CN112014407A - 一种集成电路晶圆表面缺陷检测的方法 - Google Patents
一种集成电路晶圆表面缺陷检测的方法 Download PDFInfo
- Publication number
- CN112014407A CN112014407A CN202010914766.6A CN202010914766A CN112014407A CN 112014407 A CN112014407 A CN 112014407A CN 202010914766 A CN202010914766 A CN 202010914766A CN 112014407 A CN112014407 A CN 112014407A
- Authority
- CN
- China
- Prior art keywords
- image
- wafer
- integrated circuit
- detected
- images
- 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 34
- 230000007547 defect Effects 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000009434 installation Methods 0.000 claims abstract description 3
- 238000001514 detection method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 230000002146 bilateral effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 235000012431 wafers Nutrition 0.000 abstract 6
- 229940095676 wafer product Drugs 0.000 abstract 1
- 239000004065 semiconductor Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01N21/84—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
- G01N21/9505—Wafer internal defects, e.g. microcracks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- General Engineering & Computer Science (AREA)
Abstract
本发明公开了一种集成电路晶圆表面缺陷检测的方法,包括在集成电路晶圆生产基地检测其缺陷时,以摄像机与电脑为基础,将生产出的晶圆产品表面缺陷通过图像标记,首先安装摄像头,摄像头安装位置保持不变,待检测晶圆放置位置保持不变,并且周围灯光环境维持不变,摄像头与待检测晶圆之间的相对位置保持不变。本发明在相关晶圆生产现场检测时,可以十分有效地,彻底地将所有晶圆表面缺陷明显标记,并且对人工要求较低,降低人为误差。实施起来成本较低,具有处理速度快,操作简单高效等优点。
Description
技术领域
本发明涉及图像检测领域,涉及一种集成电路晶圆表面缺陷检测装置。
背景技术
半导体技术是现代科技的重要象征之一,在最近几十年取得了突飞猛进的发展。2007年到2020年,全球半导体行业市场规模总体上是不断增长的。半导体行业已经逐渐成为全球经济的支柱产业之一。半导体行业产业链较长,产品的种类繁多,主要可以分为集成电路、分立器件、光电子器件和传感器四大类。集成电路在半导体产业中居于核心地位。中国大陆的半导体产业由于起步较晚和技术封锁,相对来说比较落后。尤其是近些年来美国对华为海思等国内半导体企业进行技术封锁以及贸易封锁,国内相关产业的自我发展是必然的。
半导体晶圆制造有着非常复杂的流程,要保证晶圆的良率,需要做好各个工序的检测工作。晶圆生产主要的质量测量包括每步工艺,例如:薄膜厚度、膜应力、折射率、掺杂浓度、无图案表面缺陷、有图案表面缺陷、关键尺寸(CD)、电容电压特性等。不同工艺需要不同的检测装备。高效准确的检测设备是晶圆生产高质量的保证。半导体工业对于晶圆表面缺陷检测的要求,一般是要求高效准确,能够捕捉有效缺陷,实现实时检测。较为普遍的表面检测技术主要可以分为两大类:接触法和非接触法,接触法以针触法为代表;非接触法又可以分为原子力法和光学法。在具体使用时,又可以分为成像的和非成像的。
无论是之前有人提出的针触发还是原子力法等方案,都有各自的局限性,需要大量人力物力,甚至因为受到人为误差影响导致无法找出晶圆缺陷所在。因此提出基于OpenCV图像处理的集成电路晶圆检测的方案。
发明内容
本发明的目的在于提供一种集成电路晶圆表面缺陷检测的方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种集成电路晶圆表面缺陷检测的方法,包括包括以下方法,在集成电路晶圆生产基地检测其缺陷时,以摄像机与电脑为基础,将生产出的晶圆产品表面缺陷通过图像标记,首先安装摄像头,摄像头安装位置保持不变,待检测晶圆放置位置保持不变,并且周围灯光环境维持不变,摄像头与待检测晶圆之间的相对位置保持不变;
检测装置进行布设,其具体步骤包括:
步骤1:将标准的集成电路晶圆图像进行图像对比度增强、图像灰度处理以及双边滤波处理后放入标准图像库中;
步骤2:对待检测集成电路晶圆进行采集图像,对其图像采用直方图正规化法的对比度增强处理;
步骤3:对增强对比度的待检测集成电路晶圆图像进行灰度化处理;
步骤4:对待检测集成电路晶圆的灰度图像进行双边滤波处理,平滑图像,去除噪声;
步骤5:将处理完成的待检测集成电路晶圆图像与标准库中的标准集成电路晶圆图像进行叠加分析;
步骤6:对叠加图像进行二值化处理,提取出差异点;
步骤7:采用红色方框在待检测集成电路晶圆RGB图像中将所有差异点标出。
优选的,图像进行对比度增强处理时采用OpenCV中的cv2.normalize()标准库的直方图正规化法,其中alpha为设置的最大值,beta为设置的最小值,增强类型为cv2.NORM_MINMAX,公式如下:
优选的,对灰度图像进行双边滤波处理,平滑图像,采用OpenCV中的cv2.bilateralFilter()函数进行处理。
优选的,所述图像进行叠加对比时采用SSIM结构相似性度量,检测两张图像中的差异,采用Python中的compare_ssim()函数对图像进行图像相似度处理。
优选的,对叠加图像进行二值化处理,采用OpenCV中的cv2.threshold()函数进行处理,将灰度图像转化为二值图像,其中像素阈值为255,将图像像素大于127的置为255,小于127的置为0,得出两张图像中的差异点。
优选的,在待检测集成电路晶圆RGB图像上根据二值化图像选用红色方框将差异点标出,其中设置误差阈值,低于阈值的差异点忽略不计。
附图说明
图1为本发明的结构示意图之一。
图2为本发明的结构示意图之二。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了如图1-2所示的一种集成电路晶圆表面缺陷检测的方法,一种集成电路晶圆检测的方法与流程,基于OpenCV的图像处理系统,应用在相关集成电路晶圆生产现场,对每个生产环境进行检测。将待检测集成电路晶圆放入指定地点,系统会对其进行检测,经过拍摄、对比度增强、灰度化、双边滤波、相似度叠加、二值化等流程处理后,将晶圆表面缺陷采用方框标记,以达到快速精确的检测晶圆表面缺陷。
如图1,(a)为无图案晶圆,(b)为标准图案晶圆。将标准图案晶圆放入摄像头指定地点,对其进行拍照,经过图像对比度增强,灰度处理以及双边滤波处理后放入标准图像库等待后续检测。
如图2,(a)为有污点,气泡的晶圆图像,(b)为受到污染的晶圆图像。将待检测的晶圆实物放入摄像头指定地点进行拍摄。
对拍摄图像进行对比度增强处理,采用OpenCV中的cv2.normalize()标准库的直方图正规化法。其中alpha为设置的最大值,beta为设置的最小值,增强类型为cv2.NORM_MINMAX,公式如下:
进一步的,对增强对比度的图像进行灰度处理时采用处理速度较快的均值灰度处理法,其公式如下:
进一步的,对灰度图像进行双边滤波处理,平滑图像,使结果更加精确。采用OpenCV中的cv2.bilateralFilter()函数进行处理,可以保证在滤波的同时保留边缘信息。
进一步的,图像进行叠加对比时采用SSIM(结构相似性度量)这是一种全参考的图像质量评价指标,分别从亮度、对比度、结构三个方面度量图像相似性,从而检测两张图像中的差异。采用Python中的compare_ssim()函数对图像进行图像相似度处理。
进一步的,对叠加图像进行二值化处理,采用OpenCV中的cvv2.threshold()函数进行处理,将灰度图像转化为二值图像,其中像素阈值为255,将图像像素大于127的置为255,小于127的置为0,得出两张图像中的差异点。
进一步的,在待检测集成电路晶圆RGB图像上根据二值化图像选用红色方框将差异点标出,其中设置误差阈值,低于阈值的差异点忽略不计。
本发明由于采用以上技术方案,使之与现有技术相比,具有以下的优点和积极效果:
1、本发明一种集成电路晶圆表面缺陷检测的方法与流程,在相关晶圆生产现场检测时,可以十分有效地,彻底地将所有晶圆表面缺陷明显标记,并且对人工要求较低,降低人为误差。实施起来成本较低。
2、本发明一种集成电路晶圆表面缺陷检测的方法与流程依靠于相机与计算机一体的集成系统,具有处理速度快,操作简单高效等优点;
参数 | 参数含义 |
dst | 图像对比度增强后的像素值 |
alpha | 对比度增强处理中设置的最大值 |
beta | 对比度增强处理中设置的最小值 |
src(i,j) | 原图像第i行第j列的像素值 |
src<sub>max</sub> | 原图像像素值的最大值 |
src<sub>min</sub> | 原图像像素值的最小值 |
d<sub>grey</sub> | 灰度图像的像素值 |
d<sub>r</sub> | 对比度增强图像像素的R层数值 |
d<sub>g</sub> | 对比度增强图像像素的G层数值 |
d<sub>b</sub> | 对比度增强图像像素的B层数值 |
在本发明的描述中,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明使用到的标准零件均可以从市场上购买,异形件根据说明书的和附图的记载均可以进行订制。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种集成电路晶圆表面缺陷检测的方法,包括以下方法,在集成电路晶圆生产基地检测其缺陷时,以摄像机与电脑为基础,将生产出的晶圆产品表面缺陷通过图像标记,首先安装摄像头,摄像头安装位置保持不变,待检测晶圆放置位置保持不变,并且周围灯光环境维持不变,摄像头与待检测晶圆之间的相对位置保持不变;
检测装置进行布设,其具体步骤包括:
步骤1:将标准的集成电路晶圆图像进行图像对比度增强、图像灰度处理以及双边滤波处理后放入标准图像库中;
步骤2:对待检测集成电路晶圆进行采集图像,对其图像采用直方图正规化法的对比度增强处理;
步骤3:对增强对比度的待检测集成电路晶圆图像进行灰度化处理;
步骤4:对待检测集成电路晶圆的灰度图像进行双边滤波处理,平滑图像,去除噪声;
步骤5:将处理完成的待检测集成电路晶圆图像与标准库中的标准集成电路晶圆图像进行叠加分析;
