CN112883601B - 表面缺陷检测方法、装置、设备及存储介质 - Google Patents
表面缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112883601B CN112883601B CN202110047151.2A CN202110047151A CN112883601B CN 112883601 B CN112883601 B CN 112883601B CN 202110047151 A CN202110047151 A CN 202110047151A CN 112883601 B CN112883601 B CN 112883601B
- Authority
- CN
- China
- Prior art keywords
- defect
- preset
- light intensity
- scattered light
- shape
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 427
- 238000001514 detection method Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000010586 diagram Methods 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 8
- 230000010287 polarization Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 abstract description 15
- 238000003384 imaging method Methods 0.000 description 16
- 239000002245 particle Substances 0.000 description 16
- 238000000790 scattering method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000000204 total internal reflection microscopy Methods 0.000 description 5
- 238000004624 confocal microscopy Methods 0.000 description 4
- 238000000399 optical microscopy Methods 0.000 description 4
- 238000002050 diffraction method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G01N21/956—Inspecting patterns on the surface of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G01N2021/8874—Taking dimensions of defect into account
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及光学检测技术领域,公开了一种表面缺陷检测方法、装置、设备及存储介质,所述方法包括:获取待测元件表面的预设缺陷区域的散射光空间分布数据,并基于所述散射光空间分布数据确定所述预设缺陷区域的缺陷形状,获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述缺陷形状对应的缺陷尺寸,基于所述缺陷形状和所述缺陷尺寸进行表面缺陷检测,以获得所述待测元件表面的缺陷结构信息,通过本发明所述的散射法检测中的非成像法对待测元件表面缺陷进行检测,避免了现有技术中通过超声检测和光学检测中的成像法进行表面缺陷检测时所带来的弊端,实现了对多种类型的待测元件的高精度、高效率的表面微纳级别缺陷检测。
Description
技术领域
本发明涉及光学检测技术领域,尤其涉及一种表面缺陷检测方法、装置、设备及存储介质。
背景技术
随着光学检测技术的发展,在对待测元件进行表面缺陷检测时,从观测形式上可以分为接触式表面缺陷检测和非接触式表面缺陷检测,所谓接触式表面缺陷检测,即通过微型悬臂一端的探测针尖与待测元件表面接触,在微型悬臂扫描待测元件表面的过程中,通过检测针尖与待测元件表面之间的作用力以及悬臂运动轨迹来进行表面缺陷检测,该方法虽可测得高分辨率的待测元件表面的缺陷信息,但检测效率低,检测成本高,多用于对单个小尺寸元件进行研究级检测,并不适用于对大尺寸元件进行批量检测。
