CN114881990A - 掩模版缺陷检测方法、装置、电子设备及存储介质 - Google Patents

掩模版缺陷检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114881990A
CN114881990A CN202210567071.4A CN202210567071A CN114881990A CN 114881990 A CN114881990 A CN 114881990A CN 202210567071 A CN202210567071 A CN 202210567071A CN 114881990 A CN114881990 A CN 114881990A
Authority
CN
China
Prior art keywords
image
defect
initial
defects
detection
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
CN202210567071.4A
Other languages
English (en)
Inventor
杨朝兴
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.)
Hefei Yuwei Semiconductor Technology Co ltd
Original Assignee
Hefei Yuwei Semiconductor Technology Co ltd
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 Hefei Yuwei Semiconductor Technology Co ltd filed Critical Hefei Yuwei Semiconductor Technology Co ltd
Priority to CN202210567071.4A priority Critical patent/CN114881990A/zh
Publication of CN114881990A publication Critical patent/CN114881990A/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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration 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
    • G06T2207/10004—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
    • G06T2207/20—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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明实施例公开了一种掩模版缺陷检测方法、装置、电子设备及存储介质。其中该方法包括：确定待测掩模版的初检图像与所述初检图像的初检缺陷；确定待测掩模版的复检图像；其中，所述初检图像与所述复检图像通过采用不同照明条件和镜头进行图像拍摄得到，且所述初检图像的拍摄倍率小于所述复检图像的拍摄倍率；依据所述初检图像、所述复检图像以及所述初检缺陷，对待测掩模版的缺陷进行分类与筛选。本申请技术方案，通过结合不同照明条件和镜头的复检与初检获得的缺陷信息，降低了压印纹被识别为缺陷的概率，有效提高了缺陷检出性能和效率，同时增加了缺陷分类与筛选的信息量，提高了缺陷分类与筛选的准确性。

Description

掩模版缺陷检测方法、装置、电子设备及存储介质
技术领域
本发明涉及掩模版技术领域，尤其涉及一种掩模版缺陷检测方法、装置、电子设备及存储介质。
背景技术
在显示面板技术领域，掩模版是一种位于基体材料上以便用于选择性曝光的结构。
掩模版上的缺陷是在曝光和传递过程中引入的微颗粒污染，针对掩模版缺陷的检测，通常是用自动光学设备进行缺陷检测，记录掩模版上颗粒污染位置后再光学复检，存在工艺繁琐效率低，易引入新增污染，并且存在掩模版被错用的风险，不利于生产效率的提高。
发明内容
本发明提供了一种掩模版缺陷检测方法、装置、电子设备及存储介质，能够通过结合不同照明条件和镜头的检测图片信息，增加了缺陷分类与筛选的信息量，提高了缺陷分类与筛选的准确性。
根据本发明的一方面，提供了一种掩模版缺陷检测方法，所述方法包括：
确定待测掩模版的初检图像与从所述初检图像检出的初检缺陷；
确定待测掩模版的复检图像；其中，所述初检图像与所述复检图像通过采用不同照明条件和镜头进行图像拍摄得到，且所述初检图像的拍摄倍率小于所述复检图像的拍摄倍率；
依据所述初检图像、所述复检图像以及所述初检缺陷，对待测掩模版的缺陷进行分类与筛选。
根据本发明的另一方面，提供了一种掩模版缺陷检测装置，所述装置包括：
初检确定模块，用于确定待测掩模版的初检图像与所述初检图像的初检缺陷；
复检确定模块，用于确定待测掩模版的复检图像；其中，所述初检图像与所述复检图像通过采用不同照明条件和镜头进行图像拍摄得到，且所述初检图像的拍摄倍率小于所述复检图像的拍摄倍率；
缺陷检测模块，用于依据所述初检图像、所述复检图像以及所述初检缺陷，对待测掩模版的缺陷进行分类与筛选。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的掩模版缺陷检测方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的掩模版缺陷检测方法。
本发明实施例的技术方案，确定待测掩模版的初检图像与初检图像的初检缺陷，确定待测掩模版的复检图像，初检图像与复检图像通过采用不同照明条件和镜头进行图像拍摄得到，且初检图像的拍摄倍率小于复检图像的拍摄倍率，进而依据初检图像、复检图像以及初检缺陷对待测掩模版的缺陷进行分类与筛选。本申请技术方案，通过结合不同照明条件和镜头的复检与初检获得的缺陷信息，降低了压印纹被识别为缺陷的概率，有效提高了缺陷检出性能和效率，同时增加了缺陷分类与筛选的信息量，提高了缺陷分类与筛选的准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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是根据本发明实施例提供的一种掩模版缺陷检测方法的流程图；
图2是根据本发明实施例所适用的掩模版缺陷检测中初检设备的原理图；
图3是根据本发明实施例所适用的掩模版缺陷检测中复检设备的原理图；
图4a是根据本发明实施例所适用的掩模版缺陷检测中初检图像的压印纹示意图；
图4b是根据本发明实施例所适用的掩模版缺陷检测中复检设备拍摄到的同一待测掩模版上的压印纹示意图；
图4c是根据本发明实施例所适用的掩模版缺陷检测中中压印纹的切面反射示意图；
图5是根据本发明实施例提供的另一种掩模版缺陷检测方法的流程图；
图6是根据本发明实施例提供的一种掩模版缺陷检测装置的结构示意图；
图7是实现本发明实施例的一种掩模版缺陷检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“初检”、“复检”、“待测”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
AOI(Automated Optical Inspection，自动光学检查)设备作为一种基于光学的缺陷检测工具，被广泛应用于太阳能电池、集成电路、显示面板等行业，以实现掩膜版、硅片缺陷的快速无损检测。其中，掩模版缺陷自动光学检测装置，具备对大面积面板物料进行实时缺陷检测的能力，被广泛应用于国内外的面板制造厂商。
但是，由于来料工艺问题，掩模版的金属材料表面会存在随机形状的压印纹，这些压印纹根据其深度和切角的差异，在AOI检测设备照明下呈现出高亮或暗沉的成像特性，与部分颗粒、纤维缺陷的成像特性近似，导致缺陷检测时很难区分出来，易产生误识别。因此，如何降低缺陷误识别机率，提高设备的检出性能和使用效率变得尤为重要。
下面通过各个实施例及其可选方案对本申请中提供的掩模版缺陷检测方法、装置、电子设备及存储介质进行详细阐述。
图1为本发明实施例提供了一种掩模版缺陷检测方法的流程图，本实施例可适用于对掩模版进行无损检测实现缺陷的正确识别与分类筛选的情况，该掩模版缺陷检测方法可由掩模版缺陷检测装置来执行，该掩模版缺陷检测装置可以采用硬件和/或软件的形式实现，该掩模版缺陷检测装置可配置于具有数据处理能力的电子设备中。如图1所示，本实施例的掩模版缺陷检测方法，可包括以下步骤：
S110、确定待测掩模版的初检图像与初检图像的初检缺陷。
在待测掩模版的初检阶段，可利用明场、暗场和背光等照明方式对待测掩模版进行照明，并通过用于进行掩模版缺陷检测的初检设备拍照获取第一照明条件下针对待测掩模版的初检图像。
通过调节照明光源配置增大待测掩模版的缺陷信号，抑制待测掩模版样品中的背景信号及环境噪声，提高缺陷信号信噪比，后续通过初检设备中的高分辨率镜头与时间延迟积分相机，可对待测掩模版样品进行高速拍摄得到初检图像并检测出待测掩模版样品的缺陷，作为初检缺陷。
待测掩模版面上存在大量随机的压印纹路，压印纹路在明场照明下很清晰，导致无法正常检测其它缺陷(比如颗粒、纤维缺陷等)，但是在暗场下大多数压印纹并不成像。并且，考虑到压印纹根据其深度和切角的差异，在检测时呈现出高亮或暗沉的成像特性，与部分颗粒、纤维缺陷的成像特性近似，压印纹会被错误识别为缺陷。因此，初检过程中采用暗场为主的照明方式进行掩模版面上缺陷的检测，以便对颗粒类凸起缺陷以及纤维类缺陷进行检测，以及采用背光对掩模版开孔区域进行检测。
可选地，参见图2，对待测掩模版初检所使用的初检设备可包括：明场灯箱21、明场光纤22，半反半透分光器件23、暗场环形光源24、背光25、镜头26和相机传感器27。其中，暗场环形光源由环形分布的LED灯珠组成，亦可由环形分布的光纤光源组成；相机传感器27可以为时间延迟积分TDI相机，亦可以为面阵相机。
参见图2，明场灯箱21出射的光束经过光纤22入射到半反半透分光器件23，反射一次后垂直向下照射到待测掩模版样品，然后经过反射或衍射向上传播，依次经过分光器件23和镜头组26，最终被相机传感器27接收成像。背光灯25出射的光束从下向上照明待测掩模版样品，透过待测掩模版样品的孔洞后，依次经过分光器件23和镜头组26，最终被相机传感器27接收成像。暗场环形光源24出射的光束倾斜照射待测掩模版样品，待测掩模版样品上的凸起缺陷如微小颗粒等散射后，依次经过分光器件23和镜头组26，最终被相机传感器27接收成像。这里，将采用暗场为主的照明方式所获取的图像作为初检图像。
S120、确定待测掩模版的复检图像。
其中，初检图像与复检图像通过采用不同照明条件和镜头进行图像拍摄得到，且初检图像的拍摄倍率小于复检图像的拍摄倍率。
初检图像采用的照明条件用于对待测掩模版中压印纹缺陷的成像进行抑制。例如，初检图像的照明方式是暗场照明，在暗场照明下初检设备可以检测出颗粒类凸起缺陷以及纤维类缺陷，压印纹与部分颗粒、纤维缺陷的成像特性近似，在检测时压印纹也会被错误识别为缺陷从而被检测出来，只不过颗粒、纤维缺陷与压印纹混淆在一起很难区分开来。
复检图像与初检采用了不同的照明条件和镜头，复检图像采用的照明条件用于对待测掩模版中颗粒类凸起缺陷的阴影进行抑制。例如，复检图像的照明方式是穹顶灯与明场照明组合以此实现类似无影灯的效果，该类照明下待测掩模版面上的颗粒类凸起缺陷以及纤维缺陷的阴影会被最大限度的抑制。若缺陷材质与金属掩模版相近，则几乎不会成像，而对于凹陷的缺陷，如较深的压印纹，该照明下会呈现较明显的暗色缺陷。因此，在复检过程中，采用穹顶灯+明场的方式对待测掩模版进行拍摄，以实现对掩模版面上的缺陷进行检测，采用背光对掩模版开孔区域进行检测。
可选地，参见图3，对待测掩模版复检所使用的复检设备可包括：追焦传感器/明场照明31、传感器分束器32(与图2的分光器件类似)、伺服控制器33、追焦驱动器34、穹顶灯35、背光36、显微镜头37、管镜38和面阵相机传感器39。其中，追焦传感器31、传感器分束器32、伺服控制器33与追焦驱动器34组成一组反馈装置用于实现复检自动追焦功能。
参见图3，追焦传感器31同时起到明场照明光源作用，光束经过分束器32、显微镜头37后垂直向下照射待测掩模版样品，然后经过反射或衍射向上传播，依次经过显微镜头37、传感器分束器32和筒镜38，最终被面阵相机传感器39接收成像。背光36发射的光束从下向上，透过待测掩模版样品的开孔区域，然后依次经过显微镜头37、传感器分束器32和筒镜38，最终被面阵相机传感器39接收成像。穹顶灯35的光束照射待测掩模版样品之后，依次经过显微镜头37、传感器分束器32和筒镜38，最终被面阵相机传感器39接收成像。这里，将采用穹顶灯与明场照明结合的照明方式针对初检时同一待测掩模版样品所获取的图像作为复检图像。
在本实施例的一种可选方案中，确定待测掩模版的复检图像，可包括步骤A1-A2：
步骤A1、确定初检缺陷在待测掩模版上的初检缺陷位置。
步骤A2、控制复检设备朝向待测掩模版上初检缺陷位置对应的局部进行图像拍摄得到包括初检缺陷的复检图像。
通过对待测掩模版的进行初检可知，不是所有的区域都存在缺陷，那么就没必要对待测掩模版进行全局复检，只需要根据初检过程中检测出的初检缺陷位置，依据初检缺陷对待测掩模版的局部进行图像拍摄得到复检图像即可。比如，按照初检过程中检测出的初检缺陷位置来控制复检设备朝向待测掩模版上初检缺陷位置对应的局部进行定向拍摄，这样只需要对存在缺陷的局部完成图像拍摄即可。
利用初检设备对待测掩模版全版进行快速扫描检测，目标是快速的检测出待分类或筛选的缺陷，初检图像经过检测计算机处理，得到初检缺陷和初检缺陷截图，并保存到内存中以待后用。进而，带动复检设备对通过初检图像检出的初检缺陷进行复检拍照，得到复检图像，以便根据初检缺陷、初检图像和复检图像，进行缺陷筛选与分类。
S130、依据初检图像、复检图像以及初检缺陷，对待测掩模版的缺陷进行分类与筛选。
以压印纹为例，参见图4a、图4b与图4c，分别为对待测掩模版的初检图像、复检拍摄的压印纹缺陷图像与压印纹散射示意图，图4a为初检设备拍摄到的压印纹，从图4a中可看到，在初检设备的暗场照明下，压印纹表现为高亮的小颗粒暗缺陷，与颗粒凸起与纤维缺陷表现相似。
图4b为复检设备拍摄到的同一待测掩模版上的压印纹图像，从图4b中可以看到，在复检设备的穹顶灯+明场照明下，待测掩模版中颗粒类凸起缺陷的阴影尽可能得到最大限度的抑制，仅有压印纹缺陷表现为暗缺陷，且初检压印纹缺陷区域位于复检压印纹暗缺陷的边缘区域，且边缘形状与此处复检暗缺陷的形状和方向相近。
出现上述情况的原因是，压印纹在暗场的高亮缺陷图像是来自于压印纹的切面反射，如图4c所示，借助上述性质，可以结合初检缺陷对照同一待测掩模版的初检图像与复检图像的差异，来实现对压印纹缺陷的分类和筛选。类似的，对于其他缺陷也可以通过结合初检图像与复检图像特性提升缺陷分类和筛选性能，例如初检设备检出的颗粒缺陷，可结合复检图像中缺陷区域的灰度信息，得出颗粒的反射率信息，从而进行细分类。
根据本发明实施例的技术方案，通过结合不同照明条件和镜头的复检与初检获得的缺陷信息，降低了压印纹被识别为缺陷的概率，有效提高了缺陷检出性能和效率，同时增加了缺陷分类与筛选的信息量，提高了缺陷分类与筛选的准确性。
图5为本发明实施例提供了另一种掩模版缺陷检测方法的流程图，本实施例在上述实施例的基础上对前述实施例中依据初检图像、复检图像以及初检缺陷区域对待测掩模版的缺陷进行分类与筛选的过程进行进一步优化，本实施例可以与上述一个或多个实施例中各个可选方案进行结合。如图5所示，本实施例的掩模版缺陷检测方法，可包括以下步骤：
S510、确定待测掩模版的初检图像与所述初检图像的初检缺陷。
S520、确定待测掩模版的复检图像；其中，初检图像与复检图像通过采用不同照明条件和镜头进行图像拍摄得到，且初检图像的拍摄倍率小于复检图像的拍摄倍率。
可选地，初检图像采用的照明条件用于对待测掩模版中压印纹缺陷的成像进行抑制，复检图像采用的照明条件用于对待测掩模版中颗粒类凸起缺陷的阴影进行抑制。
S530、确定从初检图像变换到复检图像时，在复检图像中与初检缺陷匹配的复检缺陷。
初检图像与复检图像是针对同一个待测掩模版在不同照明条件和镜头下进行拍摄获取，在初检时可检测出初检缺陷，当从初检图像转换到复检图像中去体现初检缺陷时，那么对应在复检图像中就会存在与初检缺陷匹配的复检缺陷。
在本实施例的一种可选方案中，确定从初检图像变换到复检图像时，在复检图像中与初检缺陷匹配的复检缺陷，可包括步骤B1-B2：
步骤B1、将初检图像与复检图像进行图像配准，得到从初检图像向复检图像进行变化所用的图像变换矩阵。
步骤B2、依据图像变换矩阵将初检图像的初检缺陷匹配到复检图像上，得到在复检图像中与初检缺陷匹配的复检缺陷。
从内存中读取初检图像、初检缺陷和复检图像，通过对初检图像与复检图像进行配准，可以得到从初检图像向复检图像进行变化所用的图像变换矩阵。其中，图像变换矩阵可以包括但不限于以下：平移矩阵、比例矩阵、旋转矩阵、仿射矩阵。可选地，以初检图像为基准图像，将初检图像按复检图像的尺寸、角度等形态信息进行透视(仿射)变换匹配，提取最优配对点的坐标生成图像变换矩阵。
由于初检缺陷属于初检图像中的一部分，在复检图像中会存在与初检缺陷匹配的一个缺陷，那么按照从初检图像向复检图像进行变化所用的图像变换矩阵，可对初检缺陷进行变换将初检图像的初检缺陷匹配到复检图像上，即可在复检图像中与初检缺陷匹配的复检缺陷。
采用上述方式，利用初检图像与复检图像可将初检缺陷对准匹配到复检图像上，便于使用匹配后的复检图像中的复检缺陷辅助复检图像进行缺陷定位、检测和分类，降低了复检图像的缺陷检分类运算量和处理难度。
S540、依据复检缺陷对应的复检图像特征，对待测掩模版的缺陷进行分类与筛选。
在本实施例的一种可选方案中，依据复检缺陷对应的复检图像特征，对待测掩模版的缺陷进行分类与筛选，可包括步骤C1-C2：
步骤C1、对复检图像中的复检缺陷进行膨胀，解析膨胀后复检缺陷对应的复检图像特征。
步骤C2、依据复检缺陷对应的复检图像特征，对待测掩模版的缺陷进行分类与筛选。
将变换后的复检缺陷区域进行膨胀，在膨胀区域内对复检图像进行缺陷检测，统计从复检缺陷对应的复检图像中所检测出的缺陷特征，作为复检图像特征。若复检图像特征满足压印纹判据的特征条件，则认为该复检缺陷属于压印纹造成的缺陷，对应的初检缺陷属于压印纹造成的缺陷；若复检图像特征不满足压印纹判据的特征条件，则认为该复检缺陷不属于压印纹造成的缺陷，对应的初检缺陷不属于压印纹造成的缺陷，可能属于颗粒凸起缺陷和/或纤维缺陷。
在本实施例的另一种可选方案中，依据复检缺陷对应的复检图像特征，对待测掩模版的缺陷进行分类与筛选，可包括步骤D1-D3：
步骤D1、确定初检缺陷区域面积与参考缺陷区域面积；参考缺陷区域包括属于初检缺陷但不属于复检缺陷的缺陷。
步骤D2、依据初检缺陷区域面积与参考缺陷区域面积，确定初检缺陷区域与复检缺陷区域的区域间匹配度。
步骤D3、依据区域间匹配度以及复检缺陷对应的复检图像特征，确定待测掩模版上的初检缺陷是否为压印纹缺陷。
根据配备对准完成的初检缺陷与复检图像，可从初检缺陷中确定属于初检缺陷但不属于复检缺陷的局部缺陷作为参考缺陷。进而，依据初检缺陷区域面积与参考缺陷区域面积，分析初检缺陷区域匹配到复检图像的复检缺陷区域与初检缺陷区域的匹配度P＝Anot/Aall。其中，Anot表示初检缺陷区域中不是复检缺陷的区域的面积，Aall是初检缺陷区域的总面积。
可选地，复检图像特征可包括图像灰度特征与紧密度特征，根据初检缺陷区域与复检缺陷区域的区域间匹配度P和复检缺陷对应的复检图像特征(包括但不限于缺陷灰度G等)是否满足压印纹判据，通过判断是否满足压印纹判据，来判定当前的初检缺陷是否为压印纹。若判定复检缺陷为压印纹，对应的初检缺陷属于压印纹造成的缺陷，则筛选过滤掉该初检缺陷；若判定待测掩模版上的复检缺陷不为压印纹，对应的初检缺陷不属于压印纹造成的缺陷，可能为颗粒凸起缺陷和/或纤维缺陷，则保存输出该初检缺陷。重复上述过程，直到所有初检缺陷完成分类与筛选。
在上述实施例的基础上，可选地，压印纹判据可为缺陷的紧密度Compactness＞压印纹阈值，典型的例子是Compact＞4。所述紧密度Compactness特征是缺陷区域的特征，Compact＝L^2/(4*F*pi)，其中L为缺陷区域的周长，F为缺陷区域的面积，pi为圆周率。
在上述实施例的基础上，可选地，压印纹判据也可为缺陷的其它缺陷特征组成的特征分类超平面。其它缺陷特征包括缺陷区域的紧密度、平均灰度、灰度波动3sigma值、参考灰度、参考灰度波动3sigma值、几何矩、灰度共生矩阵等特征。特征分类超平面通过SVM支撑向量机算法产生。SVM算法的输入特征集为上述特征。SVM算法的输入数据为手工标注的复检缺陷图片类型(是否为压印纹)，复检缺陷图片，复检缺陷区域等。
在上述实施例的基础上，可选地，压印纹判据也可为分类神经网络黑箱。分类神经网络的缺陷特征集、输入数据与与SVM所述相同。分类神经网络模型包括卷积神经网络、循环神经网络、深度神经网络等。
根据本发明实施例的技术方案，通过结合不同照明条件的复检与初检获得的缺陷信息，增加了缺陷分类与筛选的信息量，有效提高了缺陷分类与筛选的准确性，降低了压印纹被识别为缺陷的概率，有效提高了缺陷检出性能和效率，同时利用初检图像与复检图像将初检缺陷对准匹配到复检图像上，使用匹配后的缺陷辅助复检图片的缺陷定位、检测和分类，降低了复检图像的缺陷检测和分类的运算量和处理难度。
图6为本发明实施例提供了一种掩模版缺陷检测装置的结构框图，本实施例可适用于对掩模版进行无损检测实现缺陷的正确识别与分类筛选的情况，该掩模版缺陷检测装置可以采用硬件和/或软件的形式实现，该掩模版缺陷检测装置可配置于具有数据处理能力的电子设备中。如图6所示，本实施例的掩模版缺陷检测装置，可包括：初检确定模块610、复检确定模块620和缺陷检测模块630。其中：
初检确定模块610，用于确定对待测掩模版的初检图像与所述初检图像的初检缺陷。
复检确定模块620，用于确定对待测掩模版的复检图像；其中，所述初检图像与所述复检图像通过采用不同照明条件和镜头进行图像拍摄得到，且所述初检图像的拍摄倍率小于所述复检图像的拍摄倍率。
缺陷检测模块630，用于依据所述初检图像、所述复检图像以及所述初检缺陷，对待测掩模版的缺陷进行分类与筛选。
在上述实施例的基础上，可选地，所述初检图像采用的照明条件用于对所述待测掩模版中压印纹缺陷的成像进行抑制，所述复检图像采用的照明条件用于对所述待测掩模版中颗粒类凸起缺陷的阴影进行抑制。
在上述实施例的基础上，可选地，复检确定模块620包括：
确定所述初检缺陷在所述待测掩模版上的初检缺陷位置；
控制复检设备朝向所述待测掩模版上所述初检缺陷位置对应的局部进行图像拍摄得到包括所述初检缺陷的复检图像。
在上述实施例的基础上，可选地，缺陷检测模块630包括：
确定从初检图像变换到复检图像时，在复检图像中与所述初检缺陷匹配的复检缺陷；
依据所述复检缺陷对应的复检图像特征，对所述待测掩模版的缺陷进行分类与筛选。
在上述实施例的基础上，可选地，确定从初检图像变换到复检图像时，在复检图像中与所述初检缺陷匹配的复检缺陷，包括：