步骤6:对叠加图像进行二值化处理,提取出差异点;
步骤7:采用红色方框在待检测集成电路晶圆RGB图像中将所有差异点标出。
3.根据权利要求1所述的一种集成电路晶圆表面缺陷检测的方法,其特征在于:对灰度图像进行双边滤波处理,平滑图像,采用OpenCV中的cv2.bilateralFilter()函数进行处理。
4.根据权利要求1所述的一种集成电路晶圆表面缺陷检测的方法,其特征在于:所述图像进行叠加对比时采用SSIM结构相似性度量,检测两张图像中的差异,采用Python中的compare_ssim()函数对图像进行图像相似度处理。
5.根据权利要求1所述的一种集成电路晶圆表面缺陷检测的方法,其特征在于:对叠加图像进行二值化处理,采用OpenCV中的cv2.threshold()函数进行处理,将灰度图像转化为二值图像,其中像素阈值为255,将图像像素大于127的置为255,小于127的置为0,得出两张图像中的差异点。
6.根据权利要求1所述的一种集成电路晶圆表面缺陷检测的方法,其特征在于:在待检测集成电路晶圆RGB图像上根据二值化图像选用红色方框将差异点标出,其中设置误差阈值,低于阈值的差异点忽略不计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010914766.6A CN112014407A (zh) | 2020-09-03 | 2020-09-03 | 一种集成电路晶圆表面缺陷检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010914766.6A CN112014407A (zh) | 2020-09-03 | 2020-09-03 | 一种集成电路晶圆表面缺陷检测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112014407A true CN112014407A (zh) | 2020-12-01 |
Family
ID=73517151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010914766.6A Pending CN112014407A (zh) | 2020-09-03 | 2020-09-03 | 一种集成电路晶圆表面缺陷检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112014407A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114152627A (zh) * | 2022-02-09 | 2022-03-08 | 季华实验室 | 芯片电路缺陷检测方法、装置、电子设备及存储介质 |
CN114300377A (zh) * | 2022-03-10 | 2022-04-08 | 晶芯成(北京)科技有限公司 | 无图形晶圆的良率损失获取系统及获取方法 |
CN115049621A (zh) * | 2022-06-17 | 2022-09-13 | 清华大学 | 微管缺陷检测方法、装置、设备、存储介质和程序产品 |
CN117788364A (zh) * | 2023-04-04 | 2024-03-29 | 联芯集成电路制造(厦门)有限公司 | 通过奇异值分解检测晶圆缺陷的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106276132A (zh) * | 2016-07-28 | 2017-01-04 | 天津工业大学 | 一种基于线激光图像的输送带纵向撕裂在线检测方法 |
CN107369136A (zh) * | 2017-06-22 | 2017-11-21 | 福建省万龙新材料科技有限公司 | 聚晶金刚石复合片表面裂纹视觉检测方法 |
CN109613006A (zh) * | 2018-12-22 | 2019-04-12 | 中原工学院 | 一种基于端到端神经网络的织物疵点检测方法 |
CN109978839A (zh) * | 2019-03-08 | 2019-07-05 | 浙江大学 | 晶圆低纹理缺陷的检测方法 |
CN110276750A (zh) * | 2019-06-17 | 2019-09-24 | 浙江大学 | 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 |
CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
CN110514665A (zh) * | 2019-09-03 | 2019-11-29 | 博科视(苏州)技术有限公司 | 一种电子产品塑料外壳划痕缺陷的检测方法 |
CN110992353A (zh) * | 2019-12-13 | 2020-04-10 | 哈尔滨工业大学 | 基于智能感知的芯片涂层薄膜质量检测方法 |
CN111583216A (zh) * | 2020-04-30 | 2020-08-25 | 深圳比特微电子科技有限公司 | Pcba电路板的缺陷检测方法 |
-
2020
- 2020-09-03 CN CN202010914766.6A patent/CN112014407A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106276132A (zh) * | 2016-07-28 | 2017-01-04 | 天津工业大学 | 一种基于线激光图像的输送带纵向撕裂在线检测方法 |
CN107369136A (zh) * | 2017-06-22 | 2017-11-21 | 福建省万龙新材料科技有限公司 | 聚晶金刚石复合片表面裂纹视觉检测方法 |
