CN115311282A - 基于图像增强的晶圆缺陷检测方法 - Google Patents

基于图像增强的晶圆缺陷检测方法 Download PDF

Info

Publication number
CN115311282A
CN115311282A CN202211243782.2A CN202211243782A CN115311282A CN 115311282 A CN115311282 A CN 115311282A CN 202211243782 A CN202211243782 A CN 202211243782A CN 115311282 A CN115311282 A CN 115311282A
Authority
CN
China
Prior art keywords
gradient
image
gradient amplitude
histogram
enhancement
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.)
Granted
Application number
CN202211243782.2A
Other languages
English (en)
Other versions
CN115311282B (zh
Inventor
郑俊泽
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.)
Nantong Dibosi Electronics Co ltd
Original Assignee
Nantong Dibosi Electronics 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 Nantong Dibosi Electronics Co ltd filed Critical Nantong Dibosi Electronics Co ltd
Priority to CN202211243782.2A priority Critical patent/CN115311282B/zh
Publication of CN115311282A publication Critical patent/CN115311282A/zh
Application granted granted Critical
Publication of CN115311282B publication Critical patent/CN115311282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及基于图像增强的晶圆缺陷检测方法，包括：采集晶圆图像，对晶圆图像进行分块，获取每个分块图像的梯度幅值直方图；根据分块图像的梯度幅值直方图中最大的梯度幅值获取压缩上限值，对梯度幅值进行等比压缩，获得压缩梯度幅值直方图；对压缩梯度幅值直方图进行分段，获取每个片段的概率密度以及平均梯度，进一步获取每个片段的增强权重。根据压缩梯度幅值直方图获取期望和标准差，结合每个片段的增强权重进一步获得分块图像的增强函数，利用增强函数对分块图像进行增强。本发明可实现晶圆图像边缘部分的重点增强，同时可避免现有技术中目标梯度场退化的问题，使得晶圆缺陷识别更加准确。

Description

基于图像增强的晶圆缺陷检测方法
技术领域
本发明涉及数据处理技术领域，具体涉及基于图像增强的晶圆缺陷检测方法。
背景技术
晶圆的制造过程需要经历例如掺杂、蚀刻、光刻、切割等许多步骤，最后才进行封装，制作成一个集成电路。在这些步骤中，难免会损坏单颗晶圆从而影响后期集成电路性能，因此在完成封装之前检测出不合格晶圆非常重要。影响晶圆产品是否合格的表面缺陷有很多种。在晶圆片的缺陷种类中，无图案晶圆与图案晶圆是最常见的两种晶圆形式。晶圆表面冗余物、晶体缺陷、机械损伤（划痕图案）是较为常见缺陷。冗余物是晶圆表面较为常见的缺陷种类，主要包括纳米级的微小颗粒、微米级的灰尘、相关工序的残留物。随着半导体尺寸越来越小，单颗晶元的制作越来越精细，在缺陷检测方面存在着细小缺陷和非缺陷难以辨别、缺陷形状和背景图案相似、识别精度低等问题。
现有技术中，检测晶圆的缺陷多是通过模板匹配的方法，此方法能够检测到一些较大的晶圆缺陷，但是无法检测到比较细小的缺陷。因此需要对晶圆图像进行增强来检测细小的缺陷。
现有的图像增强方法，如基于梯度幅值直方图增强方法，在进行梯度幅值直方图拉伸时，会出现非边缘部分的梯度幅值在均衡化后变成边缘部分的梯度幅值，边缘部分的梯度幅值在均衡化后变成非边缘部分的梯度幅值，造成目标梯度场出现退化的效果，对图像的增强效果差。
发明内容
本发明提供基于图像增强的晶圆缺陷检测方法，以解决现有的问题。
本发明的基于图像增强的晶圆缺陷检测方法采用如下技术方案：
本发明一个实施例提供了基于图像增强的晶圆缺陷检测方法，该方法包括以下步骤：
S1:采集晶圆图像，获取晶圆图像中每个像素点的梯度幅值，将晶圆图像分割成第一预设数量个大小相同的块，得到多个分块图像；
S2:对每个分块图像进行增强操作，包括：
绘制分块图像的梯度幅值直方图，根据分块图像的梯度幅值直方图中最大的梯度幅值获取压缩上限值；根据分块图像的梯度幅值直方图中最大的梯度幅值以及压缩上限值对分块图像的梯度幅值直方图中的梯度幅值进行等比压缩，得到分块图像的压缩梯度幅值直方图；根据第一预设阈值将分块图像的压缩梯度幅值直方图划分为两个片段，将每个片段中所有梯度幅值的频率累加得到每个片段的概率密度；计算每个片段中所有梯度幅值的均值作为每个片段的平均梯度；根据每个片段的概率密度以及平均梯度获取每个片段的增强权重；
根据分块图像的压缩梯度幅值直方图中所有梯度幅值、所有梯度幅值的频率以及预设增强系数获取期望和标准差；根据期望、标准差以及所有片段的增强权重获取分块图像的增强函数；将增强函数作为规定直方图对分块图像的压缩梯度幅值直方图进行规定化操作，得到分块图像的增强梯度幅值直方图；
根据分块图像的增强梯度幅值直方图重建分块增强图像；
S3:将所有分块增强图像按照顺序进行拼接得到晶圆增强图像，根据晶圆增强图像进行晶圆缺陷识别。
优选的，所述压缩上限值的表达式为：
Figure 676462DEST_PATH_IMAGE001
其中
Figure 928451DEST_PATH_IMAGE002
为压缩上限值；
Figure 359433DEST_PATH_IMAGE003
为分块图像的梯度幅值直方图中最大的梯度幅值。
优选的，所述根据分块图像的梯度幅值直方图中最大的梯度幅值以及压缩上限值对分块图像的梯度幅值直方图中的梯度幅值进行等比压缩，得到分块图像的压缩梯度幅值直方图包括：
将压缩上限值与分块图像的梯度幅值直方图中最大的梯度幅值的比值作为压缩比例，将分块图像中的梯度幅值直方图中每个梯度幅值乘以压缩比例并进行向上取整得到每个梯度幅值压缩后的梯度幅值；将分块图像的梯度幅值直方图中每个梯度幅值替换为所述梯度幅值压缩后的梯度幅值，得到分块图像的压缩梯度幅值直方图。
优选的，所述根据第一预设阈值将分块图像的压缩梯度幅值直方图划分为两个片段包括：
将分块图像的压缩梯度幅值直方图中小于等于第一预设阈值的梯度幅值划分为一个片段，将分块图像的压缩梯度幅值直方图中大于第一预设阈值的梯度幅值划分为一个片段。
优选的，所述增强权重的表达式为：
Figure 456702DEST_PATH_IMAGE004
其中
Figure 555108DEST_PATH_IMAGE005
为第
Figure 712420DEST_PATH_IMAGE006
个片段的增强权重；
Figure 630697DEST_PATH_IMAGE007
为第
Figure 797236DEST_PATH_IMAGE006
个片段的概率密度；
Figure 750149DEST_PATH_IMAGE008
为第
Figure 78362DEST_PATH_IMAGE006
个片段的平均梯度。
优选的，所述期望的表达式为：
Figure 749515DEST_PATH_IMAGE009
其中
Figure 454165DEST_PATH_IMAGE010
为期望；
Figure 527164DEST_PATH_IMAGE011
为分块图像的压缩梯度幅值直方图中第
Figure 291857DEST_PATH_IMAGE012
个梯度幅值；
Figure 184727DEST_PATH_IMAGE013
为分块图像的压缩梯度幅值直方图中第
Figure 958648DEST_PATH_IMAGE012
个梯度幅值的频率；
Figure 620573DEST_PATH_IMAGE014
为分块图像的压缩梯度幅值直方图中梯度幅值的个数。
优选的，所述标准差的表达式为：
Figure 290589DEST_PATH_IMAGE015
其中
Figure 139597DEST_PATH_IMAGE016
为标准差；
Figure 451629DEST_PATH_IMAGE011
为分块图像的压缩梯度幅值直方图中第
Figure 968061DEST_PATH_IMAGE012
个梯度幅值；
Figure 808978DEST_PATH_IMAGE010
为期望；
Figure 879702DEST_PATH_IMAGE017
为分块图像的压缩梯度幅值直方图中第
Figure 464267DEST_PATH_IMAGE012
个梯度幅值的频率；
Figure 835206DEST_PATH_IMAGE018
为分块图像的压缩梯度幅值直方图中梯度幅值的个数；
Figure 112604DEST_PATH_IMAGE019
为预设增强系数。
优选的，所述增强函数表达式为：
Figure 201782DEST_PATH_IMAGE020
其中
Figure 324459DEST_PATH_IMAGE010
为期望；
Figure 815483DEST_PATH_IMAGE016
为标准差；
Figure 732624DEST_PATH_IMAGE021
为第
Figure 43519DEST_PATH_IMAGE022
个片段的增强权重；
Figure 969887DEST_PATH_IMAGE023
为第
Figure 315418DEST_PATH_IMAGE024
个片段的增强权重；
Figure 669039DEST_PATH_IMAGE025
为自然常数；
Figure 732810DEST_PATH_IMAGE026
为第一预设阈值；
Figure 474587DEST_PATH_IMAGE018
为分块图像的压缩梯度幅值直方图中梯度幅值的个数；
Figure 409045DEST_PATH_IMAGE027
为分块图像的压缩梯度幅值直方图中第
Figure 933567DEST_PATH_IMAGE018
个梯度幅值。
优选的，所述根据分块图像的增强梯度幅值直方图重建分块增强图像的方法包括但不限于求解泊松方程法和Radon反演法。
本发明的有益效果是：采集晶圆图像，对晶圆图像进行分块，获取每个分块图像的梯度幅值直方图；根据分块图像的梯度幅值直方图中最大的梯度幅值获取压缩上限值，对梯度幅值进行等比压缩，获得压缩梯度幅值直方图；对压缩梯度幅值直方图进行分段，获取每个片段的概率密度以及平均梯度，进一步获取每个片段的增强权重。根据压缩梯度幅值直方图获取期望和标准差，结合每个片段的增强权重进一步获得分块图像的增强函数，利用增强函数对分块图像进行增强。本发明通过对压缩梯度幅值直方图进行分段获取不同的增强系数，可实现不同梯度幅值不同程度的增强，可使得晶圆图像边缘部分的重点增强，同时可避免现有技术中目标梯度场退化的问题，使得晶圆缺陷识别更加准确。
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，下面将对实施例或现有技术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为本发明的基于图像增强的晶圆缺陷检测方法的步骤流程图。
图2为本发明的基于图像增强的晶圆缺陷检测方法的一种晶圆缺陷图像示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于图像增强的晶圆缺陷检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
下面结合附图具体的说明本发明所提供的基于图像增强的晶圆缺陷检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于图像增强的晶圆缺陷检测方法的步骤流程图，该方法包括以下步骤：
101．采集晶圆图像。
需要说明的是，晶圆是非常微小的集成电路元器件，所以在采集图像时需要使用工业高分辨率相机来获取晶圆表面的清晰的图像，并且光源的照射需要光线均匀，不能光照太强或太弱，否则会改变晶圆表面的灰度值，使得某些缺陷被光线遮盖，从而导致检测不准确。同时，采集图像时会因为环境影响形成噪声，噪声会影响对后续晶圆表面缺陷的准确度。
在本实施例中，在晶圆检测台上方架设均匀光源，通过检测台上方的工业高分辨率相机俯视拍摄晶圆RGB图像，一种晶圆缺陷图像示意图如图2所示。对拍摄得到的晶圆RGB图像利用
Figure 219055DEST_PATH_IMAGE028
大小的滤波窗口进行滤波去除晶圆的图像中的噪声。本实施例中
Figure 752805DEST_PATH_IMAGE029
，在其他实施例中实施人员可根据需要设置
Figure 807348DEST_PATH_IMAGE030
的值。本实施例中滤波方法采用均值滤波，在其他实施例中实施人员可采用的滤波方法包括但不限于均值滤波、高斯滤波。
在进行缺陷提取检测时，只需要对晶圆表面的区域进行缺陷检测即可，因此在进行去噪处理之后，需要将晶圆区域从晶圆RGB图像中分割出来。本实施例采用DNN语义分割的方式来识别晶圆RGB图像中的目标。该DNN语义分割网络的相关内容如下：
使用的数据集为俯视采集的晶圆RGB图像数据集；需要分割的像素共分为两类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于晶圆区域的标注为1；网络的任务是分类，所有使用的
Figure 502772DEST_PATH_IMAGE031
函数为交叉熵损失函数。
将去噪后的晶圆RGB图像输入到DNN语义分割网络中，得到0-1掩膜图像，将掩膜图像与去噪后的晶圆RGB图像相乘，得到的结果图像中只含有晶圆区域，去除了背景的干扰，将该结果图像进行灰度化处理，得到对应的灰度图像，记为晶圆图像。
至此，获得了晶圆图像。
102．对晶圆图像进行分块，得到多个分块图像，获取每个分块图像的梯度幅值直方图。
需要说明的是，由于晶圆表面缺陷的会与其他区域形成灰度的变化，从而形成梯度的变化，因此对晶圆表面缺陷进行检测，需要计算晶圆区域内的梯度方向和梯度幅值，来表示晶圆表面的像素点的均匀性，使得后续可根据图像梯度幅值的变化构建梯度幅值直方图，根据梯度幅值直方图对缺陷区域进行重点增强，获得更加明显的缺陷区域。
在本实施例中，利用Sobel算子获取晶圆图像中每个像素点在水平方向的梯度幅值和垂直方向的梯度幅值，进一步得到每个像素点的合梯度，包括幅值和方向：
Figure 275556DEST_PATH_IMAGE032
其中
Figure 81838DEST_PATH_IMAGE033
为晶圆图像中第
Figure 990888DEST_PATH_IMAGE034
个像素点的梯度幅值，
Figure 122792DEST_PATH_IMAGE035
为晶圆图像中第
Figure 117293DEST_PATH_IMAGE034
个像素点的梯度方向，
Figure 992845DEST_PATH_IMAGE036
、
Figure 490822DEST_PATH_IMAGE037
分别为晶圆图像中第
Figure 793628DEST_PATH_IMAGE034
个像素点的水平方向的梯度幅值和垂直方向的梯度幅值。
将晶圆图像分割成大小相等的
Figure 275425DEST_PATH_IMAGE038
个图像块，
Figure 689088DEST_PATH_IMAGE038
为第一预设数量，在本实施例中，
Figure 572731DEST_PATH_IMAGE039
，在其他实施例中实施人员可根据需要设置
Figure 46437DEST_PATH_IMAGE038
的值。
统计每个图像块中所有梯度幅值的频率，绘制每个图像块的梯度幅值直方图。
103．根据分块图像的梯度幅值直方图获取压缩上限值，对梯度幅值进行压缩，获得分块图像的压缩梯度幅值直方图。
需要说明的是，传统的基于梯度幅值直方图增强的方法是对梯度幅值直方图进行均衡化，即直接对图像的梯度场进行均衡得到目标梯度场，再根据目标梯度场重建增强图像。该方法可一定程度地增强图像中较暗或较亮区域的细节，且对图像梯度提升有很好的效果。但该方法会出现部分非边缘像素点的梯度幅值在均衡化后变成边缘部分的梯度幅值，部分边缘像素点的梯度幅值在均衡化后变成非边缘部分的梯度幅值，造成目标梯度场退化的效果。针对上述问题，提出基于局部梯度幅值增强的方法对晶圆图像进行增强。为了避免局部梯度幅值增强过程中对梯度幅值直方图拉伸出现边缘梯度扩散的问题，首先需对分块图像的梯度幅值直方图进行压缩。
在本实施例中，分块图像的梯度幅值直方图中梯度幅值范围为
Figure 15530DEST_PATH_IMAGE040
，根据分块图像的梯度幅值直方图中最大的梯度幅值
Figure 232885DEST_PATH_IMAGE003
获取压缩上限值
Figure 971034DEST_PATH_IMAGE002
，将梯度幅值压缩到
Figure 350063DEST_PATH_IMAGE041
范围内，压缩上限值
Figure 72031DEST_PATH_IMAGE002
的获取方法为：
Figure 561918DEST_PATH_IMAGE042
其中
Figure 420153DEST_PATH_IMAGE002
为压缩上限值；
Figure 970083DEST_PATH_IMAGE003
为分块图像的梯度幅值直方图中最大的梯度幅值。
分块图像中的梯度幅值直方图中的梯度幅值的范围为
Figure 648189DEST_PATH_IMAGE043
，为实现将梯度幅值压缩到
Figure 207346DEST_PATH_IMAGE044
的范围内，将
Figure 920087DEST_PATH_IMAGE045
作为压缩比例，将分块图像中的梯度幅值直方图中每个梯度幅值乘以压缩比例
Figure 906498DEST_PATH_IMAGE045
并进行向上取整得到压缩后的梯度幅值。将分块图像的梯度幅值直方图中每个梯度幅值替换为压缩后梯度幅值，得到分块图像的压缩梯度幅值直方图。
需要说明的是，后续步骤通过对分块图像的压缩梯度幅值直方图进行拉伸可实现晶圆图像增强的效果，同时可防止拉伸过程中出现边缘梯度扩散的问题。
104．根据分块图像的压缩梯度幅值直方图获取分块图像的增强函数。
需要说明的是，梯度幅值反映的是图像的边缘的变化，边缘区域的梯度幅值相较于内部区域的梯度幅值变化较大，因此对图像进行梯度幅值增强主要是增强图像的边缘的梯度幅值。
在本实施例中，设置第一预设阈值
Figure 71900DEST_PATH_IMAGE046
，根据第一预设阈值将分块图像的压缩梯度幅值直方图分为两个片段。将分块图像的压缩梯度幅值直方图中小于等于第一预设阈值的梯度幅值划分为第一个片段，则该片段的梯度幅值集合为
Figure 169169DEST_PATH_IMAGE047
，其中
Figure 736417DEST_PATH_IMAGE048
表示分块图像的压缩梯度幅值直方图中第
Figure 893728DEST_PATH_IMAGE049
个梯度幅值，且
Figure 546427DEST_PATH_IMAGE050
；将分块图像的压缩梯度幅值直方图中大于第一预设阈值的梯度幅值划分为第二个片段, 则该片段的梯度幅值集合为
Figure 447387DEST_PATH_IMAGE051
，其中
Figure 400299DEST_PATH_IMAGE052
表示分块图像的压缩梯度幅值直方图中第
Figure 462933DEST_PATH_IMAGE053
个梯度幅值，且
Figure 602927DEST_PATH_IMAGE054
，
Figure 307578DEST_PATH_IMAGE018
为分块图像的压缩梯度幅值直方图中梯度幅值的个数；
Figure 583839DEST_PATH_IMAGE027
为分块图像的压缩梯度幅值直方图中第
Figure 82953DEST_PATH_IMAGE018
个梯度幅值。
根据每个片段的梯度幅值集合以及分块图像的压缩梯度幅值直方图中梯度幅值对应的频率获取每个片段的概率密度：
Figure 710244DEST_PATH_IMAGE055
Figure 687427DEST_PATH_IMAGE056
其中，
Figure 83773DEST_PATH_IMAGE057
为第一个片段的概率密度；
Figure 753789DEST_PATH_IMAGE058
为第二个片段的概率密度；
Figure 868375DEST_PATH_IMAGE017
为分块图像的压缩梯度幅值直方图中第
Figure 914829DEST_PATH_IMAGE012
个梯度幅值的频率；
Figure 165682DEST_PATH_IMAGE049
为第一个片段的梯度幅值集合中最后一个梯度幅值在分块图像的压缩梯度幅值直方图中的序号；
Figure 741019DEST_PATH_IMAGE018
为分块图像的压缩梯度幅值直方图中梯度幅值的个数。
需要说明的是，为对分块图像进行增强，需对不同的片段获取不同的增强权重，处于边缘的像素点需要获得较大的增强权重，处于平坦区域的像素点需要获得较小的增强权重，这样在增强后才能让边缘特征更加的明显，边缘缺陷的检测。
在本实施例中，首先获取每个片段的平均梯度：
Figure 342902DEST_PATH_IMAGE059
Figure 927467DEST_PATH_IMAGE060
其中
Figure 298406DEST_PATH_IMAGE061
为第一个片段的平均梯度；
Figure 310224DEST_PATH_IMAGE062
为第二个片段的平均梯度；
Figure 399403DEST_PATH_IMAGE011
为分块图像的压缩梯度幅值直方图中第
Figure 522079DEST_PATH_IMAGE012
个梯度幅值；
Figure 747524DEST_PATH_IMAGE049
为第一个片段的梯度幅值集合中最后一个梯度幅值在分块图像的压缩梯度幅值直方图中的序号；
Figure 195823DEST_PATH_IMAGE018
为分块图像的压缩梯度幅值直方图中梯度幅值的个数。平均梯度反映了每个片段的细节丰富程度。
根据每个片段的概率密度以及平均梯度获取每个片段的增强权重，其计算公式如下：
Figure 241140DEST_PATH_IMAGE063
其中
Figure 167507DEST_PATH_IMAGE005
为第
Figure 513038DEST_PATH_IMAGE006
个片段的增强权重；
Figure 866659DEST_PATH_IMAGE007
为第
Figure 399272DEST_PATH_IMAGE006
个片段的概率密度；
Figure 129330DEST_PATH_IMAGE008
为第
Figure 329367DEST_PATH_IMAGE006
个片段的平均梯度。
需要说明的是，然后利用高斯函数对梯度幅值直方图进行变换来实现图像细节的增强，结合每个片段的增强权重，可实现分块图像中边缘部分的重要增强。
在本实施例中，首先根据分块图像的压缩梯度幅值直方图中所有梯度幅值、所有梯度幅值的频率以及预设增强系数获取期望和标准差。期望的表达式为：
Figure 588310DEST_PATH_IMAGE009
其中
Figure 873798DEST_PATH_IMAGE010
为期望；
Figure 141968DEST_PATH_IMAGE011
为分块图像的压缩梯度幅值直方图中第
Figure 930933DEST_PATH_IMAGE012
个梯度幅值；
Figure 903654DEST_PATH_IMAGE017
为分块图像的压缩梯度幅值直方图中第
Figure 676438DEST_PATH_IMAGE012
个梯度幅值的频率；
Figure 217141DEST_PATH_IMAGE018
为分块图像的压缩梯度幅值直方图中梯度幅值的个数。
方差的表达式为：
Figure 391771DEST_PATH_IMAGE015
其中
Figure 258095DEST_PATH_IMAGE016
为标准差；
Figure 518175DEST_PATH_IMAGE011
为分块图像的压缩梯度幅值直方图中第
Figure 128148DEST_PATH_IMAGE012
个梯度幅值；
Figure 891705DEST_PATH_IMAGE010
为期望；
Figure 194510DEST_PATH_IMAGE017
为分块图像的压缩梯度幅值直方图中第
Figure 676307DEST_PATH_IMAGE012
个梯度幅值的频率；
Figure 824392DEST_PATH_IMAGE018
为分块图像的压缩梯度幅值直方图中梯度幅值的个数；
Figure 708034DEST_PATH_IMAGE064
为预设增强系数，目的是为了防止过度增强，本实施例中
Figure 181741DEST_PATH_IMAGE065
，在其他实施例中，实施人员可根据需要设置
Figure 885255DEST_PATH_IMAGE064
的值。
根据期望、标准差以及所有片段的增强权重获取分块图像的增强函数：
Figure 837030DEST_PATH_IMAGE020
其中
Figure 840758DEST_PATH_IMAGE066
为梯度幅值，
Figure 485366DEST_PATH_IMAGE067
为关于
Figure 676176DEST_PATH_IMAGE066
的增强函数；
Figure 431643DEST_PATH_IMAGE010
为期望；
Figure 24298DEST_PATH_IMAGE016
为标准差；
Figure 574228DEST_PATH_IMAGE068
为第
Figure 517913DEST_PATH_IMAGE022
个片段的增强权重；
Figure 77070DEST_PATH_IMAGE023
为第
Figure 524232DEST_PATH_IMAGE070
个片段的增强权重；
Figure 245064DEST_PATH_IMAGE025
为自然常数；
Figure 676045DEST_PATH_IMAGE026
为第一预设阈值；
Figure 773314DEST_PATH_IMAGE018
为分块图像的压缩梯度幅值直方图中梯度幅值的个数；
Figure 340562DEST_PATH_IMAGE071
为分块图像的压缩梯度幅值直方图中第
Figure 232294DEST_PATH_IMAGE018
个梯度幅值；此处使用高斯函数获取分块图像的增强函数，增强函数相当于是原始的压缩梯度幅值直方图的不同程度的平移。
105．根据增强函数获取晶圆增强图像，识别晶圆表面缺陷。
增强函数表示增强后每个梯度幅值对应的频率，将增强函数曲线视为一个新的直方图，作为规定直方图，根据规定直方图对分块图像的压缩梯度幅值直方图进行规定化操作，得到分块图像的增强梯度幅值直方图。
需要说明的是，利用增强函数对分块图像的压缩梯度幅值直方图进行规定化，相当于是将原始的压缩梯度幅值直方图的不同程度的平移得到分块图像的增强梯度幅值直方图。且由于不同片段的增强权重不同，使得增强函数也分为两段，相当于是对原始的压缩梯度幅值直方图进行两部分变换，使得两个片段的梯度幅值实现了不同程度的增强，对应到分段图像中，边缘的增强效果更加明显，更有利于后续缺陷的检测。
利用现有的图像重建方法根据分块图像的增强梯度幅值直方图重建分块增强图像，本实施例中图像重建方法包括但不限于求解泊松方程法和Radon反演法。
将所有分块增强图像按照顺序进行拼接得到晶圆增强图像。
需要说明的是，将分块增强图像直接拼接可能会导致最终得到的晶圆增强图像出现块效应，可在最初将晶圆图像分割成大小相等的
Figure 150572DEST_PATH_IMAGE038
个图像块时，对晶圆图像进行重叠分割，使得所有相邻的图像块存在重叠的部分，例如第一个图像块为晶圆图像中的第1行到第100行的部分，第二个图像块为晶圆图像中第90行到第190行的部分，第一个图像块和第二个图像块存在重叠部分。在最后根据分块增强图像进行拼接时，根据重叠部分像素点的灰度值利用泊松融合的方法获取晶圆增强图像，如此可避免晶圆增强图像出现块效应的问题。
根据晶圆增强图像进行缺陷识别，本实施例针对晶圆的缺角缺陷。利用canny边缘检测算法获取晶圆增强图像中的边缘，根据边缘识别晶圆是否存在缺角缺陷。
通过以上步骤，完成了晶圆图像的增强，进行了晶圆的缺角缺陷识别。
本发明实施例通过采集晶圆图像，对晶圆图像进行分块，获取每个分块图像的梯度幅值直方图；根据分块图像的梯度幅值直方图中最大的梯度幅值获取压缩上限值，对梯度幅值进行等比压缩，获得压缩梯度幅值直方图；对压缩梯度幅值直方图进行分段，获取每个片段的概率密度以及平均梯度，进一步获取每个片段的增强权重。根据压缩梯度幅值直方图获取期望和标准差，结合每个片段的增强权重进一步获得分块图像的增强函数，利用增强函数对分块图像进行增强。本发明通过对压缩梯度幅值直方图进行分段获取不同的增强系数，可实现不同梯度幅值不同程度的增强，可使得晶圆图像边缘部分的重点增强，同时可避免现有技术中目标梯度场退化的问题，使得晶圆缺陷识别更加准确。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于图像增强的晶圆缺陷检测方法，其特征在于，该方法包括以下步骤：
S1:采集晶圆图像，获取晶圆图像中每个像素点的梯度幅值，将晶圆图像分割成第一预设数量个大小相同的块，得到多个分块图像；
S2:对每个分块图像进行增强操作，包括：
绘制分块图像的梯度幅值直方图，根据分块图像的梯度幅值直方图中最大的梯度幅值获取压缩上限值；根据分块图像的梯度幅值直方图中最大的梯度幅值以及压缩上限值对分块图像的梯度幅值直方图中的梯度幅值进行等比压缩，得到分块图像的压缩梯度幅值直方图；根据第一预设阈值将分块图像的压缩梯度幅值直方图划分为两个片段，将每个片段中所有梯度幅值的频率累加得到每个片段的概率密度；计算每个片段中所有梯度幅值的均值作为每个片段的平均梯度；根据每个片段的概率密度以及平均梯度获取每个片段的增强权重；
根据分块图像的压缩梯度幅值直方图中所有梯度幅值、所有梯度幅值的频率以及预设增强系数获取期望和标准差；根据期望、标准差以及所有片段的增强权重获取分块图像的增强函数；将增强函数作为规定直方图对分块图像的压缩梯度幅值直方图进行规定化操作，得到分块图像的增强梯度幅值直方图；
根据分块图像的增强梯度幅值直方图重建分块增强图像；
S3:将所有分块增强图像按照顺序进行拼接得到晶圆增强图像，根据晶圆增强图像进行晶圆缺陷识别。
2.根据权利要求1所述的基于图像增强的晶圆缺陷检测方法，其特征在于，所述压缩上限值的表达式为：
Figure 735586DEST_PATH_IMAGE002
其中
Figure DEST_PATH_IMAGE003
为压缩上限值；
Figure 107661DEST_PATH_IMAGE004
为分块图像的梯度幅值直方图中最大的梯度幅值。
3.根据权利要求1所述的基于图像增强的晶圆缺陷检测方法，其特征在于，所述根据分块图像的梯度幅值直方图中最大的梯度幅值以及压缩上限值对分块图像的梯度幅值直方图中的梯度幅值进行等比压缩，得到分块图像的压缩梯度幅值直方图包括：
将压缩上限值与分块图像的梯度幅值直方图中最大的梯度幅值的比值作为压缩比例，将分块图像中的梯度幅值直方图中每个梯度幅值乘以压缩比例并进行向上取整得到每个梯度幅值压缩后的梯度幅值；将分块图像的梯度幅值直方图中每个梯度幅值替换为所述梯度幅值压缩后的梯度幅值，得到分块图像的压缩梯度幅值直方图。
4.根据权利要求1所述的基于图像增强的晶圆缺陷检测方法，其特征在于，所述根据第一预设阈值将分块图像的压缩梯度幅值直方图划分为两个片段包括：
将分块图像的压缩梯度幅值直方图中小于等于第一预设阈值的梯度幅值划分为一个片段，将分块图像的压缩梯度幅值直方图中大于第一预设阈值的梯度幅值划分为一个片段。
5.根据权利要求1所述的基于图像增强的晶圆缺陷检测方法，其特征在于，所述增强权重的表达式为：
Figure 647227DEST_PATH_IMAGE006
其中
Figure DEST_PATH_IMAGE007
为第
Figure 762951DEST_PATH_IMAGE008
个片段的增强权重；
Figure DEST_PATH_IMAGE009
为第
Figure 461785DEST_PATH_IMAGE008
个片段的概率密度；
Figure 411287DEST_PATH_IMAGE010
为第
Figure 297203DEST_PATH_IMAGE008
个片段的平均梯度。
6.根据权利要求1所述的基于图像增强的晶圆缺陷检测方法，其特征在于，所述期望的表达式为：
Figure 357563DEST_PATH_IMAGE012
其中
Figure DEST_PATH_IMAGE013
为期望；
Figure 114166DEST_PATH_IMAGE014
为分块图像的压缩梯度幅值直方图中第
Figure DEST_PATH_IMAGE015
个梯度幅值；
Figure 828045DEST_PATH_IMAGE016
为分块图像的压缩梯度幅值直方图中第
Figure 466836DEST_PATH_IMAGE015
个梯度幅值的频率；
Figure DEST_PATH_IMAGE017
为分块图像的压缩梯度幅值直方图中梯度幅值的个数。
7.根据权利要求1所述的基于图像增强的晶圆缺陷检测方法，其特征在于，所述标准差的表达式为：
Figure DEST_PATH_IMAGE019
其中
Figure 189942DEST_PATH_IMAGE020
为标准差；
Figure 207576DEST_PATH_IMAGE014
为分块图像的压缩梯度幅值直方图中第
Figure 889093DEST_PATH_IMAGE015
个梯度幅值；
Figure 359389DEST_PATH_IMAGE013
为期望；
Figure 151764DEST_PATH_IMAGE016
为分块图像的压缩梯度幅值直方图中第
Figure 23905DEST_PATH_IMAGE015
个梯度幅值的频率；
Figure 548428DEST_PATH_IMAGE017
为分块图像的压缩梯度幅值直方图中梯度幅值的个数；
Figure DEST_PATH_IMAGE021
为预设增强系数。
8.根据权利要求1所述的基于图像增强的晶圆缺陷检测方法，其特征在于，所述增强函数表达式为：
Figure DEST_PATH_IMAGE023
其中
Figure 958549DEST_PATH_IMAGE013
为期望；
Figure 898823DEST_PATH_IMAGE020
为标准差；
Figure 15684DEST_PATH_IMAGE024
为第
Figure 914370DEST_PATH_IMAGE026
个片段的增强权重；
Figure DEST_PATH_IMAGE027
为第
Figure 749471DEST_PATH_IMAGE028
个片段的增强权重；
Figure DEST_PATH_IMAGE029
为自然常数；
Figure 86911DEST_PATH_IMAGE030
为第一预设阈值；
Figure 199224DEST_PATH_IMAGE017
为分块图像的压缩梯度幅值直方图中梯度幅值的个数；
Figure DEST_PATH_IMAGE031
为分块图像的压缩梯度幅值直方图中第
Figure 393445DEST_PATH_IMAGE017
个梯度幅值。
9.根据权利要求1所述的基于图像增强的晶圆缺陷检测方法，其特征在于，所述根据分块图像的增强梯度幅值直方图重建分块增强图像的方法包括但不限于求解泊松方程法和Radon反演法。
CN202211243782.2A 2022-10-12 2022-10-12 基于图像增强的晶圆缺陷检测方法 Active CN115311282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211243782.2A CN115311282B (zh) 2022-10-12 2022-10-12 基于图像增强的晶圆缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211243782.2A CN115311282B (zh) 2022-10-12 2022-10-12 基于图像增强的晶圆缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115311282A true CN115311282A (zh) 2022-11-08
CN115311282B CN115311282B (zh) 2023-03-24

Family

ID=83868011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211243782.2A Active CN115311282B (zh) 2022-10-12 2022-10-12 基于图像增强的晶圆缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115311282B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109644A (zh) * 2023-04-14 2023-05-12 东莞市佳超五金科技有限公司 用于铜铝转接排的表面缺陷检测方法
CN116883270A (zh) * 2023-07-04 2023-10-13 广州医科大学附属第四医院(广州市增城区人民医院) 一种碎石手术软镜清晰化成像系统
CN117094998A (zh) * 2023-10-19 2023-11-21 厘壮信息科技(苏州)有限公司 一种单晶硅片生产过程的缺陷检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490194A (zh) * 2019-07-24 2019-11-22 广东工业大学 一种自适应权值的多特征分块融合交通标志的识别方法
CN113344810A (zh) * 2021-05-31 2021-09-03 新相微电子(上海)有限公司 基于动态数据分布的图像增强方法
CN114648530A (zh) * 2022-05-20 2022-06-21 潍坊医学院 一种ct图像处理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490194A (zh) * 2019-07-24 2019-11-22 广东工业大学 一种自适应权值的多特征分块融合交通标志的识别方法
CN113344810A (zh) * 2021-05-31 2021-09-03 新相微电子(上海)有限公司 基于动态数据分布的图像增强方法
CN114648530A (zh) * 2022-05-20 2022-06-21 潍坊医学院 一种ct图像处理方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109644A (zh) * 2023-04-14 2023-05-12 东莞市佳超五金科技有限公司 用于铜铝转接排的表面缺陷检测方法
CN116109644B (zh) * 2023-04-14 2023-06-16 东莞市佳超五金科技有限公司 用于铜铝转接排的表面缺陷检测方法
CN116883270A (zh) * 2023-07-04 2023-10-13 广州医科大学附属第四医院(广州市增城区人民医院) 一种碎石手术软镜清晰化成像系统
CN116883270B (zh) * 2023-07-04 2024-03-22 广州医科大学附属第四医院(广州市增城区人民医院) 一种碎石手术软镜清晰化成像系统
CN117094998A (zh) * 2023-10-19 2023-11-21 厘壮信息科技(苏州)有限公司 一种单晶硅片生产过程的缺陷检测方法
CN117094998B (zh) * 2023-10-19 2024-02-02 厘壮信息科技(苏州)有限公司 一种单晶硅片生产过程的缺陷检测方法

Also Published As

Publication number Publication date
CN115311282B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN115311282B (zh) 基于图像增强的晶圆缺陷检测方法
CN115035122B (zh) 基于人工智能的集成电路晶圆表面缺陷检测方法
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
CN111383209B (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN111179225B (zh) 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
JP4095860B2 (ja) 欠陥検査方法及びその装置
KR20090066212A (ko) 결함 검출 방법 및 결함 검출 장치
CN117635565B (zh) 一种基于图像识别的半导体表面缺陷检测系统
CN113706490B (zh) 一种晶片缺陷检测方法
CN107515227A (zh) 基于缺陷无损的图像压缩方法及显示面板缺陷检测系统
CN117974601B (zh) 基于模板匹配的硅片表面缺陷检测方法及系统
CN114170165A (zh) 一种芯片表面缺陷检测方法和装置
CN115008255B (zh) 一种用于机床的刀具磨损识别方法及装置
CN116864409A (zh) 一种基于cuda加速的高精度晶圆表面缺陷实时检测方法
CN115082477A (zh) 一种基于去反光效果的半导体晶圆加工质量检测方法
CN111681181A (zh) 一种织物表面起球程度的评价方法
CN113487569A (zh) 基于频域和空域结合的复杂背景图像缺陷检测方法及系统
KR102498322B1 (ko) 딥러닝 기반의 반도체 디바이스 상태 분류를 위한 장치 및 방법
CN107545565B (zh) 一种太阳能网版检测方法
Saad et al. Automatic semiconductor wafer image segmentation for defect detection using multilevel thresholding
CN113192061A (zh) Led封装外观检测图像的提取方法、装置、电子设备和存储介质
CN117274148B (zh) 基于深度学习的无监督晶圆缺陷检测方法
CN112184619A (zh) 一种基于深度学习的金属部件表面缺陷检测方法
JP2004296592A (ja) 欠陥分類装置、欠陥分類方法およびプログラム
CN116433978A (zh) 一种高质量瑕疵图像自动生成与自动标注方法及装置

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Wafer defect detection method based on image enhancement

Effective date of registration: 20230620

Granted publication date: 20230324

Pledgee: Jiangsu Qidong Rural Commercial Bank Co.,Ltd. Chengzhong Branch

Pledgor: Nantong dibosi Electronics Co.,Ltd.

Registration number: Y2023980044846

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20230324

Pledgee: Jiangsu Qidong Rural Commercial Bank Co.,Ltd. Chengzhong Branch

Pledgor: Nantong dibosi Electronics Co.,Ltd.

Registration number: Y2023980044846