CN112466766B - 不良涂层类型缺陷的检测方法、装置、设备和存储介质 - Google Patents

不良涂层类型缺陷的检测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112466766B
CN112466766B CN201910865686.3A CN201910865686A CN112466766B CN 112466766 B CN112466766 B CN 112466766B CN 201910865686 A CN201910865686 A CN 201910865686A CN 112466766 B CN112466766 B CN 112466766B
Authority
CN
China
Prior art keywords
image
wafer
detection
edge
defect
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
CN201910865686.3A
Other languages
English (en)
Other versions
CN112466766A (zh
Inventor
刘明宗
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.)
Changxin Memory Technologies Inc
Original Assignee
Changxin Memory Technologies Inc
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 Changxin Memory Technologies Inc filed Critical Changxin Memory Technologies Inc
Priority to CN201910865686.3A priority Critical patent/CN112466766B/zh
Publication of CN112466766A publication Critical patent/CN112466766A/zh
Application granted granted Critical
Publication of CN112466766B publication Critical patent/CN112466766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • 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

Abstract

本申请涉及一种不良涂层类型缺陷的检测方法、装置、设备和存储介质。其中，不良涂层类型缺陷的检测方法通过将晶圆图像与标准样的图像进行图像相减，得到差异图像；对差异图像进行边缘检测，得到边缘图像；进而采用改进的霍夫直线转换对边缘图像进行放射状直线侦测，根据侦测得到的放射状直线的数量，确认所述晶圆图像对应的晶圆是否存在不良涂层类型缺陷。基于此，根据图像识别算法进行晶圆检测，将晶圆缺陷侦测自动化，可实时于晶圆图像中侦测不良涂层类型的晶圆缺陷，减少晶圆检测所需的人力，提高晶圆缺陷检测效率，进而降低制程修正周期，提高制程的良率且降低生产成本。

Description

不良涂层类型缺陷的检测方法、装置、设备和存储介质
技术领域
本申请涉及晶圆生产技术领域，特别是涉及一种不良涂层类型缺陷的检测方法、装置、设备和存储介质。
背景技术
不良涂层类型缺陷是一种非常常见的晶圆缺陷，通常是因为光阻液注入的量不足、光阻液质量问题(浓度太高、储存不当导致变质)或是转速不适当等因素，导致高速旋转时，无法将全部光阻液均匀覆盖整个晶圆表面，进而形成放射状的晶圆缺陷。一旦发生这类型缺陷问题，受影响的晶圆数量通常是一整批晶圆，数以百计或千计。
而半导体制造工艺极其复杂，主要包括涂胶、曝光、蚀刻、离子注入、薄膜沉积和化学机械研磨等步骤；实际生产制造涉及多达六百到上千个步骤。并且，目前的晶圆缺陷检测完全仰赖人工，当有制程问题产生时，需透过回顾涂胶或曝光工序之后所拍摄的晶圆图像，找出可能的导因并采取改善措施。因此，晶圆缺陷人工检测效率低，制程修正周期长，影响制程的良率且增加生产成本。
发明内容
基于此，有必要针对传统技术存在晶圆缺陷检测效率低、制程修正周期长的问题，提供一种不良涂层类型缺陷的检测方法、装置、设备和存储介质。