CN109613006A (zh) * | 2018-12-22 | 2019-04-12 | 中原工学院 | 一种基于端到端神经网络的织物疵点检测方法 |
CN109978839A (zh) * | 2019-03-08 | 2019-07-05 | 浙江大学 | 晶圆低纹理缺陷的检测方法 |
CN110276750A (zh) * | 2019-06-17 | 2019-09-24 | 浙江大学 | 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 |
CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
CN110514665A (zh) * | 2019-09-03 | 2019-11-29 | 博科视(苏州)技术有限公司 | 一种电子产品塑料外壳划痕缺陷的检测方法 |
CN110992353A (zh) * | 2019-12-13 | 2020-04-10 | 哈尔滨工业大学 | 基于智能感知的芯片涂层薄膜质量检测方法 |
CN111583216A (zh) * | 2020-04-30 | 2020-08-25 | 深圳比特微电子科技有限公司 | Pcba电路板的缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
马磊: ""IC晶圆表面缺陷检测技术研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114152627A (zh) * | 2022-02-09 | 2022-03-08 | 季华实验室 | 芯片电路缺陷检测方法、装置、电子设备及存储介质 |
CN114300377A (zh) * | 2022-03-10 | 2022-04-08 | 晶芯成(北京)科技有限公司 | 无图形晶圆的良率损失获取系统及获取方法 |
CN115049621A (zh) * | 2022-06-17 | 2022-09-13 | 清华大学 | 微管缺陷检测方法、装置、设备、存储介质和程序产品 |
CN117788364A (zh) * | 2023-04-04 | 2024-03-29 | 联芯集成电路制造(厦门)有限公司 | 通过奇异值分解检测晶圆缺陷的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abd Al Rahman et al. | A review and analysis of automatic optical inspection and quality monitoring methods in electronics industry | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
US20130304399A1 (en) | Systems and methods for wafer surface feature detection, classification and quantification with wafer geometry metrology tools | |
CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
CN112686920A (zh) | 一种圆形零件几何尺寸参数视觉测量方法及系统 | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN112150460A (zh) | 检测方法、检测系统、设备和介质 | |
CN111638218A (zh) | 一种涂层表面缺陷的检测方法 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN116337869A (zh) | 一种基于机器视觉的双面线路板生产用检测系统 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
Sun et al. | Cascaded detection method for surface defects of lead frame based on high-resolution detection images | |
CN116993725A (zh) | 一种柔性电路板智能贴片信息处理系统 | |
CN111815580A (zh) | 一种图像边缘识别方法及小模数齿轮模数检测方法 | |
CN112763496A (zh) | 一种手机电池表面缺陷检测装置及其检测方法 | |
CN109448012A (zh) | 一种图像边缘检测方法及装置 | |
CN110874837B (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
CN114881952A (zh) | 一种铸件缺陷区域检测及边缘准确分割方法 | |
CN107123105A (zh) | 基于fast算法的图像匹配缺陷检测方法 | |
Hou et al. | Comparison research on X-ray image quality defects detection algorithm in semiconductor manufacturing | |
CN111539933B (zh) | 一种直插元件检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201201 |
|
RJ01 | Rejection of invention patent application after publication |