CN110889823B - 一种SiC缺陷的检测方法和系统 - Google Patents
一种SiC缺陷的检测方法和系统 Download PDFInfo
- Publication number
- CN110889823B CN110889823B CN201910951137.8A CN201910951137A CN110889823B CN 110889823 B CN110889823 B CN 110889823B CN 201910951137 A CN201910951137 A CN 201910951137A CN 110889823 B CN110889823 B CN 110889823B
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- defects
- images
- sic
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种SiC缺陷的检测方法和系统,方法包括:控制显微镜镜头移动,并拍摄有关待检测SiC片的多张图像;将所述多张图像作为输入样本,将所述输入样本发送给预先训练好的神经网络;所述神经网络以各所述输入样本为输入,输出所述待检测SiC片存在的缺陷数量以及缺陷位置。本申请能够提高SiC缺陷的检测结果的精准度。
Description
技术领域
本申请涉及图像处理领域,尤其涉及一种SiC缺陷的检测方法和系统。
背景技术
随着市场端对半绝缘碳化硅(SiC)单晶衬底的需求数量不断扩大,碳化硅单晶衬底的生产厂家在对于SiC的质量要求也提出了更高的要求。
评价SiC微管的主要方法是对SiC微管表面的缺陷进行表征。目前对SiC的微管缺陷的表征是通过测试人员在显微镜下肉眼观察检测。将SiC晶体的被测表面划分为若干正方形小区域,并对各个小区域进行编号;取区域的中心点作为测量点,用显微镜测量并记录每个视野区域的微管个数,得到视野面积内SiC晶片被测表面的微管总数,进而得到整个SiC晶片的微管密度。
但是要检测完整一块4英寸的晶圆,在显微镜的可清楚观察微管缺陷的放大倍数下,测试人员需要完成对在一个晶圆上数百个视野区域的缺陷进行标定,此外测试人员还要进行视野移动、对焦和最后在图纸上的标注等操作,整个过程费时费力且容易出错,从而降低了检测结果的精准度。
发明内容
为了解决上述问题,本申请提出了一种SiC缺陷的检测方法和系统,能够提高检测结果的精准度。
第一方面,本申请实施例提供了一种SiC缺陷的检测方法,包括:
控制显微镜镜头移动,并拍摄有关待检测SiC片的多张图像;
将所述多张图像作为输入样本,将所述输入样本发送给预先训练好的神经网络;
所述神经网络以各所述输入样本为输入,输出所述待检测SiC片存在的缺陷数量以及缺陷位置。
在一个示例中,所述有关待检测SiC片的图像包括以下任意一项:所述待检测SiC片的纹理边界线、所述待检测SiC片的切割痕迹线。
在一个示例中,通过图像识别,确定所述待检测SiC片的纹理线条的脊特征和/或所述待检测SiC片的切割痕迹线的脊特征;
对所述脊特征进行膨胀操作,得到各所述区域对应的输入样本。
在一个示例中,所述有关待检测SiC片的图像包括用于将所述图像分割成多个区域的第一线条;
将由所述第一线条分割所述图像而得到的多个区域进行编号。
在一个示例中,通过图像识别,确定各所述区域中包含的所述第一线条的脊特征,以及确定各所述区域中包含的第二线条的脊特征,所述第二线条为所述待检测SiC片的纹理边界线和所述待检测SiC片的切割痕迹线;
对所述第一线条的脊特征和所述第二线条的脊特征进行膨胀操作,得到各所述区域对应的输入样本。
在一个示例中,将各所述输入样本和各所述区域编号,发送给预先训练好的神经网络。
在一个示例中,所述神经网络以各所述输入样本和各所述区域编号为输入,输出所述待检测SiC片存在的缺陷数量以及缺陷位置。
在一个示例中,沿着所述显微镜镜头的移动轨迹,控制所述显微镜镜头在三维坐标系的X轴方向上和Y轴方向上移动预设距离;所述三维坐标系的X轴为所述待检测SiC片的直线边,所述Y轴为在所述待检测SiC片所在平面内所述直线边的垂直平分线;
通过所述显微镜镜头拍摄的所述待检测SiC片的图像,实时调整所述显微镜镜头在所述三维坐标系中Z轴方向上移动,得到清晰度在预设范围内的所述图像,所述Z轴与所述SiC平面垂直。
在一个示例中,接收训练样本,所述训练样本包括:多个含有缺陷的图像和多个不含缺陷的图像;
检测训练样本的数量是否到达预设值;
在所述训练样本的数量没达到预设值时,根据预设的图像数据增强方法,分别对各所述含有缺陷的图像进行数据增强,得到新的含有缺陷的图像;
将各所述新的含有缺陷的图像添加到所述训练样本中;
其中,所述新的含有缺陷的图像的数量为第二数量,且所述第一数量和所述第二数量之和大于或等于所述预设值;所述预设的图像数据增强方法,包括:图像的翻转、镜像变换、噪声扰动、像素值变化处理和高斯模糊中的一种或多种。
在一个示例中,所述神经网络根据各个所述区域,和预设裁剪路径,对所述神经网络中特征提取部分的最后一个池化层得到的特征图像进行滑动剪裁,得到多个子图像;
所述神经网络使所述裁剪过的特征图像经过全连接层,并进入分类层;
所述分类层将所述裁剪过的特征图像分为含有缺陷的子图像和不含缺陷的子图像;
所述神经网络根据所述含有缺陷的子图像的数量以及所述含有缺陷的子图像对应的编号,输出所述待检测物存在的缺陷数量以及缺陷位置。