至于非接触式表面缺陷检测,具体可分为超声检测,光学法检测等,其中,光学法检测又可以根据所利用的光学原理的不同分为干涉法检测、衍射法检测、非线性光学法检测和散射法检测,散射法检测又包括显微散射暗场成像法检测、激光散射共聚焦显微镜检测、自适应滤波成像法检测、全内反射显微法检测、全积分散射法检测、角分辨散射谱法检测等。但在具体实现中,超声波检测效率低,检测速度慢;干涉法检测的干涉条纹会在缺陷处发生断裂,解调方法复杂;衍射法检测由于衍射发生的条件限制了可以检测的缺陷种类;散射法检测中的成像法因为需要使用光学显微镜进行成像,存在极限分辨率,因此检测精度相对较差,全内反射显微法、光学显微镜法、激光共聚焦显微镜法等都需要先在小范围内用人眼进行缺陷识别与统计,再扫描获取整体缺陷信息,因此测试效率相对较低,可见,上述传统非接触式表面检测方法均难以实现工业领域中对多种类型的表面缺陷进行高效率、高精度的检测,因此,如何解决现有技术在对多种类型的待测元件进行表面缺陷检测时检测效率和检测精度低的技术问题,成为了一个亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种表面缺陷检测方法、装置、设备及存储介质,旨在解决现有技术在对多种类型的待测元件进行表面缺陷检测时检测效率和检测精度低的技术问题。
为实现上述目的,本发明提供了一种表面缺陷检测方法,所述方法包括以下步骤:
获取待测元件表面的预设缺陷区域的散射光空间分布数据,并基于所述散射光空间分布数据确定所述预设缺陷区域的缺陷形状;
获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述缺陷形状对应的缺陷尺寸;
基于所述缺陷形状和所述缺陷尺寸进行表面缺陷检测,以获得所述待测元件表面的缺陷结构信息。
优选地,所述获取待测元件表面的预设缺陷区域的散射光空间分布数据,并基于所述散射光空间分布数据确定所述预设缺陷区域的缺陷形状的步骤,具体包括:
获取待测元件表面的预设缺陷区域的散射场近场分布数据;
将所述散射场近场分布数据转换成散射场远场分布数据,并基于所述散射场远场分布数据绘制散射场远场分布图;
基于所述散射场远场分布图确定所述预设缺陷区域的缺陷形状。
优选地,所述基于所述散射场远场分布图确定所述预设缺陷区域的缺陷形状的步骤,具体包括:
获取所述散射场远场分布图与预设缺陷仿真数据库中的仿真远场分布图的相似度;
选取相似度最高的仿真远场分布图作为目标远场分布图,并获取所述目标远场分布图的缺陷形状,将所述目标远场分布图的缺陷形状作为所述预设缺陷区域的缺陷形状。
优选地,所述获取所述散射场远场分布图与预设缺陷仿真数据库中的仿真远场分布图的相似度的步骤之前,还包括:
获取不同缺陷形状对应的训练样本,并获取所述训练样本的样本散射场远场分布图;
对所述训练样本进行缺陷标定,获得样本缺陷形状;
根据所述样本散射场远场分布图和所述样本缺陷形状对预设神经网络模型进行训练,获得预设缺陷散射模型,并基于所述预设缺陷散射模型构建预设缺陷仿真数据库。
优选地,所述获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述缺陷形状对应的缺陷尺寸的步骤之前,还包括:
将非偏振光平行投射至待测元件表面的预设缺陷区域,以获得对应的散射光,并记录所述非偏振光对应的波长值和初始光强值;
相应地,所述获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述预设缺陷区域的缺陷尺寸的步骤,具体包括:
获取所述预设缺陷区域的散射光强值,并基于所述散射光强值、所述波长值以及所述初始光强值确定所述缺陷形状对应的缺陷尺寸。
优选地,所述获取所述预设缺陷区域的散射光强值,并基于所述散射光强值、所述波长值以及所述初始光强值确定所述缺陷形状对应的缺陷尺寸的步骤,具体包括:
获取所述散射光对应的缺陷折射率、散射角度、散射距离以及散射光强值;
根据所述散射光强值、所述波长值、所述初始光强值、所述缺陷折射率、所述散射角度以及所述散射距离计算所述缺陷形状对应的缺陷尺寸。
优选地,根据所述散射光强值、所述波长值、所述初始光强值、所述缺陷折射率、所述散射角度、以及所述散射距离通过以下公式计算所述缺陷形状对应的缺陷尺寸,
式中,Is为所述散射光强值,λ为所述非偏振光的波长值,I0为所述非偏振光的初始光强值,i1,i2为所述散射光垂直偏振方向上的强度函数,r为投射距离,S1,S2为所述散射光水平偏振方向上的振幅函数,为与S1、S2对应的共轭复数,N为所述缺陷折射率,θ为所述散射角度,D为所述缺陷尺寸。
此外,为实现上述目的,本发明还提出一种表面缺陷检测装置,所述表面缺陷检测装置包括:
形状确定模块,用于获取待测元件表面的预设缺陷区域的散射光空间分布数据,并基于所述散射光空间分布数据确定所述预设缺陷区域的缺陷形状;
尺寸确定模块,用于获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述缺陷形状对应的缺陷尺寸;
报告生成模块,用于基于所述缺陷形状和所述缺陷尺寸进行表面缺陷检测,以获得所述待测元件表面的缺陷结构信息。
此外,为实现上述目的,本发明还提出一种表面缺陷检测设备,所述设备包括:光电传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的表面缺陷检测程序,所述表面缺陷检测程序配置为实现如上文所述的表面缺陷检测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有表面缺陷检测程序,所述表面缺陷检测程序被处理器执行时实现如上文所述的表面缺陷检测方法的步骤。
本发明获取待测元件表面的预设缺陷区域的散射光空间分布数据,并基于所述散射光空间分布数据确定所述预设缺陷区域的缺陷形状,获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述缺陷形状对应的缺陷尺寸,基于所述缺陷形状和所述缺陷尺寸进行表面缺陷检测,以获得所述待测元件表面的缺陷结构信息。通过本发明所述的散射法检测中的非成像法对待测元件表面缺陷进行检测,避免了现有技术中通过散射法检测中的成像法进行检测时,因需要使用光学显微镜进行成像,存在极限分辨率,而导致的检测精度上限低的问题,也避免了现有技术中通过全内反射显微法、光学显微镜法、激光共聚焦显微镜法等进行表面缺陷检测时,均需要先在小范围内先用人眼进行缺陷识别与统计,再扫描获取整体缺陷信息,而导致的检测效率低的问题,也避免了衍射法检测中由于衍射发生的条件限制表面缺陷检测种类的问题,本发明并不需要对所述待测元件进行成像处理即可获得待测元件表面的缺陷结构信息,从本质上避免了上述弊端的产生,实现了对多种类型的待测元件的高精度、高效率的表面微纳级别缺陷检测。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的表面缺陷检测设备的结构示意图;
图2为本发明表面缺陷检测方法第一实施例的流程示意图;
图3为本发明表面缺陷检测方法第一实施例中不同尺寸的气孔所对应的散射场远场分布图;
图4为本发明表面缺陷检测方法第一实施例中不同尺寸的颗粒所对应的散射场远场分布图;
图5为本发明表面缺陷检测方法第二实施例的流程示意图;
图6为本发明表面缺陷检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的表面缺陷检测设备结构示意图。
如图1所示,该表面缺陷检测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005,光电传感器1006。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-VolatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。光电传感器1006用以接收光信号,并将光信号转换为电信号传递至处理器1001。
本领域技术人员可以理解,图1中示出的结构并不构成对表面缺陷检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及表面缺陷检测程序。
在图1所示的表面缺陷检测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明表面缺陷检测设备中的处理器1001、存储器1005可以设置在表面缺陷检测设备中,所述表面缺陷检测设备通过处理器1001调用存储器1005中存储的表面缺陷检测程序,并执行本发明实施例提供的表面缺陷检测方法。
本发明实施例提供了一种表面缺陷检测方法,参照图2,图2为本发明表面缺陷检测方法第一实施例的流程示意图。
本实施例中,所述表面缺陷检测方法包括以下步骤:
步骤S10:获取待测元件表面的预设缺陷区域的散射光空间分布数据,并基于所述散射光空间分布数据确定所述预设缺陷区域的缺陷形状;
易于理解的是,本实施例所述的表面缺陷检测方法是基于散射法检测中的非成像法,所谓非成像法,即不需要通过光学显微镜对待测元件进行成像处理,即可获得待测元件表面的缺陷结构信息,所述缺陷结构信息包括但不限于待测元件表面的预设缺陷区域的缺陷尺寸和缺陷形状,进一步地,还可基于所述缺陷结构信息生成缺陷测试报告以直观表示待测元件表面的缺陷结构信息。
本实施例的执行主体为上述表面缺陷检测设备,所述表面缺陷检测设备可先获取待测元件表面的预设缺陷区域的散射光空间分布数据,所述待测元件可为超光滑元件,如硅晶圆、玻璃产品、注塑产品等,所述预设缺陷区域可根据实际需求进行设定,如,将一束非偏振光平行投射至待测元件表面时,通过光电传感器1006获取待测元件表面各区域散射回的光强信号,并根据所述光强信号确定对应的散射光强值,检测各区域对应散射光强值是否大于等于预设散射光强值,在大于预设散射光强值时,则可选取该区域作为预设缺陷区域,在具体实现中,所述预设散射光强值可根据实际需求进行设置,本实施例在此不加以限制。所述散射光空间分布数据包括散射场远场分布数据和散射场近场分布数据,所述散射场近场分布数据和所述散射场远场分布数据可理解为每一个时间步长内等效电流和等效磁流由待测元件近场表面到待测元件远场表面的取样数据,所述时间步长可根据实际需求进行设置,本实施例在此不加以限制。进一步地,为了提高对待测元件进行表面缺陷形状检测时的检测精度,还可基于散射场远场分布数据获得散射场远场分布图,所述散射场远场分布图可理解为远场散射光在不同空间位置处(或不同角度下)所对应的散射光强值的分布图,然后,基于所述散射场远场分布图确定所述预设缺陷区域的缺陷形状,进一步地,可基于所述缺陷形状确定缺陷种类,所述缺陷种类可为颗粒、气孔、脱粘、变形、压皱、划伤、裂纹等。如图3所示,图3为不同尺寸的气孔所对应的散射场远场分布图,如图4所示,图4为不同尺寸的颗粒所对应的散射场远场分布图。在具体实现中,为了进一步提高对待测元件进行表面缺陷形状检测时的检测精度和监测效率,还可基于时域有限差分法(FiniteDifference Time Domain,FDTD)进行缺陷形状的确定,具体缺陷形状的确定方式可参见本发明表面缺陷检测方法第二实施例,本实施例在此不予赘述。
