CN107067434B - 基于Hadoop的集成电路短路关键面积提取方法 - Google Patents

基于Hadoop的集成电路短路关键面积提取方法 Download PDF

Info

Publication number
CN107067434B
CN107067434B CN201710273696.9A CN201710273696A CN107067434B CN 107067434 B CN107067434 B CN 107067434B CN 201710273696 A CN201710273696 A CN 201710273696A CN 107067434 B CN107067434 B CN 107067434B
Authority
CN
China
Prior art keywords
domain image
image
value
critical area
domain
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.)
Active
Application number
CN201710273696.9A
Other languages
English (en)
Other versions
CN107067434A (zh
Inventor
王俊平
张瑶
胡静
梁刚明
郭佳佳
白瑞雪
倪洁
李勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Electronic Science and Technology
Original Assignee
Xian University of Electronic Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Electronic Science and Technology filed Critical Xian University of Electronic Science and Technology
Priority to CN201710273696.9A priority Critical patent/CN107067434B/zh
Publication of CN107067434A publication Critical patent/CN107067434A/zh
Application granted granted Critical
Publication of CN107067434B publication Critical patent/CN107067434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0007—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/60—Memory management

Abstract

本发明公开一种基于Hadoop的短路关键面积提取方法，实现步骤为：(1)读取集成电路的版图图像；(2)上传集成电路的版图图像；(3)分块存储集成电路版图图像；(4)将数据节点的版图图像分片；(5)转换版图图像为映射类Map的输入键值对；(6)对版图图像进行预处理；(7)提取短路关键面积；(8)设置映射类Map的输出键值对；(9)设置化简类Reduce；(10)提交任务。本发明利用分布式处理框架Haoop对集成电路版图图像进行并行短路关键面积提取，能完成大规模集成电路短路关键面积快速提取的优点，可以提高大规模集成电路版图的短路关键面积提取效率。