为了实现上述目的，一方面，本申请实施例提供了一种不良涂层类型缺陷的检测方法，包括：
获取晶圆图像并将晶圆图像与标准样的图像进行图像相减，得到差异图像。
对差异图像进行边缘检测，得到边缘图像。
采用改进的霍夫直线转换对边缘图像进行放射状直线侦测，得到放射状直线的数量；改进的霍夫直线转换用于将同时经过晶圆图像的圆心坐标，以及边缘图像的边界的侦测直线确认为放射状直线。
在数量大于预设值时，确认晶圆图像对应的晶圆存在不良涂层类型缺陷。
在其中一个实施例中，采用改进的霍夫直线转换对边缘图像进行放射状直线侦测，得到放射状直线的数量的步骤包括：
以圆心坐标为基点，按照预设间隔角度在边缘图像上设置多条侦测直线，将同时经过圆心坐标和边缘图像的边界的侦测直线确认为放射状直线。
在其中一个实施例中，对差异图像进行边缘检测，得到边缘图像的步骤中：
采用Canny图像边缘侦测对差异图像进行处理，得到边缘图像。
在其中一个实施例中，在放射状直线的数量大于预设值时，确认晶圆图像存在不良涂层类型缺陷的步骤之后，还包括：
基于各放射状直线，统计缺陷的长度和角度，生成统计报表。
在其中一个实施例中，获取晶圆图像并将晶圆图像与标准样的图像进行图像相减，得到差异图像的步骤包括：
采用霍夫圆形转换对晶圆图像进行侦测，得到晶圆图像的圆形和圆心坐标；圆形用于图像相减。
在其中一个实施例中，霍夫圆形转换包括Canny图像边缘侦测和圆形累加。
在其中一个实施例中，晶圆图像为晶圆经涂胶或曝光制程显影工序后获取到的检测图像。
霍夫圆形转换的图像前处理还包括以下处理方式中的任意一种或任意组合：双边过滤、高斯模糊和特征检测。
另一方面，本申请实施例还提供了一种不良涂层类型缺陷的检测装置，包括：
差异图像获取模块，用于获取晶圆图像并将晶圆图像与标准样的图像进行图像相减，得到差异图像。
边缘图像获取模块，用于对差异图像进行边缘检测，得到边缘图像。
放射状直线侦测模块，用于采用改进的霍夫直线转换对边缘图像进行放射状直线侦测，得到放射状直线的数量；改进的霍夫直线转换用于将经过晶圆图像的圆心坐标的侦测直线确认为放射状直线。
缺陷确认模块，用于在数量大于预设值时，确认晶圆图像对应的晶圆存在不良涂层类型缺陷。
在其中一个实施例中，提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的不良涂层类型缺陷的检测方法。
在其中一个实施例中，提供了一种计算机存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述的不良涂层类型缺陷的检测方法。
上述技术方案中的一个技术方案具有如下优点和有益效果：
通过将晶圆图像与标准样的图像进行图像相减，得到差异图像；对差异图像进行边缘检测，得到边缘图像；进而采用改进的霍夫直线转换对边缘图像进行放射状直线侦测，根据侦测得到的放射状直线的数量，确认所述晶圆图像对应的晶圆是否存在不良涂层类型缺陷。基于此，根据图像识别算法进行晶圆检测，将晶圆缺陷侦测自动化，可实时于晶圆图像中侦测不良涂层类型的晶圆缺陷，减少晶圆检测所需的人力，提高晶圆缺陷检测效率低，进而降低制程修正周期，提高制程的良率且降低生产成本。通过自动化的不良涂层类型晶圆缺陷侦测，能够改良涂胶或曝光工序的晶圆检测流程，缩短半导体行业良率优化的周期时间。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为一个实施例中不良涂层类型缺陷的检测方法的第一示意性流程图；
图2为一个实施例中不良涂层类型缺陷的检测方法的第二示意性流程图；
图3为一个实施例中不良涂层类型缺陷的检测方法的第三示意性流程图；
图4为一个实施例中不良涂层类型缺陷的检测方法的第四示意性流程图；
图5为一个实施例中不良涂层类型缺陷的检测装置的结构示意图；
图6为一个实施例中计算机设备的结构示意图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
需要说明的是，当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件并与之结合为一体，或者可能同时存在居中元件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请涉及半导体(Semiconductor)晶圆(Wafer)生产领域。半导体行业中的生产机台极其昂贵，传统的晶圆缺陷检测依赖于人工，导致制程修正周期过长，且耗费大量人力。而自动化晶圆缺陷检测有助于及早发现制程问题，提升制程的良率以降低生产成本。本申请实施例可基于图像识别技术进行全自动不良涂层类型缺陷侦测，主要应用于晶圆生产的过程中。具体而言，在晶圆经涂胶或曝光制程显影工序完成之后的晶圆检测中，通过图像拍摄装置撷取晶圆离开站点前的图像，进而使用图像识别技术，实时识别晶圆图像中的不良涂层类型缺陷。基于本申请实施例，能够自动化侦测不良涂层晶圆缺陷，有助于及早发现问题，及时回复制程偏异，可大幅度减少因不良涂层缺陷而废弃或重做的晶圆数量，提高制程良率并降低生产成本。