步骤S20:获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述缺陷形状对应的缺陷尺寸;
易于理解的是,为了提高对待测元件进行表面缺陷尺寸检测时的检测精度和检测效率,还可获取所述预设缺陷区域的散射光强值,所述散射光强值可理解为用以表示散射光强度的数值,然后,基于所述散射光强值通过米氏散射理论(Mie scattering)确定所述缺陷形状对应的缺陷尺寸(本实施所测的待测元件为超光滑元件,其缺陷粒径几近等于或者略大于入射光的波长值,适用于米氏散射理论),所述缺陷尺寸可理解为不同的缺陷形状对应的缺陷尺寸,如在检测到待测元件表面存在气孔和颗粒两种缺陷形状,则可通过查表法分别获取气孔和颗粒所对应的缺陷尺寸。
在具体实现中,为了进一步提高对待测元件进行表面缺陷尺寸检测时的检测精度,除根据获取到的预设缺陷区域的散射光对应的散射光强值来进行表面缺陷尺寸检测外,还可结合所述散射光对应的入射光进行表面缺陷尺寸检测,即在入射光(如非偏振光)平行投射至待测元件表面的预设缺陷区域时,获取所述入射光对应的波长值和初始光强值,然后,基于所述散射光强值、所述波长值以及所述初始光强值确定所述缺陷形状对应的缺陷尺寸。
在具体实现中,为了进一步提高对待测元件进行表面缺陷尺寸检测时的检测精度,还可获取所述散射光对应的缺陷折射率、散射角度、散射距离以及散射光强值,然后根据所述散射光强值、所述波长值、所述初始光强值、所述缺陷折射率、所述散射角度以及所述散射距离计算所述缺陷形状对应的缺陷尺寸。进一步地,还可根据所述散射光强值、所述波长值、所述初始光强值、所述缺陷折射率、所述散射角度、所述散射距离,通过以下公式计算所述缺陷形状对应的缺陷尺寸,
式中,Is为所述散射光强值,λ为所述非偏振光的波长值,I0为所述非偏振光的初始光强值,i1,i2为所述散射光垂直偏振方向上的强度函数,r为投射距离,S1,S2为所述散射光水平偏振方向上的振幅函数,为与S1、S2对应的共轭复数,N为所述缺陷折射率,θ为所述散射角度,D为所述缺陷尺寸。
步骤S30:基于所述缺陷形状和所述缺陷尺寸进行表面缺陷检测,以获得所述待测元件表面的缺陷结构信息。
易于理解的是,在获得待测元件表面的预设缺陷区域的缺陷形状和所述缺陷形状对应的缺陷尺寸后,可基于所述缺陷形状和所述缺陷尺寸进行表面缺陷检测,以获得所述待测元件表面的缺陷结构信息,所述缺陷结构信息包括但不限于待测元件表面的缺陷总数量、不同种类缺陷的数量分布、不同尺寸缺陷的数量分布、每个缺陷的位置坐标、缺陷种类、缺陷尺寸、缺陷面积,进一步地,还可基于所述缺陷结构信息生成缺陷检测报告,以便于用户直观了解待测元件表面的缺陷分布。
本实施例获取待测元件表面的预设缺陷区域的散射光空间分布数据,并基于所述散射光空间分布数据确定所述预设缺陷区域的缺陷形状,获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述缺陷形状对应的缺陷尺寸,基于所述缺陷形状和所述缺陷尺寸进行表面缺陷检测,以获得所述待测元件表面的缺陷结构信息。通过本实施例所述的散射法检测中的非成像法对待测元件表面缺陷进行检测,避免了现有技术中通过散射法检测中的成像法进行检测时,因需要使用光学显微镜进行成像,存在极限分辨率,而导致的检测精度上限低的问题,也避免了现有技术中通过全内反射显微法、光学显微镜法、激光共聚焦显微镜法等进行表面缺陷检测时,均需要先在小范围内先用人眼进行缺陷识别与统计,再扫描获取整体缺陷信息,而导致的检测效率低的问题,也避免了衍射法检测中由于衍射发生的条件限制表面缺陷检测种类的问题,本实施例并不需要对所述待测元件进行成像处理即可获得待测元件表面的缺陷结构信息,从本质上避免了上述弊端的产生,实现了对多种类型的待测元件的高精度、高效率的表面微纳级别缺陷检测。
参考图5,图5为本发明表面缺陷检测方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤S10包括:
步骤S101:获取待测元件表面的预设缺陷区域的散射场近场分布数据;
易于理解的是,为了提高对待测元件进行表面缺陷形状检测时的检测精度,可先获取不同缺陷形状对应的训练样本,并获取所述训练样本的样本散射场远场分布图,然后对所述训练样本进行缺陷标定,获得样本缺陷形状,再根据所述样本散射场远场分布图和所述样本缺陷形状对预设神经网络模型进行训练,获得预设缺陷散射模型,并基于所述预设缺陷散射模型构建预设缺陷仿真数据库。所述缺陷标定可理解校准所训练样本的缺陷形状,在具体实现中,所述预设神经网络模型可为卷积神经网络模型,然后将所述样本散射场远场分布图作为预设神经网络模型的输入层的输入特征,再将所述样本缺陷形状作为所述预设神经网络模型的神经网络输出层的输出特征,接着,根据所述输入特征和所述输出特征对所述预设神经网络模型进行训练,以获得预设缺陷散射模型,并基于所述预设缺陷散射模型构建预设缺陷仿真数据库。
