CN115791822A - 晶圆表面缺陷的视觉检测算法及检测系统 - Google Patents
晶圆表面缺陷的视觉检测算法及检测系统 Download PDFInfo
- Publication number
- CN115791822A CN115791822A CN202211393335.5A CN202211393335A CN115791822A CN 115791822 A CN115791822 A CN 115791822A CN 202211393335 A CN202211393335 A CN 202211393335A CN 115791822 A CN115791822 A CN 115791822A
- Authority
- CN
- China
- Prior art keywords
- image
- template
- wafer
- value
- crystal grain
- 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
Links
Images
Classifications
-
- 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了晶圆表面缺陷的视觉检测算法,包括以下过程:a.分割和定位,获取晶圆原始图像,对晶圆原始图像进行分割,分割为单个晶粒图像,并对单个晶粒图像进行定位;b.预处理,将单个晶粒图像进行位置调节及亮度调节后得到待检测晶粒图像;c.表面缺陷检测,c1.将多个品相较好的晶粒图像作为训练样本进行训练后得到多个模板图像,通过模板图像的各像素的灰度平均值得到平均模板图像,计算待检测晶粒图像与平均模板图像的差异区域;c2.对差异区域进行定位并获得缺陷区域;c3.对晶圆的缺陷区域进行种类的划分。本发明还公开了一种晶圆表面缺陷的视觉检测系统。本发明为非接触式检测,可适用于复杂的晶圆图案的缺陷检测,精度高,稳定性好。
Description
技术领域
本发明涉及计算机视觉检测技术领域,具体为晶圆表缺陷的视觉检测算法。
背景技术
世界电子产业的发展,集成电路(IC)设计和制造产业发展迅速,全球各行业广泛市场对半导体芯片的需求量进一步提升,如通讯、计算、医疗、互联网行业及汽车制造行业等等。晶圆制造的关键技术突破显得尤为重要。
目前的晶圆的生产过程为:拉晶、切片、磨片、倒角、刻蚀、清洗、检测。晶圆表面缺陷是指在半导体制造过程中,由于工艺操作失误、环境因素、人为因素等干扰,在晶圆表面留下的无法掌控的结构。这些结构通常会引起晶圆的不能够正常使用,严重的情况下是晶圆电路的失效。这种在生产过程中意外造成的晶圆表面结构称为晶圆表面缺陷。晶圆检测即是对表面缺陷进行的检测,检测方式分为接触式和非接触式,其中接触式以探针法最为常见,通过触针与被测物体的表面近距离接触,将物体表面的信息通过探针和传感器传递给计算机处理系统。但也往往会对被测物体表面产生应力导致损坏或划伤,并且触针由于极细也容易磨损甚至损坏,另外电信号可能会对集成电路造成损害。还有非接触式包括自动光学检测系统、扫描电子显微镜、原子力显微镜等。光学检测系统通过设计照明系统对被测目标进行照明,利用远心镜头,成像晶圆表面,用计算机视觉目标识别技术进行缺陷检测。具有速度快,成本低,成像范围广,灵活性高,吞吐量大。而扫描电子显微镜、原子力显微镜通常更适用于3D的检测需求。
晶圆AOI设备对图案化晶圆的定位与检测通常根据晶圆的图案不同有不同的处理方式,但通常具有以下通病:
(1)处理的对象通常为过去图案特征较为简单的晶圆。传统的晶圆在生产过程中会留有专门为了定位的Mark点,晶圆带有定位直边或者晶圆带有定位角。通过Mark点可快速定位每颗晶粒,通过留有的Mark点可采用视觉的模板匹配方式或是其他的机械方式对晶粒进行定位,再通过计算相对位置以及通过偏差角来确定角度,这类方式通常精度不高,不能满足目前的微米级的生产需求,并且这类方式比较适用于晶圆图案较为简单的生产环境,针对目前晶圆图案复杂的情况,很难通过Mark点的方式来定位晶圆的位置。
(2)处理的对象通常为过去图案背景清晰且区分度大的晶圆。传统的视觉检测算法通过图像的预处理及基于边缘特征的图像处理进行缺陷的检测,像是用Sobel、Canny、Robert 等边缘检测算法进行边缘提取,这个方法不需要操作人员提供先验模板,但是对于特定的晶圆缺陷种类要设计一套适合的检测方式,并且设计难度随着晶圆图案的复杂度提升而提升,稳定性也不是很好。
发明内容
本发明的目的在于提供一种晶圆表面缺陷的视觉检测算法及检测装置,以实现对具有复杂晶圆图案的高效性检测。为实现上述目的,本发明采用以下技术方案:
本发明公开了晶圆表面缺陷的视觉检测算法,包括以下过程:
a.分割和定位
获取晶圆原始图像,对晶圆原始图像进行分割,分割为单个晶粒图像,并对单个晶粒图像进行定位。
b.预处理
将单个晶粒图像进行位置调节及亮度调节后得到待检测晶粒图像。
c.表面缺陷检测
c1.将多个品相较好的晶粒图像作为训练样本进行训练后得到多个模板图像,通过模板图像的各像素的灰度平均值得到平均模板图像,计算待检测晶粒图像与平均模板图像的差异区域。
c2.对差异区域进行定位并获得缺陷区域。
c3.对晶圆的缺陷区域进行种类的划分。
其中,过程a中采用基于灰度的模板匹配算法分割单个晶粒,包括以下步骤:
a1.模板制作
在实时图像中截取成像较好的晶粒作为模板图像。
a2.模板搜索
输入待检测晶粒图像,先按比例缩小对应ROI区域,然后在固定层数金字塔图像上进行采样搜索,在搜索到对应的重心区域后,再至上层金字塔进行搜索,如果完全匹配则认定为匹配区域,直至所有ROI区域均搜索完毕,输出匹配区域的重心坐标,进行分割。
优选的,模板搜索时,采用NCC算法,添加缀和表S(x,y),搜索重心(x,y)区域,计算NCC(x,y)的值,计算公式如下:
S(x,y)=g(x,y)+S(x-1,y)+S(x,y-1)-S(x-1,y-1)
其中,g(x,y)是在目标点处对应的灰度平均值或方差的计算公式,缀和表在计算NCC 值之前计算一次,应用该表计算出g(x,y)区域的总和,公式如下:
其中,m、n是模板图像的长宽像素;
其中,z为模板图像的像素个数,R为模板图像的ROI区域,(u,v)为此区域上的一点, mt为模板图像的平均灰度值,是模板图像灰度值的方差,mo(x,y)是区域平均灰度值,是以(x,y)为中心的候选区上所有点的灰度值的方差;
判定NCC值是否达到阈值,若未达到阈值则重新进行重心(x,y)的搜索,若达到阈值则判断是否需要上采样搜索,若需要上采样搜索则重新进行重心(x,y)的搜索,若无需上采样搜索,则输出重心坐标。
进一步的,模板图像选择时,通过计算不同金字塔层数和不同旋转角度的图像选取多个模板。采用多角度模板,利于提升分割的精度。
优选的,将单个晶粒图像进行定位的方法为:采用空间位姿转换定位晶粒的世界坐标并与Mapping进行交互,从像素坐标转为世界坐标的公式为:
其中:
其中,XW、YW、ZW为世界坐标,XC、YC、ZC为像素坐标,fx和fy表示相机的焦距,K 表示相机内参,w表示获得图像的长和宽对应的像素值中的较大值,h表示获得图像的长和宽对应的像素值中的较小值,Df表示相机的最远可视距离,θ表示相机的视场角,R和t 分别表示相机的旋转矩阵和平移向量。
优选的,将单个晶粒图像进行位置调节的方法为基于ORB算法的晶粒二次对齐,包括以下步骤:
b1.生成多层金字塔,遍历各层金字塔待检测区域,记检测点灰度值为I(x,y),设定阈值T。
b2.以像素点(x,y)为中心,选取半径为预设值的圆上的N个像素点。
b3.检测在(x,y)点正上方,正下方,正左方,正右方的四个点,若有三个点的灰度值大于I(x,y)+T或小于I(x,y)-T,转到步骤b4;否则返回步骤b1。
b4.检测其余点,若有N-3个点的灰度值大于I(x,y)或小于I(x,y)-T则视该点为特征点,若还需遍历返回步骤b1,否则转到步骤b5。
b5.非极大值抑制筛选极大值特征点,计算极大值特征点的Harris响应值,用灰度质心法计算特征点的方向。
b6:特征点集按Harris响应值排序,选取响应值大的前若个点作为结果点集。
b7:将得到的结果点集做单应性矩阵,对晶粒图像进行旋转平移以实现位置调节。
进一步的,将单个晶粒图像进行亮度调节的方法为基于单映射直方图配准的匀光处理,具体步骤为:将待检测晶粒图像的直方图映射至模板图像的直方图,在映射过程中保持低灰度区域的值保持不变;其公式如下:
上式中G1和G2分别表示b3步骤中的I(x,y)+T和I(x,y)-T,oi表示像素灰度值为i的点的位置集合,po(oi)表示oi点的亮度值平均数;tj表示像素灰度值为j的点的位置集合,pt(tj)表示tj点的亮度值平均数。
进一步的,晶粒平均模板图像的获取方法为:将多个品相较好的晶粒图像作为训练样本进行训练,通过计算训练样本在每个像素的灰度值变化范围得到变化模板,平均模板图像的像素和阈值像素的计算公式如下:
v(x,y)=max{oi(x,y)}-min{oi(x,y)}
tu(x,y)=i(x,y)+max{au,buv(x,y)}
tl(x,y)=i(x,y)-max{al,blv(x,y)}
其中,i(x,y)为平均模板图像的像素,oi(x,y)为训练样本中各位置的像素值,v(x,y)为变化模板的像素,tu(x,y)是上阈值图像像素,tl(x,y)是下阈值图像像素,参数au、al表示待检测图像与平均模板图像的灰度值差值的允许范围,参数bu、bl用来确定变化模板对于阈值图像的影响因子。
优选的,通过数学形态学对缺陷进行定位并获得缺陷信息,其步骤如下:获取差异区域的灰度图像,将灰度图像二值化;将二值化图像进行开运算,以将细小的噪声区域去除;进行图像的轮廓提取和筛选;在筛选得到的轮廓外部加矩形的缺陷框,遍历缺陷框与其他缺陷框之间的距离是否小于预设的距离阈值;若距离小于预设的距离阈值,将遍历到的缺陷框与距离小于预设的距离阈值的其他缺陷框进行合并,将合并之后的缺陷框作为目标缺陷区域输出。
对晶圆的缺陷区域通过YOLO v5算法进行种类的划分,所述种类包括划痕、崩边、墨污、水渍、裂痕中的任一种或几种。
一种晶圆表面缺陷的视觉检测系统,包括:载物平台、运动控制组件、光源、成像系统、图像采集卡、运动控制卡及图像处理系统。
所述载物平台,用于盛载晶圆;所述运动控制组件,与载物平台连接,用于控制载物平台的移动;所述光源用于照亮载物平台;所述成像系统,位于载物平台上方,用于获取晶圆图像;所述图像采集卡,用于获取成像系统的晶圆图像进行数字化保存,并传输至所述图像处理系统;所述运动控制卡与图像处理系统连接,用于接收图像处理系统的控制信号,并控制运动控制组件的运动;所述图像处理系统,通过上述的晶圆表面缺陷的视觉检测算法,计算并输出晶圆的缺陷种类。
由于采用了上述方案,本发明具有如下有益效果:
1、本发明为基于变化模型改进的传统视觉算法对缺陷进行分类检测算法,通过计算待检测晶粒图像与平均模板图像的差异区域,再识别出缺陷并获取缺陷的位置,对晶粒缺陷进行分类,能够满足工业上对高效性和实时性的需求。本发明为非接触式检测,且无需晶圆上设置定位的Mark点,可适用于复杂的晶圆图案的缺陷检测,精度高,稳定性好。
2、本发明设计的晶圆缺陷检测算法对于晶圆局部实时图像的晶粒分割精度、表面缺陷检测精度和检测时间均能够满足工业上的生产需求,检测效率高。
3、本发明针对晶圆晶粒图案复杂难分割的问题,采用基于图像灰度特征的FNCC模板匹配算法进行晶粒的提取分割,在亮度、饱和度、灰度系数改变的情况下运行稳定。构建了匹配缓冲区、多角度模板、图像金字塔等以提升分割过程的精度、速度以及解决边缘干扰问题。
4、本发明的预处理步骤为晶圆检测的前置步骤,对分割后的晶粒存在色度偏差和位姿偏移的问题进行一系列预处理矫正。对于晶圆表面晶粒应光照引起的光照不均匀及色度不均匀问题,采用了改进的单映射直方图匹配,该方法通过将待检测晶粒的直方图映射至模板晶粒的直方图,但在映射过程中保持低灰度区域的值保持不变,因为缺陷的灰度值通常分布在这个缺陷,这样就能再在不影响晶粒表面缺陷特征的大前提下,将待检测晶粒的图像的RGB直方图扩展到指定的范围内和良品模板晶粒相似,能够一定程度有效的解决亮度色度不均的问题。另外,在对于一次匹配不准确的少量晶粒,采用了ORB的配准算法,通过定向快速角点提取和旋转特征描述两个步骤,能够快速有效的实现晶圆的定位和对齐。
5、本发明采用基于变化模型改进的传统视觉算法对缺陷进行二分类检测算法,提取待检测晶粒与模板晶粒的实质性差异区域,再通过数学形态学的方式识别出缺陷并获取缺陷的位置、面积等具体信息,并采用YOLO v5模型对晶粒缺陷进行N分类检测,能够满足工业上对高效性和实时性的需求。
6、本发明检测系统使得得到的晶圆图像能够达到检测的分辨率需求,并且有稳定的亮度、曝光度等,使拍摄得到的晶圆缺陷清晰可辨。本发明系统在检测过程中,通过运动控制组件控制载物台的XY两轴移动,成像系统是位于同一位置的,只需通过载玻片移动晶圆在载物平台上的位置即可达到遍历晶圆晶粒的目的。
7、本发明在NCC算法的基础上添加了缀和表,极大提高了模板匹配的运行速度。
附图说明
图1是本发明晶圆表面缺陷的视觉检测系统的结构示意图。
图2是本发明检测算法的流程示意图。
图3是模板匹配算法流程示意图。
图4是基于数学形态学的缺陷定位流程。(图4a为灰度图像,图4b为差异区域,图4c为二值化,图4d为开运算,图4e为提取轮廓,图4f为轮廓筛选,图4g为最小外接矩,图 4h为缺陷框合并)
主要组件符号说明:
1:载物平台,2:运动控制组件,3:光源,4:成像系统,5:图像采集卡,6:运动控制卡,7:图像处理系统,8:晶圆。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步详细的描述。
如图1所示,本发明公开了一种晶圆表面缺陷的视觉检测系统,包括:载物平台1、运动控制组件2、光源3、成像系统4、图像采集卡5、运动控制卡6及图像处理系统7。
载物平台1用于盛载晶圆8。运动控制组件2与载物平台1连接,用于控制载物平台1的移动。光源3安装在载物平台1上方两侧边,用于照亮载物平台1。成像系统4位于载物平台1上方,用于获取晶圆图像。成像系统4为摄像头。图像采集卡5用于获取成像系统4 的晶圆图像进行数字化保存,并传输至图像处理系统7。运动控制卡6与图像处理系统7连接,用于接收图像处理系统7的控制信号,并控制运动控制组件2的运动。图像处理系统7 通过晶圆表面缺陷的视觉检测算法,计算并输出晶圆的缺陷种类。
本发明系统在检测过程中,成像系统是位于同一位置的,只需通过载玻片移动晶圆在载物平台上的位置即可达到遍历晶圆晶粒的目的。通过运动控制组件控制载物台的XY两轴移动,并可调节成像系统镜头的倍率以及焦距。
如图2所示,本发明公开了晶圆表面缺陷的视觉检测算法,包括以下过程:
a.分割和定位
1.分割
获取晶圆原始图像,对晶圆原始图像进行分割,分割为单个晶粒图像,并对单个晶粒图像进行定位。
如图3所示,采用基于灰度的模板(FNCC模板)匹配算法分割单个晶粒,包括以下步骤:
a1.模板制作
在实时图像中截取成像较好的晶粒作为模板图像。模板图像选择时,通过计算不同金字塔层数和不同旋转角度的图像选取多个模板。
模板制作时,计算模板重心,计算平均灰度mt,计算灰度值方差判定是否需要下采样搜索,若需要,则重新计算模板重心,若不需要,则判定是否需要旋转,若需要旋转,则重新计算模板重心,若不需要旋转,则将保存的数据代入模板搜索中。
a2.模板搜索
输入待检测晶粒图像,先按比例缩小对应ROI区域,然后在固定层数金字塔图像上进行采样搜索,在搜索到对应的重心区域后,再至上层金字塔进行搜索,如果完全匹配则认定为匹配区域,直至所有ROI区域均搜索完毕,输出匹配区域的重心坐标,进行分割。
S(x,y)=g(x,y)+S(x-1,y)+S(x,y-1)-S(x-1,y-1)
其中,g(x,y)是在目标点处对应的灰度平均值或方差的计算公式,缀和表在计算NCC 值之前计算一次,应用该表计算出g(x,y)区域的总和,公式如下:
其中,m、n是模板图像的长宽像素;该算法能够将原先的时间复杂性从O(m·n·M·N)降至O(M·N),M、N是待检测图像的长宽,本算法是用了内存来换取时间。
其中,z为模板图像的像素个数,R为模板图像的ROI区域,(u,v)为此区域上的一点, mt为模板图像的平均灰度值,是模板图像灰度值的方差,mo(x,y)是区域平均灰度值(即候选区域在模板所有点上的平均灰度值),是区域灰度值方差(即以(x,y)为中心的候选区上所有点的灰度值的方差)。
判定NCC值是否达到阈值,若未达到阈值则重新进行重心(x,y)的搜索,若达到阈值则判断是否需要上采样搜索,若需要上采样搜索则重新进行重心(x,y)的搜索,若无需上采样搜索,则输出重心坐标。
2.定位
将单个晶粒图像进行定位的方法为:采用空间位姿转换定位晶粒的世界坐标并与Mapping进行交互,从像素坐标转为世界坐标的公式为:
其中:
其中,XW、YW、ZW为世界坐标,XC、YC、ZC为像素坐标,fx和fy表示相机的焦距, K表示相机内参,w表示获得图像的长和宽对应的像素值中的较大值,h表示获得图像的长和宽对应的像素值中的较小值,Df表示相机的最远可视距离,θ表示相机的视场角,R和t 分别表示相机的旋转矩阵和平移向量。
b.预处理
将单个晶粒图像进行亮度调节及位置调节后得到待检测晶粒图像。
1、位置调节
将单个晶粒图像进行位置调节的方法为基于ORB算法的晶粒二次对齐。输入:待检测区域图像(x,y)∈ROI,期望特征点数N,包括以下步骤:
(1)ORB中特征点提取(即定向快速角点提取)
b1.生成多层金字塔,遍历各层金字塔待检测区域,记检测点灰度值为I(x,y),设定阈值T;
b2.以像素点(x,y)为中心,选取半径为预设值的圆上的N个像素点;
b3.检测在(x,y)点正上方,正下方,正左方,正右方的四个点,若有三个点的灰度值大于I(x,y)+T或小于I(x,y)-T,转到步骤b4;否则返回步骤b1;
b4:检测其余点,若有N-3个点的灰度值大于I(x,y)或小于I(x,y)-T则视该点为特征点,若还需遍历返回步骤b1,否则转到步骤b5;
b5:非极大值抑制筛选极大值特征点,计算极大值特征点的Harris响应值,用灰度质心法计算特征点的方向;
b6:特征点集按Harris响应值排序,选取响应值大的前若个点作为结果点集。
(2)旋转特征描述
b7:将得到的结果点集做单应性矩阵,对晶粒图像进行旋转平移以实现位置调节。
该步骤中,Brief是向量创建算法。ORB算法创建的特征向量只包含1和0,称为二元特征向量。1和0的顺序会根据特定关键点和其周围的像素区域而变化。该向量表示关键点周围的强度模式,因此多个特征向量可以用来识别更大的区域,甚至图像中的特定对象。最后通过对匹配点的筛选,以及做单应性矩阵对图像进行旋转平移以达到矫正的效果。
2、亮度调节
将单个晶粒图像进行亮度调节的方法为基于单映射直方图配准的匀光处理,具体步骤为:将待检测晶粒图像的直方图映射至模板图像的直方图,在映射过程中保持低灰度区域的值保持不变;其公式如下:
上式中G1和G2分别表示b3步骤中的I(x,y)+T和I(x,y)-T,oi表示像素灰度值为i的点的位置集合,po(oi)表示oi点的亮度值平均数;tj表示像素灰度值为j的点的位置集合,pt(tj)表示tj点的亮度值平均数。
c.表面缺陷检测
c1.采用基于变化模型的差影算法求得模板晶粒和待检测晶粒的差异区域,即将多个品相较好的晶粒图像作为训练样本进行训练后得到多个模板图像,通过模板图像的各像素的灰度平均值得到平均模板图像,计算待检测晶粒图像与平均模板图像的差异区域。
晶粒平均模板图像的获取方法为:将多个品相较好的晶粒图像作为训练样本进行训练,通过计算训练样本在每个像素的灰度值变化范围得到变化模板,平均模板图像的像素和阈值像素的计算公式如下:
v(x,y)=max{oi(x,y)}-min{oi(x,y)}
tu(x,y)=i(x,y)+max{au,buv(x,y)}
tl(x,y)=i(x,y)-max{al,blv(x,y)}
其中,i(x,y)为平均模板图像的像素,oi(x,y)为训练样本中各位置的像素值,v(x,y)为变化模板的像素,tu(x,y)是上阈值图像像素,tl(x,y)是下阈值图像像素,参数au、al表示待检测图像与平均模板图像的灰度值差值的允许范围,参数bu、bl用来确定变化模板对于阈值图像的影响因子。
c2.对差异区域进行定位并获得缺陷区域
如图4所示,通过数学形态学对缺陷进行定位并获得缺陷信息,其步骤如下:获取差异区域的灰度图像(图4a\4b),将灰度图像二值化(图4c);将二值化图像进行开运算(图4d),以将细小的噪声区域去;进行图像的轮廓提取和筛选(图4e/4f);在筛选得到的轮廓外部加矩形的缺陷框(图4g),遍历到的缺陷框与其他缺陷框之间的距离是否小于预设的距离阈值;若距离小于预设的距离阈值,将遍历到的缺陷框与距离小于预设的距离阈值的其他缺陷框进行合并(图4h),将合并之后的缺陷框作为目标缺陷区域输出。
c3.对晶圆的缺陷区域进行种类的划分。
对晶圆的缺陷区域通过YOLO v5算法进行种类的划分,种类包括划痕、崩边、墨污、水渍、裂痕中的任一种或几种。通过构建数据集,再将数据输入到网络中,该网络包括了网络输入、特征提取网络、路径聚合网络、输出预测层,最后能够得到带缺陷标签的预测矩形框。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.晶圆表面缺陷的视觉检测算法,其特征在于,包括以下过程:
a.分割和定位
获取晶圆原始图像,对晶圆原始图像进行分割,分割为单个晶粒图像,并对单个晶粒图像进行定位;
b.预处理
将单个晶粒图像进行位置调节及亮度调节后得到待检测晶粒图像;
c.表面缺陷检测
c1.将多个品相较好的晶粒图像作为训练样本进行训练后得到多个模板图像,通过模板图像的各像素的灰度平均值得到平均模板图像,计算待检测晶粒图像与平均模板图像的差异区域;
c2.对差异区域进行定位并获得缺陷区域;
c3.对晶圆的缺陷区域进行种类的划分。
2.如权利要求1所述的晶圆表面缺陷的视觉检测算法,其特征在于:过程a中采用基于灰度的模板匹配算法分割单个晶粒,包括以下步骤:
a1.模板制作
在实时图像中截取成像较好的晶粒作为模板图像;
a2.模板搜索
输入待检测晶粒图像,先按比例缩小对应ROI区域,然后在固定层数金字塔图像上进行采样搜索,在搜索到对应的重心区域后,再至上层金字塔进行搜索,如果完全匹配则认定为匹配区域,直至所有ROI区域均搜索完毕,输出匹配区域的重心坐标,进行分割。
3.如权利要求2所述的晶圆表面缺陷的视觉检测算法,其特征在于:模板搜索时,采用NCC算法,添加缀和表S(x,y),搜索重心(x,y)区域,计算NCC(x,y)的值,计算公式如下:
S(x,y)=g(x,y)+S(x-1,y)+S(x,y-1)-S(x-1,y-1)
其中,g(x,y)是在目标点处对应的灰度平均值计算公式,缀和表在计算NCC值之前计算一次,应用该表计算出g(x,y)区域的总和,公式如下:
其中,m、n是模板图像的长宽像素;
其中,z为模板图像的像素个数,R为模板图像的ROI区域,(u,v)为此区域上的一点,mt为模板图像的平均灰度值,是模板图像灰度值的方差,mo(x,y)是区域平均灰度值,是以(x,y)为中心的候选区上所有点的灰度值的方差;
判定NCC值是否达到阈值,若未达到阈值则重新进行重心(x,y)的搜索,若达到阈值则判断是否需要上采样搜索,若需要上采样搜索则重新进行重心(x,y)的搜索,若无需上采样搜索,则输出重心坐标。
4.如权利要求2或3所述的晶圆表面缺陷的视觉检测算法,其特征在于:模板图像选择时,通过计算不同金字塔层数和不同旋转角度的图像选取多个模板。
6.如权利要求1所述的晶圆表面缺陷的视觉检测算法,其特征在于:将单个晶粒图像进行位置调节的方法为基于ORB算法的晶粒二次对齐,包括以下步骤:
b1.生成多层金字塔,遍历各层金字塔待检测区域,记检测点灰度值为I(x,y),设定阈值T;
b2.以像素点(x,y)为中心,选取半径为预设值的圆上的N个像素点;
b3.检测在(x,y)点正上方,正下方,正左方,正右方的四个点,若有三个点的灰度值大于I(x,y)+T或小于I(x,y)-T,转到步骤b4;否则返回步骤b1;
b4.检测其余点,若有N-3个点的灰度值大于I(x,y)或小于I(x,y)-T则视该点为特征点,若还需遍历返回步骤b1,否则转到步骤b5;
b5.非极大值抑制筛选极大值特征点,计算极大值特征点的Harris响应值,用灰度质心法计算特征点的方向;
b6:特征点集按Harris响应值排序,选取响应值大的前若个点作为结果点集。
b7:将得到的结果点集做单应性矩阵,对晶粒图像进行旋转平移以实现位置调节。
8.如权利要求7所述的晶圆表面缺陷的视觉检测算法,其特征在于:
晶粒平均模板图像的获取方法为:将多个品相较好的晶粒图像作为训练样本进行训练,通过计算训练样本在每个像素的灰度值变化范围得到变化模板,平均模板图像的像素和阈值像素的计算公式如下:
v(x,y)=max{oi(x,y)}-min{oi(x,y)}
tu(x,y)=i(x,y)+max{au,buv(x,y)}
tl(x,y)=i(x,y)-max{al,blv(x,y)}
其中,i(x,y)为平均模板图像的像素,oi(x,y)为训练样本中各位置的像素值,v(x,y)为变化模板的像素,tu(x,y)是上阈值图像像素,tl(x,y)是下阈值图像像素,参数au、al表示待检测图像与平均模板图像的灰度值差值的允许范围,参数bu、bl用来确定变化模板对于阈值图像的影响因子。
9.如权利要求1所述的晶圆表面缺陷的视觉检测算法,其特征在于:通过数学形态学对缺陷进行定位并获得缺陷信息,其步骤如下:获取差异区域的灰度图像,将灰度图像二值化;将二值化图像进行开运算,以将细小的噪声区域去除;进行图像的轮廓提取和筛选;在筛选得到的轮廓外部加矩形的缺陷框,遍历缺陷框与其他缺陷框之间的距离是否小于预设的距离阈值;若距离小于预设的距离阈值,将遍历到的缺陷框与距离小于预设的距离阈值的其他缺陷框进行合并,将合并之后的缺陷框作为目标缺陷区域输出;
对晶圆的缺陷区域通过YOLO v5算法进行种类的划分,所述种类包括划痕、崩边、墨污、水渍、裂痕中的任一种或几种。
10.一种晶圆表面缺陷的视觉检测系统,其特征在于,包括:载物平台、运动控制组件、光源、成像系统、图像采集卡、运动控制卡及图像处理系统;
所述载物平台,用于盛载晶圆;所述运动控制组件,与载物平台连接,用于控制载物平台的移动;所述光源用于照亮载物平台;所述成像系统,位于载物平台上方,用于获取晶圆图像;所述图像采集卡,用于获取成像系统的晶圆图像进行数字化保存,并传输至所述图像处理系统;所述运动控制卡与图像处理系统连接,用于接收图像处理系统的控制信号,并控制运动控制组件的运动;所述图像处理系统,通过权利要求1~9任一项所述的晶圆表面缺陷的视觉检测算法,计算并输出晶圆的缺陷种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211393335.5A CN115791822A (zh) | 2022-11-08 | 2022-11-08 | 晶圆表面缺陷的视觉检测算法及检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211393335.5A CN115791822A (zh) | 2022-11-08 | 2022-11-08 | 晶圆表面缺陷的视觉检测算法及检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115791822A true CN115791822A (zh) | 2023-03-14 |
Family
ID=85436158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211393335.5A Pending CN115791822A (zh) | 2022-11-08 | 2022-11-08 | 晶圆表面缺陷的视觉检测算法及检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115791822A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188475A (zh) * | 2023-05-05 | 2023-05-30 | 德中(深圳)激光智能科技有限公司 | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 |
CN116542945A (zh) * | 2023-05-11 | 2023-08-04 | 哈尔滨工业大学重庆研究院 | 晶圆图像分割处理方法、电子设备及存储介质 |
CN116740058A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市金胜电子科技有限公司 | 一种固态硬盘配套晶圆的质量检测方法 |
CN117115143A (zh) * | 2023-10-16 | 2023-11-24 | 深圳市壹倍科技有限公司 | 一种检测晶圆芯粒的方法、装置、计算机设备及存储介质 |
CN117173641A (zh) * | 2023-11-02 | 2023-12-05 | 南通苏禾车灯配件有限公司 | 基于机器视觉的自主洗车监测方法 |
CN117250208A (zh) * | 2023-11-20 | 2023-12-19 | 青岛天仁微纳科技有限责任公司 | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 |
CN117314906A (zh) * | 2023-11-28 | 2023-12-29 | 无锡九霄科技有限公司 | 基于阵列分布信息引导的晶圆晶粒检测方法 |
CN117333503A (zh) * | 2023-11-30 | 2024-01-02 | 青岛合丰新材料有限公司 | 基于图像特征分析的塑料母粒检测方法 |
CN117541531A (zh) * | 2023-09-28 | 2024-02-09 | 苏州梅曼智能科技有限公司 | 一种基于人工智能的晶圆视觉检测监管反馈系统 |
CN117541563A (zh) * | 2023-11-22 | 2024-02-09 | 泸州老窖股份有限公司 | 一种图像缺陷检测方法、装置、计算机设备及介质 |
CN117824889A (zh) * | 2024-03-04 | 2024-04-05 | 杭州中为光电技术有限公司 | 硅棒内力检测系统、检测方法及截断方法 |
CN117871416A (zh) * | 2024-03-11 | 2024-04-12 | 视睿(杭州)信息科技有限公司 | 一种晶粒坐标排序方法及系统 |
CN117974601A (zh) * | 2024-02-01 | 2024-05-03 | 广东工业大学 | 基于模板匹配的硅片表面缺陷检测方法及系统 |
CN117994250A (zh) * | 2024-04-03 | 2024-05-07 | 武汉罗博半导体科技有限公司 | 晶圆缺陷检测方法、装置、设备及存储介质 |
CN118247285A (zh) * | 2024-05-30 | 2024-06-25 | 无锡星微科技有限公司杭州分公司 | 一种基于图像处理的晶圆缺损识别方法及系统 |
-
2022
- 2022-11-08 CN CN202211393335.5A patent/CN115791822A/zh active Pending
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188475A (zh) * | 2023-05-05 | 2023-05-30 | 德中(深圳)激光智能科技有限公司 | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 |
CN116542945A (zh) * | 2023-05-11 | 2023-08-04 | 哈尔滨工业大学重庆研究院 | 晶圆图像分割处理方法、电子设备及存储介质 |
CN116542945B (zh) * | 2023-05-11 | 2024-01-05 | 哈尔滨工业大学重庆研究院 | 晶圆图像分割处理方法、电子设备及存储介质 |
CN116740058A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市金胜电子科技有限公司 | 一种固态硬盘配套晶圆的质量检测方法 |
CN116740058B (zh) * | 2023-08-11 | 2023-12-01 | 深圳市金胜电子科技有限公司 | 一种固态硬盘配套晶圆的质量检测方法 |
CN117541531A (zh) * | 2023-09-28 | 2024-02-09 | 苏州梅曼智能科技有限公司 | 一种基于人工智能的晶圆视觉检测监管反馈系统 |
CN117115143B (zh) * | 2023-10-16 | 2024-01-02 | 深圳市壹倍科技有限公司 | 一种检测晶圆芯粒的方法、装置、计算机设备及存储介质 |
CN117115143A (zh) * | 2023-10-16 | 2023-11-24 | 深圳市壹倍科技有限公司 | 一种检测晶圆芯粒的方法、装置、计算机设备及存储介质 |
CN117173641A (zh) * | 2023-11-02 | 2023-12-05 | 南通苏禾车灯配件有限公司 | 基于机器视觉的自主洗车监测方法 |
CN117173641B (zh) * | 2023-11-02 | 2024-03-05 | 南通苏禾车灯配件有限公司 | 基于机器视觉的自主洗车监测方法 |
CN117250208B (zh) * | 2023-11-20 | 2024-02-06 | 青岛天仁微纳科技有限责任公司 | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 |
CN117250208A (zh) * | 2023-11-20 | 2023-12-19 | 青岛天仁微纳科技有限责任公司 | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 |
CN117541563A (zh) * | 2023-11-22 | 2024-02-09 | 泸州老窖股份有限公司 | 一种图像缺陷检测方法、装置、计算机设备及介质 |
CN117314906A (zh) * | 2023-11-28 | 2023-12-29 | 无锡九霄科技有限公司 | 基于阵列分布信息引导的晶圆晶粒检测方法 |
CN117314906B (zh) * | 2023-11-28 | 2024-03-15 | 无锡九霄科技有限公司 | 基于阵列分布信息引导的晶圆晶粒检测方法 |
CN117333503B (zh) * | 2023-11-30 | 2024-02-09 | 青岛合丰新材料有限公司 | 基于图像特征分析的塑料母粒检测方法 |
CN117333503A (zh) * | 2023-11-30 | 2024-01-02 | 青岛合丰新材料有限公司 | 基于图像特征分析的塑料母粒检测方法 |
CN117974601A (zh) * | 2024-02-01 | 2024-05-03 | 广东工业大学 | 基于模板匹配的硅片表面缺陷检测方法及系统 |
CN117824889A (zh) * | 2024-03-04 | 2024-04-05 | 杭州中为光电技术有限公司 | 硅棒内力检测系统、检测方法及截断方法 |
CN117871416A (zh) * | 2024-03-11 | 2024-04-12 | 视睿(杭州)信息科技有限公司 | 一种晶粒坐标排序方法及系统 |
CN117994250A (zh) * | 2024-04-03 | 2024-05-07 | 武汉罗博半导体科技有限公司 | 晶圆缺陷检测方法、装置、设备及存储介质 |
CN117994250B (zh) * | 2024-04-03 | 2024-06-21 | 武汉罗博半导体科技有限公司 | 晶圆缺陷检测方法、装置、设备及存储介质 |
CN118247285A (zh) * | 2024-05-30 | 2024-06-25 | 无锡星微科技有限公司杭州分公司 | 一种基于图像处理的晶圆缺损识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115791822A (zh) | 晶圆表面缺陷的视觉检测算法及检测系统 | |
CN110286126B (zh) | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN109724990B (zh) | 一种包装盒标签中喷码区域的快速定位与检测方法 | |
CN110807355B (zh) | 一种基于移动机器人的指针仪表检测与读数识别方法 | |
US7200259B1 (en) | Optical inspection system | |
CN101996398B (zh) | 用于晶圆对准的图像匹配方法及设备 | |
US20210150700A1 (en) | Defect detection device and method | |
CN109785317A (zh) | 自动码垛桁架机器人的视觉系统 | |
CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
CN110443791B (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
CN114494045A (zh) | 一种基于机器视觉的大型直齿轮几何参数测量系统及方法 | |
WO2020019648A1 (zh) | 一种机器视觉定位方法 | |
Wang et al. | Attention-based deep learning for chip-surface-defect detection | |
CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN115690670A (zh) | 一种晶圆瑕疵智能识别方法和系统 | |
CN114092448B (zh) | 一种基于深度学习的插件电解电容混合检测方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN114331961A (zh) | 用于对象的缺陷检测的方法 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
CN111707672A (zh) | 风电回转支撑件表面缺陷检测方法 | |
CN113487569B (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 | |
CN113592962B (zh) | 基于机器视觉的批量硅片标识识别方法 |
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 |