在一个示例中,所述分类层确定评分集合和坐标集合,所述评分集合包括:各所述子图像对应的评分,所述评分用于指示各所述子图像中缺陷图像与训练样本中预先标注的缺陷图像的相似度,所述坐标集合包括:各个所述子图像的坐标;
所述分类层确定所述评分集合中评分最大的子图像,并在所述坐标集合中确定所述评分最大的子图像对应的坐标;
所述分类层确定目标图像,所述目标图像是与所述评分最大的子图像重叠的子图像且所述重叠的子图像的评分大于或等于预设阈值;其中,所述图像重叠为两个图像都包括同一个图像特征;
所述分类层将所述目标图像从所述评分集合和所述坐标集合中移除;
所述分类层将所述评分最大的子图像确定为所述含有缺陷的子图像,并从所述评分集合和所述坐标集合中移除;
所述分类层重复上述过程直至所述评分集合为空集。
第二方面,本申请实施例提供了一种SiC缺陷的检测系统,包括:显微镜、控制设备、图像处理设备和服务器;
所述控制设备用于控制所述显微镜镜头移动,并拍摄有关待检测SiC片的多张图像;
所述图像处理设备用于将所述多张图像作为输入样本,将所述输入样本发送给预先设置有训练好的神经网络的所述服务器;
所述服务器用于以各所述输入样本为输入,输出所述待检测SiC片存在的缺陷数量以及缺陷位置。
在一个示例中,所述有关待检测SiC片的图像包括以下任意一项:所述待检测SiC片的纹理边界线、所述待检测SiC片的切割痕迹线;
所述图像处理设备还用于通过图像识别,确定所述待检测SiC片的纹理线条的脊特征和/或所述待检测SiC片的切割痕迹线的脊特征;
对所述脊特征进行膨胀操作,得到各所述区域对应的输入样本。
在一个示例中,所述有关待检测SiC片的图像包括用于将所述图像分割成多个区域的第一线条;
所述图像处理设备还用于将由所述第一线条分割所述图像而得到的多个区域进行编号。
在一个示例中,所述图像处理设备还用于通过图像识别,确定各所述区域中包含的所述第一线条的脊特征,以及确定各所述区域中包含的第二线条的脊特征,所述第二线条为所述待检测SiC片的纹理边界线和所述待检测SiC片的切割痕迹线;对所述第一线条的脊特征和所述第二线条的脊特征进行膨胀操作,得到各所述区域对应的输入样本。
在一个示例中,所述图像处理设备还用于将各所述输入样本和各所述区域编号,发送给预先设置有训练好的神经网络的所述服务器。
在一个示例中,所述服务器用于以各所述输入样本和各所述区域编号为输入,输出所述待检测SiC片存在的缺陷数量以及缺陷位置。
在一个示例中,所述图像处理设备还用于接收训练样本,所述训练样本包括:多个含有缺陷的图像和多个不含缺陷的图像;检测训练样本的数量是否到达预设值;在所述训练样本的数量没达到预设值时,根据预设的图像数据增强方法,分别对各所述含有缺陷的图像进行数据增强,得到新的含有缺陷的图像;将各所述新的含有缺陷的图像添加到所述训练样本中;其中,所述新的训练样本的数量为第二数量,且所述第一数量和所述第二数量之和大于或等于所述预设值;所述预设的图像数据增强方法,包括:图像的翻转、镜像变换、噪声扰动、像素值变化处理和高斯模糊中的一种或多种。
在一个示例中,所述服务器用于根据各个所述区域和预设裁剪路径,对所述服务器中特征提取部分的最后一个池化层得到的特征图像进行滑动剪裁,得到多个子图像;使所述裁剪过的特征图像经过全连接层,并进入分类层;将所述裁剪过的特征图像分为含有缺陷的子图像和不含缺陷的子图像;根据所述含有缺陷的子图像的数量以及所述含有缺陷的子图像对应的编号,输出所述待检测物存在的缺陷数量以及缺陷位置。
在一个示例中,所述服务器用于确定评分集合和坐标集合,所述评分集合包括:各所述子图像对应的评分,所述评分用于指示各所述子图像中缺陷图像的与训练样本中预先标注的缺陷图像的相似度,所述坐标集合包括:各个所述子图像的坐标;确定所述评分集合中评分最大的子图像,并在所述坐标集合中确定所述评分最大的子图像对应的坐标;确定目标图像,所述目标图像是与所述评分最大的子图像重叠的子图像且所述重叠的子图像的评分大于或等于预设阈值;其中,所述图像重叠为两个图像都包括同一个图像特征;
所述服务器还用于将所述目标图像从所述评分集合和所述坐标集合中移除;将所述评分最大的子图像确定为所述含有缺陷的子图像,并从所述评分集合和所述坐标集合中移除;重复上述过程直至所述评分集合为空集。
在本申请实施例提供了一种SiC缺陷的检测方法和系统,控制显微镜镜头移动,并拍摄有关待检测SiC片的多张图像,以代替检测员移动显微镜镜头。通过神经网络以拍摄的图像为输入,输出待检测物存在的缺陷数量以及缺陷位置。由此可见本申请实施例能代替人力自动移动显微镜镜头、自动优化输入样本和自动识别缺陷位置,节省了时间和人力且不易出错,从而提高了检测结果的精准度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种SiC缺陷的检测方法的流程图;
图2为本申请实施例提供的一种移动轨迹的示意图;
图3为本申请实施例提供的一SiC片形状的示意图;
图4为本申请实施例提供的一种SiC缺陷的检测系统的结构示意图。
具体实施方式
为了更清楚的阐释本申请的整体构思,下面结合说明书附图以示例的方式进行详细说明。
本申请的实施例公开一种SiC缺陷的检测方法,如图1所示,包括以下步骤:
步骤101、根据接待检测SiC片的形状特征信息和预先存储的显微镜镜头的拍摄参数,确定显微镜镜头的移动轨迹。
在本申请实施例中,不同倍数的显微镜具有不同的视野范围,因而不同的显微镜具有不同的拍摄范围。而拍摄范围越大,显微镜镜头进行再次拍摄时移动的距离也越大,因而移动轨迹也随着拍摄范围而改变。