需要说明的是,在构建完所述预设缺陷散射模型和预设缺陷仿真数据库后,可基于时域有限差分法(Finite Difference Time Domain,FDTD)进行缺陷形状的确定,在具体实现中,可先设置散射体及散射体对应的FDTD边界的位置信息以及时间步长,再进行时间循环计算,并记录每一个时间步长内等效电流和等效磁流在近场到远场表面的取样,以获得散射光空间分布数据,所述散射光空间分布数据包括散射场近场分布数据转换成散射场远场分布数据。
步骤S102:将所述散射场近场分布数据转换成散射场远场分布数据,并基于所述散射场远场分布数据绘制散射场远场分布图;
需要说明的是,在获得所述散射场近场分布数据后,可对所述散射场近场分布数据进行实时的离散傅里叶变换,以获得所述待测元件表面的预设缺陷区域的散射场远场分布数据,再基于所述散射场远场分布数据绘制散射场远场分布图,参见图3,图3为不同尺寸的气孔所对应的散射场远场分布图,图3中,图(a)为粒径为0.5μm的气孔的散射场远场分布图,图(b)为粒径为1μm的气孔的散射场远场分布图,图(c)为粒径为2μm的气孔的散射场远场分布图。参见图4,图4为不同尺寸的颗粒所对应的散射场远场分布图,图4中,图(a)为粒径为0.5μm的颗粒的散射场远场分布图,图(b)为粒径为1μm的颗粒的散射场远场分布图,图(c)为粒径为2μm的颗粒的散射场远场分布图。
步骤S103:基于所述散射场远场分布图确定所述预设缺陷区域的缺陷形状。
易于理解的是,在获得所述散射场远场分布图后,为了提高对待测元件进行表面缺陷形状检测时的检测效率,可获取所述散射场远场分布图与预设缺陷仿真数据库中的仿真远场分布图的相似度,然后选取相似度最高的仿真远场分布图作为目标远场分布图,并获取所述目标远场分布图的缺陷形状,将所述目标远场分布图的缺陷形状作为所述预设缺陷区域的缺陷形状。
本实施例获取待测元件表面的预设缺陷区域的散射场近场分布数据,将所述散射场近场分布数据转换成散射场远场分布数据,并基于所述散射场远场分布数据绘制散射场远场分布图,基于所述散射场远场分布图确定所述预设缺陷区域的缺陷形状。通过时域有限差分法实现对散射场近场分布数据和散射场远场分布数据的获取,并基于所述散射场远场分布数据获得散射场远场分布图以提高对待测元件进行表面缺陷形状检测时的检测精度,进一步地,基于所述散射场远场分布图确定所述预设缺陷区域的缺陷形状以提高对待测元件进行表面缺陷形状检测时的检测效率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有表面缺陷检测程序,所述表面缺陷检测程序被处理器执行时实现如上文所述的表面缺陷检测方法的步骤。
参照图6,图6为本发明表面缺陷检测装置第一实施例的结构框图。
如图6所示,本发明实施例提出的表面缺陷检测装置包括:
形状确定模块10,用于获取待测元件表面的预设缺陷区域的散射光空间分布数据,并基于所述散射光空间分布数据确定所述预设缺陷区域的缺陷形状;
尺寸确定模块20,用于获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述缺陷形状对应的缺陷尺寸;
报告生成模块30,用于基于所述缺陷形状和所述缺陷尺寸进行表面缺陷检测,以获得所述待测元件表面的缺陷结构信息。
本实施例获取待测元件表面的预设缺陷区域的散射光空间分布数据,并基于所述散射光空间分布数据确定所述预设缺陷区域的缺陷形状,获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述缺陷形状对应的缺陷尺寸,基于所述缺陷形状和所述缺陷尺寸进行表面缺陷检测,以获得所述待测元件表面的缺陷结构信息。通过本实施例所述的散射法检测中的非成像法对待测元件表面缺陷进行检测,避免了现有技术中通过散射法检测中的成像法进行检测时,因需要使用光学显微镜进行成像,存在极限分辨率,而导致的检测精度上限低的问题,也避免了现有技术中通过全内反射显微法、光学显微镜法、激光共聚焦显微镜法等进行表面缺陷检测时,均需要先在小范围内先用人眼进行缺陷识别与统计,再扫描获取整体缺陷信息,而导致的检测效率低的问题,也避免了衍射法检测中由于衍射发生的条件限制表面缺陷检测种类的问题,本实施例并不需要对所述待测元件进行成像处理即可获得待测元件表面的缺陷结构信息,从本质上避免了上述弊端的产生,实现了对多种类型的待测元件的高精度、高效率的表面缺陷检测。
基于本发明上述表面缺陷检测装置第一实施例,提出本发明表面缺陷检测装置的第二实施例。
在本实施例中,所述形状确定模块10,还用于获取待测元件表面的预设缺陷区域的散射场近场分布数据;
所述形状确定模块10,还用于将所述散射场近场分布数据转换成散射场远场分布数据,并基于所述散射场远场分布数据绘制散射场远场分布图;
所述形状确定模块10,还用于基于所述散射场远场分布图确定所述预设缺陷区域的缺陷形状。
所述形状确定模块10,还用于获取所述散射场远场分布图与预设缺陷仿真数据库中的仿真远场分布图的相似度;
所述形状确定模块10,还用于选取相似度最高的仿真远场分布图作为目标远场分布图,并获取所述目标远场分布图的缺陷形状,将所述目标远场分布图的缺陷形状作为所述预设缺陷区域的缺陷形状。