在一个实施例中，提供了一种不良涂层类型缺陷的检测方法，如图1所示，包括：
步骤S110，获取晶圆图像并将晶圆图像与标准样的图像进行图像相减，得到差异图像。
步骤S120，对差异图像进行边缘检测，得到边缘图像。
步骤S130，采用改进的霍夫直线转换对边缘图像进行放射状直线侦测，得到放射状直线的数量；改进的霍夫直线转换用于将同时经过晶圆图像的圆心坐标，以及边缘图像的边界的侦测直线确认为放射状直线。
步骤S140，在数量大于预设值时，确认晶圆图像对应的晶圆存在不良涂层类型缺陷。
具体而言，晶圆经过涂胶制程后，可采集所述晶圆的图像，便于检测所述晶圆是否存在不良涂层类型缺陷。晶圆图像可为一个晶圆经涂胶或曝光制程显影工序后采集得到的图像；采用图像识别算法，可在晶圆图像中侦测得到所述晶圆的圆形轮廓及圆心坐标等尺寸信息；可选地，可采用霍夫(Hough)圆形转换或小波转换(Wavelet transform)等图像识别算法来侦测晶圆图像中的圆形和圆心坐标，此处不做具体限定。基于晶圆图像的尺寸信息，以及标准样(Golden Sample)的图像的尺寸信息，可将晶圆图像与标准样的图像进行匹配并做图像相减，得到差异图像。其中，图像相减可在两幅图像之间对应像素做减法运算，用于检测两幅图像的差异信息。进一步地，对所述差异图像进行边缘检测，以得到所述差异图像的边缘图像；边缘图像包括了所述差异图像中的图像边界；其中，边缘检测可采用Canny算法、Sobel算法或Laplacian算法等来实现，此处不做具体限制。
使用改进的霍夫(Hough)直线转换对得到的边缘图像进行放射状直线侦测，将同时经圆心坐标以及边缘图像的边界的侦测直线确认为放射状直线；其中，霍夫直线转换可用于根据图像中的边界，识别图像中的直线；而改进的霍夫直线转换仅考虑通过圆心坐标的直线，可用于识别同时经过圆心坐标和边界的放射状直线。进一步地，统计放射状直线的数量，并在所述数量大于预设值时，将所述晶圆图像对应的晶圆存在不良涂层类型缺陷；其中，预设值可根据霍夫直线转换的精度、放射状直线侦测的区域大小或具体涂层缺陷类型进行设定，此处不做具体限定。
需要说明的是，本申请实施例可由晶圆缺陷检测设备、曝光机台、图像识别设备或其他计算机设备来执行。在图像相减的过程中，晶圆图像可通过图像采集设备拍摄得到；标准样的图像可为预先获取到的、至少无不良涂层类型缺陷的晶圆图像；具体地，可匹配两个晶圆图像的圆形轮廓，进而对比得到待检测晶圆与标准晶圆样本之间的差异信息。而在边缘检测的过程中，可获取到晶圆涂层产生的轮廓边界、台阶边界等；其中，边缘检测可标识数字图像中亮度变化明显的点；可大幅度减少数据量，并且剔除可以认为不相关的信息，保留图像重要的结构属性。在放射状直线侦测的过程中，可识别得到由晶圆的圆心坐标向边界放射的直线。示例性地，可按一定的识别精度检测边缘图像，得到多个边界节点，检测圆心坐标到各个边界节点的长度，若所述长度小于晶圆图像的圆形半径，则将圆心坐标到所述边界节点的侦测直线作为放射状直线；或者，可以以圆心坐标为放射基点，以一定的间隔角度设置侦测直线，并将经过边缘图像边界的侦测直线作为放射状直线。
本申请实施例采用图像识别算法进行晶圆检测，将晶圆缺陷侦测自动化，可实时在晶圆图像中侦测不良涂层类型的晶圆缺陷，减少晶圆检测所需的人力，提高晶圆缺陷检测效率低，进而降低制程修正周期，提高制程的良率且降低生产成本。通过自动化的不良涂层类型晶圆缺陷侦测，能够改良晶圆检测流程，缩短半导体行业良率优化的周期时间。
在一个实施例中，采用改进的霍夫直线转换对边缘图像进行放射状直线侦测，得到放射状直线的数量的步骤包括：
以圆心坐标为基点，按照预设间隔角度在边缘图像上设置多条侦测直线，将同时经过圆心坐标和边缘图像的边界的侦测直线确认为放射状直线。
具体而言，在采用改进的霍夫直线转换进行放射状直线侦测的过程中，可以在边缘图像上，以圆心坐标为基点、按照预设间隔角度进行旋转扫描，并将经过边缘图像的边界的侦测直线确认为放射状直线。其中，预设间隔角度可根据改进的霍夫直线转换的精度、扫描区域大小或具体涂层缺陷类型进行设定，例如0.5°、1°、2°或5°等，此处不做具体限定。
本申请实施例采用圆心坐标为基点，以预设间隔角度进行旋转扫描，侦测得到同时经过圆心坐标和边界的放射状直线，能够提高放射状直线侦测的效率，进一步加快不良涂层类型缺陷的识别。
在一个实施例中，对差异图像进行边缘检测，得到边缘图像的步骤中：
采用Canny图像边缘侦测对差异图像进行处理，得到边缘图像。
具体而言，可采用Canny图像边缘侦测对差异图像进行边缘检测，进而得到边缘图像。示例性地，Canny图像便于侦测的过程可包括：应用高斯滤波来平滑图像，去除噪声；找寻图像的强度梯度(intensity gradients)；应用非最大抑制(non-maximum suppression)技术来消除边误检；应用双阈值的方法来决定可能的边界；利用滞后技术来跟踪边界。
在一个实施例中，如图2所示，在放射状直线的数量大于预设值时，确认晶圆图像存在不良涂层类型缺陷的步骤之后，还包括：
步骤S150，基于各放射状直线，统计缺陷的长度和角度，生成统计报表。
具体而言，在侦测到各放射状直线后，可汇总各放射状直线，并基于汇总的结果，进一步计算缺陷长度和缺陷角度等数据，产出统计报表，便于工程师进行缺陷分析、制程修正和制程良率统计等。基于此，本申请实施例能够识別出有问题的缺陷区域，并产出晶圆缺陷统计报表，协助发现制程的潜在问题。
在一个实施例中，如图3所示，获取晶圆图像并将晶圆图像与标准样的图像进行图像相减，得到差异图像的步骤包括：
步骤S106，采用霍夫圆形转换对晶圆图像进行侦测，得到晶圆图像的圆形和圆心坐标。其中，圆形可用于图像相减。
具体而言，在进行图像相减之前，可先对晶圆图像进行霍夫圆形转换，识别得到晶圆图像的圆形轮廓和圆心坐标，便于后续的图像相减和放射状直线侦测。即，可基于晶圆图像的圆形和标准样图像的圆形，对两图像的晶圆区域进行匹配，进而完成图像相减。
在一个实施例中，霍夫圆形转换包括Canny图像边缘侦测和圆形累加。
具体而言，在霍夫圆形转换过程中，包括对差异图像进行Canny图像边缘侦测(Canny Edges)和圆形累加(Circle Accumulator)。
在一个实施例中，霍夫圆形转换的图像前处理还包括以下处理方式中的任意一种或任意组合：双边过滤(Bilateral Filtering)、高斯模糊(Gaussian Blur)和特征检测(Feature Detected Image)。
具体而言，对差异图像进行霍夫圆形转换的过程还可包括双边过滤、高斯模糊和特征检测中的至少一种。示例性地，可依次对差异图像进行双边过滤、高斯模糊、Canny边缘侦测、圆形累加和特征检测，进而得到边缘图像。
在一个实施例中，晶圆图像为晶圆经曝光制程后获取到的检测图像。
具体而言，可在完成曝光制程的显影工序时，撷取晶圆的检测图像，以供后续的检测处理。本申请实施例可在晶圆完成曝光后，立即进行晶圆图像采集以及晶圆缺陷检测，并在确认对应的晶圆存在不良涂层类型缺陷时，产出统计报表，且可进一步进行提示报警。
在一实施例中，晶圆图像为晶圆经涂胶制程后获取到的检测图像。
具体而言，可在完成涂胶制程时，撷取晶圆的检测图像，以供后续的检测处理。本申请实施例可在晶圆完成涂胶后，立即进行晶圆图像采集以及晶圆缺陷检测，并在确认对应的晶圆存在不良涂层类型缺陷时，由生产自动化系统自动送去返工处理，以节约人力和曝光机台时间。
在一个实施例中，如图4所示，晶圆图像输入后，首先通过霍夫圆形转换侦测圆形，并找出图像中晶圆区域的圆心坐标(xc，yc)。进一步地，将晶圆图像与标准样的圆像进行相减，得到差异图像。接着，对图像差异进行边缘侦测，并使用改进的霍夫直线转换，以(xc，yc)为圆心坐标、并以1°为间隔角度，进行放射状直线侦测，共180条；进而统计经过边缘图像边界的放射状直线数量，若是大于预设值，则判断所述晶圆图像对应的晶圆存在不良涂层类型缺陷。
其中，边缘侦测可采用Canny图像边缘侦测；改进的霍夫直线转换可侦测沿着晶圆图像圆形轮廓的半径方向上的直线，并在直线同时经过晶圆图像的圆心坐标，以及边缘图像的边界时，确认所述直线为放射状直线。进一步地，可将侦测到的晶圆缺陷数量加总，并计算缺陷长度及角度等统计数据，产出统计报表。
应该理解的是，虽然图1至3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1至3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，提供了一种不良涂层类型缺陷的检测装置，如图5所示，包括：
差异图像获取模块，用于获取晶圆图像并将晶圆图像与标准样的图像进行图像相减，得到差异图像。
边缘图像获取模块，用于对差异图像进行边缘检测，得到边缘图像。
放射状直线侦测模块，用于采用改进的霍夫直线转换对边缘图像进行放射状直线侦测，得到放射状直线的数量；改进的霍夫直线转换用于将经过晶圆图像的圆心坐标的侦测直线确认为放射状直线。
缺陷确认模块，用于在数量大于预设值时，确认晶圆图像对应的晶圆存在不良涂层类型缺陷。
关于不良涂层类型缺陷的检测装置的具体限定可以参见上文中对于不良涂层类型缺陷的检测方法的限定，在此不再赘述。
在一实施例中，所述不良涂层类型缺陷的检测装置与生产自动化系统相连，在所述不良涂层类型缺陷的检测装置检测到晶圆存在不良涂层类型缺陷时，由生产自动化系统自动送去返工处理，以节约人力和曝光机台时间。
需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。上述不良涂层类型缺陷的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，所述计算机设备可以是终端，其内部结构图可以如图6所示。所述计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，所述计算机设备的处理器用于提供计算和控制能力。所述计算机设备的存储器包括非易失性存储介质、内存储器。所述非易失性存储介质存储有操作系统和计算机程序。所述内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。所述计算机设备的网络接口用于与外部的终端通过网络连接通信。所述计算机程序被处理器执行时以实现一种不良涂层类型缺陷的检测方法。所述计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，所述计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取晶圆图像并将晶圆图像与标准样的图像进行图像相减，得到差异图像。
对差异图像进行边缘检测，得到边缘图像。
采用改进的霍夫直线转换对边缘图像进行放射状直线侦测，得到放射状直线的数量；改进的霍夫直线转换用于将同时经过晶圆图像的圆心坐标，以及边缘图像的边界的侦测直线确认为放射状直线。
在数量大于预设值时，确认晶圆图像对应的晶圆存在不良涂层类型缺陷。
关于计算机设备的具体限定可以参见上文中对于不良涂层类型缺陷的检测方法的限定，在此不再赘述。
在一个实施例中，提供了一种计算机存储介质，其上存储有计算机程序，所述程序被处理器执行时实现以下步骤：
获取晶圆图像并将晶圆图像与标准样的图像进行图像相减，得到差异图像。
对差异图像进行边缘检测，得到边缘图像。
采用改进的霍夫直线转换对边缘图像进行放射状直线侦测，得到放射状直线的数量；改进的霍夫直线转换用于将同时经过晶圆图像的圆心坐标，以及边缘图像的边界的侦测直线确认为放射状直线。
在数量大于预设值时，确认晶圆图像对应的晶圆存在不良涂层类型缺陷。
关于存储介质的具体限定可以参见上文中对于不良涂层类型缺陷的检测方法的限定，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，所述计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种不良涂层类型缺陷的检测方法，其特征在于，包括：
获取晶圆图像并将所述晶圆图像与标准样的图像进行图像相减，得到差异图像；
对所述差异图像进行边缘检测，得到边缘图像；
采用改进的霍夫直线转换对所述边缘图像进行放射状直线侦测，得到放射状直线的数量；所述改进的霍夫直线转换用于将同时经过所述晶圆图像的圆心坐标，以及所述边缘图像的边界的侦测直线确认为所述放射状直线；
在所述数量大于预设值时，确认所述晶圆图像对应的晶圆存在不良涂层类型缺陷。
2.根据权利要求1所述的不良涂层类型缺陷的检测方法，其特征在于，采用改进的霍夫直线转换对所述边缘图像进行放射状直线侦测，得到放射状直线的数量的步骤包括：
以所述圆心坐标为基点，按照预设间隔角度在所述边缘图像上设置多条侦测直线，将同时经过所述圆心坐标和所述边缘图像的边界的侦测直线确认为所述放射状直线。
3.根据权利要求1所述的不良涂层类型缺陷的检测方法，其特征在于，对所述差异图像进行边缘检测，得到边缘图像的步骤中：
采用Canny图像边缘侦测对所述差异图像进行处理，得到所述边缘图像。
4.根据权利要求1所述的不良涂层类型缺陷的检测方法，其特征在于，在所述放射状直线的数量大于预设值时，确认所述晶圆图像存在不良涂层类型缺陷的步骤之后，还包括：
基于各所述放射状直线，统计缺陷的长度和角度，生成统计报表。
5.根据权利要求1至4任一项所述的不良涂层类型缺陷的检测方法，其特征在于，获取晶圆图像并将所述晶圆图像与标准样的图像进行图像相减，得到差异图像的步骤包括：
采用霍夫圆形转换对所述晶圆图像进行侦测，得到所述晶圆图像的圆形和所述圆心坐标；所述圆形用于所述图像相减。
6.根据权利要求5所述的不良涂层类型缺陷的检测方法，其特征在于，所述霍夫圆形转换包括Canny图像边缘侦测和圆形累加。
7.根据权利要求5所述的不良涂层类型缺陷的检测方法，其特征在于，所述晶圆图像为所述晶圆经涂胶或曝光制程显影工序后获取到的检测图像；
所述霍夫圆形转换的图像前处理，还包括以下处理方式中的任意一种或任意组合：双边过滤、高斯模糊和特征检测。
8.一种不良涂层类型缺陷的检测装置，其特征在于，包括：
差异图像获取模块，用于获取晶圆图像并将所述晶圆图像与标准样的图像进行图像相减，得到差异图像；
边缘图像获取模块，用于对所述差异图像进行边缘检测，得到边缘图像；
放射状直线侦测模块，用于采用改进的霍夫直线转换对所述边缘图像进行放射状直线侦测，得到放射状直线的数量；所述改进的霍夫直线转换用于将经过所述晶圆图像的圆心坐标的侦测直线确认为所述放射状直线；
缺陷确认模块，用于在所述数量大于预设值时，确认所述晶圆图像对应的晶圆存在不良涂层类型缺陷。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的不良涂层类型缺陷的检测方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的不良涂层类型缺陷的检测方法。
CN201910865686.3A 2019-09-09 2019-09-09 不良涂层类型缺陷的检测方法、装置、设备和存储介质 Active CN112466766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910865686.3A CN112466766B (zh) 2019-09-09 2019-09-09 不良涂层类型缺陷的检测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910865686.3A CN112466766B (zh) 2019-09-09 2019-09-09 不良涂层类型缺陷的检测方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112466766A CN112466766A (zh) 2021-03-09
CN112466766B true CN112466766B (zh) 2022-03-01

Family

ID=74806985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910865686.3A Active CN112466766B (zh) 2019-09-09 2019-09-09 不良涂层类型缺陷的检测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112466766B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767398B (zh) * 2021-04-07 2021-08-06 高视科技(苏州)有限公司 晶圆缺陷的检测方法及装置
CN115290663B (zh) * 2022-09-30 2022-12-30 南通艾美瑞智能制造有限公司 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN115578521B (zh) * 2022-11-15 2023-03-10 南京维拓科技股份有限公司 一种检查喷涂保护区域设计是简单形状与否的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103245667A (zh) * 2013-04-08 2013-08-14 上海华力微电子有限公司 自动检测机械性划痕的方法及系统
US9355440B1 (en) * 2012-10-10 2016-05-31 Kla-Tencor Corp. Detection of selected defects in relatively noisy inspection data
TW201901293A (zh) * 2017-05-23 2019-01-01 美商克萊譚克公司 使用差異影像之晶圓檢查
CN109449093A (zh) * 2018-10-24 2019-03-08 武汉新芯集成电路制造有限公司 晶圆检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9355440B1 (en) * 2012-10-10 2016-05-31 Kla-Tencor Corp. Detection of selected defects in relatively noisy inspection data
CN103245667A (zh) * 2013-04-08 2013-08-14 上海华力微电子有限公司 自动检测机械性划痕的方法及系统
TW201901293A (zh) * 2017-05-23 2019-01-01 美商克萊譚克公司 使用差異影像之晶圓檢查
CN109449093A (zh) * 2018-10-24 2019-03-08 武汉新芯集成电路制造有限公司 晶圆检测方法

Also Published As

Publication number Publication date
CN112466766A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112466766B (zh) 不良涂层类型缺陷的检测方法、装置、设备和存储介质
US6381366B1 (en) Machine vision methods and system for boundary point-based comparison of patterns and images
KR100653500B1 (ko) 관심영역에 기반한 결함 검출방법 및 장치
JP4160991B2 (ja) 線状の欠陥の検出装置および半導体基板の製造装置、線状の欠陥の検出方法および半導体基板の製造方法、コンピュータを当該検出装置または…
US6687402B1 (en) Machine vision methods and systems for boundary feature comparison of patterns and images
CN112577969B (zh) 一种基于机器视觉的缺陷检测方法以及缺陷检测系统
CN114022403A (zh) 检测显示面板不良的方法及装置
CN112164050B (zh) 用于流水线上产品表面缺陷的检测方法、设备及存储介质
CN111507055B (zh) 电路设计版图和电镜扫描图像的配准方法及系统、电路设计版图和其成像误差计算方法
CN115908415B (zh) 基于边缘的缺陷检测方法、装置、设备及存储介质
CN114022503A (zh) 检测方法及检测系统、设备和存储介质
CN115690670A (zh) 一种晶圆瑕疵智能识别方法和系统
TW201606854A (zh) 用於晶粒對資料庫光罩檢查之自動校準樣本選擇
CN112085708A (zh) 产品外轮廓中的直线边缘的缺陷检测方法及设备
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN112184723B (zh) 图像处理方法及装置、电子设备、存储介质
EP2876602A1 (en) Method and device for analysing nanostructure array images
CN116740062A (zh) 基于不规则胶圈的缺陷检测方法及系统
CN115619796A (zh) 获取光伏组件模板的方法及装置、非易失性存储介质
CN115880481A (zh) 一种基于边缘轮廓的曲线定位算法及系统
CN101150651A (zh) 一种获得差分图像的预处理方法
CN108389167B (zh) 图像处理方法、装置、计算机设备和存储介质
CN114494117A (zh) 器件胶水分布的检测方法、装置、存储介质及电子设备
CN111768357A (zh) 一种图像检测的方法及装置
Tout et al. Statistical decision methods in the presence of linear nuisance parameters and despite imaging system heteroscedastic noise: Application to wheel surface inspection

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