CN114494139A - 一种基于激光全息成像技术的芯片外观缺陷检测方法 - Google Patents

一种基于激光全息成像技术的芯片外观缺陷检测方法 Download PDF

Info

Publication number
CN114494139A
CN114494139A CN202111624835.0A CN202111624835A CN114494139A CN 114494139 A CN114494139 A CN 114494139A CN 202111624835 A CN202111624835 A CN 202111624835A CN 114494139 A CN114494139 A CN 114494139A
Authority
CN
China
Prior art keywords
chip
hologram
image
laser
imaging technology
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
Application number
CN202111624835.0A
Other languages
English (en)
Inventor
任获荣
王颖
樊康旗
孙通
吕银飞
黄雪影
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202111624835.0A priority Critical patent/CN114494139A/zh
Publication of CN114494139A publication Critical patent/CN114494139A/zh
Pending legal-status Critical Current

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
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • 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
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
    • G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
    • G03H1/0005—Adaptation of holography to specific applications
    • G03H1/0011—Adaptation of holography to specific applications for security or authentication
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
    • G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
    • G03H1/04—Processes or apparatus for producing holograms
    • G03H1/0443—Digital holography, i.e. recording holograms with digital recording means
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
    • G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
    • G03H1/04—Processes or apparatus for producing holograms
    • G03H1/10—Processes or apparatus for producing holograms using modulated reference beam
    • G03H1/12—Spatial modulation, e.g. ghost imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G01N2021/8887—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 based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/06—Illumination; Optics
    • G01N2201/061—Sources
    • G01N2201/06113—Coherent sources; lasers
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
    • G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
    • G03H1/0005—Adaptation of holography to specific applications
    • G03H2001/0033—Adaptation of holography to specific applications in hologrammetry for measuring or analysing
    • G03H2001/0038—Adaptation of holography to specific applications in hologrammetry for measuring or analysing analogue or digital holobjects
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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

  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Computing Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于激光全息成像技术的芯片外观缺陷检测方法，改善了现有技术中芯片外观缺陷检测存在检测效率低。该发明含有以下步骤，步骤1，启动激光器，形成全息图，图像采集模块接收全息图并送入图像处理模块；步骤2，对全息图进行数值变换获取数字全息图，通过图像处理重构三维形貌；步骤3，根据支持向量机的分类结果，判断芯片是否异常；步骤4，如果判断结果为异常，并联连杆机器人剔除有缺陷的芯片，结果为正常，则结束进去下一个芯片的测试。该技术解决了人工判断主观标准变化导致的质量不稳定问题，降低了检测成本，提高了检测效率。

Description

一种基于激光全息成像技术的芯片外观缺陷检测方法
技术领域
本发明涉及芯片封装外观缺陷的检测领域，特别是涉及一种基于激光全息成像技术的芯片外观缺陷检测方法。
背景技术
半导体芯片广泛应用于各个领域，成为经济发展、国家信息安全发展的重中之重。出厂的半导体芯片不可避免地在芯片外观表面产生各类缺陷，直接影响到芯片的运行效能及寿命。传统的芯片外观缺陷检测采用手工测量和人眼观察识别的方法，人工检测易产生视觉疲劳，导致误检误判，并且人工检测需投入大量人力物力。因此，要不断推进芯片外观缺陷检测技术的发展。目前提出的解决方案大多数需要采集待检芯片的二维图像信号，再经过复杂的机器视觉算法处理得到检测结果，并且三维的产品被投影为二维图像时，深度和不可见部分的信息就会丢失，造成可能的检测结果错误。
现有技术中的芯片外观缺陷检测存在检测效率低，无法满足高速生产的要求，并且容易造成漏检和误检，同时随着芯片体积的微型化，传统的检测方式无法实现。因此，现阶段需要设计一种芯片外观缺陷检测系统，来解决上述问题。
发明内容
本发明改善了现有技术中芯片外观缺陷检测存在检测效率低，无法满足高速生产的问题，提供一种检测效率低，容易满足高速生产的基于激光全息成像技术的芯片外观缺陷检测方法。
本发明的技术解决方案是，提供一种具有以下步骤的基于激光全息成像技术的芯片外观缺陷检测方法：含有以下步骤，
步骤1，启动激光器，形成全息图，图像采集模块接收全息图并送入图像处理模块；
步骤2，对全息图进行数值变换获取数字全息图，通过图像处理重构三维形貌；
步骤3，根据支持向量机的分类结果，判断芯片是否异常；
步骤4，如果判断结果为异常，并联连杆机器人剔除有缺陷的芯片，结果为正常，则结束进去下一个芯片的测试。
优选地，所述步骤1中的激光器为He-Ne激光器，通过输入的He-Ne激光经过偏振分光镜PBS分成两束，一束激光经过扩束准直系统BE1扩束准直之后穿过物体形成物光；另一束激光通过扩束准直系统BE2 扩束准直之后作为参考光，物光和参考光经过分光镜BS之后，在CCD靶面处产生干涉条纹形成全息图，由图像探测与采集模块进行数据采集并由图像采集卡将其传入图像处理模块，
照射到CCD靶面处的物光波的复振幅分布为：
Figure RE-GDA0003570271320000011
照射到CCD靶面处的参考光波的复振幅分布为：
Figure RE-GDA0003570271320000012
o(x,y)和r(x,y)分别表示物光和参考光的强度分布，
Figure RE-GDA0003570271320000013
和
Figure RE-GDA0003570271320000014
分别表示物光和参考光的相位分布，到达CCD靶面处干涉条纹的总光场为：
Figure RE-GDA0003570271320000021
，所述CCD靶面尺寸为Lx×Ly，像元大小为Δx，Δy，像素数为Nx＝Lx/Δx，Ny＝Ly/Δy，则CCD靶面上记录的离散全息图表示为：
Figure RE-GDA0003570271320000022
优选地，所述步骤2中的全息图被读入计算机后，计算机的运算单元根据菲涅尔衍射积分的原理在CPU 中模拟光学衍射过程，对全息图进行数字再现，主要包括以下三步，
步骤2.1、设置再现光波长为ER(x,y)，用该光波模拟照射全息图，根据瑞利-索末菲衍射公式，在再现距离为d的再现平面的复振幅为：
Figure RE-GDA0003570271320000023
Figure RE-GDA0003570271320000024
ρ表示的是全息靶面到再现平面相应点的距离，λ为波长，对U(ξ',η')进行抽样得到离散化的表达式为：
Figure RE-GDA0003570271320000025
Figure RE-GDA0003570271320000026
Δξ',Δη'表示再现像平面的抽样间隔，则再现像平面的强度和相位分布分别为：
I(m,n)＝|U(m,n)|2
Figure RE-GDA0003570271320000027
步骤2.2、将
Figure RE-GDA0003570271320000028
代入到U(ξ',η')中得到：
Figure RE-GDA0003570271320000029
变换指数函数的位置并按照傅里叶变换的意义，得到：
Figure RE-GDA00035702713200000210
步骤2.3、使用快速傅里叶变换计算上步结果并使用行列逐点法进行相位解包裹得到再现像。
优选地，所述步骤2中在提高全息图再现像的空间分辨率时，通过图像融合结合图像滤波算法，包括以下四个步骤，
步骤2-1、从一幅全息图中截取一定数量的相等尺寸的子全息图；
步骤2-2、对这些子全息图进行数字再现从而得到一定数量的再现像；
步骤2-3、对这些再现像的灰度值求平均得到一幅初步降噪的再现像；
步骤2-4、对这副再现像进行非局部均值滤波得到最终再现像，即待检芯片的三维形貌。
优选地，所述步骤2中的图像处理和重构三维形貌利用定义好的三维卷积神经网络结构在训练集上进行训练，确定一组最优的参数,包括以下三个步骤，
步骤2-1)、对训练集数据进行归一化和数据增强，数据增强包含翻转和旋转操作；
步骤2-2)、对于芯片三维形貌的输入数据，先将其分割为4*4*4个子块，同时在每个子块提取芯片缺陷特征；
步骤2-3)、将训练集数据输入进网络中，进行前向传播，计算缺陷分类结果与标签值之间的误差损失，并采用反向传播算法来更新网络参数，反复多次迭代，网络收敛到局部最优或是达到一定训练次数时停止训练，即找到了一组最优的网络参数；
步骤2-4)、将重构出的待检芯片三维形貌数据输入至三维卷积神经网络中进行特征提取，将三维卷积神经网络提取到的特征输入至支持向量机模型进行分类，依据支持向量机的分类结果实现对芯片缺陷检测。
优选地，所述三维卷积神经网络包括4个三维卷积层，2个池化层，1个Dropout层防止过拟合，1个 Flatten层实现多维输入特征一维化和2个全连接层。
优选地，所述所述芯片外观检测出的缺陷类型为芯片表面的划痕、芯片表面的凹坑、芯片尺寸缺陷、引引脚缺失或引脚倾斜。
与现有技术相比，本发明基于激光全息成像技术的芯片外观缺陷检测方法具有以下优点：本申请结构简单、设计合理、实现方便。由于机器可以按照统一的标准进行自动检测，由此解决了人工判断主观标准变化导致的质量不稳定问题，降低了检测成本，提高了检测效率。
传统检测手段是基于待检芯片的二维图像数据，而三维的产品被投影为二维图像时，深度和不可见部分的信息就会丢失，检测方法是依据待检芯片的三维成像数据，故提高了检测结果的可靠性。
附图说明
图1是本发明的结构示意图；
图2是本发明的工作流程结构示意图；
图3是本发明中的三维卷积神经网络的网络结构示意图。
图1中的Laser为He-Ne激光器，M为反射镜，PBS为偏振分光镜，BS为分光镜，BE为准直扩束系统， CCD为CCD相机，computer为计算机。
具体实施方式
下面结合附图和具体实施方式对本发明基于激光全息成像技术的芯片外观缺陷检测方法作进一步说明：如图所示，本实施例中所采用的技术方案是：基于激光全息成像技术的芯片外观缺陷检测系统，包括 He-Ne激光器、全息光路模块、图像探测与采集模块、图像数据处理模块和缺陷芯片分拣模块；He-Ne激光器，用于发射激光光束；全息光路模块，用于将激光光束经分束镜分为两路光束，一束激光经过扩束准直系统后穿过物体形成物光；另一束激光通过扩束准直系统后作为参考光，物光和参考光经过分光镜之后，在图像探测与采集模块靶面处产生干涉条纹形成全息图，由图像探测与采集模块进行数据采集。
所述图像探测与采集模块通常采用CCD器件接收物光和参考光的干涉条纹场，由图像采集卡将其传入图像处理模块记录数字全息图。
图像处理模块是计算机，计算机的运算单元利用菲涅尔衍射原理在CPU中模拟光学衍射过程，实现全息图的数字再现；最后利用数字图像基本原理再现的全息图进行进一步处理，去除数字干扰，重构出待检芯片的三维形貌，将重构出的待检芯片三维数据输入至三维卷积神经网络中提取特征，再将提取到的特征向量输入至支持向量机模型进行分类，依据支持向量机的分类结果即可实现对芯片外观检测，比如芯片表面的划痕、凹坑等缺陷，芯片尺寸缺陷和引脚缺失、引脚倾斜类的引脚检测。
所述缺陷芯片分拣模块是一个并联连杆机器人，接收图像处理模块的指令，将缺陷芯片及时从流水线上剔除。
下面结合附图，对本发明的系统结构进行进一步详细说明。如下所提供的技术方案仅为示意性，并不对本发明构成特别限制。
如图1所示,输入的He-Ne激光经过偏振分光镜PBS分成两束，一束激光经过扩束准直系统BE1扩束准直之后穿过物体形成物光；另一束激光通过扩束准直系统BE2扩束准直之后作为参考光，物光和参考光经过分光镜BS之后，在CCD靶面处产生干涉条纹形成全息图，由图像探测与采集模块进行数据采集并由图像采集卡将其传入图像处理模块。
所述照射到CCD靶面处的物光波的复振幅分布为：
Figure RE-GDA0003570271320000041
所述照射到CCD靶面处的参考光波的复振幅分布为：
Figure RE-GDA0003570271320000042
o(x,y)和r(x,y)分别表示物光和参考光的强度分布，
Figure RE-GDA0003570271320000043
和
Figure RE-GDA0003570271320000044
分别表示物光和参考光的相位分布，到达CCD靶面处干涉条纹的总光场为：
Figure RE-GDA0003570271320000045
所述CCD靶面尺寸为Lx×Ly，像元大小为Δx，Δy，像素数为Nx＝Lx/Δx，Ny＝Ly/Δy，则CCD靶面上记录的离散全息图可表示为：
Figure RE-GDA0003570271320000046
全息图被读入计算机后，根据菲涅尔衍射积分的原理，对全息图进行数字再现，主要包括以下三步。
步骤2.1,设置再现光波长为ER(x,y)，用该光波模拟照射全息图，根据瑞利-索末菲衍射公式，在再现距离为d的再现平面的复振幅为：
Figure RE-GDA0003570271320000047
Figure RE-GDA0003570271320000048
ρ表示的是全息靶面到再现平面相应点的距离，λ为波长。对U(ξ',η')进行抽样可以得到离散化的表达式为：
Figure RE-GDA0003570271320000051
Figure RE-GDA0003570271320000052
Δξ',Δη'表示再现像平面的抽样间隔，则再现像平面的强度和相位分布分别为：
I(m,n)＝|U(m,n)|2
Figure RE-GDA0003570271320000053
步骤2.2、将
Figure RE-GDA0003570271320000054
代入到U(ξ',η')中得到：
Figure RE-GDA0003570271320000055
，变换指数函数的位置并按照傅里叶变换的意义，可以得到：
Figure RE-GDA0003570271320000056
步骤2.3,使用快速傅里叶变换计算上步结果并使用行列逐点法进行相位解包裹得到再现像。
为提高全息图再现像的空间分辨率，本发明提出图像融合结合图像滤波算法，主要包括以下四个步骤。
步骤2-1、从一幅全息图中截取一定数量(n＝4)的相等尺寸的子全息图。
步骤2-2、对这些子全息图进行数字再现从而得到一定数量的再现像。
步骤2-3、对这些再现像的灰度值求平均得到一幅初步降噪的再现像。
步骤2-4、对这副再现像进行非局部均值滤波(NLM)得到最终再现像，即待检芯片的三维形貌。
利用图3即定义好的三维卷积神经网络结构在训练集上进行训练，确定一组最优的参数，主要包括以下三个步骤。
步骤2-1)、对训练集数据进行归一化和数据增强，所述数据增强包含翻转和旋转操作。
步骤2-2)、对于芯片三维形貌的输入数据，先将其分割为4*4*4个子块，同时在每个子块提取芯片缺陷特征。
步骤2-3)、将训练集数据输入进网络中，进行前向传播，计算缺陷分类结果与标签值之间的误差损失，并采用反向传播算法来更新网络参数，反复多次迭代，网络收敛到局部最优或是达到一定训练次数时停止训练，即找到了一组最优的网络参数。
将重构出的待检芯片三维形貌数据输入至三维卷积神经网络中进行特征提取。
将三维卷积神经网络提取到的特征输入至支持向量机模型进行分类，依据支持向量机的分类结果即可实现对芯片缺陷检测。
所述三维卷积神经网络包括4个三维卷积层，2个池化层，1个Dropout层防止过拟合，1个Flatten 层实现多维输入特征一维化和2个全连接层。
缺陷芯片分拣模接收图像处理模块的指令，将缺陷芯片及时从流水线上剔除。
以上所述的具体施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应该理解的是，以上所述仅为本发明的具体施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于激光全息成像技术的芯片外观缺陷检测方法，其特征在于：含有以下步骤，
步骤1，启动激光器，形成全息图，图像采集模块接收全息图并送入图像处理模块；
步骤2，对全息图进行数值变换获取数字全息图，通过图像处理重构三维形貌；
步骤3，根据支持向量机的分类结果，判断芯片是否异常；
步骤4，如果判断结果为异常，并联连杆机器人剔除有缺陷的芯片，结果为正常，则结束进去下一个芯片的测试。
2.根据权利要求1所述的基于激光全息成像技术的芯片外观缺陷检测方法，其特征在于：所述步骤1中的激光器为He-Ne激光器，通过输入的He-Ne激光经过偏振分光镜PBS分成两束，一束激光经过扩束准直系统BE1扩束准直之后穿过物体形成物光；另一束激光通过扩束准直系统BE2扩束准直之后作为参考光，物光和参考光经过分光镜BS之后，在CCD靶面处产生干涉条纹形成全息图，由图像探测与采集模块进行数据采集并由图像采集卡将其传入图像处理模块，
照射到CCD靶面处的物光波的复振幅分布为：
Figure FDA0003439613190000011
照射到CCD靶面处的参考光波的复振幅分布为：
Figure FDA0003439613190000012
o(x,y)和r(x,y)分别表示物光和参考光的强度分布，
Figure FDA0003439613190000013
和
Figure FDA0003439613190000014
分别表示物光和参考光的相位分布，到达CCD靶面处干涉条纹的总光场为：
Figure FDA0003439613190000015
，所述CCD靶面尺寸为Lx×Ly，像元大小为Δx，Δy，像素数为Nx＝Lx/Δx，Ny＝Ly/Δy，则CCD靶面上记录的离散全息图表示为：
Figure FDA0003439613190000016
3.根据权利要求1所述的基于激光全息成像技术的芯片外观缺陷检测方法，其特征在于：所述步骤2中的全息图被读入计算机后，计算机的运算单元根据菲涅尔衍射积分的原理在CPU中模拟光学衍射过程，对全息图进行数字再现，主要包括以下三步，
步骤2.1、设置再现光波长为ER(x,y)，用该光波模拟照射全息图，根据瑞利-索末菲衍射公式，在再现距离为d的再现平面的复振幅为：
Figure FDA0003439613190000017
Figure FDA0003439613190000018
ρ表示的是全息靶面到再现平面相应点的距离，λ为波长，对U(ξ′,η′)进行抽样得到离散化的表达式为：
Figure FDA0003439613190000019
Figure FDA00034396131900000110
Δξ′,Δη′表示再现像平面的抽样间隔，则再现像平面的强度和相位分布分别为：
I(m,n)＝|U(m,n)|2
Figure FDA0003439613190000021
步骤2.2、将
Figure FDA0003439613190000022
代入到U(ξ′,η′)中得到：
Figure FDA0003439613190000023
变换指数函数的位置并按照傅里叶变换的意义，得到：
Figure FDA0003439613190000024
步骤2.3、使用快速傅里叶变换计算上步结果并使用行列逐点法进行相位解包裹得到再现像。
4.根据权利要求1所述的基于激光全息成像技术的芯片外观缺陷检测方法，其特征在于：所述步骤2中在提高全息图再现像的空间分辨率时，通过图像融合结合图像滤波算法，包括以下四个步骤，
步骤2-1、从一幅全息图中截取一定数量的相等尺寸的子全息图；
步骤2-2、对这些子全息图进行数字再现从而得到一定数量的再现像；
步骤2-3、对这些再现像的灰度值求平均得到一幅初步降噪的再现像；
步骤2-4、对这副再现像进行非局部均值滤波得到最终再现像，即待检芯片的三维形貌。
5.根据权利要求1所述的基于激光全息成像技术的芯片外观缺陷检测方法，其特征在于：所述步骤2中的图像处理和重构三维形貌利用定义好的三维卷积神经网络结构在训练集上进行训练，确定一组最优的参数,包括以下三个步骤，
步骤2-1)、对训练集数据进行归一化和数据增强，数据增强包含翻转和旋转操作；
步骤2-2)、对于芯片三维形貌的输入数据，先将其分割为4*4*4个子块，同时在每个子块提取芯片缺陷特征；
步骤2-3)、将训练集数据输入进网络中，进行前向传播，计算缺陷分类结果与标签值之间的误差损失，并采用反向传播算法来更新网络参数，反复多次迭代，网络收敛到局部最优或是达到一定训练次数时停止训练，即找到了一组最优的网络参数；
步骤2-4)、将重构出的待检芯片三维形貌数据输入至三维卷积神经网络中进行特征提取，将三维卷积神经网络提取到的特征输入至支持向量机模型进行分类，依据支持向量机的分类结果实现对芯片缺陷检测。
6.根据权利要求5所述的基于激光全息成像技术的芯片外观缺陷检测方法，其特征在于：所述三维卷积神经网络包括4个三维卷积层，2个池化层，1个Dropout层防止过拟合，1个Flatten层实现多维输入特征一维化和2个全连接层。
7.根据权利要求1所述的基于激光全息成像技术的芯片外观缺陷检测方法，其特征在于：所述所述芯片外观检测出的缺陷类型为芯片表面的划痕、芯片表面的凹坑、芯片尺寸缺陷、引引脚缺失或引脚倾斜。
CN202111624835.0A 2021-12-28 2021-12-28 一种基于激光全息成像技术的芯片外观缺陷检测方法 Pending CN114494139A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111624835.0A CN114494139A (zh) 2021-12-28 2021-12-28 一种基于激光全息成像技术的芯片外观缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111624835.0A CN114494139A (zh) 2021-12-28 2021-12-28 一种基于激光全息成像技术的芯片外观缺陷检测方法

Publications (1)

Publication Number Publication Date
CN114494139A true CN114494139A (zh) 2022-05-13

Family

ID=81496472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111624835.0A Pending CN114494139A (zh) 2021-12-28 2021-12-28 一种基于激光全息成像技术的芯片外观缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114494139A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115585752A (zh) * 2022-11-29 2023-01-10 西安成立航空制造有限公司 一种三维定量数字全息成像的检测系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115585752A (zh) * 2022-11-29 2023-01-10 西安成立航空制造有限公司 一种三维定量数字全息成像的检测系统及方法

Similar Documents

Publication Publication Date Title
US11580640B2 (en) Identifying the quality of the cell images acquired with digital holographic microscopy using convolutional neural networks
CN110473179B (zh) 一种基于深度学习的薄膜表面缺陷检测方法、系统及设备
Darakis et al. Microparticle characterization using digital holography
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
CN109242828A (zh) 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法
CN102374993B (zh) 集成电路封装片三维引脚外观检测单元的检测方法
US9170211B2 (en) Design-based inspection using repeating structures
Wang et al. An effective defect detection method based on improved Generative Adversarial Networks (iGAN) for machined surfaces
CN114494139A (zh) 一种基于激光全息成像技术的芯片外观缺陷检测方法
CN104268940B (zh) 基于ct扫描图像的mems结构重构与检测方法
Yao et al. A feature memory rearrangement network for visual inspection of textured surface defects toward edge intelligent manufacturing
Zhou et al. DeepInspection: Deep learning based hierarchical network for specular surface inspection
Zheng et al. A two-stage CNN for automated tire defect inspection in radiographic image
Zhao et al. Defect detection method for electric multiple units key components based on deep learning
Dyomin et al. Digital holographic video for studying biological particles
CN116612106A (zh) 一种基于yolox算法的光学元件表面缺陷检测方法
CN115330846A (zh) 基于三维数字全息的路面病害图像融合的数据处理方法
Yang et al. A scratch detection method based on deep learning and image segmentation
CN109241948A (zh) 一种数控刀具视觉识别方法及装置
Schambach et al. A multispectral light field dataset and framework for light field deep learning
Kim et al. Effect of particle number density in in-line digital holographic particle velocimetry
CN110426395A (zh) 一种太阳能el电池硅片表面检测方法及装置
US20220314113A1 (en) Generating point cloud completion network and processing point cloud data
Cardellicchio et al. Automatic quality control of aluminium parts welds based on 3D data and artificial intelligence
JP5552707B2 (ja) 再生装置、干渉計測装置、制御プログラム、および記録媒体

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