所述形状确定模块10,还用于获取不同缺陷形状对应的训练样本,并获取所述训练样本的样本散射场远场分布图;
所述形状确定模块10,还用于对所述训练样本进行缺陷标定,获得样本缺陷形状;
所述形状确定模块10,还用于根据所述样本散射场远场分布图和所述样本缺陷形状对预设神经网络模型进行训练,获得预设缺陷散射模型,并基于所述预设缺陷散射模型构建预设缺陷仿真数据库。
所述尺寸确定模块20,还用于将非偏振光平行投射至待测元件表面的预设缺陷区域,以获得对应的散射光,并记录所述非偏振光对应的波长值和初始光强值;
所述尺寸确定模块20,还用于获取所述预设缺陷区域的散射光强值,并基于所述散射光强值、所述波长值以及所述初始光强值确定所述缺陷形状对应的缺陷尺寸。
所述尺寸确定模块20,还用于获取所述散射光对应的缺陷折射率、散射角度、散射距离以及散射光强值;
根据所述散射光强值、所述波长值、所述初始光强值、所述缺陷折射率、所述散射角度以及所述散射距离计算所述缺陷形状对应的缺陷尺寸。
所述尺寸确定模块20,还用于根据所述散射光强值、所述波长值、所述初始光强值、所述缺陷折射率、所述散射角度、以及所述散射距离通过以下公式计算所述缺陷形状对应的缺陷尺寸,
式中,Is为所述散射光强值,λ为所述非偏振光的波长值,I0为所述非偏振光的初始光强值,i1,i2为所述散射光垂直偏振方向上的强度函数,r为投射距离,S1,S2为所述散射光水平偏振方向上的振幅函数,为与S1、S2对应的共轭复数,N为所述缺陷折射率,θ为所述散射角度,D为所述缺陷尺寸。
本发明表面缺陷检测装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种表面缺陷检测方法,其特征在于,所述表面缺陷检测方法包括以下步骤:
将一束非偏振光平行投射至待测元件表面时,通过光电传感器获取待测元件表面各区域散射回的光强信号,并根据所述光强信号确定对应的散射光强值,检测各区域对应散射光强值是否大于等于预设散射光强值,在大于预设散射光强值时,选取该区域作为预设缺陷区域;
获取待测元件表面的预设缺陷区域的散射光空间分布数据,并基于所述散射光空间分布数据确定所述预设缺陷区域的缺陷形状;
获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述缺陷形状对应的缺陷尺寸;
基于所述缺陷形状和所述缺陷尺寸进行表面缺陷检测,以获得所述待测元件表面的缺陷结构信息;
所述获取待测元件表面的预设缺陷区域的散射光空间分布数据,并基于所述散射光空间分布数据确定所述预设缺陷区域的缺陷形状的步骤,具体包括:
获取待测元件表面的预设缺陷区域的散射场近场分布数据;
将所述散射场近场分布数据转换成散射场远场分布数据,并基于所述散射场远场分布数据绘制散射场远场分布图;
基于所述散射场远场分布图确定所述预设缺陷区域的缺陷形状;
所述基于所述散射场远场分布图确定所述预设缺陷区域的缺陷形状的步骤,具体包括:
获取所述散射场远场分布图与预设缺陷仿真数据库中的仿真远场分布图的相似度;
选取相似度最高的仿真远场分布图作为目标远场分布图,并获取所述目标远场分布图的缺陷形状,将所述目标远场分布图的缺陷形状作为所述预设缺陷区域的缺陷形状;
所述获取所述散射场远场分布图与预设缺陷仿真数据库中的仿真远场分布图的相似度的步骤之前,还包括:
获取不同缺陷形状对应的训练样本,并获取所述训练样本的样本散射场远场分布图;
对所述训练样本进行缺陷标定,获得样本缺陷形状;
根据所述样本散射场远场分布图和所述样本缺陷形状对预设神经网络模型进行训练,获得预设缺陷散射模型,并基于所述预设缺陷散射模型构建预设缺陷仿真数据库;
所述根据所述样本散射场远场分布图和所述样本缺陷形状对预设神经网络模型进行训练,获得预设缺陷散射模型,并基于所述预设缺陷散射模型构建预设缺陷仿真数据库,包括:
将所述样本散射场远场分布图作为预设神经网络模型的输入层的输入特征,再将所述样本缺陷形状作为所述预设神经网络模型的神经网络输出层的输出特征,根据所述输入特征和所述输出特征对所述预设神经网络模型进行训练,以获得预设缺陷散射模型,并基于所述预设缺陷散射模型构建预设缺陷仿真数据库。
2.如权利要求1所述的方法,其特征在于,所述获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述缺陷形状对应的缺陷尺寸的步骤之前,还包括:
将非偏振光平行投射至待测元件表面的预设缺陷区域,以获得对应的散射光,并记录所述非偏振光对应的波长值和初始光强值;
相应地,所述获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述预设缺陷区域的缺陷尺寸的步骤,具体包括:
获取所述预设缺陷区域的散射光强值,并基于所述散射光强值、所述波长值以及所述初始光强值确定所述缺陷形状对应的缺陷尺寸。
3.如权利要求2所述的表面缺陷检测方法,其特征在于,所述获取所述预设缺陷区域的散射光强值,并基于所述散射光强值、所述波长值以及所述初始光强值确定所述缺陷形状对应的缺陷尺寸的步骤,具体包括:
获取所述散射光对应的缺陷折射率、散射角度、散射距离以及散射光强值;