Description

基于Hadoop的集成电路短路关键面积提取方法
技术领域
本发明属于计算机技术领域，更进一步涉及集成电路和计算机分布式数据处理技术领域中的一种基于分布式处理框架Hadoop的大规模集成电路版图线网的短路关键面积提取方法。本发明应用分布式文件系统HDFS(Hadoop Distributed File System)对输入位图版图进行分布式的存储及应用映射-化简(MapReduce)架构对位图版图中的线网进行短路关键面积提取操作，可用于高效率地提取大规模位图版图中线网的短路关键面积。
背景技术
集成电路制造过程中出现的随机缺陷会引起电路的开路和短路故障，从而降低集成电路芯片的成品率。关键面积是指集成电路中容易因随机缺陷而产生故障的关键区域面积，如果在这些区域出现随机缺陷，电路就必然会出现短路或是开路故障。短路关键面积是对随机缺陷导致的版图短路故障的一个量化，因此短路关键面积的分布和大小对提高芯片成品率有着至关重要的作用。基于数学形态学的短路关键面积提取方法是以集成电路版图中的随机缺陷为结构元素，基于数学形态学的方法计算短路关键面积，但是运算时间复杂度大，效率低，不能适用于大规模集成电路的短路关键面积提取。
浙江大学在其拥有的专利技术“一种快速提取版图关键面积的方法”(专利申请号201010108651.4，授权公告号101789048 B)公开了一种提取版图关键面积方法。该方法的实现步骤是，1.提取版图信息，对集成电路版图的基本图形单元进行分类；2.建立分块有序多级索引表；3.利用分块有序多级索引表来分层遍历版图树；4.提取出所有与缺陷多边形重合的图形；5.计算出版图关键面积。该方法存在不足之处是，建立多级分块有序索引表需要大量的内存空间和运算量，随着版图规模的增大，该方法很耗机器内存和CPU等资源，需要硬件配置很高的计算机才能稳定提取。
冯瑞平在其发表的硕士论文“基于缺陷特征的短路关键面积模型及提取算法”(2014年，西安电子科技大学)中提出了一种提取版图短路关键面积的方法。该方法的基本思想是读入含有版图线网信息的位图，以集成电路中的随机缺陷的特征尺寸为单位在缺陷中心对应的线网位置做拷贝运算，计算相邻线网做拷贝运算后的交集，从而提取短路关键面积。该方法存在的不足之处是，缺陷中心对应的线网位置以版图线网的一个网格为单位做膨胀过程中的重复拷贝运算，随着集成电路线网规模的扩大，短路关键面积提取工作效率不高。
发明内容
本发明的目的在于克服上述现有技术的不足，提出一种基于分布式处理框架Hadoop的集成电路版图的短路关键面积提取方法，该方法可以提高大规模集成电路版图中线网的短路关键面积提取的效率，解决在单机串行提取短路关键面积时效率低的问题。
实现本发明目的的具体步骤如下：
(1)读取集成电路的版图图像：
(1a)读取标准文件图像BMP格式的待提取短路关键面积的集成电路版图中的全部版图图像；
(1b)将读取的每一幅版图图像保存为自定义的格式X_Y_Z.bmp；
(2)上传集成电路的版图图像：
(2a)使用分布式处理框架Hadoop集群的启动命令start-all.sh，启动分布式处理框架Hadoop集群；
(2b)将读入的全部集成电路的版图图像，上传到分布式文件系统HDFS中；
(3)分块存储集成电路版图图像：
(3a)分布式文件系统HDFS对上传到该系统中的版图图像进行分块；
(3b)在分布式处理框架Hadoop集群的各个数据节点中平均地存储分块后的版图图像；
(4)将数据节点的版图图像分片：
(4a)从分布式处理框架Hadoop集群中随机选取一个数据节点，使用组合文件输入格式CombineFileInputFormat，将所选取的数据节点中的版图图像划分成分片大小为64M的组合分片CombineFileSplit图像数据集；
(4b)从组合分片CombineFileSplit图像数据集中，随机选取一个组合分片；
(5)转换版图图像为映射类Map的输入键值对key1/value1：
(5a)通过分布式处理框架Hadoop的路径信息函数getPath，得到所选取的组合分片中版图图像的路径信息；
(5b)利用图像处理库JavaCV中的图像像素数据转换函数cvDecodeImage，将路径信息中对应的版图图像转换为分布式处理框架Hadoop中图像类型ImageWritable的图像数据，将路径信息中版图图像的文件名作为键key1，将版图图像的数据作为键key1对应的value1；
(6)对版图图像进行预处理：
(6a)将键key1对应的value1转换为图像处理库JavaCV图像格式IplImage中的版图图像数据；
(6b)利用灰度值计算公式，计算IplImage格式的版图图像中每个像素点的灰度值，将计算后所有像素点的灰度值，组成灰度化后的版图图像；
(6c)使用最大类间方差法，计算灰度化后版图图像的全局阈值；
(6d)利用二值计算公式，计算每个灰度化后版图图像像素点的二值，将计算的所有像素点的二值，组成二值化后的版图图像；
