CN111707614A - 一种光学芯片表面沾污缺陷检测方法及线激光视觉检测系统 - Google Patents
一种光学芯片表面沾污缺陷检测方法及线激光视觉检测系统 Download PDFInfo
- Publication number
- CN111707614A CN111707614A CN202010285930.1A CN202010285930A CN111707614A CN 111707614 A CN111707614 A CN 111707614A CN 202010285930 A CN202010285930 A CN 202010285930A CN 111707614 A CN111707614 A CN 111707614A
- Authority
- CN
- China
- Prior art keywords
- defect
- chip
- image
- characteristic value
- detected
- 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.)
- Granted
Links
Images
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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
一种光学芯片表面沾污缺陷检测方法,采集待检测芯片的表面图像,对预处理得到的图像进行缺陷提取,计算提取的芯片表面图像样本的缺陷特征值;对已知缺陷所属类别的芯片表面图像进行处理,得到芯片表面样本的缺陷特征值,并利用所述芯片样本的缺陷所属的类别的缺陷特征值行处理,得到已知缺陷所属类别的芯片表面缺陷特征值;然后利用数字图像处理算法得到待检测芯片的缺陷特征值,得到所述待检测芯片的缺陷所属的类别。一种线激光视觉检测系统,包括:线激光扫描相机,数据采集卡,FPGA图像处理模块,HALCON数字图像处理模块;FPGA图像处理模块得到芯片表面缺陷特征值,HALCON数字图像处理模块得到所述待检测芯片的缺陷特征值所属的类别。
Description
技术领域
本发明涉及一种光学芯片及晶圆表面缺陷检测方法,尤其是涉及一种基于线激光扫描相机结合HALCAN平台对芯片表面缺陷进行检测的方法及线激光视觉检测系统。
背景技术
集成电路生产需经过薄膜沉积、蚀刻、抛光、减薄、划切和倒装等众多复杂的工艺流程,流程中的任何异常都可能导致晶圆表面缺陷的产生。准确识别晶圆表面的各种缺陷模式,可帮助发现和调整在线封装制造过程中的异常因素,提高集成电路封装的效率。同时也可以降低集成电路生产的废品率,避免因大批量晶圆表面缺陷而造成巨大的成本损失。目前国内封装前段对芯片表面缺陷检测主要还是人工通过显微镜肉眼检测,不仅劳动力强,对IQC镜检人员经验要求也高;而且效率低,检测结果受到检测人员水平、情绪等主观因素影响,得不到保障。人工芯片表面检测速度慢,无法大规模检测、测量精度低。
发明内容
本发明针对现有行业存在的生产不足和缺陷,提出一种利用线激光扫描相机对芯片表面缺陷进行检测的方法及系统/装置。能够提高检测的效率和精确性,并大大减少工人的工作量。
本发明采用基于数字信号处理技术的线激光,对检测芯片表面度构建了一套集光、电、机、机器视觉技术于一体的基于FPGA的激光HALON视觉检测系统。通过点云的预处理、点云分割和点云聚类,最后采用最小二乘法对芯片表面平面度进行评价。使系统测量速度大幅度提高,可应用于大规模检测,重复精度达到20μm。
本发明采用的技术方案:
一种光学芯片表面沾污缺陷检测方法,包括如下步骤:
1)利用线激光相机,采集待检测芯片的表面图像;
2)对获取的芯片表面图像进行预处理;
3)对预处理得到的图像进行缺陷提取,并计算提取的芯片表面图像样本的缺陷特征值;
4)在对图像进行处理,得到芯片表面图像样本的缺陷特征值之前,对已知缺陷所属的类别的芯片表面样本的表面图像进行处理,得到所述芯片表面样本的缺陷特征值,并利用所述芯片样本的缺陷所属的类别的缺陷特征值行处理,得到已知缺陷所属类别的芯片表面缺陷特征值;利用HALCON数字图像处理算法对获取的芯片表面图像进行处理,得到所述待检测芯片的缺陷特征值,并将所述缺陷特征值输入预先训练好的分类器,得到所述待检测芯片的缺陷所属的类别。
所述的光学芯片表面沾污缺陷检测方法,步骤2)中,对获取的芯片表面图像通过HALCON数字图像处理算法依次进行滤波器滤波、图像增强和芯片表面缺陷定位处理。
步骤4)中,对所述芯片表面缺陷定位处理得到的芯片表面区域进行图像灰度化;对所述图像灰度化的结果进行图像分割;对所述图像分割的结果进行形态学处理;对所述形态学处理的结果进行缺陷标定;计算得到的缺陷的特征值,得到缺陷特征值。
所述的光学芯片表面沾污缺陷检测方法,所述HALCON数字图像处理算法,采用基于模型的点云预处理、点云分割和点云聚类,最后采用最小二乘法对提取的芯片表面图像样本进行评价,并计算待检测芯片的缺陷特征值。