根据所述散射光强值、所述波长值、所述初始光强值、所述缺陷折射率、所述散射角度以及所述散射距离计算所述缺陷形状对应的缺陷尺寸。
5.一种表面缺陷检测装置,其特征在于,所述表面缺陷检测装置包括:
形状确定模块,用于获取待测元件表面的预设缺陷区域的散射光空间分布数据,并基于所述散射光空间分布数据确定所述预设缺陷区域的缺陷形状;
尺寸确定模块,用于获取所述预设缺陷区域的散射光强值,并基于所述散射光强值确定所述缺陷形状对应的缺陷尺寸;
报告生成模块,用于基于所述缺陷形状和所述缺陷尺寸进行表面缺陷检测,以获得所述待测元件表面的缺陷结构信息;
所述形状确定模块,还用于获取待测元件表面的预设缺陷区域的散射场近场分布数据;将所述散射场近场分布数据转换成散射场远场分布数据,并基于所述散射场远场分布数据绘制散射场远场分布图;基于所述散射场远场分布图确定所述预设缺陷区域的缺陷形状;
所述形状确定模块,还用于获取所述散射场远场分布图与预设缺陷仿真数据库中的仿真远场分布图的相似度;选取相似度最高的仿真远场分布图作为目标远场分布图,并获取所述目标远场分布图的缺陷形状,将所述目标远场分布图的缺陷形状作为所述预设缺陷区域的缺陷形状;
所述形状确定模块,还用于获取不同缺陷形状对应的训练样本,并获取所述训练样本的样本散射场远场分布图;对所述训练样本进行缺陷标定,获得样本缺陷形状;根据所述样本散射场远场分布图和所述样本缺陷形状对预设神经网络模型进行训练,获得预设缺陷散射模型,并基于所述预设缺陷散射模型构建预设缺陷仿真数据库;
所述形状确定模块,还用于将所述样本散射场远场分布图作为预设神经网络模型的输入层的输入特征,再将所述样本缺陷形状作为所述预设神经网络模型的神经网络输出层的输出特征,根据所述输入特征和所述输出特征对所述预设神经网络模型进行训练,以获得预设缺陷散射模型,并基于所述预设缺陷散射模型构建预设缺陷仿真数据库;
所述形状确定模块,还用于将一束非偏振光平行投射至待测元件表面时,通过光电传感器获取待测元件表面各区域散射回的光强信号,并根据所述光强信号确定对应的散射光强值,检测各区域对应散射光强值是否大于等于预设散射光强值,在大于预设散射光强值时,选取该区域作为预设缺陷区域。
6.一种表面缺陷检测设备,其特征在于,所述设备包括:光电传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的表面缺陷检测程序,所述表面缺陷检测程序配置为实现如权利要求1至4中任一项所述的表面缺陷检测方法的步骤。
7.一种存储介质,其特征在于,所述存储介质上存储有表面缺陷检测程序,所述表面缺陷检测程序被处理器执行时实现如权利要求1至4中任一项所述的表面缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110047151.2A CN112883601B (zh) | 2021-01-13 | 2021-01-13 | 表面缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110047151.2A CN112883601B (zh) | 2021-01-13 | 2021-01-13 | 表面缺陷检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883601A CN112883601A (zh) | 2021-06-01 |
CN112883601B true CN112883601B (zh) | 2023-05-02 |
Family
ID=76047921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110047151.2A Active CN112883601B (zh) | 2021-01-13 | 2021-01-13 | 表面缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883601B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808092B (zh) * | 2021-09-09 | 2023-06-23 | 广州大学 | 钢管混凝土界面脱粘缺陷检测方法、系统、装置及介质 |
CN113984601B (zh) * | 2021-12-28 | 2022-04-08 | 中国电子科技集团公司第二十八研究所 | 环境粉尘监测系统 |
CN117232790B (zh) * | 2023-11-07 | 2024-02-02 | 中国科学院长春光学精密机械与物理研究所 | 基于二维散射实现光学元件表面缺陷的评估方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110806412A (zh) * | 2019-11-15 | 2020-02-18 | 中国工程物理研究院激光聚变研究中心 | 一种基于光学元件的缺陷尺寸检测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4394707B2 (ja) * | 2007-06-13 | 2010-01-06 | 株式会社日立ハイテクノロジーズ | 試料表面の欠陥検査装置 |
