CN103278511B - 基于多尺度角点特征提取的晶片缺陷检测方法 - Google Patents

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

基于多尺度角点特征提取的晶片缺陷检测方法

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S_max层上的角点坐标在尺度空间S_j下提取周围d*d区域范围内的所有Harris角点其中，S_min<S_j<S_max，尺度最小值S_min、尺度最大值S_max均为正整数，d为经验参数；

步骤B，将提取的各Harris角点坐标所对应的尺度评价参数与最大尺度值S_max层上的角点坐标的尺度评价参数进行比较：

当时，删除否则，删除1<i<n。

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：

$Q_{i,S_j}=r\&times;S_j\&times;(\det \left(M\right)-k\&CenterDot;{\mathrm{trace}}^2\left(M\right)),$

其中，为在尺度空间S_j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S_j的表达式为：S_j=2^j，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：

一个连续的N维信号的尺度空间可以用一个单参数的函数L(S_j)来表示，其中S_j是尺度，K(S_j)是一个尺度空间核：

$L\left(S_j\right)=K\left(S_j\right)\&CircleTimes;f\left(x\right)---\left(1\right),$

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：

$f\left(x\right)=g(x,\mathrm{\&sigma;})=\frac{1}{{\left(2\mathrm{\&pi;t}\right)}^{N/2}}{e}^{-(x_1^2+...+x_N^2)/{2\mathrm{\&sigma;}}^2}---\left(2\right),$

其中t为时间，N为正整数，σ为标准差，σ=2^t。

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：

$L_x^m\left(S_j\right)={\&PartialD;}_x^{m}L\left(S_j\right)={\&PartialD;}_{x_1}^{m_1}...{\&PartialD;}_{x_N}^{m_N}L\left(S_j\right)---\left(3\right),$

式（3）表示对函数L(S_j)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：

$M=\left[\begin{array}{cc}{L}_x^2& L_{\mathrm{xy}}\\ L_{\mathrm{xy}}& L_y^2\end{array}\right]---\left(4\right),$

式（4）中，表示对函数L(S_j)中的变量x求2阶偏导，表示对函数L(S_j)中的变量y求2阶偏导，L_xy表示对函数L(S_j)中的变量x求1阶偏导后再对y求一阶偏导。

根据Lindeberg提出的理论，可以通过使用替换原有的来得到第j层尺度S_j下的提取的各Harris角点所对应的尺度评价参数

$Q_{i,S_j}=r\&times;2^j\&times;(\det \left(M\right)-k\&CenterDot;{\mathrm{trace}}^2\left(M\right))---\left(5\right),$

其中，第j层尺度S_j：S_j=2^j；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S_j下做Harris角点检测和降序排列，S_min<S_j<S_max，最小尺度值S_min、最大尺度值S_max均为经验参数，其中,S_j=2^j，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S_j下的提取的各Harris角点所对应的尺度评价参数

$Q_{i,S_j}=r\&times;S_j\&times;(\det \left(M\right)-k\&CenterDot;{\mathrm{trace}}^2\left(M\right)),$

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S_j与最大尺度值S_max：

当第j层尺度S_j等于最大尺度值S_max时，提取前n个角点的坐标1<i<n，n为正整数，进入步骤2-4；否则，j的取值加1，返回步骤2-1；

步骤2-4，利用如下方法筛选角点：

步骤A，提取最大尺度值S_max层上的角点坐标在尺度空间S_j下提取周围d*d区域范围内的所有Harris角点

步骤B，将提取的各Harris角点坐标所对应的尺度评价参数与最大尺度值S_max层上的角点坐标的尺度评价参数进行比较：

当时，删除否则，删除

步骤2-5，比较第j层尺度S_j与最小尺度值S_min：

当第j层尺度S_j等于最小尺度值S_min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 (3)

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：

$Q_{i,S_j}=r\&times;S_j\&times;(\det \left(M\right)-k\&CenterDot;{\mathrm{trace}}^2\left(M\right)),$

其中，为在尺度空间S_j下提取的第i个Harris角点所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；

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。

2.根据权利要求1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，步骤2-4利用如下方法筛选角点：

步骤A，提取最大尺度值S_max层上的角点坐标在尺度空间S_j下提取周围d*d区域范围内的所有Harris角点其中，S_min<S_j<S_max，尺度最小值S_min、尺度最大值S_max均为正整数，d为经验参数；

步骤B，将提取的各Harris角点所对应的尺度评价参数与最大尺度值S_max层上的角点坐标的尺度评价参数进行比较：

当时，删除否则，删除1<i<n。

3.根据权利要求2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S_j的表达式为：S_j＝2^j，j的初始取值为1。