CN113358042B - 一种测量膜厚的方法 - Google Patents
一种测量膜厚的方法 Download PDFInfo
- Publication number
- CN113358042B CN113358042B CN202110734454.1A CN202110734454A CN113358042B CN 113358042 B CN113358042 B CN 113358042B CN 202110734454 A CN202110734454 A CN 202110734454A CN 113358042 B CN113358042 B CN 113358042B
- Authority
- CN
- China
- Prior art keywords
- image
- film
- film layer
- marked
- measured
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种测量膜厚的方法,包括:在多层膜图像中标注出不同待标注膜层,并为各待标注膜层生成对应的标注标签;利用多层膜图像与标注标签训练神经网络,以形成分割模型;通过分割模型对待测量图像进行分割,以获得区分出待测量图像中待测量膜层的预测图像,其中,待测量图像与多层膜图像具有相同的膜层数和膜结构;以及根据预测图像获得待测量膜层的厚度。该方法可以实现对大量相似图像中的膜厚度进行自动测量,提高了操作效率和准确度。
Description
技术领域
本申请涉及测量膜厚的方法、装置、系统以及计算机可读介质。
背景技术
目前,在各技术领域的研发过程中,经常需要确定多层膜结构中层与层之间的边界,以计算各层膜的厚度,而以上操作通常基于电子图像并依靠人工完成。
例如,在三维存储器的研发过程中,涉及确定沟道孔侧壁结构中各层膜的厚度的操作。该操作的步骤通常包括:获取沟道孔侧壁结构的切片图像;基于该切片图像中各层膜之间的粗糙的边界,人工地绘制测量线,并计算测量线之间的距离,其中,可以在切片图像中不同位置处多次绘制测量线以进行采样,并最终确定膜的厚度。
上述操作存在以下缺点中的一种或多种:当图像中光强信号变化不明显时,难以进行正确分割;不具备重复性,对于相似的图像,依然需要大量人工操作,降低了研发和生产效率。
发明内容
本申请提供可至少部分地解决现有技术中存在的上述问题的测量膜厚的方法、装置、系统以及计算机可读介质。
本申请的至少一方面提供测量膜厚的方法,该方法可以包括:在多层膜图像中标注出不同待标注膜层,并为各待标注膜层生成对应的标注标签;利用多层膜图像与标注标签训练神经网络,以形成分割模型;通过分割模型对待测量图像进行分割,以获得区分出待测量图像中待测量膜层的预测图像,其中,待测量图像与多层膜图像具有相同的膜层数和膜结构;以及根据预测图像获得待测量膜层的厚度。
在一个实施方式中,在多层膜图像中标注出不同待标注膜层并为各待标注膜层生成对应的标注标签的步骤可以包括:标识各待标注膜层在多层膜图像中待标注膜层的厚度方向上的同一侧,并生成与各待标注膜层分别对应的标记;以及根据各标记周围的光强信息,标注出各待标注膜层的区域,并生成各待标注膜层分别对应的标注标签。在一个实施方式中,利用多层膜图像与标注标签训练神经网络以形成分割模型的步骤可以包括:将多层膜图像和对应的标注标签迭代地输入至神经网络,经神经网络对多层膜图像中各待标注膜层进行分割,生成该多层膜图像中各待标注膜层分别对应的目标标签;以及响应于的最小值,退出迭代输入,确定退出迭代输入时对应的神经网络为分割模型,其中,m为所输入的多层膜图像中待标注膜层的个数,h(xi)为第i个待标注膜层xi对应的目标标签,yi为第i个待标注膜层xi对应的标注标签。在一个实施方式中,经神经网络对多层膜图像进行处理以生成该多层膜图像中各待标注膜层分别对应的目标标签的步骤可以包括:对多层膜图像进行特征提取,以获得多个特征;以及根据多个特征确定多层膜图像中各待标注膜层,并生成与各待标注膜层分别对应的目标标签。在一个实施方式中,所述测量膜厚的方法还可以包括:建立标记库用于训练神经网络,以更新分割模型,其中,标记库可以包括经标注后的多层膜图像以及经分割模型分割形成的预测图像。在一个实施方式中,通过分割模型对待测量图像进行分割以获得区分出待测量图像中待测量膜层的预测图像的步骤可以包括:通过分割模型,对待测量图像进行分割,生成与待测量膜层对应的预测标签;以及利用预测标签对待测量膜层进行染色,获得预测图像。在一个实施方式中,多层膜图像可以包括三维存储器中沟道孔侧壁结构的切片图像。在一个实施方式中,侧壁结构可以包括第一氧化物层、氮化物层、第二氧化物层和多晶硅层。在一个实施方式中,神经网络可以包括根据输入信息进行深度学习的卷积神经网络。
本申请的至少一方面提供测量膜厚的装置,该装置可以包括:标注模块,用于在多层膜图像中标注出不同待标注膜层,并为各待标注膜层生成对应的标注标签;训练模块,用于利用多层膜图像和标注标签训练神经网络,以形成分割模型;分割模块,通过分割模型对待测量图像进行分割,以获得区分出待测量图像中待测量膜层的预测图像,其中,待测量图像与多层膜图像具有相同的膜层数和膜结构;以及测量模块,根据预测图像获得待测量膜层的厚度。
在一个实施方式中,标注模块可以包括标识单元和标注单元,其中,标识单元用于标识各待标注膜层在多层膜图像中待标注膜层的厚度方向上的同一侧,并生成与各待标注膜层分别对应的标记;标注单元用于根据各标记周围的光强信息,标注出各待标注膜层的区域,并生成各待标注膜层分别对应的标注标签。在一个实施方式中,训练模块可以将多层膜图像和对应的标注标签迭代地输入至神经网络,经神经网络对多层膜图像中各待标注膜层进行分割,生成该多层膜图像中各待标注膜层分别对应的目标标签;以及响应于的最小值,退出迭代输入,确定退出迭代输入时对应的神经网络为分割模型,其中,m为所输入的多层膜图像中待标注膜层的个数,h(xi)为第i个待标注膜层xi对应的目标标签,yi为第i个待标注膜层xi对应的标注标签。在一个实施方式中,训练模块可以包括:特征提取模块,用于对多层膜图像进行特征提取,以获得多个特征;以及目标确定模块,用于根据多个特征确定多层膜图像中各待标注膜层,并生成与各待标注膜层分别对应的目标标签。在一个实施方式中,分割模块可以包括:分割单元,分割单元通过分割模型,对待测量图像进行分割,生成与待测量膜层对应的预测标签;以及染色单元,染色单元利用预测标签对待测量膜层进行染色,获得预测图像。在一个实施方式中,训练模块还可以用于利用标记库重复训练神经网络,以更新分割模型,其中,标记库可以包括经标注后的多层膜图像以及经分割模型分割形成的预测图像。
本申请的至少一方面提供测量膜厚的系统,该系统可以包括:存储器,存储有可执行指令、多层膜图像和待分割图像;以及处理器,与存储器通信以执行可执行指令,从而实现以上任一实施方式所述的测量膜厚的方法。
本申请的至少一方面提供计算机可读介质,其上存储有计算机可读指令,其中,计算机可读指令被处理器执行时,实现以上任一实施方式所述的测量膜厚的方法。
与现有技术相比,本申请的各实施方式提供的测量膜厚的方法由于利用分割模型对图像进行自动分割并获取图像中各层膜的膜厚,因此可以对大量相似的图像进行重复性操作,并且可以一次性获取图像中不同层的不同位置处的膜厚信息,无需通过单独标记各层膜的内、外轮廓来针对不同位置进行测量,节省了大量的人工操作,提高了研发和生产效率。此外,由于所述分割模型还通过建立的标记库来进行重复训练,因此利用其进行图像分割并测量膜厚可以具有更高的准确度。在训练所述分割模型时,由于图像的例如光强、纹理等信息被提取用作训练特征,因此该方法还可以测量人工操作不能处理的光强变化不明显但纹理不同的图像中的膜厚。
附图说明
通过阅读参照以下附图所作的对非限制性实施方式的详细描述,本申请的其它特征、目的和优点将会变得更加明显。在附图中:
图1是示出根据本申请示例性实施方式的测量膜厚的方法的流程图;
图2是示出根据本申请示例性实施方式对神经网络进行训练的方法的流程图;
图3是根据本申请示例性实施方式的三维存储器中沟道孔侧壁结构的示意性截面图;
图4是根据本申请示例性实施方式的三维存储器中沟道孔侧壁结构的切片的透射电子显微镜图像;
图5A是示出根据本申请示例性实施方式的三维存储器中沟道孔侧壁结构的切片的透射电子显微镜图像的光强信息的图;
图5B是示出根据本申请示例性实施方式在三维存储器中沟道孔侧壁结构的切片的透射电子显微镜图像中进行标注的局部放大图;
图6A是示出根据本申请示例性实施方式在三维存储器中沟道孔侧壁结构的切片的透射电子显微镜图像中进行标注后的图;
图6B是示出根据本申请示例性实施方式为标注后的沟道孔侧壁结构的切片图像生成标注标签的示意图;以及
图7是示出适于用来实现本申请的示例性实施方式的系统的结构的示意图。
具体实施方式
以下将结合附图对本申请进行详细描述,本文中提到的示例性实施方式仅用于解释本申请,并非用于限制本申请的范围。
在附图中,为了便于说明,已稍微调整部件的厚度、尺寸和形状。附图仅为示例而并非严格按比例绘制。在说明书通篇,相同的附图标记指代相同的部件。如在本文中使用的,用语“大致”、“大约”以及类似的用语用作表示近似,而非用作表示程度,并且旨在说明将由本领域中普通技术人员认识到的测量值或计算值中的固有偏差。
当描述本申请的实施方式时,用语“示例性”旨在表示示例或举例说明,使用“可”表示“本申请的一个或多个实施方式”。表述“和/或”包括相关联所列项目中的一个或多个的任何和全部组合。应当理解,诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的,其表示存在所陈述的特征、元件和/或部件,但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外,当诸如“...中的至少一个”的表述出现在所列特征的列表之后时,其修饰整列特征,而非仅仅修饰列表中的单独特征。
除非另外限定,否则本文中使用的所有术语(包括科学术语和技术术语)均具有与本申请所属领域中普通技术人员的通常理解相同的含义。此外,除非本申请中有明确的说明,否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义,而不应以理想化或过于形式化的意义进行解释。
需要说明的是,在不冲突的情况下,本申请中的实施方式及实施方式中的特征可以相互组合。此外,除非明确限定或与上下文相矛盾,否则本申请所记载的方法中包含的具体步骤不必限于所记载的顺序,而是可以任意顺序执行或并行地执行。
下面将参照附图并结合实施方式来详细说明本申请。
本申请的一方面提供测量膜厚的方法。
图1是示出根据本申请示例性实施方式的测量膜厚的方法100的流程图。参照图1,测量膜厚的方法100包括:步骤S101,在多层膜图像中标注出不同待标注层,并为各待标注层生成对应的标注标签;步骤S102,利用多层膜图像与标注标签训练神经网络,以形成分割模型;步骤S103,通过分割模型对待测量图像进行分割,以获得区分出待测量图像中待测量膜层的预测图像;以及步骤S104,根据预测图像获得待测量膜层的厚度。
下面将详细描述上述步骤。
在步骤S101中,多层膜图像可以为需要进行分层处理或分区处理的任何图像。多层膜图像可以由任何成像设备获得,例如,可以通过透射电子显微镜(TEM)获得,但是本申请不限于此。在多层膜图像中标注出不同待标注层的步骤可以包括:标识各待标注膜层在多层膜图像中待标注膜层的厚度方向上的同一侧,并生成与各待标注膜层分别对应的标记;以及根据各标记周围的光强信息,标注出各待标注膜层的区域。其中,所述标识各待标注膜层在多层膜图像中待标注膜层的厚度方向上的同一侧可以通过人工完成,根据光强信息确定各待标注膜层的区域可以包括逐一地获取多层膜图像中各像素点的像素值,并根据标记周围的像素点的像素值的梯度确定待标注膜层之间的边界。应当理解,上述标注步骤仅仅是示例性的,该标注操作可以通过本领域中已知的各种方法来实现。生成标注标签的步骤可以包括:将通过标注所区分出的待测量膜层的区域分别对应于不同的数字标签(例如,区分出的5个层区域可以分别对应于标签0、标签1、标签2、标签3和标签4);以及根据其所属层区域赋予多层膜图像中各像素点相应的数字标签(例如,根据其所属层区域,赋予其标签0、标签1、标签2、标签3和标签4之一),其中,标注标签包括多层膜图像中各像素点的位置信息以及与该位置对应的表示其所属层区域的数字标签,但是本申请不限于此。
在步骤S102中,可以将多层膜图像和与其对应的标注标签迭代地输入至预设的神经网络以进行训练,并将经训练的神经网络输出作为用于分层操作或分区操作的分割模型。
在步骤S103中,可以通过所述分割模型对待测量图像进行分割,以获得区分出待测量图像中待测量膜层的预测图像,其中,待测量图像可以与多层膜图像具有相同的膜层数和膜结构。
在步骤S104中,可以根据预测图像获得待测量膜层的厚度。在一个实施方式中,所述待测量膜层的厚度可以通过计算机程序基于例如图像的比例尺而自动地获得,但实施方式不限于此。
图2是示出根据本申请示例性实施方式对神经网络进行训练的方法200的流程图。
参照图2,在步骤S201中,将多层膜图像与标注标签输入至神经网络。多层膜图像可以为需要分层处理或分区处理的任何图像。标注标签可以为通过上述标注方式或本领域中已知的其它方式对多层膜图像中不同层区域进行区分的标签。
在步骤S202中,利用神经网络对多层膜图像进行分层处理,确定与多层膜图像中不同层对应的目标区域。在具体的实施方式中,神经网络可以为根据输入信息进行深度学习的卷积神经网络。卷积神经网络可以包括至少一个特征提取层以及联接在特征提取层之后的目标确定层。特征提取层可以用于对输入的图像(例如,多层膜图像)进行卷积操作,以获得该图像的一个或多个特征。特征提取层可以包括多个卷积核,以基于输入的图像提取不同的特征(例如,不同的光强、纹理等)。目标确定层可以用于基于前一特征提取层提取的一个或多个特征进行解卷积操作,以根据这些特征确定出与图像中不同部分(例如,多层膜图像中的不同层区域)对应的目标区域。
在步骤S203中,确定与目标区域对应的目标标签和标注标签之间的差异。其中,与目标区域对应的目标标签可以通过例如计算机程序基于上述根据提取的特征所确定出的目标区域自动地获得。目标标签和标注标签之间的差异可以通过二者的均方根误差来衡量,其可以由下式表示:
其中,m为所输入的多层膜图像中层的个数,h(xi)为第i个层xi对应的目标标签,yi为第i个层xi对应的标注标签。
在步骤S204中,判断目标标签和标注标签之间的差异是否大于预定值。该预定值可以根据实际情况不同地设定。当目标标签和标注标签之间的差异大于预定值时,表示通过神经网络对多层膜图像进行的分层处理还尚未达到要求,需要进一步训练该神经网络。
在此情况下,执行步骤S205,根据上述差异来调整神经网络的参数。在具体的实施方式中,神经网络可以为根据输入信息进行深度学习的卷积神经网络。该参数可以包括卷积神经网络的特征提取层中各卷积核的权重以及目标确定层中与解卷积相关的参数。
在完成对神经网络的参数的调整后,重新回到步骤S201,以进行下一轮训练。在目标标签和标注标签之间的差异小于预定值之前,上述过程被反复执行。当目标标签和标注标签之间的差异等于或小于预定值时,表示通过神经网络对多层膜图像进行的分层处理已达到要求,在此情况下,可以结束训练。
根据本申请的示例性实施方式的方法,还可以包括建立标记库用于重复训练神经网络,以更新分割模型。标记库可以包括但不限于如上所述的经标注的多层膜图像以及如上所述的预测图像。重复训练可以包括但不限于通过与如图2所示的步骤相似的步骤进行训练。
在具体的实施方式中,上述多层膜图像可以是三维存储器中沟道孔侧壁的切片图像。图3是根据本申请示例性实施方式的三维存储器中沟道孔侧壁结构的示意性截面图。参照图3,三维存储器中沟道孔侧壁结构10可以包括第一氧化物层11、氮化物层12、第二氧化物层13以及多晶硅层14。其中,第一氧化物层11和第二氧化物层13包括但不限于氧化硅。氮化物层12包括但不限于氮化硅。图4是根据本申请示例性实施方式的三维存储器中沟道孔侧壁结构的切片的透射电子显微镜图像。参照图4,可以对多晶硅层14的轮廓进行人工标注(参见图4中的十字标记)。图5A和图5B分别是示出该侧壁结构的切片图像的光强信息的图以及根据人工标注和光强信息确定的多晶硅层14的轮廓的局部放大图。图6A和图6B分别是示出在切片图像中进行标注后的图以及根据标注结果生成标注标签的示意图。根据图5A和图5B所示的方式分别对第一氧化物层11、氮化物层12、第二氧化物层13以及多晶硅层14的轮廓进行标注可以获得图6A所示的区分出不同层区域的图像。可以将图6A中的不同层区域分别对应于不同的数字标签(例如,标签0、标签1、标签2、标签3和标签4),若以灰度表示该数字标签可以获得图6B所示的图像。在图6B中,白色可例如代表标签0,黑色可例如代表标签4。经标注的所述多层膜图像可用于训练神经网络,以获得上述分割模型。
根据现有技术,为了测量多层膜结构中各层膜的厚度,通常基于该结构的图像中各层膜之间粗糙的边界通过人工获得。因此,不仅当图像中光强变化不明显时难以准确测量膜厚,而且操作还不具重复性。大量重复的人工操作降低了研发和生产效率。
针对现有技术中的上述问题,根据本申请的示例性实施方式,通过首先建立分割模型,再利用分割模型对图像进行自动分割,进而基于分割的图像生成膜厚的方式,可以对大量相似的图像进行重复性操作,并且可以一次性获得图像中不同层的不同位置处的膜厚信息,无需通过单独标记每层膜的内、外轮廓来针对不同位置进行测量,节省了大量的人工操作,提高了研发和生产效率。所述分割模型还通过建立的标记库来进行重复训练,因此提高了利用其分割图像并测量膜厚的准确度。在训练所述分割模型时,由于图像的例如光强、纹理等信息被提取用作训练特征,因此根据本申请的示例性实施方式的方法,还可以测量人工操作不能处理的光强变化不明显但纹理不同的图像中的膜厚。
本申请的其它方面还提供测量膜厚的装置,该装置可以包括:标注模块,用于在多层膜图像中标注出不同待标注膜层,并为各待标注膜层生成对应的标注标签;训练模块,用于利用多层膜图像和标注标签训练神经网络,以形成分割模型;分割模块,通过分割模型对待测量图像进行分割,以获得区分出待测量图像中待测量膜层的预测图像,其中,待测量图像与多层膜图像具有相同的膜层数和膜结构;以及测量模块,根据预测图像获得待测量膜层的厚度。
在一个实施方式中,标注模块可以包括标识单元和标注单元,其中,标识单元用于标识各待标注膜层在多层膜图像中待标注膜层的厚度方向上的同一侧,并生成与各待标注膜层分别对应的标记;标注单元用于根据各标记周围的光强信息,标注出各待标注膜层的区域,并生成各待标注膜层分别对应的标注标签。在一个实施方式中,训练模块可以将多层膜图像和对应的标注标签迭代地输入至神经网络,经神经网络对多层膜图像中各待标注膜层进行分割,生成该多层膜图像中各待标注膜层分别对应的目标标签;以及响应于的最小值,退出迭代输入,确定退出迭代输入时对应的神经网络为分割模型,其中,m为所输入的多层膜图像中待标注膜层的个数,h(xi)为第i个待标注膜层xi对应的目标标签,yi为第i个待标注膜层xi对应的标注标签。在一个实施方式中,训练模块可以包括:特征提取模块,用于对多层膜图像进行特征提取,以获得多个特征;以及目标确定模块,用于根据多个特征确定多层膜图像中各待标注膜层,并生成与各待标注膜层分别对应的目标标签。在一个实施方式中,分割模块可以包括:分割单元,分割单元通过分割模型,对待测量图像进行分割,生成与待测量膜层对应的预测标签;以及染色单元,染色单元利用预测标签对待测量膜层进行染色,获得预测图像。在一个实施方式中,训练模块还可以用于利用标记库重复训练神经网络,以更新分割模型,其中,标记库可以包括经标注后的多层膜图像以及经分割模型分割形成的预测图像。
本申请的其它方面还提供测量膜厚的系统。该系统可以是移动终端、个人计算机、平板电脑、服务器等。
图7是示出适于用来实现本申请的示例性实施方式的系统300的结构的示意图。
参照图7,系统300包括一个或多个处理器、通信部等。其中,一个或多个处理器包括例如一个或多个中央处理单元(CPU)301和/或一个或多个图像处理器(GPU)302等。处理器可以根据存储在只读存储器(ROM)303中的可执行指令或从存储部304加载到随机访问存储器(RAM)305中的可执行指令而执行各种适当的操作和处理。通信部306可以包括但不限于网卡。
处理器可以通过总线307与通信部306联接,并通过通信部306与其它目标设备通信,从而完成与本申请中任一实施方式提供的方法对应的操作,例如:在多层膜图像中标注出不同待标注膜层,并为各待标注膜层生成对应的标注标签;利用多层膜图像与标注标签训练神经网络,以形成分割模型;通过分割模型对待测量图像进行分割,以获得区分出待测量图像中待测量膜层的预测图像,其中,待测量图像与多层膜图像具有相同的膜层数和膜结构;以及根据预测图像获得待测量膜层的厚度。
此外,中央处理单元(CPU)301、只读存储器(ROM)303和随机访问存储器(RAM)305通过总线307彼此联接。在有随机访问存储器(RAM)305的情况下,只读存储器(ROM)303为可选模块。随机访问存储器(RAM)305存储有可执行指令,或在运行时向只读存储器(ROM)303中写入可执行指令,可执行指令使处理器执行适当的操作和处理。输入/输出(I/O)接口308也联接至总线307。通信部306可以集成设置,也可以设置为具有多个子模块,并联接至总线307上。
以下部件可以联接至I/O接口308:诸如键盘、鼠标等的输入部309;诸如阴极射线管(CRT)、液晶显示器(LCD)以及扬声器等的输出部310;诸如硬盘等的存储部304;以及诸如局域网(LAN)、调制解调器等的通信部311。通信部311经由诸如因特网的网络执行通信操作。驱动器312也根据需要联接至I/O接口308。诸如磁盘、光盘以及半导体存储器等的可拆卸介质313根据需要安装在驱动器312上,以便从其上读出的计算机程序根据需要安装至存储部304。
应当理解,如图7所示的结构仅为一种可选的实施方式,在具体实践过程中,可根据实际需要对图7中的部件数量和类型进行选择、删减、增加或替换。在不同部件的设置上,可以采用分离设置或集成设置等方式,例如,GPU或CPU可以分离设置或者可以将CPU集成至CPU上,通信部可以分离设置或者可以集成至CPU或GPU上。
本申请的其它方面还提供计算机可读介质,其上存储有计算机可读指令。当计算机可读指令被处理器执行时,可以实现本申请中任一实施方式所述的方法,例如:在多层膜图像中标注出不同待标注膜层,并为各待标注膜层生成对应的标注标签;利用多层膜图像与标注标签训练神经网络,以形成分割模型;通过分割模型对待测量图像进行分割,以获得区分出待测量图像中待测量膜层的预测图像,其中,待测量图像与多层膜图像具有相同的膜层数和膜结构;以及根据预测图像获得待测量膜层的厚度。
可以通过许多方式(例如,软件、硬件、固件或其组合)来实现本申请的方法、装置、系统和计算机可读介质。
以上描述仅为本申请的实施方式以及对所运用技术原理的说明。本领域中技术人员应理解,本申请中所涉及的保护范围,并不限于上述技术特征的特定组合而成的技术方案,同时也涵盖在不脱离技术构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种测量膜厚的方法,包括:
在多层膜图像中标注出不同待标注膜层,并为各所述待标注膜层生成对应的标注标签,其中,多层膜图像包括三维存储器中沟道孔侧壁结构的切片图像;
将所述多层膜图像与所述标注标签作为输入信息来训练神经网络,以形成分割模型;
通过所述分割模型对待测量图像进行分割,以获得区分出所述待测量图像中各个待测量膜层的预测图像,其中,所述待测量图像与所述多层膜图像具有相同的膜层数和膜结构;以及
根据所述预测图像获得所述各个待测量膜层的厚度。
2.根据权利要求1所述的方法,其中,在多层膜图像中标注出不同待标注膜层,并为各所述待标注膜层生成对应的标注标签,包括:
标识各所述待标注膜层在所述多层膜图像中待标注膜层的厚度方向上的同一侧,并生成与各所述待标注膜层分别对应的标记;以及
根据各所述标记周围的光强信息,标注出各所述待标注膜层的区域,并生成各所述待标注膜层分别对应的标注标签。
4.根据权利要求3所述的方法,其中,经所述神经网络对所述多层膜图像进行处理,生成所述多层膜图像中各所述待标注膜层分别对应的目标标签,包括:
对所述多层膜图像进行特征提取,以获得多个特征;以及
根据所述多个特征确定所述多层膜图像中各所述待标注膜层,并生成与各所述待标注膜层分别对应的所述目标标签。
5.根据权利要求1所述的方法,其中,所述方法还包括:
建立标记库用于训练所述神经网络,以更新所述分割模型,其中,所述标记库包括经标注后的所述多层膜图像以及经所述分割模型分割形成的所述预测图像。
6.根据权利要求1所述的方法,其中,通过所述分割模型对待测量图像进行分割,以获得区分出所述待测量图像中待测量膜层的预测图像,包括:
通过所述分割模型,对所述待测量图像进行分割,生成与所述待测量膜层对应的预测标签;以及
利用所述预测标签对所述待测量膜层进行染色,获得所述预测图像。
7.根据权利要求1所述的方法,其中,所述侧壁结构包括第一氧化物层、氮化物层、第二氧化物层和多晶硅层。
8.根据权利要求1所述的方法,其中,所述神经网络包括根据所述输入信息进行深度学习的卷积神经网络。
9.一种测量膜厚的装置,包括:
标注模块,用于在多层膜图像中标注出不同待标注膜层,并为各所述待标注膜层生成对应的标注标签,其中,多层膜图像包括三维存储器中沟道孔侧壁结构的切片图像;
训练模块,用于将所述多层膜图像和所述标注标签作为输入信息来训练神经网络,以形成分割模型;
分割模块,通过所述分割模型对待测量图像进行分割,以获得区分出所述待测量图像中各个待测量膜层的预测图像,其中,所述待测量图像与所述多层膜图像具有相同的膜层数和膜结构;以及
测量模块,根据所述预测图像获得各个所述待测量膜层的厚度。
10.根据权利要求9所述的装置,其中,所述标注模块包括标识单元和标注单元,其中,
所述标识单元用于标识各所述待标注膜层在所述多层膜图像中待标注膜层的厚度方向上的同一侧,并生成与各所述待标注膜层分别对应的标记;
所述标注单元用于根据各所述标记周围的光强信息,标注出各所述待标注膜层的区域,并生成各所述待标注膜层分别对应的标注标签。
12.根据权利要求11所述的装置,其中,所述训练模块包括:
特征提取模块,用于对所述多层膜图像进行特征提取,以获得多个特征;以及
目标确定模块,用于根据所述多个特征确定所述多层膜图像中各所述待标注膜层,并生成与各所述待标注膜层分别对应的所述目标标签。
13.根据权利要求9所述的装置,其中,所述分割模块包括:
分割单元,所述分割单元通过所述分割模型,对所述待测量图像进行分割,生成与所述待测量膜层对应的预测标签;以及
染色单元,所述染色单元利用所述预测标签对所述待测量膜层进行染色,获得所述预测图像。
14.根据权利要求9所述的装置,其中,所述训练模块还用于利用标记库重复训练所述神经网络,以更新所述分割模型,其中,所述标记库包括经标注后的所述多层膜图像以及经所述分割模型分割形成的所述预测图像。
15.一种测量膜厚的系统,包括:
存储器,存储有可执行指令、多层膜图像和待测量图像;以及
处理器,与所述存储器通信以执行所述可执行指令,从而实现如权利要求1-8中任一项所述的方法。
16.一种计算机可读介质,其上存储有计算机可读指令,其中,所述计算机可读指令被处理器执行时,实现如权利要求1-8中任一项所述的测量膜厚的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110734454.1A CN113358042B (zh) | 2021-06-30 | 2021-06-30 | 一种测量膜厚的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110734454.1A CN113358042B (zh) | 2021-06-30 | 2021-06-30 | 一种测量膜厚的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113358042A CN113358042A (zh) | 2021-09-07 |
CN113358042B true CN113358042B (zh) | 2023-02-14 |
Family
ID=77537618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110734454.1A Active CN113358042B (zh) | 2021-06-30 | 2021-06-30 | 一种测量膜厚的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113358042B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08309845A (ja) * | 1995-05-23 | 1996-11-26 | Diafoil Co Ltd | フイルムの厚み欠陥検出方法 |
JPH11132726A (ja) * | 1997-10-24 | 1999-05-21 | Canon Inc | 膜厚測定方法 |
JP2010139317A (ja) * | 2008-12-10 | 2010-06-24 | Mitsubishi Materials Corp | 軸物工具表面の欠陥検査方法および装置 |
JP2010287845A (ja) * | 2009-06-15 | 2010-12-24 | Renesas Electronics Corp | 半導体集積回路装置の製造方法 |
CN108510493A (zh) * | 2018-04-09 | 2018-09-07 | 深圳大学 | 医学图像内目标对象的边界定位方法、存储介质及终端 |
CN109615634A (zh) * | 2018-12-13 | 2019-04-12 | 深圳大学 | 光学眼底图像分割方法、装置、计算机设备及存储介质 |
CN110869698A (zh) * | 2017-07-25 | 2020-03-06 | 科磊股份有限公司 | 使用有效介质近似的多层膜度量 |
CN111276414A (zh) * | 2020-02-03 | 2020-06-12 | 长江存储科技有限责任公司 | 一种检测方法及装置 |
CN111581890A (zh) * | 2020-05-27 | 2020-08-25 | 中国石油大学(北京) | 一种储层厚度预测方法、装置、设备及存储介质 |
CN111597751A (zh) * | 2020-03-24 | 2020-08-28 | 自然资源部第一海洋研究所 | 基于自扩展深度置信网络的原油油膜绝对厚度反演方法 |
CN111951274A (zh) * | 2020-07-24 | 2020-11-17 | 上海联影智能医疗科技有限公司 | 图像分割方法、系统、可读存储介质和设备 |
CN112419283A (zh) * | 2019-11-27 | 2021-02-26 | 上海联影智能医疗科技有限公司 | 估计厚度的神经网络及其方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI637448B (zh) * | 2017-10-20 | 2018-10-01 | 行政院原子能委員會核能硏究所 | 薄膜厚度量測方法及其系統 |
US11684253B2 (en) * | 2019-04-24 | 2023-06-27 | Topcon Corporation | 2D multi-layer thickness measurement with reconstructed spectrum |
-
2021
- 2021-06-30 CN CN202110734454.1A patent/CN113358042B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08309845A (ja) * | 1995-05-23 | 1996-11-26 | Diafoil Co Ltd | フイルムの厚み欠陥検出方法 |
JPH11132726A (ja) * | 1997-10-24 | 1999-05-21 | Canon Inc | 膜厚測定方法 |
JP2010139317A (ja) * | 2008-12-10 | 2010-06-24 | Mitsubishi Materials Corp | 軸物工具表面の欠陥検査方法および装置 |
JP2010287845A (ja) * | 2009-06-15 | 2010-12-24 | Renesas Electronics Corp | 半導体集積回路装置の製造方法 |
CN110869698A (zh) * | 2017-07-25 | 2020-03-06 | 科磊股份有限公司 | 使用有效介质近似的多层膜度量 |
CN108510493A (zh) * | 2018-04-09 | 2018-09-07 | 深圳大学 | 医学图像内目标对象的边界定位方法、存储介质及终端 |
CN109615634A (zh) * | 2018-12-13 | 2019-04-12 | 深圳大学 | 光学眼底图像分割方法、装置、计算机设备及存储介质 |
CN112419283A (zh) * | 2019-11-27 | 2021-02-26 | 上海联影智能医疗科技有限公司 | 估计厚度的神经网络及其方法 |
CN111276414A (zh) * | 2020-02-03 | 2020-06-12 | 长江存储科技有限责任公司 | 一种检测方法及装置 |
CN111597751A (zh) * | 2020-03-24 | 2020-08-28 | 自然资源部第一海洋研究所 | 基于自扩展深度置信网络的原油油膜绝对厚度反演方法 |
CN111581890A (zh) * | 2020-05-27 | 2020-08-25 | 中国石油大学(北京) | 一种储层厚度预测方法、装置、设备及存储介质 |
CN111951274A (zh) * | 2020-07-24 | 2020-11-17 | 上海联影智能医疗科技有限公司 | 图像分割方法、系统、可读存储介质和设备 |
Non-Patent Citations (1)
Title |
---|
基于单色光干涉的光刻胶膜厚测量方法;李嘉锐等;《机械与电子》;20210228;第39卷(第2期);第59-64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113358042A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11170897B2 (en) | Method and system for assisting pathologist identification of tumor cells in magnified tissue images | |
Paeng et al. | A unified framework for tumor proliferation score prediction in breast histopathology | |
EP2109856B1 (en) | System and method for cell analysis in microscopy | |
US11783604B2 (en) | Method for creating histopathological ground truth masks using slide restaining | |
WO2023159961A1 (zh) | 缺陷检测方法、装置、设备及计算机可读存储介质 | |
KR102521386B1 (ko) | 치수 계측 장치, 치수 계측 방법 및 반도체 제조 시스템 | |
US7702157B2 (en) | Pattern evaluation method, pattern matching method and computer readable medium | |
WO2020238256A1 (zh) | 基于弱分割的损伤检测方法及装置 | |
US10545490B2 (en) | Method of inspecting a specimen and system thereof | |
JP4776259B2 (ja) | パターン評価方法、パターン位置合わせ方法およびプログラム | |
US20200175325A1 (en) | Systems and methods for encoding image features of high-resolution digital images of biological specimens | |
CN116128839A (zh) | 晶圆缺陷识别方法、装置、电子设备以及存储介质 | |
CN112949772A (zh) | 基于影像组学的胃癌多维特征提取与分析系统 | |
CN113569852A (zh) | 语义分割模型的训练方法、装置、电子设备及存储介质 | |
CN111259903A (zh) | 识别表计示数方法、装置、可读存储介质和计算机设备 | |
CN114332457A (zh) | 图像实例分割模型训练、图像实例分割方法和装置 | |
KR102330263B1 (ko) | 인공신경망을 이용한 핵 영역 검출 방법 및 그 장치 | |
CN115908363A (zh) | 肿瘤细胞统计方法、装置、设备和存储介质 | |
WO2013148485A2 (en) | Detection of tissue regions in microscope slide images | |
CN113358042B (zh) | 一种测量膜厚的方法 | |
CN117237681A (zh) | 图像处理方法、装置及相关设备 | |
CN114004795A (zh) | 一种乳腺结节的分割方法及相关装置 | |
CN115457384A (zh) | 空心村庄中建筑的识别方法、装置、电子设备及存储介质 | |
López-Tapia et al. | A fast pyramidal bayesian model for mitosis detection in whole-slide images | |
CN113837172A (zh) | 货物图像局部区域处理方法、装置、设备及存储介质 |
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 |