统误差和随机误差。
70.对训练流线图进行图像增强处理；
71.具体地，增强图像中的有用信息，有目的地强调图像的整体或局部特性，增强流线图中流线的识别度尤其是反应腔边缘及衬底上方的旋涡的识别度，加强图像判读和识别效果。
72.得到预处理后的图像。
73.进一步作为本发明优选实施例，所述对分割后图像进行特征提取，得到图像特征这一步骤，其具体包括：
74.s231、对分割后图像进行特征提取，所述特征包括反应腔边缘与衬底之间的旋涡、衬底上方的旋涡和旋涡的规模；
75.s232、将特征表示为数值与向量的形式，得到图像特征。
76.进一步作为本发明优选实施例，所述流动状态包括活塞
‑
旋转过渡流、旋转流、浮力流和活塞流，所述根据图像特征对训练流线图中对应的工艺参数进行分类，得到流动状态分类结果这一步骤，其具体包括：
77.判断到反应腔边缘与衬底之间存在漩涡且漩涡的规模超过衬底边缘，流动状态分类为旋转流；
78.判断到反应腔边缘与衬底之间存在漩涡且漩涡的规模不超过衬底边缘，流动状态分类为旋转过渡流；
79.判断到反应腔边缘与衬底之间没有漩涡且衬底上方存在漩涡，流动状态分类为浮力流；
80.判断到反应腔边缘与衬底之间没有漩涡且衬底上方不存在漩涡，流动状态分类为活塞流。
81.具体地，图3是流动状态为旋转流的示意图，图4是流动状态为旋转过渡流的示意图，图5是流动状态为浮力流的示意图，图6是流动状态为活塞流的示意图。
82.进一步作为本发明优选实施例，所述基于流动状态分类结果对bp神经网络进行训
练，得到训练完成的bp神经网络这一步骤，其具体包括：
83.以压强、温度、转速、流量四个工艺参数作为输入，对应的流动状态分类结果作为输出，训练bp神经网络，得到连续的变量空间上任意一点的输出结果和训练完成的bp神经网络。
84.具体地，将上一节分类的结果代入bp神经网络进行机器学习，其中压强、温度、转速、流量四个工艺参数作为输入，对应的流动状态分类结果作为输出，通过有限个离散的变量的学习可得到连续的变量空间上任意一点的输出结果。
85.进一步作为本发明优选实施例，所述基于训练完成的bp神经网络计算临界稳定压强并绘制稳定性图谱这一步骤，其具体包括：
86.s41、固定温度和流量，在转速的取值区间内取点并计算临界稳定压强；
87.具体地，在转速的取值区间内将其划分为多个点，对于每个转速点再由小到大逐步调节压强，当对应的流动状态发生变化(即从稳定流动转变为不稳定流动)时，此时的压强即为临界稳定压强。
88.s42、记录转速区间内每个点的临界稳定压强后描点连线，得到一条稳定性曲线；
89.s43、调节温度或流量并返回步骤s41直至达到预设循环次数，得到多工艺参数条件下的稳定性图谱。
90.具体地，以转速为横坐标，压强为纵坐标，故又称p
‑
ω稳定性图谱，p
‑
ω稳定性图谱参照图7和图8，曲线下方表示稳定流动区域，曲线上方表示不稳定流动区域。
91.以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。