CN110992353B - 基于智能感知的芯片涂层薄膜质量检测方法 - Google Patents
基于智能感知的芯片涂层薄膜质量检测方法 Download PDFInfo
- Publication number
- CN110992353B CN110992353B CN201911285308.4A CN201911285308A CN110992353B CN 110992353 B CN110992353 B CN 110992353B CN 201911285308 A CN201911285308 A CN 201911285308A CN 110992353 B CN110992353 B CN 110992353B
- Authority
- CN
- China
- Prior art keywords
- image
- coating film
- chip coating
- quality detection
- chip
- 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
- 238000000576 coating method Methods 0.000 title claims abstract description 52
- 239000011248 coating agent Substances 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 230000008021 deposition Effects 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000002146 bilateral effect Effects 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 230000008447 perception Effects 0.000 claims abstract description 5
- 238000000231 atomic layer deposition Methods 0.000 claims description 24
- 238000000151 deposition Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 239000010408 film Substances 0.000 description 23
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 8
- 229910052710 silicon Inorganic materials 0.000 description 8
- 239000010703 silicon Substances 0.000 description 8
- 238000005520 cutting process Methods 0.000 description 3
- 238000010367 cloning Methods 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000001259 photo etching Methods 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009713 electroplating Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 239000002105 nanoparticle Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
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
- 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
-
- G06T5/70—
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G01N2223/10—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
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
Abstract
基于智能感知的芯片涂层薄膜质量检测方法,本发明属于芯片制造领域,它为了解决现有芯片涂层薄膜的质量检测耗时长、检测结果不稳定的问题。检测方法:在透射电子显微镜下拍摄得到芯片涂层的原始图像,通过双边滤波器和均值漂移滤波器对图像进行滤波,利用OTSU二值化算法对滤波图像的灰度图像进行二值化,然后通过闭运算算法填充沉积区域内的孔洞,计算二值化图像中各像素点的灰度值及各灰度值对应的点数目,灰度值为0的点为ALD沉积点,沉积点总像素点数的比例即为涂层薄膜覆盖率的计算值。本发明在加快检测速度、保证检测结果一致性的同时,使用发明基于智能感知的检测方法得到的检测结果具有优异的准确性和可靠性。
Description
技术领域
本发明属于芯片制造领域,具体涉及芯片制造过程中涂层薄膜的质量检测方法。
背景技术
人工智能、5G等高精尖技术的发展对芯片的性能、集成度提出了更高的要求,尤其体现在对芯片制造工艺的要求逐渐逼近原材料的物理极限,从90nm逐渐发展到16nm、14nm甚至7nm以及更小。芯片的制造过程包括:沙子(SiO2)经脱氧、熔炼得到高纯硅(Si)并制作成圆柱形硅锭;硅锭经切割机切割得到晶圆(Wafer)薄片;在晶圆上涂光刻胶后用光刻机进行光刻得到电路图案;通过离子注入等方式将导电材料注入硅表面改变硅的导电性;随后再经电镀、抛光、测试、切割、封装等工序最终将芯片制作完成。这其中的主要技术挑战是光刻机的光刻过程以及将导电材料注入硅表面使之导电的过程。对于后者而言,面对芯片尺寸的不断缩小,一种新型技术是原子层沉积(Atomic Layer Deposition,ALD)技术,相对于离子注入等传统方式,该原子层沉积方法能以单层原子膜的形式将物质沉积到硅表面,制造出的芯片涂层具有均匀、致密以及优异的台阶覆盖率等优点,如苗虎等文献《原子层沉积技术及应用》,以及YU等文献《Surface Passivation and Antireflection Behavior ofALD TiO2 on n-Type Silicon for Solar Cells》。本申请中芯片涂层薄膜质量检测的对象即为通过ALD技术得到的芯片涂层,质量检测是指检测芯片涂层的表面覆盖率。
目前芯片涂层薄膜的质量检测尚无系统有效的方法,一般由人工进行,存在耗时长、检测结果不稳定等问题。因此,寻找一种高效、准确的系统检测方法是芯片制造领域亟待解决的问题。
发明内容
本发明的目的是为了解决现有芯片涂层薄膜的质量检测耗时长、检测结果不稳定的问题,而提供一种基于智能感知的芯片涂层薄膜质量检测方法。
本发明基于智能感知的芯片涂层薄膜质量检测方法按照以下步骤实现:
步骤一:使用ALD技术制备得到芯片涂层后,在透射电子显微镜下拍摄得到芯片涂层的原始图像;
步骤二:对原始图像进行分块处理,将完整的芯片涂层原始图像分为多个小区域,得到区域图像;
步骤三:利用双边滤波器(Bilateral filter)对每个区域图像进行初次滤波,去除噪声的同时,使ALD沉积区域的边缘清晰;
步骤四:利用均值漂移滤波(Mean shift filter)对每个区域图像进行再次滤波,平滑图像中色彩分布相近的像素点,得到滤波图像;
步骤五:利用OTSU二值化算法对滤波图像的灰度图像进行二值化,得到黑白二值图像,实现沉积点和未覆盖区域的分割,然后将区域图像合并;
步骤六:基于拓扑学,利用数学形态学(Mathematical morphology)中的闭运算(Closing)算法对黑白二值图像进行处理,填充沉积区域内的孔洞,实现对图像形态的修正,得到最终的二值化图像;
步骤七:计算二值化图像中各像素点的灰度值及各灰度值对应的点数目,灰度值为0的点为ALD沉积区域,设数量为n1,则n1占总像素点数的比例即为涂层薄膜覆盖率的计算值x,从而完成基于智能感知的芯片涂层薄膜质量检测。
本发明基于智能感知的芯片涂层薄膜质量检测方法通过对原始图像分块处理,减小图像中不同区域亮度不同对滤波、二值化的影响;双边滤波在保证沉积区域边缘清晰的同时有效去除噪声;均值漂移滤波用于进一步平滑图像中色彩分布相近的像素点;OTSU二值化算法将灰度图像转为黑白二值图像,实现沉积点和未覆盖区域的分割;形态学闭运算处理填充二值化图像中的孔洞,修正图像形态,并计算初始覆盖率;针对不同类型的芯片涂层,为减小算法系统误差,通过一定量的数据拟合得到初始覆盖率和理论覆盖率之间的函数关系,从而得到最终覆盖率。
本发明基于智能感知的芯片涂层薄膜质量检测方法能够解决当前芯片涂层薄膜质量检测中存在的检测效率低以及检测结果不稳定的问题。具体而言,本发明一方面能使质量检测的速度得到显著提高,据测试,一张表面覆盖率80%左右的薄膜图像由人工借助Adobe Photoshop工具进行质量检测约需5min,而本发明由程序自动检测仅需1s左右;另一方面人工检测在多次检测中,检测人员在确定沉积区域的边界时(可能)有些许差别,会导致检测结果不稳定,而程序遵循相同的边界条件,多次检测结果具有一致性、可重复性;另外在加快检测速度、保证检测结果一致性的同时,使用本发明基于智能感知的检测方法得到的检测结果具有优异的准确性和可靠性,最大误差在3.74%以内。
附图说明
图1为实施例基于智能感知的芯片涂层薄膜质量检测方法的流程图;
图2为实施例中步骤一中的原始图像;
图3为实施例中步骤二的分块切割图像;
图4为实施例中步骤三的双边滤波处理后的图像;
图5为实施例中步骤四的均值漂移滤波处理后的图像;
图6为实施例中步骤五的OTSU二值化处理后的图像;
图7为实施例中步骤六的形态学闭运算处理处理后的图像。
具体实施方式
具体实施方式一:本实施方式基于智能感知的芯片涂层薄膜质量检测方法按照以下步骤实施:
步骤一:使用ALD技术制备得到芯片涂层后,在透射电子显微镜下拍摄得到芯片涂层的原始图像;
步骤二:对原始图像进行分块处理,将完整的芯片涂层原始图像分为多个小区域,得到区域图像;
步骤三:利用双边滤波器(Bilateral filter)对每个区域图像进行初次滤波,去除噪声的同时,使ALD沉积区域的边缘清晰;
步骤四:利用均值漂移滤波(Mean shift filter)对每个区域图像进行再次滤波,平滑图像中色彩分布相近的像素点,得到滤波图像;
步骤五:利用OTSU二值化算法对滤波图像的灰度图像进行二值化,得到黑白二值图像,实现沉积点和未覆盖区域的分割,然后将区域图像合并;
步骤六:基于拓扑学,利用数学形态学(Mathematical morphology)中的闭运算(Closing)算法对黑白二值图像进行处理,填充沉积区域内的孔洞,实现对图像形态的修正,得到最终的二值化图像;
步骤七:计算二值化图像中各像素点的灰度值及各灰度值对应的点数目,灰度值为0的点为ALD沉积点,设数量为n1,则n1占总像素点数的比例即为涂层薄膜覆盖率的计算值x,从而完成基于智能感知的芯片涂层薄膜质量检测。
具体实施方式二:本实施方式与具体实施方式一不同的是步骤一中透射电子显微镜的分辨率为20nm。
具体实施方式三:本实施方式与具体实施方式一或二不同的是步骤二中将完整的芯片涂层原始图像分为2×2~5×5个小区域。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是步骤三调用OpenCV中的双边滤波器对每个区域图像进行初次滤波。
本实施方式中通过双边滤波器对每个区域图像进行初次滤波,其中颜色标准差取80~120,空间标准差取10~20。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是步骤四调用OpenCV中的均值漂移滤波器对每个区域图像进行再次滤波。
本实施方式调用OpenCV中的均值漂移滤波器对图像进行再次滤波,其中颜色窗口和空间窗口半径均取10~20。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是步骤六中利用数学形态学(Mathematical morphology)中的闭运算(Closing)算法进行处理,其中闭运算采用边长为3~9的正方形滤波器。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是拟合步骤七得到的涂层薄膜覆盖率的计算值x和理论值y之间的函数关系修正系统误差,从而得到修正后的覆盖率。
实施例:本实施例基于智能感知的芯片涂层薄膜质量检测方法按照以下步骤实施:
步骤一:使用ALD方法在Si基底上沉积Pt纳米颗粒制备芯片涂层薄膜,经分辨率为20nm的透射电子显微镜拍摄得到芯片涂层的原始图像(如图2所示);
步骤二:对原始图像进行分块处理,将完整的涂层原始图像分为2×2个小区域(如图3所示),在后续步骤3~5中分别对各个小区域进行处理,并在步骤5二值化完成之后将其合并;
步骤三:调用OpenCV中的双边滤波器对每个区域图像进行初次滤波,其中滤波器的颜色标准差取100,空间标准差取20,实现在去除噪声的同时,使ALD沉积区域的边缘清晰,达到保边去噪效果(如图4所示);
步骤四:调用OpenCV中的均值漂移滤波(Mean shift filter)对每个区域图像进行再次滤波,其中滤波器的颜色窗口和空间窗口半径均取20,平滑图像中色彩分布相近的像素点,得到滤波图像(如图5所示);
步骤五:将图像转换为灰度图像,然后调用OpenCV中的OTSU二值化算法进行二值化,得到黑白二值图像(如图6所示),实现沉积点和未覆盖区域的分割,然后将区域图像合并;
步骤六:形态学调整阶段,利用数学形态学(Mathematical morphology)中的闭运算(Closing)算法进行处理,其中闭运算滤波器为边长为5的正方形滤波器,填充沉积区域内的孔洞,实现对图像形态的修正,得到最终的二值化图像(如图7所示);
步骤七:计算二值化图像中各像素点的灰度值及各灰度值对应的点数目,灰度值为0的点为ALD沉积点,设数量为n1,则n1占总像素点数的比例即为涂层薄膜覆盖率的计算值x;
步骤八:分别用以上步骤处理相同ALD工艺得到的多张薄膜图像,得到各初始计算值xi;人工检测得到的覆盖率视为真实值yi,拟合两者之间的函数关系,在本实施例中其函数关系为:
y=-0.3529x2+1.5884x-0.2653
R2=0.9955
拟合优度R2为0.9955,说明此函数能充分反映覆盖率初始计算值x和真实值之间的关系,则以后用相同ALD工艺制备得到的芯片涂层薄膜图像的均可用以上步骤实现,能够保证检测速度快,检测结果具有可重复性和准确性。
Claims (5)
1.基于智能感知的芯片涂层薄膜质量检测方法,其特征在于该芯片涂层薄膜质量检测方法按照以下步骤实现:
步骤一:使用ALD技术制备得到芯片涂层后,在透射电子显微镜下拍摄得到芯片涂层的原始图像;
步骤二:对原始图像进行分块处理,将完整的芯片涂层原始图像分为多个区域,得到区域图像;
步骤三:利用双边滤波器对每个区域图像进行初次滤波,去除噪声的同时,使ALD沉积区域的边缘清晰;
步骤四:利用均值漂移滤波对每个区域图像进行再次滤波,平滑图像中色彩分布相近的像素点,得到滤波图像;
步骤五:利用OTSU二值化算法对滤波图像的灰度图像进行二值化,得到黑白二值图像,实现沉积点和未覆盖区域的分割,然后将区域图像合并;
步骤六:基于拓扑学,利用数学形态学中的闭运算算法对黑白二值图像进行处理,填充沉积区域内的孔洞,实现对图像形态的修正,得到最终的二值化图像;
步骤七:计算二值化图像中各像素点的灰度值及各灰度值对应的点数目,灰度值为0的点为ALD沉积区域,设数量为n1,则n1占总像素点数的比例即为涂层薄膜覆盖率的计算值x,从而完成基于智能感知的芯片涂层薄膜质量检测;
步骤三调用OpenCV中的双边滤波器对每个区域图像进行初次滤波,其中颜色标准差取80~120,空间标准差取10~20;
步骤四调用OpenCV中的均值漂移滤波器对每个区域图像进行再次滤波,其中颜色窗口和空间窗口半径均取10~20。
2.根据权利要求1所述的基于智能感知的芯片涂层薄膜质量检测方法,其特征在于步骤一中透射电子显微镜的分辨率为20nm。
3.根据权利要求1所述的基于智能感知的芯片涂层薄膜质量检测方法,其特征在于步骤二中将完整的芯片涂层原始图像分为2×2~5×5个小区域。
4.根据权利要求1所述的基于智能感知的芯片涂层薄膜质量检测方法,其特征在于步骤六中利用数学形态学中的闭运算算法进行处理,其中闭运算采用边长为3~9的正方形滤波器。
5.根据权利要求1所述的基于智能感知的芯片涂层薄膜质量检测方法,其特征在于拟合步骤七得到的涂层薄膜覆盖率的计算值x和理论值y之间的函数关系修正系统误差,从而得到修正后的覆盖率。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911285308.4A CN110992353B (zh) | 2019-12-13 | 2019-12-13 | 基于智能感知的芯片涂层薄膜质量检测方法 |
ZA2020/07736A ZA202007736B (en) | 2019-12-13 | 2020-12-11 | Intelligent perception based quality detection method for chip coating films |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911285308.4A CN110992353B (zh) | 2019-12-13 | 2019-12-13 | 基于智能感知的芯片涂层薄膜质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992353A CN110992353A (zh) | 2020-04-10 |
CN110992353B true CN110992353B (zh) | 2021-04-06 |
Family
ID=70093568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911285308.4A Active CN110992353B (zh) | 2019-12-13 | 2019-12-13 | 基于智能感知的芯片涂层薄膜质量检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110992353B (zh) |
ZA (1) | ZA202007736B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113523185B (zh) * | 2021-06-24 | 2022-11-18 | 哈尔滨理工大学 | 一种喷墨3d打印砂型/砂芯致密度的检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103134785A (zh) * | 2013-02-07 | 2013-06-05 | 华南理工大学 | 一种基于机器视觉的荧光粉涂覆表面缺陷检测系统及方法 |
CN106443802A (zh) * | 2016-09-20 | 2017-02-22 | 中石化石油工程技术服务有限公司 | 一种基于形态学滤波的电成像储层缝洞体的定量表征方法及系统 |
CN108311409A (zh) * | 2017-12-26 | 2018-07-24 | 江苏仲博敬陈信息科技有限公司 | 一种基于人工智能图像识别的印刷电路板检测系统 |
CN108460764A (zh) * | 2018-03-31 | 2018-08-28 | 华南理工大学 | 基于自动上下文和数据增强的超声图像智能分割方法 |
CN109670500A (zh) * | 2018-11-30 | 2019-04-23 | 平安科技(深圳)有限公司 | 一种文字区域获取方法、装置、存储介质及终端设备 |
CN110490826A (zh) * | 2019-08-26 | 2019-11-22 | 河南农业大学 | 一种照相机中雾滴样本图像处理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103128041B (zh) * | 2013-02-07 | 2014-09-10 | 华南理工大学 | 一种全自动荧光粉涂覆工艺及设备 |
CN105260693B (zh) * | 2015-12-01 | 2017-12-08 | 浙江工业大学 | 一种激光二维码定位方法 |
CN110458795A (zh) * | 2019-06-03 | 2019-11-15 | 赵旭东 | 一种乳腺肿块超声图像超声区域分离方法 |
CN110349125A (zh) * | 2019-06-17 | 2019-10-18 | 武汉大学 | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 |
-
2019
- 2019-12-13 CN CN201911285308.4A patent/CN110992353B/zh active Active
-
2020
- 2020-12-11 ZA ZA2020/07736A patent/ZA202007736B/en unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103134785A (zh) * | 2013-02-07 | 2013-06-05 | 华南理工大学 | 一种基于机器视觉的荧光粉涂覆表面缺陷检测系统及方法 |
CN106443802A (zh) * | 2016-09-20 | 2017-02-22 | 中石化石油工程技术服务有限公司 | 一种基于形态学滤波的电成像储层缝洞体的定量表征方法及系统 |
CN108311409A (zh) * | 2017-12-26 | 2018-07-24 | 江苏仲博敬陈信息科技有限公司 | 一种基于人工智能图像识别的印刷电路板检测系统 |
CN108460764A (zh) * | 2018-03-31 | 2018-08-28 | 华南理工大学 | 基于自动上下文和数据增强的超声图像智能分割方法 |
CN109670500A (zh) * | 2018-11-30 | 2019-04-23 | 平安科技(深圳)有限公司 | 一种文字区域获取方法、装置、存储介质及终端设备 |
CN110490826A (zh) * | 2019-08-26 | 2019-11-22 | 河南农业大学 | 一种照相机中雾滴样本图像处理方法 |
Non-Patent Citations (2)
Title |
---|
基于原子层沉积技术的石英管表面减反射膜的制备;沐雯 等;《光学学报》;20190331;第39卷(第3期);全文 * |
基于图像处理的集成电路芯片表面缺陷检测算法研究;夏成蹊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190915(第9期);摘要,论文第1.1-1.2节、第2-4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN110992353A (zh) | 2020-04-10 |
ZA202007736B (en) | 2021-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992353B (zh) | 基于智能感知的芯片涂层薄膜质量检测方法 | |
CN110070552B (zh) | 一种基于语义分割的岩石图像孔隙类型识别方法 | |
Li et al. | Automatic saw-mark detection in multicrystalline solar wafer images | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN115290663B (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN107768269A (zh) | 一种多晶硅太阳能电池片外观脏污缺陷检测的方法 | |
CN111553886B (zh) | 一种沥青混合料ct图像中颗粒的自适应识别方法 | |
CN110111301A (zh) | 基于频域变换的金属氧化表面缺陷视觉检测方法 | |
CN115311280B (zh) | 一种碳化硅材质晶圆的缺陷检测方法 | |
CN101706959A (zh) | 基于二维信息熵金属板带表面缺陷提取方法 | |
CN115661173A (zh) | 一种基于遥感图像的地块分割方法 | |
CN111354047A (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN116703251A (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN111311582A (zh) | Opc数据采集方法 | |
CN103186900B (zh) | 一种InSAR水体和阴影区域自动提取和识别的方法 | |
CN114037657A (zh) | 一种结合区域生长与环形校正的锂电池极耳缺陷检测方法 | |
CN107967690B (zh) | 一种自适应铁谱磨粒图像二值化处理方法 | |
CN110930423B (zh) | 一种物体边缘特征识别提取方法 | |
CN110930358B (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN114677384B (zh) | 一种太阳能电池镀膜缺陷检测方法 | |
CN102629369B (zh) | 一种基于照度表面建模的单幅彩色图像阴影去除方法 | |
CN113313727A (zh) | 结合形态学梯度的双门限阈值爆堆岩石块度图像分割方法 | |
CN105223773B (zh) | 一种光掩模图案透光强度修正的方法 | |
CN113051863B (zh) | 半导体建模方法、装置、存储介质及计算机设备 | |
CN110910442B (zh) | 一种基于kernel-free图像复原的高速移动对象机器视觉尺寸检测方法 |
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 |