形状特征信息,包括:轮廓线和面积,通常移动轨迹不是一条直线,而是折线,如图2所示,折线包括L1-L9部,圆的直径越大,相应的圆面积越大,轮廓线向远离圆心方向扩张,从而改变L1-L9部的长度,甚至改变L1-L9部之间的角度,最终导致移动轨迹改变。
步骤102、控制显微镜镜头沿移动轨迹移动并拍摄图像。
在本申请实施例中,移动轨迹保证显微镜的拍摄范围的总面积大于待检测SiC片的观测面的面积。此外,移动轨迹还能将显微镜的拍摄范围的总面积控制在适当的大小,因为拍摄范围的总面积越大,意味着显微镜镜头会拍摄到更多的背景,如桌面、地面,从而引入过多的杂质。
在本申请实施例中,为了能够确定缺陷位置和缺陷的数量,需要拍摄的图像足够清晰。在显微镜平移的过程中,受待检测SiC片的表面形貌、光线明暗的影响,需要实时调整拍摄时的焦距,以获取清晰度在预设范围内的图像。为了能确定最适焦距,需要先拍摄照片,再根据拍摄的照片清晰度,调整焦距。之后,重复上述过程直至拍摄出的照片的清晰度达到预设范围。在本申请实施例中,待检测SiC片的形状通常如图3所示,待检测SiC片的直线边为X轴,直线边的垂直平分线为Y轴。通过控制显微镜镜头在Z轴方向上移动来调整焦距,其原理类似于相机调节焦距时,镜头会伸缩。其中,Z轴与X轴和Y轴垂直并相交于一点。需要说明的是,调焦距时,显微镜镜头的上下移动量较小,因此,在本申请实施例中,显微镜镜头可以视为始终在同一个平面内移动。
步骤103、根据图像中的第一线条,将得到的图像划分为多个区域,并对各区域编号。
在本申请实施例中,第一线条为在SiC下面放置的网格线对应于显微镜拍摄的内容。待检测SiC片至少为半透明的,拍摄时在待检测SiC片与载物台之间放置有垫纸,垫纸上预先绘制有网格,那么拍摄的照片中待检测SiC的观测面会被划分成多个区域。检测设备只需对图片进行图像识别以确定各个区域,同时为各个区域编号,以便于确定缺陷在图像中的位置。
步骤104、通过图像识别,确定各区域中的第一线条的脊特征和第二线条的脊特征。
在本申请实施例中,第二线条包括:待检测SiC片的纹理边界线和待检测SiC片的切割痕迹线。可以理解的是,垫纸上的网格、待检测SiC片的纹理边界线以及待检测SiC片的切割痕迹线均为线条型。在图像处理领域,该类型对应的图像特征通常用脊特征进行描述。因此,通过确定相应的脊特征确定上述线条在图像中的位置。
步骤105、对第一线条的脊特征和第二线条的脊特征进行膨胀操作,得到各区域对应的输入样本。
在本申请实施例中,在各个区域中,采用膨胀的方式消除垫纸上的网格、待检测SiC片的纹理边界线以及待检测SiC片的切割痕迹线,以减少神经网络运算量,从而提高数据处理效率和运算结果的准确性。步骤103中的网格线只为了确定各个区域对应对编号,因此为了提高神经网络的运算效率,在神经网络对图像进行识别之前要删除图像中与缺陷无关的结构特征。
步骤106、将各输入样本和各区域编号发送给预先训练好的神经网络。
在本申请实施例中,神经网络的训练过程具体如下:
接收训练样本,训练样本包括:多个含有缺陷的图像和多个不含缺陷的图像。在本申请实施例中,缺陷图像在图像中的占有的面积大于预设值时,确定该图像为含有缺陷的图像,例如,当缺陷图像在划分的区域中占有的面积大于三分之二时,确定该图像为含有缺陷的图像。而显而易见的,预设值越大,越能准确地确定当前图像是否为含有缺陷的图像。此外,含有缺陷的图像来自于人工标识的图像,以保证含有缺陷的图像的准确定,从而保证训练效果。
不含缺陷的图像可以来自于人工标识的图像,也可以通过预设的程序自动截取的获取。相对于含有缺陷的图像,不含缺陷的图像更容易被识别并获取,因此通过检测设备获取不含缺陷的图像可以缩短获取训练样本的时间。
由于含有缺陷的图像来自于人工标识,这导致这类图像很少且在训练样本中占比较小,从而导致训练样本不足,进而降低训练的准确性。为了解决上述问题,在本发明实施例中,检测训练样本的数量是否到达预设值。在训练样本的数量没达到预设值时,根据预设的图像数据增强方法,分别对各含有缺陷的图像进行数据增强,得到新的含有缺陷的图像。将各新的含有缺陷的图像添加到训练样本中。预设的图像数据增强方法,包括:图像的翻转、镜像变换、噪声扰动、像素值变化处理和高斯模糊中的一种或多种。此外还需要适当采集一些不同光照环境下的照片进行训练,确保训练出的模型具备环境亮度适应性。如此通过对待强化图像进行图像数据增强,增加含有缺陷的图像的数量,从而使新增加的含有缺陷的图像的数量与原始训练样本的数量之和大于或等于预设训练样本数量。
图像数据增强方法具体如下:1、图像的翻转和镜像变换:将图像进行旋转和上下、左右的镜像变换;2、噪声扰动:对缺陷图像进行不同程度和类型的噪声处理;3、像素值变化处理:对缺陷图像的不同通道的像素值大小进行一定程度的处理;4、高斯模糊:不同程度的高斯处理来丰富缺陷样本数据集。
之后,将得到训练样本以3:1:1的比例分为“训练集”、“验证集”和“测试集”三部分,分别用于训练卷积神经网络的模型结构,辅助训练并验证模型训练的准确性以及最终对训练完成的模型进行测试。再统一训练样本中各图像的图像数据大小,并将所有图像进行人工标注,并将标注完的图像转化成神经网络的输入格式。取样本图像的均值文件,对所有图像进行去均值处理,以加快训练速度和提高预测准确性。
