CN114463314A - 一种基于色彩差影模型的晶圆缺陷检测方法及系统 - Google Patents
一种基于色彩差影模型的晶圆缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN114463314A CN114463314A CN202210126904.3A CN202210126904A CN114463314A CN 114463314 A CN114463314 A CN 114463314A CN 202210126904 A CN202210126904 A CN 202210126904A CN 114463314 A CN114463314 A CN 114463314A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- crystal grain
- wafer
- optimal
- 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.)
- Pending
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明涉及一种基于色彩差影模型的晶圆缺陷检测方法及系统,获取待检测晶圆对应的晶圆图像,并按照晶粒位置对晶圆图像进行分割。对于每一晶粒图像,将晶粒图像与模板图像进行滑动匹配,计算每一匹配位置对应的协方差,并以协方差最小的匹配位置作为最佳匹配位置,计算最佳匹配位置下晶粒图像和模板图像的所有对应像素点的像素值差值,根据所有像素值差值计算均方根误差,并根据均方根误差确定晶粒图像对应的晶粒是否存在缺陷,进而能够确定待检测晶圆所包括的所有晶粒是否存在缺陷,以确定待检测晶圆是否存在缺陷,通过与模板图像匹配的方式来确定晶粒图像是否存在缺陷,能够在提高检测效率的同时降低误检率。
Description
技术领域
本发明涉及晶圆缺陷检测技术领域,特别是涉及一种基于色彩差影模型的晶圆缺陷检测方法及系统。
背景技术
半导体产业是国家大力扶持的产业,晶圆的缺陷检测是芯片生产过程中的重要环节,其检测效率直接影响了芯片的生产周期。目前,通常采用传统的机器视觉进行特征提取以对晶圆缺陷进行检测,但这一检测方法的检测效率低,误检率高。
基于此,亟需一种检测效率高且误检率低的检测方法及系统。
发明内容
本发明的目的是提供一种基于色彩差影模型的晶圆缺陷检测方法及系统,能够在提高检测效率的同时降低误检率。
为实现上述目的,本发明提供了如下方案:
一种基于色彩差影模型的晶圆缺陷检测方法,所述检测方法包括:
获取待检测晶圆对应的晶圆图像,并按照晶粒位置对所述晶圆图像进行分割,得到所述待检测晶圆所包括的每一晶粒对应的晶粒图像;
对于每一所述晶粒图像,将所述晶粒图像与模板图像进行滑动匹配,计算每一匹配位置对应的协方差,并以所述协方差最小的匹配位置作为最佳匹配位置;
计算所述最佳匹配位置下所述晶粒图像和所述模板图像的所有对应像素点的像素值差值;
根据所有所述像素值差值计算均方根误差,并根据所述均方根误差确定所述晶粒图像对应的晶粒是否存在缺陷。
一种基于色彩差影模型的晶圆缺陷检测系统,所述检测系统包括:
获取模块,用于获取待检测晶圆对应的晶圆图像,并按照晶粒位置对所述晶圆图像进行分割,得到所述待检测晶圆所包括的每一晶粒对应的晶粒图像;
匹配模块,用于对于每一所述晶粒图像,将所述晶粒图像与模板图像进行滑动匹配,计算每一匹配位置对应的协方差,并以所述协方差最小的匹配位置作为最佳匹配位置;
像素值差值计算模块,用于计算所述最佳匹配位置下所述晶粒图像和所述模板图像的所有对应像素点的像素值差值;
缺陷检测模块,用于根据所有所述像素值差值计算均方根误差,并根据所述均方根误差确定所述晶粒图像对应的晶粒是否存在缺陷。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种基于色彩差影模型的晶圆缺陷检测方法及系统,先获取待检测晶圆对应的晶圆图像,并按照晶粒位置对晶圆图像进行分割,得到待检测晶圆所包括的每一晶粒对应的晶粒图像。然后对于每一晶粒图像,将晶粒图像与模板图像进行滑动匹配,计算每一匹配位置对应的协方差,并以协方差最小的匹配位置作为最佳匹配位置,计算最佳匹配位置下晶粒图像和模板图像的所有对应像素点的像素值差值,根据所有像素值差值计算均方根误差,并根据均方根误差确定晶粒图像对应的晶粒是否存在缺陷,进而能够确定待检测晶圆所包括的所有晶粒是否存在缺陷,以确定待检测晶圆是否存在缺陷,通过与模板图像匹配的方式来确定晶粒图像是否存在缺陷,能够在提高检测效率的同时降低误检率。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1所提供的检测方法的方法流程图;
图2为本发明实施例1所提供的检测方法的详细流程图;
图3为本发明实施例2所提供的检测系统的系统框图。
具体实施方式
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,所描述的实施例仅仅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做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。
本发明的目的是提供一种基于色彩差影模型的晶圆缺陷检测方法及系统,能够在提高检测效率的同时降低误检率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
本实施例用于提供一种基于色彩差影模型的晶圆缺陷检测方法,如图1和图2所示,所述检测方法包括:
S1:获取待检测晶圆对应的晶圆图像,并按照晶粒位置对所述晶圆图像进行分割,得到所述待检测晶圆所包括的每一晶粒对应的晶粒图像;
S2:对于每一所述晶粒图像,将所述晶粒图像与模板图像进行滑动匹配,计算每一匹配位置对应的协方差,并以所述协方差最小的匹配位置作为最佳匹配位置;
S2中,将晶粒图像与模板图像进行滑动匹配可以包括:按照从左到右、从上到下的顺序将晶粒图像与模板图像进行滑动匹配,每滑动一个像素点即确定一个匹配位置。具体的,滑动匹配指的是按照从左到右、从上到下的顺序移动晶粒图像的位置,使晶粒图像不同位置处的像素点与模板图像的第1行第1列的像素点相匹配,直至晶粒图像的所有像素点均已与模板图像的第1行第1列的像素点相匹配后,滑动匹配过程结束,以确定多个匹配位置。需要说明的是,从左到右、从上到下的顺序是指按从上到下的顺序移动行,按照从左到右的顺序进行单行的匹配,具体先从左到右进行第1行的匹配,结束后移动至第2行,再按照从左到右的顺序进行第2行的匹配,依次类推,直至匹配结束。
在确定多个匹配位置后,计算每一匹配位置对应的协方差,计算协方差的过程具体包括:
(1)在每一匹配位置下,随机取多组相匹配的像素点对;像素点对包括该匹配位置下位置坐标相同的晶粒图像中的一个像素点和模板图像中的一个像素点;
比如晶粒图像取位置坐标为(10,200)的像素点,则模板图像也取位置坐标为(10,200)的像素点,这两个像素点即构成一个像素点对。相匹配的像素点对可为10组。
(2)根据所有像素点对的像素值计算匹配位置对应的协方差。
协方差的计算公式如下:
Cov(X,Y)=E(XY)-E(X)*E(Y);
其中,Cov(X,Y)为协方差;E为期望;E(X)为集合X的期望;E(Y)为集合Y的期望;X为所有像素点对中属于晶粒图像的像素点的像素值组成的集合;Y为所有像素点对中属于模板图像的像素点的像素值组成的集合。
在计算得到每一匹配位置对应的协方差之后,选取协方差最小的匹配位置作为最佳匹配位置w*,h*。
最佳匹配位置w*,h*=argminw,hCov(Xw,h,Yw,h)
其中,Cov(Xw,h,Yw,h)是指匹配位置w,h对应的协方差,匹配位置w,h是指晶粒图像的第w行第h列的像素点与模板图像的第1行第1列的像素点相匹配时的位置。
本实施例采用滑动匹配加随机取点以计算协方差的方法,不仅可以大大减轻计算量,而且解决了模板图像和晶粒图像尺寸不匹配则无法计算的问题,无论模板图像和晶粒图像的尺寸是否匹配,均可计算得到每一匹配位置对应的协方差,提高适用性。
S3:计算所述最佳匹配位置下所述晶粒图像和所述模板图像的所有对应像素点的像素值差值;
比如匹配位置2,1为最佳匹配位置,则使晶粒图像的第2行第1列的像素点和模板图像的第1行第1列的像素点相重合,在此最佳匹配位置下,计算晶粒图像和模板图像中所有对应像素点(即重合像素点)的像素值的差值,得到一组数据ΔP0,0,ΔP0,1,……ΔPw1,h1。
像素值的差值计算公式如下:
其中,ΔPi,j为重合区域中第i行第j列的对应像素点的像素值差值,重合区域为晶粒图像和模板图像在最佳匹配位置下进行匹配时的重合部分;为晶粒图像的重合区域中第i行第j列的像素点的像素值;为模板图像的重合区域中第i行第j列的像素点的像素值;i属于[0,w1-1],j属于[1,h1-1];w1为重合区域的总行数;h1为重合区域的总列数。
S4:根据所有所述像素值差值计算均方根误差,并根据所述均方根误差确定所述晶粒图像对应的晶粒是否存在缺陷。
均方根误差的计算公式如下:
S4中,根据均方根误差确定晶粒图像对应的晶粒是否存在缺陷可以包括:判断均方根误差是否大于预设阈值;若是,则晶粒图像对应的晶粒存在缺陷;否则,则晶粒图像对应的晶粒正常,预设阈值由人根据经验调整。用均方根误差来评估两幅图像的相似度,能够有效降低检测场景下光照度不同带来的误检几率。
本实施例利用上述方法,将待检测晶圆的晶圆图像划分为多张晶粒图像,将每一晶粒图像与模板图像进行滑动匹配,确定最佳匹配位置,并依据最佳匹配位置下的均方根误差即可判断晶粒图像是否有缺陷,进而确定待检测晶圆是否存在缺陷,能够更加精确的对待检测晶圆的缺陷进行检测,并且能够提高检测效率。
在S2之前,本实施例的检测方法还包括生成模板图像,作为一种可选的实施方式,生成模板图像的步骤可以包括:
(1)获取多组备选图集;每一组备选图集均包括两张无缺陷图像,无缺陷图像即为无缺陷晶粒对应的图像;
人工在一批晶圆片中截取偶数个无缺陷晶粒,并对无缺陷晶粒进行拍照,得到每一无缺陷晶粒对应的无缺陷图像。对无缺陷图像进行两两分组,即可得到多组备选图集。如果无缺陷图像的个数过少,则提取的信息量不够,如果无缺陷图像的个数过多,则会大大增加计算量,故本实施例可获取8张无缺陷图像,并将8张无缺陷图像随机分成4组,得到4组备选图集。
(2)对于每一组备选图集,根据备选图集所包括的两张无缺陷图像的像素值绘制备选图集对应的像素值分布图;
可先将两张无缺陷图像进行灰度化,然后在二维空间中以像素值为特征,确定两张无缺陷图像的像素值分布情况,以绘制像素值分布图。
具体的,将备选图集所包括的两张无缺陷图像分别记为第一图像和第二图像,且第一图像的尺寸大于或等于第二图像的尺寸。对于第一图像中的每一个第一像素点,确定第一像素点在第二图像中对应的第二像素点,第一像素点在第一图像中的位置坐标和第二像素点在第二图像中的位置坐标相同。以第一像素点的像素值作为横坐标,以与第一像素点相对应的第二像素点的像素值作为纵坐标,确定分布点,所有分布点即构成像素值分布图。即在两张无缺陷图像的相同位置(x,y),分别取当前位置(x,y)的像素值 为第一图像中处于(x,y)位置的像素点的像素值,为第二图像中处于(x,y)位置的像素点的像素值。在平面直角坐标系中以第一图像的像素值为横坐标,以第二图像的像素值为纵坐标,画出所有像素点的像素值即可得到备选图集的像素值分布图。
(3)利用高斯分布对像素值分布图进行拟合,得到极大似然函数;
极大似然函数L(μ,σ)如下:
L(μ,σ)=fμ,σ(X0,0)fμ,σ(X0,1)fμ,σ(X0,2)......fμ,σ(Xh2-1,w2-1);
其中,fμ,σ(Xh2-1,w2-1)为位置坐标为(h2-1,w2-1)处的高斯分布函数;w2为第一图像的宽度,h2为第一图像的高度。对于第二图像,若不存在与第一像素点对应的第二像素点,则直接令第二像素点的像素值等于第一像素点的像素值。
其中,X表示两幅图像在同一位置坐标(x,y)处的像素值构成的矩阵 fμ,σ(X)表示X被采样出来的概率;D表示维度,本实施例中X为二维,则D=2;μ为均值矩阵,其是一个2行1列的矩阵;σ为协方差矩阵,其是一个2行2列的矩阵。
(4)以令极大似然函数最大为目标,利用极大似然估计法对目标函数进行求解,得到备选图集对应的最优均值矩阵和最优协方差矩阵;
目标函数为:
μ*,σ*=argmaxμ,σL(μ,σ);
其中,n为第一图像中像素点的个数。
采用二维高斯分布模型,能够减轻两个无缺陷图像尺寸大小不完全相同所带来的位置偏离误差累积,且高斯分布模型理论上能够采样出任何点,符合技术需求。采用极大似然估计方法来预测高斯最优分布函数,能够最好地找到拟合两幅图像像素值高斯分布的参数。
(5)根据所有备选图集对应的最优均值矩阵和最优协方差矩阵确定最优高斯分布函数;
具体的,以所有备选图集对应的最优均值矩阵的平均值作为实际均值矩阵,以所有备选图集对应的最优协方差矩阵的平均值作为实际协方差矩阵,根据实际均值矩阵和实际协方差矩阵确定高斯分布函数,即将实际均值矩阵和实际协方差矩阵带入高斯分布函数的表达式中,即可确定最优高斯分布函数。
(6)根据最优高斯分布函数生成模板图像。
具体的,获取参照图像,参照图像为无缺陷晶粒对应的图像,可人工在一批晶圆片中截取1个无缺陷的晶粒,并对该无缺陷晶粒进行拍照,即可得到参照图像。以参照图像的像素值作为输入,根据最优高斯分布函数计算模板图像中各个位置的像素点的像素值,生成模板图像。设模板图像的像素值为Qi,j,参照图像的像素值为Ri,j,将X=[Qi,j,Ri,j]T代入上述最优高斯分布函数中,0<=i<=h3-1,0<=j<=w3-1,h3表示参照图像的高,w3表示参照图像的宽,且Ri,j为已知值,则可以求出模板图像中(i,j)位置的像素值Qi,j,遍历所有的i和j,即可生成模板图像。
本实施例通过算法对模板图像进行融合计算,将多张无缺陷图像融合成一张模板图像,能够有效地提取多个无缺陷图像的有用信息,避免对整批晶圆的检测造成影响。
本实施例所提供的检测方法首先在一批晶圆片中人工随机截取多个无缺陷晶粒,将每个无缺陷晶粒对应的无缺陷图像转成灰度图像并随机将其分成多组备选图集,每组备选图集包括两个无缺陷图像。在二维空间中画出每组备选图集的像素值分布图,采用高斯分布拟合该二维分布,并采用极大似然估计得到最优的高斯分布均值及标准差,生成最终的模板图像。得到模板图像后,对新的晶圆图像进行晶粒分割,分别将每个晶粒与模板进行滑动匹配,每次滑动都在图像区域中随机采样10个点,计算像素值的协方差,找到协方差最小的位置,作为匹配对象,后逐点计算每个像素点的差值,得到像素差值分布直方图,计算其均方根误差,若误差大于某一阈值,则将该晶粒判断为缺陷,进而能够提高晶圆缺陷的检测效率,并降低误检率。
实施例2:
本实施例用于提供一种基于色彩差影模型的晶圆缺陷检测系统,如图3所示,所述检测系统包括:
获取模块M1,用于获取待检测晶圆对应的晶圆图像,并按照晶粒位置对所述晶圆图像进行分割,得到所述待检测晶圆所包括的每一晶粒对应的晶粒图像;
匹配模块M2,用于对于每一所述晶粒图像,将所述晶粒图像与模板图像进行滑动匹配,计算每一匹配位置对应的协方差,并以所述协方差最小的匹配位置作为最佳匹配位置;
像素值差值计算模块M3,用于计算所述最佳匹配位置下所述晶粒图像和所述模板图像的所有对应像素点的像素值差值;
缺陷检测模块M4,用于根据所有所述像素值差值计算均方根误差,并根据所述均方根误差确定所述晶粒图像对应的晶粒是否存在缺陷。
本实施例提出的检测系统,通过利用二维高斯分布拟合像素,采用极大似然估计寻优,反向生成模板的方式实现模板融合,再通过计算协方差寻找最优匹配点,结合图像差影算法加均方误差实现晶圆缺陷的识别。在该方法的加持下,实现晶圆检测流程更加高效地实现。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于色彩差影模型的晶圆缺陷检测方法,其特征在于,所述检测方法包括:
获取待检测晶圆对应的晶圆图像,并按照晶粒位置对所述晶圆图像进行分割,得到所述待检测晶圆所包括的每一晶粒对应的晶粒图像;
对于每一所述晶粒图像,将所述晶粒图像与模板图像进行滑动匹配,计算每一匹配位置对应的协方差,并以所述协方差最小的匹配位置作为最佳匹配位置;
计算所述最佳匹配位置下所述晶粒图像和所述模板图像的所有对应像素点的像素值差值;
根据所有所述像素值差值计算均方根误差,并根据所述均方根误差确定所述晶粒图像对应的晶粒是否存在缺陷。
2.根据权利要求1所述的检测方法,其特征在于,在将所述晶粒图像与模板图像进行滑动匹配之前,所述检测方法还包括生成模板图像,具体包括:
获取多组备选图集;每一组所述备选图集均包括两张无缺陷图像;所述无缺陷图像为无缺陷晶粒对应的图像;
对于每一组所述备选图集,根据所述备选图集所包括的两张无缺陷图像的像素值绘制所述备选图集对应的像素值分布图;
利用高斯分布对所述像素值分布图进行拟合,得到极大似然函数;
以令所述极大似然函数最大为目标,利用极大似然估计法对目标函数进行求解,得到所述备选图集对应的最优均值矩阵和最优协方差矩阵;
根据所有所述备选图集对应的最优均值矩阵和最优协方差矩阵确定最优高斯分布函数;
根据所述最优高斯分布函数生成模板图像。
3.根据权利要求2所述的检测方法,其特征在于,所述根据所述备选图集所包括的两张无缺陷图像的像素值绘制所述备选图集对应的像素值分布图具体包括:
将所述备选图集所包括的两张无缺陷图像分别记为第一图像和第二图像;所述第一图像的尺寸大于或等于所述第二图像的尺寸;
对于所述第一图像中的每一个第一像素点,确定所述第一像素点在所述第二图像中对应的第二像素点;所述第一像素点在所述第一图像中的位置坐标和所述第二像素点在所述第二图像中的位置坐标相同;
以所述第一像素点的像素值作为横坐标,以与所述第一像素点对应的所述第二像素点的像素值作为纵坐标,确定分布点;所有所述分布点即构成像素值分布图。
4.根据权利要求2所述的检测方法,其特征在于,所述根据所有所述备选图集对应的最优均值矩阵和最优协方差矩阵确定最优高斯分布函数具体包括:
以所有所述备选图集对应的最优均值矩阵的平均值作为实际均值矩阵,以所有所述备选图集对应的最优协方差矩阵的平均值作为实际协方差矩阵,根据所述实际均值矩阵和所述实际协方差矩阵确定最优高斯分布函数。
5.根据权利要求2所述的检测方法,其特征在于,所述根据所述最优高斯分布函数生成模板图像具体包括:
获取参照图像;所述参照图像为无缺陷晶粒对应的图像;
以所述参照图像的像素值作为输入,根据所述最优高斯分布函数计算所述模板图像中各个位置的像素点的像素值,生成模板图像。
6.根据权利要求1所述的检测方法,其特征在于,所述将所述晶粒图像与模板图像进行滑动匹配具体包括:
按照从左到右、从上到下的顺序将所述晶粒图像与模板图像进行滑动匹配,每滑动一个像素点即确定一个匹配位置。
7.根据权利要求6所述的检测方法,其特征在于,所述计算每一匹配位置对应的协方差具体包括:
在每一所述匹配位置下,随机取多组相匹配的像素点对;所述像素点对包括所述匹配位置下位置坐标相同的所述晶粒图像中的一个像素点和所述模板图像中的一个像素点;
根据所有所述像素点对的像素值计算所述匹配位置对应的协方差。
8.根据权利要求7所述的检测方法,其特征在于,所述根据所有所述像素点对的像素值计算所述匹配位置对应的协方差具体包括:
Cov(X,Y)=E(XY)-E(X)*E(Y);
其中,Cov(X,Y)为协方差;E为期望;X为所有所述像素点对中属于所述晶粒图像的像素点的像素值组成的集合;Y为所有所述像素点对中属于所述模板图像的像素点的像素值组成的集合。
9.根据权利要求1所述的检测方法,其特征在于,所述根据所述均方根误差确定所述晶粒图像对应的晶粒是否存在缺陷具体包括:
判断所述均方根误差是否大于预设阈值;
若是,则所述晶粒图像对应的晶粒存在缺陷。
10.一种基于色彩差影模型的晶圆缺陷检测系统,其特征在于,所述检测系统包括:
获取模块,用于获取待检测晶圆对应的晶圆图像,并按照晶粒位置对所述晶圆图像进行分割,得到所述待检测晶圆所包括的每一晶粒对应的晶粒图像;
匹配模块,用于对于每一所述晶粒图像,将所述晶粒图像与模板图像进行滑动匹配,计算每一匹配位置对应的协方差,并以所述协方差最小的匹配位置作为最佳匹配位置;
像素值差值计算模块,用于计算所述最佳匹配位置下所述晶粒图像和所述模板图像的所有对应像素点的像素值差值;
缺陷检测模块,用于根据所有所述像素值差值计算均方根误差,并根据所述均方根误差确定所述晶粒图像对应的晶粒是否存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210126904.3A CN114463314A (zh) | 2022-02-11 | 2022-02-11 | 一种基于色彩差影模型的晶圆缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210126904.3A CN114463314A (zh) | 2022-02-11 | 2022-02-11 | 一种基于色彩差影模型的晶圆缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463314A true CN114463314A (zh) | 2022-05-10 |
Family
ID=81413771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210126904.3A Pending CN114463314A (zh) | 2022-02-11 | 2022-02-11 | 一种基于色彩差影模型的晶圆缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463314A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792314A (zh) * | 2022-06-21 | 2022-07-26 | 南通永卓金属制品有限公司 | 基于激光束的金属丝网缺陷检测方法及人工智能系统 |
CN114937037A (zh) * | 2022-07-20 | 2022-08-23 | 武汉中导光电设备有限公司 | 产品缺陷检测方法、装置、设备及可读存储介质 |
CN117893467A (zh) * | 2023-12-06 | 2024-04-16 | 江苏新丝路纺织科技有限公司 | 一种纺织品缺陷类型识别方法 |
-
2022
- 2022-02-11 CN CN202210126904.3A patent/CN114463314A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792314A (zh) * | 2022-06-21 | 2022-07-26 | 南通永卓金属制品有限公司 | 基于激光束的金属丝网缺陷检测方法及人工智能系统 |
CN114937037A (zh) * | 2022-07-20 | 2022-08-23 | 武汉中导光电设备有限公司 | 产品缺陷检测方法、装置、设备及可读存储介质 |
CN114937037B (zh) * | 2022-07-20 | 2022-11-04 | 武汉中导光电设备有限公司 | 产品缺陷检测方法、装置、设备及可读存储介质 |
CN117893467A (zh) * | 2023-12-06 | 2024-04-16 | 江苏新丝路纺织科技有限公司 | 一种纺织品缺陷类型识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114463314A (zh) | 一种基于色彩差影模型的晶圆缺陷检测方法及系统 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
US11797886B2 (en) | Image processing device, image processing method, and image processing program | |
CN110400290B (zh) | 一种太阳能电池片色差的检测方法、装置及存储介质 | |
CN111640157B (zh) | 一种基于神经网络的棋盘格角点检测方法及其应用 | |
CN115439481B (zh) | 基于图像处理的除氧器焊接质量检测方法 | |
CN108470356B (zh) | 一种基于双目视觉的目标对象快速测距方法 | |
US20200380665A1 (en) | Processing method for performing process on image and processing device using the processing method | |
CN108447050A (zh) | 一种基于超像素的工件表面缺陷分割方法 | |
CN108154149B (zh) | 基于深度学习网络共享的车牌识别方法 | |
CN112508090A (zh) | 一种外包装缺陷检测方法 | |
CN111461036B (zh) | 一种利用背景建模增强数据的实时行人检测方法 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
WO2021102741A1 (zh) | 一种免疫层析检测的图像分析方法以及系统 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
CN114581446A (zh) | 一种叠片电池的电芯异常检测方法及系统 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN107239761B (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
CN108734054B (zh) | 无遮挡的柑橘果实图像识别方法 | |
JP2014126445A (ja) | 位置合せ装置、欠陥検査装置、位置合せ方法、及び制御プログラム | |
CN116824294A (zh) | 一种基于小目标识别的焊料缺陷检测方法及系统 | |
CN110751690A (zh) | 铣床刀头视觉定位方法 |
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 |