(7)提取短路关键面积：
(7a)采用图像边缘检测方法，对二值化后的版图图像进行边缘检测，得到版图图像中线网的边缘；
(7b)按照缺陷在矩阵上的转换规则，设置缺陷大小为形心为(XC,YC)；
(7c)对版图图像中的线网边缘从1开始编号，获得连通区域及线网边缘的总数；
(7d)以缺陷为结构元素，对所编号的线网边缘进行数学形态学的膨胀操作；
(7e)定义一个图像处理库JavaCV矩阵格式cvMat的图像存储矩阵，存储膨胀后的图像像素值与当前编号之前的线网边缘膨胀后的像素值对应相加的结果；
(7f)判断当前线网边缘的编号是否与线网边的总数相等，若是，则执行步骤(7g)，否则，将线网边缘的编号加1后执行步骤(7d)；
(7g)提取存放线网边缘膨胀结果的图像存储矩阵中像素值大于1的区域的面积为短路关键面积；
(8)判断当前组合分片中的版图图像是否已全部提取短路关键面积，若是，则执行步骤(9)，否则，执行步骤(5)；
(9)判断当前选取的数据节点中的组合分片是否已全部提取短路关键面积，若是，则执行步骤(4)，否则，执行步骤(10)；
(10)设置映射类Map的输出键值对key2/value2，将路径信息中版图图像的文件名作为映射类Map输出键值对的键key2，将提取的短路关键面积作为文本类型Text的键key2对应的value2；
(11)设置化简类Reduce：
(11a)汇总全部数据节点中的Map函数输出键值对key2/value2；
(11b)将键key2输出到已设置输出路径的固定文件夹中；
(11c)将计算所得的短路关键面积以键值对key2/value2的与键key2相对应值value2，输出到分布式文件系统HDFS的短路关键面积文件夹中；
(12)提交任务：
(12a)初始化分布式处理框架Hadoop集群中数据节点的任务Job；
(12b)将任务job提交到分布式处理框架Hadoop集群中。
本发明与现有的技术相比具有以下优点：
第1，由于本发明分块存储集成电路的版图图像，在分布式处理框架Hadoop集群的各个数据节点中平均地存储分块后的版图图像，克服了现有技术很耗机器内存和CPU等资源，需要硬件配置很高的计算机才能稳定提取短路关键面积的缺点，使得本发明具有使用多个普通的硬件计算机搭建的分布式处理框架分布式处理框架Hadoop集群，就能完成大规模集成电路线网的短路关键面积提取工作的优点。
第2，由于本发明转换版图图像为映射类Map的输入键值对key1/value1，将版图图像的数据作为键key1对应的value1，以缺陷为结构元素，对所编号的线网边缘进行数学形态学的膨胀操作，从而克服了现有技术中随着集成电路线网规模的扩大，短路关键面积提取工作效率不高的缺点，使得本发明提高了大规模集成电路线网短路关键面积提取工作的效率。
附图说明
图1为本发明的流程图。
图2为本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1，对本发明的具体实施步骤做进一步的描述。
步骤1，读取集成电路的版图图像。
读入标准文件图像BMP格式的待提取短路关键面积的集成电路版图中的全部版图图像。
将读入的每一幅版图图像保存为自定义的格式X_Y_Z.bmp。
按照版图的层数自上而下地选取每一层的版图图像，用自定义格式X_Y_Z.bmp中的X来表示，将每一层的版图图像按照自左至右的顺序分为多张像素值大小为900*900的标准文件图像格式BMP图像，每一幅900*900的标准文件图像格式BMP图像在集成电路版图图像中所在的位置用其起始行的值Y和起始列的值Z来表示。
步骤2，上传集成电路的版图图像。
使用分布式处理框架Hadoop集群的启动命令start-all.sh，启动分布式处理框架Hadoop集群。
将读入的全部集成电路的版图图像，上传到分布式文件系统HDFS中。
步骤3，对存储后的集成电路版图图像进行分块。
分布式文件系统HDFS对上传到该系统中的版图图像进行分块。
在分布式处理框架Hadoop集群的各个数据节点中平均地存储分块后的版图图像。
步骤4，对分布式处理框架Hadoop中每个数据节点的版图图像进行分片。
从分布式处理框架Hadoop集群中随机选取一个数据节点，使用组合文件输入格式CombineFileInputFormat，将所选取的数据节点中的版图图像划分成分片大小为64M的组合分片CombineFileSplit图像数据集。
从组合分片CombineFileSplit图像数据集中，随机选取一个组合分片。
步骤5，转换版图图像为映射函数Map的输入键值对key1/value1。
通过分布式处理框架Hadoop的路径信息函数getPath，得到所选取的组合分片中版图图像的路径信息。
利用图像处理库JavaCV中的图像像素数据转换函数cvDecodeImage，将路径信息中对应的版图图像转换为分布式处理框架Hadoop中图像类型ImageWritable的图像数据，将路径信息中版图图像的文件名作为键key1，将版图图像的数据作为键key1对应的value1。
步骤6，对版图图像进行预处理。
将键key1对应的value1转换为图像处理库JavaCV图像格式IplImage中的版图图像数据。
利用灰度值计算公式，计算IplImage格式的版图图像中每个像素点的灰度值，将计算后所有像素点的灰度值，组成灰度化后的版图图像。
灰度值计算公式如下：
Li＝0.299×Ri+0.587×Gi+0.114×Bi
其中，Li表示版图图像中第i个像素点的灰度值，Ri表示版图图像中的第i个像素点的红色分量，Gi表示版图图像中的第i个像素点的绿色分量，Bi表示版图图像中的第i个像素点的蓝色分量。
使用最大类间方差法，计算灰度化后版图图像的全局阈值。具体步骤如下：
第1步，从灰度化后版图图像中，任选一个未被使用过的像素点的灰度值作为参考灰度值。
第2步，将灰度值大于参考灰度值的灰度化后版图图像的像素点，作为前景像素点；将灰度值小于参考灰度值的灰度化后版图图像的像素点，作为背景像素点。
第3步，将背景像素点在灰度化后版图图像的所有像素点中所占的比例，作为背景像素点比例；将前景像素点在灰度化后版图图像的所有像素点中所占的比例，作为前景像素点比例。
第4步，将背景像素点灰度均值，作为背景平均灰度；将前景像素点灰度均值，作为前景平均灰度。
第5步，按照下式，计算灰度化后版图图像的前景和背景之间的类间方差值。
g＝ω0×ω1×(μ0-μ1)2
其中，g表示版图图像的前景和背景之间的类间方差值，ω0表示背景像素点比例，ω1表示前景像素点比例，μ0表示背景平均灰度，μ1表示前景平均灰度。
第6步，判断版图图像中的未被使用过的像素点中是否还存在灰度与已使用过的所有参考灰度值都不同的像素点，若是，则执行本步骤的第1步，否则，执行本步骤的第7步。
第7步，将类间方差中最大的类间方差所使用的参考灰度值，作为灰度化后版图图像的全局阈值。
利用二值计算公式，计算每个灰度化后版图图像像素点的二值，将计算的所有像素点的二值，组成二值化后的版图图像。
二值计算公式如下：
其中，BWi表示灰度化后版图图像中第i个像素点的二值，Li表示灰度化后版图图像中第i个像素点的灰度值，T表示灰度化后版图图像的全局阈值。
步骤7，提取短路关键面积。
第1步，采用图像边缘检测方法，对二值化后的版图图像进行边缘检测，得到版图图像中线网的边缘。
以3*3的全1矩阵为结构元素，对二值化版图图像进行数学形态学腐蚀操作，得到腐蚀后的版图图像，用二值化版图图像减去腐蚀后的版图图像对应像素点处像素值，二值化版图图像的边缘由相减后的像素点组成。
第2步，按照缺陷在矩阵上的转换规则，设置缺陷大小为形心为(XC,YC)。缺陷由二维矩阵表示，其中D(i,j)＝0或1，0≤i＜D1，0≤j＜D2，如果缺陷覆盖矩阵中坐标为i,j的点，该坐标点的值D(i,j)＝1，否则D(i,j)＝0，真实缺陷由D(i,j)＝1的坐标点组成，对于随机缺陷D(XC,YC)，XC,YC是形心，XC＝Mx/A，YC＝My/A，其中，Mx，My为缺陷对X轴和Y轴的一阶矩，A为缺陷的面积。
第3步，对版图图像中的线网边缘从1开始编号，获得连通区域及线网边缘的总数。由于版图中的线网都是彼此独立的，因此可以根据求连通域求得线网的条数并对线网进行标记，一个连通域区域就是一个闭合线网的区域，因此针对不同的线网，线网的像素值与对线网的标记值是一致的，连通域的数目就是所求图像上线网的数目。
第4步，以缺陷为结构元素，对所编号的线网边缘进行数学形态学的膨胀操作。
第5步，定义一个图像处理库JavaCV矩阵格式cvMat的图像存储矩阵，存储膨胀后的图像像素值与当前编号之前的线网边缘膨胀后的像素值对应相加的结果。
第6步，判断当前线网边缘的编号是否与线网边缘的总数相等，若是，则执行本步骤的第6步，否则，将线网边缘的编号加1后执行本步骤的第4步。
第7步，提取存放线网边缘膨胀结果的图像存储矩阵中像素值大于1的区域的面积为短路关键面积。
对于m1行n1列的任意形状线网的边缘N1(i1,j1)，其中，i1＝1,2,…,m1，j1＝1,2,…,n1，和m2行n2列的任意形状线网的边缘N2(i2,j2)，其中i2＝1,2,…,m2，j2＝1,2,…,n2，导致两条线网连通的短路关键面积就是这两个线网边缘以缺陷为结构元素做数学形态学膨胀后的相交区域的面积。设真实冗余物缺陷的特征尺寸为D1×D2，形心为(XC,YC)，则缺陷D(XC,YC)在线网N1，N2上形成的短路关键面积为A(Xc,YC,N1,N2)：
A(XC,YC,N1,N2)＝dilate(N1,XC,YC)∩dilate(N2,XC,YC)
如果将num条线网边缘膨胀后的结果都叠加到图像矩阵result上，那么图像矩阵result中像素值大于1的区域就是两条线网以缺陷D1×D2为结构元素膨胀后的交集A(XC,YC,N1,N2)，通过对所有线网的外部边缘都进行以D(XC,YC)为结构元素的膨胀操作，最后的提取的短路关键面积就是图像矩阵result上所有像素值大于1的区域的面积。
步骤8，判断当前组合分片中的版图图像是否已全部处理完，若是，则执行步骤9，否则，执行步骤5。
步骤9，判断当前选取的数据节点中的组合分片是否已全部处理完，若是，则执行步骤10，否则，执行步骤4；
步骤10，将路径信息中版图图像的文件名作为Map函数输出键值对key2/value2中的键key2，将提取的短路关键面积作为文本Text类型的键key2的值value2。
步骤11，设置化简函数Reduce。
汇总全部数据节点中的Map函数输出键值对key2/value2。
将键key2输出到已设置输出路径的固定文件夹中，键key2是指Text类型的输入路径信息中的文件名称。
将计算所得的短路关键面积以键值对key2/value2的与键key2相对应值value2，输出到分布式文件系统HDFS的短路关键面积文件夹中。
步骤12，提交任务。
初始化分布式处理框架Hadoop集群中数据节点的任务Job。
创建一个配置对象configuration，使用配置对象configuration设置单个节点输入分片最小值为64M，设置单个机架输入分片最小值为64M，设置输入分片最大值为64M。用配置对象configuration创建并初始化任务Job，并为任务Job指定执行地址以及映射函数Map和化简函数Reduce的文件路径。
将任务job提交到分布式处理框架Hadoop集群中。
本发明的效果可以通过下述仿真实验得到验证。
1.仿真条件：
本发明的仿真是在搭建的分布式处理框架Hadoop集群上进行的。分布式处理框架Hadoop集群包含3个节点：1个主机节点Master和2个从机节点Slaver1、Slaver2，并通过局域网连接三个节点。
软件环境如下：
Linux环境：CentOS 6.5。
JDK版本：1.7_80。
Hadoop版本：Hadoop 1.2.1。
Eclipse版本：Eclipse Release 4.3.0。
JavaCV版本：JavaCV 1.1
节点的IP地址及硬件配置如下：
表1Hadoop集群中节点的IP地址及硬件配置表
机器名称 IP地址 硬件配置
Master 192.168.131.3 Pentium(R)Dual-Core CPU E5800@3.20GHZ
Slaver1 192.168.131.4 Pentium(R)Dual-Core CPU E5800@3.20GHZ
Slaver2 192.168.131.5 Pentium(R)Dual-Core CPU E5800@3.20GHZ
表1中的Master是分布式处理框架Hadoop集群中的主机节点，Slaver1、Slaver2是分布式处理框架Hadoop集群中的从节点，IP地址表示计算机的网络地址，硬件配置是计算机的处理器CPU的型号。
2.仿真内容：
本发明的仿真实验是采用本发明的方法与现有技术的两种方法，即数学形态学提取短路关键面积方法与基于缺陷特征的短路关键面积提取方法，分别对集成电路版图图像提取短路关键面积，并比较其提取时间。
3.仿真实验结果：
本发明分别选取7组版图图像，7个版图图像中线网的数目分别是3696条、4990条、6216条、6577条、12816条、23505条、30824条，输出7个版图图像所对应的短路关键面积。采用本发明的方法和现有技术的2种方法，即数学形态学提取短路关键面积方法与基于缺陷特征的短路关键面积提取方法，分别对7个版图图像提取短路关键面积，得到如图2所示的提取时间对比图。
图2中的横坐标表示输入的版图图像中版图线网的条数，物理单位为条，纵坐标表示短路关键面积的提取时间，物理单位为秒s。图2中以圆圈标示的实线表示用现有技术的数学形态学方法，在不同数目的版图图像线网下提取短路关键面积所用时间的曲线，以星形标示的实线表示用现有技术基于缺陷特征的短路关键面积提取方法，在不同数目的版图图像线网下，提取短路关键面积所用时间的曲线，以十字标示的实线表示采用本发明的短路关键面积提取方法，在不同数目的版图图像线网下，提取短路关键面积所用时间的曲线。
比较图2中本发明的方法和现有技术的2种提取短路关键面积方法的提取时间曲线可得：(1)随着线网数目的增大，提取短路关键面积所需的时间逐渐增多。(2)当输入版图线网的数量相同时，比较在同一缺陷大小下的三种方法时间曲线的纵坐标，数学形态学算法提取短路关键面积所用的时间远大于其他两种方法所用时间，而且随着线网规模的增加，本发明所用的在Hadoop集群下提取关键面积的时间始终比基于缺陷特征的短路关键面积提取方法的时间小。在对大规模集成电路线网提取短路关键面积时，随着版图线网数目的增加，曲线线性增长越缓慢，说明优越性越突出，因此本发明的Hadoop集群下的短路关键面积提取算法效率高且能适用于大规模集成电路版图网。
本发明的仿真结果表明：本发明是基于Hadoop的集成电路短路关键面积提取，采用分布式处理系统对大量集成电路版图图像进行并行的短路关键面积提取，提高了提取集成电路短路路关键面积的效率。

Claims (9)

1.一种基于Hadoop的集成电路短路关键面积提取方法，包括如下步骤：
(1)读取集成电路的版图图像：
(1a)读取标准文件图像BMP格式的待提取短路关键面积的集成电路版图中的全部版图图像；
(1b)将读取的每一幅版图图像保存为自定义的格式X_Y_Z.bmp；
(2)上传集成电路的版图图像：
(2a)使用分布式处理框架Hadoop集群的启动命令start-all.sh，启动分布式处理框架Hadoop集群；
(2b)将读取的全部集成电路的版图图像，上传到分布式文件系统HDFS中；
(3)分块存储集成电路的版图图像：
(3a)分布式文件系统HDFS对上传到该系统中的版图图像进行分块；
(3b)在分布式处理框架Hadoop集群的各个数据节点中平均地存储分块后的版图图像；
(4)将数据节点的版图图像分片：
(4a)从分布式处理框架Hadoop集群中随机选取一个数据节点，使用组合文件输入格式CombineFileInputFormat，将所选取的数据节点中的版图图像划分成分片大小为64M的组合分片CombineFileSplit图像数据集；
(4b)从组合分片CombineFileSplit图像数据集中，随机选取一个组合分片；
(5)转换版图图像为映射类Map的输入键值对key1/value1：
(5a)通过分布式处理框架Hadoop的路径信息函数getPath，得到所选取的组合分片中版图图像的路径信息；
(5b)利用图像处理库JavaCV中的图像像素数据转换函数cvDecodeImage，将路径信息中对应的版图图像转换为分布式处理框架Hadoop中图像类型ImageWritable的图像数据，将路径信息中版图图像的文件名，作为映射类Map中键值对的键key1，将版图图像的数据作为键key1对应的value1；
(6)对版图图像进行预处理：
(6a)将键key1对应的value1转换为图像处理库JavaCV图像格式IplImage中的版图图像数据；
(6b)利用灰度值计算公式，计算IplImage格式的版图图像中每个像素点的灰度值，将计算后所有像素点的灰度值，组成灰度化后的版图图像；
(6c)使用最大类间方差法，计算灰度化后版图图像的全局阈值；
(6d)利用二值计算公式，计算每个灰度化后版图图像像素点的二值，将计算的所有像素点的二值，组成二值化后的版图图像；
(7)提取短路关键面积：
(7a)采用图像边缘检测方法，对二值化后的版图图像进行边缘检测，得到版图图像中线网的边缘；
(7b)按照缺陷在矩阵上的转换规则，设置缺陷大小为形心为(XC,YC)；
(7c)对版图图像中的线网边缘从1开始编号，获得连通区域及线网边缘的总数；
(7d)以缺陷为结构元素，对所编号的线网边缘进行数学形态学的膨胀操作；
(7e)定义一个图像处理库JavaCV矩阵格式cvMat的图像存储矩阵，存储膨胀后的图像像素值与当前编号之前的线网边缘膨胀后的像素值对应相加的结果；
(7f)判断当前线网边缘的编号是否与线网边缘的总数相等，若是，则执行步骤(7g)，否则，将线网边缘的编号加1后执行步骤(7d)；
(7g)提取存放线网边缘膨胀结果的图像存储矩阵中像素值大于1的区域的面积，将该面积作为短路关键面积；
(8)判断当前组合分片中的版图图像是否已全部提取短路关键面积，若是，则执行步骤(9)，否则，执行步骤(5)；
(9)判断当前选取的数据节点中的组合分片是否已全部提取短路关键面积，若是，则执行步骤(10)，否则，执行步骤(4)；
(10)设置映射类Map的输出键值对key2/value2，将路径信息中版图图像的文件名作为映射类Map输出键值对的键key2，将提取的短路关键面积作为文本类型Text的键key2对应的value2；
(11)设置化简类Reduce：
(11a)汇总全部数据节点中的映射类Map的输出键值对key2/value2；
(11b)将键key2输出到已设置输出路径的固定文件夹中；
(11c)将计算所得的短路关键面积以键值对key2/value2中的value2，输出到分布式文件系统HDFS的短路关键面积文件夹中；
(12)提交任务：
(12a)初始化分布式处理框架Hadoop集群中数据节点的任务Job；
(12b)将任务job提交到分布式处理框架Hadoop集群中。
2.根据权利要求1所述的基于Hadoop的集成电路短路关键面积提取方法，其特征在于，步骤(1b)中所述的将读取的每一幅版图图像保存为自定义的格式X_Y_Z.bmp是指：按照版图的层数自上而下地选取每一层的版图图像，用自定义格式X_Y_Z.bmp中的X来表示，将每一层的版图图像按照自左至右的顺序分为多张像素值大小为900*900的标准文件图像格式BMP图像，每一幅900*900的标准文件图像格式BMP图像在集成电路版图图像中所在的位置用其起始行的值Y和起始列的值Z来表示。
3.根据权利要求1所述的基于Hadoop的集成电路短路关键面积提取方法，其特征在于，步骤(6b)所述的灰度值计算公式如下：
Li＝0.299×Ri+0.587×Gi+0.114×Bi
其中，Li表示版图图像中第i个像素点的灰度值，Ri表示版图图像中的第i个像素点的红色分量，Gi表示版图图像中的第i个像素点的绿色分量，Bi表示版图图像中的第i个像素点的蓝色分量。
4.根据权利要求1所述的基于Hadoop的集成电路短路关键面积提取方法，其特征在于，步骤(6c)所述的使用最大类间方差法计算灰度化后版图图像的全局阈值的具体步骤如下：
第1步，从灰度化后版图图像中，任选一个未被使用过的像素点的灰度值作为参考灰度值；
第2步，将灰度值大于参考灰度值的灰度化后版图图像的像素点，作为前景像素点；将灰度值小于参考灰度值的灰度化后版图图像的像素点，作为背景像素点；
第3步，将背景像素点在灰度化后版图图像的所有像素点中所占的比例，作为背景像素点比例；将前景像素点在灰度化后版图图像的所有像素点中所占的比例，作为前景像素点比例；
第4步，将背景像素点灰度均值，作为背景平均灰度；将前景像素点灰度均值，作为前景平均灰度；
第5步，按照下式，计算灰度化后版图图像的前景和背景之间的类间方差值：
g＝ω0×ω1×(μ0-μ1)2
其中，g表示版图图像的前景和背景之间的类间方差值，ω0表示背景像素点比例，ω1表示前景像素点比例，μ0表示背景平均灰度，μ1表示前景平均灰度；
第6步，判断版图图像中的未被使用过的像素点中是否还存在灰度与已使用过的所有参考灰度值都不同的像素点，若是，则执行第1步，否则，执行第7步；
第7步，将类间方差中最大的类间方差所使用的参考灰度值，作为灰度化后版图图像的全局阈值。
5.根据权利要求1所述的基于Hadoop的集成电路短路关键面积提取方法，其特征在于，步骤(6d)中所述的二值计算公式如下：
其中，BWi表示灰度化后版图图像中第i个像素点的二值，Li表示灰度化后版图图像中第i个像素点的灰度值，T表示灰度化后版图图像的全局阈值。
6.根据权利要求1所述的基于Hadoop的集成电路短路关键面积提取方法，其特征在于，步骤(7a)中所述的图像边缘检测方法的具体步骤如下：
第1步，以3*3的全1矩阵为结构元素，对二值化版图图像进行数学形态学腐蚀操作，得到腐蚀后的版图图像；
第2步，用二值化版图图像减去腐蚀后的版图图像对应像素点处像素值，二值化版图图像的边缘由相减后的像素点组成。
7.根据权利要求1所述的基于Hadoop的短路关键面积提取方法，其特征在于，步骤(7b)中所述的缺陷在矩阵上的转换规则是指：缺陷由二维矩阵表示，其中D(i,j)＝0或1，0≤i＜D1，0≤j＜D2，如果缺陷覆盖矩阵中坐标为i,j的点，该坐标点的值D(i,j)＝1，否则D(i,j)＝0，真实缺陷由D(i,j)＝1的坐标点组成，对于随机缺陷D(XC,YC)，XC,YC是形心，XC＝Mx/A，YC＝My/A，其中，Mx，My为缺陷对X轴和Y轴的一阶矩，A为缺陷的面积。
8.根据权利要求1所述的基于Hadoop的集成电路短路关键面积提取方法，其特征在于，步骤(11b)中所述的键key2是指Text类型的输入路径信息中的文件名称。
9.根据权利要求1所述的基于Hadoop的集成电路短路关键面积提取方法，其特征在于，步骤(12a)中所述初始化分布式处理框架Hadoop集群中数据节点的任务Job的具体步骤如下：
第1步，创建一个分布式处理框架Hadoop集群的配置对象；
第2步，用配置对象conf创建任务Job，并为任务Job指定执行地址以及映射类Map和化简类Reduce的文件路径。
CN201710273696.9A 2017-04-25 2017-04-25 基于Hadoop的集成电路短路关键面积提取方法 Active CN107067434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710273696.9A CN107067434B (zh) 2017-04-25 2017-04-25 基于Hadoop的集成电路短路关键面积提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710273696.9A CN107067434B (zh) 2017-04-25 2017-04-25 基于Hadoop的集成电路短路关键面积提取方法

Publications (2)

Publication Number Publication Date
CN107067434A CN107067434A (zh) 2017-08-18
CN107067434B true CN107067434B (zh) 2019-10-11

Family

ID=59604426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710273696.9A Active CN107067434B (zh) 2017-04-25 2017-04-25 基于Hadoop的集成电路短路关键面积提取方法

Country Status (1)

Country Link
CN (1) CN107067434B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108257172B (zh) * 2018-01-15 2019-08-06 西安电子科技大学 基于Hadoop的集成电路版图开路关键面积提取方法
CN109543300B (zh) * 2018-11-22 2020-05-12 北京华大九天软件有限公司 一种提取版图中的像素器件的方法
CN111932515B (zh) * 2020-08-10 2022-04-29 成都数之联科技股份有限公司 产品残留类缺陷的短路检测方法及系统及缺陷分类系统
CN113160126B (zh) * 2021-03-02 2023-09-01 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 硬件木马检测方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101178809A (zh) * 2007-10-12 2008-05-14 西安电子科技大学 集成电路功能成品率估计方法
CN101789048A (zh) * 2010-02-08 2010-07-28 浙江大学 一种快速提取版图关键面积的方法
CN103093060A (zh) * 2013-01-25 2013-05-08 西安电子科技大学 基于短路关键面积约束的版图冗余通孔插入方法
CN104750937A (zh) * 2015-04-08 2015-07-01 西安电子科技大学 基于Hadoop的集成电路版图转换方法
CN106407538A (zh) * 2016-09-08 2017-02-15 西安电子科技大学 基于Hadoop的位图版图向CIF版图转换方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101178809A (zh) * 2007-10-12 2008-05-14 西安电子科技大学 集成电路功能成品率估计方法
CN101789048A (zh) * 2010-02-08 2010-07-28 浙江大学 一种快速提取版图关键面积的方法
CN103093060A (zh) * 2013-01-25 2013-05-08 西安电子科技大学 基于短路关键面积约束的版图冗余通孔插入方法
CN104750937A (zh) * 2015-04-08 2015-07-01 西安电子科技大学 基于Hadoop的集成电路版图转换方法
CN106407538A (zh) * 2016-09-08 2017-02-15 西安电子科技大学 基于Hadoop的位图版图向CIF版图转换方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于缺陷特征的短路关键面积模型及提取算法";冯瑞平;《中国优秀硕士论文全文数据库 信息科技辑》;20160415;第4.1-4.2、5.1节 *

Also Published As

Publication number Publication date
CN107067434A (zh) 2017-08-18

Similar Documents

Publication Publication Date Title
CN107067434B (zh) 基于Hadoop的集成电路短路关键面积提取方法
CN105631426B (zh) 对图片进行文本检测的方法及装置
CN106462724A (zh) 基于规范化图像校验面部图像的方法和系统
Loh et al. A survey on density-based clustering algorithms
KR20150089663A (ko) 그래프 기반의 멀티 프리미티브 피팅 장치 및 그 동작 방법
CN114202027B (zh) 执行配置信息的生成方法、模型训练方法和装置
CN107193923B (zh) 一种二维地理空间快速矢量叠加的方法及系统
CN103903275A (zh) 利用小波融合算法改进图像分割效果的方法
WO2016095068A1 (en) Pedestrian detection apparatus and method
CN105023291A (zh) 一种基于立体视觉的犯罪现场重构装置及方法
TW201436552A (zh) 用於使用至少一較高訊框率之影像流而增加影像流之訊框率之方法及裝置
CN108257172B (zh) 基于Hadoop的集成电路版图开路关键面积提取方法
CN104750937A (zh) 基于Hadoop的集成电路版图转换方法
CN109712181B (zh) 集成电路版图线网上开路关键面积的提取方法
Berjón et al. Fast feature matching for detailed point cloud generation
Zhu et al. Accurate, scalable and parallel structure from motion
CA2947578C (en) Method and system for generating an embedding pattern used for solving a quadratic binary optimization problem
DE102019101845B4 (de) Photorealistische Bildstilisierung unter Verwendung eines Neuronalen-Netzwerkmodells
Yin et al. A feature points extraction algorithm based on adaptive information entropy
CN106407538B (zh) 基于Hadoop的位图版图向CIF版图转换方法
CN103886333B (zh) 遥感图像的主动谱聚类方法
US11004205B2 (en) Hardware accelerator for histogram of oriented gradients computation
CN110162549A (zh) 一种火灾数据分析方法、装置、可读存储介质及终端设备
Zou et al. Parallel in situ detection of connected components in adaptive mesh refinement data
CN113887495A (zh) 基于迁移学习的视频标注方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant