CN110276750A - 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 - Google Patents
一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 Download PDFInfo
- Publication number
- CN110276750A CN110276750A CN201910524038.1A CN201910524038A CN110276750A CN 110276750 A CN110276750 A CN 110276750A CN 201910524038 A CN201910524038 A CN 201910524038A CN 110276750 A CN110276750 A CN 110276750A
- Authority
- CN
- China
- Prior art keywords
- wafer
- image
- crystal grain
- straight line
- profile
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000013078 crystal Substances 0.000 title claims abstract description 44
- 238000000605 extraction Methods 0.000 title claims abstract description 26
- 238000005192 partition Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 230000007547 defect Effects 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000000877 morphologic effect Effects 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 30
- 239000000284 extract Substances 0.000 claims description 14
- 230000002146 bilateral effect Effects 0.000 claims description 12
- 238000002955 isolation Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 230000002950 deficient Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000005498 polishing Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000009987 spinning Methods 0.000 claims description 2
- 238000009776 industrial production Methods 0.000 claims 1
- 230000000750 progressive effect Effects 0.000 abstract 1
- 235000012431 wafers Nutrition 0.000 description 94
- 238000010801 machine learning Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000011282 treatment Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 244000181917 Rubus leucodermis Species 0.000 description 1
- 235000011036 Rubus leucodermis Nutrition 0.000 description 1
- 235000003942 Rubus occidentalis Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 239000002210 silicon-based material Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种可用于晶圆缺陷检测的任意倾斜角晶圆直线边长的提取与晶粒区隔离方法,首选进行晶圆数字图像的采集作为原图像;对原图像进行2次降采样,然后进行滤波处理,然后灰度化二值化;最小轮廓矩的求解得到晶圆的几何中心与倾斜角度;将倾斜的晶圆进行旋转操作保证旋转中心为几何中心,旋转后的晶圆图像垂直;基于设定的形态学结构元素进行水平与竖直的直线提取并计算其长度;根据长度与设定的阈值比较即可判断晶圆是否有崩边或是崩角缺陷;基于全局轮廓与最外层轮廓相减的方法,层层递进得到晶粒区晶圆的特征轮廓信息,对其包围面积值判断即可对缺陷的检测;本发明实现了较高精度的崩边、崩角、晶粒区的检测及提供了一种方法指导。
Description
技术领域
本发明涉及半导体缺陷检测与图像处理技术领域,尤其涉及一种可用于晶圆缺陷检测的任意倾斜角晶圆直线边长的提取与晶粒区隔离方法。
背景技术
在半导体相关产品中,晶片是一种半成品,其进行深加工即可得到可用于实际生产的芯片。研究数据显示,2018年以来半导体相关产品的生产总销量持续增加,在未来将会有更多的资金投向半导体行业。尤其在中国半导体产品市场巨大,中国政府计划在未来十年约投资1000亿美元用于半导体相关行业产品的研发。本专利研究的晶圆主要用于制造稳压与镇流及防雷芯片,其广泛应用于工业、农业及日常生活中,其中晶圆的好坏是保证产品质量的重要前提。在我国相关晶圆的生产厂家主要集中在河北秦皇岛地区,其中晶圆的好坏主要还是依靠人工检测,效率不是很高且需要较大的人工成本。
现今用于晶片表面缺陷检测的方法主要包含了三大类方法即基于机器学习的分类检测方法、基于图像处理的缺陷检测方法、以及基于人工检测的方法。其中机器学习的方法又包含了监督式与非监督式以及强化学习等。对于机器学习算法主要的优点是主要保证足够的训练集,通常检测的结果具有较高的准确率。但是对于初期生产胡的晶圆往往没有较大的缺陷类型的训练集可以被提供,因此机器学习算法是不能满足该阶段少样本集的条件。图像处理的方法主要有直方图匹配、模板匹配、角点检测、轮廓面积以及轮廓周长等。直方图匹配广泛应用于图像的匹配,其中匹配的主要特征是图片不同灰度值像素点的个数。该算法的主要特点是检测的方法简答易于实现,但是可能会出现匹配结果精度很高但是两幅图片的相差很大的情况。模板的匹配主要是基于模板去检测晶圆上特定形状的缺陷,这样的检测的结果鲁棒性差,因为模板不可能包含所有的缺陷类型。计算周长与面积是应用最为广泛和成熟的方法,计算周长的原理是将晶圆的轮廓线连接起来,与设定的阈值进行比较,若测量的轮廓线长度位于规定的范围内则晶圆完好。这两种算法判断精度有了明显的提高较直方图统计,能满足一般精度的要是,但是若晶圆出现微小的崩边情况其检测的精度往往很低。
人工检测主要的缺陷是检测的效率较低,同时不能长时间的工作,检测的结果易受心情的影响,同时需要较高的成本。结合现有方法的优点和缺点,本发明设计了能满足该类型晶圆微小缺陷的晶圆表面缺陷检测的新型算法同时不需要训练集满足了晶圆少样本的情况。
发明内容
本发明的目的在于提供一种任意倾斜角度的晶圆边缘的直线提取算法与轮廓隔离方法以用于晶圆缺陷的检测中,同时为基于图像检测目标物缺陷提供了一种有价值的参考方法。
本发明的目的是通过以下技术方案来实现的:一种高精度任意倾斜角晶圆直线边长的提取与晶粒区隔离的缺陷检测方法,所述的晶圆直线边长的提取方法包括:
(1)首选进行晶圆数字图像的采集作为原图像,拍照设备必须可以屏蔽环境光,将环境光的不确定性干扰降低到最低,获取的是RGB彩色图像;
(2)对原图像进行降采样,对提取到的彩色图像进行灰度化处理再进行滤波处理,然后灰度化二值化;
(3)求二值图最小轮廓矩,此处的最小轮廓矩所对应的矩形的倾斜角度与晶圆的倾斜角度相一致;最小轮廓矩的求解得到晶圆的几何中心与倾斜角度;
(4)将倾斜的晶圆进行旋转操作保证旋转中心为几何中心,旋转后的晶圆图像垂直;
(5)基于设定的形态学结构元素进行水平与竖直的直线提取并计算其长度,采用单一像素宽度水平与竖直形态学结构元素提取水平与竖直边,求解对应四条直线的轮廓矩,矩形轮廓对应的边线连码信息得到直线的首末坐标点,长边端点坐标的值分别减1即可求出对应水平与竖直线的长度;
(6)根据长度与设定的阈值比较即可判断晶圆是否有崩边或是崩角缺陷。
进一步的,所述的晶圆直线边长的提取方法在滤波处理降采样两次得到满足要求较小的图像,所述降采样的方法为:
自认界中的景象都是连续变化的,瞬时光亮度计量可表示为:
对于红绿蓝光有着不同的响应值
其中Vs(λ)代表光谱响应;C(x,y,t,λ)代表像源空间辐射能量分布;R(x,y,t)、G(x,y,t)、B(x,y,t)分别表示红绿蓝基色光谱激励值;
模拟图像转化为数值图像采样函数的表示:
其中δ(x,y)为二维单位冲激函数,在间隔为(Δx,Δy)的网格上构成采样栅格,其中Δx、Δy称为空间采样周期;
采样空间的频率谱可表示为:
其中Ωx=1/Δx,Ωy=1/Δy是空间样本频率。对于采样图像gs(x,y)可表示为:
进一步的,所述的晶圆直线边长的提取方法步骤2中所述的灰度化处理的公式为Gray=R*0.299+G*0.587+B*0.114,所述的滤波包括双边滤波和形态学滤波,先进行双边滤波然后进行形态学滤波,进行形态学的操作先膨胀后腐蚀;形态学的结果元素为2个像素的矩形结构元素;双边滤波公式为:
形态学膨胀方法为:
形态学腐蚀操作原理:
进一步的,所述步骤(3)旋转方法为根据最小轮廓矩形可以求出四个角点的坐标以及矩形的倾斜角度,对任意角度的图像进行垂直化旋转,由四个角点的坐标得到晶圆在图像中的几何中心位置,矩形的倾斜角度也是晶圆图像的旋转角度;为了保证晶圆的轮廓完整,旋转中心必须是晶圆的几何中心,旋转的角度顺时针为正逆时针为负,旋转后的新图形多出的部分用白色补齐对应的RGB=(255,255,255);
(1)当0°≤α≤45°
Angle of rotation=-α (8)
(2)当45°<α<90°
Angle of rotation=(90-α)。 (9)
进一步的,所述步骤(5)中,在晶圆直线边长的提取前需定义结构元素,结构元素的长度是晶圆的边长二分之一,过小会检测出许多无关的边缘,过大会出现检测不到边缘;
S水平=cols/2
S竖直=rows/2。
进一步的,所述的减1的方式为水平边的x值做标减1,竖直边的y值减1。
进一步的,所述的轮廓隔离法包括图像的保边滤波,图像的锐化,灰度化,固定阈值二值化,旋转,然后基于一阶梯度进行全局图像的轮廓提取记为image1,然后提取晶圆的最外层轮廓边缘记为image2,对image2中的最外层轮廓线扩展其宽度,再减去image1,即可剥离第一层轮廓;再进行同样的处理,即可剥离第二层轮廓得到只有晶粒区特征的轮廓,对仅含有晶粒区的轮廓图像进行分析,若轮廓包围的面积值小于设定的满足工业生产的最小阈值时则说明没有缺陷,否则含有缺陷。
进一步的,一阶梯度的算子为[-1,1]用于检测竖直的边缘,[-1,1]T用于检测水平的边缘,以及检测45度(M1)与135度(M2)方向上的边缘,四个方向上的边缘合成以完整的边缘图像,其中
进一步的,所述的晶粒区隔离方法对image2中的最外层轮廓线扩展其宽度得到image3,再减去image1,即可剥离第一层轮廓,扩展的方式为水平线上下各扩展5个像素,竖直线左右各扩展5个像素,
E水平=Pwidth±5(P∈LINE水平)
E竖直=Pwidth±5(P∈LINE竖直)。