缺陷簇由二元正态分布和主曲线建模,通过比较每个簇在两个模型中的对数似然概率,可以检测缺陷簇的形状为椭球状还是曲线状。利用改进的两步算法,采用空间非齐次泊松过程、二元正态分布和主曲线构建混合模型,可判断出芯片表面缺陷为曲线状、线性状或椭球状。通过对晶圆表面缺陷的模式进行统计分析,能够检测出缺陷的形状特征值。得到缺陷特征值,并将所述缺陷特征值输入预先训练好的分类器,得到所述待检测芯片的缺陷所属的类别。
一种实现前述光学芯片表面沾污缺陷检测方法的线激光视觉检测系统,包括:线激光扫描相机,用于采集待检测芯片的表面图像;数据采集卡,用于获取待检测芯片的表面图像,并将所述图像发送给FPGA图像处理模块;FPGA图像处理模块,用于对获取的待检测芯片的表面图像进行豫处理,对获取的待检测芯片的表面图像进行滤波器滤波、图像增强和芯片表面缺陷定位,得到芯片表面缺陷特征值,并进一步通过HALCON数字图像处理模块对所述图像进行处理;HALCON数字图像处理模块,对提取的芯片表面图像样本进行评价,得到所述待检测芯片的缺陷特征值所属的类别,识别局部缺陷。
所述的线激光视觉检测系统,包括一个二维运动工件平台和伺服电机,线激光扫描相机安装在相机移动平台上,所述伺服电机连接所述相机移动平台,用于接收来自于所述FPGA图像处理模块的控制指令,根据所述控制指令通过传动机构带动所述线激光相机在工件平台上运动。所述的线激光扫描相机,在抓取待检测芯片表面图像之前,采集线激光相机在不同姿态的标定板的图像。所述HALCON数字图像处理模块,用于获取所述标定板的图像,根据所述标定板的图像计算所述面扫描线激光相机的内外参数,并利用所述内外参数对所述面扫描相机进行标定。
所述FPGA图像处理模块,利用HALCON数字图像处理软件对所述图像进行处理,采用基于模型通过点云的预处理、点云分割和点云聚类,最后采用最小二乘法对芯片表面图像进行评价,得到所述待检测芯片的缺陷特征值所属的类别,识别局部缺陷。
发明有益效果:
本发明基于线激光扫描相机的芯片表面缺陷检测装置及方法,利用处理模块通过分类器对面扫描相机采集的待检测芯片的表面图像的缺陷所属的类别进行检测,能很好地实现芯片缺陷的识别和分类,提高检测的效率和精确性,解决了人工芯片表面检测速度慢,无法大规模检测、测量精度低等问题,并大大减少人工的工作量,同时,本发明克服了现有的超声波检测、X-RAY检测系统、半自动化方法成本高,设备复杂等缺点,在保证检测效率和精确性的前提下,实现了芯片表面缺陷的识别和分类。
附图说明
图1为本发明光学芯片表面沾污缺陷检激光视觉检测系统框架图;
图2为本发明光学芯片表面沾污缺陷检测方法视觉检测模块流程图;
图3为本发明线激光视觉检测系统结构示意图。
具体实施方式
下面通过具体实施方式,结合附图对本发明技术方案做进一步的详细描述。
实施例1
本发明一种光学芯片表面沾污缺陷检测方法,包括如下步骤:
1)利用线激光相机,采集待检测芯片的表面图像;
2)对获取的芯片表面图像进行预处理;
3)对预处理得到的图像进行缺陷提取,并计算提取的芯片表面图像样本的缺陷特征值;
4)在对图像进行处理,得到芯片表面图像样本的缺陷特征值之前,对已知缺陷所属的类别的芯片表面样本的表面图像进行处理,得到所述芯片表面样本的缺陷特征值,并利用所述芯片样本的缺陷所属的类别的缺陷特征值行处理,得到已知缺陷所属类别的芯片表面缺陷特征值;利用HALCON数字图像处理算法对获取的芯片表面图像进行处理,得到所述待检测芯片的缺陷特征值,并将所述缺陷特征值输入预先训练好的分类器,得到所述待检测芯片的缺陷所属的类别。
步骤2)中,对获取的芯片表面图像通过HALCON数字图像处理算法依次进行滤波器滤波、图像增强和芯片表面缺陷定位处理。所述HALCON数字图像处理算法,采用基于模型的点云预处理、点云分割和点云聚类,最后采用最小二乘法对提取的芯片表面图像样本进行评价,并计算待检测芯片的缺陷特征值。
步骤4)中,对所述芯片表面缺陷定位处理得到的芯片表面区域进行图像灰度化;对所述图像灰度化的结果进行图像分割;对所述图像分割的结果进行形态学处理;对所述形态学处理的结果进行缺陷标定;计算得到的缺陷的特征值,得到缺陷特征值。
本发明光学芯片表面沾污缺陷检测方法,利用面线激光相机采集待检测芯片表面图像;利用所述数据采集卡获取所述图像,并将所述图像发送给FPGA图像处理模块;再利用HALCON数字图像处理算法对所述图像进行处理,得到缺陷特征值,并将所述缺陷特征值输入预先训练好的分类器,得到所述待检测芯片的缺陷所属的类别。利用所述处理模块结合HALCON数字图像处理软件算法,通过点云的预处理、点云分割和点云聚类,最后采用最小二乘法对芯片表面图像进行评价得到缺陷特征值,并将所述缺陷特征值输出到FPGA模块判别芯片缺陷结果,并控制二维运动工件平台机械手挑拣缺陷芯片。
缺陷簇由二元正态分布和主曲线建模,通过比较每个簇在两个模型中的对数似然概率,可以检测缺陷簇的形状为椭球状还是曲线状的。通过改进两步算法,采用空间非齐次泊松过程、二元正态分布和主曲线构建混合模型,可判断出芯片表面缺陷为曲线状、线性状或椭球状。通过对晶圆表面缺陷的模式进行统计分析,能够检测出缺陷的形状特征值。得到缺陷特征值,并将所述缺陷特征值输入预先训练好的分类器,得到所述待检测芯片的缺陷所属的类别。
实施例2
参见图1,图2,图3。本发明光学芯片表面沾污缺陷检测系统的线激光视觉检测系统,包括:线激光扫描相机1,用于采集待检测芯片的表面图像;数据采集卡,用于获取待检测芯片的表面图像,并将所述图像发送给FPGA图像处理模块2,并将所述图像发送给HALCON数字图像处理模块,所述HALCON数字图像处理模块运行于工控机3。
FPGA图像处理模块,用于对待检测芯片的表面图像进行预处理,对获取的芯片表面图像进行滤波器滤波、图像增强和芯片表面缺陷定位,得到芯片表面缺陷特征值;
所述HALCON数字图像处理模块,采用基于模型的点云预处理、点云分割和点云聚类,最后采用最小二乘法对提取的芯片表面图像样本进行评价,并计算待检测芯片的缺陷特征值,得到所述待检测芯片的缺陷特征值所属的类别,识别局部缺陷。
所述的线激光视觉检测系统,包括一个二维运动工件平台4和伺服电机,线激光扫描相机安装在相机移动平台上,所述伺服电机连接所述相机移动平台,用于接收来自于所述FPGA图像处理模块的控制指令,根据所述控制指令通过传动机构带动所述线激光相机在工件平台上运动。芯片缺陷视觉检测模块流程图如图2所示。
实施例3
本实施例基于线激光扫描相机的芯片表面缺陷检测装置/系统,包括:线激光扫描相机、数据采集卡、FPGA图像处理模块、HALCON数字图像处理模块、一个高精度二维运动工件平台4;其中,线激光扫描相机1用于抓取/采集待检测芯片的表面图像;数据采集卡用于获取所述图像,并将所述图像发送给所述FPGA图像处理模块2;所述FPGA图像处理模块,用于对所述图像进行处理,得到缺陷特征值,然后通过HALCON数字图像处理模块(HALCON数字图像处理软件,运行于工控机3)对所述图像进行处理,采用基于模型通过点云的预处理、点云分割和点云聚类,最后采用最小二乘法对芯片表面图像进行评价,得到所述待检测芯片的缺陷特征值所属的类别,快速设别缺陷图像,找出表面有缺陷的芯片。
如图1、图2、图3所示,线激光扫描相机1安装在相机移动工件平台上,采用伺服电机连接所述相机移动平台,用于接收来自于所述FPGA图像处理模块2的控制指令,根据所述控制指令通过传动机构带动所述线激光相机在工件平台上运动。所述线激光扫描相机获得待检测芯片5表面图像,传送到FPGA图像处理模块2。
线激光扫描相机1(基恩士传感器)在抓取待检测芯片5表面图像之前,采集线激光相机在不同姿态的标定板的图像;图像处理模块获取所述标定板的图像,根据所述标定板的图像计算所述面扫描线激光相机的内外参数,并利用所述内外参数对线扫描相机进行标定。
本发明基于线激光扫描相机的光学芯片表面缺陷检测方法,FPGA图像处理模块包括预处理子模块和算法子模块,其中,预处理子模块,用于对所述图像进行预处理,对获取的芯片表面图像进行滤波器滤波、图像增强和芯片表面缺陷定位处理。所述算法子模块,用于对所述预处理子模块处理得到的图像进行缺陷提取,并计算提取得到的缺陷的特征值,得到缺陷特征值。
计算子模块,对所述芯片表面缺陷定位处理得到的芯片表面区域进行图像灰度化;对所述图像灰度化的结果进行图像分割;对所述图像分割的结果进行形态学处理;对所述形态学处理的结果进行缺陷标定;计算得到的缺陷的特征值,得到缺陷特征值。
线激光扫描相机在抓取待检测芯片5表面图像之前,采集线激光相机在不同姿态的标定板的图像。FPGA图像处理模块获取所述标定板的图像,根据所述标定板的图像计算所述面扫描线激光相机的内外参数,并利用所述内外参数对所述面扫描相机进行标定。
所述FPGA图像处理模块,在对所述图像进行处理得到缺陷特征值之前,对已知缺陷所属的类别的芯片表面样本的表面图像进行处理,得到所述芯片表面样本的缺陷特征值,并利用所述芯片样本的缺陷所属的类别的缺陷特征值行处理,得到芯片表面缺陷特征值,通过点云的预处理、点云分割和点云聚类,最后采用最小二乘法对芯片表面图像进行评价。
本发明基于线激光扫描相机的光学芯片表面缺陷检测方法,能够提高检测的效率和精确性,并大大减少工人的工作量。
Claims (10)
1.一种光学芯片表面沾污缺陷检测方法,包括如下步骤:
1)利用线激光相机,采集待检测芯片的表面图像;
2)对获取的芯片表面图像进行预处理;
3)对预处理得到的图像进行缺陷提取,并计算提取的芯片表面图像样本的缺陷特征值;
4)在对图像进行处理,得到芯片表面图像样本的缺陷特征值之前,对已知缺陷所属的类别的芯片表面样本的表面图像进行处理,得到所述芯片表面样本的缺陷特征值,并利用所述芯片样本的缺陷所属的类别的缺陷特征值行处理,得到已知缺陷所属类别的芯片表面缺陷特征值;利用HALCON数字图像处理算法对获取的芯片表面图像进行处理,得到所述待检测芯片的缺陷特征值,并将所述缺陷特征值输入预先训练好的分类器,得到所述待检测芯片的缺陷所属的类别。
2.根据权利要求1所述的光学芯片表面沾污缺陷检测方法,其特征在于:步骤2)中,对获取的芯片表面图像通过HALCON数字图像处理算法依次进行滤波器滤波、图像增强和芯片表面缺陷定位处理。
3.根据权利要求2所述的光学芯片表面沾污缺陷检测方法,其特征在于:步骤4)中,对所述芯片表面缺陷定位处理得到的芯片表面区域进行图像灰度化;对所述图像灰度化的结果进行图像分割;对所述图像分割的结果进行形态学处理;对所述形态学处理的结果进行缺陷标定;计算得到的缺陷的特征值,得到缺陷特征值。
4.根据权利要求1、2或3所述的光学芯片表面沾污缺陷检测方法,其特征在于:所述HALCON数字图像处理算法,采用基于模型的点云预处理、点云分割和点云聚类,最后采用最小二乘法对提取的芯片表面图像样本进行评价,并计算待检测芯片的缺陷特征值。
5.根据权利要求4所述的光学芯片表面沾污缺陷检测方法,其特征在于:缺陷簇由二元正态分布和主曲线建模,通过比较每个簇在两个模型中的对数似然概率,检测缺陷簇的形状为椭球状还是曲线状,采用空间非齐次泊松过程、二元正态分布和主曲线构建混合模型,判断出芯片表面缺陷为曲线状、线性状或椭球状;通过对晶圆表面缺陷的模式进行统计分析,检测出缺陷的形状特征值;得到缺陷特征值,并将所述缺陷特征值输入预先训练好的分类器,得到所述待检测芯片的缺陷所属的类别。
6.一种实现权利要求1所述光学芯片表面沾污缺陷检测系统的线激光视觉检测系统,包括:线激光扫描相机,用于采集待检测芯片的表面图像;数据采集卡,用于获取待检测芯片的表面图像,并将所述图像发送给FPGA图像处理模块;
FPGA图像处理模块,对获取的待检测芯片的表面图像进行豫处理,对获取的芯片表面图像进行滤波器滤波、图像增强和芯片表面缺陷定位,得到芯片表面缺陷特征值,并进一步通过HALCON数字图像处理模块对所述图像进行处理;
所述HALCON数字图像处理模块,对提取的芯片表面图像样本进行评价,得到所述待检测芯片的缺陷特征值所属的类别,识别局部缺陷。
7.根据权利要求6所述的线激光视觉检测系统,其特征在于:包括一个二维运动工件平台和伺服电机,线激光扫描相机安装在相机移动平台上,所述伺服电机连接所述相机移动平台,用于接收来自于所述FPGA图像处理模块的控制指令,根据所述控制指令通过传动机构带动所述线激光相机在工件平台上运动。
8.根据权利要求6或7所述的线激光视觉检测系统,其特征在于:所述线激光扫描相机,在抓取待检测芯片表面图像之前,采集线激光相机在不同姿态的标定板的图像。
9.根据权利要求8所述的线激光视觉检测系统,其特征在于:所述FPGA图像处理模块,用于获取所述标定板的图像,根据所述标定板的图像计算所述面扫描线激光相机的内外参数,并利用所述内外参数对所述面扫描相机进行标定。
10.根据权利要求9所述的线激光视觉检测系统,其特征在于:所述FPGA图像处理模块,利用HALCON数字图像处理软件对所述图像进行处理,采用基于模型通过点云的预处理、点云分割和点云聚类,最后采用最小二乘法对芯片表面图像进行评价,得到所述待检测芯片的缺陷特征值所属的类别,识别局部缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010285930.1A CN111707614B (zh) | 2020-04-13 | 2020-04-13 | 一种光学芯片表面沾污缺陷检测方法及线激光视觉检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010285930.1A CN111707614B (zh) | 2020-04-13 | 2020-04-13 | 一种光学芯片表面沾污缺陷检测方法及线激光视觉检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111707614A true CN111707614A (zh) | 2020-09-25 |
CN111707614B CN111707614B (zh) | 2023-08-18 |
Family
ID=72536527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010285930.1A Active CN111707614B (zh) | 2020-04-13 | 2020-04-13 | 一种光学芯片表面沾污缺陷检测方法及线激光视觉检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111707614B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567466A (zh) * | 2021-08-02 | 2021-10-29 | 大量科技(涟水)有限公司 | 一种微型芯片外观缺陷的智能识别系统及方法 |
CN114136974A (zh) * | 2021-11-03 | 2022-03-04 | 南京英尼格玛工业自动化技术有限公司 | 一种适用于多场景的机器视觉系统的工业相机组件及系统 |
CN116913799A (zh) * | 2023-09-14 | 2023-10-20 | 苏州弘皓光电科技有限公司 | 一种芯片封装缺陷检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001077164A (ja) * | 1999-09-01 | 2001-03-23 | Sony Corp | ウエハ欠陥検査装置 |
US20050023491A1 (en) * | 2003-07-28 | 2005-02-03 | Young Roger Y. B. | Wafer edge defect inspection |
US20070177136A1 (en) * | 2006-01-23 | 2007-08-02 | Hiroyuki Nakano | Apparatus and method for inspecting defects |
JP2013092430A (ja) * | 2011-10-25 | 2013-05-16 | Kojima Press Industry Co Ltd | 表面検査方法 |
US8643833B1 (en) * | 2012-08-31 | 2014-02-04 | National Applied Research Laboratories | System for inspecting surface defects of a specimen and a method thereof |
JP2015175739A (ja) * | 2014-03-14 | 2015-10-05 | 株式会社リコー | 欠陥検査装置、欠陥検査方法、欠陥検査プログラム及び記録媒体 |
CN110517233A (zh) * | 2019-08-15 | 2019-11-29 | 浙江赤霄智能检测技术有限公司 | 一种基于人工智能的缺陷分类学习系统及其分类方法 |
CN110763685A (zh) * | 2019-10-22 | 2020-02-07 | 陕西源杰半导体技术有限公司 | Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置 |
-
2020
- 2020-04-13 CN CN202010285930.1A patent/CN111707614B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001077164A (ja) * | 1999-09-01 | 2001-03-23 | Sony Corp | ウエハ欠陥検査装置 |
US20050023491A1 (en) * | 2003-07-28 | 2005-02-03 | Young Roger Y. B. | Wafer edge defect inspection |
US20070177136A1 (en) * | 2006-01-23 | 2007-08-02 | Hiroyuki Nakano | Apparatus and method for inspecting defects |
JP2013092430A (ja) * | 2011-10-25 | 2013-05-16 | Kojima Press Industry Co Ltd | 表面検査方法 |
US8643833B1 (en) * | 2012-08-31 | 2014-02-04 | National Applied Research Laboratories | System for inspecting surface defects of a specimen and a method thereof |
JP2015175739A (ja) * | 2014-03-14 | 2015-10-05 | 株式会社リコー | 欠陥検査装置、欠陥検査方法、欠陥検査プログラム及び記録媒体 |
CN110517233A (zh) * | 2019-08-15 | 2019-11-29 | 浙江赤霄智能检测技术有限公司 | 一种基于人工智能的缺陷分类学习系统及其分类方法 |
CN110763685A (zh) * | 2019-10-22 | 2020-02-07 | 陕西源杰半导体技术有限公司 | Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置 |
Non-Patent Citations (1)
Title |
---|
卞景帅: ""面向芯片表面缺陷的自动检测方法研究" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567466A (zh) * | 2021-08-02 | 2021-10-29 | 大量科技(涟水)有限公司 | 一种微型芯片外观缺陷的智能识别系统及方法 |
CN113567466B (zh) * | 2021-08-02 | 2022-10-28 | 大量科技(涟水)有限公司 | 一种微型芯片外观缺陷的智能识别方法 |
CN114136974A (zh) * | 2021-11-03 | 2022-03-04 | 南京英尼格玛工业自动化技术有限公司 | 一种适用于多场景的机器视觉系统的工业相机组件及系统 |
CN116913799A (zh) * | 2023-09-14 | 2023-10-20 | 苏州弘皓光电科技有限公司 | 一种芯片封装缺陷检测方法及系统 |
CN116913799B (zh) * | 2023-09-14 | 2023-11-28 | 苏州弘皓光电科技有限公司 | 一种芯片封装缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111707614B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106952250B (zh) | 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置 | |
CN111707614A (zh) | 一种光学芯片表面沾污缺陷检测方法及线激光视觉检测系统 | |
US7539583B2 (en) | Method and system for defect detection | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
CN117250208B (zh) | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 | |
CN112184648A (zh) | 一种基于深度学习的活塞表面缺陷检测方法及系统 | |
CN111307819A (zh) | 晶圆边缘缺陷检测系统及方法 | |
CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
CN113222982A (zh) | 基于改进的yolo网络的晶圆表面缺陷检测方法及系统 | |
CN103674966A (zh) | 一种用于晶圆表面瑕疵检测的装置与方法 | |
Long et al. | Recognition and classification of wire bonding joint via image feature and SVM model | |
CN114529510B (zh) | 一种阴极铜在线质量自动检测分类方法 | |
CN109557098A (zh) | 基于机器视觉的金属表面检测系统 | |
CN117635565A (zh) | 一种基于图像识别的半导体表面缺陷检测系统 | |
CN114354633B (zh) | 一种陶瓷卫浴外观质量检测系统及检测方法 | |
KR102572968B1 (ko) | 딥러닝을 이용한 웨이퍼 검사방법과 이것을 구현하기 위한 웨이퍼 검사장치 | |
CN113793321A (zh) | 基于机器视觉的铸件表面缺陷动态检测方法及装置 | |
WO2017024065A1 (en) | Range-based real-time scanning electron microscope non-visual binner | |
CN114331944A (zh) | 人工智能瑕疵图像分类方法及其系统 | |
CN113843660A (zh) | 基于多线激光扫描的数控机床工件检测方法 | |
TWI765364B (zh) | 人工智慧瑕疵影像分類方法與其系統 | |
You et al. | Die-Level Defects Classification using Region-based Convolutional Neural Network | |
KR102618194B1 (ko) | Ai와 자동제어 기술을 접목한 반도체 패키지 기판 가공홀 3d 자동 공정검사 방법 및 시스템 | |
Zhang et al. | Development of the HALCON software-based harness number identification |
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 |