CN118506128B 超算模型訓練及部署方法 （上海感圖網絡科技有限公司）

US2018164792A1,2018.06.14AVS系統對待確認缺陷圖像進行檢測驗證，獲得2基于AI上推指令獲取目標產線機臺對晶圓物料板在缺陷檢測過程基于新增的缺陷圖像訓練集執行AI模型訓練，根據下推指令將訓練后的A基于部署AI模型的智能視覺AVS系統對待確認缺陷圖像進行檢測驗證，獲得真缺陷圖確定AI模型的版本信息和模型訓練參數；所述模型訓練參數根據模型訓練參數篩選確定訓練的缺陷類型和對應的缺陷圖像數在所述標定數據集中設置映射標簽，基于所述映射標簽3本中不含目標缺陷類型或目標缺陷類型的缺陷圖像數量小于設定值時，獲取若干正常圖4型成本高昂和模型缺陷檢測精度不理想的問題。所述方法用于超算模型訓練及部署系統，[0005]基于AI上推指令獲取目標產線機臺對晶圓物料板在缺陷檢測過程上傳的缺陷樣[0008]基于部署AI模型的智能視覺AVS系統對待確認缺陷圖像進行檢測驗證，獲得真缺[0011]確定AI模型的版本信息和模型訓練參數；所述模型訓練參數至少包括模型召回5從其他邊緣終端節點的產線機臺獲取包含目標缺陷類型及目標數量[0029]當結果指示復判結果為帶有缺點的缺陷圖像時，指示部署目標AI模型的AVS系統6通常包含有至少一個中心節點110和多個邊緣節點120，中心節點110為該超算系統中負責[0041]中心節點110通過無線網絡或有線網絡與邊緣節點120建立通信連接。在本申請7[0042]圖2是本申請實施例提供的超算模型訓練及部署系統的結構示意圖，包括模型訓練中心節點220和若干與模型訓練中心節點220通信連接的終端邊緣節點210。正常運行的中心節點基于缺陷圖像和缺陷信息進行模型訓練和模型部署。每個終端邊緣節點210都包括數據服務器211和若干運行缺陷檢測模型的產線機臺212。產線機臺212基于缺陷檢測模型檢測晶圓物料板并采集缺陷圖像和確認缺陷信息；而數據服務器211則根據缺陷圖像和[0043]模型訓練中心節點220包括圖像標注服務器221和模型訓練服務器222，圖像標注[0044]如圖2的結構中，示例性的列出了一個終端邊緣節點210與模型訓練中心節點220檢測模型產生的缺陷圖像還需要分類處理。如圖2在終端邊緣節點還設置了分別與數據服服務器214則根據缺陷樣本ID緩存缺陷信息。這種結構化和非結構化數據分類存儲的方案于二者數據的關聯信息、缺陷樣本ID和缺陷樣本集合等數據信息則存放在數據服務器2118驟需要先確定當前的AI模型版本信息，然后再確定訓練的缺陷類型和對應的缺陷圖像數邊緣節點下產線機臺增設這一缺陷識別檢測功能時，就可以直接通過中心服務器下發指令時就需要主動執行缺陷圖片創建任務。例如通過缺陷圖像生成模型定向生成缺陷圖像，然后再對缺陷圖像進行手動標注。9和非結構化存檔服務器226。將歷史AI模型和關聯數據存放在非結構化存檔服務器226中，對于圖像驗證集，暫存缺陷樣本和生成缺陷圖像的素材圖像存放到結構化存檔服務器225[0060]步驟401，基于AI上推指令獲取目標產線機臺對晶圓物料板在缺陷檢測過程上傳[0064]圖5示出了該超算模型訓練及部署方法的算法示意圖，數據標注具體可以分為人目標產線機臺上傳的缺陷樣本中不含目標缺陷類型或目標缺陷類型的缺陷圖像數量小于[0066]步驟403基于新增的缺陷圖像訓練集執行AI模型訓練，根據下推指令將訓練后的AI模型保持模型的統一性。這種一致的部署保證了不同設備在運行時使用相同版本的模[0071]為保證訓練的模型精度，在訓練完成后即可根據上傳的[0072]步驟404，基于部署AI模型的智能視覺AVS系統對待確認[0073]智能視覺AVS系統是獨立于產線機臺的設備，其目的是為了對目標AI模型的性能進行優化，具體是借助外部其他缺陷檢測模型或外部機器識別的待確認缺陷圖像進行優時可以將用友商的缺陷檢測模型先運行，檢測晶圓物料板后得到一批待確認的缺陷圖像，別的所有真缺陷圖像進行復判。當復判結果指示待確認圖確定為帶有缺點的缺陷圖像時，[0078]本領域普通技術人員可以理解實現上述實施例的全部或部分步驟可以通過硬件