进一步的,所述的晶粒区隔离方法每一次剥离前的图像为上一次剥离后的图像,共需要剥离两次。
本发明实现了较高精度的崩边、崩角、晶粒区的检测及提供了一种方法指导,并且采样量较少,处理速度快,能够有效判断晶圆的缺陷。
附图说明
图1晶圆表面图像采集设备;
图2二维采样函数;
图3任意角度晶圆旋转原理图:图3(a)为原图;图3(b)为旋转原理图;
图4晶圆水平与竖直轮廓线段的精确提取
图5高精度水平与竖直线计算图:图5(a)为高精度水平线计算示意图;图5(b)为竖直线计算示意图;
图6提取的直线与原图精度对比图;
图7轮廓隔离法的实现原理图。
具体实施方式
下面结合说明书附图,对本发明的技术方案作进一步说明。
1实验的软件与硬件环境
电脑硬件与软件配置,采用WINSOWS7 64位系统,处理器为AMD FX-8350,内存DDR312G,硬盘SSD 850,显卡R9 390。图像分析处理软件是基于Visual Studio12为平台,图像处理的库是OpenCV版本为3.0。
2晶圆的图像采集
选取的摄像头尽量保证采用全局扫描的形式而不是各行扫描,目的是为了保证所拍摄的晶圆图像没有条纹进也是保证检测精度前提。图像采集所采用的是工业定焦距镜头,品牌为大恒图像,定焦可以保证即使是针对不同晶圆也可以保证每个晶片图像大小相等,同样有助于提高检测的精度。摄像头的感光芯片靶面尺寸大小为2/3"(8.8mm*6.6mm),五百万像素即每个像素点之间的距离精度可达3.6um,对于1mm*1mm的晶圆实现50um的检测精度,完全可满足缺陷检测的精度要求。本专利晶圆图像的采集设备如图1所示,摄像头的扫描方式为全局扫描。晶圆图片拍摄设备搭建,拍摄的设备首先必须可以屏蔽环境光,将环境光的不确定性干扰降低到最低,打光采用高亮度的Led光源保证图像的清晰。
(1)模拟图像的表达:
自认界中的景象都是连续变化的,瞬时光亮度计量可表示为:
对于红绿蓝光有着不同的响应值
其中Vs(λ)代表光谱响应;C(x,y,t,λ)代表像源空间辐射能量分布;R(x,y,t)、G(x,y,t)、B(x,y,t)分别表示红绿蓝基色光谱激励值。
(2)模拟图像转化为数值图像采样函数的表示:
其中δ(x,y)为二维单位冲激函数,在间隔为(Δx,Δy)的网格上构成采样栅格如图2,其中Δx、Δy称为空间采样周期。
采样空间的频率谱可表示为:
其中Ωx=1/Δx,Ωy=1/Δy是空间样本频率。对于采样图像gs(x,y)可表示为:
经过模拟图像的降采样处理即可得到间断变化的数值图像,采样图像采用同样的光照条件以及摄像头参数。
本发明采用的晶圆拍照摄像头的分辨率为500万像素,在图像中的晶圆旋转操作若不进行降采样处理则运算很大,处理的效率很低。500万即对应的分辨率为2560*1920,通过降采样一次得到2560/2*1920/2的图像,降采样两次即可得到较小计算量的图像对应的分辨率为640*480。
3晶圆的特征分析
晶圆需要检测的区域主要包含了,外轮廓区、氧化膜区和晶粒区。产生的晶片为了能满足深加工的需要,以上对应的每个区域都不允许有瑕疵,对应的精度为10um左右。一般研究的晶圆尺寸为1mm*1mm,2mm*2mm,3mm*3mm,4mm*4mm,5mm*5mm,通常生产的产品以1mm*1mm大小的晶圆为主,为了满足10um的精度对算法有着较高的要求。完好的晶圆外轮廓线为封闭的正方形,4条直线组成了轮廓,直线具有两两垂直的关系,且每条直线的长度相等。氧化膜区对应的为一连通区域,其对应的氧化膜同样可以提取4条直线,理论上对应直线的长度应相等。晶粒区是高纯度的硅材料组成,在上面进一步加工即可得到可以使用的芯片,但晶粒区必须保证不能存在任何瑕疵。
缺陷检测的方法很多,有的是基于表面图像的检测,有的是基于电磁波的检测。基于表面图像特征的检测方法中,已经在很多领域有了成功的应用,主要是图像处理方法以及基于图像的机器学习分类方法。机器学习要求的数据样本大通常一种缺陷的训练样本要求高达10万张图片,这样才能训练出好的分类器。对于机器学习算法所有训练样本数会高达100万张,要获得这么多的样本无疑这是非常耗时的,这样大的样本量需要的成本较高,若降低训练集的数量,测试的精度仅仅约为50%。基于图像处理方法是应用最为广泛的方法,面积大小判断可以满足一般精度的缺陷检测但是不能满足高精度要求,通常的准确率仅能达到60%左右。但是研究结果的精度最高仅能达到70%左右,相比工业产生的90%精度还有较大的差距。
4直线边长提取与计算的前旋转处理
对应任意倾斜角度晶圆图像的垂直化处理,即保证图像中的晶圆图像一边与图像的底边垂直,已满足本专利中直线提取晶圆边的需要:采用到的图像为RGB彩色图像,降采样后进行灰度化处理,对应的灰度化处理的公式为Gray=R*0.299+G*0.587+B*0.114,对应的灰度级为0至255共256个灰度级。
灰度化处理后,降采样后得到的晶圆图像依然有噪声的存在,需要进行滤波处理,滤波的方式选用保边滤波,常用的保边滤波有中值和双边滤波,本专利中采用双边滤波的形式。对灰度图像进行双边滤波处理,然后进行形态学的操作先膨胀后腐蚀,主要依据是拍摄的背景的颜色接近于255保证了去除无关的灰度值小的噪点。但是值得注意的是,形态学的结果元素不易选择过大,过大的结构元素会使图像的边缘变形,同时伴有锯齿,建议的大小为2个像素的矩形结构元素。
双边滤波是一种保边的滤波方法,是结合图像的空间邻阈和像素值相似度的一种折衷处理,同时将空域信息和领域灰度相值似性结合起来处理,进而达到保边去噪的目的。目标点上的像素值通常是由其所在位置上的周围的一个小局部邻居像素的值所决定。双边滤波中包含了重要一步就是高斯滤波,对周围的一定范围内的像素值分别赋以不同的高斯权重值,并在加权平均后得到当前点的最终结果。通过高斯分布函数可知,离目标像素越近的点对最终结果的贡献越大对应的权值越大,反之则越小对应的双边滤波公式为:
形态学滤波:形态学滤波的最基本的操作是膨胀与腐蚀处理,在膨胀与腐蚀处理的基础上又分为形态学的开操作、闭操作、顶帽、黑帽以及形态学梯度,在图像处理中都具有重要的应用。形态学的开与闭操作可以消除细小的突出物等等,同时不会明显的改变晶圆轮廓的大小。本发明中先采用膨胀处理然后进行腐蚀处理。形态学膨胀操作原理:
形态学腐蚀操作原理:
对于已经滤波的灰度图像进行二值化处理,由于拍摄的背景与打光环境是恒定的,二值化处理可以采用固定阈值二值化处理的方式threshold(pic,dst,200,255,cv2.THRESH_BINARY)。
对于二值图像求其最小轮廓矩,此处的最小轮廓矩所对应的矩形的倾斜角度与晶圆的倾斜角度相一致。做最小轮廓矩处理,即使所拍摄的晶圆图像没有四个角,也可以求出其任意倾斜角度的矩形。由最小轮廓矩,可以得到晶圆四条边的对应线的连码信息,根据此连码信息可以绘制在空白图像中与晶圆尺寸大小近似相等的倾斜晶圆最外轮廓矩形,根据此矩形可以根据函数得到其四个角点的坐标以及矩形的倾斜角度。由四个角点的坐标可以得到晶圆在图像中的几何中心位置,此位置同样是旋转处理的几何中心,矩形的倾斜角度也是晶圆图像的旋转角度。值得注意的是,最小轮廓矩与晶圆图像的空间坐标系相同,即大小与位置对应。
考虑到在自动生成线上的晶圆不能严格垂直,所以对任意角度的图像进行垂直化旋转是有必要的。HOUGH可以检测任意角度的直线但鲁棒性差,本文的检测算法是提取水平与竖直线,所以需进行旋转处理,旋转的中心点为晶圆几何中心O即线AB与CD的角点,如图3所示。其中晶圆的中心确定方式为求解任何倾斜角度的最外轮廓倾斜矩形,依据矩形的边即可得到对应的四个顶点,即使对应的晶圆一角有严重的缺失情况依然可以满足要求。为了保证晶圆的轮廓完整,旋转中心必须是晶圆的几何中心,旋转的角度顺时针为正逆时针为负,旋转后的新图形多出的部分用白色补齐对应的RGB=(255,255,255)。如图3(a)和图3(b)所示。
(1)当0°≤α≤45°
Angle of rotation=-α (8)
(2)当45°<α<90°
Angle of rotation=(90-α) (9)
其中α代表晶圆倾斜角,对于方形的晶圆通常0°≤α≤45°。旋转后的晶圆轮廓直线垂直于图像的边缘如图3(b)所示。
当然也可以按照自己定义的其他方式,只要保证旋转后的晶圆在对应的图像中保持垂直即可。
定义结构元素,对旋转好的晶圆图像定义直线提取的结构元素,以便于水平与竖直边的提取:本发明中轮廓隔离法与直线提取法的初始图像可以是相同的图片可以是不同的,因为在轮廓隔离法中晶圆图像是否垂直对轮廓隔离法的实现没有影响,具有任意倾斜角度适应性。晶圆水平与竖直边线的提取,可以采用HOUGH直线的提取算法,但是HOUGH直线的提取检测算法是基于概率阈值,当在同一条直线上点的个数超过设定的阈值是,可以得到对应的直线,但是若晶圆出现崩边的情况,同样检测出对应的直线影响结果,对应的结果并不能作为有效判断是否与缺陷的依据。本专利采用的边缘直线提取算法是,单一像素宽度水平与竖直形态学结构元素,结构元素的长度与晶圆的边长二分之一。
S水平=cols/2
S竖直=rows/2
通过处理得到的水平与竖直边缘线中,所有的像素点不是严格的位于同一条单一像素宽度的线上,需要进行进一步处理得到一条单一像素宽度的严格直线。采用的方法是,求解对应四条直线的数值轮廓矩,再矩形轮廓矩对应的边线连码信息得到直线的首末做标点,长边端点做标的值分别减1即可求出对应水平与数据线的长度。减1的方式为水平边的x值做标减1,竖直边的y值减1,要注意图像的坐标系与笛卡尔坐标系的差异。
采用提取直线段的方法来判断晶圆的轮廓,主要原因有:
(1)采用机器学习的方法对晶圆进行检测,需要大量的训练样本,在研究的初期不可能有多大几十万的样本被提供,晶圆的成本较高,同时样本的训练比较耗时;
(2)若基于传统图像处理方法,其中应用最成功的是面积阈值法来判断外轮廓区域氧化膜区的缺陷,有缺陷的晶圆图像其包围的轮廓面积也有可能相等,会使检测的结果精度很低特别是微小表型的情况下;
(3)若采用封闭轮廓线的总长度来判断,完整轮廓线的长度即等于每个轮廓像素点的总和,通常情况下提取的轮廓线不是严格的直线,同样会产生很大的误差;
(4)当采用面积大小与封闭轮廓线的总长度一起判断,作者经过大量的实验表明,判断的准确性会有一定程度的提高,但是对微小崩角或是微小崩边的情况检测精读几乎不会提高;
(5)采用水平线与竖直线分开提取的方法,仅计算水平与竖直的直线段,若晶圆有崩角或是崩边对应的缺陷将不会计入直线的总长度,有助于使轮廓线长度计算得更加准确。
能将水平与竖直线段精确的提取出来,主要基础理论是基于图像形态学操作,其原理如公式(12)和公式(11)。基于概率HOUGH的直线检测算法精度低的主要原因是HOUGH直线的检测易受周围噪声的影响稳定性不能满足高精度的提取要求。因此作者采用了自定义形态学单像素宽度的结构元素进行晶圆的直线轮廓检测,分别包含了水平结构元素与竖直结构元素,结构元素的定义如图4所示。
水平线与垂直线的细化与长度计算是文中最为核心的创新点,要想准确的检测出晶圆是否有缺陷,精确的水平与竖直线长度是最重要的前提。对于图4中得到的水平与竖直线其还不是标准的直线,为了准确的判断必须将其将转为标准直线。但是现今还没有一种将曲线转化为标准直线的算法,对于这个难题作者采用的方法是求解出水平与竖直线段的最小轮廓矩形如图5(a)所示。此时的图5(a)中的1`,2`,3`,4`为提取的对应竖直直线段,对应的线段长度可以准确的计算出来,原理是根据线段的两端点坐标求出欧氏距离L1,L2,L3,L4,同理可以求出水平线的长度如图5(b)。求出的水平线与竖直线分别包含了外轮廓区域与氧化膜区,与设定好的阈值比较即可判断晶圆对应的区域是否有缺陷。
此处计算L1,L2,L3,L4的长度的方法包含三种,他们计算的结果都相等。分别是欧式距离法
L[(x1,y1),(x2,y2)=((x1-x2)2+(y1-y2)2)1/2 (13)
城区距离法
L[(x1,y1),(x2,y2)=|x1-x2|+|y1-y2| (14)
棋盘距离法
L[(x1,y1),(x2,y2)=max(|x1-x2|,|y1-y2|) (15)
