CN112561849B - 晶圆缺陷检测方法 - Google Patents
晶圆缺陷检测方法 Download PDFInfo
- Publication number
- CN112561849B CN112561849B CN201910917646.9A CN201910917646A CN112561849B CN 112561849 B CN112561849 B CN 112561849B CN 201910917646 A CN201910917646 A CN 201910917646A CN 112561849 B CN112561849 B CN 112561849B
- Authority
- CN
- China
- Prior art keywords
- wafer
- image
- gray
- standard sample
- pixel
- 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
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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
该发明涉及一种晶圆缺陷检测方法,能够利用自动化图像识别技术获取晶圆掩膜图像,减少人力和时间的消耗。所述晶圆缺陷检测方法,包括以下步骤:获取晶圆标准样品图像;对所述晶圆标准样品图像进行自动化分割处理,获得晶圆掩模图像;获取待检测晶圆图像,通过比对所述晶圆掩模图像与所述待检测晶圆图像进行晶圆缺陷侦测。
Description
技术领域
本发明涉及晶圆缺陷检测领域,具体涉及一种晶圆缺陷检测方法。
背景技术
半导体制造工艺极其复杂,主要包括曝光、蚀刻、离子注入、薄膜沉积和化学机械研磨等步骤,在实际生产制造中多达几百到上千个步骤。一片晶圆生产中将经过上百个分层(Layer),不同的分层获取不同的标准样板(Golden sample)图像。如果配方调整,这些标准样板图像将会随之改变,并且需要通过人工不断调整参数进行获取相对优化的掩膜图像,每次调整晶圆生产的配方,都需要进行大量的参数调整来进行掩膜图像的调整,任务繁重并且耗费时间和人力。
发明内容
本发明的目的在于提供一种晶圆缺陷检测方法,能够利用自动化图像识别技术获取晶圆掩膜图像,减少人力和时间的消耗。
为了解决上述技术问题,以下提供了一种晶圆缺陷检测方法,包括以下步骤:获取晶圆标准样品图像;对所述晶圆标准样品图像进行自动化分割处理,获得晶圆掩模图像;获取待检测晶圆图像,通过比对所述晶圆掩模图像与所述待检测晶圆图像进行晶圆缺陷侦测。
可选的,所述对所述晶圆标准样品图像进行自动化分割处理的步骤,包括:将所述晶圆标准样品图像转换成灰阶图像;对所述灰阶图像进行分割,获得多个区间,每一区间为一种类;对所述多个种类分别进行像素赋值;将赋值后的所述像素转化成晶圆掩模图像。
可选的,包括:将所述晶圆标准样品图像的R、G、B值分别乘以权重0.2989,0.5870,0.1140,获取所述晶圆标准样品图像的灰阶图像。
可选的,包括:利用图像直方图算法画出所述灰阶图像的直方图;通过所述直方图确定所述灰阶图像的分割数量。
可选的,包括:利用所述分割数量,通过聚类算法将所述灰阶图像划分多个种类。
可选的,包括:所述聚类算法包括K-means聚类分析算法,系统聚类算法,分层聚类算法中的任一种。
可选的,包括:采用K-means聚类分析算法将所述灰阶图像划分多个种类,并且采用肘部法则确定划分种类后输出的种类数目K。
可选的,对所述晶圆标准样品图像进行自动化分割处理时,所述分割数量为2,3,4,5中的任一个。
可选的,包括:所述每一种类包括多个像素点,对所述像素点数最多的种类赋值第一像素值;对其他种类赋值第二像素值。
可选的,包括:所述第一像素值为255;所述第二像素值为0。
可选的,比对所述晶圆掩模图形与所述待检测晶圆图像,包括以下步骤:比对所述待检测晶圆图像与所述晶圆掩模图像两者之间每个晶片区域的像素点的R、G、B值的平均差。
上述晶圆缺陷检测方法对晶圆标准样品图像进行自动化分割处理,从而获得晶圆掩模图像,并根据获取到的晶圆掩膜图像,比对待检测晶圆的图像,实现对晶圆缺陷的侦测,减少人力和时间的消耗,并且即使在生产过程中调整了晶圆标准样品的配方,也可以很快的获取到调整后的晶圆标准样品的掩膜图像,便于进行晶圆缺陷检测。
附图说明
图1为本发明的一种具体实施方式中晶圆缺陷检测方法的步骤流程示意图。
图2为本发明的一种具体实施方式中灰度直方图。
图3为本发明的一种具体实施方式中形成的掩膜图像的示意图。
图4为本发明的一种具体实施方式中形成的掩膜图像的局部放大示意图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种晶圆缺陷检测方法作进一步详细说明。
请看图1,为本发明的一种具体实施方式中晶圆缺陷检测方法的步骤流程示意图。
在该具体实施方式中,提供了一种晶圆缺陷检测方法,包括以下步骤:S11获取晶圆标准样品图像;S12对所述晶圆标准样品图像进行自动化分割处理,获得晶圆掩模图像;S13获取待检测晶圆图像,通过比对所述晶圆掩模图像与所述待检测晶圆图像进行晶圆缺陷侦测。
