申请/专利权人：中山大学

申请日：2021-09-27

公开（公告）日：2024-04-02

公开（公告）号：CN113792506B

主分类号：G06F30/28

分类号：G06F30/28;G06F30/27;G06F18/24;G06N3/0499;G06N3/084;G06F113/08;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.12.31#实质审查的生效;2021.12.14#公开

摘要：本发明公开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：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；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；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；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。通过使用本发明，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。本发明作为一种基于图像处理与机器学习的MOCVD腔内状态识别方法，可广泛应用于MOCVD状态识别领域。

主权项：1.基于图像处理与机器学习的MOCVD腔内状态识别方法，其特征在于，包括以下步骤：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；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；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；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；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：S21、对训练流线图进行消除无关信息的图像预处理，得到预处理后的图像；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；S23、对分割后图像进行特征提取，得到图像特征；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；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：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；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；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；P-ω稳定性图谱中，曲线下方为稳定流动状态区域，曲线上方为不稳定流动状态区域。

全文数据：

权利要求：

百度查询： 中山大学 基于图像处理与机器学习的MOCVD腔内状态识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD