CN114913112A - 晶圆双边缘检测方法和装置及设备 - Google Patents

晶圆双边缘检测方法和装置及设备 Download PDF

Info

Publication number
CN114913112A
CN114913112A CN202110180277.7A CN202110180277A CN114913112A CN 114913112 A CN114913112 A CN 114913112A CN 202110180277 A CN202110180277 A CN 202110180277A CN 114913112 A CN114913112 A CN 114913112A
Authority
CN
China
Prior art keywords
image
wafer
region
screening
connected regions
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
CN202110180277.7A
Other languages
English (en)
Inventor
韩春营
杨彩虹
李强
俞宗强
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.)
Dongfang Jingyuan Electron Ltd
Original Assignee
Dongfang Jingyuan Electron 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 Dongfang Jingyuan Electron Ltd filed Critical Dongfang Jingyuan Electron Ltd
Priority to CN202110180277.7A priority Critical patent/CN114913112A/zh
Publication of CN114913112A publication Critical patent/CN114913112A/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
    • G11C29/006—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation at wafer scale level, i.e. wafer scale integration [WSI]
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请涉及一种晶圆双边缘检测方法和装置及设备，方法包括：读取当前待检测的晶圆图像；计算晶圆图像的图像灰度直方图分布，基于图像灰度直方图分布确定二值化阈值；采用确定的二值化阈值对晶圆图像进行二值化处理，得到相应的二值化图像；查找出二值化图像中的各连通区域，并对各连通区域进行筛选，根据筛选结果确定晶圆图像的边缘。通过在晶圆边缘检测时，基于图像灰度直方图分布确定二值化阈值，然后根据所确定的二值化阈值对晶圆图像进行二值化处理，进而再在二值化图像中进行连通区域的筛选来实现边缘检测的目的。相较于相关技术中，采用固定区域或采用最大类间方差法的变化阈值进行图像二值化处理的方式，有效提高了边缘检测的准确率。

Description

晶圆双边缘检测方法和装置及设备
技术领域
本申请涉及半导体器件制备技术领域，尤其涉及一种晶圆双边缘检测方法和装置及设备。
背景技术
晶圆的边缘检测在半导体制造业中应用领域较广，如：晶圆缺陷检测、晶圆定位等。晶圆缺陷检测技术的研究，综合了机器视觉、数字图像处理等技术，实现对晶圆表面的快速缺陷检测。晶圆的边缘检测可有效地提高晶圆的定位精度，从而保证芯片缺陷检测效率和精度。边缘检测是一种突出图像边缘、削弱边缘以外图像区域的方法，其可以在保留关于物体边缘有用的结构信息的同时极大地降低处理的数据量，从而简化图像的分析过程。物体的边缘是由灰度不连续性所反映的。在相关技术中，常用的边缘检测模板有Sobel算子、Roberts算子、LOG算子、Prewitt算子、Laplacian算子和Canny算子等。其中，在采用不同的边缘检测算子进行晶圆的边缘检测时，均采用固阈值或最大类间方差法的变化阈值进行图像边缘的提取，而不同的晶圆图像其对应的边缘有所不同，采用固阈值或最大类间方差法的变化阈值提取图像边缘时通常准确率较低，这就使得最终得到的边缘检测结果准确率偏低。
发明内容
有鉴于此，本申请提出了一种晶圆双边缘检测方法，可以有效提高边缘检测结果的精确度。
根据本申请的一方面，提供了一种晶圆双边缘检测方法，包括：
读取当前待检测的晶圆图像；
计算所述晶圆图像的图像灰度直方图分布，基于所述图像灰度直方图分布确定二值化阈值；
采用确定的所述二值化阈值对所述晶圆图像进行二值化处理，得到相应的二值化图像；
查找出所述二值化图像中的各连通区域，并对所述各连通区域进行筛选，根据筛选结果确定所述晶圆图像的边缘。
在一种可能的实现方式中，基于所述图像灰度直方图分布确定二值化阈值，包括：由所述图像灰度直方图分布中提取出首个峰值作为所述二值化阈值。
在一种可能的实现方式中，对各所述连通区域进行筛选时，根据各所述连通区域的区域面积进行筛选的步骤。
在一种可能的实现方式中，根据各所述连通区域的区域面积进行连通区域的筛选时，包括过滤掉区域面积小于或等于预设面积的连通区域，保留区域面积大于所述预设面积的连通区域的步骤。
在一种可能的实现方式中，对各所述连通区域进行筛选还包括：基于轮廓凹距分布，对根据各所述连通区域的区域面积进行筛选后保留的连通区域进行再次筛选的步骤。
在一种可能的实现方式中，基于轮廓凹距分布，对根据各所述连通区域的区域面积进行筛选后保留的连通区域进行再次筛选时，包括：
计算所述连通区域的轮廓线的凹点；
对计算得到的所述连通区域的轮廓线的凹点进行统计，得到相应的所述轮廓凹距分布；
根据所述轮廓凹距分布，由根据各所述连通区域的区域面积进行筛选后保留的连通区域中筛选出最匹配的连通区域，并确定筛选出的最匹配的连通区域的轮廓线为所述晶圆图像的边缘。
在一种可能的实现方式中，根据所述轮廓凹距分布，由根据各所述连通区域的区域面积进行筛选后保留的连通区域中筛选出最匹配的连通区域，包括：
对统计得到的各所述轮廓凹距分布进行比较，提取出所述轮廓凹距分布波动低于预设波动的连通区域；
由所述轮廓凹距分布波动低于预设波动的连通区域中，选取出区域面积最大的连通区域作为最匹配的连通区域。
在一种可能的实现方式中，对统计得到的各所述轮廓凹距分布进行比较，提取出轮廓凹距分布波动低于预设波动的连通区域时包括：
计算各所述轮廓凹距分布的标准差；
对计算得到的各所述标准差与预设标准差进行比较，根据比较结果提取出标准差低于所述预设标准差的连通区域。
根据本申请的另一方面，还提供了一种晶圆双边缘检测装置，包括图像读取模块、二值化阈值确定模块、二值化处理模块和边缘确定模块；
所述图像读取模块，被配置为读取当前待检测的晶圆图像；
所述二值化阈值确定模块，被配置为计算所述晶圆图像的图像灰度直方图分布，基于所述图像灰度直方图分布确定二值化阈值；
所述二值化处理模块，被配置为采用确定的所述二值化阈值对所述晶圆图像进行二值化处理，得到相应的二值化图像；
所述边缘确定模块，被配置为查找出所述二值化图像中的各连通区域，并对所述各连通区域进行筛选，根据筛选结果确定所述晶圆图像的边缘。
根据本申请的另一方面，还提供了一种晶圆双边缘检测设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现前面任一所述的方法。
通过在晶圆边缘检测时，基于图像灰度直方图分布确定二值化阈值，然后根据所确定的二值化阈值对晶圆图像进行二值化处理，进而再在二值化处理后的图像中进行连通区域的筛选来实现边缘检测的目的。相较于相关技术中，采用固定区域或采用最大类间方差法的变化阈值进行图像二值化处理的方式，二值化阈值的确定更加灵活，对于不同的晶圆图像选取自适应的二值化阈值进行二值化处理，从而能够更加有效地提高边缘检测的准确率。
根据下面参考附图对示例性实施例的详细说明，本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
图1示出本申请一实施例的晶圆双边缘检测方法的流程图；
图2示出本申请一实施例的晶圆双边缘检测方法的另一流程图；
图3示出本申请一实施例的晶圆双边缘检测方法中在进行二值化阈值选取时所依据的图像灰度直方分布图；
图4a和图4b分别示出本申请一实施例的晶圆双边缘检测方法中，根据区域面积进行连通区域的筛选过程中，在进行筛选前的晶圆图像和筛选后的晶圆图像；
图5a和图5b分别示出本申请一实施例的晶圆双边缘检测方法中，根据轮廓凹点进行连通区域的筛选过程中，进行筛选前的晶圆图像和筛选后的晶圆图像；
图6示出本申请一实施例的晶圆双边缘检测装置的结构框图；
图7示出本申请一实施例的晶圆双边缘检测设备的结构框图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
图1示出根据本申请一实施例的晶圆双边缘检测方法的流程图。如图1所示，该方法包括：步骤S100，读取当前待检测的晶圆图像。此处，需要说明的是，晶圆图像可以采用EBI(E-Beam Inspection)设备中的光学显微镜系统进行拍摄获取，进而在通过读取EBI设备拍摄获取到晶圆图像即可。
读取到晶圆图像后，即可执行步骤S200，计算晶圆图像的图像灰度直方图分布，基于图像灰度直方图分布确定二值化阈值。即，在读取到晶圆图像后，在进行晶圆边缘的检测时，需要先对晶圆图像进行二值化处理，然后再在二值化处理后的图像的基础上进行晶圆边缘的检测。其中，在进行二值化处理时，需要确定二值化阈值，从而根据所确定的二值化阈值对晶圆图像中的各像素点进行二值化。在本申请实施例的方法中，二值化阈值的确定则是通过计算晶圆图像的图像灰度直方图分布来进行。
在确定二值化阈值后，即可通过步骤S300，采用确定的二值化阈值对晶圆图像进行二值化处理，得到相应的二值化图像。进而再通过步骤S400，查找二值化图像中的各连通区域，并对各连通区域进行筛选，根据筛选结果确定晶圆图像的边缘。
由此，本申请实施例的晶圆双边缘检测方法，通过在晶圆边缘检测时，基于图像灰度直方图分布确定二值化阈值，然后根据所确定的二值化阈值对晶圆图像进行二值化处理，进而再在二值化处理后的图像中进行连通区域的筛选来实现边缘检测的目的。相较于相关技术中，采用固定区域或采用最大类间方差法的变化阈值进行图像二值化处理的方式，二值化阈值的确定更加灵活，对于不同的晶圆图像选取自适应的二值化阈值进行二值化处理，从而能够更加有效地提高边缘检测的准确率。
参阅图2，在读取到当前待检测的晶圆图像后，还需要对晶圆图像进行预处理。其中，在进行预处理时，可以通过步骤S110，选择中值滤波的方式进行图像去噪，并通过步骤S120，对晶圆图像做形态学闭运算，以消除晶圆图像中物体里面的小孔洞。