在一种具体实施方式中,对所述晶圆标准样品图像进行自动化分割处理的结果,应当是能够将所述晶圆标准样品图像中对应至所述标准样品的晶片区域具有较高相似度的簇分割出来,以便后续进行像素点的赋值,获取较为清晰准确的晶圆掩膜图像。
在一种具体实施方式中,所述对所述晶圆标准样品图像进行自动化分割处理的步骤,包括:将所述晶圆标准样品图像转换成灰阶图像;对所述灰阶图像进行分割,获得多个区间,每一区间为一种类;对所述多个种类分别进行像素赋值;将赋值后的所述像素转化成晶圆掩模图像。
在该具体实施方式中,对所述灰阶图像进行分割,获得的多个区间中,就有一个区间具有最大数目的第一像素点,这样能够在后续赋值过程中获取到较为清晰的晶圆掩模图像。
将所述标准样片的图像转换为灰度图像的意义在于,便于在后续的图像分割中获取图像的梯度信息。在对图像进行灰度处理后,图像的矩阵维数下降,运算速度大幅度提高,但图像的梯度信息仍然保留。
实际上,也可根据需要直接对采集到的标准样品图像进行图像分割,这减少了一步操作过程,更加简单便利,但可能会影响分割准确性。
在一种具体实施方式中,还包括以下步骤:将所述晶圆标准样品图像的R、G、B值分别乘以权重0.2989,0.5870,0.1140,获取所述晶圆标准样品图像的灰阶图像。具体的,将所述晶圆标准样品图像中各像素点的R、G、B三值分别对应乘以权重0.299、0.578以及0.114。
实际上,还可以根据需要选取其他的方法,来将所述晶圆标准样品图像转换为灰度图像,如使用均值法,将标准样品的图像的R、G、B三值相加之后除以3,得到灰度值,或使用最大值法,选取标准样品的图像的R、G、B三值中的最大值,作为标准样品的图像中某一点的灰度值。
在一种具体实施方式中,还包括以下步骤:利用图像直方图算法画出所述灰阶图像的直方图;通过所述直方图确定所述灰阶图像的分割数量。
请看图2,为本发明的一种具体实施方式中灰度直方图。在图2所示的具体实施方式中,采集到的标准样品的图像转换为灰度图像后,再转换成的灰度直方图。在该灰度直方图中,横坐标表示了像素点的灰度值,纵坐标表示了该灰度值所对应的像素点的个数,即该灰度值所对应的像素点的出现的频度,是图像基本的统计特性。
从图2可以看出,当灰度值在被虚线框框选的范围内时,像素点的个数较多,可以认为是图像中与晶片区域相对应的区域。因此在进行图像分割时,可以依据虚线框内的灰度值范围获取图像分割的阈值,使得图像分割后能够将虚线框框选的灰度范围内的像素点被归为一类。
在该具体实施方式中,利用图像直方图算法画出所述灰阶图像的直方图,并通过所述直方图确定所述灰阶图像的分割数量是发生在对所述晶圆标准样品图像进行自动化分割处理之前,这样就可以根据所述直方图确定所述灰阶图像的分割数量。
在该具体实施方式中,根据灰度直方图获取图像分割阈值,并且根据所述图像分割阈值进行分割时,对单一目标图像,只需选取一个阈值,即可将图像分为目标和背景两大类,这个称为单阈值分割;如果目标图像复杂,选取多个阈值,才能将图像中的目标区域和背景被分割成多个,这个称为多阈值分割,此时还需要区分检测结果中的图像目标,对各个图像目标区域进行唯一的标识进行区分。阈值分割的显著优点,成本低廉,实现简单。当目标和背景区域的像素点灰度值或其它特征存在明显差异的情况下,该算法能非常有效地实现对图像的分割。
阈值分割方法的关键是如何取得一个合适的阈值,在一种具体实施方式中,可以使用最大相关性原则选择阈值的方法、基于图像拓扑稳定状态的方法、灰度共生矩阵方法、最大熵法和峰谷值分析法等来确定所述图像分割阈值。在一种更优的具体实施方式中,在对图像分割阈值进行选择时,会综合运用两种或两种以上的方法。
获取分割数目的方法,一般会先设定一个搜寻区间,透过手肘法(最小化聚类误差)或轮廓系数法(最小化平均轮廓系数)自动化找出最合适的分割数目。
在一种具体实施方式中,利用所述分割数量,通过聚类算法将所述灰阶图像划分多个种类。具体的,通过聚类算法将所述灰阶图像划分成的种类的数目与所述分割数量相等。聚类算法的优点在于能处理多维度资料,因此也能够处理彩色图像(R、G、B三个维度)的图像分割。除了聚类算法,OTSU算法也是常见的图像分割方法。
聚类算法是一种机器学习算法,涉及到数据点的分组。具体的,给定一组数据点,可以使用聚类算法将每个数据点划分至一个特定的组。理论上,同一组中的数据点应该具有相似的属性和/或特征,而不同组中的数据点应该具有高度不同的属性和/或特征。
在一种具体实施方式中,所述聚类算法包括K-means聚类分析算法,系统聚类算法,分层聚类算法中的任一种。
在一种具体实施方式中,采用K均方值算法将图像划分为不同的类,K值为进行K均方值算法时聚类中心点的数目,也是对图像进行聚类分析后获取到的种类的数目。
在一种具体实施方式中,在采用K-means聚类分析算法时,还可以采用肘部法则确定K值,即聚类分析最终获取的种类数目。
K-means是以最小化样本与质点平方误差作为目标函数,将每个簇的质点与簇内样本点的平方距离误差和称为畸变程度(distortions),那么,对于一个簇,它的畸变程度越低,代表簇内成员越紧密,畸变程度越高,代表簇内结构越松散。畸变程度会随着类别的增加而降低,但对于有一定区分度的数据,在达到某个临界点时畸变程度会得到极大改善,之后缓慢下降,这个临界点就可以考虑为聚类性能较好的点。
若在k为某值时,畸变程度得到大幅改善,则可以考虑选取该值作为k值,作为聚类分析的聚类数量。在横坐标为K值、纵坐标为畸变程度的坐标系中,被选中的k值曲率最高。
在该具体实施方式中,K均方值算法的具体步骤如下:首先(1)随机生成k个聚类中心点,其次(2)根据聚类中心点,将数据分为k类,分类的原则是数据离哪个中心点近就将它分为哪一类别,之后(3)再根据分好的类别的数据,重新计算聚类的类别中心点,这样不断的重复(2)和(3),直到聚类中心点不再变化。
在一种具体实施方式中,对所述晶圆标准样品图像进行自动化分割处理时,所述分割数量为2,3,4,5中的任一个,获取到的种类数量也为2,3,4,5中的任一个。在一种具体实施方式中,将分割数目随机的分为3个,这样能够获取到较好的图像分割效果,将晶圆标准样品图像中与晶圆的晶片区域对应的像素点分割至拥有数目最多的像素点的类,以便后续通过给各个类中的像素点赋值获得较鲜明的掩膜图像。
在一些具体实施方式中,采用K-means聚类算法进行图像划分时,由肘部法则获取到的K值也为2、3、4、5中的任一个。
在一种具体实施方式中,所述每一种类包括多个像素点,对所述像素点最多的类赋值第一像素值;对其他类赋值第二像素值。
此处所述像素点最多的类为所述晶圆标准样品的图像中与晶片区域对应的像素点。
在一种具体实施方式中,所述第一像素值为255;所述第二像素值为0。将该所述像素点最多的类中的像素都都赋值为255,使得所述后续输出掩膜图像时,这些像素点都呈现高亮的白色,而将其他的类中的像素点的像素值都赋为0,使得除了晶片区域外,其他的区域内的像素点都是黑色,与白色的晶片区域形成鲜明的对比,便于进行后续的比较。
实际上,在为各个种类中的像素点赋值时,只需要保证所述像素点最多的类中的像素的像素值与其他类中的像素点的像素值相差至少第一预设值,以保证第一像素点与其他类中的像素点的像素值有一定的差距,在呈现到掩膜图像上时,所述像素点最多的类中的像素与其他类中的像素之间具有较大的对比度,以便于后续的晶圆缺陷检测。
在一种具体实施方式中,可以通过调整所述第一预设值的大小,使得最后获取到的掩膜图像中,与所述晶片区域对应的第一像素点以及与其他区域对应的其他像素点之间具有足够大的对比度,能够很方便的识别出何处是晶片区域,何处是其他区域,便于进行晶片缺陷检测。
此处可以参考图3、4,其中图3为本发明的一种具体实施方式中形成的掩膜图像的示意图,图4为本发明的一种具体实施方式中形成的掩膜图像的局部放大示意图。在图3中,可以看出除了与晶片区域对应的区域401为高亮之外,其他的区域都是黑色的。这可以很好的区分出标准样片的晶片区域以及其他区域。
在一种具体实施方式中,比对所述晶圆掩模图形与所述待检测晶圆图像,包括以下步骤:比对所述待检测晶圆图像与所述晶圆掩模图像两者之间每个晶片区域的像素点的R、G、B值的平均差。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种晶圆缺陷检测方法,其特征在于,包括以下步骤:
获取晶圆标准样品图像;
对所述晶圆标准样品图像进行自动化分割处理,获得晶圆掩模图像;
获取待检测晶圆图像,通过比对所述晶圆掩模图像与所述待检测晶圆图像进行晶圆缺陷侦测,比对所述晶圆掩模图形与所述待检测晶圆图像包括以下步骤:比对所述待检测晶圆图像与所述晶圆掩模图像两者之间每个晶片区域的像素点的R、G、B值的平均差;
所述对所述晶圆标准样品图像进行自动化分割处理的步骤,包括:
将所述晶圆标准样品图像转换成灰阶图像;
根据图像分割阈值对所述灰阶图像进行分割,获得多个区间,每一区间为一种类;
对所述多个种类分别进行像素赋值,所述每一种类包括多个像素点,对所述像素点数最多的种类赋值第一像素值,对其他种类赋值第二像素值,所述第一像素值与所述第二像素值相差至少第一预设值;
将赋值后的所述像素转化成晶圆掩模图像。
2.根据权利要求1所述的晶圆缺陷检测方法,其特征在于,包括:将所述晶圆标准样品图像的R、G、B值分别乘以权重0 .2989 ,0 .5870,0 .1140,获取所述晶圆标准样品图像的灰阶图像。
3.根据权利要求1所述的晶圆缺陷检测方法,其特征在于,包括:
利用图像直方图算法画出所述灰阶图像的直方图;
通过所述直方图确定所述灰阶图像的分割数量。
4.根据权利要求3所述的晶圆缺陷检测方法,其特征在于,包括:利用所述分割数量,通过聚类算法将所述灰阶图像划分多个种类。
5.根据权利要求4所述的晶圆缺陷检测方法,其特征在于,包括:所述聚类算法包括K-means聚类分析算法,系统聚类算法,分层聚类算法中的任一种。
6.根据权利要求1所述的晶圆缺陷检测方法,其特征在于,包括:采用K-means聚类分析算法将所述灰阶图像划分多个种类,并且采用肘部法则确定划分种类后输出的种类数目K。
7.根据权利要求1所述的晶圆缺陷检测方法,其特征在于,对所述晶圆标准样品图像进行自动化分割处理时,分割数量为2,3,4,5中的任一个。
8.根据权利要求1所述的晶圆缺陷检测方法,其特征在于,包括:所述第一像素值为255;所述第二像素值为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917646.9A CN112561849B (zh) | 2019-09-26 | 2019-09-26 | 晶圆缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917646.9A CN112561849B (zh) | 2019-09-26 | 2019-09-26 | 晶圆缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561849A CN112561849A (zh) | 2021-03-26 |
CN112561849B true CN112561849B (zh) | 2023-07-21 |
Family
ID=75029784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910917646.9A Active CN112561849B (zh) | 2019-09-26 | 2019-09-26 | 晶圆缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561849B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096119A (zh) * | 2021-04-30 | 2021-07-09 | 上海众壹云计算科技有限公司 | 晶圆缺陷分类的方法、装置、电子设备以及存储介质 |
CN115661021A (zh) * | 2021-07-09 | 2023-01-31 | 长鑫存储技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
CN115063413B (zh) * | 2022-08-04 | 2022-11-11 | 宁波鑫芯微电子科技有限公司 | 一种超大规模晶圆异常数据的特征提取方法 |
CN115953407B (zh) * | 2023-03-15 | 2023-06-09 | 深圳市科姆特精密科技有限公司 | 基于计算机视觉的半导体设备维修系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5150423A (en) * | 1990-07-10 | 1992-09-22 | Dainippon Screen Mfg. Co. Ltd. | Method of and device for inspecting pattern of printed circuit board |
EP0573345A1 (fr) * | 1992-06-03 | 1993-12-08 | Commissariat A L'energie Atomique | Procédé de comparaison de flots de données et dispositif de mise en oeuvre |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5586058A (en) * | 1990-12-04 | 1996-12-17 | Orbot Instruments Ltd. | Apparatus and method for inspection of a patterned object by comparison thereof to a reference |
CN101308184B (zh) * | 2008-06-13 | 2010-12-08 | 深圳创维-Rgb电子有限公司 | 利用图像分析检测机插元件的方法及系统 |
CN102193302A (zh) * | 2010-03-03 | 2011-09-21 | 中芯国际集成电路制造(上海)有限公司 | 一种掩膜图形缺陷的检测方法及系统 |
CN101799434B (zh) * | 2010-03-15 | 2011-06-29 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
CN102053093A (zh) * | 2010-11-08 | 2011-05-11 | 北京大学深圳研究生院 | 一种晶圆表面切割芯片的表面缺陷检测方法 |
CN102411777B (zh) * | 2011-06-15 | 2014-04-30 | 湖南领创智能科技有限公司 | 一种印刷品划痕缺陷检测方法 |
CN102509300B (zh) * | 2011-11-18 | 2014-07-30 | 深圳市宝捷信科技有限公司 | 一种缺陷检测方法及系统 |
CN103984946B (zh) * | 2014-05-23 | 2017-04-26 | 北京联合大学 | 一种基于K‑means的高分辨率遥感地图道路提取方法 |
JP7037876B2 (ja) * | 2015-06-26 | 2022-03-17 | コグネックス・コーポレイション | 自動工業検査における3dビジョンの使用 |
CN105957082A (zh) * | 2016-05-04 | 2016-09-21 | 广东锐视智能检测有限公司 | 一种基于面阵相机的印刷质量在线监测方法 |
CN107486415B (zh) * | 2017-08-09 | 2023-10-03 | 中国计量大学 | 基于机器视觉的篾片缺陷在线检测系统及检测方法 |
CN107767379B (zh) * | 2017-11-16 | 2021-02-12 | 桂林电子科技大学 | Pcb板标注印刷质量检测方法 |
CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
-
2019
- 2019-09-26 CN CN201910917646.9A patent/CN112561849B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5150423A (en) * | 1990-07-10 | 1992-09-22 | Dainippon Screen Mfg. Co. Ltd. | Method of and device for inspecting pattern of printed circuit board |
EP0573345A1 (fr) * | 1992-06-03 | 1993-12-08 | Commissariat A L'energie Atomique | Procédé de comparaison de flots de données et dispositif de mise en oeuvre |
Also Published As
Publication number | Publication date |
---|---|
CN112561849A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561849B (zh) | 晶圆缺陷检测方法 | |
CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
US8103087B2 (en) | Fault inspection method | |
US11237119B2 (en) | Diagnostic methods for the classifiers and the defects captured by optical tools | |
US7283659B1 (en) | Apparatus and methods for searching through and analyzing defect images and wafer maps | |
CN115100199B (zh) | 一种晶圆低纹理缺陷的检测方法 | |
US10719655B2 (en) | Method and system for quickly diagnosing, classifying, and sampling in-line defects based on CAA pre-diagnosis database | |
TW201915770A (zh) | 對半導體樣本中的缺陷進行分類之方法及其系統 | |
KR20030067457A (ko) | 결함 분류 검사 장치 | |
CN114723705A (zh) | 一种基于图像处理的布匹瑕疵的检测方法 | |
TWI791930B (zh) | 用於分類半導體樣本中的缺陷的系統、方法及電腦可讀取媒體 | |
CN114092387B (zh) | 生成可用于检查半导体样本的训练数据 | |
CN115239718B (zh) | 一种基于图像处理的塑料制品缺陷检测方法与系统 | |
CN114905712B (zh) | 基于计算机视觉的注塑机械控制方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
KR102557181B1 (ko) | 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법 | |
CN114139618A (zh) | 基于改进密度峰值聚类的信号依赖噪声参数估计方法 | |
CN115661143A (zh) | 用于MiniLED晶圆缺陷的快速检测系统 | |
US6303394B1 (en) | Global cluster pre-classification methodology | |
Divya et al. | Segmentation of Defected Regions in Leaves using K-Means and OTSU's Method | |
CN116097413B (zh) | 用于重复缺陷检测的无监督学习 | |
CN111294588B (zh) | 一种cmos图像传感器中白色像素分布的分析装置及方法 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
US20230186461A1 (en) | Dynamic modeling for semiconductor substrate defect detection |
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 |