CN103278511A - 基于多尺度角点特征提取的晶片缺陷检测方法 - Google Patents
基于多尺度角点特征提取的晶片缺陷检测方法 Download PDFInfo
- Publication number
- CN103278511A CN103278511A CN2013101865790A CN201310186579A CN103278511A CN 103278511 A CN103278511 A CN 103278511A CN 2013101865790 A CN2013101865790 A CN 2013101865790A CN 201310186579 A CN201310186579 A CN 201310186579A CN 103278511 A CN103278511 A CN 103278511A
- Authority
- CN
- China
- Prior art keywords
- yardstick
- angle point
- harris
- wafer
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明公开了基于多尺度角点特征提取的晶片缺陷检测方法,属于晶片缺陷检测的技术领域。本发明通过寻找各层尺度空间中相同图像区域内响应最大的角点作为神经网络的训练特征向量,进而判定晶片缺陷,避免了对环境光线变化敏感的问题,实现了对晶片缺陷的有效分类,具有高稳定性、高检测效率、低敏感度的有益效果。
Description
技术领域
本发明公开了基于多尺度角点特征提取的晶片缺陷检测方法,属于晶片缺陷检测的技术领域。
背景技术
晶片制造包括制造和封装两大部分。制造工序包括芯片扩散、快速热处理、硅片处理等过程,封装工序包括芯片质量检测、封装等过程。封装工序中对芯片质量的检测的一种解决方案是通过图像处理技术确定晶片缺陷,并进一步追踪产生的原因,进而改善生产流程,提高产品良率。申请号为“98115227。9”的中国专利申请中提到,在半导体制造工艺中,多采用自动光学检测方法检测晶片缺陷。光学检测领域已经发展产生了若干种基于图像处理的晶片缺陷检测方法,Mital在《ProceedingsIECON’91》(《IEEE工业电子1991年年会论文集》)(3(28),pp。2497-2503)上撰文“Computer based wafer inspection system”(“基于计算机的晶片自动检测系统”)提出一种几何形状知识数据库的晶片模式自动检测系统。Zhang在《Computers in Industry》(《计算机工业应用》)(1999,30,pp。51-60)上撰文“The development of an automatic post-sawing inspection systemusing computer vision techniques”(“基于机器视觉技术的自动快速扫描系统开发”)开发出一种基于图像处理技术的自动快速扫描检查过程。Su在《IEEETransactionson on Semiconductor Manufacturing》(《IEEE半导体制造会刊》)(2002,15,(2),pp。260-266)上撰文“A neural-network approach forsemiconductor wafer post-sawing inspection”(“半导体晶片的神经网络检测方法研究”)使用前向反馈神经网络模型、RBF径向基核神经网络模型、LVQ(LearningVector Quantization,学习矢量化)神经网络模型在经过图像处理得到的同样的特征上实现晶片快速检测和检测性能比较。但是,现有的缺陷检测中常用的特征提取方法基于灰度值统计方法,这种方法主要通过同理想芯片的比较实现缺陷检测,对光线和芯片材质的变化较为敏感,检测结果很容易受到环境条件的影响。
发明内容
本发明所要解决的技术问题是针对上述背景技术的不足,提出了一种基于多尺度角点特征提取的晶片缺陷检测方法。
本发明为实现上述发明目的采用如下技术方案:
基于多尺度角点特征提取的晶片缺陷检测方法,包括如下步骤:
步骤1,拍摄晶片图像;
步骤2,在多尺度空间下提取晶片图像的Harris角点,具体实施方式如下:
步骤2-1,在当前尺度下做Harris角点检测;
步骤2-2,计算当前尺度下的提取的各Harris角点所对应的尺度评价参数;
步骤2-3,比较当前尺度与最大尺度值:
在当前尺度等于最大尺度值时,按照响应值降序排列提取的所有Harris角点并提取前n个角点的坐标,n为正整数,进入步骤2-4;
否则,尺度的取值加1,返回步骤2-1;
步骤2-4,通过比较最大尺度和所有尺度层级下相同图像区域内的Harris角点所对应的尺度评价参数筛选角点;
步骤2-5,比较当前尺度与最小尺度值:
在当前尺度等于最小尺度值时,进入步骤3;否则,尺度的取值减1,返回步骤2-4;
步骤3,用步骤2所提取的不同尺度空间下的各Harris角点作为输入变量训练神经网络,得到晶片缺陷。
所述基于多尺度角点特征提取的晶片缺陷检测方法中,步骤2-4利用如下方法筛选角点:
步骤A,提取最大尺度值Smax层上的角点坐标在尺度空间Sj下提取周围d*d区域范围内的所有Harris角点其中,Smin<Sj<Smax,尺度最小值Smin、尺度最大值Smax均为正整数,d为经验参数;
所述基于多尺度角点特征提取的晶片缺陷检测方法,步骤2中所述提取的各Harris角点坐标所对应的尺度评价参数利用如下表达式计算:
其中,为在尺度空间Sj下提取的角点对应的尺度评价参数,r、k为经验参数,M为Harris角点检测响应函数的系数矩阵,det(M)为Harris角点检测响应函数的系数矩阵的行列式,trace(M)为Harris角点检测响应函数的系数矩阵主对角线元素之和。
所述基于多尺度角点特征提取的晶片缺陷检测方法中,尺度空间Sj的表达式为:Sj=2j,j的初始取值为1。
本发明采用上述技术方案,具有以下有益效果:抑制晶片缺陷检测对环境光线变化敏感的问题,并实现了对晶片缺陷的有效分类,具有高稳定性、高检测效率、低敏感度的有益效果。
附图说明
图1是本发明的检测流程示意图。
图2是4*4角点样图。
图3是4*4角点在不同尺度空间下的角点响应结果。
图4是8*8角点样图。
图5是8*8角点在不同尺度空间下的角点响应结果。
图6是16*16角点样图。
图7是16*16角点在不同尺度空间下的角点响应结果。
具体实施方式
下面结合附图对发明的技术方案进行详细说明:
在Harris角点检测中,使用的高斯函数h(x,y),高斯核的数学表达式为:
将式(2)带入式(1),由高斯函数和尺度空间的特性可知,对式(1)求空间导数可以得到:
式(3)表示对函数L(Sj)中的变量x求m阶偏导;m为正整数。
将式(3)代入到式(1)中,可以得到Harris角点检测响应函数的系数矩阵M的表达式为:
其中,第j层尺度Sj:Sj=2j;r为一经验参数,一般取值范围在0。6-0。8之间;k为经验参数,取值为。0。04。
基于多尺度角点特征提取的晶片缺陷检测方法如图1所示,包括如下步骤:
步骤1,拍摄晶片图像;
步骤2,在多尺度空间下提取晶片图像的Harris角点,具体实施方式如下:
步骤2-1,在第j层尺度Sj下做Harris角点检测和降序排列,Smin<Sj<Smax,最小尺度值Smin、最大尺度值Smax均为经验参数,其中,Sj=2j,j的初始取值为1.
步骤2-2,利用如下表达式计算第j层尺度Sj下的提取的各Harris角点所对应的尺度评价参数
其中,r、k为经验参数,M为Harris角点检测响应函数的系数矩阵,det(M)为Harris角点检测响应函数的系数矩阵的行列式,trace(M)为Harris角点检测响应函数的系数矩阵主对角线元素之和;
步骤2-3,比较第j层尺度Sj与最大尺度值Smax:
步骤2-4,利用如下方法筛选角点:
步骤2-5,比较第j层尺度Sj与最小尺度值Smin:
当第j层尺度Sj等于最小尺度值Smin时,进入步骤3;否则,j的取值减1,返回步骤2-4;
步骤3,用步骤2所提取的不同尺度空间下的各Harris角点作为输入变量训练神经网络,得到晶片缺陷。
提取的4*4角点如图2所示,4*4角点在不同尺度空间下的角点响应结果如图3所示,提取的8*8角点如图4所示,8*8角点在不同尺度空间下的角点响应结果如图5所示,提取的16*16角点如图6所示,16*16角点在不同尺度空间下的角点响应结果如图7所示。从图中可以看出,每个角点在不同尺度空间下的角点响应值是不一样的,4*4的角点在22尺度空间下得到最大角点响应值。16*16的角点在24尺度空间下得到最大角点响应值。可见,所提取的角点在一层尺度空间下的响应最大。
使用BP神经网络模型完成对芯片缺陷的检测和分类,芯片缺陷主要包括电极缺失,电极缺损,电极划痕,电极脏污,发光层刮伤,残金,颜色不同,划裂缺损等。利用本发明所述的基于多尺度角点特征提取的晶片缺陷检测方法比灰度值统计方法得到的特征向量训练神经网络判别晶片缺点的准确率高;本发明的检测方法的精确度随着尺度空间层数的增加而提高,但每张晶片的运算时间也随之增加,因此尺度的最大值、尺度最小值根据检测精度要求选择为宜。
综上所示,本发明通过寻找各层尺度空间相同图像区域内响应最大的角点作为神经网络的训练特征向量,进而判定晶片缺陷,避免了对环境光线变化敏感的问题,实现了对晶片缺陷的有效分类,具有高稳定性、高检测效率、低敏感度的有益效果。
Claims (4)
1.基于多尺度角点特征提取的晶片缺陷检测方法,其特征在于,包括如下步骤:
步骤1,拍摄晶片图像;
步骤2,在多尺度空间下提取晶片图像的Harris角点,具体实施方式如下:
步骤2-1,在当前尺度下做Harris角点检测;
步骤2-2,计算当前尺度下的提取的各Harris角点所对应的尺度评价参数;
步骤2-3,比较当前尺度与最大尺度值:
在当前尺度等于最大尺度值时,按照响应值降序排列提取的所有Harris角点并提取前n个角点的坐标,n为正整数,进入步骤2-4;
否则,尺度的取值加1,返回步骤2-1;
步骤2-4,通过比较最大尺度和所有尺度层级下相同图像区域内的Harris角点所对应的尺度评价参数筛选角点;
步骤2-5,比较当前尺度与最小尺度值:
在当前尺度等于最小尺度值时,进入步骤3;否则,尺度的取值减1,返回步骤2-4;
步骤3,用步骤2所提取的不同尺度空间下的各Harris角点作为输入变量训练神经网络,得到晶片缺陷。
4.根据权利要求2或3所述的基于多尺度角点特征提取的晶片缺陷检测方法,其特征在于,所述尺度空间Sj的表达式为:Sj=2j,j的初始取值为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310186579.0A CN103278511B (zh) | 2013-05-17 | 2013-05-17 | 基于多尺度角点特征提取的晶片缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310186579.0A CN103278511B (zh) | 2013-05-17 | 2013-05-17 | 基于多尺度角点特征提取的晶片缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103278511A true CN103278511A (zh) | 2013-09-04 |
CN103278511B CN103278511B (zh) | 2015-04-29 |
Family
