CN110470683B - 一种确定凹槽深度的方法 - Google Patents

一种确定凹槽深度的方法 Download PDF

Info

Publication number
CN110470683B
CN110470683B CN201910780052.8A CN201910780052A CN110470683B CN 110470683 B CN110470683 B CN 110470683B CN 201910780052 A CN201910780052 A CN 201910780052A CN 110470683 B CN110470683 B CN 110470683B
Authority
CN
China
Prior art keywords
groove
dimensional image
depth
dark
dark points
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
CN201910780052.8A
Other languages
English (en)
Other versions
CN110470683A (zh
Inventor
赖柏廷
朱家仪
郑仁杰
曾伟辰
罗浩觉
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.)
Fujian Jinhua Integrated Circuit Co Ltd
Original Assignee
Fujian Jinhua Integrated Circuit Co Ltd
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 Fujian Jinhua Integrated Circuit Co Ltd filed Critical Fujian Jinhua Integrated Circuit Co Ltd
Priority to CN201910780052.8A priority Critical patent/CN110470683B/zh
Publication of CN110470683A publication Critical patent/CN110470683A/zh
Application granted granted Critical
Publication of CN110470683B publication Critical patent/CN110470683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/2206—Combination of two or more measurements, at least one measurement being that of secondary emission, e.g. combination of secondary electron [SE] measurement and back-scattered electron [BSE] measurement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/03—Investigating materials by wave or particle radiation by transmission
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/045—Investigating materials by wave or particle radiation combination of at least 2 measurements (transmission and scatter)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/07—Investigating materials by wave or particle radiation secondary emission
    • G01N2223/071—Investigating materials by wave or particle radiation secondary emission combination of measurements, at least 1 secondary emission
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/10—Different kinds of radiation or particles
    • G01N2223/102—Different kinds of radiation or particles beta or electrons
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/42—Imaging image digitised, -enhanced in an image processor

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种确定凹槽深度方法，该方法通过获取待测凹槽的二维图像，确定二维图像中灰度值在预设范围内的暗点的数量，再基于预先构建的表征暗点数与凹槽深度的关系的曲线，根据暗点数和凹槽深度之间的对应关系，得到相应的凹槽深度，从而测量出凹槽的深度。该方法避免了对凹槽进行破坏性测量，可以通过获取凹槽的二维图像以及线下预先建立的暗点数与凹槽深度的关系曲线，快速、有效的确定出凹槽的深度。

Description

一种确定凹槽深度的方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种确定凹槽深度的方法。
背景技术
DRAM(Dynamic Random Access Memory，动态随机存储器)是现有技术中最为常见的系统内存，应用广泛。在DRAM制备过程中，掩埋字线金属凹槽深度对芯片阈值电压的影响较大，因此需要能够准确测出掩埋字线金属凹槽的深度。
现有技术中对掩埋字线金属凹槽进行深度测量时，一种情况是，利用透射电子显微镜(TEM，Transmission Electron Microscope)等进行测量，该方法需要对待测样品破坏性测量，并且切片制样及拍摄过程复杂；另一种情况是，利用SCD(Spectroscopic CriticalDimension)深度量测机台(by KLA Tencor)进行测量，该方法建立模型耗时耗力。
发明内容
本发明要解决的技术问题是：现有技术中进行凹槽深度的测量时，需要破坏样品且耗费时间的、效率较低的问题。
为解决上述技术问题，本发明提供了一种确定凹槽深度的方法，其包括：
获取待测凹槽的二维图像；
确定所述二维图像中灰度值在预设范围内的暗点的数量；
基于构建的表征暗点数与凹槽深度的关系的曲线，得到与确定的暗点数相对应的凹槽深度，以作为所述待测凹槽的深度。
优选的，所述二维图像包括亮区与暗区。
优选的，在确定所述二维图像中灰度值在预设范围内的暗点的数量之前，所述方法还包括：
利用神经网络算法识别出所述二维图像中的亮区，并从所述二维图像中删除该亮区。
优选的，所述预设范围满足：灰度值大于等于30且小于等于50。
优选的，所述方法还包括：对所述二维图像中灰度值在预设范围内的暗点进行图像增强。
优选的，在获取所述二维图像之前，所述方法还包括：离线构建表征暗点数与凹槽深度的关系的曲线。
优选的，离线构建表征暗点数与凹槽深度的关系的曲线，包括：
将凹槽样品进行切割以制备成样品切片，利用透射电子显微镜测量所述样品切片中凹槽的深度；
获取所述样品切片的二维图像；
确定所述样品切片的二维图像中灰度值在预设范围内的暗点的数量；
基于多个样品的凹槽深度和暗点数，拟合所述表征暗点数与凹槽深度的关系的曲线。
优选的，在获取待测凹槽的二维图像后，所述方法还包括：
利用直方图显示所述二维图像的灰度值分布，以统计所述二维图像中暗点的数量。
优选的，所述获取待测凹槽的二维图像，包括：利用扫描电子显微镜获取所述待测凹槽的二维图像。
优选的，所述方法还包括：基于凹槽的深度，将所述二维图像模拟转换为三维立体结构
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
应用本发明提供的确定凹槽深度的方法，通过获取待测凹槽的二维图像，确定二维图像中灰度值在预设范围内的暗点的数量，再基于预先构建的表征暗点数与凹槽深度的关系的曲线，根据暗点数和凹槽深度之间的对应关系，得到相应的凹槽深度，从而测量出凹槽的深度。该方法避免了对凹槽进行破坏性测量，可以通过获取凹槽的二维图像以及线下预先建立的暗点数与凹槽深度的关系曲线，快速、有效的确定出凹槽的深度。
附图说明
通过结合附图阅读下文示例性实施例的详细描述可更好地理解本公开的范围。其中所包括的附图是：
图1示出了本申请实施例提供的确定凹槽深度方法的流程示意图。
图2示出了掩埋字线金属凹槽的剖面结构示意图。
图3示出了掩埋字线金属凹槽的二维图像。
图4示出了本申请实施例采用的神经网络结构示意图。
图5示出了本申请实施例一提供的二维图像中灰度值分布的直方图。
图6示出了本申请实施例提供的表征暗点数与凹槽深度的关系的曲线示意图。
图7示出了本申请实施例提供的离线构建表征暗点数与凹槽深度的关系曲线的方法流程示意图。
图8示出了本申请实施例二提供的确定凹槽深度方法的流程示意图。
图9A和图9B示出了本申请实施例提供的不同凹槽深度的二维图像，图9C示出了对图9A的二维图像进行图像增强后的二维图像，图9D示出了对图9B的二维图像进行图像增强后的二维图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将结合附图及实施例来详细说明本发明的实施方法，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。
在现有技术中，对掩埋字线金属凹槽进行深度测量时，一种情况是，利用TEM等进行测量，该方法需要对待测样品破坏性测量，并且切片制样及拍摄过程复杂；另一种情况是，利用SCD深度量测机台进行测量，该方法建立模型耗时耗力、费用较高且无法即时侦测。
基于上述问题，本申请提供了一种确定凹槽深度的方法，该方法通过获取凹槽的二维图像，确定二维图像中灰度值在预设范围内的暗点的数量，再基于预先构建的表征暗点数与凹槽深度的关系的曲线，根据暗点数和凹槽深度之间的对应关系，得到相应的凹槽深度，从而测量出凹槽的深度。该方法避免了对凹槽进行破坏性测量，可以通过获取凹槽的二维图像以及线下预先建立的暗点数与凹槽深度的关系曲线，快速、有效的确定出凹槽的深度。
在本申请实施例中，将以应用本申请提供的确定凹槽深度的方法测量掩埋字线金属凹槽深度为例进行说明。
实施例一
图1示出了本发明提供的一种确定凹槽深度方法的流程图。
如图1所示，该方法包括步骤S101至S103。
在步骤S101中，获取凹槽的二维图像。
在该步骤中，可以利用扫描电子显微镜SEM获取包含掩埋字线金属凹槽的二维图像。利用SEM测量包含掩埋字线金属凹槽的二维图像时，不需要将待测的掩埋字线金属凹槽切成薄片，可通过调节SEM选定掩埋字线上需要测量的区域，直接获取包含掩埋字线金属凹槽的二维图像。
如图2所示，包含金属凹槽的掩埋字线可以包括金属凹槽区域和高台区域，高台区域即为金属凹槽外围、高出金属凹槽的区域，金属凹槽的深度则是金属凹槽中金属和高台区域之间的垂直距离，W代表金属凹槽的深度。因此，如图3所示，获取的包含掩埋字线金属凹槽的二维图像中包括亮区和暗区，该亮区和暗区均呈条纹状，亮条纹和暗条纹间隔排列，亮条纹为高台区域对应的图像，暗条纹为金属凹槽区域对应的图像。利用SEM测量景深大，获取的二维图像富有立体感，因此，有利于根据灰度值分辨出金属凹槽区域和高台区域对应的图像。
在步骤S102中，确定二维图像中灰度值在预设范围内的暗点的数量。
在二维图像中，金属凹槽区域和高台区域对应的图像具有不同的灰度值。另外，暗条纹的暗点的数量与凹槽深度相关，可以根据实际测量中的经验，选取最能反映暗点的数量和凹槽深度的关系的灰度值范围，作为灰度值的预设范围。作为一优选示例，本申请中可以选择预设范围满足：灰度值大于等于30且小于等于50，再进一步利用软件统计出二维图像中灰度值在大于等于30且小于等于50的范围内，对应的暗点的数量。
作为一优选示例，在步骤S102确定二维图像中灰度值在预设范围内的暗点的数量之前，还可以包括：利用神经网络算法识别出二维图像中的亮区，并从二维图像中删除该亮区。
具体的，从利用SEM获取的包含掩埋字线金属凹槽的二维图像中，截取出对应高台区域的亮条纹，共选取120个训练样本并设定判定值为1，二维图像中的其他区域选择240个训练样本并设定判定值为0。针对高台区域对应的图像，输入像素25*786，每30列做列平均，降维至25*26的矩阵。参见图4所示，采用三层的神经网络结构，其中第一层输入结构为651(25*26+1)个神经元，第二层输入结构为5(4+1)个神经元，输出层为1个神经元。再利用反向传播法(Sequential Back-Propagation)，以学习速率0.08，重复计算8000次，从而不断的调整权重。通过利用神经网络算法可以有效识别出二维图像中的亮条纹，将识别出的亮条纹区域删除，只保留暗条纹区域，可以极大的增强二维图像中金属凹槽区域对应的暗条纹和高台区域对应图像之间的差异性。
另外，作为示例，在获取凹槽的二维图像后，可以利用直方图显示二维图像的灰度值分布，参见图5所示。利用直方图可以直观的显示，对于同一凹槽深度，不同灰度值范围内对应的暗点的数量。另外，利用直方图显示在相同情况下获取的，不同凹槽深度对应的二维图像灰度值分布，可以更直观的确定出随凹槽深度变化、暗点的数量变化较明显的灰度值范围，进而可以将该范围作为预设范围。
在步骤S103中，基于构建的表征暗点数与凹槽深度的关系的曲线，得到与确定的暗点数相对应的凹槽深度，以作为凹槽的深度。
其中，表征暗点数与凹槽深度的关系的曲线，是预先离线构建好的，该关系曲线的具体构建过程可具体参见以下描述。
作为示例，灰度值在大于等于30且小于等于50的预设范围内，暗点数与凹槽深度的关系曲线如图6所示，暗点数与凹槽深度一一对应，则根据在步骤S102中获取的二维图像中灰度值在该预设范围内的暗点的数量，即可确定出凹槽的深度。
以上为本申请实施例提供的一种确定凹槽深度的方法，该方法通过获取待测凹槽的二维图像，确定二维图像中灰度值在预设范围内的暗点的数量，再基于预先构建的表征暗点数与凹槽深度的关系的曲线，根据暗点数和凹槽深度之间的对应关系，得到相应的凹槽深度，从而测量出凹槽的深度。该方法避免了对凹槽进行破坏性测量，可以通过获取凹槽的二维图像以及线下预先建立的暗点数与凹槽深度的关系曲线，快速、有效的确定出凹槽的深度。
以下将对本申请中表征暗点数与凹槽深度的关系曲线构建过程进行描述。
参见图7，图7为本申请实施例提供的离线构建表征暗点数与凹槽深度的关系曲线的方法流程示意图，该方法包括步骤S701至步骤S704。
在步骤S701中，将凹槽样品进行切割以制备成样品切片，利用透射电子显微镜测量样品切片中凹槽的深度。
该步骤可以为，沿凹槽样品的凹槽延伸方向对样品进行切割，获取凹槽纵切截面的样品切片，再利用透射电子显微镜测量该样品切片中凹槽的深度。具体的，当凹槽样品为掩埋字线金属凹槽样品时，则可以为利用透射电子显微镜测量该样品切片中金属凹槽的深度。利用透射电子显微镜可以准确测量出凹槽的深度，但需要对凹槽样品进行破坏性测量。
在步骤S702中，获取样品切片的二维图像。
其中，获取样品切片的二维图像是获取样品切片凹槽开口所在平面的二维图像。该步骤可以和步骤S101采用相同的方式，利用SEM获取样品切片凹槽开口所在平面的二维图像，该二维图像中包含暗区和亮区，分别对应样品切片中的凹槽区域和高台区域。作为一具体示例，当样品切片为掩埋字线金属凹槽的样品切片，获取样品切片的二维图像中则显示和金属凹槽区域对应的暗条纹以及和高台区域对应的亮条纹。在以下步骤S703和S704中，也将以掩埋字线金属凹槽的样品切片为例进行说明。
在步骤S703中，确定样品切片的二维图像中灰度值在预设范围内的暗点的数量。
其中，选取的预设范围和步骤S102中的预设范围相同，执行步骤S703可以和采用和步骤S102相同的方法，具体请参见步骤S102。
在步骤S704中，基于多个样品的凹槽深度和暗点数，拟合表征暗点数与凹槽深度的关系的曲线。
该步骤可以具体为，利用透射电子显微镜测量，获取多个不同深度的掩埋字线金属凹槽样品的金属凹槽深度Wi(i代表凹槽样品的个数，i＝1,2,3，……，N)。再分别根据每个样品切片的二维图像，得到该样品切片的二维图像中灰度值在大于等于30且小于等于50的预设范围内时，暗点的数量。最后，根据每个金属凹槽样品的金属凹槽深度Wi和其在灰度值预设范围内对应的暗点数之间的相关性，拟合出表征暗点数与凹槽深度的关系的曲线。作为一具体示例，参见图6所示，图6为灰度值在大于等于30且小于等于50的预设范围内时，拟合出的表征暗点数与金属凹槽深度的关系的曲线。暗点数和金属凹槽深度一一对应，因此，在利用二维图像获取到凹槽的暗点数时，基于该关系曲线，就可以快速、及时的确定出凹槽的深度。
以上为本申请实施例提供的离线构建表征暗点数与凹槽深度的关系曲线方法。通过将凹槽样品进行切割制备成样品切片，利用透射电子显微镜准确测量出样品切片中凹槽的深度，再利用该样品切片的二维图像获取到二维图像中灰度值在预设范围内的暗点的数量，最后基于多个样品的凹槽深度和暗点数，拟合出表征暗点数和凹槽深度的关系曲线。利用该关系曲线中，暗点数和凹槽深度之间的对应关系，可以在获取到凹槽样品的暗点数时，基于该对应关系，快速、及时的确定出凹槽样品的深度，从而避免了对凹槽样品的破坏性测量。
在基于表征暗点数与凹槽深度的关系曲线，确定出凹槽深度后，为了更加直观的观察凹槽的深度，还可以对凹槽的二维图形做进一步的处理。具体参见实施例二。
实施例二
图8示出了本发明提供的一种确定凹槽深度方法的流程图。
该方法包括步骤S801至S805。
其中，步骤S801至S803可以和实施例一中步骤S101至步骤S103相同，为简要起见，在此不再赘述。
在步骤S804中，对二维图像中灰度值在预设范围内的暗点进行图像增强。
具体的，将在步骤S801中获取到的不同凹槽的二维图像，利用神经网络算法识别出二维图像中的亮区并删除，只保留二维图像中凹槽对应的暗区。因在灰度值预设范围内的暗点数随凹槽深度的变化最明显，作为一优选示例，对删除亮区的二维图像中灰度值在预设范围内的暗点，进行图像增强。
作为一具体示例，参见图9A和9B所示，分别为不同凹槽深度对应的二维图像，从该二维图像中很难比较出对应两个二维图像的凹槽的深度。参见图9C和9D所示，图9C示出的二维图像为对图9A中的二维图形进行神经网络算法识别、并对大于等于30且小于等于50的预设范围内的灰度值进行图像增强后得到的二维图像，图9D示出的二维图像为对图9B中的二维图形进行神经网络算法识别、并对大于等于30且小于等于50的预设范围内的灰度值进行图像增强后得到的二维图像。从图9C和9D中示出的二维图像可以看出，进行图像增强后，不同凹槽深度对应的暗条纹宽度明显不同。因此，通过对二维图像中灰度值在预设范围内的暗点进行图像增强，可以从增强后的二维图像直观的分辨出不同的凹槽深度。
需要说明的是，本申请对步骤S804执行的顺序不做限定，步骤S804可在步骤S803后执行，也可以在步骤S801后就执行。
在步骤S805中，基于凹槽的深度，将二维图像模拟转换为三维立体结构。
在该步骤中，可以利用凹槽的二维图像中灰度值在预设范围内的暗点的数量，以及在步骤S803中确定出的该二维图像中对应的凹槽深度，通过将二维图像中暗点的数量和凹槽深度相关联，再利用三维图像显示设备，将二维图像模拟转换为三维立体结构。
以上为本申请实施例二提供的一种确定凹槽的深度方法，通过获取凹槽的二维图像，利用神经网络算法识别并删除亮区，只保留二维图像中的暗区，并对暗区进行图像增强，更有利于从二维图像中直接区别出不同的凹槽深度。另外，通过确定二维图像中灰度值在预设范围内的暗点的数量，再基于预先构建的表征暗点数与凹槽深度的关系的曲线，根据暗点数和凹槽深度之间的对应关系，得到相应的凹槽深度，通过将二维图像中暗点的数量和凹槽深度相关联，再利用三维图像显示设备，将二维图像模拟转换为三维立体结构，可以更直观的观测凹槽的深度。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (7)

1.一种确定凹槽深度的方法，其特征在于，包括：
利用扫描电子显微镜获取待测凹槽的二维图像；
确定所述二维图像中灰度值在预设范围内的暗点的数量；
基于构建的表征暗点数与凹槽深度的关系的曲线，得到与确定的暗点数相对应的凹槽深度，以作为所述待测凹槽的深度；在获取所述二维图像之前，所述方法还包括：离线构建所述表征暗点数与凹槽深度的关系的曲线，其中，离线构建所述表征暗点数与凹槽深度的关系的曲线，包括：
将凹槽样品进行切割以制备成样品切片，利用透射电子显微镜测量所述样品切片中凹槽的深度；
获取所述样品切片的二维图像；
确定所述样品切片的二维图像中灰度值在所述预设范围内的暗点的数量；
基于多个样品的所述凹槽深度和所述暗点数，拟合所述表征暗点数与凹槽深度的关系的曲线。
2.根据权利要求1所述的方法，其特征在于，所述二维图像包括亮区与暗区。
3.根据权利要求2所述的方法，其特征在于，在确定所述二维图像中灰度值在预设范围内的暗点的数量之前，所述方法还包括：
利用神经网络算法识别出所述二维图像中的亮区，并从所述二维图像中删除该亮区。
4.根据权利要求1所述的方法，其特征在于，所述预设范围满足：灰度值大于等于30且小于等于50。
5.根据权利要求1或4所述的方法，其特征在于，还包括：对所述二维图像中灰度值在预设范围内的暗点进行图像增强。
6.根据权利要求1所述的方法，其特征在于，在所述利用扫描电子显微镜获取待测凹槽的二维图像后，所述方法还包括：
利用直方图显示所述二维图像的灰度值分布，以统计所述二维图像中暗点的数量。
7.根据权利要求1所述的方法，其特征在于，还包括：基于凹槽的深度，将所述二维图像模拟转换为三维立体结构。
CN201910780052.8A 2019-08-22 2019-08-22 一种确定凹槽深度的方法 Active CN110470683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910780052.8A CN110470683B (zh) 2019-08-22 2019-08-22 一种确定凹槽深度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910780052.8A CN110470683B (zh) 2019-08-22 2019-08-22 一种确定凹槽深度的方法

Publications (2)

Publication Number Publication Date
CN110470683A CN110470683A (zh) 2019-11-19
CN110470683B true CN110470683B (zh) 2021-12-14

Family

ID=68513390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910780052.8A Active CN110470683B (zh) 2019-08-22 2019-08-22 一种确定凹槽深度的方法

Country Status (1)

Country Link
CN (1) CN110470683B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100826153B1 (ko) * 2006-11-29 2008-04-30 한국표준과학연구원 영상의 농도치 히스토그램을 이용한 크랙의 폭 측정방법
CN101581571A (zh) * 2009-06-19 2009-11-18 武汉钢铁(集团)公司 一种运用扫描电子显微镜测量孔坑深度的方法
CN102419157A (zh) * 2011-08-22 2012-04-18 中国计量学院 微小深度尺寸自动图像测量系统
CN102708588A (zh) * 2012-05-10 2012-10-03 西北工业大学 一种金属平板点蚀损伤形貌三维重建方法
CN104332460A (zh) * 2014-10-21 2015-02-04 杭州士兰集成电路有限公司 沟槽形貌监控方法以及沟槽形貌监控结构制作方法
CN108871224A (zh) * 2018-06-06 2018-11-23 杭州电子科技大学 一种用于led玻璃灯杯的凹槽深度检测方法
CN109801240A (zh) * 2019-01-15 2019-05-24 武汉鸿瑞达信息技术有限公司 一种图像增强方法以及图像增强装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100826153B1 (ko) * 2006-11-29 2008-04-30 한국표준과학연구원 영상의 농도치 히스토그램을 이용한 크랙의 폭 측정방법
CN101581571A (zh) * 2009-06-19 2009-11-18 武汉钢铁(集团)公司 一种运用扫描电子显微镜测量孔坑深度的方法
CN102419157A (zh) * 2011-08-22 2012-04-18 中国计量学院 微小深度尺寸自动图像测量系统
CN102708588A (zh) * 2012-05-10 2012-10-03 西北工业大学 一种金属平板点蚀损伤形貌三维重建方法
CN104332460A (zh) * 2014-10-21 2015-02-04 杭州士兰集成电路有限公司 沟槽形貌监控方法以及沟槽形貌监控结构制作方法
CN108871224A (zh) * 2018-06-06 2018-11-23 杭州电子科技大学 一种用于led玻璃灯杯的凹槽深度检测方法
CN109801240A (zh) * 2019-01-15 2019-05-24 武汉鸿瑞达信息技术有限公司 一种图像增强方法以及图像增强装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AFM：应对65nm以下测量技术挑战;测试测量;《21IC电子网》;20120523;第1-7页 *
图像的统计方法;saltriver;《CSDN博客网》;20180106;第1-2页 *

Also Published As

Publication number Publication date
CN110470683A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
AU2013343203B2 (en) Method for processing an image
Xu et al. A new approach to estimate fractal dimensions of corrosion images
CN105549009B (zh) 一种基于超像素的sar图像cfar目标检测方法
CN109215009B (zh) 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法
Aegerter et al. Avalanche dynamics, surface roughening, and self-organized criticality: Experiments on a three-dimensional pile of rice
CN103018260B (zh) 缺陷检测方法
Alameda-Hernández et al. Improvement of the JRC calculation using different parameters obtained through a new survey method applied to rock discontinuities
CN106780455A (zh) 一种基于滑动的局部邻域窗口的产品表面检测方法
Benstock et al. Extreme value analysis (EVA) of inspection data and its uncertainties
CN102297822A (zh) 一种通过图像分析预测煤粒灰分的方法
CN104036493A (zh) 一种基于多重分形谱的无参考图像质量评价方法
CN109215048A (zh) 基于机器视觉的烟丝长度确定方法及系统
MacAulay et al. Study of manufacturing and measurement reproducibility on a laser textured structured surface
CN110470683B (zh) 一种确定凹槽深度的方法
CN107560561A (zh) 一种沟道槽翘曲度测量方法及装置
CN105116412A (zh) 一种宽带雷达isar图像性能定量判别方法
CN112233104B (zh) 实时位移场和应变场检测方法、系统、装置和存储介质
CN101004838A (zh) 阻光度传递函数的构造方法
CN112598792A (zh) 三维场景中地形复杂度的多重分形量化方法及系统
WO2023085992A1 (en) Image analysis of cut flowers
CN104794716B (zh) 基于图像分形特征的图像质量客观评价方法
CN107527365A (zh) 一种动态计算类圆物体形态学直径的方法及装置
CN105303559B (zh) 一种检测座椅体压分布对称度的方法
US11640160B2 (en) Pattern-enhanced spatial correlation of test structures to die level responses
Bezak et al. Complex roughness determination process of surfaces obtained by laser confocal microscope

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