在对晶圆图像预处理之后，即可对晶圆图像进行二值化处理。根据前面所述，在本申请实施例的晶圆双边缘检测方法中，在对晶圆图像进行二值化处理时，所采用的二值化阈值是基于图像灰度直方图分布来确定的。因此，参阅图2和图3，首先，通过步骤S210，计算晶圆图像的图像灰度直方图分布，,然后，通过步骤S220，由图像灰度直方图分布中选取中首个峰值后的灰度值作为二值化阈值。然后，再通过步骤S300，采用确定的二值化阈值对晶圆图像进行二值化处理，得到相应的二值化图像。
在对晶圆图像进行二值化处理得到相应的二值化图像之后，即可执行步骤S400，查找出二值化图像中的各连通区域，并对各连通区域进行筛选，根据筛选结果确定晶圆图像的边缘。
此处，需要说明的是，为了有效提高筛选结果的准确性，在进行二值化图像中的连通区域的查找之前，还需要对二值化图像进行孔洞填充。即，参阅图2，通过步骤S004，对二值化图像中的轮廓中的孔洞进行填充。此处，本领域技术人员可以理解的是，对图像中的轮廓进行孔洞填充可以采用本领域的常规技术手段来实现，也可以采用自行设计的填充方式来进行，此处不进行具体限定。
另外，在本申请实施例的晶圆双边缘检测方法中，在进行连通区域的筛选时，首先可以根据各连通区域的区域面积进行筛选，筛选出区域面积大于预设面积的连通区域。
即，参阅图2，图4a和图4b，首先通过步骤S410，计算各连通区域的区域面积，进而再通过步骤S4220，依次对计算得到的各连通区域的区域面积与预设面积进行比较。在在比较判断出连通区域的区域面积小于或等于预设面积时，表明该连通区域为杂质，因此通过步骤S430，将该连通区域剔除。比较判断出连通区域的区域面积大于预设面积时，表明该连通区域的轮廓可能为晶圆的边缘，因此保留该连通区域，并执行步骤S440，提取区域面积大于预设面积的连通区域的轮廓。
其中，在一种可能的实现方式中，预设面积的取值可以根据实际情况灵活设置。举例来说，在本申请实施例的晶圆双边缘检测方法中，预设面积的取值范围可以为：大于或等于0.003*晶圆图像的总面积，小于或等于0.008*晶圆图像的总面积。优选的，预设面积的取值可以为0.005*晶圆图像的总面积。
其中，根据晶圆边缘平滑连续性可知，连通区域边缘为相对较为平滑的曲线。而单一通过区域面积进行筛选时，对于区域面积大且凹点较多的轮廓不容易筛选出来。因此，在本申请实施例的方法中，对连通区域的筛选还包括有根据轮廓凹点进行精筛选的步骤。
也就是说，通过上述步骤，根据各连通区域的区域面积筛选出备选连通区域(即，区域面积大于预设面积的连通区域)后，在本申请实施例的方法中，为了进一步提高晶圆检测结果的精确度，还包括基于轮廓凹距分布，对根据各连通区域的区域面积进行筛选后保留的连通区域(即，备选连通区域)进行再次筛选的步骤。
即，参阅图2，在通过步骤S440，提取出区域面积大于预设面积的连通区域的轮廓之后，还包括步骤S450，基于各连通区域的轮廓凹距分布进行连通区域的再次筛选。
其中，参阅图5a和图5b，在步骤S450，基于轮廓凹距分布，对根据各所述连通区域的区域面积进行筛选后保留的连通区域进行再次筛选时，首先，需要对各连通区域的轮廓线进行凹点检测，计算得到连通区域的轮廓线的凹点。此处，需要指出的是，对连通区域的轮廓线进行凹点检测，计算得到轮廓线的凹点的方式可以通过采用凸多边形进行检测得到。采用凸多边形对各连通区域的轮廓线进行凹点检测的具体过程可以采用本领域的常规技术手段来实现，也可以自行设计相应的检测算法。
在计算得到连通区域的轮廓线的凹点之后，再采用统计分布方式对计算得到的连通区域的轮廓线的凹点进行统计，得到相应的轮廓凹距分布。其中，本领域技术人员也可以理解的是，采用统计分布方式进行轮廓凹距分布的获取同样可以采用本领域的常规技术手段，因此此处也不再进行赘述。
在计算得到各备选的连通区域(即，区域面积大于预设面积的连通区域)的轮廓凹距分布后，即可根据轮廓凹距分布，由根据各连通区域的区域面积进行筛选后保留的连通区域中筛选出最匹配的连通区域，并确定筛选出的最匹配的连通区域的轮廓线为晶圆图像的边缘。
其中，需要指出的是，在根据轮廓凹距分布，由根据各连通区域的区域面积进行筛选后保留的连通区域中筛选出最匹配的连通区域时，可以通过以下方式来实现。
即，首先，对统计得到的各轮廓凹距分布进行比较，提取出轮廓凹距分布波动低于预设波动的连通区域。然后，由轮廓凹距分布波动低于预设波动的连通区域中，选取出区域面积最大的连通区域作为最匹配的连通区域。
更进一步的，在统计得到的各轮廓凹距分布进行比较，提取出轮廓凹距分布波动低于预设波动的连通区域时，可以通过标准差的方式来实现。
即，参阅图2，通过计算各轮廓凹距分布的标准差，然后通过步骤S460，对计算得到的各标准差与预设标准差进行比较，根据比较结果提取出标准差低于预设标准差的连通区域。然后，再通过步骤S470，由标准差低于预设标准差的连通区域中筛选出区域面积最大的连通区域，将该连通区域的轮廓线作为晶圆边缘。
其中，应当指出的是，对各轮廓凹距分布的标准差的计算可以采用常规的标准差计算公式来实现，此处不再进行举例说明。
由此，本申请实施例的晶圆双边缘检测方法，针对不同的边缘图像对图像的灰度分布曲线进行分析，对不同的图像选取自适应的阈值进行二值化，并结合连通域形状特征，制定出wafer双边缘的提取策略，有效提高了目标边缘选择准确率。相较于其他边缘检测算法，本申请实施例的晶圆双边缘检测方法，能够根据图像灰度分布灵活地选取二值化边缘阈值，并依据图像的面积和凹点分布等特征二次筛选出wafer边缘，这也就有效消除了噪声的干扰，具有较强的鲁棒性。
需要说明的是，尽管以图1至图5b作为示例介绍了如上所述的晶圆双边缘检测方法，但本领域技术人员能够理解，本申请应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定各步骤的具体实现方式，只要能够实现灵活选取不同的二值化阈值对晶圆图像进行二值化处理，并根据连通区域的区域面积和轮廓凹距分布进行连通区域的筛选即可。
相应的，基于前面任一所述，本申请还提供了一种晶圆双边缘检测装置。由于本申请提供的晶圆双边缘检测装置的工作原理与本申请提供的晶圆双边缘检测方法的原理相同或相似，因此重复之处不再赘述。
参阅图6，本申请提供的晶圆双边缘检测装置100包括图像读取模块110、二值化阈值确定模块120、二值化处理模块130和边缘确定模块140。其中，图像读取模块110，被配置为读取当前待检测的晶圆图像。二值化阈值确定模块120，被配置为计算晶圆图像的图像灰度直方图分布，基于图像灰度直方图分布确定二值化阈值。二值化处理模块130，被配置为采用确定的二值化阈值对晶圆图像进行二值化处理，得到相应的二值化图像。边缘确定模块140，被配置为查找出二值化图像中的各连通区域，并对各连通区域进行筛选，根据筛选结果确定晶圆图像的边缘。
更进一步地，根据本申请的另一方面，还提供了一种晶圆双边缘检测设备200。参阅图7，本申请实施例的晶圆双边缘检测设备200包括处理器210以及用于存储处理器210可执行指令的存储器220。其中，处理器210被配置为执行可执行指令时实现前面任一所述的晶圆双边缘检测方法。
此处，应当指出的是，处理器210的个数可以为一个或多个。同时，在本申请实施例的晶圆双边缘检测设备200中，还可以包括输入装置230和输出装置240。其中，处理器210、存储器220、输入装置230和输出装置240之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
存储器220作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本申请实施例的晶圆双边缘检测方法所对应的程序或模块。处理器210通过运行存储在存储器220中的软件程序或模块，从而执行晶圆双边缘检测设备200的各种功能应用及数据处理。
输入装置230可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置240可以包括显示屏等显示设备。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种晶圆双边缘检测方法，其特征在于，包括：
读取当前待检测的晶圆图像；
计算所述晶圆图像的图像灰度直方图分布，基于所述图像灰度直方图分布确定二值化阈值；
采用确定的所述二值化阈值对所述晶圆图像进行二值化处理，得到相应的二值化图像；
查找出所述二值化图像中的各连通区域，并对所述各连通区域进行筛选，根据筛选结果确定所述晶圆图像的边缘。
2.根据权利要求1所述的方法，其特征在于，基于所述图像灰度直方图分布确定二值化阈值，包括：由所述图像灰度直方图分布中提取出首个峰值作为所述二值化阈值。
3.根据权利要求1所述的方法，其特征在于，对各所述连通区域进行筛选时，根据各所述连通区域的区域面积进行筛选的步骤。
4.根据权利要求3所述的方法，其特征在于，根据各所述连通区域的区域面积进行连通区域的筛选时，包括过滤掉区域面积小于或等于预设面积的连通区域，保留区域面积大于所述预设面积的连通区域的步骤。
5.根据权利要求3所述的方法，其特征在于，对各所述连通区域进行筛选还包括：基于轮廓凹距分布，对根据各所述连通区域的区域面积进行筛选后保留的连通区域进行再次筛选的步骤。
6.根据权利要求5所述的方法，其特征在于，基于轮廓凹距分布，对根据各所述连通区域的区域面积进行筛选后保留的连通区域进行再次筛选时，包括：
计算所述连通区域的轮廓线的凹点；
对计算得到的所述连通区域的轮廓线的凹点进行统计，得到相应的所述轮廓凹距分布；
根据所述轮廓凹距分布，由根据各所述连通区域的区域面积进行筛选后保留的连通区域中筛选出最匹配的连通区域，并确定筛选出的最匹配的连通区域的轮廓线为所述晶圆图像的边缘。
7.根据权利要求6所述的方法，其特征在于，根据所述轮廓凹距分布，由根据各所述连通区域的区域面积进行筛选后保留的连通区域中筛选出最匹配的连通区域，包括：
对统计得到的各所述轮廓凹距分布进行比较，提取出所述轮廓凹距分布波动低于预设波动的连通区域；
由所述轮廓凹距分布波动低于预设波动的连通区域中，选取出区域面积最大的连通区域作为最匹配的连通区域。
8.根据权利要求7所述的方法，其特征在于，对统计得到的各所述轮廓凹距分布进行比较，提取出轮廓凹距分布波动低于预设波动的连通区域时包括：
计算各所述轮廓凹距分布的标准差；
对计算得到的各所述标准差与预设标准差进行比较，根据比较结果提取出标准差低于所述预设标准差的连通区域。
9.一种晶圆双边缘检测装置，其特征在于，包括图像读取模块、二值化阈值确定模块、二值化处理模块和边缘确定模块；
所述图像读取模块，被配置为读取当前待检测的晶圆图像；
所述二值化阈值确定模块，被配置为计算所述晶圆图像的图像灰度直方图分布，基于所述图像灰度直方图分布确定二值化阈值；
所述二值化处理模块，被配置为采用确定的所述二值化阈值对所述晶圆图像进行二值化处理，得到相应的二值化图像；
所述边缘确定模块，被配置为查找出所述二值化图像中的各连通区域，并对所述各连通区域进行筛选，根据筛选结果确定所述晶圆图像的边缘。
10.一种晶圆双边缘检测设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求1至8中任意一项所述的方法。
CN202110180277.7A 2021-02-08 2021-02-08 晶圆双边缘检测方法和装置及设备 Pending CN114913112A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110180277.7A CN114913112A (zh) 2021-02-08 2021-02-08 晶圆双边缘检测方法和装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110180277.7A CN114913112A (zh) 2021-02-08 2021-02-08 晶圆双边缘检测方法和装置及设备

Publications (1)

Publication Number Publication Date
CN114913112A true CN114913112A (zh) 2022-08-16

Family

ID=82760730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110180277.7A Pending CN114913112A (zh) 2021-02-08 2021-02-08 晶圆双边缘检测方法和装置及设备

Country Status (1)

Country Link
CN (1) CN114913112A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546232A (zh) * 2022-10-12 2022-12-30 什维新智医疗科技(上海)有限公司 一种肝脏超声图像工作区域提取方法、系统及电子设备
CN117036364A (zh) * 2023-10-09 2023-11-10 全芯智造技术有限公司 图像处理方法及装置、存储介质、计算设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012190935A (ja) * 2011-03-09 2012-10-04 Asahi Kasei Electronics Co Ltd チップ位置特定システム、チップ位置特定装置、チップ位置特定プログラム及びチップ位置特定方法
CN106600600A (zh) * 2016-12-26 2017-04-26 华南理工大学 基于特征匹配的晶圆缺陷检测方法
CN111106055A (zh) * 2019-12-31 2020-05-05 上海精测半导体技术有限公司 一种晶圆位置确定方法
CN111462113A (zh) * 2020-04-24 2020-07-28 上海精测半导体技术有限公司 无图形晶圆的复检方法
CN112070766A (zh) * 2020-11-16 2020-12-11 深圳中科飞测科技有限公司 缺陷检测方法及装置、检测设备及可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012190935A (ja) * 2011-03-09 2012-10-04 Asahi Kasei Electronics Co Ltd チップ位置特定システム、チップ位置特定装置、チップ位置特定プログラム及びチップ位置特定方法
CN106600600A (zh) * 2016-12-26 2017-04-26 华南理工大学 基于特征匹配的晶圆缺陷检测方法
CN111106055A (zh) * 2019-12-31 2020-05-05 上海精测半导体技术有限公司 一种晶圆位置确定方法
CN111462113A (zh) * 2020-04-24 2020-07-28 上海精测半导体技术有限公司 无图形晶圆的复检方法
CN112070766A (zh) * 2020-11-16 2020-12-11 深圳中科飞测科技有限公司 缺陷检测方法及装置、检测设备及可读存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546232A (zh) * 2022-10-12 2022-12-30 什维新智医疗科技(上海)有限公司 一种肝脏超声图像工作区域提取方法、系统及电子设备
CN117036364A (zh) * 2023-10-09 2023-11-10 全芯智造技术有限公司 图像处理方法及装置、存储介质、计算设备
CN117036364B (zh) * 2023-10-09 2024-01-02 全芯智造技术有限公司 图像处理方法及装置、存储介质、计算设备

Similar Documents

Publication Publication Date Title
US9235762B2 (en) Iris data extraction
CN109242853B (zh) 一种基于图像处理的pcb缺陷智能检测方法
EA004910B1 (ru) Способ и устройство для определения областей, представляющих интерес, в изображениях и для передачи изображения
CN110288566B (zh) 一种目标缺陷提取方法
CN115294159B (zh) 金属紧固件腐蚀区域分割方法
KR20130072073A (ko) 영상 윤곽선 추출 장치 및 방법
CN114913112A (zh) 晶圆双边缘检测方法和装置及设备
Said et al. Robust automatic void detection in solder balls
CN116485779A (zh) 自适应晶圆缺陷检测方法、装置、电子设备及存储介质
US20200193212A1 (en) Particle boundary identification
CN115272362A (zh) 一种数字病理全场图像有效区域分割方法、装置
Tao Enhanced Canny Algorithm for Image Edge Detection in Print Quality Assessment
Tabatabaei et al. A novel method for binarization of badly illuminated document images
CN109211919B (zh) 磁瓦崩缺区域的识别方法及装置
CN111414912A (zh) 对接型焊缝特征点的识别方法、装置、设备及存储介质
CN111932515B (zh) 产品残留类缺陷的短路检测方法及系统及缺陷分类系统
CN114463283A (zh) 金属表面损伤检测方法、系统、存储介质及电子设备
KR20240101589A (ko) 반도체 전자빔 결함 모니터링을 위한 이미지 처리 방법, 장치 및 시스템
CN114529570A (zh) 图像分割方法、图像识别方法、用户凭证补办方法及系统
CN109949245B (zh) 十字激光检测定位方法、装置、存储介质及计算机设备
CN113286079B (zh) 图像对焦方法、装置、电子设备及可读存储介质
CN117474916B (zh) 一种图像检测方法、电子设备及存储介质
CN109785383B (zh) TVlines图像中定位识别测试线的方法、装置及可读存储介质
CN117765014A (zh) 图像边缘检测方法、装置、设备以及存储介质
CN117372342A (zh) 晶圆缺陷检测方法、系统及存储介质

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
CB02 Change of applicant information

Address after: 100176 building 12, yard 156, Jinghai 4th Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Dongfang Jingyuan Microelectronics Technology (Beijing) Co.,Ltd.

Address before: 101102 building 12, yard 156, Jinghai 4th Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant before: DONGFANG JINGYUAN ELECTRON Ltd.

CB02 Change of applicant information