ID=49061092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310186579.0A Expired - Fee Related CN103278511B (zh) | 2013-05-17 | 2013-05-17 | 基于多尺度角点特征提取的晶片缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103278511B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104064645A (zh) * | 2014-07-03 | 2014-09-24 | 厦门市三安光电科技有限公司 | 一种提升led抗静电能力与亮度的制备方法 |
CN107153072A (zh) * | 2017-06-21 | 2017-09-12 | 苏州卡睿知光电科技有限公司 | 一种镜片疵病检测方法及装置 |
CN107341792A (zh) * | 2017-06-21 | 2017-11-10 | 苏州卡睿知光电科技有限公司 | 一种建立判别镜片疵病类型的模型的方法及装置 |
CN108475350A (zh) * | 2016-01-11 | 2018-08-31 | 科磊股份有限公司 | 使用基于学习的模型加速半导体相关计算 |
CN109447172A (zh) * | 2018-11-06 | 2019-03-08 | 太原理工大学 | 一种激光芯片缺陷图像的特征提取技术 |
CN109540904A (zh) * | 2018-12-12 | 2019-03-29 | 华侨大学 | 一种衬底表面宏观缺陷检测及分类系统 |
CN109919908A (zh) * | 2019-01-23 | 2019-06-21 | 华灿光电(浙江)有限公司 | 发光二极管芯片缺陷检测的方法和装置 |
CN112213314A (zh) * | 2019-07-12 | 2021-01-12 | 长鑫存储技术有限公司 | 晶圆侧面缺陷的检测方法和检测系统 |
CN112347952A (zh) * | 2020-11-11 | 2021-02-09 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车钩尾框托板脱落识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504266A (zh) * | 2009-02-23 | 2009-08-12 | 无锡尚德太阳能电力有限公司 | 硅片检测工具及检测方法 |
-
2013
- 2013-05-17 CN CN201310186579.0A patent/CN103278511B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504266A (zh) * | 2009-02-23 | 2009-08-12 | 无锡尚德太阳能电力有限公司 | 硅片检测工具及检测方法 |
Non-Patent Citations (4)
Title |
---|
L.GUEGUEN等: "Multi scale Harris corner detector based on Differential Morphological Decomposition", 《PATTERN RECOGNITION LETTERS》 * |
MY-HA LE等: "A Comparison of SIFT and Harris Conner Features for Correspondence Points Matching", 《FRONTIERS OF COMPUTER VISION》 * |
温文雅: "一种改进的Harris 多尺度角点检测算法", 《重庆理工大学学报(自然科学)》 * |
王德超等: "一种多尺度Harris角点检测方法", 《计算机应用与软件》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104064645A (zh) * | 2014-07-03 | 2014-09-24 | 厦门市三安光电科技有限公司 | 一种提升led抗静电能力与亮度的制备方法 |
CN104064645B (zh) * | 2014-07-03 | 2017-07-14 | 厦门市三安光电科技有限公司 | 一种提升led抗静电能力与亮度的制备方法 |
CN108475350A (zh) * | 2016-01-11 | 2018-08-31 | 科磊股份有限公司 | 使用基于学习的模型加速半导体相关计算 |
CN108475350B (zh) * | 2016-01-11 | 2020-08-21 | 科磊股份有限公司 | 使用基于学习的模型加速半导体缺陷检测的方法和系统 |
CN107153072A (zh) * | 2017-06-21 | 2017-09-12 | 苏州卡睿知光电科技有限公司 | 一种镜片疵病检测方法及装置 |
CN107341792A (zh) * | 2017-06-21 | 2017-11-10 | 苏州卡睿知光电科技有限公司 | 一种建立判别镜片疵病类型的模型的方法及装置 |
CN109447172A (zh) * | 2018-11-06 | 2019-03-08 | 太原理工大学 | 一种激光芯片缺陷图像的特征提取技术 |
CN109540904A (zh) * | 2018-12-12 | 2019-03-29 | 华侨大学 | 一种衬底表面宏观缺陷检测及分类系统 |
CN109919908A (zh) * | 2019-01-23 | 2019-06-21 | 华灿光电(浙江)有限公司 | 发光二极管芯片缺陷检测的方法和装置 |
CN112213314A (zh) * | 2019-07-12 | 2021-01-12 | 长鑫存储技术有限公司 | 晶圆侧面缺陷的检测方法和检测系统 |
CN112347952A (zh) * | 2020-11-11 | 2021-02-09 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车钩尾框托板脱落识别方法 |
CN112347952B (zh) * | 2020-11-11 | 2021-05-11 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车钩尾框托板脱落识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103278511B (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103278511B (zh) | 基于多尺度角点特征提取的晶片缺陷检测方法 | |
Chen et al. | Solar cell surface defect inspection based on multispectral convolutional neural network | |
Park et al. | Ambiguous surface defect image classification of AMOLED displays in smartphones | |
Li et al. | Automatic pixel‐level multiple damage detection of concrete structure using fully convolutional network | |
CN107909564B (zh) | 一种基于深度学习的全卷积网络图像裂纹检测方法 | |
CN108305243B (zh) | 一种基于深度学习的磁瓦表面缺陷检测方法 | |
Chen et al. | A light-weighted CNN model for wafer structural defect detection | |
Garg et al. | Deep convolution neural network approach for defect inspection of textured surfaces | |
Hsu et al. | Ensemble convolutional neural networks with weighted majority for wafer bin map pattern classification | |
US20180144216A1 (en) | Classification method, classification module and computer program product using the same | |
CN107328787A (zh) | 一种基于深度卷积神经网络的金属板带表面缺陷检测系统 | |
CN108846415A (zh) | 工业分拣机器人的目标识别装置和方法 | |
CN113222982A (zh) | 基于改进的yolo网络的晶圆表面缺陷检测方法及系统 | |
Wu et al. | An end-to-end learning method for industrial defect detection | |
Lei et al. | Multiscale convolution-based probabilistic classification for detecting bare PCB defects | |
KR101782364B1 (ko) | 케이평균군집화를 통한 학습기반의 비전검사 방법 | |
Kumari et al. | Sylvester matrix-based similarity estimation method for automation of defect detection in textile fabrics | |
CN110175614A (zh) | 一种印刷电路板过孔内壁质量的检测方法 | |
Zhou et al. | Etdnet: efficient transformer-based detection network for surface defect detection | |
Li et al. | Wafer crack detection based on yolov4 target detection method | |
CN113822836A (zh) | 标记图像的方法 | |
Lu et al. | Defect detection of integrated circuit based on yolov5 | |
CN114596273B (zh) | 利用yolov4网络的陶瓷基板多种瑕疵智能检测方法 | |
Chiou et al. | The feature extraction and analysis of flaw detection and classification in BGA gold-plating areas | |
CN112633327B (zh) | 分阶段金属表面缺陷检测方法、系统、介质、设备及应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150429 Termination date: 20160517 |
|
CF01 | Termination of patent right due to non-payment of annual fee |