CN118506128B 超算模型训练及部署方法 （上海感图网络科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN118506128B(45)授权公告日2025.07.04

(21)申请号202410679539.8

(22)申请日2024.05.29

(65)同一申请的已公布的文献号申请公布号CN118506128A

(43)申请公布日2024.08.16

(73)专利权人上海感图网络科技有限公司

地址201100上海市闵行区宜山路1618号8

幢C102室

(72)发明人侯晓峰朱磊陈子健张弛

(74)专利代理机构无锡市汇诚永信专利代理事务所(普通合伙)32260

专利代理师葛莉华

(51)Int.CI.

GO6V10/774(2022.01)

GO6V10/764(2022.01)

GO6T7/00(2017.01)

GO6F8/60(2018.01)

GO6N20/00(2019.01)

(56)对比文件

CN112836724A,2021.05.25

US2018164792A1,2018.06.14审查员王彦君

权利要求书2页说明书8页附图4页

(54)发明名称

超算模型训练及部署方法

(57)摘要

CN118506128B本申请公开超算模型训练及部署方法，涉及模型训练领域；该方法基于AI上推指令获取目标产线机台上传的缺陷样本，缺陷样本包括产线机台从物料板上拍摄截取的缺陷图像和缺陷类型；根据模型训练指标对缺陷样本进行数据标注，加入到缺陷图像训练集中；基于新增的缺陷图像训练集执行模型训练，根据下推指令将训练后的AI模型部署到目标产线机台上；基于部署AI模型的AVS系统对待确认缺陷图像进行检测验证，获得真缺陷图像和假缺陷图像，并将复判筛选出目标缺陷图像加入缺陷图像训练集，用于模型迭代更新训练。该方案实现跨节点的数据缺陷共享和模型训练，提高模型训练和部署效率，通过引入真

CN118506128B

基于

基于AI上推指令获取目标产线机台对晶圆物料板在401缺陷检测过程上传的缺陷样本

根据模型训练指标对上传的缺陷样本进行数据标注加入到缺陷图像训练集中

基于新增的缺陷图像训练集执行AI模型训练，根据下推指令将训练后的AI模型部署到目标产线机台上

基于部署AI模型的AVS系统对待确认缺陷图像进行

检测验证，获得真缺陷图像和假缺陷图像，并将复

判筛选出目标缺陷图像加入缺陷图像训练集，用于

模型迭代更新训练

403

402

CN118506128B权利要求书1/2页

2

1.一种超算模型训练及部署方法，其特征在于，所述方法用于超算模型训练及部署系统，系统内包含有模型训练中心节点和若干终端边缘节点，每个边缘终端节点包含若干产线机台，所述方法包括：

基于AI上推指令获取目标产线机台对晶圆物料板在缺陷检测过程上传的缺陷样本，所述缺陷样本包括产线机台从物料板上拍摄截取的缺陷图像和缺陷类型；每个终端边缘节点存储有各个产线机台识别的缺陷样本，所述缺陷样本根据机台部署AI模型的类型分类；当所述模型训练中心节点接收到上推指令时，从对应的终端边缘节点获取目标缺陷样本；

根据模型训练指标对上传的所述缺陷样本进行数据标注，加入到缺陷图像训练集中；

基于新增的缺陷图像训练集执行AI模型训练，根据下推指令将训练后的AI模型部署到目标产线机台上；

基于部署AI模型的智能视觉AVS系统对待确认缺陷图像进行检测验证，获得真缺陷图像和假缺陷图像，并将复判筛选出目标缺陷图像加入缺陷图像训练集，用于模型迭代更新训练；所述待确认缺陷图像为其他检测模型从物料板上检测识别的图像；其中，当AVS系统执行真点复检模式时，对AVS系统识别的所有真缺陷图像进行复判；当复判结果指示待确认图确定为带有缺点的缺陷图像时，直接跳过；当结果指示复判结果为正常图像时，指示部署目标AI模型的AVS系统过杀识别，对错检的图像进行标记后，送入所述缺陷图像训练集；

当AVS系统执行假点复检模式时，对AVS系统识别的所有假缺陷图像进行复判；当复判结果指示待确认图确定为无缺点的正常图像时，直接跳过；当结果指示复判结果为带有缺点的缺陷图像时，指示部署目标AI模型的AVS系统漏检缺陷，对错检的图像进行标记后，送入所述缺陷图像训练集。

2.根据权利要求1所述的方法，其特征在于，所述根据模型训练指标对上传的所述缺陷样本进行数据标注，