CN113610788B - 图像采集装置的故障监测方法、装置、电子设备及存储介质 - Google Patents
图像采集装置的故障监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113610788B CN113610788B CN202110853148.XA CN202110853148A CN113610788B CN 113610788 B CN113610788 B CN 113610788B CN 202110853148 A CN202110853148 A CN 202110853148A CN 113610788 B CN113610788 B CN 113610788B
- Authority
- CN
- China
- Prior art keywords
- image
- image acquisition
- average value
- preset
- fault
- 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
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
本发明涉及一种利用图像分析技术进行图像采集装置的故障监测的方法,该方法包括步骤:周期性地采集待测晶圆上至少一个采集位点的至少一张待测目标图像;获取所采集到的至少一张待测目标图像,并将至少一张待测目标图像输入预先构建的图像对比模型进行对比分析,得到至少一个设备状态评估参数;设备状态评估参数包括:像素亮度差值、像素矩阵波动率差值、图形偏移率;将设备状态评估参数与相应的预设设备状态参数参考阈值进行匹配,若匹配,判定图像采集装置发生故障。本方法通过图像分析技术进行故障监测,无需依赖人工操作,一方面提高了故障监测的准确性和可靠性,另一方面也提高了故障监测的效率。
Description
技术领域
本发明涉及半导体制造技术领域,尤其涉及一种图像采集装置的故障监测方法、装置、系统、电子设备和计算机可读存储介质。
背景技术
随着当前对半导体质量要求的不断提升,半导体的生产制造工艺也在不断升级,相应地,对生产工艺中各个环节的监控也变得更加重要,其中,对半导体的线上缺陷监控是工艺管控方法中的关键一环。目前,常用的监控方法是利用扫描电子显微镜(SEM)对产品进行缺陷拍照。但实际生产应用中,SEM等缺陷拍照设备(即,图像采集装置)的零部件损耗很快,容易产生故障,例如,电子枪和成像装置(收集器,晶圆载台stage)等长时间运行导致的图象偏移等故障,而此类缺陷检测设备一旦发生故障,整个生产线就如同瞎了一般,无法知晓半导体产品的缺陷生成情况,因此,对于缺陷检测设备的定期维护至关重要。
现有的对缺陷拍照设备的故障排查往往是通过人工进行的,例如,首先选取一标准晶圆样品,利用SEM设备对其进行拍照,得到一标准图像,之后定期针对该标准晶圆在同一位置进行拍照,得到相应的测试图像,将定期测试得到的测试图像与标准图像进行对比,若观察到图像之间存在差别,例如测试图像亮度值降低或图形发生偏移,则判定SEM出现故障,需要对设备进行维护。
但是工作人员对故障的判断的准确性或可靠性与该工作人员的工作经验呈正相关,即其经验越丰富,相应地,其准确性和可靠性则增加,也即是说,这种故障判定方法对工作人员的专业度要求高;另一方面,由于人的肉眼可观测到的范围有限,当出现一些较明显的故障时,如,图像采集设备的载物台发生较大偏移时导致图形偏移率也较大,工作人员能够很快发现问题,但如果载物台发生偏移位置很小,图像偏移情况不够明显,那么人的肉眼很难及时发现到这些变化,难以及时排查故障;此外,人工故障排查的工作效率受限。
有鉴于此,为了提高图像采集设备的故障监测的准确性和可靠性,并提高故障监测的效率,本发明提出一种图像采集设备的故障监测方法、装置、系统、电子设备以及计算机可读取存储介质。
发明内容
为了缓解或部分地缓解现有技术中的上述技术问题,本发明提供了一种故障监测方法及其装置,以提高图像采集装置故障监测的效率和准确性。
本发明第一方面在于,提供了一种图像采集装置的故障监测方法,该方法包括步骤:
周期性地采集待测晶圆上至少一个采集位点的至少一张待测目标图像;
获取所采集到的至少一张待测目标图像,并将至少一张待测目标图像输入预先构建的图像对比模型进行对比分析,得到至少一个设备状态评估参数;设备状态评估参数包括:像素亮度差值、像素矩阵波动率差值、图形偏移率;
将设备状态评估参数与相应的预设设备状态参数参考阈值进行匹配,若匹配,判定图像采集装置发生故障。
在一些实施例中,将设备状态评估参数与相应的预设设备状态参数参考阈值进行匹配的步骤,具体包括步骤:
将像素亮度差值与预设像素亮度差值阈值范围进行比较,若像素亮度差值属于预设像素亮度差值阈值范围,判定图像采集装置的电子枪衰减。
在一些实施例中,将设备状态评估参数与相应的预设设备状态参数参考阈值进行匹配的步骤,具体包括步骤:
将像素矩阵波动率差值与预设像素矩阵波动率差值阈值范围进行比较,若像素矩阵波动率差值属于预设像素矩阵波动率差值阈值范围,判定图像采集装置失焦。
在一些实施例中,将设备状态评估参数与相应的预设设备状态参数参考阈值进行匹配的步骤,具体包括步骤:
将图形偏移率与预设图形偏移率阈值范围进行比较,若图形偏移率属于预设图形偏移率阈值范围,判定图像采集装置或待测晶圆发生了偏移。
在一些实施例中,构建图像对比模型的步骤,具体包括:
分别获取正常状态和不同故障状态下的图像采集装置所采集到的待测晶圆上至少一个采集位点的多张目标图像作为训练样本图像,并基于训练样本图像的像素建立多维度信息集;其中,多维度信息集包括:像素亮度值子集,和/或,像素矩阵波动率子集,和/或,图形偏移率子集;
进一步地,根据多维度信息集进行模型训练,得到图像对比模型。
本发明第二方面在于,提供了一种图像采集装置的故障监测装置,其中,图像采集装置包括:
第一图像采集模块,用于周期性地采集待测晶圆上至少一个采集位点的至少一张待测目标图像;
数据处理模块,用于获取所采集的至少一张待测目标图像,并将采集到的至少一张待测目标图像输入预先构建的图像对比模型进行对比分析,得到至少一个设备状态评估参数;设备状态评估参数包括:像素亮度差值、像素矩阵波动率差值、图形偏移率;
故障监测模块,用于将设备状态评估参数与相应的预设设备状态参数参考阈值进行匹配,若匹配判定图像采集装置发生故障。
在一些实施例中,该故障监测模块具体包括:
第一故障识别单元,用于将像素亮度差值与预设像素亮度差值阈值范围进行比较,若像素亮度差值属于预设像素亮度差值阈值范围,判定图像采集装置的电子枪衰减。
在一些实施例中,该故障监测模块具体包括:
第二故障识别单元,用于将像素矩阵波动率差值与预设像素矩阵波动率差值阈值范围进行比较,若像素矩阵波动率属于预设像素矩阵波动率差值阈值范围,判定图像采集装置失焦。
在一些实施例中,该故障监测模块具体包括:
第三故障识别单元,用于将图形偏移率与预设图形偏移率阈值范围进行比较,若图形偏移率属于预设图形偏移率阈值范围,判定图像采集装置或待测晶圆发生了偏移。
在一些实施例中,该装置还包括:
第二图像采集模块,用于获取正常状态和不同故障状态下的图像采集装置所采集到待测晶圆上至少一个采集位点的多张目标图像作为训练样本图像,并基于训练样本图像的像素建立多维度信息集;
其中,多维度信息集包括:像素亮度值子集,和/或,像素矩阵波动率子集,和/或,图形偏移率子集;
模型构建模块,用于根据多维度信息集进行模型训练,得到图像对比模型。
本发明第三方面在于,还提供了一种电子设备,包括至少一个处理器、至少一个存储器、通信接口和总线;其中,处理器、存储器、通信接口通过总线完成相互间的通信;该存储器用于存储执行以上实施例中任一方法的程序;该处理器被配置为用于执行存储器中存储的程序。
本发明第四方面在于,还提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时控制存储介质所在设备执行以上实施例汇中任一方法的步骤。
有益技术效果
本发明的图像采集装置的故障监测方法包括以下步骤:周期性地从图像采集装置中获取所采集到的待测晶圆的待测目标图像;将待测目标图像输入预先构建的图像对比模型进行对比分析,得到至少一个设备状态评估参数,其中,该设备状态评估参数包括:像素亮度差值、像素矩阵波动率、图形偏移率;将设备状态评估参数与各个预设设备状态参数参考阈值进行匹配,若匹配,判定图像采集装置发生故障。本发明的故障监测方法利用图像分析技术对图像采集装置的状态进行监控,相较于现有技术中的人工排查,采用图像分析技术对定期测试图和标准图进行对比得到的故障判定结果的准确性和可靠性更高;同时,利用图像分析技术替代人工故障监测极大地提高了故障排查的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明一示例性实施例的图像采集装置的故障监测方法的流程示意图;
图2为本发明一示例性实施例中通过SEM设备采集到的标准晶圆的目标图像(即标准图);
图3a为本发明一示例性实施例中的第一故障图;
图3b为本发明一示例性实施例中的第二故障图;
图3c为本发明一示例性实施例中的第三故障图;
图4a示出图2中的部分像素矩阵波动率
图4b示出图3b中的部分像素矩阵波动率;
图5为本发明一示例性实施例中的故障监测装置的结构示意图;
图6为本发明一示例性实施例的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
本文中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
本文中,除非另有明确的规定和限定,术语“图形偏移率”指同一图像采集装置采集同一标准晶圆上同一采集位点得到的定期测试图或预先采集的故障图中该采集位点,相对于该图像采集装置正常状态下采集到的标准图中该采集位点在空间位置上的偏移值(取绝对值)与该采集位点在标准图中的位置(或横坐标,或纵坐标)的百分比。例如,正常状态下的图像采集装置A采集标准晶圆Y1上的采集位点D在其对应的标准图像中的位置为(x0,y0);而当该图像采集装置A的载物台发生偏移后,其采集标准晶圆Y1上的采集位点D在其对应的待测图像中的位置为(x1,y1),其中,x1≠x0,或/和y1≠y0,即该待测试图像中的采集位点D相对于标准图像中的采集位点D可能沿图像X轴发生偏移,或者沿图像Y轴发生了偏移,甚至沿X轴和Y轴都发生了偏移,其中,x1与x0之差的绝对值与x0的比值,或y1与y0之差的绝对值与y0的比值即为该偏移率。
实施例一
参见图1,为本发明一示例性实施例的图像采集装置的故障监测方法,具体地,本示例性实施例的故障监测方法包括以下步骤:
S102:周期性地采集待测晶圆上至少一个采集位点的至少一张待测目标图像;
在本发明的一些实施例中,预先选定一待测晶圆,优选地,该待测晶圆为标准晶圆。将该待测晶圆放置在图像采集装置(如,扫描电子显微镜(SEM)等缺陷拍照设备)的载物台上,图像采集装置对待测晶圆进行拍照得到待测目标图像(即,定期测试图)。相应地,可直接从图像采集装置中获取到一张或多张定期测试图,相应地,通过图像采集装置可周期性地采集待测晶圆上至少一个采集位点的至少一张定期测试图。例如,可通过有线通信或无线通信的方式从图像采集装置中获取待测晶圆的一张或多张待测目标图像(定期测试图)。在本实施例中,通过周期性地对该待测晶圆进行图像采集,获得图像采集装置的定期测试图,可以理解的是,为了确保目标的一致性,减少误差,在每次图像采集时,该待测晶圆在载物台上放置的位置固定不变。
优选地,在本发明的一些实施例中,图像采集的周期为1周,即每7天用缺陷拍照设备对载物台上固定位置的待测晶圆进行一次图像采集,用于后续的故障监测分析。
S104:将至少一张待测目标图像输入预先构建的图像对比模型进行对比分析,得到至少一个设备状态评估参数;
在本发明的一些实施例中,构建图像对比模型的具体步骤包括:分别获取正常状态(即无故障状态)和各种故障状态(如,电子枪衰减、图像采集装置失焦、图像采集装置或待测晶圆发生偏移)下图像采集装置采集到的待测晶圆上至少一个采集位点的多张目标图像,将其作为训练样本图像;
并基于该训练样本图像的像素建立多维度信息集,根据该多维度信息集进行模型训练,得到图像对比模型,其中,该多维度信息集包括:像素亮度值子集,和/或像素矩阵波动率子集,和/或故障图相对于标准图的图形偏移率子集。
优选地,在本发明的一些实施例中,训练样本图像包括:图像采集装置处于最佳状态下采集到标准晶圆(该标准晶圆也将作为后续的待测晶圆)的第一目标图像(即,标准图),以及当图像采集装置处于各种故障状态(电子枪衰减、图像采集装置失焦、图像采集装置或待测晶圆发生偏移)下采集到的标准晶圆的第二目标图像(即,故障图),具体地,在图像采集装置处于最佳状态时(即图像采集装置的各个零部件正常无损,且各个模块正常工作运行,如电子枪无衰减,晶圆载台没有发生偏移等),将标准晶圆设置在图像采集装置的载物台上,并对其进行图像采集得到待测目标图像,也就是获取得到标准图;采集图像采集装置处于各种故障状态下的第二目标图像(即,故障图),并标记对应的故障类型,例如,所有电子枪衰减状态下采集的故障图被标记为第一故障图或电子枪衰减故障,所有图像采集装置失焦状态下采集的故障图被标记为第二故障图或失焦故障,所有图像采集装置偏移或待测晶圆发生偏移的状态下采集的故障图被标记为第三故障图或偏移故障。
例如,可通过有线通信或无线通信的方式从SEM中获取标准晶圆的多张目标图像(包括第一目标图像和第二目标图像),该多张目标图像即作为训练样本图像,基于训练样本图像的进行模型训练得到图像对比模型。可以理解的是,为了确保目标的一致性,减少误差,该标准晶圆也就是后续拍摄定期测试图所使用的待测晶圆,且在拍摄标准图与定期测试图时,该标准晶圆在载物台上设置的位置固定不变。
具体地,在本发明的一些实施例中,图像对比模型的训练过程包括步骤:
1)选定训练样本图像,包括:图像采集装置最佳状态下采集到的标准晶圆的标准图,以及图像采集装置分别处于各种故障状态(例如,图像采集装置发生偏移、失焦或电子枪衰减)下采集到的标准晶圆的故障图,且每张故障图预先都标记了相应的故障类型;
2)将训练样本输入深度学习模型或者神经网络模型,得到训练好的图像对比模型;从而当将周期性采集到的定期测试图输入图像对比模型时,图像对比模型将定期测试图与上述的标准图进行比较可得到相应的设备评估参数,以判定图像采集装置是否发生的故障及其故障类型。
在本发明的一些实施例中,图像对比模型具有多维度的信息集,该多维度信息集包括:各种目标图像的像素亮度值、和/或矩阵波动率、和/或相对于标准图的图形偏移率等参数。例如,在本实施例中,具有多维度的信息集包括至少一个子集合,其中,所有故障图的所有像素点的亮度值就构成了第一子集合;所有故障图的像素矩阵波动率构成了第二子集合;所有故障图与标准图之间的图形偏移率就构成了第三子集合;相应地,所有标准图的所有像素点的亮度值就构成了第四子集合;所有标准图的像素矩阵波动率就构成了第五子集合。
更进一步地,该多维度信息集还包括:所有第一故障图中各个像素点的亮度值构成了第六子集合;所有第二故障图的像素矩阵波动率构成了第七子集合;所有第三故障图与标准图之间的图形偏移率就构成了第八子集合。在一些实施例中,可分别通过该第六子集合、第七子集合和第八集合与上述的标准图及其第四子集合和第五子集合确定相应的设备状态参数参考阈值。
在本发明的一些实施例中,获取所采集到的至少一张的定期测试图,将获得的至少一张定期测试图(即,待测目标图像)输入到图像对比模型中,经过图像对比模型分析计算将输出至少一个设备状态评估参数,该设备状态评估参数包括:定期测试图与标准图的像素亮度差值、和/或像素矩阵波动率差值,和/或图形偏移率。
优选地,在本发明的一些实施例中,由于待测晶圆上有多个图像采集位点,相应地,图像采集装置针对每个采集位点进行图像采集,并对每个采集位点的定期测试图的像素亮度差值、像素矩阵波动率和图形偏移率进行单独计算(当在每个采集位点采集多张定期测试图时,首先将采集到的多张定期测试图进行平均处理,将平均处理后得到的平均测试图输入对比模型,对比模型计算输出至少一个设备状态评估参数;或者分别将采集到的多张定期测试图输入对比模型,相应地,对比模型将输出多个像素亮度差值,和/或多个像素矩阵波动率,和/或多个图形偏移率,进一步地,计算出多个像素亮度差值、像素矩阵波动率、图形偏移率的平均值,将其平均值作为设备状态参数),然后取所有采集位点的像素亮度差值、像素矩阵波动率差值和图形偏移率的平均值作为设备状态评估参数,用于后续与各个预设设备状态参数参考阈值进行匹配。
S106:将设备状态评估参数与相应的预设设备状态参数参考阈值进行匹配,若匹配,判定图像采集装置发生故障。
在本发明的一些实施例中,将获取得到的设备状态评估参数(例如,定期测试图的像素亮度差值、像素矩阵波动率差值、图形偏移率等参数)和预先设定的设备状态参数参考阈值(如,预设像素亮度差值阈值范围、像素矩阵波动率差值阈值范围和图形偏移率阈值范围)进行比较,若设备状态评估参数与参考阈值匹配,则判定图像采集装置正常运行,若设备评估参数与参考阈值匹配,则判定图像采集装置发生故障。
在本发明的一些实施例中,该预设设备状态参数参考阈值可基于上述的多维信息集得到。例如,根据标准图于第一故障图之间的像素亮度差(即根据第四子集合与第六子集合)来确定该像素亮度差值阈值范围,具体地,若所有第一故障图与标准图的像素亮度差值的构成一个差值集合A,其中集合A中的差值最小值为A1,集合A中的差值最大值为An,则像素亮度差值阈值范围为[A1,An];例如,根据标准图于第二故障图之间的像素矩阵波动率差来确定该像素矩阵波动率差值阈值范围,若所有第二故障图与标准图的像素矩阵波动率差值的构成一个集合B,其中集合B中的最小值为B1,集合B中的最大值为Bn,则像素矩阵波动率差值阈值范围为[B1,Bn];例如,根据标准图于第三故障图来确定该图像偏移率阈值范围,若所有第三故障图与标准图的图形偏移率构成一个集合C,其中集合C中的最小值为C1,集合C中的最大值为Cn,则图形偏移率阈值范围为[C1,Cn]。
当然,在另一些实施例中,该预设设备状态参数参考阈值可以根据晶圆的生产标准或生产经验进行设定或调整。
具体地,在本发明的一些实施例中,在图像采集设备的最佳状态下采集到的标准图经模型训练后,可以得到图像对比模型,例如标准图的灰度值分布直方图,后续周期性采集的定期测试图也会生成对应的待比较结果,即定期测试图的灰度值分布直方图;图像对比模型可将定期测试图与标准图的灰度分布直方图进行对比,由此得到一个设备状态评估参数,然后将该设备状态评估参数与预先设定的参数阈值对比,判断图像采集装置是否出现故障。
具体地,在本发明的一些实施例中,将对比分析得到的设备状态评估参数中的像素亮度差值与预设的像素亮度差值阈值范围进行比较,若该设备状态评估参数中的像素亮度差值属于预设像素亮度差值阈值范围,则判定图像采集装置出现故障,参见图2和图3a,图3a中像素点亮度降低,且计算得到定期测试图图3a的相对于标准图的像素亮度差值属于预设像素亮度差值阈值范围(可以预设像素亮度差值范围为10-30),由此可以判定SEM设备出现电子枪衰减的故障。
具体地,在本发明的一些实施例中,参见图2、图3b,将上述设备状态评估参数中的像素矩阵波动率差值与预设像素矩阵波动率差值阈值范围进行比较,若上述设备状态评估参数中的像素矩阵波动率差值属于预设像素矩阵波动率差值阈值范围,判定图像采集装置失焦。其中,像素矩阵波动率为像素矩阵中最大值与最小值之差,如,图4a、图4b所示,图4a、图4b分别反应了图2、图3b中一采集位点矩阵波动率,其中,图4a的像素矩阵波动率为60-10=50,图4b的像素矩阵波动率为40-6=34,图4b中的像素矩阵波动率34相对于图4a中的像素矩阵波动率差值16(即50-34)属于预设矩阵波动率差值阈值范围(可预先设定波动率差值阈值范围为10-20),由此可以判定在拍摄图4b时,图像采集装置失焦。
具体地,在本发明的一些实施例中,将上述设备状态评估参数中的图形偏移率与预设图形偏移率阈值范围进行对比,若上述设备状态评估参数中的图形偏移率属于所述预设图形偏移率阈值范围,判定图像采集装置或待测晶圆发生了偏移。具体地,将定期测试图与标准图对比,计算定期测试图相对于标准图的图形偏移率,参见图2和图3c,图3c与图2相比发生图像偏移,且计算得到图3c相对于标准图的图形偏移率属于预设的图形偏移率阈值范围(可预先设定图形偏移率阈值范围为0.1%-5%),因此可以判定图像采集装置或待测晶圆发生了偏移。
实施例二
参见图5,为本发明一示例性实施例的故障监测装置的示例性结构示意图。具体地,本示例性实施例的晶圆缺陷分类装置包括:
第一图像采集模块02,用于周期性地采集待测晶圆上至少一个采集位点的至少一张待测目标图像;
在本发明的一些实施例中,图像采集装置(如,扫描电子显微镜等缺陷拍照设备)每隔一定时间对待测晶圆进行目标图像采集,即获得缺陷拍照设备的定期测试图(即,待测目标图像)。每个待测晶圆上有多个采集位点,相应地,第一图像采集模块02可通过有线通信或无线通信的方式从图像采集装置中获取待测晶圆上至少一个采集位点的至少一张定期测试图。本实施例中,通过周期性地对该待测晶圆进行图像采集,获得图像采集装置的定期测试图,可以理解的是,为了确保目标的一致性,减少误差,在每次图像采集时,该待测晶圆在载物台上放置的位置固定不变。
优选地,在本发明的一些实施例中,图像采集的周期为1周,即第一图像采集模块02每7天从图像采集装置中获取到所采集的多个待测晶圆的待测目标图像。
数据处理模块04,用于获取所采集的至少一张待测目标图像,将采集到的至少一张待测目标图像输入预先构建的图像对比模型进行对比分析,得到至少一个设备状态评估参数。
在本发明的一些实施例中,图像对比模型具有多维度的信息集,该多维度信息集包括:预先采集的多张目标图像(预先采集的正常状态和各种故障状态下图像采集装置采集到的多张标准图和多张故障图)的像素亮度值、和/或矩阵波动率、和/或故障图相对于标准图的图形偏移率。例如,在本实施例中,具有多维度的信息集包括至少一个子集合,其中,所有故障图中所有像素点的亮度值就构成了第一子集合;所有故障图的像素矩阵波动率构成了第二子集合;所有故障图相对于标准图的图形偏移率构成了第三子集合;当然,所有标准图中所有像素点的亮度值就构成了第四子集合;所有标准图的像素矩阵波动率就构成了第五子集合。
进一步地,数据处理模块04将获得的定期测试图(即,待测目标图像)输入到预先构建的图像对比模型中,经过图像对比模型分析计算将输出至少一个设备状态评估参数,用于后续的故障监测分析,该设备状态评估参数包括:定期测试图相对于标准图的像素亮度差值、和/或像素矩阵波动率差值,和/或图形偏移率。
优选地,在本发明的一些实施例中,由于待测晶圆上有多个图像采集位点,相应地,图像采集装置针对每个采集位点进行图像采集,并对每个采集位点的定期测试图相对于标准图的像素亮度差值、像素矩阵波动率和图形偏移率进行单独计算(当在每个采集位点采集多张定期测试图时,首先将采集到的多张定期测试图进行平均处理,将平均处理后得到的平均测试图输入对比模型,对比模型计算输出至少一个设备状态评估参数;或者分别将采集到的多张定期测试图输入对比模型,相应地,对比模型将输出多个像素亮度差值,和/或多个像素矩阵波动率,和/或多个图形偏移率,进一步地,计算出多个像素亮度差值、像素矩阵波动率、图形偏移率的平均值,将其平均值作为设备状态参数),然后取所有采集位点的像素亮度差值、像素矩阵波动率差值和图形偏移率的平均值作为设备状态评估参数,用于后续与相应的预设设备状态参数参考阈值进行匹配。
故障监测模块06,用于将设备状态评估参数与相应的预设设备状态参数参考阈值进行匹配,若匹配判定图像采集装置发生故障。
在本发明的一些实施例中,故障监测模块06将获取得到的设备状态评估参数(例如,定期测试图相对于标准图的像素亮度差值、像素矩阵波动率差值、图形偏移率等参数)和预先设定的设备状态参数参考阈值(如,预设像素亮度差值阈值范围、像素矩阵波动率差值阈值范围和图形偏移率阈值范围)进行比较,若设备状态评估参数属于参考阈值,即与参考阈值匹配,则判定图像采集装置正常运行,若设备评估参数属于参考阈值,即与参考阈值匹配,则判定图像采集装置发生故障。
具体地,在本发明的一些实施例中,图像对比模型是经过标准图和故障图训练得到的,其中,标准图为图像采集装置的最佳状态下采集到的目标图像,故障图为图像采集装置在各种故障状态下采集到的目标图像(也即,模型训练中的训练样本图像包括标准图和故障图),该图像对比模型包括:标准图的灰度值分布直方图,后续周期性采集的定期测试图输入图像对比模型后也会生成对应的待比较结果,即定期测试图的灰度值分布直方图;通过数据处理模块04将定期测试图与标准图的灰度分布直方图进行对比,由此输出得到至少一个设备状态评估参数,然后将该设备状态评估参数与预先设定的相应的参数阈值对比,以判断图像采集装置是否出现故障。
进一步地,在本发明的一些实施例中,该装置还包括:
第二图像采集模块,用于获取正常状态(或无故障状态)和各种故障状态(如,电子枪衰减、图像采集装置失焦、图像采集装置或待测晶圆发生偏移)下的图像采集装置所采集到至少一个采集位点的多张目标图像作为训练样本图像,其中正常状态下采集的目标图像为标准图,各种故障状态下采集的目标图像为故障图,并基于训练样本图像的像素建立多维度信息集;其中,多维度信息集包括:所有故障图的像素亮度子集,和/或,像素矩阵波动率子集,和/或故障图相对于标准图的图形偏移率子集。
模型构建模块,用于根据多维度信息集进行模型训练,得到图像对比模型。
优选地,在本发明的一些实施例中,预先构建的图像对比模型是依据设备最佳状态下采集到标准晶圆的第一目标图像(即,标准图),以及各种故障状态(如,电子枪衰减、图像采集装置失焦、图像采集装置或待测晶圆发生偏移)采集到标准晶圆的第二目标图像(即,故障图)训练得到的,具体地,在图像采集装置处于最佳状态时(即图像采集装置的各个零部件正常无损,且各个模块正常工作运行,如电子枪无衰减,晶圆载台没有发生偏移等),将标准晶圆设置在图像采集装置的载物台上,并对其进行图像采集得到待测目标图像,也就是获取得到标准图;当图像采集装置处于各种故障状态时(如,电子枪衰减、图像采集装置失焦、图像采集装置或待测晶圆发生偏移)分别对标准晶圆进行图像采集,并标记相应的故障类型,例如,所有电子枪衰减状态下采集的故障图被标记为第一故障图,所有图像采集装置失焦状态下采集的故障图被标记为第二故障图,所有图像采集装置偏移或待测晶圆偏移的状态下采集的故障图被标记为第三故障图。
具体地,可通过有线通信或无线通信的方式从SEM中获取标准晶圆的多张目标图像(包括第一目标图像和第二目标图像),该多张目标图像即作为训练样本图像,基于训练样本图像的进行模型训练(如,深入学习模型、神经网络模型)得到图像对比模型。可以理解的是,为了确保目标的一致性,减少误差,该标准晶圆也就是后续拍摄定期测试图所使用的待测晶圆,且在拍摄标准图与定期测试图时,该标准晶圆在载物台上设置的位置固定不变。
在本发明的一些实施例中,该故障监测模块06包括:第一故障识别单元,用于将定期测试图与标准图的像素亮度差值与预设像素亮度差值阈值范围进行比较,若像素亮度差值属于预设像素亮度差值阈值范围,判定图像采集装置的的电子枪衰减。
在本发明的一些实施例中,该故障监测模块06包括:第二故障识别单元,用于将定期测试图相较于标准图的像素矩阵波动率差值与预设像素矩阵波动率差值阈值范围进行比较,若像素矩阵波动率属于预设像素矩阵波动率差值阈值范围,判定图像采集装置失焦。
在本发明的一些实施例中,该故障监测模块06包括:第三故障识别单元,用于将定期测试图相较于标准图的图形偏移率与预设图形偏移率进行对比,若图形偏移率属于预设图形偏移率阈值范围,判定图像采集装置或待测晶圆发生了偏移。
在本发明的一些实施中,该装置还包括阈值设定模块,用于获取设备状态参数参考阈值范围,该阈值设定模块包括:
第一阈值设定单元,用于根据第一故障图与标准图获取像素亮度差值阈值范围;具体地,所有第一故障图与标准图的像素亮度差值的构成一个差值集合A,其中集合A中的最小值为A1,集合A中的最大值为An,则像素亮度差值阈值范围为[A1,An];
第二阈值设定单元,用于根据第二故障图与标准图获取像素矩阵波动率差值阈值范围;具体地,所有第二故障图与标准图的像素矩阵波动率差值的构成一个集合B,其中集合B中的最小值为B1,集合B中的最大值为Bn,则像素矩阵波动率差值阈值范围为[B1,Bn];
第三阈值设定单元,用于根据第三故障图与标准图获取图形偏移率阈值范围;具体地,所有第三故障图与标准图的图形偏移率构成一个集合C,其中集合C中的最小值为C1,集合C中的最大值为Cn,则图形偏移率阈值范围为[C1,Cn]。
当然,在另一些实施例中,该预设设备状态参数参考阈值可以根据晶圆的生产标准或生产经验进行设定或调整。
实施例三
本发明第三方面在于,提供了一种电子设备,包括存储器502、处理器501以及存储在存储器502上并可在处理器501上运行的计算机程序,所述处理器501执行所述程序时实现前文所述方法的步骤。为了便于说明,仅示出了与本说明书实施例相关的部分,具体技术细节未揭示的,请参照本说明书实施例方法部分。该电子设备,可以是包括各种电子设备,PC电脑、网络云服务器,甚至手机、平板电脑、PDA(Personal Digital Assistant,个人数字助理)、POS(Point of Sales,销售终端)、车载电脑、台式电脑等任意电子设备。
具体地,图6是本发明一示例性实施例的电子设备组成结构框图,总线500可以包括任意数量的互联的总线和桥,其将包括由处理器501代表的一个或多个处理器和存储器502代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。通信接口503在总线500和接收器和/或发送器504之间提供接口,接收器和/或发送器504可以是分开独立的接收器或发送器也可以是同一个元件如收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器501负责管理总线500和通常的处理,而存储器502可以被用于存储处理器501在执行操作时所使用的数据。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例性实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:周期性地采集待测晶圆上至少一个采集位点的至少一张待测目标图像;获取所采集的至少一张待测目标图像,并将至少一张待测目标图像输入预先构建的图像对比模型进行对比分析,得到至少一个设备状态评估参数;其中,该设备状态评估参数包括:像素亮度差值、像素矩阵波动率差值、图形偏移率;将设备状态评估参数与相应的预设设备状态参数参考阈值进行匹配,若匹配,判定图像采集装置发生故障。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
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ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台计算机终端(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。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、物品或者装置中还存在另外的相同要素。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (6)
1.一种图像采集装置的故障监测方法,其特征在于,所述图像采集装置为扫描电子显微镜,所述图像采集装置的故障监测方法包括步骤:
周期性地采集待测晶圆上多个采集位点的至少一张待测目标图像;
获取所采集到每个所述采集位点的所述至少一张待测目标图像,并将所述至少一张待测目标图像输入预先构建的图像对比模型进行对比分析,得到每个所述采集位点对应的至少一个设备状态评估参数;所述设备状态评估参数包括:像素亮度差值的平均值、像素矩阵波动率差值的平均值、图形偏移率的平均值;
将所述多个采集位点的所述设备状态评估参数的平均值与相应的预设设备状态参数参考阈值进行匹配,若匹配,判定所述图像采集装置发生故障;
其中,将所述设备状态评估参数的平均值与相应的预设设备状态参数参考阈值进行匹配的步骤,具体包括步骤:
将所述多个采集位点的所述像素亮度差值的平均值与预设像素亮度差值阈值范围进行比较,若所述像素亮度差值的平均值属于所述预设像素亮度差值阈值范围,判定所述图像采集装置的电子枪衰减;和/或,
将所述多个采集位点的所述像素矩阵波动率差值的平均值与预设像素矩阵波动率差值阈值范围进行比较,若所述像素矩阵波动率差值属于所述预设像素矩阵波动率差值阈值范围,判定所述图像采集装置失焦;和/或,
将所述多个采集位点的所述图形偏移率的平均值与预设图形偏移率阈值范围进行比较,若所述图形偏移率的平均值属于所述预设图形偏移率阈值范围,判定所述图像采集装置或待测晶圆发生了偏移。
2.根据权利要求1所述的方法,其特征在于,构建所述图像对比模型的步骤,具体包括:
分别获取正常状态和不同故障状态下的所述图像采集装置所采集到的所述待测晶圆上至少一个采集位点的多张目标图像作为训练样本图像,并基于所述训练样本图像的像素建立多维度信息集;其中,所述多维度信息集包括:像素亮度值子集,和/或,像素矩阵波动率子集,和/或,图形偏移率子集;
根据所述多维度信息集进行模型训练,得到所述图像对比模型。
3.一种图像采集装置的故障监测装置,其特征在于,包括:
第一图像采集模块,用于周期性地采集待测晶圆上多个采集位点的至少一张待测目标图像;
数据处理模块,用于获取所采集的每个所述采集位点的所述至少一张待测目标图像,并将采集到的至少一张所述待测目标图像输入预先构建的图像对比模型进行对比分析,得到每个所述采集位点对应的至少一个设备状态评估参数;所述设备状态评估参数包括:像素亮度差值的平均值、像素矩阵波动率差值的平均值、图形偏移率的平均值;
故障监测模块,用于将所述多个采集位点的所述设备状态评估参数的平均值与相应的预设设备状态参数参考阈值进行匹配,若匹配判定所述图像采集装置发生故障;
其中,所述故障监测模块具体包括:
第一故障识别单元,用于将所述多个采集位点的所述像素亮度差值的平均值与预设像素亮度差值阈值范围进行比较,若所述像素亮度差值的平均值属于所述预设像素亮度差值阈值范围,判定所述图像采集装置的电子枪衰减;和/或,
第二故障识别单元,用于将所述多个采集位点的所述像素矩阵波动率差值的平均值与预设像素矩阵波动率差值阈值范围进行比较,若所述像素矩阵波动率的平均值属于预设像素矩阵波动率差值阈值范围,判定所述图像采集装置失焦;和/或,
第三故障识别单元,用于将所述多个采集位点的所述图形偏移率的平均值与预设图形偏移率阈值范围进行比较,若所述图形偏移率的平均值属于所述预设图形偏移率阈值范围,判定所述图像采集装置或待测晶圆发生了偏移。
4.根据权利要求3所述的装置,其特征在于,还包括:
第二图像采集模块,用于获取正常状态和不同故障状态下的所述图像采集装置所采集到所述待测晶圆上至少一个采集位点的多张目标图像作为训练样本图像,并基于所述训练样本图像的像素建立多维度信息集;
其中,所述多维度信息集包括:像素亮度值子集,和/或,像素矩阵波动率子集,和/或,图形偏移率子集;
模型构建模块,用于根据所述多维度信息集进行模型训练,得到所述图像对比模型。
5.一种电子设备,包括至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;其特征在于,所述存储器用于存储执行权利要求1或2所述方法的程序;所述处理器被配置为用于执行所述存储器中存储的程序。
6.一种计算机可读存储介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行时控制所述存储介质所在设备执行权利要求1或2所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853148.XA CN113610788B (zh) | 2021-07-27 | 2021-07-27 | 图像采集装置的故障监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853148.XA CN113610788B (zh) | 2021-07-27 | 2021-07-27 | 图像采集装置的故障监测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610788A CN113610788A (zh) | 2021-11-05 |
CN113610788B true CN113610788B (zh) | 2023-03-07 |
Family
ID=78305680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853148.XA Active CN113610788B (zh) | 2021-07-27 | 2021-07-27 | 图像采集装置的故障监测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610788B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116193240B (zh) * | 2023-04-27 | 2023-10-03 | 天津奇立软件技术有限公司 | 一种电子设备状态评估方法及系统 |
CN117029921A (zh) * | 2023-08-09 | 2023-11-10 | 青岛信驰电子科技有限公司 | 一种电子元件智能检测设备、方法 |
CN117496451B (zh) * | 2024-01-02 | 2024-04-02 | 深圳市华科精密组件有限公司 | 一种机械设备自动化生产用图像处理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111381579A (zh) * | 2018-12-30 | 2020-07-07 | 浙江宇视科技有限公司 | 一种云台故障检测方法、装置、计算机设备及存储介质 |
CN111552243A (zh) * | 2020-01-20 | 2020-08-18 | 武汉裕大华纺织有限公司 | 一种智能纺纱打包生产线故障检测系统 |
CN112163618A (zh) * | 2020-09-27 | 2021-01-01 | 珠海格力电器股份有限公司 | 一种设备故障的检测方法及检测系统 |
CN113095438A (zh) * | 2021-04-30 | 2021-07-09 | 上海众壹云计算科技有限公司 | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5241782B2 (ja) * | 2010-07-30 | 2013-07-17 | 株式会社日立製作所 | カメラ異常検出装置を有する監視カメラシステム |
JP6183305B2 (ja) * | 2014-07-02 | 2017-08-23 | 株式会社デンソー | 故障検出装置および故障検出プログラム |
US10043088B2 (en) * | 2016-06-23 | 2018-08-07 | Siemens Healthcare Gmbh | Image quality score using a deep generative machine-learning model |
CN111246051B (zh) * | 2018-11-09 | 2021-06-29 | 浙江宇视科技有限公司 | 自动检测条纹并抑制的方法、装置、设备及存储介质 |
-
2021
- 2021-07-27 CN CN202110853148.XA patent/CN113610788B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111381579A (zh) * | 2018-12-30 | 2020-07-07 | 浙江宇视科技有限公司 | 一种云台故障检测方法、装置、计算机设备及存储介质 |
CN111552243A (zh) * | 2020-01-20 | 2020-08-18 | 武汉裕大华纺织有限公司 | 一种智能纺纱打包生产线故障检测系统 |
CN112163618A (zh) * | 2020-09-27 | 2021-01-01 | 珠海格力电器股份有限公司 | 一种设备故障的检测方法及检测系统 |
CN113095438A (zh) * | 2021-04-30 | 2021-07-09 | 上海众壹云计算科技有限公司 | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
基于人工免疫算法的输电线路故障类型识别新方法;林圣等;《电力系统保护与控制》;20110601(第11期);第102-107、144页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113610788A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113610788B (zh) | 图像采集装置的故障监测方法、装置、电子设备及存储介质 | |
CN113095438B (zh) | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 | |
CN113706495B (zh) | 一种在传送带上自动检测锂电池参数的机器视觉检测系统 | |
CN115194785A (zh) | 具有激光扫描功能的电网智能巡检机器人 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
CN116778520B (zh) | 一种海量证照数据质量检验方法 | |
CN116319081B (zh) | 一种基于大数据云平台的电子签章安全管理系统 | |
CN115913349B (zh) | 光缆设备异常定位方法及装置、存储介质、终端 | |
CN111537447A (zh) | 光谱重建方法、印刷质量的评估方法、系统及电子设备 | |
CN115601712A (zh) | 适用于现场安全措施的图像数据处理方法及系统 | |
CN113449767B (zh) | 一种多图像融合的变电站设备异常识别定位方法 | |
JP2019075078A (ja) | 工事現場画像判定装置及び工事現場画像判定プログラム | |
JP2019074774A (ja) | 工事現場画像判定装置及び工事現場画像判定プログラム | |
CN113778091A (zh) | 一种风电场升压站设备巡检方法 | |
CN113869373A (zh) | 设备异常检测方法、装置、计算机设备和存储介质 | |
CN111912349A (zh) | 显示基板的检测方法及系统 | |
KR102431935B1 (ko) | 드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템 | |
CN114666774B (zh) | 一种蓝牙设备的标识匹配系统及方法 | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
CN117437227B (zh) | 一种图像生成及缺陷检测方法、装置、介质、设备及产品 | |
CN116295855B (zh) | 基于无线通信网络的故障定位及诊断系统 | |
JP7345006B1 (ja) | 学習モデル生成方法及び検査装置 | |
CN113159234B (zh) | 巡检图片的类别标注方法、装置、电子设备和存储介质 | |
CN113792658B (zh) | 一种全过程智能监测的动火作业闭环自动管控方法及系统 | |
CN115630949A (zh) | 基于人工智能的电力设备检测系统及方法 |
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 |