CN101672801B (zh) * | 2009-09-23 | 2011-04-06 | 中国科学院上海光学精密机械研究所 | 具有缺陷分类能力的硅片表面缺陷检测仪及缺陷分类方法 |
CN110687051B (zh) * | 2018-07-06 | 2022-06-21 | 深圳中科飞测科技股份有限公司 | 一种检测设备及方法 |
CN111929310B (zh) * | 2020-09-25 | 2021-02-05 | 歌尔股份有限公司 | 表面缺陷检测方法、装置、设备及存储介质 |
-
2021
- 2021-01-13 CN CN202110047151.2A patent/CN112883601B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110806412A (zh) * | 2019-11-15 | 2020-02-18 | 中国工程物理研究院激光聚变研究中心 | 一种基于光学元件的缺陷尺寸检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112883601A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883601B (zh) | 表面缺陷检测方法、装置、设备及存储介质 | |
CN111929310B (zh) | 表面缺陷检测方法、装置、设备及存储介质 | |
EP2585853B1 (en) | Calibration of a probe in ptychography | |
CN102494623B (zh) | 镜头中光学表面中心间距的非接触式测量装置的测量方法 | |
KR100981401B1 (ko) | 미소 변위 계측법 및 장치 | |
JP5178079B2 (ja) | 欠陥検査方法およびその装置 | |
EP2827097A1 (en) | Phase distribution analysis method and device for fringe image using high-dimensional brightness information, and program therefor | |
TW200949193A (en) | Method and apparatus for measuring of masks for the photo-lithography | |
CN101978241B (zh) | 微细结构体检查方法、微细结构体检查装置 | |
CN111551117B (zh) | 显微图像焦点漂移距离的测量方法及系统、计算机设备 | |
CN109724532B (zh) | 一种复杂光学曲面几何参量的精确测试装置及方法 | |
JP4340625B2 (ja) | 光学検査方法および装置 | |
Barnes et al. | Effects of wafer noise on the detection of 20-nm defects using optical volumetric inspection | |
CN113624358B (zh) | 用于光热反射显微热成像的三维位移补偿方法及控制装置 | |
Giusca et al. | Calibration of the metrological characteristics of Imaging Confocal Microscopes (ICMs). | |
Hayman et al. | Response time characteristics of the Fast-2D optical array probe detector board | |
CN207894588U (zh) | 基于角锥棱镜的光学镜头多视场像质检测装置 | |
CN112816187A (zh) | 一种激光光斑的质量判定方法 | |
Wang et al. | Design of an optical probe for testing surface roughness and micro-displacement | |
CN117213401B (zh) | 基于结构光切向扫描的表面工业视觉检测方法及系统 | |
JP4156133B2 (ja) | 搬送縞発生手段を具備した被検体検査装置 | |
Kizu et al. | Photoresist shrinkage observation by a metrological tilting-AFM | |
KR20100093256A (ko) | 간섭계형 시료 형상 측정 방법 및 장치 | |
JP2009053200A (ja) | 物体識別装置 | |
CN117030205B (zh) | 一种组合棱镜综合透过率的检测方法及检测系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |