发明内容
本申请涉及到一种用于晶圆的图像灰度值调节方法,包括:
在晶圆被拍摄的图像上选择一个区域,将该区域的被选定的数个像素点的灰度值进行分级,记录每一种等级下的灰度值的数目;
满足等级不低于一个动态灰度级条件的任一级别的灰度值与其数目相乘,以计算出该任一级别灰度值对应的灰度积,该区域所有符合该条件的灰度积相加得到灰度和;
统计等级不低于所述动态灰度级的所有灰度值的总数;
该区域的等效灰度值等于所述的灰度和除以所述总数,通过改变拍摄晶圆所需的光强来让所述的等效灰度值适配到预定灰度值。
上述的方法,其中:所述等效灰度值适配到预定灰度值的方式包括它们相等或者所述等效灰度值适配性的位于预定灰度值所限定的一个区间范围内。
上述的方法,其中:被选定的数个像素点为该区域的全部像素点或局部像素点。
上述的方法,其中:在该区域设定一个横向跨度以及一个纵向跨度,以所述纵向跨度为纵向上的移动尺度来跳过一些像素行、以所述横向跨度为横向上的移动尺度来跳过一些像素列,被保留的像素行和像素列视为选定的数个像素点。
上述的方法,其中:横向跨度和纵向跨度的数值相同或不同。
上述的方法,其中:横向跨度和纵向跨度的数值至少超过一个像素位。
上述的方法,其中:被选定的数个像素点的灰度值中具有最高灰度级和最低灰度级并且最高灰度级和/或最低灰度级越大则所述动态灰度级越大,或反之亦然。
上述的方法,其中:在拍摄位于晶圆的不同位置的各不同图像的阶段,所述的方法用于挽回不同位置的图像灰度值失配。
上述的方法,其中:引起图像灰度值失配的因素至少包括晶圆表面的不平整或在图像拍摄过程中晶圆的位置发生了改变。
上述的方法,其中:所述图像至少用于检测晶圆上指定结构的尺寸或用于分析晶圆上是否存在着缺陷。
上述的方法,其中:用所述图像分析晶圆上是否存在着缺陷的方式包括使用神经网络来识别和分类缺陷类型,根据多种预定的缺陷类型对神经网络进行训练,使用训练好的神经网络或模型检验所述图像中是否存在着缺陷并给出缺陷类型。
上述的方法,其中:在对缺陷进行分类拣选时,如果检测到所述神经网络不能识别出的新缺陷,则将新缺陷添加到用于对神经网络进行训练的缺陷数据集中。
上述的方法,其中:通过用自动光学成像系统扫描晶圆来实现检验,所述自动光学成像系统包括用基于光学显微镜的几何光学成像来撷取所述图像。
上述的方法,其中:灰度值被分级在0至255的等级区间。
本申请还涉及到另外一种用于晶圆的图像灰度值调节方法,包括:
在晶圆的不同位置采样图像时,在任一图像上选择一个区域,将该区域的被选定的数个像素点的灰度值进行分级,记录每一种等级下的灰度值的数目;
满足等级不低于一个动态灰度级条件的任一级别的灰度值与其数目相乘,以计算出该任一级别灰度值对应的灰度积,该区域所有符合该条件的灰度积相加得到灰度和;
统计等级不低于所述动态灰度级的所有灰度值的总数;
该区域的等效灰度值等于所述的灰度和除以所述总数;
每采样一次图像则调整一次采样时刻的光强,使得不同图像各自选择的区域所分别对应的一系列等效灰度值趋于相同。
上述的方法,在多次采样所撷取的多个图像中指定一个图像,将该指定图像被选择的区域所对应的等效灰度值视为指标,要求多个图像中余下的其他图像各自选择的区域所分别对应的等效灰度值皆趋向于等于该指标。
上述的方法,其中:采样不同图像时,不同图像各自选择的区域所使用的动态灰度级设置成动态变化。
上述的方法,其中:在任一图像所对应的一个区域中,它的被选定的数个像素点的灰度值中具有最高灰度级和最低灰度级,最高灰度级和/或最低灰度级越大则所述动态灰度级越大,或反之亦然。
本申请还涉及到另外一种用于晶圆的图像灰度值调节方法,包括:
使用差异化的光强在晶圆的不同位置采样图像,每采样一次晶圆的图像则调节一次采样时刻的光强,从而将不同位置采样到图像的灰度统一至相同的水准;
每个图像的灰度水准用它的被选择的一个区域的等效灰度值来表示;以及
每个区域的等效灰度值的计算方式包括:
将该区域被选定的数个像素点的灰度值进行分级,记录每种等级的灰度值数目;
满足等级不低于一个动态灰度级条件的任一级别的灰度值与其数目相乘,以计算出该任一级别灰度值对应的灰度积,该区域所有符合该条件的灰度积相加得到灰度和;
统计等级不低于所述动态灰度级的所有灰度值的总数;
该区域的等效灰度值等于所述的灰度和除以所述总数;
其中,在多次采样所撷取的多个图像中指定一个图像,将该指定图像被选择的区域所对应的等效灰度值视为灰度指标,要求多个图像中余下的其他图像各自选择的区域所分别对应的等效灰度值皆趋向于等于该灰度指标。
上述的方法,其中:在该区域设定一个横向跨度以及一个纵向跨度,以所述纵向跨度为纵向上的移动尺度来跳过一些像素行、以所述横向跨度为横向上的移动尺度来跳过一些像素列,被保留的像素行和像素列视为选定的数个像素点。
上述的方法,其中:在该区域通过调节横向跨度及纵向跨度的数值,藉此来调整该区域的等效灰度值相对于该区域的原始灰度值的分辨率。
上述的方法,其中:用所述图像分析晶圆上是否存在着缺陷的方式包括使用神经网络来识别和分类缺陷类型,根据多种预定的缺陷类型对神经网络进行训练,使用训练好的神经网络或模型检验所述图像中是否存在着缺陷并给出缺陷类型。
上述的方法,其中:将采样到的不同图像的灰度统一至相同的水准,使得神经网络是在相同水准的灰度条件下来评估不同图像的缺陷情况。
上述的方法,其中:将采样到的不同图像的灰度统一至相同的水准,使得晶圆上不同位置的指定结构的尺寸检测过程是在相同水准的灰度条件下所进行的。
本申请还涉及到另外一种用于晶圆的图像灰度值调节方法,包括:
对晶圆被拍摄的图像上被选定出的数个像素点的灰度值进行分级,记录每一种等级下的灰度值的数目;
满足等级不低于一个动态灰度级条件的任一级别的灰度值与其数目相乘,以计算出该任一级别灰度值对应的灰度积,该图像所有符合该条件的灰度积相加得到灰度和;
统计等级不低于所述动态灰度级的所有灰度值的总数;
该图像的等效灰度值等于所述的灰度和除以所述总数,通过改变拍摄晶圆所需的光强来让所述的等效灰度值适配到预定灰度值。
本申请还涉及到另外一种用于晶圆的图像灰度值调节方法,包括:
使用差异化的光强在晶圆的不同位置采样图像,每采样一次晶圆的图像则调节一次采样时刻的光强,从而将不同位置采样到图像的灰度统一至相同的水准;
每个图像的灰度水准用它的等效灰度值来表示;以及
每个图像的等效灰度值的计算方式包括:
将该图像被选定的数个像素点的灰度值进行分级,记录每种等级的灰度值数目;
满足等级不低于一个动态灰度级条件的任一级别的灰度值与其数目相乘,以计算出该任一级别灰度值对应的灰度积,该图像所有符合该条件的灰度积相加得到灰度和;
统计等级不低于所述动态灰度级的所有灰度值的总数;
该图像的等效灰度值等于所述的灰度和除以所述总数;
其中,在多次采样所撷取的多个图像中指定一个图像,将该指定图像所对应的一个等效灰度值视为灰度指标,要求多个图像中余下的其他图像各自分别所对应的等效灰度值皆趋向于等于该灰度指标。
本申请还涉及到一种非临时性计算机可读的存储介质,当可读的存储介质中的指令被处理器执行时,用于实现或用于执行上下文中多项权利要求中的任意一项所述的用于晶圆的图像灰度值的调节方法。
本申请还涉及到另外一种用于晶圆的图像灰度值调节的方法,其特征在于,利用处理器以及存储在所述处理器上的图像灰度值调节程序来实现该方法,所述图像灰度值调节程序被所述处理器运行时执行的步骤包括:
在晶圆被拍摄的图像上选择一个区域,将该区域的被选定的数个像素点的灰度值进行分级,记录每一种等级下的灰度值的数目;
满足等级不低于一个动态灰度级条件的任一级别的灰度值与其数目相乘,以计算出该任一级别灰度值对应的灰度积,该区域所有符合该条件的灰度积相加得到灰度和;
统计等级不低于所述动态灰度级的所有灰度值的总数;
该区域的等效灰度值等于所述的灰度和除以所述总数,所述处理器通过指示一个光源改变拍摄晶圆所需的光强来让所述等效灰度值适配到预定灰度值。
解决了晶圆特征结构的尺寸检测或晶圆缺陷分析归类等相关问题,在决解此类问题中最关注的核心是图像的灰度值不固定导致结果出现很大的误差。本申请将图像灰度适应性的与晶圆上不同位置的图像需求进行结合、达到图像灰度的按需调节。譬如神经网络模型用灰度图来识别和分类缺陷类型时,若灰度图或图像的灰度标准不一,显然此时的识别和分类行为将毫无疑虑的会出现偏差。本申请给出了解决这类问题的各种范例。
具体实施方式
下面将结合各实施例,对本发明的方案进行清楚完整的阐述,所描述的范例仅是本申请用作叙述说明所用的实施例而非全部实施例,基于该等实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的方案都属于本申请的保护范围。
参见图1,先介绍本申请涉及到的必要知识。半导体制备领域晶圆通常指制作集成电路所用的硅片。关键尺寸量测设备的量测平台或称运动平台用于承载晶圆10。显微镜和相机配合或组装在一起,可以拍摄细微的晶圆细节图像。显微镜具有高倍镜头和低倍镜头而且在一系列镜头中可以手动或自动的切换镜头的倍数。譬如从高倍镜头切换到中等倍数镜头或切换到低倍镜头,或者执行相反的镜头切换操作,譬如从低倍镜头切换到中等倍数镜头或切换到高倍镜头。镜头的这种倍数切换关系包括同轴切换。
参见图1,本申请可用基于光学显微镜的拍摄系统,光学显微镜及其配套相机是用几何光学成像的原理成像。这与传统的CD-SEM不同,CD-SEM需要将待测晶圆置于真空环境而且使用条件苛刻,因此检测速度较慢,还可能对样品造成损伤。目前光学关键尺寸测量设备已成为先进半导体制造工艺中的主要工具,它可以实现对器件关键线条宽度及其他形貌尺寸的精确测量,检测过程为零损伤,并具备有很好的重复性、长期稳定性如光学关键尺寸测量设备对半导体集成电路、化合物半导体、MEMS、射频、功率器件和固态光源器件及光通信等领域的关键尺寸进行量测。
参见图1,相机如拍摄到图像Image1/Image0,包括各像素点的灰度值。晶圆表面的芯片呈现为颜色变换复杂及凹凸不平的纳米或微米级电路元件结构,通常会加剧噪声对图像的影响程度。若图像质量未达到清晰要求,劣质图像是无法应用在微米级甚至纳米级的晶圆检测领域。关键尺寸的检测必须十分依赖被测对象的拍摄或图像的质量,如果被测对象的图像仅仅只是一个较大概的灰度图则显然测量或缺陷分析必然出现偏差。晶圆进入微米乃至纳米级,这一类别问题显得尤为突出。
参见图1,关于图像像素矩阵,假设图像宽和高已知的,则根据计算机视觉或图像处理的行业规则,图像的列数是width-1、行数是height-1。为了更清晰的理解图像像素的表达方式图中给出了4行9列的像素矩阵范例(以图像Image0或Image1为例)。
参见图1,图像的宽是width=10,高是height=4。
参见图1,图像的列数width-1=9,行数height-1=3。
参见图1,第0行为0、1、2、3、4、5、6、7、8、9。含0-9列。
参见图1,第1行为10、11、12、13、14、15、16、17、18、19。含0-9列。
参见图1,第2行为20、21、22、23、24、25、26、27、28、29。含0-9列。
参见图1,第3行为30、31、32、33、34、35、36、37、38、39。含0-9列。
参见图1,所以图示矩阵是0-3行和0-9列的合计3行9列的像素矩阵。因此根据图像像素点坐标行y和列x就可以在像素矩阵中定位到第几个像素点。需注意,像素矩阵的实际行数和实际列数是任意的或者是根据图像拍摄设备进行定义的,并不限制于图中给定的合计3行9列等作为范例的具体数值。
参见图1,关于像素地址,譬如像素点15(像素坐标为1,5也即y=1,x=5)的地址则可以按此计算:1*10+5。地址计算y*width+x。图中是以像素点15(pix:15)为例而且这种规律具有通用性:像素点27(pix:27)地址计算为2*10+7。需要注意到,在像素矩阵范例中是假设首个像素的地址(y=0,x=0)为起始的零,实际上首个像素的地址未必就必然是零地址。譬如像素矩阵是整幅图的截取图而非全图,在类似这种情况下,需要周全的考虑到像素矩阵中各个像素地址计算的通用性。
参见图1,图像的地址获取:先行定义byte*ptr,ptr是第0个像素的地址,例如这个地址指向的是个byte类型。Byte是编程语言中的数据类型或语言字符。已知知道像素矩阵的排列规律,任意一点像素的地址也可以计算得出:ptr+y×width+x。在计算机的图像处理若中用*(地址)表示取该地址中的像素灰度值,地址ptr+y×width+x,那么该地址中的像素灰度值提取的表达为*((byte*)ptr+y×width+x)。该实施例披露了一个事实,根据已知像素点的地址和已经得到图像,可根据地址计算出任一地址处的像素的灰度值。不同的计算机语言提取像素点灰度值的模式或表达也稍有不同。
参见图1,关于灰度图像:可将白色与黑色之间按对数关系分为若干等级,业界通常将之称为灰度。灰度分为256阶(0至255阶)。灰度表示的图像称作灰度图。灰度图像是指每个像素只有灰度值的图像,只有一个通道。根据前述的灰度图像计算法:可以获悉任意地址的灰度图像即*((byte*)ptr+y×width+x)。可以提取三基色各自的分量,因为地址已知则三个通道各自的灰度分量可以予以计算出。
参见图1,关于彩色图像:是指图像中的每个像素都分成R、G、B三个基色分量而且每个基色分量直接决定其基色的强度,通过这种方式产生的色彩称为真彩色,彩色图像通常有三个通道而非仅仅只有一个通道。如果R(x,y)和G(x,y)及B(x,y)分别表示该地址处对应的红色灰度和绿色灰度及蓝色灰度,则彩色图像或混色灰度可予以计算出。
参见图1,计算图像灰度在某些场合可采用便捷的方式,R、G、B是彩色图像的三个基色的分量:Gray(x,y)=(R(x,y)+G(x,y)+B(x,y))÷3。图像灰度Gray直接就等于三个基色分量各自的灰度值相加后再取均值即可。
参见图1,计算图像灰度在不同场合有不同的实施方式,R、G、B是彩色图像的三个基色的分量:Gray(x,y)=0.299×R(x,y)+0.587×G(x,y)+0.114×B(x,y)。其中三个基色的分量值各自的系数可以适应性调整,所以实施方式是多样化的。至此每个地址处的像素灰度值或灰度图像可以予以提取得到、每个地址处的三个基色各自的灰度分量值也可以予以提取得到、每个地址处的经过基色混色的彩色图像或混色灰度也可以提取得到。本申请中图像的灰度值或区域灰度它们可以包含任意一种基色的灰度值、它们亦可包含三种基色的灰度值的混色灰度,例如包含R(x,y)或G(x,y)或B(x,y)或Gray(x,y)等情况。
参见图1,由Gray=(R+G+B)÷3或Gray=0.299×R+0.587×G+0.114×B,本申请中可以将晶圆的图像(Image1/Image0)进行灰度化。问题在于晶圆不同位置的图像灰度值不固定会导致尺寸检测或晶圆缺陷分析南辕北辙。和宏观图像不同,微米纳米芯片不仅颜色复杂多变且芯片电路器件处包含金属层在内的各类材料起伏不定,任何一个工艺环节均必然存在这类疑虑。在晶圆检测环节,若灰度图的灰度标准不一致,任何两张图像在灰度标准不一致条件下所提取的尺寸结果或缺陷分类结果将丧失对比性、毫无参考意义。
参见图1,高效而精准的检测是半导体大规模生产线顺利推进的衡量标准,检测对于监测和预防包括光刻、研磨、刻蚀等工艺中的偏差起着至关重要的作用。本申请下文即将介绍灰度标准统一在大规模集成电路生产中的应用和相关问题作出解释。
参见图1,集成电路制造过程中,需将光刻胶涂布于晶圆表面上,然后透过一光掩模对光刻胶进行曝光。接着进行曝光后烘烤。对于正型化学倍增式光刻胶剂而言,这将引发去保护反应,使显影液较容易溶解曝光区的光刻胶,因而可在后续显影过程中将曝光区的光刻胶移除,从而产生所需的光刻胶图案。后续接着进行显影后检测。显影后检测包含如电子显微镜或光学式量测光刻胶图案的关键尺寸等,以判定其是否符合了规格。如果符合规格则进行蚀刻工艺以转移光刻胶图案到晶圆上面。除掉胶再进行蚀刻及检测。
参见图1,上文以光刻为例展示了关键尺寸检测显得至关重要。关键尺寸在集成电路光掩模制造及光刻工艺中为评估及控制工艺的图形处理精度,特设计一种反映集成电路特征线条宽度的专用线条图形。本文旨在对关键尺寸进行高精度量测。本申请中晶圆上被检测的指定结构或者对象包括关键尺寸结构和特定标记、对位结构等。
参见图1,本申请要解决的技术问题譬如体现在:基于现有技术中对晶圆结构检测的方式流程复杂而且检测错误率高(譬如无意地忽略灰度差异造成的异常),需简化晶圆检测步骤涉及到的方式方法、提高单位时间的检测效率,降低在整个产线上晶圆滞留在检测单环节的时间,同时提高特征尺寸检测或缺陷分析的准确度。
参见图2,在可选的实施例中,用于晶圆的图像灰度值调节方法:在晶圆10被拍摄的图像上选择一个区域,将该区域的被选定的数个像素点的灰度值进行分级,记录每一种等级下的灰度值的数目。例如在图像Image0或者图像Image1上选择一个区域并对选择区域的数个像素点的灰度值进行分级。局部区域记作sub。相当于将图像上被选定的数个像素点的灰度值进行分级,然后计算出区域sub的等效灰度值。
参见图2,在可选的实施例中,实质上可以直接用图像Image0或Image1上的所有像素点进行灰度值分级和执行后续的等效灰度值计算:此时相当于将图像上被选定的数个像素点的灰度值进行分级,计算出图像的等效灰度值。相当于不使用区域sub。
参见图2,至于是使用图像的局部区域sub的等效灰度值还是直接去计算出整个图像的等效灰度值,取决于应用场景的需求。半导体集成电路行业的自动化程度近乎是所有工业类中最高的,且随着工艺节点的缩小、这种趋势愈发明显,意味着晶圆在各工艺制备产线上的流水化处理具有极高的传递效率。所以对晶圆的包括图像处理在内的任何处理环节需要具备高效、能够跟随整体产线制备速度的特征。
参见图2,为了能够让图像处理的速度匹配晶圆产线的制备速度,有时不直接去计算出整个图像的等效灰度值而是使用图像的局部区域sub的等效灰度值,防止晶圆过度滞留在尺寸检测或缺陷检测的图像处理环节。如果用主流的高分辨率相机,图像处理环节将会耗费大量的时间来进行像素和灰度计算,有时候牺牲部分分辨率的折衷是必要的。
参见图2,在可选的实施例中,在晶圆被拍摄的图像上选择区域sub,该区域的被选定的数个像素点的灰度值进行分级,灰度值分为0至255级,并且需记录每一种等级下的灰度值的数目,例如记录0至255级中每一种等级下的灰度值的数目。
参见图2,设灰度值为0的数目记作G[0],对应的灰度级别或等级为0。
参见图2,设灰度值为1的数目记作G[1],对应的灰度级别或等级为1。
参见图2,设灰度值为2的数目记作G[2],对应的灰度级别或等级为2。
参见图2,设灰度值为3的数目记作G[3],对应的灰度级别或等级为3。
参见图2,设灰度值为k的数目记作G[k],对应的灰度级别或等级为k。
参见图2,显而易见的,自然数k满足0≤k≤255。
参见图2,设灰度值为254的数目记作G[254],对应的灰度级别或等级为254。
参见图2,设灰度值为255的数目记作G[255],对应的灰度级别或等级为255。
参见图9,在可选的实施例中,满足等级不低于一个动态灰度级DGray条件的任一级别的灰度值与该任一级别的灰度值的数目相乘,经过相乘,可以计算出该任一级别灰度值对应的灰度积,该区域所有符合该条件的灰度积相加得到灰度和。
参见图9,在可选的实施例中,可假设动态灰度级Dgray=149,那么满足等级不低于动态灰度级DGray=149条件的任一级别的灰度值与该任一级别的灰度值的数目相乘。
参见图9,在可选的实施例中,不低于动态灰度级DGray=149:这一条件下任一级别的灰度值与该任一级别的灰度值的数目相乘:149×G[149]。注意灰度值149必须存在于前述区域sub之中而且是被选定的数个像素点的一类灰度值,如果灰度值149并不存在于前述区域sub之中或不是被选定的数个像素点的一类灰度值,那么它不符合“该区域满足等级不低于一个动态灰度级的灰度值”的前置条件,无需执行灰度值与数目相乘。
参见图9,在可选的实施例中,不低于动态灰度级DGray=149:这一条件下任一级别的灰度值与该任一级别的灰度值的数目相乘:150×G[150]。注意灰度值150必须存在于前述区域sub之中而且是被选定的数个像素点的一类灰度值,如果灰度值150并不存在于前述区域sub之中或不是被选定的数个像素点的一类灰度值,那么它不符合“该区域满足等级不低于一个动态灰度级的灰度值”的前置条件,无需执行灰度值与数目相乘。
参见图9,在可选的实施例中,不低于动态灰度级DGray=149:这一条件下任一级别的灰度值与该任一级别的灰度值的数目相乘:255×G[150]。注意灰度值255必须存在于前述区域sub之中而且是被选定的数个像素点的一类灰度值,如果灰度值255并不存在于前述区域sub之中或不是被选定的数个像素点的一类灰度值,那么它不符合“该区域满足等级不低于一个动态灰度级的灰度值”的前置条件,无需执行灰度值与数目相乘。
参见图9,在可选的实施例中,不低于动态灰度级DGray=149:这一条件下任一级别的灰度值与该任一级别的灰度值的数目相乘:k×G[k],149≤k≤255。注意k必须存在于前述区域sub之中而且是被选定的数个像素点的一类灰度值,而如果灰度值k并不存在于前述区域sub之中或不是被选定的数个像素点的一类灰度值,那么它不符合“该区域满足等级不低于一个动态灰度级的灰度值”的前置条件,无需执行灰度值与数目相乘。
参见图9,在可选的实施例中,灰度级Dgray可能是0至255中的任意一种。
参见图2,在可选的实施例中,统计区域sub等级不低于动态灰度级DGray的所有的灰度值的总数。譬如仍然以动态灰度级DGray=149为例:等级不低于动态灰度级的所有灰度值的总数:等于G[149]+G[150]+G[k]+…G[255],149≤k≤255。注意k必须存在于前述区域sub之中而且是被选定的数个像素点的一类灰度值,而如果灰度值k并不存在于前述区域sub之中或不是被选定的数个像素点的一类灰度值,那么它不符合“该区域满足等级不低于一个动态灰度级的灰度值”的前置条件,那么G[k]不需要计入“统计区域等级不低于动态灰度级的所有的灰度值的总数”的所谓总数中。
参见图2,在可选的实施例中,满足等级不低于一个动态灰度级条件的任一级别的灰度值与其数目相乘,以计算出该任一级别灰度值对应的灰度积k×G[k],该区域所有符合该条件的灰度积k×G[k]相加得到灰度和。
参见图2,在可选的实施例中,统计区域sub等级不低于动态灰度级DGray的所有的灰度值的总数。仍然以动态灰度级DGray=149为例,该区域所有符合该条件的灰度积相加得到灰度和:149×G[149]+150×G[150]+k×G[k]+…255×G[255]。注意k必须存在于前述区域sub之中而且是被选定的数个像素点的一类灰度值,而如果灰度值k并不存在于前述区域sub之中或不是被选定的数个像素点的一类灰度值,那么它不符合“该区域满足等级不低于一个动态灰度级的灰度值”的前置条件,则k×G[k]不需要计入“该区域所有符合该条件的灰度积相加得到灰度和”的所谓灰度和之中。
参见图2,在可选的实施例中,该区域sub的等效灰度值EGray等于前述的灰度和除以前述的总数,因为图像灰度的浮动和光源强度密切相关,本申请主张通过改变拍摄晶圆所需的光强来让等效灰度值EGray适配到事先设计的预定灰度值。
参见图2,假设光强light_int具有不同的分档,在同样的晶圆位置和同样的拍摄条件下仅仅只是改变光强light_int的辐照度,图像灰度也是不一样的。本申请可通过使用自动光学成像系统来扫描晶圆和采集到图像,自动光学成像系统典型的包括基于光学显微镜的几何光学成像。光学成像属于已知技术,其光源的光强light_int是可调的。如果通过改变拍摄晶圆所需的光强light_int来让等效灰度值Egray近乎等于预定灰度值,那么图像的灰度可与晶圆上不同位置的图像需求结合、达到灰度图标准统一的效果。
参见图2,在一个范例中,用于晶圆的图像灰度值调节方法包括:在晶圆被拍摄的图像上选择一个区域sub,将该区域sub的被选定的数个像素点的灰度值进行分级并且记录每一种等级下的灰度值的数目;满足等级不低于一个动态灰度级DGray条件的任一级别的灰度值与其数目相乘,计算出该任一级别灰度值对应的灰度积k×G[k],所有符合该条件的灰度积k×G[k]相加得到灰度和;统计等级不低于动态灰度级DGray的所有灰度值的总数;该区域sub的等效灰度值EGray等于该灰度和除以该总数,通过改变拍摄晶圆所需的光强light_int来让等效灰度值EGray适配到事先设计好的预定灰度值。
参见图2,在替代范例中,图像灰度值调节方法包括:对晶圆被拍摄的图像上被选定出的数个像素点的灰度值进行分级,记录每一种等级下的灰度值的数目;满足等级不低于动态灰度级DGray条件的任一级别的灰度值与其数目相乘,计算出该任一级别灰度值对应的灰度积k×G[k],该图像所有符合该条件的灰度积k×G[k]相加得到灰度和;统计等级不低于动态灰度级DGray的所有灰度值的总数;该图像的等效灰度值EGray等于前述的灰度和除以前述总数,通过改变拍摄晶圆所需的光强light_int来让前述的等效灰度值适配到预定灰度值。此时是对整个图像(Image0或Image1)的被选定的数个像素点的灰度值进行分级而非图像的局部区域sub的数个像素点之灰度值进行分级。
参见图3,正如前文所述,图像处理速度应当匹配晶圆的流水线,所以本实施例将介绍如何获得该区域sub或图像(Image0或Image1)的被选定的数个像素点。左上图可代表整个图像(Image0或Image1)或者代表图像的局部区域sub。
参见图3,在区域sub设定横向跨度W0以及纵向跨度H0,以纵向跨度H0为纵向上的移动尺度来跳过一些像素行、以横向跨度W0为横向上的移动尺度来跳过一些像素列以及被保留的像素行和像素列(阴影覆盖部分)视为选定的数个像素点。
参见图3,从整个图像或区域sub过滤筛选了一些像素点,顺带效应是极大的压缩了图像处理的数据量和明显的提高了图像处理速度及保持高精度,因此适配性的满足于晶圆的流水化处理和符合产线上晶圆高速传递的特征,解决数据量暴增的问题。
参见图3,先行和图2进行对比,在图2中假设是对区域sub所有的像素点的灰度值进行分级并记录每一种等级下的灰度值的数目,此时被选定的像素点为区域sub的全部或全局的像素点。然后在图3中仅仅对保留的像素点(阴影覆盖部分)的灰度值进行分级并记录每一种等级下的灰度值的数目,极大的节省了计算量。在高数据量的计算任务当中较大的瓶颈常常是存储带宽以及算力。计算单元的运行频率远高于存储单元,计算单元往往会陷入算力等数据的状态,避免计算单元空转的方案之一是压缩晶圆图像。
参见图3,设灰度值为k的数目记作G’[k],对应的灰度级别或等级为k。
参见图3,显而易见的,自然数k满足0≤k≤255。
参见图3,在可选的实施例中,满足等级不低于一个动态灰度级DGray条件的任一级别的灰度值与该任一级别的灰度值的数目相乘,经过相乘,可以计算出该任一级别灰度值对应的灰度积,该区域所有符合该条件的灰度积相加得到灰度和。
参见图3,在可选的实施例中,不低于动态灰度级DGray=100:这一条件下任一级别的灰度值与该任一级别的灰度值的数目相乘:k×G’[k],100≤k≤255。注意k必须存在于前述区域sub之中而且是被选定的数个像素点的一类灰度值,而如果灰度值k并不存在于前述区域sub之中或不是被选定的数个像素点的一类灰度值,那么它不符合“该区域满足等级不低于一个动态灰度级的灰度值”的前置条件,无需执行灰度值与数目相乘。
参见图3,在可选的实施例中,统计区域sub等级不低于动态灰度级DGray的所有的灰度值的总数。譬如仍然以动态灰度级DGray=100为例:等级不低于动态灰度级的所有灰度值的总数:等于G’[100]+G’[101]+G’[k]+…G’[255],100≤k≤255。注意k必须存在于前述区域sub之中而且是被选定的数个像素点的一类灰度值,而如果灰度值k并不存在于前述区域sub之中或不是被选定的数个像素点的一类灰度值,那么它不符合“该区域满足等级不低于一个动态灰度级的灰度值”的前置条件,那么G’[k]不需要计入“统计区域等级不低于动态灰度级的所有的灰度值的总数”的所谓总数中。
参见图3,在可选的实施例中,满足等级不低于一个动态灰度级条件的任一级别的灰度值与其数目相乘,以计算出该任一级别灰度值对应的灰度积k×G’[k],该区域所有符合该条件的灰度积k×G’[k]相加得到灰度和。
参见图3,在可选的实施例中,统计区域sub等级不低于动态灰度级DGray的所有的灰度值的总数。仍然以动态灰度级DGray=100为例,该区域所有符合该条件的灰度积相加得到灰度和:100×G’[100]+101×G’[101]+k×G’[k]+…255×G’[255]。注意k必须存在于前述区域sub之中而且是被选定的数个像素点的一类灰度值,而如果灰度值k并不存在于前述区域sub之中或不是被选定的数个像素点的一类灰度值,则它不符合“该区域满足等级不低于一个动态灰度级的灰度值”的前置条件,及k×G’[k]不需要计入“该区域所有符合该条件的灰度积相加得到灰度和”的所谓灰度和之中。
参见图3,在可选的实施例中,该区域sub的等效灰度值EGray等于前述的灰度和除以前述的总数,因为图像灰度的浮动和光源强度密切相关,本申请主张通过改变拍摄晶圆所需的光强来让等效灰度值EGray适配到事先设计的预定灰度值。因此区域sub被选定的数个像素点为该区域的全部像素点或局部像素点。
参见图1,图像像素的横向记作X轴以及图像像素的纵向记作Y轴。前文介绍过根据图像像素点坐标行y和列x就可以在像素矩阵中定位到第几个像素点。
参见图4,在区域sub设定横向跨度W1及纵向跨度H1,以纵向跨度H1为纵向上的移动尺度来跳过一些像素行(假设H1=2像素单位)、以横向跨度W1为横向上的移动尺度来跳过一些像素列(假设W1=2像素单位)。
参见图4,横向上第一次移动例如从第0列跳到第2列(0+W1),横向上第二次移动例如从第2列跳到第4列(2+W1),按照相同的过滤列的跨度原理,横向上第三次移动例如从第4列跳到第6列(4+W1),同样按照该过滤列的跨度原理,横向上第四次移动例如从第6列跳到第8列(6+W1)。诸如此类:在X轴上以横向跨度W1为横向上的移动尺度来跳过一些像素列(譬如奇数列被跳过)。
参见图4,纵向上第一次移动例如从第0行跳到第2行(0+H1),纵向上第二次移动例如还从第2行跳到第4行(2+H1),按照相同的过滤列的跨度原理,纵向上第三次移动例如还从第4行跳到第6行(4+H1)。诸如此类:在Y轴上以纵向跨度H1为纵向上的移动尺度来跳过一些像素行(譬如奇数行被跳过)。
参见图5,横向跨度的数值及纵向跨度的数值是按需调整,如果试图利用稀疏的像素点分布密度来计算等效灰度值EGray,需要增加横向或纵向跨度的数值。更稀疏的像素点分布密度可以进一步压缩计算量,但同时牺牲了更多的分辨率。
参见图5,在区域sub设定横向跨度W2及纵向跨度H2,以纵向跨度H2为纵向上的移动尺度来跳过一些像素行(假设H2=4像素单位)、以横向跨度W2为横向上的移动尺度来跳过一些像素列(假设W2=4像素单位)。
参见图5,横向上第一次移动例如从第0列跳到第4列(0+W2),横向上第二次移动例如从第4列跳到第8列(4+W2),按照相同的过滤列的跨度原理,横向上第三次移动例如从第8列跳到第12列(8+W2)。诸如此类:在X轴上以横向跨度W2为横向上的移动尺度来跳过一些像素列(譬如每次横向移动均跳过三列)。
参见图5,纵向上第一次移动例如从第0行跳到第4行(0+H2),纵向上第二次移动例如还从第4行跳到第8行(4+H2),按照相同的过滤列的跨度原理,纵向上第三次移动例如还从第8行跳至第12行(8+H2)。诸如此类:在Y轴上以纵向跨度H2为纵向上的移动尺度来跳过一些像素行(譬如每次纵向移动均跳过三行)。
参见图5,在可选的实施例中,从第0行和从第0列作为出发点,横向移动的驻停像素列被保留下来,每次横向移动的尺度等于横向跨度。其中,每次从前一驻停像素列按照横向跨度而横向移动到后一驻停像素列的方式为:前一驻停像素列的地址加上横向跨度等于后一驻停像素列的地址。
参见图4,在可选的实施例中,例如,从前一驻停像素列(第0列)按照横向跨度而横向移动到后一驻停像素列(第2列)的方式为:前一驻停像素列的地址加上横向跨度等于后一驻停像素列的地址(0+W1=2)。
参见图5,在可选的实施例中,例如,从前一驻停像素列(第4列)按照横向跨度而横向移动到后一驻停像素列(第8列)的方式为:前一驻停像素列的地址加上横向跨度等于后一驻停像素列的地址(4+W2=12)。
参见图5,在可选的实施例中,从第0行和从第0列作为出发点,纵向移动的驻停像素行被保留下来,每次纵向移动的尺度等于纵向跨度。其中,每次从前一驻停像素行按照纵向跨度而纵向移动到后一驻停像素行的方式为:前一驻停像素行的地址加上纵向跨度等于后一驻停像素行的地址。
参见图4,在可选的实施例中,例如,从前一驻停像素行(第0行)按照纵向跨度而纵向移动到后一驻停像素行(第2行)的方式为:前一驻停像素行的地址加上纵向跨度等于后一驻停像素行的地址(0+H1=2)。
参见图5,在可选的实施例中,例如,从前一驻停像素行(第0行)按照纵向跨度而纵向移动到后一驻停像素行(第4行)的方式为:前一驻停像素行的地址加上纵向跨度等于后一驻停像素行的地址(0+H2=4)。
参见图5,被保留的像素行和像素列(虚线框内)视为选定的数个像素点。
参见图5,关于图像灰度值调节方法,等效灰度值计算可运行在计算机或服务器或类似计算单元上。计算单元上的其他替代物:现场可编程逻辑门阵列、复杂可编程逻辑器件或现场可编程模拟门阵列、或半定制的ASIC或处理器或微处理器、或数字信号处理器或集成电路或存储于存储器的软件固件程序。
参见图5,图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。噪声的存在严重影响了图像分析结果的质量,因此在图像增强处理和分类处理之前,业界通常试图对其予以纠正。然而噪声在理论上可以定义为不可预测性,只能用类似于概率统计法来认识的随机误差。因此往往将图像噪声看成是多维随机过程,业界描述噪声的方法可借用随机过程的描述,即用其概率分布函数和概率密度分布函数。
参见图5,在绝大多数数字图像系统中,输入图像都是采用采样和扫描方式将多维图像变成一维电信号,再对其进行处理、存储、传输等加工变换。最后往往还需要将信号再组成多维图像信号,图像噪声也将同样受到这样的分解和合成。在这些过程中拍摄系统和外界影响例如晶圆环境将使图像噪声的精确分析变得十分复杂。另一方面图像只是用于传输视觉信息的媒介,对图像信息的认知是由不同因素所决定的。不同的图像噪声和不同的图像处理方案对图像以及噪声的感觉程度或去噪能力是不同的。
参见图5,常见噪声包括光学图像和电子信号之间转换器件如光电管噪声、光电变换或光电效应过程中产生的噪声、在图像上随机出现黑色白色的像素如椒盐噪声、摄象管输出噪声或摄像机中放大和处理电路所引起的噪声等。常见去噪方法包括几何均值滤波法或自适应维纳滤波法、小波去噪、形态学噪声滤除法、中值滤波法等。对晶圆的包括图像处理在内的任何处理环节(含去噪)需要具备高效性、能与产线速度的步伐同步。
参见图5,本申请得到被选定的该一系列像素的方式,随着跨度的设定,同时过滤掉了部分像素及其灰度值。那么显而易见,剩下被保留的该一系列像素与掺杂在整个被选定的区域的噪声将不再具有明显的对比度,因为后续进行图像处理的系列像素仅仅只是使用局部像素而非全局像素。值得注意的是,分布到不同像素点的噪声分量往往是不同的且分布特性具极大的随机性。更何况被选定的该一系列像素的筛选过程还存在着一定的任意性和不可控性。全局噪声影响着被选定的区域的整体灰度值以及整体视觉处理,尤其是晶圆表面处的芯片呈现为颜色变换复杂及凹凸不平的纳米或微米级电路元件结构,更是加剧了噪声对图像的影响程度。这是非常值得关注的问题。
参见图4,针对区域sub在光强弱时使用的横向跨度以及纵向跨度的尺度,比光强强时使用的横向跨度以及纵向跨度的尺度要小,可结合图5进行阐释。避免歧义,光强弱时例如光强具有第一亮度水准而光强强时例如光强具有第二亮度水准,其中第二亮度水准要比第一亮度水准高一些或大一些或者强一些。
参见图5,针对区域sub在光强弱时使用的横向跨度的尺度比在光强强时使用的横向跨度小及在光强弱时使用的纵向跨度的尺度比在光强强时使用的纵向跨度小。光强调节过程中图像无法做到在光强调节范围内线性的感知:在光强弱时图像对光强的响应基本上呈现线性响应,在光强强时图像对光强的响应呈现压缩型响应。光强越弱而使用越小的横向跨度和越小的纵向跨度的这种趋势,贴近图像对光强的敏感曲线,补偿图像在光强调节范围内的感知,弥补等效灰度值的运算在光强响应方面的不足。试想等效灰度值的运算在线性型区间和压缩型区间必然存在着隐匿的差异性。则光强弱时使用比光强强时更小的横向跨度及光强弱时使用比光强强时更小的纵向跨度,至少用于:抑制图像对光强变化的非线性感知所带给等效灰度值的偏差。还用于:在该区域的整体噪声对光强弱状况下的被保留的像素行及像素列的影响程度和该区域的整体噪声对光强强状况下的被保留的像素行及像素列的影响程度之间实现均衡。平衡噪声在光线强弱不一情况下的负面影响。整体噪声对光强弱状况下的被保留的像素行及像素列的负面影响、整体噪声对光强强状况下的被保留的像素行及像素列的负面影响,皆是等效灰度值之计算误差的诱发因素。
参见图8,在可选的实施例中,例如光强弱时(假设此时采集图像Image0)使用比光强强时(假设此时采集图像Image3)更加小的横向跨度以及光强弱时使用比光强强时更小的纵向跨度。抑制非线性感知带给等效灰度值EGray0/Egray3的计算偏差,因为计算等效灰度值EGray0的光线变化到计算等效灰度值Egray3的光线是非线性变化。极大的缩小了图像处理的数据量和明显的提高了图像处理速度及精度,因此适配性的满足晶圆的流水化处理和符合产线上晶圆高速传递的特征,减小算力要求。
参见图6,用图像(Image0或Image1)分析晶圆上是否存在着缺陷的方式包括使用神经网络NET来识别和分类缺陷类型,需要根据多种预定的缺陷类型对神经网络进行训练再使用训练好的神经网络NET或模型检验所述图像(Image0或Image1)中是否存在着缺陷并给出缺陷类型。可使用灰度图输入给NET来识别和分类缺陷类型:灰度图例如满足通过改变拍摄晶圆所需的光强来让等效灰度值适配到预定灰度值、或满足使得不同图像各自选择的区域所分别对应的一系列等效灰度值趋于相同。缺陷的类型不作限定例如光刻之后会有一些桥连(bridge)、散焦(defocus)等典型缺陷。
参见图6,在对缺陷进行分类拣选时,如果检测到神经网络NET不能识别出的新缺陷则将新缺陷添加到用于对神经网络NET进行训练的缺陷数据集中。
参见图6,在可选的实施例中,基于神经网络NET对于晶圆表面缺陷进行检测的方法主要包括了:由已标记缺陷类型及其标定的原始图像构建训练集;由训练集利用快速区域卷积神经网络方法进行模型训练,得到最终训练好的模型;采集晶圆生产中拍摄的晶圆图像(Image0或Image1),用最终模型进行检测得到图像中缺陷的位置和类型。
参见图6,在可选的实施例中,缺陷含加热不均(hump)、灰尘颗粒(dust)和机械损伤(injury)和液体残留物(blot)等常见的类型。
参见图6,在可选的实施例中,对所有微观晶圆原始图像进行扩充,对原始图像进行旋转和错切和翻转的操作,构成训练集。
参见图6,在可选的实施例中,图像Image0和图像Image1用不同的阴影标注是表征着它们的灰度标准不一致。显然的,图像Image0和图像Image1若被用于对晶圆上面的指定结构的尺寸进行检测或测量关键尺寸是否合符要求,由于两种图像或更多张图像的灰度图或图像的灰度标准不一,即使是相同的目标例如关键尺寸,图像Image0被测量出的结果和图像Image1被测量出的结果会出现很大的误差,主因是灰度值不固定。
参见图6,在可选的实施例中,图像Image0和图像Image1用不同的阴影标注是表征着它们的灰度标准不一致。显然的,图像Image0和图像Image1若被用于神经网络对晶圆上面的微观表面缺陷进行分析并归类表面缺陷的类型,由于两种图像或更多张图像的灰度图或图像的灰度标准不一,即使是相同的缺陷例如物理损伤,图像Image0被检测出的结果和图像Image1被检测出的结果会出现很大的误差,主因是灰度值不固定。
参见图6,在可选的实施例中,幸好能改变拍摄晶圆所需的光强light_int来让等效灰度值EGray近乎等于预定灰度值,那么图像的灰度可与晶圆上不同位置的图像需求结合并达到各灰度图标准统一的效果。尺寸检测和缺陷识别将变得高效和精准。因此在拍摄位于晶圆的不同位置的各个图像(例如拍摄图像Image0或Image1)的阶段,用于晶圆的图像灰度值调节方法可以用于挽回不同位置的图像灰度值失配。
参见图7,在可选的实施例中,不低于动态灰度级DGray:这一条件下任一级别的灰度值与该任一级别的灰度值的数目相乘:k×G’[k],DGray≤k≤255。注意k必须存在于前述区域sub之中而且是被选定的数个像素点的一类灰度值,而如果灰度值k并不存在于前述区域sub之中或不是被选定的数个像素点的一类灰度值,那么它不符合“该区域满足等级不低于一个动态灰度级的灰度值”的前置条件,无需执行灰度值与数目相乘。
参见图7,在可选的实施例中,统计区域sub等级不低于动态灰度级DGray的所有的灰度值的总数。譬如仍然以动态灰度级DGray为例:等级不低于动态灰度级的所有灰度值的总数:等于G’[DGray]+G’[Dgray+1]+G’[k]+…G’[255],DGray≤k≤255。k必须存在于前述区域sub之中而且是被选定的数个像素点的一类灰度值,而如果灰度值k并不存在于前述区域sub之中或不是被选定的数个像素点的一类灰度值,那么它不符合“该区域满足等级不低于一个动态灰度级的灰度值”的前置条件,那么G’[k]不需要计入“统计区域等级不低于动态灰度级的所有的灰度值的总数”的所谓总数中。
参见图7,在可选的实施例中,满足等级不低于一个动态灰度级条件的任一级别的灰度值与其数目相乘,以计算出该任一级别灰度值对应的灰度积k×G’[k],该区域所有符合该条件的灰度积k×G’[k]相加得到灰度和。
参见图7,在可选的实施例中,统计区域sub等级不低于动态灰度级DGray的所有的灰度值的总数。以动态灰度级DGray为例,该区域所有符合该条件的灰度积相加得到灰度和:DGray×G’[DGray]+(Dgray+1)×G’[Dgray+1]+k×G’[k]+…255×G’[255]。k必须存在于前述区域sub之中而且是被选定的数个像素点的一类灰度值,而如果灰度值k并不存在于前述区域sub之中或不是被选定的数个像素点的一类灰度值,则它不符合“该区域满足等级不低于一个动态灰度级的灰度值”的前置条件,及k×G’[k]不需要计入“该区域所有符合该条件的灰度积相加得到灰度和”的所谓灰度和之中。
参见图7,在可选的实施例中,该区域sub的等效灰度值EGray等于前述的灰度和除以前述的总数,因为图像灰度的浮动和光源强度密切相关,本申请主张通过改变拍摄晶圆所需的光强来让等效灰度值EGray适配到事先设计的预定灰度值。
参见图8,在晶圆的不同位置采样图像时,在任一图像上选择一个区域,将该区域的被选定的数个像素点的灰度值进行分级,记录每一种等级下的灰度值的数目;满足等级不低于一个动态灰度级条件的任一级别的灰度值与其数目相乘,以计算出该任一级别灰度值对应的灰度积,该区域所有符合该条件的灰度积相加得到灰度和;统计等级不低于所述动态灰度级的所有灰度值的总数;则该区域的等效灰度值等于灰度和除以总数;每采样一次图像则调整一次采样时刻的光强,使不同图像各自选择的区域所分别对应的一系列等效灰度值趋于相同。本实施例可不必将等效灰度值适配到预定灰度值。
参见图8,在可选的实施例中,在不同位置采样图像(Image0至Image4)。用不同的阴影标注是表征着它们(Image0至Image4)的灰度标准不一致。
参见图8,在图像Image0上选择一个区域sub0,将该区域sub0的被选定的数个像素点的灰度值进行分级,记录每一种等级下的灰度值的数目。
参见图8,计算出图像Image0对应的个区域sub0的等效灰度值EGray0。
参见图8,在图像Image1上选择一个区域sub1,将该区域sub1的被选定的数个像素点的灰度值进行分级,记录每一种等级下的灰度值的数目。
参见图8,计算出图像Image1对应的个区域sub1的等效灰度值EGray1。
参见图8,在图像Image2上选择一个区域sub2,将该区域sub2的被选定的数个像素点的灰度值进行分级,记录每一种等级下的灰度值的数目。
参见图8,计算出图像Image2对应的个区域sub0的等效灰度值EGray2。
参见图8,在图像Image3上选择一个区域sub3,将该区域sub3的被选定的数个像素点的灰度值进行分级,记录每一种等级下的灰度值的数目。
参见图8,计算出图像Image3对应的个区域sub3的等效灰度值EGray3。
参见图8,在可选的实施例中,每采样一次图像(例如图像Image0)则调整一次采样时刻的光强(采样图像Image0使用光强light_int0的条件拍摄),使图像Image0自身所选择的该区域(例如sub0)对应的等效灰度值EGray0趋于等于EGray1。
参见图8,在可选的实施例中,每采样一次图像(例如图像Image2)则调整一次采样时刻的光强(采样图像Image2使用光强light_int2的条件拍摄),使图像Image2自身所选择的该区域(例如sub2)对应的等效灰度值EGray2趋于等于EGray1。
参见图8,在可选的实施例中,每采样一次图像(例如图像Image3)则调整一次采样时刻的光强(采样图像Image3使用光强light_int3的条件拍摄),使图像Image3自身所选择的该区域(例如sub3)对应的等效灰度值EGray3趋于等于EGray1。
参见图8,在可选的实施例中,等效灰度值EGray1被用于作为标准参数,余下的其他的图像(Image0、Image2、Image3)各自选择的区域(sub0、sub2、sub3)所分别对应的一系列等效灰度值(EGray0、EGray2、EGray3)趋于相同。因此可以认为:采样一次图像则调整一次采样时刻的光强,使不同图像(Image0至Image4)各自选择的区域所分别对应的一系列等效灰度值(EGray0至EGray3)趋于相同。
参见图8,由于不必再将等效灰度值适配到预定灰度值,所以光强light_int调节具有高度的灵活性。当光强light_int囿于要去迎合预定灰度值时,光强的少许偏差都会导致等效灰度值与预定灰度值之间存在差异,计算和寻找到合适的最佳光强点将会耗费大量的硬件资源和算力,尤其是当前光源的亮度调整并非线性调节的、而是步进式的。再者所寻找到的光强也未必是合适的、最佳的点。
参见图8,每采样一次图像则调整一次采样时刻的光强,使得不同图像各自选择的区域所分别对应的一系列等效灰度值趋于相同的优势是:基于当时的应用场景,所产生的光强符合当时的应用环境(例如等效灰度值EGray1对应的光强light_int1),这种应用环境与晶圆当时的纳米级或微米级电路元件结构及表面材料相关,那么当时的应用场景所要求的最佳精准光强(例如将光强调节到light_int0、light_int2、light_int3等)是相对容易实现的和寻找到的。与要求迎合预定灰度值所要求的光强不同,事先已经定义好的预定灰度值并不能预知何种光强程度在当时的应用场景是容易实现的,缺乏灵活性,如果晶圆的类型改变或者电路(如模拟电路或数字电路或存储器或功率器件)类型改变,已经定义好的预定灰度值略微显得捉襟见肘、或掣肘着光强调整的自由度。
参见图9,在可选的实施例中,DGray=α×MIN+β×MAX。
参见图9,在可选的实施例中,0<α<1;0<β<1。或者再例如系数α<β。
参见图9,在可选的实施例中,DGray=MIN+γ×(MAX-MIN)。
参见图9,在可选的实施例中,0<γ<1。或者再例如系数0.5<γ<1。
参见图9,在可选的实施例中,区域sub中的被选定的数个像素点的灰度值当中必然存在或具有最高灰度级MAX和最低灰度级MIN,要求最高灰度级和/或最低灰度级越大则动态灰度级DGray越大。或者反之亦然,例如:要求最高灰度级和/或最低灰度级越低则动态灰度级DGray越小。
参见图9,在可选的实施例中,在sub以一纵向跨度为纵向上的移动尺度来跳过一些像素行、以一横向跨度为横向上的移动尺度来跳过一些像素列,保留的像素行和像素列视为选定的数个像素点;可通过调节横向跨度及纵向跨度的数值,藉此来调整该区域的等效灰度值相对于该区域的原始灰度值的分辨率(原始灰度值是没有跳过任何像素行和没有跳过任何像素列的情况)。这种相对关系映射出了上文的折衷诉求。
以上通过说明和附图的内容,给出了具体实施方式的特定结构的典型实施例,上述申请内容提出了现有的较佳实施例,但这些内容并不作为局限。对于本领域的技术人员而言在阅读上述说明后,各种变化和修正无疑将显而易见。因此,所附的权利要求书应当看作是涵盖本发明真实意图和范围的全部变化和修正。权利要求书范围之内的任何和所有等价的范围与内容,都应认为属本发明的意图和范围内。