另外,在训练模型时,采用神经网络在ImageNet数据集上训练得到的结构模型和参数值作为初始训练值,并在训练集和测试集上反复调优训练,调节学习率、单次数据处理量和学习策略等超参数,使得模型在训练集和验证集上收敛,并在测试集上验证。根据训练状况继续进行针对性的调优训练直至得到一个能满足实际需要的模型。由于缺陷图像的特征容易分辨且缺陷类型的数量有限,因此为了提高数据处理效率,通过减少神经网络的深度来优化训练过程。
步骤107、神经网络以各输入样本和各区域编号为输入,输出待检测SiC片存在的缺陷数量以及缺陷位置。
为了提高图像识别的精准度,在本申请实施例中,神经网络根据各个区域和预设裁剪路径,对神经网络中特征提取部分的最后一个池化层得到的特征图像进行滑动剪裁,得到多个子图像。神经网络使裁剪过的特征图像经过全连接层,并进入分类层。分类层将裁剪过的特征图像分为含有缺陷的子图像和不含缺陷的子图像。神经网络根据含有缺陷的子图像以及含有缺陷的子图像对应的编号,输出待检测物存在的缺陷数量以及缺陷位置。需要说明的是,滑动剪裁并不是剪裁特征图像,而按照预设的步长、预设的途径和预设大小的裁剪框从特征图像中提取到各个子图。
其中,确定含有缺陷的子图像的方法具体为:
首先,分类层确定评分集合和坐标集合。评分集合包括:各子图像对应的评分,评分用于指示各子图像中缺陷图像的与训练样本中预先标注的缺陷图像的相似度,比值越大评分越高。坐标集合包括:各个子图像的坐标。
其次,分类层确定评分集合中评分最大的子图像和目标图像,并在坐标集合中确定评分最大的子图像对应的坐标。在本申请实施例中,采用滑动剪裁的方法得到各个子图像,因此各相邻子图像之间可能存在重叠区域。例如,步长为1,预设途径为从左向右,裁剪框大小为3×3,在特征图像上分别提取A、B、C三个子图像,显而易见的子图像A与子图像B之间、子图像B与子图像C之间均存在重叠部分。需要说明的是,如果重叠部分为缺陷图像且重叠在一起的各图像的评分差别不大,那么意味着神经网络会重复计算缺陷数量。因此接下来神经网络通过从评分集合和坐标集合中移除目标图像的评分和坐标来消除重复计算缺陷数量的情况。其中,目标图像是与评分最大的子图像重叠的子图像且重叠的子图像的评分大于或等于预设阈值;其中,图像重叠是指两个图像存在重叠区域。在确定目标图像后,将目标图像从评分集合和坐标集合中移除。之后,分类层将评分最大的子图像确定为含有缺陷的子图像,并从评分集合和坐标集合中移除。最后重复上述过程直至评分集合为空集。
需要说明的是,裁剪框通常为正方形,由此可知子图像为正方形。如此,子图像的坐标为正方形中心点的坐标,子图像之间的距离为正方形中心点之间的距离,而根据正方形中心点的坐标和正方形中心点之间的距离很容易确定两个正方形是否存在重叠区域,如果存在重叠区域,则重提区域中的图像特征同时存在于两个图像中,即两个图像都包括同一个图像特征,从而确定两个子图像重叠。
综上所述,本申请实施例提供的技术方案代替人力自动移动显微镜镜头、自动调整焦距、自动去噪和自动识别缺陷位置,从而提高了检测结果的精准度。
如图4所示,本申请实施例提供了一种SiC缺陷的检测系统,包括:控制设备401、图像处理设备402、显微镜403和服务器404;
控制设备401用于根据待检测SiC片的形状特征信息和预先存储的显微镜镜头的拍摄参数,确定显微镜镜头的移动轨迹,拍摄参数包括:显微镜摄像头放大倍数以及放大倍数对应的拍摄范围;SiC片的形状特征信息包括:SiC片的轮廓线和面积;控制显微镜镜头沿移动轨迹移动并拍摄图像。
显微镜403用于拍摄的待检测SiC片的图像。
图像处理设备402用于根据图像中的第一线条,将控制设备401得到的图像划分为多个区域,并对各区域编号;
图像处理设备402用于还用于通过图像识别,确定各区域中的第一线条的脊特征和第二线条的脊特征,对第一线条的脊特征和第二线条的脊特征进行膨胀操作,得到各区域对应的输入样本;将各输入样本和各区域编号发送给预先设置有训练好的神经网络的服务器404。在本申请实施例中,第一线条为在待检测SiC片下面放置的网格线对应于显微镜拍摄的内容,第二线条包括:待检测SiC片的纹理边界线和待检测SiC片的切割痕迹线。待检测SiC片至少为半透明的,拍摄时在待检测SiC片与载物台之间放置有预先绘制有网格的垫纸,如此图像中待检测SiC的观测面会被自动划分成多个区域,因而图像处理设备只需通过图像识别就可以将控制设备401得到的图像划分为多个区域。垫纸上的网格线仅用于分区,因此分区后图像处理设备402通过图像识别,识别第一线条的脊特征和第二线条的脊特征。最后对第一线条的脊特征和第二线条的脊特征进行膨胀操作,以消除图像中的网格线、待检测SiC片的纹理边界线和待检测SiC片的切割痕迹线,以减少服务器的计算量,从而提高服务器的数据处理效率和图像识别准确度。
服务器404用于以各输入样本和各区域编号为输入,输出待检测物存在的缺陷数量以及缺陷位置。
在本申请实施例中,控制设备401用于沿着显微镜镜头的移动轨迹,控制显微镜镜头在三维坐标系的X轴方向上和Y轴方向上移动预设距离;三维坐标系的X轴为待检测SiC片的直线边,Y轴为待检测SiC片所在平面内的直线边的垂直平分线。
此外,控制设备401还用于通过显微镜镜头拍摄的待检测SiC片的图像,实时调整显微镜镜头在三维坐标系中Z轴方向上移动,得到清晰度在预设范围内的图像,Z轴与SiC平面垂直。
在本申请实施例中,图像处理设备402还接收训练样本,训练样本包括:多个含有缺陷的图像和多个不含缺陷的图像;检测训练样本的数量是否到达预设值。由于含有缺陷的图像不易得到,因此含有缺陷的图像获的数量不多且在训练样本中占比较小,这会降低图像处理设备402的识别精准度。因此,图像处理设备402还用于;在训练样本的数量没达到预设值时,根据预设的图像数据增强方法,分别对各含有缺陷的图像进行数据增强,得到新的含有缺陷的图像;将各新的含有缺陷的图像添加到训练样本中;其中,新的训练样本的数量为第二数量,且第一数量和第二数量之和大于或等于预设值;预设的图像数据增强方法,包括:图像的翻转、镜像变换、噪声扰动、像素值变化处理和高斯模糊中的一种或多种。
在本申请实施例中,服务器404用于根据各个区域和预设裁剪路径,对服务器中特征提取部分的最后一个池化层得到的特征图像进行滑动剪裁,得到多个子图像;使裁剪过的特征图像经过全连接层,并进入分类层;将裁剪过的特征图像分为含有缺陷的子图像和不含缺陷的子图像;根据含有缺陷的子图像的数量以及含有缺陷的子图像对应的编号,输出待检测物存在的缺陷数量以及缺陷位置。
在对各子图像进行分类时,服务器404首先确定评分集合和坐标集合,评分集合包括:各子图像对应的评分,评分用于指示各子图像中缺陷图像与训练样本中预先标注的缺陷图像的相似度,坐标集合包括:各个子图像的坐标。
服务器404其次确定评分集合中评分最大的子图像,并在坐标集合中确定评分最大的子图像对应的坐标;确定目标图像,目标图像是与评分最大的子图像重叠的子图像且重叠的子图像的评分大于或等于预设阈值;其中,图像重叠为两个图像都包括同一个图像特征。
服务器404最后将目标图像从评分集合和坐标集合中移除;将评分最大的子图像确定为含有缺陷的子图像,并从评分集合和坐标集合中移除;重复上述过程直至评分集合为空集。
需要说明的是,在本申请实施例中,显微镜和控制设备、显微镜和图像处理设备以及控制设备和图像处理设备均可以集成为一个设备,显微镜、控制设备和图像处理设备也可以集成为一个设备。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种SiC缺陷的检测方法,其特征在于,包括:
控制显微镜镜头移动,并拍摄有关待检测SiC片的多张图像,包括:
沿着所述显微镜镜头的移动轨迹,控制所述显微镜镜头在三维坐标系的X轴方向上和Y轴方向上移动预设距离;所述三维坐标系的X轴为所述待检测SiC片的直线边,所述Y轴为在所述待检测SiC片所在平面内所述直线边的垂直平分线;
通过所述显微镜镜头拍摄的所述待检测SiC片的图像,实时调整所述显微镜镜头在所述三维坐标系中Z轴方向上移动,得到清晰度在预设范围内的所述图像,所述Z轴与所述SiC平面垂直;
所述有关待检测SiC片的图像包括用于将所述图像分割成多个区域的第一线条;所述第一线条为在待检测SiC片下面放置的网格线;
将由所述第一线条分割所述图像而得到的多个区域进行编号;
通过图像识别,确定各所述区域中包含的所述第一线条的脊特征,以及确定各所述区域中包含的第二线条的脊特征,所述第二线条为所述待检测SiC片的纹理边界线和所述待检测SiC片的切割痕迹线;
对所述第一线条的脊特征和所述第二线条的脊特征进行膨胀操作,得到各所述区域对应的输入样本;
将所述多张图像作为输入样本,将所述输入样本发送给预先训练好的神经网络;
所述神经网络以各所述输入样本为输入,输出所述待检测SiC片存在的缺陷数量以及缺陷位置。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:将各所述输入样本和各所述区域编号,发送给预先训练好的神经网络。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收训练样本,所述训练样本包括:多个含有缺陷的图像和多个不含缺陷的图像;
检测训练样本的数量是否到达预设值;
在所述训练样本的数量没达到预设值时,根据预设的图像数据增强方法,分别对各所述含有缺陷的图像进行数据增强,得到新的含有缺陷的图像;
将各所述新的含有缺陷的图像添加到所述训练样本中;
其中,所述新的含有缺陷的图像的数量为第二数量,且原有训练样本的数量和所述第二数量之和大于或等于所述预设值;所述预设的图像数据增强方法,包括:图像的翻转、镜像变换、噪声扰动、像素值变化处理和高斯模糊中的一种或多种。
4.根据权利要求1所述的方法,其特征在于,所述神经网络以所述输入样本为输入,输出所述待检测SiC片存在的缺陷数量以及缺陷位置,包括:
所述神经网络根据各个所述区域和预设裁剪路径,对所述神经网络中特征提取部分的最后一个池化层得到的特征图像进行滑动剪裁,得到多个子图像;
所述神经网络使所述裁剪过的特征图像经过全连接层,并进入分类层;
所述分类层将所述裁剪过的特征图像分为含有缺陷的子图像和不含缺陷的子图像;
所述神经网络根据所述含有缺陷的子图像的数量以及所述含有缺陷的子图像对应的编号,输出所述待检测物存在的缺陷数量以及缺陷位置。
5.根据权利要求4所述的方法,其特征在于,
所述分类层将所述裁剪过的特征图像分为含有缺陷的子图像和不含缺陷的子图像,包括:
所述分类层确定评分集合和坐标集合,所述评分集合包括:各所述子图像对应的评分,所述评分用于指示各所述子图像中的缺陷图像与训练样本中预先标注的缺陷图像的相似度,所述坐标集合包括:各个所述子图像的坐标;
所述分类层确定所述评分集合中评分最大的子图像,并在所述坐标集合中确定所述评分最大的子图像对应的坐标;
所述分类层确定目标图像,所述目标图像是与所述评分最大的子图像重叠的子图像且所述重叠的子图像的评分大于或等于预设阈值;其中,所述图像重叠为两个图像都包括同一个图像特征;
所述分类层将所述目标图像从所述评分集合和所述坐标集合中移除;
所述分类层将所述评分最大的子图像确定为所述含有缺陷的子图像,并从所述评分集合和所述坐标集合中移除;
所述分类层重复上述过程直至所述评分集合为空集。
6.一种SiC缺陷的检测系统,其特征在于,包括:显微镜、控制设备、图像处理设备和服务器;
所述控制设备用于控制所述显微镜镜头移动,并拍摄有关待检测SiC片的多张图像;
所述控制设备用于沿着所述显微镜镜头的移动轨迹,控制所述显微镜镜头在三维坐标系的X轴方向上和Y轴方向上移动预设距离;所述三维坐标系的X轴为所述待检测SiC片的直线边,所述Y轴为所述待检测SiC片所在平面内的所述直线边的垂直平分线;
所述控制设备用于通过所述显微镜镜头拍摄的所述待检测SiC片的图像,实时调整所述显微镜镜头在所述三维坐标系中Z轴方向上移动,得到清晰度在预设范围内的所述图像,所述Z轴与所述SiC平面垂直;
所述有关待检测SiC片的图像包括用于将所述图像分割成多个区域的第一线条;所述第一线条为在待检测SiC片下面放置的网格线;
所述图像处理设备还用于将由所述第一线条分割所述图像而得到的多个区域进行编号;
所述图像处理设备还用于通过图像识别,确定各所述区域中包含的所述第一线条的脊特征,以及确定各所述区域中包含的第二线条的脊特征,所述第二线条为所述待检测SiC片的纹理边界线和所述待检测SiC片的切割痕迹线;对所述第一线条的脊特征和所述第二线条的脊特征进行膨胀操作,得到各所述区域对应的输入样本;
所述图像处理设备用于将所述多张图像作为输入样本,将所述输入样本发送给预先设置有训练好的神经网络的所述服务器;
所述服务器用于以各所述输入样本为输入,输出所述待检测SiC片存在的缺陷数量以及缺陷位置。
7.根据权利要求6所述的系统,其特征在于,
所述图像处理设备还用于将各所述输入样本和各所述区域编号,发送给预先设置有训练好的神经网络的所述服务器。
8.根据权利要求6所述的系统,其特征在于,
所述图像处理设备还用于接收训练样本,所述训练样本包括:多个含有缺陷的图像和多个不含缺陷的图像;检测训练样本的数量是否到达预设值;在所述训练样本的数量没达到预设值时,根据预设的图像数据增强方法,分别对各所述含有缺陷的图像进行数据增强,得到新的含有缺陷的图像;将各所述新的含有缺陷的图像添加到所述训练样本中;其中,所述新的训练样本的数量为第二数量,且原有训练样本的数量和所述第二数量之和大于或等于所述预设值;所述预设的图像数据增强方法,包括:图像的翻转、镜像变换、噪声扰动、像素值变化处理和高斯模糊中的一种或多种。
9.根据权利要求6所述的系统,其特征在于,
所述服务器用于根据各个所述区域和预设裁剪路径,对所述神经网络中特征提取部分的最后一个池化层得到的特征图像进行滑动剪裁,得到多个子图像;使所述裁剪过的特征图像经过全连接层,并进入分类层;将所述裁剪过的特征图像分为含有缺陷的子图像和不含缺陷的子图像;根据所述含有缺陷的子图像的数量以及所述含有缺陷的子图像对应的编号,输出所述待检测物存在的缺陷数量以及缺陷位置。
10.根据权利要求9所述的系统,其特征在于,
所述服务器用于确定评分集合和坐标集合,所述评分集合包括:各所述子图像对应的评分,所述评分用于指示各所述子图像中缺陷图像与训练样本中预先标注的缺陷图像的相似度,所述坐标集合包括:各个所述子图像的坐标;确定所述评分集合中评分最大的子图像,并在所述坐标集合中确定所述评分最大的子图像对应的坐标;确定目标图像,所述目标图像是与所述评分最大的子图像重叠的子图像且所述重叠的子图像的评分大于或等于预设阈值;其中,所述图像重叠为两个图像都包括同一个图像特征;
所述服务器还用于将所述目标图像从所述评分集合和所述坐标集合中移除;将所述评分最大的子图像确定为所述含有缺陷的子图像,并从所述评分集合和所述坐标集合中移除;重复上述过程直至所述评分集合为空集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951137.8A CN110889823B (zh) | 2019-10-08 | 2019-10-08 | 一种SiC缺陷的检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951137.8A CN110889823B (zh) | 2019-10-08 | 2019-10-08 | 一种SiC缺陷的检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889823A CN110889823A (zh) | 2020-03-17 |
CN110889823B true CN110889823B (zh) | 2022-08-26 |
Family
ID=69746058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910951137.8A Active CN110889823B (zh) | 2019-10-08 | 2019-10-08 | 一种SiC缺陷的检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889823B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932479A (zh) * | 2020-08-10 | 2020-11-13 | 中国科学院上海微系统与信息技术研究所 | 数据增强方法、系统以及终端 |
CN111951261A (zh) * | 2020-08-24 | 2020-11-17 | 郑州中普医疗器械有限公司 | 离体生物样本检查过程的控制方法、计算机设备和控制系统 |
CN112085722B (zh) * | 2020-09-07 | 2024-04-09 | 凌云光技术股份有限公司 | 一种训练样本图像获取方法及装置 |
CN112329687B (zh) * | 2020-11-16 | 2022-10-18 | 山东天岳先进科技股份有限公司 | 一种碳化硅衬底位错自动识别方法及系统 |
CN114718587A (zh) * | 2021-01-02 | 2022-07-08 | 杨立鹏 | 一种软弱围岩隧道挖掘机斗齿 |
CN114764770A (zh) * | 2021-01-08 | 2022-07-19 | 长鑫存储技术有限公司 | 晶圆检测方法、装置、设备及存储介质 |
EP4050560B1 (en) | 2021-01-08 | 2023-07-12 | Changxin Memory Technologies, Inc. | Wafer testing method and apparatus, and device and storage medium |
CN113610749B (zh) * | 2021-04-21 | 2024-04-19 | 北京智慧空间科技有限责任公司 | 基于神经网络的风机叶片缺陷检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201436584U (zh) * | 2009-07-23 | 2010-04-07 | 沈阳天嘉科技有限公司 | 滚针轴承缺针检测装置 |
CN102466646A (zh) * | 2011-12-07 | 2012-05-23 | 江苏腾晖电力科技有限公司 | 准单晶硅片的外观检测方法 |
CN103558218A (zh) * | 2013-10-29 | 2014-02-05 | 中国科学院金属研究所 | 测定晶内第二相在基体中分布均匀性的方法 |
CN104830680A (zh) * | 2015-03-24 | 2015-08-12 | 临沂大学 | 一种非接触式显微测量辅助装置及其测量方法 |
CN106446925A (zh) * | 2016-07-07 | 2017-02-22 | 哈尔滨工程大学 | 一种基于图像处理的海豚身份识别的方法 |
CN108345911A (zh) * | 2018-04-16 | 2018-07-31 | 东北大学 | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 |
CN108645867A (zh) * | 2018-05-25 | 2018-10-12 | 哈尔滨工业大学 | 大口径光学晶体表面微缺陷的快速寻位与批量检测方法 |
CN109993094A (zh) * | 2019-03-26 | 2019-07-09 | 苏州富莱智能科技有限公司 | 基于机器视觉的材料缺陷智能检测系统及方法 |
CN110197259A (zh) * | 2019-05-30 | 2019-09-03 | 浙江大学 | 基于小批量数据集与深度学习算法的晶圆缺陷检测方法 |
CN110214362A (zh) * | 2017-01-31 | 2019-09-06 | 住友电气工业株式会社 | 碳化硅外延衬底和制造碳化硅半导体器件的方法 |
-
2019
- 2019-10-08 CN CN201910951137.8A patent/CN110889823B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201436584U (zh) * | 2009-07-23 | 2010-04-07 | 沈阳天嘉科技有限公司 | 滚针轴承缺针检测装置 |
CN102466646A (zh) * | 2011-12-07 | 2012-05-23 | 江苏腾晖电力科技有限公司 | 准单晶硅片的外观检测方法 |
CN103558218A (zh) * | 2013-10-29 | 2014-02-05 | 中国科学院金属研究所 | 测定晶内第二相在基体中分布均匀性的方法 |
CN104830680A (zh) * | 2015-03-24 | 2015-08-12 | 临沂大学 | 一种非接触式显微测量辅助装置及其测量方法 |
CN106446925A (zh) * | 2016-07-07 | 2017-02-22 | 哈尔滨工程大学 | 一种基于图像处理的海豚身份识别的方法 |
CN110214362A (zh) * | 2017-01-31 | 2019-09-06 | 住友电气工业株式会社 | 碳化硅外延衬底和制造碳化硅半导体器件的方法 |
CN108345911A (zh) * | 2018-04-16 | 2018-07-31 | 东北大学 | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 |
CN108645867A (zh) * | 2018-05-25 | 2018-10-12 | 哈尔滨工业大学 | 大口径光学晶体表面微缺陷的快速寻位与批量检测方法 |
CN109993094A (zh) * | 2019-03-26 | 2019-07-09 | 苏州富莱智能科技有限公司 | 基于机器视觉的材料缺陷智能检测系统及方法 |
CN110197259A (zh) * | 2019-05-30 | 2019-09-03 | 浙江大学 | 基于小批量数据集与深度学习算法的晶圆缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
Faster R-CNN: towards real-time object detection with region proposal networks;Ren S Q et al.;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;20170606;第39卷(第6期);全文 * |
改进的非极大值抑制算法的目标检测;赵文清 等;《中国图像图形学报》;20181116;第23卷(第11期);正文第1章、第2.1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN110889823A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889823B (zh) | 一种SiC缺陷的检测方法和系统 | |
US11774735B2 (en) | System and method for performing automated analysis of air samples | |
TWI673750B (zh) | 樣品觀察裝置及樣品觀察方法 | |
US8237119B2 (en) | Scanning type charged particle beam microscope and an image processing method using the same | |
US8111902B2 (en) | Method and apparatus for inspecting defects of circuit patterns | |
CN112053318A (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
WO2017092427A1 (zh) | 一种电子元件定位方法及装置 | |
RU2019115141A (ru) | Cистема и способ выполнения автоматизированного анализа проб воздуха | |
JP2012026969A (ja) | パターン検査方法およびパターン検査装置 | |
CN111062961A (zh) | 一种基于深度学习的隐形眼镜边缘缺陷检测方法 | |
CN112884743B (zh) | 检测方法及装置、检测设备和存储介质 | |
US7636466B2 (en) | System and method for inspecting workpieces having microscopic features | |
CN113705298A (zh) | 图像采集方法、装置、计算机设备及存储介质 | |
CN111929239A (zh) | 一种pcb板零件缺陷的aoi检测装置及检测方法 | |
CN116258838B (zh) | 一种用于管片模具合模系统的智能视觉引导方法 | |
CN113727022B (zh) | 巡检图像的采集方法及装置、电子设备、存储介质 | |
CN110148141A (zh) | 一种丝印滤光片小片检测计数方法及设备 | |
TWI777307B (zh) | 在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法、電腦程式及電腦可讀取媒體 | |
US20230258919A1 (en) | A method for analysing scanning efficacy | |
CN114299049A (zh) | 检测方法及装置、电子设备和存储介质 | |
CN112884744A (zh) | 检测方法及装置、检测设备和存储介质 | |
CN112926437B (zh) | 检测方法及装置、检测设备和存储介质 | |
RU2787314C1 (ru) | Автоматизированный способ люминесцентного контроля детали | |
CN118329894A (zh) | 复检图像处理方法与复检系统 | |
CN117197550A (zh) | 基于图像立方体与深度学习的vr镜片缺陷检测方法及系统 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No.99, Tianyue South Road, Huaiyin District, Jinan City, Shandong Province Applicant after: Shandong Tianyue advanced technology Co.,Ltd. Address before: 250100 AB Block 1106-6-01, Century Fortune Center, West Side of Xinyu Road, Jinan High-tech Zone, Shandong Province Applicant before: SICC Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |