CN108171688B - 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法 - Google Patents
一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法 Download PDFInfo
- Publication number
- CN108171688B CN108171688B CN201711374150.9A CN201711374150A CN108171688B CN 108171688 B CN108171688 B CN 108171688B CN 201711374150 A CN201711374150 A CN 201711374150A CN 108171688 B CN108171688 B CN 108171688B
- Authority
- CN
- China
- Prior art keywords
- gabor
- image
- wafer
- segmentation threshold
- random
- 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
Links
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法。用CCD相机采集晶圆表面图像,然后对图像进行预处理;设计用于获取晶圆表面纹理特征的40个Gabor滤波器,然后将40个Gabor滤波器与图像做卷积运算得到40幅特征图像;对40幅特征图像采用随机降维:对降维后的图像进行阈值分割,构建针对分割阈值的目标函数,求解目标函数获得最终分割阈值,用最终分割阈值分割图像为前景与背景,确定分割阈值,最终准确检测晶圆表面缺陷。本发明方法可很好地对晶圆表面缺陷进行识别和定位,并且识别的效率也有了很大的提高。
Description
技术领域
本发明涉及了一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法,属于图像识别领域。
背景技术
随着集成电路制造技术的快速发展,晶圆的特征尺寸不断减小,造成更多微小的缺陷。晶圆表面的缺陷已经成为影响良率的主要障碍。如何精确自动检测晶圆的缺陷是一项复杂而有挑战性的工作。缺陷检测技术已经成为集成电路产业的关键技术。
传统的方法一般是人工去检测对于较大缺陷的晶圆,但是往往检测效果不好而且效率低下。而机器检测多依靠于图像检测的方法,其中基于模板匹配的方法最为常用,但是匹配的时间过长,难以实现实时性,所以很难满足工业需求。晶圆表面的图案较多且缺陷往往相对很小,而对于生产实际,检测时间也要满足实时的要求,所以一个有效且快速的方法显得尤为重要。
发明内容
为了解决背景技术中存在的问题,本发明的目的在于提供了一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法,用来检测晶圆图像中的晶圆,方法有效且可快速检测晶圆微小缺陷。
为了解决上述技术问题,如图1所示,本发明所采取的技术方案是:
步骤1:用CCD相机采集晶圆表面图像,然后对图像进行预处理;
步骤2:特殊设计用于获取晶圆表面纹理特征的40个Gabor滤波器,然后将40个Gabor滤波器与图像做卷积运算得到40幅特征图像;
步骤3:对40幅特征图像采用随机降维:
步骤4:对降维后的图像进行阈值分割,构建针对分割阈值的目标函数,求解目标函数获得最终分割阈值,用最终分割阈值分割图像为前景与背景,确定分割阈值,最终准确检测晶圆表面缺陷。
本发明方法可应用于晶圆的缺陷检测系统中。
所述步骤1中的预处理具体是包括采用中值滤波去除噪声的步骤和中值滤波后进行灰度化的步骤。
所述步骤2具体为:
2.1)构建以下公式表示的Gabor滤波器,属于加窗的傅里叶变换:
其中,g(x,y;v,u,ψ,σ,γ)表示考虑了v,u,ψ,σ,γ影响因素的像素点(x,y)的卷积核函数,v代表Gabor滤波波长,u代表Gabor核函数的方向,ψ表示Gabor核函数的相位偏移,σ表示Gabor核函数的标准差,γ表示Gabor核函数的空间纵横比,γ决定了Gabor函数的形状的椭圆度;i表示复数;
2.2)然后,针对每个Gabor滤波器采用以下公式进行卷积运算:
其中,Q(x,y)表示特征图像,g(x-l,y-h)为考虑了v,u,ψ,σ,γ影响因素的像素点(x,y)的卷积核函数,l,h表示横纵坐标方向上的偏移量,P(x,y)为输入预处理后的图像中像素点(x,y)的灰度值。
步骤后得到40幅经过滤波得到的特征图像。具体实施中对于边界求取卷积的时候可能会出现扩充边界像素灰度为0的情况,因此改扩充的边界像素灰度值与边界一致处理,以避免上述情况的发生。
所述步骤3具体为:构建随机矩阵Rd×k,随机矩阵Rd×k中的每个元素Rij为从(0,1)选取的一个随机值,并且所有元素Rij形成均值为0、方差为1的正态分布,d、k分别表示随机矩阵Rd×k的行数和列数;然后采用以下公式进行降维处理,使得从d维空间的高维特征矩阵A精确映射到k维空间的图像矩阵E:
E=ARd×k
其中,A为由40幅特征图像Q(x,y)合并组成的高维特征矩阵,E为降维之后的图像矩阵;具体实施中,d取为特征图像中总列数的40倍,k表示降维维数,为预先设定。
此步骤可在保持原有主要特征的情况下,达到降维的效果,极大地减少计算量。
所述步骤4具体为:
针对分割阈值构建以下公式的目标函数:
其中,Ym表示目标函数,m表示分割阈值,将灰度值小于分割阈值m的像素点作为前景,将灰度值大于等于分割阈值m的像素点作为背景;p(n)表示前景像素占图像的比例,n表示灰度参数,n=0-255;
依次将n从0-255取值中并带入目标函数中迭代,求解上述目标函数使得目标函数Ym最大而获得分割阈值m,并作为最终分割阈值,再采用最终分割阈值分割图像的背景和前景,获得缺陷的二值化图像,进而获得前景与背景的像素比例,以背景作为晶圆表面缺陷。
首先,获取的晶圆图像对其进行灰度化和去噪操作。晶圆表面图案比较复杂,本发明把晶圆表面重复图案看作纹理图像,选用Gabor小波滤波器来获取图像的特征,针对有规律性的晶圆表面图案的识别。进一步选用了8个方向、5种波长的Gabor滤波器与图像做卷积运算进行滤波,获取更为全面的特征,得到40组特征图像。采用生成随机矩阵的方法,对进行降维操作,降低40组特征图像维度,并且同时保证前后数据的一致性。对于降维后的数据采用Otsu二值化算法来进行阈值分割,可很好地将缺陷识别出来。
本发明的有益效果是:
本发明通过Gabor小波滤波获取晶圆表面特征,再采用随机降维和OTSU阈值分割相结合的方法来实现对晶圆表面缺陷识别的目的,并且由于选取多个滤波器,对于晶元图像缺陷的定位更加准确。
本发明方法比较创新性的在具有周期性图案的晶圆上采用了Gabor小波滤波,同时由于采用了随机降维提高了运算速度,对满足实时性检测提供了依据,可广泛应用于晶圆图像的检测。
附图说明
图1是本发明方法的流程图。
图2是本发明实施例所选用的40组Gabor滤波器。
图3是本发明实施例之一的滤波结果图。
图4是本发明实施例之二的滤波结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
根据本发明的方法,首先采集一定数量的清晰的图像,进行图像的预处理,然后采用Gabor小波采集表面纹理信息,随后使用随机降维来降低计算量,最后二值化处理图像即可准确地找出图像的缺陷位置。
如图1所示,本发明的实施例如下:
步骤1:用CCD相机采集晶圆表面图像,然后采用中值滤波去除噪声,再进行灰度化处理。
步骤2:特殊设计用于获取晶圆表面纹理特征的40个Gabor滤波器,然后将40个Gabor滤波器与图像做卷积运算得到40幅特征图像;
首先构建以下公式表示的Gabor滤波器:
选取8个方向和5种波长的滤波器,即将上述公式中的Gabor核函数的方向u的范围取为0,和的八个值,Gabor滤波波长v选取5,10,15,20,25的五种波长,八个方向的每个方向下均对应有五个波长,总共产生40个Gabor滤波器;具体如图2所示。
然后,针对每个Gabor滤波器采用以下公式进行卷积运算:
步骤后得到40幅经过滤波得到的特征图像。具体实施中对于边界求取卷积的时候可能会出现扩充边界像素灰度为0的情况,因此改扩充的边界像素灰度值与边界一致处理,以避免上述情况的发生。
步骤3:对40幅特征图像采用随机降维:
构建随机矩阵Rd×k,随机矩阵Rd×k中的每个元素Rij为从(0,1)选取的一个随机值,并且所有元素Rij形成均值为0、方差为1的正态分布,d、k分别表示随机矩阵Rd×k的行数和列数,
然后采用以下公式进行降维处理,使得从d维空间的高维特征矩阵A精确映射到k维空间的图像矩阵E:
E=ARd×k
具体实施中,d取为特征图像中总列数的40倍,k表示降维维数,为预先设定。
步骤4:针对分割阈值构建以下公式的目标函数:
其中,Ym表示目标函数,m表示分割阈值,将灰度值小于分割阈值m的像素点作为前景,将灰度值大于等于分割阈值m的像素点作为背景;p(n)表示前景像素占图像的比例,n表示灰度参数,n=0-255;
依次将n从0-255取值中并带入目标函数中迭代,求解上述目标函数使得目标函数Ym最大而获得分割阈值m,并作为最终分割阈值,再采用最终分割阈值分割图像的背景和前景,获得缺陷的二值化图像,进而获得前景与背景的像素比例,以背景作为晶圆表面缺陷。
第一晶圆表面图像缺陷实验如图3所示,左侧图像为原始的晶圆表面图像,右侧为缺陷检测结果图像,实施中的分割阈值设为158。
第二晶圆表面图像缺陷实验如图4所示,左侧图像为原始的晶圆表面图像,右侧为缺陷检测结果图像,实施中的分割阈值设为79。
由上述具体实施可见,本发明方法能够准确检测晶圆图像中晶圆表面的缺陷,定位更加准确,具有其突出显著的技术效果。
Claims (4)
1.一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法,其特征在于:
步骤1:用CCD相机采集晶圆表面图像,然后对图像进行预处理;
步骤2:特殊设计用于获取晶圆表面纹理特征的40个Gabor滤波器,然后将40个Gabor滤波器与图像做卷积运算得到40幅特征图像;
所述步骤2具体为:
2.1)构建以下公式表示的Gabor滤波器:
其中,g(x,y;v,u,ψ,σ,γ)表示考虑了v,u,ψ,σ,γ影响因素的像素点(x,y)的卷积核函数,v代表Gabor滤波波长,u代表Gabor核函数的方向,ψ表示Gabor核函数的相位偏移,σ表示Gabor核函数的标准差,γ表示Gabor核函数的空间纵横比,γ决定了Gabor函数的形状的椭圆度;i表示复数;
2.2)然后,针对每个Gabor滤波器采用以下公式进行卷积运算:
其中,Q(x,y)表示特征图像,g(x-l,y-h;v,u,ψ,σ,γ)为考虑了v,u,ψ,σ,γ影响因素的像素点(x,y)的卷积核函数,l,h表示横纵坐标方向上的偏移量,P(x,y)为输入预处理后的图像中像素点(x,y)的灰度值;
步骤3:对40幅特征图像采用随机降维;
步骤4:对降维后的图像进行阈值分割,构建针对分割阈值的目标函数,求解目标函数获得最终分割阈值,用最终分割阈值分割图像为前景与背景,确定分割阈值,最终准确检测晶圆表面缺陷。
2.根据权利要求1所述的一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法,其特征在于:所述步骤1中的预处理具体是包括采用中值滤波去除噪声的步骤和中值滤波后进行灰度化的步骤。
3.根据权利要求1所述的一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法,其特征在于:所述步骤3具体为:
构建随机矩阵Rd×k,随机矩阵Rd×k中的每个元素Rij为从N(0,1)选取的一个随机值,并且所有元素Rij形成均值为0、方差为1的正态分布,d、k分别表示随机矩阵Rd×k的行数和列数;然后采用以下公式进行降维处理,使得从d维空间的高维特征矩阵A精确映射到k维空间的图像矩阵E:
E=ARd×k
其中,A为由40幅特征图像Q(x,y)合并组成的高维特征矩阵,E为降维之后的图像矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711374150.9A CN108171688B (zh) | 2017-12-19 | 2017-12-19 | 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711374150.9A CN108171688B (zh) | 2017-12-19 | 2017-12-19 | 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171688A CN108171688A (zh) | 2018-06-15 |
CN108171688B true CN108171688B (zh) | 2021-01-08 |
Family
ID=62522894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711374150.9A Active CN108171688B (zh) | 2017-12-19 | 2017-12-19 | 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171688B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146847B (zh) * | 2018-07-18 | 2022-04-05 | 浙江大学 | 一种基于半监督学习的晶圆图批量分析方法 |
CN109727274B (zh) * | 2018-11-28 | 2023-04-28 | 吉林大学 | 视频处理方法 |
CN109801231B (zh) * | 2018-12-25 | 2022-11-29 | 电子科技大学中山学院 | 一种电泳电子纸检测设备的图像处理方法 |
MY197343A (en) * | 2019-04-29 | 2023-06-14 | Mi Equipment M Sdn Bhd | A method for inspecting a skeleton wafer |
CN112288745B (zh) * | 2020-12-25 | 2021-04-02 | 武汉华工激光工程有限责任公司 | 基于小波变换的产品表面缺陷检测方法、存储器和处理器 |
CN114022440B (zh) * | 2021-11-03 | 2022-07-26 | 江苏京创先进电子科技有限公司 | 一种避免晶圆重复切割的检测方法、检测装置及划片机 |
CN114170200B (zh) * | 2021-12-13 | 2023-01-20 | 沭阳鑫洪锐金属制品有限公司 | 基于人工智能的金属点蚀缺陷程度评估方法及系统 |
KR102516198B1 (ko) * | 2021-12-22 | 2023-03-30 | 호서대학교 산학협력단 | 인공신경망을 이용한 비전 검사를 위한 장치 및 이를 위한 방법 |
CN115690104B (zh) * | 2022-12-30 | 2023-03-07 | 合肥图迅电子科技有限公司 | 一种晶圆裂缝检测方法、装置及存储介质 |
CN117649451B (zh) * | 2024-01-30 | 2024-04-30 | 深圳互喜智联科技有限公司 | 一种用于寻边器晶圆定位的视觉定位方法 |
CN117808809B (zh) * | 2024-03-01 | 2024-05-14 | 深圳市志合云创科技有限公司 | 晶圆表面缺陷的视觉检测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9390327B2 (en) * | 2013-09-16 | 2016-07-12 | Eyeverify, Llc | Feature extraction and matching for biometric authentication |
CN103955922B (zh) * | 2014-04-17 | 2017-01-18 | 西安工程大学 | 基于Gabor滤波器的印花织物疵点检测方法 |
CN106295661A (zh) * | 2016-08-15 | 2017-01-04 | 北京林业大学 | 叶片图像多特征融合的植物种类识别方法及装置 |
-
2017
- 2017-12-19 CN CN201711374150.9A patent/CN108171688B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于缺陷特征与种子填充的轮毂缺陷检测方法;何再兴 等;《浙江大学学报(工学版)》;20090731(第7期);第1230-1237页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108171688A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171688B (zh) | 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN107045634B (zh) | 一种基于最大稳定极值区域与笔画宽度的文本定位方法 | |
CN104036244B (zh) | 一种适用于低质量图像的棋盘格角点检测方法及装置 | |
CN112132153B (zh) | 基于聚类和形态学处理的番茄果实识别方法及系统 | |
CN108171102A (zh) | 一种基于视觉的零件快速识别方法 | |
CN104657728B (zh) | 基于计算机视觉的条码识别系统 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN111462214A (zh) | 一种基于Hough变换的线结构光条纹中心线提取方法 | |
CN110276759B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN112950594B (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
CN115690104B (zh) | 一种晶圆裂缝检测方法、装置及存储介质 | |
CN111353324A (zh) | 玻璃内部点阵二维码读取方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
Hua et al. | Image segmentation algorithm based on improved visual attention model and region growing | |
CN111127407A (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
CN115393325A (zh) | 织物疵点的检测方法和系统 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN109598205A (zh) | 基于Gabor变换的指纹特征提取与压缩编码的方法 | |
CN110827272B (zh) | 一种基于图像处理的轮胎x光图像缺陷检测方法 | |
CN104156696B (zh) | 基于双方向图的快速局部不变特征描述子的构造方法 | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
CN112801903A (zh) | 一种基于视频降噪的目标跟踪方法、装置和计算机设备 |
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 |