提取的直线段与原图对比
为了验证水平与竖直线提取的精度,分别将水平与竖直线绘制在原图上如图6所示。
5轮廓隔离方法的实现
晶粒区的缺陷可能出现晶粒区的任何位置,大小与形状也是随机。因此采用轮廓隔离法去掉外边缘与氧化膜区的轮廓曲线,即可得到晶粒区缺陷的轮廓线,当在该区域没有找到对应的轮廓线(对应的面积为零)时即该区域没有缺陷。
现有的轮廓提取算法仅能提取最外轮廓和图像的全部轮廓,因此要实现对特定晶粒区域的判断必要采用新的算法。根据长期的研究总结发现,可以采用轮廓隔离法来提取晶粒缺陷区域的轮廓属性,并根据轮廓所包围的面积即可做出准确的判定。
轮廓隔离法的作用是提取晶粒区的缺陷成分的轮廓信息,根据此信息进行晶粒区缺陷的判断。轮廓隔离法需要注意的是,直接对原图像进行处理,不能降采样。降采样后得到晶圆图像可能会丢失晶粒区部分缺陷的类型,比如划痕与断痕。轮廓隔离法仅需要的前处理包括,图像的保边滤波,图像的锐化,灰度化,固定阈值二值化。保边滤波的目的是在去除噪声的同时,尽可能的保留晶圆的轮廓信息,降低了误检的可能性。锐化是为了增强晶圆的轮廓与缺陷的轮廓信息,便于对晶粒区缺陷的识别。
灰度化的公式依然为Gray=R*0.299+G*0.587+B*0.114,由于没有了降采样运算量较大,但是保证检测的前提。灰度化后进行固定阈值二值化处理,处理后的图像仅包含背景与前景,前景即为晶圆的信息。
然后基于一阶梯度进行全局图像的轮廓提取,为了降低噪音的影响在提取轮廓前可以加入中值滤波算法,中值滤波的宽度为3个像素点。一阶梯度的算子为[-1,1]用于检测竖直的边缘,[-1,1]T用于检测水平的边缘,以及检测45度与135度方向上的边缘M1与M2。最后将所有的边缘整个到同一图像中即可得到完整的晶圆轮廓线,若包含有晶粒区的缺陷则缺陷对应的边缘也会被提取出来记为image1,其中:
然后提取晶圆的最外层轮廓边缘记为image2,对image2中的最外层轮廓线扩展其宽度,再减去image1,即可剥离第一层轮廓。在进行同样的处理,即可剥离第二层轮廓得到只有晶粒区特征的轮廓。值得注意的是,图像相减是会出现图灰度小于0的情况,若出现则对应像素点的灰度值为0。对仅含有晶粒区的轮廓图像进行分析,若对应区域包含有轮廓即有特征缺陷,其包围的面积值与设定的满足工业生产的最小阈值时则说明没有缺陷,否则含有缺陷。
轮廓隔离法算法的具体原理结合图7进行详细的说明:
(1)经过保边滤波,图像的锐化,灰度化,固定阈值二值化、旋转等一系列前处理后,即可得到能进行轮廓提取的晶圆图像,轮廓提取的算法可以采用一阶导数与二阶导数轮廓提取算法,例如Canny,Sobel,等。处理后的图像为image1是为芯片整体轮廓图像其灰度值为255,其他区域的值为0,图7中为了便于解释说明灰度值为0的区域加上了灰度。
(2)采用最外层轮廓提取算法,即可得到晶圆外轮廓区域的轮廓image2,轮廓线的灰度值为255,背景灰度值为0。对image2中的最外层轮廓线扩展其宽度得到image3,再减去image1,即可剥离第一层轮廓,扩展的方式为水平线上下各扩展5个像素,竖直线左右各扩展5个像素,
E水平=Pwidth±5(P∈LINE水平)
E竖直=Pwidth±5(P∈LINE竖直)。
用image1减去image3即可得到image4,但是为了在image1上全部去掉最外层轮廓线,必须对image2的轮廓线进行膨胀处理得到image3,图7是为了便于说明因此写为腐蚀处理。
(3)同理即可得到image5与image6,image4减去image6即可得到仅包含晶粒区缺陷的图像即image7,求其轮廓最小包围的面积若面积等于0则说明晶粒区没有缺陷,若面积大于0则说明晶粒与有缺陷。这里需要注意的是会出现灰度值差小于0的情况,若小于0则对应点的像素值等于0来处理。作者经过大量的验证发现,晶粒区域的缺陷准确率可以达到100%。
Claims (10)
1.一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法,其特征在于所述的晶圆直线边长的提取方法包括:
(1)首选进行晶圆数字图像的采集作为原图像,拍照设备必须可以屏蔽环境光,将环境光的不确定性干扰降低到最低,获取的是RGB彩色图像;
(2)对原图像进行降采样,对提取到的彩色图像进行灰度化处理再进行滤波处理,然后灰度化二值化;
(3)求二值图最小轮廓矩,此处的最小轮廓矩所对应的矩形的倾斜角度与晶圆的倾斜角度相一致;最小轮廓矩的求解得到晶圆的几何中心与倾斜角度;
(4)将倾斜的晶圆进行旋转操作保证旋转中心为几何中心,旋转后的晶圆图像垂直;
(5)基于设定的形态学结构元素进行水平与竖直的直线提取并计算其长度,采用单一像素宽度水平与竖直形态学结构元素提取水平与竖直边,求解对应四条直线的轮廓矩,矩形轮廓对应的边线连码信息得到直线的首末坐标点,长边端点坐标的值分别减1即可求出对应水平与竖直线的长度;
(6)根据长度与设定的阈值比较即可判断晶圆是否有崩边或是崩角缺陷。
2.根据权利要求1所述的一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法,其特征在于,所述的晶圆直线边长的提取方法在滤波处理降采样两次得到满足要求较小的图像,所述降采样的方法为:
自认界中的景象都是连续变化的,瞬时光亮度计量可表示为:
对于红绿蓝光有着不同的响应值
其中Vs(λ)代表光谱响应;C(x,y,t,λ)代表像源空间辐射能量分布;R(x,y,t)、G(x,y,t)、B(x,y,t)分别表示红绿蓝基色光谱激励值;
模拟图像转化为数值图像采样函数的表示:
其中δ(x,y)为二维单位冲激函数,在间隔为(Δx,Δy)的网格上构成采样栅格,其中Δx、Δy称为空间采样周期;
采样空间的频率谱可表示为:
其中Ωx=1/Δx,Ωy=1/Δy是空间样本频率,对于采样图像gs(x,y)可表示为:
3.根据权利要求1所述的一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法,其特征在于,所述的晶圆直线边长的提取方法步骤2中所述的灰度化处理的公式为Gray=R*0.299+G*0.587+B*0.114,所述的滤波包括双边滤波和形态学滤波,先进行双边滤波然后进行形态学滤波,进行形态学的操作先膨胀后腐蚀;形态学的结果元素为2个像素的矩形结构元素;双边滤波公式为:
形态学膨胀方法为:
形态学腐蚀操作原理:
4.根据权利要求1所述的一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法,其特征在于所述步骤(3)旋转方法为根据最小轮廓矩形可以求出四个角点的坐标以及矩形的倾斜角度,对任意角度的图像进行垂直化旋转,由四个角点的坐标得到晶圆在图像中的几何中心位置,矩形的倾斜角度也是晶圆图像的旋转角度;为了保证晶圆的轮廓完整,旋转中心必须是晶圆的几何中心,旋转的角度顺时针为正逆时针为负,旋转后的新图形多出的部分用白色补齐对应的RGB=(255,255,255);
(1)当0°≤α≤45°
Angle of rotation=-α (8)
(2)当45°<α<90°
Angle of rotation=(90-α) (9)。
5.根据权利要求1所述的一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法,其特征在于所述步骤(5)中,在晶圆直线边长的提取前需定义结构元素,结构元素的长度是晶圆的边长二分之一,过小会检测出许多无关的边缘,过大会出现检测不到边缘;
S水平=cols/2
S竖直=rows/2。
6.根据权利要求1所述的一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法,其特征在于,减1的方式为水平边的x值做标减1,竖直边的y值减1。
7.根据权利要求1所述的一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法,其特征在于所述的轮廓隔离法需要的前处理包括,图像的保边滤波,图像的锐化,灰度化,固定阈值二值化,旋转,然后基于一阶梯度进行全局图像的轮廓提取记为image1,然后提取晶圆的最外层轮廓边缘记为image2,对image2中的最外层轮廓线扩展其宽度,再减去image1,即可剥离第一层轮廓;再进行同样的处理,即可剥离第二层轮廓得到只有晶粒区特征的轮廓,对仅含有晶粒区的轮廓图像进行分析,若轮廓包围的面积值小于设定的满足工业生产的最小阈值时则说明没有缺陷,否则含有缺陷。
8.根据权利要求7所述的一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法,其特征在于,一阶梯度的算子为[-1,1]用于检测竖直的边缘,[-1,1]T用于检测水平的边缘,以及检测45度(M1)与135度(M2)方向上的边缘,四个方向上的边缘合成以完整的边缘图像,其中
9.根据权利要求7所述的一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法,其特征在于,所述的晶粒区隔离方法对image2中的最外层轮廓线扩展其宽度得到image3,再减去image1,即可剥离第一层轮廓,扩展的方式为水平线上下各扩展5个像素,竖直线左右各扩展5个像素,
E水平=Pwidth±5(P∈LINE水平)
E竖直=Pwidth±5(P∈LINE竖直)。
10.根据权利要求7所述的一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法,其特征在于,所述的晶粒区隔离方法每一次剥离前的图像为上一次剥离后的图像,共需要剥离两次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524038.1A CN110276750A (zh) | 2019-06-17 | 2019-06-17 | 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524038.1A CN110276750A (zh) | 2019-06-17 | 2019-06-17 | 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110276750A true CN110276750A (zh) | 2019-09-24 |
Family
ID=67960966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910524038.1A Pending CN110276750A (zh) | 2019-06-17 | 2019-06-17 | 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276750A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111412864A (zh) * | 2020-02-26 | 2020-07-14 | 长安大学 | 一种基于磨痕灰度相似性的磨痕角自动检测方法 |
CN111563952A (zh) * | 2020-03-30 | 2020-08-21 | 北京理工大学 | 基于相位信息与空间纹理特征实现立体匹配方法及系统 |
CN111681222A (zh) * | 2020-04-16 | 2020-09-18 | 江苏京创先进电子科技有限公司 | 一种刀痕崩边自动检测判断方法及其应用的划片机 |
CN112014407A (zh) * | 2020-09-03 | 2020-12-01 | 浙江长芯光电科技有限公司 | 一种集成电路晶圆表面缺陷检测的方法 |
CN113077449A (zh) * | 2021-04-08 | 2021-07-06 | 仲恺农业工程学院 | 一种矩形晶片角缺陷的图像检测方法 |
WO2021146935A1 (zh) * | 2020-01-21 | 2021-07-29 | 京东方科技集团股份有限公司 | 图像缺陷确定方法与装置、电子设备及存储介质 |
CN113567310A (zh) * | 2021-07-30 | 2021-10-29 | 重庆大学 | 一种包覆颗粒的检测方法及其装置 |
CN113822883A (zh) * | 2021-11-22 | 2021-12-21 | 中导光电设备股份有限公司 | 一种基于寻找晶圆直边的晶圆对位方法和系统 |
CN115375693A (zh) * | 2022-10-27 | 2022-11-22 | 浙江托普云农科技股份有限公司 | 农业信息采集传感器探头缺陷检测方法、系统及装置 |
CN116309594A (zh) * | 2023-05-23 | 2023-06-23 | 广东麦特维逊医学研究发展有限公司 | 眼前节oct图像处理方法 |
CN116703930A (zh) * | 2023-08-09 | 2023-09-05 | 湖北三环三立汽车后视镜有限公司 | 一种汽车后视镜模具成型检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011237303A (ja) * | 2010-05-11 | 2011-11-24 | Sumco Corp | ウェーハ欠陥検査装置及びウェーハ欠陥検査方法 |
US20140268122A1 (en) * | 2011-09-28 | 2014-09-18 | Hitachi High-Technologies Corporation | Defect inspection method and defect inspection device |
CN104568983A (zh) * | 2015-01-06 | 2015-04-29 | 浙江工业大学 | 基于主动式全景视觉的管道内部功缺陷检测装置及方法 |
CN107273903A (zh) * | 2017-05-22 | 2017-10-20 | 哈尔滨工程大学 | 基于lsd改进的uuv近海面可见光图像海天线提取方法 |
CN107452030A (zh) * | 2017-08-04 | 2017-12-08 | 南京理工大学 | 基于轮廓检测和特征匹配的图像配准方法 |
CN109859160A (zh) * | 2018-12-10 | 2019-06-07 | 湖南航天天麓新材料检测有限责任公司 | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 |
-
2019
- 2019-06-17 CN CN201910524038.1A patent/CN110276750A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011237303A (ja) * | 2010-05-11 | 2011-11-24 | Sumco Corp | ウェーハ欠陥検査装置及びウェーハ欠陥検査方法 |
US20140268122A1 (en) * | 2011-09-28 | 2014-09-18 | Hitachi High-Technologies Corporation | Defect inspection method and defect inspection device |
CN104568983A (zh) * | 2015-01-06 | 2015-04-29 | 浙江工业大学 | 基于主动式全景视觉的管道内部功缺陷检测装置及方法 |
CN107273903A (zh) * | 2017-05-22 | 2017-10-20 | 哈尔滨工程大学 | 基于lsd改进的uuv近海面可见光图像海天线提取方法 |
CN107452030A (zh) * | 2017-08-04 | 2017-12-08 | 南京理工大学 | 基于轮廓检测和特征匹配的图像配准方法 |
CN109859160A (zh) * | 2018-12-10 | 2019-06-07 | 湖南航天天麓新材料检测有限责任公司 | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 |
Non-Patent Citations (3)
Title |
---|
FUQIANG ZHONG, SONGPING HE, BIN LI: "Blob analyzation-based template matching algorithm for LED chip localization", 《THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
唐朋朋,刘桂礼,李东,王艳林: "基于OpenCv的石英晶片缺陷检测", 《北京信息科技大学学报(自然科学版)》 * |
孙彦春: "基于数字图像处理的水晶晶片缺陷检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021146935A1 (zh) * | 2020-01-21 | 2021-07-29 | 京东方科技集团股份有限公司 | 图像缺陷确定方法与装置、电子设备及存储介质 |
CN111412864A (zh) * | 2020-02-26 | 2020-07-14 | 长安大学 | 一种基于磨痕灰度相似性的磨痕角自动检测方法 |
CN111412864B (zh) * | 2020-02-26 | 2021-12-07 | 长安大学 | 一种基于磨痕灰度相似性的磨痕角自动检测方法 |
CN111563952B (zh) * | 2020-03-30 | 2023-03-14 | 北京理工大学 | 基于相位信息与空间纹理特征实现立体匹配方法及系统 |
CN111563952A (zh) * | 2020-03-30 | 2020-08-21 | 北京理工大学 | 基于相位信息与空间纹理特征实现立体匹配方法及系统 |
CN111681222A (zh) * | 2020-04-16 | 2020-09-18 | 江苏京创先进电子科技有限公司 | 一种刀痕崩边自动检测判断方法及其应用的划片机 |
CN111681222B (zh) * | 2020-04-16 | 2023-11-14 | 江苏京创先进电子科技有限公司 | 一种刀痕崩边自动检测判断方法及其应用的划片机 |
CN112014407A (zh) * | 2020-09-03 | 2020-12-01 | 浙江长芯光电科技有限公司 | 一种集成电路晶圆表面缺陷检测的方法 |
CN113077449A (zh) * | 2021-04-08 | 2021-07-06 | 仲恺农业工程学院 | 一种矩形晶片角缺陷的图像检测方法 |
CN113077449B (zh) * | 2021-04-08 | 2022-04-08 | 仲恺农业工程学院 | 一种矩形晶片角缺陷的图像检测方法 |
CN113567310A (zh) * | 2021-07-30 | 2021-10-29 | 重庆大学 | 一种包覆颗粒的检测方法及其装置 |
CN113822883A (zh) * | 2021-11-22 | 2021-12-21 | 中导光电设备股份有限公司 | 一种基于寻找晶圆直边的晶圆对位方法和系统 |
CN115375693A (zh) * | 2022-10-27 | 2022-11-22 | 浙江托普云农科技股份有限公司 | 农业信息采集传感器探头缺陷检测方法、系统及装置 |
CN115375693B (zh) * | 2022-10-27 | 2023-02-10 | 浙江托普云农科技股份有限公司 | 农业信息采集传感器探头缺陷检测方法、系统及装置 |
CN116309594A (zh) * | 2023-05-23 | 2023-06-23 | 广东麦特维逊医学研究发展有限公司 | 眼前节oct图像处理方法 |
CN116309594B (zh) * | 2023-05-23 | 2023-08-15 | 广东麦特维逊医学研究发展有限公司 | 眼前节oct图像处理方法 |
CN116703930A (zh) * | 2023-08-09 | 2023-09-05 | 湖北三环三立汽车后视镜有限公司 | 一种汽车后视镜模具成型检测方法 |
CN116703930B (zh) * | 2023-08-09 | 2023-10-31 | 湖北三环三立汽车后视镜有限公司 | 一种汽车后视镜模具成型检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276750A (zh) | 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN111243032B (zh) | 一种棋盘格角点全自动检测方法 | |
Zhou et al. | A surface defect detection framework for glass bottle bottom using visual attention model and wavelet transform | |
CN110286126A (zh) | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
Tian et al. | Rectification and 3D reconstruction of curved document images | |
CN110569857B (zh) | 一种基于质心距离计算的图像轮廓角点检测方法 | |
CN107749268B (zh) | 屏幕检测方法及设备 | |
CN111339951A (zh) | 体温测量方法、装置及系统 | |
CN107240112B (zh) | 一种复杂场景下个体x角点提取方法 | |
US20100054595A1 (en) | Automatic Image Straightening | |
WO2011146006A1 (en) | Methods and systems for identifying well wall boundaries of microplates | |
CN109948521B (zh) | 图像纠偏方法和装置、设备及存储介质 | |
TW201220039A (en) | Inspection recipe generation and inspection based on an inspection recipe | |
CN114719749B (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
CN112200019B (zh) | 一种快速建筑夜景照明灯光故障检测方法 | |
CN108898609A (zh) | 一种图像边缘检测方法、检测装置及计算机存储介质 | |
CN107808165B (zh) | 一种基于susan角点检测的红外图像匹配方法 | |
CN116908185A (zh) | 物品的外观缺陷检测方法、装置、电子设备及存储介质 | |
JP6255819B2 (ja) | 計測用コンピュータプログラム、計測装置及び計測方法 | |
JP2015154718A (ja) | コロニー数計数装置、コロニー数計数方法、及びコロニー数計数プログラム | |
JP2010197176A (ja) | 欠陥検査方法および欠陥検査装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190924 |
|
RJ01 | Rejection of invention patent application after publication |