将所述初检图像与所述复检图像进行图像配准，得到从初检图像向所述复检图像进行变化所用的图像变换矩阵；
依据所述图像变换矩阵将所述初检图像的初检缺陷匹配到所述复检图像上，得到在所述复检图像中与所述初检缺陷匹配的复检缺陷。
在上述实施例的基础上，可选地，依据所述复检缺陷对应的复检图像特征，对所述待测掩模版的缺陷分类与筛选，包括：
对所述复检图像中的复检缺陷进行膨胀，解析膨胀后所述复检缺陷对应的复检图像特征；
依据所述复检缺陷对应的复检图像特征，对所述待测掩模版的缺陷进行分类与筛选。
在上述实施例的基础上，可选地，依据所述复检缺陷对应的复检图像特征，对所述待测掩模版的缺陷进行分类与筛选，包括：
确定所述初检缺陷区域面积与参考缺陷区域面积；所述参考缺陷包括属于所述初检缺陷但不属于所述复检缺陷的缺陷；
依据所述初检缺陷区域面积与参考缺陷区域面积，确定所述初检缺陷区域与所述复检缺陷区域的区域间匹配度；
依据所述区域间匹配度以及所述复检缺陷对应的复检图像特征，确定所述待测掩模版上的初检缺陷是否为压印纹缺陷。
在上述实施例的基础上，可选地，复检图像特征包括图像灰度特征与紧密度特征。
本发明实施例中所提供的掩模版缺陷检测装置可执行上述本发明任意实施例中所提供的掩模版缺陷检测方法，具备执行该掩模版缺陷检测方法相应的功能和有益效果，详细过程参见前述实施例中掩模版缺陷检测方法的相关操作。
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如掩模版缺陷检测方法。
在一些实施例中，掩模版缺陷检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的掩模版缺陷检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行掩模版缺陷检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种掩模版缺陷检测方法，其特征在于，所述方法包括：
确定待测掩模版的初检图像与从所述初检图像检出的初检缺陷；
确定待测掩模版的复检图像；其中，所述初检图像与所述复检图像通过采用不同照明条件和镜头进行图像拍摄得到，且所述初检图像的拍摄倍率小于所述复检图像的拍摄倍率；
依据所述初检图像、所述复检图像以及所述初检缺陷，对待测掩模版的缺陷进行分类与筛选。
2.根据权利要求1所述的方法，其特征在于，所述初检图像采用的照明条件用于对所述待测掩模版中压印纹缺陷的成像进行抑制，所述复检图像采用的照明条件用于对所述待测掩模版中颗粒类凸起缺陷的阴影进行抑制。
3.根据权利要求1所述的方法，其特征在于，确定待测掩模版的复检图像，包括：
确定所述初检缺陷在所述待测掩模版上的初检缺陷位置；
控制复检设备朝向所述初检缺陷位置对应的局部进行图像拍摄得到包括所述初检缺陷的复检图像。
4.根据权利要求1所述的方法，其特征在于，依据所述初检图像、所述复检图像以及所述初检缺陷，对所述待测掩模版的缺陷进行分类与筛选，包括：
确定从所述初检图像变换到所述复检图像时，在所述复检图像中与所述初检缺陷匹配的复检缺陷；
依据所述复检缺陷对应的复检图像特征，对所述待测掩模版的缺陷进行分类与筛选。
5.根据权利要求4所述的方法，其特征在于，确定从所述初检图像变换到所述复检图像时，在所述复检图像中与所述初检缺陷匹配的复检缺陷，包括：
将所述初检图像与所述复检图像进行图像配准，得到从所述初检图像向所述复检图像进行变化所用的图像变换矩阵；
依据所述图像变换矩阵将所述初检图像的初检缺陷匹配到所述复检图像上，得到在所述复检图像中与所述初检缺陷匹配的复检缺陷。
6.根据权利要求4所述的方法，其特征在于，依据所述复检缺陷对应的复检图像特征，对所述待测掩模版的缺陷进行分类与筛选，包括：
对所述复检缺陷进行膨胀，解析膨胀后获得所述复检缺陷对应的复检图像特征；
依据所述复检缺陷对应的复检图像特征，对所述待测掩模版的缺陷进行分类与筛选。
7.根据权利要求4或6所述的方法，其特征在于，依据所述复检缺陷对应的复检图像特征，对所述待测掩模版的缺陷进行分类与筛选，包括：
确定所述初检缺陷区域面积与参考缺陷区域面积；所述参考缺陷包括属于所述初检缺陷但不属于所述复检缺陷的缺陷；
依据所述初检缺陷区域面积与参考缺陷区域面积，确定所述初检缺陷区域与所述复检缺陷区域的区域间匹配度；
依据所述区域间匹配度以及所述复检缺陷对应的复检图像特征，确定所述待测掩模版上的初检缺陷是否为压印纹缺陷。
8.一种掩模版缺陷检测装置，其特征在于，所述装置包括：
初检确定模块，用于确定待测掩模版的初检图像与所述初检图像的初检缺陷；
复检确定模块，用于确定待测掩模版的复检图像；其中，所述初检图像与所述复检图像通过采用不同照明条件和镜头进行图像拍摄得到，且所述初检图像的拍摄倍率小于所述复检图像的拍摄倍率；
缺陷检测模块，用于依据所述初检图像、所述复检图像以及所述初检缺陷，对待测掩模版的缺陷进行分类与筛选。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的掩模版缺陷检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的掩模版缺陷检测方法。
CN202210567071.4A 2022-05-23 2022-05-23 掩模版缺陷检测方法、装置、电子设备及存储介质 Pending CN114881990A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210567071.4A CN114881990A (zh) 2022-05-23 2022-05-23 掩模版缺陷检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210567071.4A CN114881990A (zh) 2022-05-23 2022-05-23 掩模版缺陷检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114881990A true CN114881990A (zh) 2022-08-09

Family

ID=82678565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210567071.4A Pending CN114881990A (zh) 2022-05-23 2022-05-23 掩模版缺陷检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114881990A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116344378A (zh) * 2023-03-31 2023-06-27 江苏神州新能源电力有限公司 一种光伏板生产用智能检测系统及其检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021490A (zh) * 2007-03-12 2007-08-22 3i系统公司 平面基板自动检测系统及方法
WO2008137920A1 (en) * 2007-05-07 2008-11-13 Kla-Tencor Corporation Methods for detecting and classifying defects on a reticle
CN106030292A (zh) * 2014-02-12 2016-10-12 科磊股份有限公司 用于组合式明场、暗场及光热检验的设备及方法
CN109313724A (zh) * 2016-06-01 2019-02-05 科磊股份有限公司 针对半导体应用并入神经网络及前向物理模型的系统及方法
CN209432714U (zh) * 2018-11-13 2019-09-24 康代影像科技(苏州)有限公司 一种用于缺陷检测的系统
CN112881419A (zh) * 2021-05-06 2021-06-01 惠州高视科技有限公司 芯片检测方法、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021490A (zh) * 2007-03-12 2007-08-22 3i系统公司 平面基板自动检测系统及方法
WO2008137920A1 (en) * 2007-05-07 2008-11-13 Kla-Tencor Corporation Methods for detecting and classifying defects on a reticle
CN106030292A (zh) * 2014-02-12 2016-10-12 科磊股份有限公司 用于组合式明场、暗场及光热检验的设备及方法
CN109313724A (zh) * 2016-06-01 2019-02-05 科磊股份有限公司 针对半导体应用并入神经网络及前向物理模型的系统及方法
CN209432714U (zh) * 2018-11-13 2019-09-24 康代影像科技(苏州)有限公司 一种用于缺陷检测的系统
CN112881419A (zh) * 2021-05-06 2021-06-01 惠州高视科技有限公司 芯片检测方法、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116344378A (zh) * 2023-03-31 2023-06-27 江苏神州新能源电力有限公司 一种光伏板生产用智能检测系统及其检测方法
CN116344378B (zh) * 2023-03-31 2024-01-23 江苏神州新能源电力有限公司 一种光伏板生产用智能检测系统及其检测方法

Similar Documents

Publication Publication Date Title
TWI689875B (zh) 利用深度學習系統的自動光學檢測分類設備及其訓練設備
CN105894036B (zh) 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法
JP5275017B2 (ja) 欠陥検査方法及びその装置
CN110658198B (zh) 光学检测方法、光学检测装置及光学检测系统
US8045789B2 (en) Method and apparatus for inspecting defect of pattern formed on semiconductor device
JP2011158373A (ja) 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置
Wu et al. Automated visual inspection of surface mounted chip components
Guo et al. Research of the machine vision based PCB defect inspection system
US11880971B2 (en) Inspection method and system
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN113538392B (zh) 晶圆的检测方法、设备及存储介质
Zhou et al. Review of vision-based defect detection research and its perspectives for printed circuit board
CN114881990A (zh) 掩模版缺陷检测方法、装置、电子设备及存储介质
CN110426395B (zh) 一种太阳能el电池硅片表面检测方法及装置
Dominguez-Nicolas et al. Indentation image analysis for Vickers hardness testing
Peng et al. Non-uniform illumination image enhancement for surface damage detection of wind turbine blades
Zhang et al. An automatic defect detection method for TO56 semiconductor laser using deep convolutional neural network
CN114155179A (zh) 光源缺陷检测方法、装置、设备和存储介质
JP2007192688A (ja) 欠陥検査方法
JP5744965B2 (ja) 欠陥検査方法及びその装置
Sills et al. Defect identification on specular machined surfaces
Hu et al. Printed Circuit Board (PCB) Surface Micro Defect Detection Model Based on Residual Network with Novel Attention Mechanism.
CN114926675A (zh) 外壳污损缺陷检测方法、装置、计算机设备及存储介质
JP3262150B2 (ja) 半田接合部の検査装置
Zhong et al. A fast oxidation region detection algorithm based on differential geometry approach for high-density flexible integrated circuit packaging substrates

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