CN115165920B - 一种三维缺陷检测方法及检测设备 - Google Patents
一种三维缺陷检测方法及检测设备 Download PDFInfo
- Publication number
- CN115165920B CN115165920B CN202211081630.7A CN202211081630A CN115165920B CN 115165920 B CN115165920 B CN 115165920B CN 202211081630 A CN202211081630 A CN 202211081630A CN 115165920 B CN115165920 B CN 115165920B
- Authority
- CN
- China
- Prior art keywords
- detection
- detected
- image
- area
- grid
- 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
- 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
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种三维缺陷检测方法及检测设备,该方法包括将具有镜面结构的待检测物放置于载台上,并将待检测物的镜面侧朝向网格板具有网格纹的一侧设置;启用照明组件照射网格板具有网格纹的一侧,以使待检测物的镜面侧映照出网格纹的图像;通过拍摄元件获取待检测物的镜面侧的检测图像;获取检测图像中的目标检测区域,并基于预设神经网络模型判断目标检测区域中出现的网格纹的图像是否发生扭曲;若是,则判定当前待检测物的镜面侧具有三维缺陷。通过上述方式在只需要使用网格板、照明组件以及拍摄元件的前提下就能够简单、快速的完成对镜面结构的三维缺陷检测,从而大幅提升了检测效率。
Description
技术领域
本发明涉及半导体技术领域,特别涉及一种三维缺陷检测方法及检测设备。
背景技术
半导体行业在生产过程中,有许多产品都需要使用光学检测设备来进行表面三维缺陷方面的检测。现有的表面三维缺陷检测方式一般是通过光束对待检测物的表面进行扫描,并进一步通过对反射光信号的分析来得出对待检测物上三维缺陷的检测结果,检测时间较长,分析难度较大。
其中,部分产品因其制作材料的原因,其表面具有镜面结构,对于这种具有镜面结构的待检测物,现有的三维缺陷检测检测方法检测起来更为不便,不利于该类待检测物的大规模生产。
发明内容
基于此,本发明的目的是提供一种三维缺陷检测方法及检测设备,以便于对具有镜面结构的待检测物进行三维缺陷检测。
本发明实施例第一方面提出了一种三维缺陷检测方法,所述方法包括以下步骤:
将具有镜面结构的待检测物放置于载台上,并将当前所述待检测物的镜面侧朝向网格板具有网格纹的一侧设置;
启用照明组件照射所述网格板具有所述网格纹的一侧,以使所述待检测物的镜面侧映照出所述网格纹的图像;
通过拍摄元件获取所述待检测物的镜面侧的检测图像,所述检测图像包含所述待检测物上映照出的所述网格纹的图像信息;
获取所述检测图像中的目标检测区域,并基于预设神经网络模型判断所述目标检测区域中出现的所述网格纹的图像是否发生扭曲;
若判断到所述目标检测区域中出现的所述网格纹的图像发生扭曲,则判定当前所述待检测物的镜面侧具有三维缺陷。
本发明的有益效果是:通过将待检测物具有镜面结构的一侧朝向网格板设置,与此同时,启用照明组件照射该网格板,以使当前待检测物的镜面结构能够映照出上述网格板的网格纹的图像,在此基础之上,通过设置好的拍摄元件获取当前待检测物的镜面侧的检测图像,并进一步获取当前检测图像中的目标检测区域,以通过预设好的神经网络模型判断当前目标检测区域中出现的网格纹是否发生扭曲,若是,则能够准确的判定当前待检测物的镜面结构具有三维缺陷。通过上述方式在只需要使用网格板、照明组件以及拍摄元件的前提下就能够简单、快速的完成对待检测物的镜面结构的三维缺陷的检测,与此同时,操作流程简单、检测成本低,从而大幅提升了检测效率,适用于大范围的推广与使用。
优选的,所述获取所述检测图像中的目标检测区域,并基于预设神经网络模型判断所述目标检测区域中出现的所述网格纹的图像是否发生扭曲的步骤之前,所述方法还包括:
获取样本检测图像,并将所述样本检测图像切割成若干样本图片;
识别出若干所述样本图片中的正常样本图片以及异常样本图片,并将所述正常样本图片以及所述异常样本图片旋转预设角度;
将旋转后的正常样本图片以及异常样本图片同时输入至预设神经网络中,以对所述预设神经网络进行训练,对应形成所述预设神经网络模型。
优选的,所述待检测物为具有平边结构的晶圆,所述获取所述检测图像中的目标检测区域的步骤包括:
通过预设阈值在所述检测图像中分割提取出晶圆图像区域,并根据所述晶圆图像区域获取到所述晶圆的平边区域;
获取所述平边区域与所述晶圆图像区域之间的交点,所述交点包括上交点以及下交点;
根据所述上交点以及所述下交点分别划定出一矩形区域,以将所述矩形区域作为所述目标检测区域。
优选的,所述通过预设阈值在所述检测图像中分割提取出晶圆图像区域,并根据所述晶圆图像区域获取到所述晶圆的平边区域的步骤包括:
当提取出所述晶圆图像区域时,根据所述晶圆的预设平边长度以及预设平边角度在所述晶圆图像区域中识别出包含有平边的局部晶圆图像,并通过所述预设阈值对所述局部晶圆图像进行分割处理,以对应获取到所述晶圆的所述平边区域。
优选的,所述基于预设神经网络模型判断所述目标检测区域中出现的所述网格纹的图像是否发生扭曲的步骤包括:
将所述目标检测区域分割成若干检测图片,并通过所述预设神经网络模型对若干所述检测图片进行分类处理,以对应识别出若干正常检测图片以及若干异常检测图片;
对若干所述异常检测图片进行拼接处理,以生成对应的局部检测图像,并判断所述局部检测图像中的网格纹是否发生扭曲。
优选的,所述网格板上设有定位点,所述获取所述检测图像中的目标检测区域的步骤包括:
通过所述载台将所述待检测物校正,以使各所述待检测物与所述定位点的相对位置一致,并以所述定位点为参考确定出所述目标检测区域。
优选的,所述方法还包括:
若判定到当前所述待检测物的镜面侧具有三维缺陷,则对当前所述待检测物进行复检,以对应获取到复检结果;
若所述复检结果二次判定当前所述待检测物的镜面侧具有三维缺陷,则确定当前所述待检测物为不良品。
本发明实施例第二方面提出了一种应用于如上面所述的三维缺陷检测方法的检测设备,所述检测设备包括:
所述载台,用于放置所述待检测物;
所述照明组件,设于所述载台的一侧,且所述照明组件与所述载台相对设置;
所述网格板,设于所述照明组件远离所述载台的一侧,且所述网格板朝向所述照明组件的一侧设有所述网格纹;
所述拍摄元件,设于所述网格板远离所述照明组件的一侧;
其中,所述待检测物与所述网格纹相对设置,所述照明组件用于向所述网格板设有网格纹的一侧投射光线,并使所述网格板上的网格纹漫反射至所述待检测物的镜面结构上,以使所述待检测物具有镜面结构的一侧映照出所述网格板上的网格纹图像,并通过所述拍摄元件获取所述待检测物具有镜面结构的一侧的检测图像。
其中,上述检测设备中,所述检测设备还包括机台,所述载台设于所述机台的顶部,所述机台上还设有支撑元件,所述支撑元件垂设于所述机台的顶部并与所述载台间隔设置,所述拍摄元件、所述网格板以及所述照明组件依次自上而下设于所述支撑元件上。
其中,上述检测设备中,所述照明组件包括安装框以及设于所述安装框上的若干灯条,所述安装框的中部开设有通孔,所述通孔的尺寸大于所述待检测物的尺寸,每一所述灯条对应设于所述安装框的每一侧边上,所述灯条与所述安装框活动连接。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1为本发明第一实施例提供的三维缺陷检测方法的流程图;
图2为本发明第一实施例提供的三维缺陷检测方法中的具有三维缺陷的晶圆的示意图;
图3为本发明第一实施例提供的三维缺陷检测方法中的不具有三维缺陷的晶圆的示意图;
图4为本发明第一实施例提供的三维缺陷检测方法中的晶圆的检测图像示意图;
图5为本发明第一实施例提供的三维缺陷检测方法的检测设备的结构示意图;
图6为本发明第一实施例提供的三维缺陷检测方法的检测设备的光路示意图;
图7为本发明第二实施例提供的三维缺陷检测方法中的网格板的结构示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
现有技术中检测三维缺陷的方法较为繁琐,检测成本较高。半导体领域,对于具有镜面结构的生产物料——比如具有镜面结构的晶圆,检测表面的三维缺陷是一项非常必要的工作,现有的三维缺陷检测方法不利于晶圆的大规模生产。
请参阅图1,所示为本发明第一实施例提供的三维缺陷检测方法,本实施例提供的三维缺陷检测方法在只需要使用网格板40、照明组件30以及拍摄元件50的前提下就能够简单、快速的完成对具有镜面结构的待检测物进行三维缺陷的检测,与此同时,操作流程简单、检测成本低,从而大幅提升了检测效率,适用于大范围的推广与使用。
具体的,本实施例提供的三维缺陷检测方法用于检测具有镜面结构的待检测物,该方法包括以下步骤:
步骤S10,将具有镜面结构的待检测物20放置于载台10上,并将当前待检测物20的镜面朝向网格板40具有网格纹的一侧设置;
具体的,在本实施例中,首先需要说明的是,本实施例提供的三维缺陷检测方法具体应用在具有镜面结构的待检测物20上,其中,该镜面结构可以理解为类似于镜子的水平结构,其具有反射效果,并且跟镜子一样具有映照其他物体的功能,即能够在其具有镜面结构的表面成像。在生产该类待检测物20的时候,需要对每个待检测物20的镜面侧进行三维缺陷检测,即检测晶圆的镜面结构是否平整、是否有翘角等,以保证晶圆的产品良率。
因此,在本步骤中,需要说明的是,在开始检测之前,需要将待检测物20放置于预先设置好的载台10上,且使得待检测物20的镜面侧朝向拍摄元件。其中,需要指出的是,该载台10的内部设有驱动机构,该驱动机构能够驱动载台10移动,以带动待检测物20相对拍摄元件移动,完成对待检测物20的位置的调整,确保待检测物处于拍摄元件的视场范围内。优选的,在本实施例中,当前待检测物20的镜面侧与网格板40上的网格纹正对设置。
步骤S20,启用照明组件30照射网格板40具有网格纹的一侧,以使待检测物20的镜面侧映照出网格纹的图像;
步骤S30,通过拍摄元件50获取待检测物20的镜面侧的检测图像130,所述检测图像130包含待检测物20上映照出的网格纹的图像信息;
需要说明的是,本步骤中会进一步启用预装好的照明组件30,在实际的检测过程中,通过该照明组件30向上述网格板40的网格纹发射照明光线,从而为待检测物的镜面侧上映照出网格纹的图像创造光照条件,使当前待检测物20的镜面侧清晰的映照出上述网格板40上的网格纹。
在此基础之上,再通过预装好的拍摄元件50获取到当前待检测物20具有镜面结构的一侧的检测图像130,那么,该检测图像130所反馈出来的信息便会包含待检测物20上映照出的网格纹的图像信息,那么,通过进一步对检测图像130进行分析,便能够获取到待检测物的镜面侧的缺陷信息。
步骤S40,获取所述检测图像130中的目标检测区域80,并基于预设神经网络模型判断所述目标检测区域80中出现的网格纹的图像是否发生扭曲;
其中,网格板40朝向载台的一侧设有网格纹41,网格纹41为具有一定规律的、整齐的线条组成,因此,在待检测物的镜面侧朝向网格板40具有网格纹41的一侧,并映照出网格纹41的图像的时候,一旦待检测物的镜面侧具有三维缺陷,相对应的,待检测物20表面映照出的网格纹41的图像便会发生扭曲,从而反馈出待检测物20表面具有的三维缺陷的情况。
具体的,在本步骤中,需要说明的是,在通过拍摄元件50获取到当前待检测物20的镜面侧的检测图像130之后,本步骤会对获取到的检测图像130进行识别处理,以获取到当前检测图像130中的目标检测区域80,在此基础之上,进一步基于预设好的神经网络模型判断获取到的目标检测区域80中出现的网格纹的图像是否发生了扭曲。需要说明的是,目标检测区域80即为待检测物上可能出现三维缺陷的区域,对于待检测物来说,根据待检测物各处结构的不同,可能出现三维缺陷的概率是不一样的,在对待检测物检测的时候,可以先预判出待检测物上可能出现三维缺陷的位置,该位置即为目标检测区域80,进而对目标检测区域80的图像重点分析,从而提高检测效率。其中,在本步骤中,需要指出的是,上述获取所述检测图像130中的目标检测区域80,并基于预设神经网络模型判断所述目标检测区域80中出现的网格纹的图像是否发生扭曲的步骤之前,该方法还包括:
具体的,在本实施例中,在正式开始对待检测物20的检测之前,本实施例中的三维缺陷检测方法会首先获取到关于具有镜面结构的待检测物20的样本检测图像130,并将该样本检测图像130切割成若干样本图片;
进一步的,识别出当前若干样本图片中的正常样本图片以及异常样本图片,与此同时,将识别出的正常样本图片以及异常样本图片旋转预设角度,优选的,在本实施例中,将正常样本图片以及异常样本图片旋转3°;
在此基础之上,将旋转后的正常样本图片以及异常样本图片同时输入至预设神经网络中,以对当前预设神经网络进行训练以获取到上述的预设神经网络模型,最后将训练好的神经网络模型进行应用。可以理解的,在将正常样本图片以及异常样本图片输入到预设神经网络后,预设神经网络能够获得足够多的图片信息,进而使得根据这些图片信息训练后获得的预设神经网络模型在实际检测的过程中,能够识别出目标检测对象中的网格纹图像信息是否发生扭曲。
优选的,在本实施例中,神经网络模型采用ResNet网络模型。
进一步的,本实施例中,待检测物为具有平边结构的晶圆,上述获取所述检测图像130中的目标检测区域80的步骤包括:
通过预设阈值在获取到的检测图像130中分割提取出晶圆图像区域100,并根据当前晶圆图像区域100获取到当前晶圆的平边区域90;
进一步的,本步骤获取上述平边区域90与上述晶圆图像区域100之间的交点,该交点包括上交点110以及下交点120,其中,需要指出的是,当晶圆的镜面结构出现缺陷时,该缺陷只会出现在晶圆的平边与弧形边之间的交点上或者交点附近,即本实施例提供的上交点110以及下交点120上;
在此基础之上,本步骤根据上述上交点110以及上述下交点120分别划定出一矩形区域,以最终将该矩形区域作为上述目标检测区域80。
可以理解的,为了能够完整的获取待检测物的图像,拍摄元件能够拍摄的范围是大于待检测物的表面的。相应的,本实施例中,如图4所示,获取到的检测图像130是包括晶圆表面的图像以及晶圆周边区域的图像的,因此,在确定目标检测区域80之前,要先确定出晶圆图像区域100。对于具有平边结构的晶圆来说,其平边的两端就是最有可能出现三维缺陷的区域,因此,本实施例中以上交点110和下交点120分别划定出的矩形区域为目标检测区域80。
需要说明的是,本实施例中,晶圆的平边结构属于晶圆上较为特殊的结构,通过对检测图像130的分析,我们能够获取到平边区域90的位置,并且以平边区域90为参考位置的话,也能够进一步确定晶圆上其他位置相对于平边区域90的位置,也就是说,若选定晶圆上非平边区域90的位置为目标检测区域80的话,也能够通过平边区域90的位置来获取目标检测区域80所在的位置。对于批量检测的晶圆来说,同一批晶圆上可能出现三维缺陷的位置是接近的,也就是说,对于某一批需要检测三维缺陷的晶圆,各晶圆的目标检测区域80与平边区域90的相对位置是一致的,那么,在具体分析的过程中,便能够快速的通过平边区域90确定出目标检测区域80的位置。
可以理解的,本实施例中晶圆的平边结构可以被用作定位参考。在更多的实施例中,对于其他形态的待检测物来说,若其具有可以用来参考定位的结构,那么也同样的可以通过该定位参考结构的位置来确定目标检测区域80。比如,待检测物是具有V形缺口的晶圆的时候,便能够通过该种晶圆上V形缺口的位置来确定出目标检测区域80的位置。
另外,需要指出的是,上述通过预设阈值在所述检测图像130中分割提取出晶圆图像区域100,并根据所述晶圆图像区域100获取到所述晶圆的平边区域90的步骤包括:
当提取出上述晶圆图像区域100时,立即根据上述晶圆的预设平边长度以及预设平边角度在上述晶圆图像区域100中识别出包含有平边的局部晶圆图像,并通过另一阈值对当前局部晶圆图像进行分割处理,以对应获取到上述晶圆的上述平边区域90。
步骤S50,若判断到所述目标检测区域80中出现的网格纹发生扭曲,则判定当前待检测物的镜面侧具有三维缺陷。
其中,在本步骤中,如图2和图3所示,需要指出的是,上述判断所述目标检测区域80中出现的网格纹是否发生扭曲的步骤包括:
将所述目标检测区域80分割成若干检测图片,并通过所述预设神经网络模型对若干所述检测图片进行分类处理,以对应识别出若干正常检测图片以及若干异常检测图片;
对若干所述异常检测图片进行拼接处理,以生成对应的局部检测图像130,并判断所述局部检测图像130中的网格纹是否发生扭曲,若是,则判定具有三维缺陷,若否,则判定不具有三维缺陷。
另外,在本实施例中,还需要指出的是,上述方法还包括:
若判定到当前待检测物20的镜面结构具有三维缺陷,则对当前待检测物20进行复检,以对应获取到复检结果;
若所述复检结果二次判定当前待检测物20的镜面结构具有三维缺陷,则确定当前待检测物20为不良品。
在本步骤中,通过设置复检程序,能够有效的避免出现误检的情况,以进一步提升检测的准确率,避免不必要的损失。
另外,还需要强调的是,本实施例中的三维缺陷检测方法能够较为简单迅速的检出待检测物20表面较为微小的三维缺陷。可以理解的,本实施例中网格纹41中线条的密度可以在能够识别的范围内尽量设置的密集,那么,对于具有镜面结构的待检测物20来说,即使是很小的一个地方发生三维缺陷,其对所映照出来的网格纹图像都是会产生影响的,再相应的通过预设神经网络模型的分析,便能快速的检出这种微小缺陷。
本实施例中的三维缺陷检测方法,只需要使用网格板40、照明组件30以及拍摄元件50的前提下就能够简单、快速的完成对晶圆镜面结构的三维缺陷的检测,与此同时,操作流程简单、检测成本低,从而大幅提升了检测效率,适用于大范围的推广与使用。
需要说明的是,上述的实施过程只是为了说明本申请的可实施性,但这并不代表本申请的三维缺陷检测方法只有上述唯一一种实施流程,相反的,只要能够将本申请的三维缺陷检测方法实施起来,都可以被纳入本申请的可行实施方案。
请参阅图7,所示为本发明第二实施例提供的三维缺陷检测方法中所用的网格板40,与第一实施例相同的,网格板40的一侧设有网格纹41,网格纹41为具有一定规律的、整齐的线条组成,因此,在待检测物20朝向网格板40具有网格纹41的一侧,并映照出网格纹41的图像的时候,一旦待检测物20表面具有三维缺陷,晶圆表面映照出的网格纹41的图像便会发生扭曲,从而反馈出晶圆表面具有的三维缺陷的情况。
其中,需要指出的是,本实施例提供的三维缺陷检测方法中所用的网格板40上具有网格纹41的一侧设有若干定位点42。本实施例中获取目标检测区域80的方式为:通过载台将待检测物校正,以使各待检测物与定位点的相对位置一致,并以定位点为参考确定出目标检测区域。
可以理解的,目标检测区域80可能是待检测物表面上的任意区域,在同一个网格板40中,定位点42相对于网格纹41的位置是固定的,在待检测物20具有镜面结构的一侧映照出网格纹41的图像的时候,定位点42的图像也会同时呈现于检测图像130中,以定位点42为参照物能够确定出待检测物20表面各部分相对于定位点42的位置,那么,以定位点42为参考,便能够获取到目标检测区域80相对于定位点42的位置,从而在批量检测待检测物20的过程中确定出各个待检测物20的目标检测区域80。
在拍摄元件获取检测图像130之前,通过载台10对待检测物20的位置进行校正,以使得每一个待检测物20相对于镜头的位置是一致的,从而方便对获取的检测图像130进行分析,那么,在定位点42位置不变、且每一个待检测物20都会被调节到同一位置的情况下,通过定位点42先确定待检测物20上某一区域为目标检测区域80,那么,在获取到多个待检测物20的检测图像130的时候,也能够快速的确定这些待检测物20的某一区域为目标检测区域80,从而对目标检测区域80的图像进行分析。
另外,还需要说明的是,本实施例中提供的三维缺陷检测方法可以适用于表面没有参考定位结构的待检测物。
请参阅图5,本发明第一实施例还提供了一种应用于如上面所述的三维缺陷检测方法的检测设备,该检测设备包括:
载台10,用于放置所述待检测物20;
照明组件30,设于载台10的一侧,且照明组件30与载台10相对设置;
网格板40,设于照明组件30远离载台10的一侧,且网格板40朝向照明组件30的一侧设有网格纹41,优选的,在本实施例中,需要说明的是,本实施例提供的网格板40上的网格纹41由若干个相同大小的矩形框连接而成,从而能够形成具有网状的网格纹41,并且在实际检测的过程中,该网格纹41能够完全覆盖住待检测物20的镜面结构。另外,本实施例在网格板40上还设置有两个定位点42,该两个定位点42与上述网格纹41同侧设置,在待检测物20的检测过程中,该两个定位点42用于定位待检测物20的目标检测区域;
拍摄元件50,设于网格板40远离照明组件30的一侧;
其中,待检测物20与所述网格纹相对设置,照明组件30用于向网格板40设有网格纹的一侧投射光线,并使网格板40上的网格纹反射至待检测物20的镜面结构上,以使待检测物20具有镜面结构的一侧映照出网格板40上的网格纹41的图像,并通过拍摄元件50获取待检测物20具有镜面结构的一侧的检测图像。
其中,需要说明的是,上述检测设备还包括机台60,安装时,载台10设于机台60的顶部,在机台60上还设有支撑元件70,该支撑元件70垂设于机台60的顶部并与载台10间隔设置,安装时,拍摄元件50、网格板40以及照明组件30依次自上而下设于支撑元件70上。优选的,在本实施例中,拍摄元件50设置为面阵相机,在实际的使用过程中,该面阵相机能够精准的捕捉到待检测物20的镜面结构上映照出的网格纹图像,即对应生成当前待检测物20的检测图像,并能够及时对拍摄到的检测图像进行处理。
进一步的,在本实施例中,还需要指出的是,本实施例提供的照明组件30包括安装框31以及设于安装框31上的若干灯条32,其中,需要说明的是,为了便于上述拍摄元件50拍摄图像,在安装框31的中部开设有通孔33,具体的,通孔33的尺寸大于待检测物20的尺寸,从而能够使拍摄元件50捕捉到完整的待检测物20的图像,进一步的,本实施例设置有四条灯条32,每条灯条32分别对应设于安装框31的每一侧边上,与此同时,灯条32与安装框31活动连接在一起,在实际的使用过程中,每条灯条32均能够相对于安装框31进行转动,以对应调整照射角度,优选的,在本实施例中,每条灯条32均能够以安装框31进行转动,因此,每条灯条32的光线射出端均能够朝向网格板40设置,即每条灯条32均能够向网格板40发射光线。
另外,在本实施例中,如图6所示,还需要说明的是,在实际的检测过程中,照明组件30直接向网格板40的网格纹41透射光线,该光线会立即在网格纹41处发生漫反射,并进一步反射至待检测物20的镜面结构上,从而能够使待检测物20的镜面结构映照出上述网格纹41,以使拍摄元件50能够对应拍摄到检测图像。
综上所述,本发明上述实施例当中的三维缺陷检测方法及检测设备在只需要使用网格板40、照明组件30以及拍摄元件50的前提下就能够简单、快速的完成对晶圆镜面结构的三维缺陷的检测,与此同时,操作流程简单、检测成本低,从而大幅提升了检测效率,适用于大范围的推广与使用。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种三维缺陷检测方法,其特征在于,所述方法包括以下步骤:将具有镜面结构的待检测物放置于载台上,并将当前所述待检测物的镜面侧朝向网格板具有网格纹的一侧设置;
启用照明组件照射所述网格板具有所述网格纹的一侧,以使所述待检测物的镜面侧映照出所述网格纹的图像;
通过拍摄元件获取所述待检测物的镜面侧的检测图像,所述检测图像包含所述待检测物上映照出的所述网格纹的图像信息;
获取所述检测图像中的目标检测区域,并基于预设神经网络模型判断所述目标检测区域中出现的所述网格纹的图像是否发生扭曲;
若判断到所述目标检测区域中出现的所述网格纹的图像发生扭曲,则判定当前所述待检测物的镜面侧具有三维缺陷;
所述三维缺陷检测方法的检测设备包括:
所述载台,用于放置所述待检测物;
所述照明组件,设于所述载台的一侧,且所述照明组件与所述载台相对设置,包括安装框以及设于安装框上的能够调整照射角度的灯条,安装框的中部开设有通孔,通孔的尺寸大于待检测物的尺寸;
所述网格板,设于所述照明组件远离所述载台的一侧,且所述网格板朝向所述照明组件的一侧设有所述网格纹;
所述拍摄元件,设于所述网格板远离所述照明组件的一侧;
其中,所述待检测物与所述网格纹相对设置,所述照明组件用于向所述网格板设有网格纹的一侧投射光线,并使所述网格板上的网格纹漫反射至所述待检测物的镜面结构上,以使所述待检测物具有镜面结构的一侧映照出所述网格板上的网格纹图像,并通过所述拍摄元件获取所述待检测物具有镜面结构的一侧的检测图像;
所述待检测物为具有平边结构的晶圆,所述获取所述检测图像中的目标检测区域的步骤包括:
通过预设阈值在所述检测图像中分割提取出晶圆图像区域,并根据所述晶圆图像区域获取到所述晶圆的平边区域;
获取所述平边区域与所述晶圆图像区域之间的交点,所述交点包括上交点以及下交点;
根据所述上交点以及所述下交点分别划定出一矩形区域,以将所述矩形区域作为所述目标检测区域,所述上交点以及所述下交点位于对应的矩形区域的最左侧边的中间位置。
2.根据权利要求1所述的三维缺陷检测方法,其特征在于:所述获取所述检测图像中的目标检测区域,并基于预设神经网络模型判断所述目标检测区域中出现的所述网格纹的图像是否发生扭曲的步骤之前,所述方法还包括:
获取样本检测图像,并将所述样本检测图像切割成若干样本图片;识别出若干所述样本图片中的正常样本图片以及异常样本图片,并将所述正常样本图片以及所述异常样本图片旋转预设角度;
将旋转后的正常样本图片以及异常样本图片同时输入至预设神经网络中,以对所述预设神经网络进行训练,对应形成所述预设神经网络模型。
3.根据权利要求1所述的三维缺陷检测方法,其特征在于:所述通过预设阈值在所述检测图像中分割提取出晶圆图像区域,并根据所述晶圆图像区域获取到所述晶圆的平边区域的步骤包括:
当提取出所述晶圆图像区域时,根据所述晶圆的预设平边长度以及预设平边角度在所述晶圆图像区域中识别出包含有平边的局部晶圆图像,并通过所述预设阈值对所述局部晶圆图像进行分割处理,以对应获取到所述晶圆的所述平边区域。
4.根据权利要求1所述的三维缺陷检测方法,其特征在于:所述基于预设神经网络模型判断所述目标检测区域中出现的所述网格纹的图像是否发生扭曲的步骤包括:
将所述目标检测区域分割成若干检测图片,并通过所述预设神经网络模型对若干所述检测图片进行分类处理,以对应识别出若干正常检测图片以及若干异常检测图片;
对若干所述异常检测图片进行拼接处理,以生成对应的局部检测图像,并判断所述局部检测图像中的网格纹是否发生扭曲。
5.根据权利要求1所述的三维缺陷检测方法,其特征在于:所述网格板上设有定位点,所述获取所述检测图像中的目标检测区域的步骤包括:
通过所述载台将所述待检测物校正,以使各所述待检测物与所述定位点的相对位置一致,并以所述定位点为参考确定出所述目标检测区域。
6.根据权利要求1所述的三维缺陷检测方法,其特征在于:所述方法还包括:
若判定到当前所述待检测物的镜面侧具有三维缺陷,则对当前所述待检测物进行复检,以对应获取到复检结果;
若所述复检结果二次判定当前所述待检测物的镜面侧具有三维缺陷,则确定当前所述待检测物为不良品。
7.根据权利要求1所述的三维缺陷检测方法,其特征在于:所述检测设备还包括机台,所述载台设于所述机台的顶部,所述机台上还设有支撑元件,所述支撑元件垂设于所述机台的顶部并与所述载台间隔设置,所述拍摄元件、所述网格板以及所述照明组件依次自上而下设于所述支撑元件上。
8.根据权利要求1所述的三维缺陷检测方法,其特征在于:所述照明组件包括安装框以及设于所述安装框上的若干灯条,所述安装框的中部开设有通孔,所述通孔的尺寸大于所述待检测物的尺寸,每一所述灯条对应设于所述安装框的每一侧边上,所述灯条与所述安装框活动连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211081630.7A CN115165920B (zh) | 2022-09-06 | 2022-09-06 | 一种三维缺陷检测方法及检测设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211081630.7A CN115165920B (zh) | 2022-09-06 | 2022-09-06 | 一种三维缺陷检测方法及检测设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115165920A CN115165920A (zh) | 2022-10-11 |
CN115165920B true CN115165920B (zh) | 2023-06-16 |
Family
ID=83481404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211081630.7A Active CN115165920B (zh) | 2022-09-06 | 2022-09-06 | 一种三维缺陷检测方法及检测设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115165920B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116754578B (zh) * | 2023-08-18 | 2023-11-03 | 国镓芯科(成都)半导体科技有限公司 | 一种用于晶圆划痕的检测系统及该系统的检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001283196A (ja) * | 2000-03-30 | 2001-10-12 | Nikon Corp | 欠陥検査装置および欠陥検査方法 |
WO2018066868A1 (ko) * | 2016-10-04 | 2018-04-12 | 이경자 | 3차원 형상 측정 장치 및 그의 측정 방법 |
CN108376655A (zh) * | 2018-01-30 | 2018-08-07 | 北京世纪金光半导体有限公司 | 一种晶圆制造过程中检测缺陷的定位和跟踪方法 |
TWI671838B (zh) * | 2018-07-17 | 2019-09-11 | 敖翔科技股份有限公司 | 半導體廠缺陷作業系統及裝置 |
CN112038254A (zh) * | 2019-05-15 | 2020-12-04 | 天津科技大学 | 基于机器视觉技术的晶圆自动检测与标记装置及设计方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07318499A (ja) * | 1994-05-27 | 1995-12-08 | Sumitomo Metal Ind Ltd | 表面欠陥検出装置 |
JP2002148029A (ja) * | 2000-11-08 | 2002-05-22 | Ricoh Co Ltd | 円筒状被検物の表面凹凸検査装置及び方法 |
KR20080088946A (ko) * | 2007-03-30 | 2008-10-06 | (주) 인텍플러스 | 입체 형상 검사 장치 및 그를 이용한 입체 형상 검사 방법 |
JP2010071694A (ja) * | 2008-09-16 | 2010-04-02 | Ricoh Co Ltd | 表面検査装置、それを用いた欠陥検出方法、プログラム及び記録媒体 |
TWM487433U (zh) * | 2014-03-04 | 2014-10-01 | All Ring Tech Co Ltd | 物件檢測裝置 |
CN105466953B (zh) * | 2015-12-28 | 2018-06-12 | 天津大学 | 基于识别钢球表面反射图案完整性的钢球表面缺陷检测法 |
CN107703058B (zh) * | 2017-09-14 | 2019-11-15 | 深圳市智信精密仪器有限公司 | 外观面检测装置及提供光栅纹进行外观检测的光源系统 |
KR102037395B1 (ko) * | 2017-09-25 | 2019-10-28 | 동우 화인켐 주식회사 | 투과 광학계 검사 장치 및 이를 이용한 필름 결함 검사 방법 |
CN110057835A (zh) * | 2019-05-29 | 2019-07-26 | 深圳中科飞测科技有限公司 | 一种检测装置及检测方法 |
CN110530881A (zh) * | 2019-09-23 | 2019-12-03 | 苏州科洛尼自动化有限公司 | 高精度屏幕视觉检测系统 |
CN110658202B (zh) * | 2019-09-30 | 2021-01-01 | 贵州航天云网科技有限公司 | 一种基于深度学习的工业元器件外观缺陷检测方法 |
CN111311542B (zh) * | 2020-01-15 | 2023-09-19 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
CN112150441A (zh) * | 2020-09-24 | 2020-12-29 | 菲特(天津)检测技术有限公司 | 一种基于机器视觉的光滑漆面表面缺陷检测方法 |
CN113567342A (zh) * | 2021-08-20 | 2021-10-29 | 安徽顺鼎阿泰克科技有限公司 | 透明物缺陷检测方法及装置 |
CN113935971A (zh) * | 2021-10-18 | 2022-01-14 | 南京航空航天大学 | 一种复合材料表面缺陷的检测方法及装置 |
CN114608482B (zh) * | 2022-05-11 | 2022-08-05 | 南昌昂坤半导体设备有限公司 | 曲率测量方法、系统、可读存储介质及计算机设备 |
CN114778556A (zh) * | 2022-05-18 | 2022-07-22 | 昂坤视觉(北京)科技有限公司 | 一种光学检测设备 |
CN114882010A (zh) * | 2022-06-09 | 2022-08-09 | 苏州大学 | 基于图片识别的表面缺陷检测方法 |
-
2022
- 2022-09-06 CN CN202211081630.7A patent/CN115165920B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001283196A (ja) * | 2000-03-30 | 2001-10-12 | Nikon Corp | 欠陥検査装置および欠陥検査方法 |
WO2018066868A1 (ko) * | 2016-10-04 | 2018-04-12 | 이경자 | 3차원 형상 측정 장치 및 그의 측정 방법 |
CN108376655A (zh) * | 2018-01-30 | 2018-08-07 | 北京世纪金光半导体有限公司 | 一种晶圆制造过程中检测缺陷的定位和跟踪方法 |
TWI671838B (zh) * | 2018-07-17 | 2019-09-11 | 敖翔科技股份有限公司 | 半導體廠缺陷作業系統及裝置 |
CN112038254A (zh) * | 2019-05-15 | 2020-12-04 | 天津科技大学 | 基于机器视觉技术的晶圆自动检测与标记装置及设计方法 |
Non-Patent Citations (2)
Title |
---|
基于机器视觉的铁芯表面缺陷检测系统研究;胡秀珍;隋青美;;仪器仪表用户(01);21-23,90 * |
边缘检测法在晶圆缺陷检测中的应用;方宝英;周建宁;魏爱英;;计算机与数字工程(06);132-134 * |
Also Published As
Publication number | Publication date |
---|---|
CN115165920A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4548912B2 (ja) | 透明液体検査装置、および透明液体塗布装置、および透明液体検査方法、および透明液体塗布方法 | |
JP2002014057A (ja) | 欠陥検査装置 | |
JP2008014768A (ja) | 欠陥検査装置及び欠陥検査方法 | |
KR20100071621A (ko) | 반도체 칩 외관 검사 방법 및 그 장치 | |
CN115165920B (zh) | 一种三维缺陷检测方法及检测设备 | |
JP2011158363A (ja) | Pga実装基板の半田付け検査装置 | |
TW201604536A (zh) | 應用重覆曝光之多曝光影像混和的檢測方法 | |
KR100863341B1 (ko) | 중복 영상을 이용한 에프피디 기판 및 반도체 웨이퍼검사시스템 | |
WO2021033396A1 (ja) | ウエーハ外観検査装置および方法 | |
JP4146678B2 (ja) | 画像検査方法および装置 | |
CN113125343A (zh) | 光学检测设备与光学检测方法 | |
KR102632169B1 (ko) | 유리기판 검사 장치 및 방법 | |
KR102069173B1 (ko) | 플렉서블 기판 찍힘 불량 검출 장치 | |
JP2001183301A (ja) | 欠陥検査装置及び方法 | |
KR101188404B1 (ko) | 디스플레이 패널 글라스 표면의 결함 검사 방법 | |
JP2005308623A (ja) | 光学部材検査装置 | |
JPH10144747A (ja) | ウエハのマクロ検査方法および自動ウエハマクロ検査装置 | |
CN112285118A (zh) | 一种amoled屏体外观视觉检测方法及装置 | |
JP2004286708A (ja) | 欠陥検出装置、方法及びプログラム | |
JP2002071576A (ja) | 外観検査装置および外観検査方法 | |
JP4924931B2 (ja) | ステンシルマスクの検査方法および装置 | |
KR100710703B1 (ko) | 반도체 리드프레임 도금 선폭 측정 검사장치 및 그 방법 | |
CN114222913B (zh) | 晶片外观检查装置和方法 | |
KR20150026527A (ko) | 부품 표면의 이물질 검출 시스템 및 이를 이용한 부품 표면의 이물질 제외 방법 | |
JP2003057193A (ja) | 異物検査装置 |
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 |