CN115908402A - 一种缺陷分析方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种缺陷分析方法、装置、电子设备及存储介质。该方法包括：获取包含目标对象的待分析缺陷图片，并确定所述目标对象在所述待分析缺陷图片中所在的目标区域，其中，所述目标对象存在缺陷；获取预先定义的目标缺陷颜色，并基于所述目标缺陷颜色在所述目标区域中确定目标异常区域；确定所述目标异常区域相较于所述目标区域的异常比例，并基于所述异常比例，对所述目标对象所存在的缺陷进行分析。本发明实施例的技术方案，能够实现精准的缺陷分析。

Description

一种缺陷分析方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种缺陷分析方法、装置、电子设备及存储介质。

背景技术

目前，仅能通过人眼对扫描后的芯片进行粗略的缺陷分析。

但是，目前对缺陷进行分析的方式精度不高，有待改进。

发明内容

本发明实施例提供了一种缺陷分析方法、装置、电子设备及存储介质，能够实现精准的缺陷分析。

根据本发明的一方面，提供了一种缺陷分析方法，可以包括：

获取包含目标对象的待分析缺陷图片，并确定目标对象在待分析缺陷图片中所在的目标区域，其中，目标对象存在缺陷；

获取预先定义的目标缺陷颜色，并基于目标缺陷颜色在目标区域中确定目标异常区域；

确定目标异常区域相较于目标区域的异常比例，并基于异常比例，对目标对象所存在的缺陷进行分析。

根据本发明的另一方面，提供了一种缺陷分析装置，可以包括：

目标区域确定模块，用于获取包含目标对象的待分析缺陷图片，并确定目标对象在待分析缺陷图片中所在的目标区域，其中，目标对象存在缺陷；

目标异常区域确定模块，用于获取预先定义的目标缺陷颜色，并基于目标缺陷颜色在目标区域中确定目标异常区域；

缺陷分析模块，用于确定目标异常区域相较于目标区域的异常比例，并基于异常比例，对目标对象所存在的缺陷进行分析。

根据本发明的另一方面，提供了一种电子设备，可以包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器执行时实现本发明任意实施例所提供的缺陷分析方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令用于使处理器执行时实现本发明任意实施例所提供的缺陷分析方法。

本发明实施例的技术方案，获取包含目标对象的待分析缺陷图片，并确定目标对象在待分析缺陷图片中所在的目标区域，其中，目标对象存在缺陷；获取预先定义的目标缺陷颜色，并基于目标缺陷颜色在目标区域中确定目标异常区域；确定目标异常区域相较于目标区域的异常比例，并基于异常比例，对目标对象所存在的缺陷进行分析。上述技术方案，通过预先定义的目标缺陷颜色，可以使确定出的目标异常区域更为精准且符合缺陷分析需求，通过确定出的较为精准的异常区域以及目标区域确定异常比例，从而能够实现精准的缺陷分析。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或是重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明实施例一中所提供的一种缺陷分析方法的流程图；

图2是本发明实施例一中所提供的一种反射扫描模式扫描获得的C-SAM的示意图；

图3是本发明实施例一中所提供的一种透射扫描模式扫描获得的C-SAM的示意图；

图4是本发明实施例二中所提供的一种缺陷分析方法的流程图；

图5是本发明实施例三中所提供的一种缺陷分析方法的流程图；

图6是本发明实施例三中所提供的一种缺陷分析方法的可选示例的流程图；

图7是本发明实施例四所提供的缺陷分析装置的结构框图；

图8是实现本发明实施例的缺陷分析方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。“目标”、“原始”等的情况类似，在此不再赘述。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是本发明实施例一中所提供的一种缺陷分析方法的流程图。本实施例可适用于缺陷分析的情况。该方法可以由本发明实施例提供的缺陷分析装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在电子设备上，该电子设备可以是各种用户终端或服务器。

参见图1，本发明实施例的方法具体包括如下步骤：

S110、获取包含目标对象的待分析缺陷图片，并确定目标对象在待分析缺陷图片中所在的目标区域，其中，目标对象存在缺陷。

其中，目标对象可以理解为存在缺陷，需求进行缺陷分析的对象，例如可以是存在分层缺陷的芯片封装后或开封后的裸芯片、PCB单板或半导体晶圆片等。待分析缺陷图片可以理解为对目标对象进行图片采集后得到的需求进行缺陷分析的图片。目标区域可以理解为目标对象在待分析缺陷图片中对应的区域。

在本发明实施例中，可以获取包含目标对象的待分析缺陷图片，但是考虑到待分析缺陷图片中除了有目标对象在待分析缺陷图片中对应的区域，还可能有目标对象在待分析缺陷图片中对应的区域外的无意义的其他区域，因此，可以确定目标对象在待分析缺陷图片中所在的目标区域。

需要注意的是，缺陷例如可以是目标对象封装后的失效缺陷，还可以例如是目标对象和封装材料间的分层缺陷，还可以例如是目标对象中的层次间的分层缺陷，还可以例如是空洞、裂纹、杂质、脏污或铜迁移等缺陷，在本发明实施例中，对缺陷的类型不做具体限定。

S120、获取预先定义的目标缺陷颜色，并基于目标缺陷颜色在目标区域中确定目标异常区域。

其中，目标缺陷颜色可以理解为预先定义的缺陷在待分析缺陷图片上对应的颜色。目标异常区域可以理解为缺陷在待分析缺陷图片中对应的区域。

需要注意的是，目标缺陷颜色可以是预先根据目标对象的类型、待分析缺陷图片的图片类型、扫描出待分析缺陷图片的仪器类型和/或缺陷分析的需求预先定义目标缺陷颜色。目标缺陷颜色的数量可以是一个或多个，例如待分析缺陷图片上存在红色、黄色、黑色和白色四种颜色，可以预先定义红色和黄色均为目标缺陷颜色。

在本发明实施例中，可以获取预先定义的目标缺陷颜色，并基于目标缺陷颜色在目标区域中确定目标异常区域，例如可以将待分析缺陷图片中目标缺陷颜色对应的区域作为目标异常区域。

示例性的，可以获取预先定义的目标缺陷颜色，并基于目标缺陷颜色采用人工智能(Artificial Intelligence，AI)技术在目标区域中确定目标异常区域。

示例性的，参见图2，图2为通过反射扫描模式(C-SCAN)扫描芯片获得的超声波扫描显微镜(Scanning Acoustic Microscope，C-SAM)的图片，图2中白色框框住的区域的颜色即为预先定义的目标缺陷颜色，则图2中被白色框框住的颜色为目标缺陷颜色的区域即为表示芯片和封装体材料之间有分层缺陷的目标异常区域，而颜色不是目标缺陷颜色的区域表示封装粘合较好的没有分层的区域。参见图3，图3为通过透射扫描模式(T-SCAN)扫描芯片获得的C-SAM的图片，可以获取预先定义的目标缺陷颜色为黑色，则图3中黑色的区域即为表示芯片和封装材料以及封装体其他层面之间有分层缺陷的目标异常区域，而没有黑色的区域表示封装粘合较好的没有分层的区域。

S130、确定目标异常区域相较于目标区域的异常比例，并基于异常比例，对目标对象所存在的缺陷进行分析。

其中，异常比例可以理解为目标异常区域与目标区域之间的比例。

在本发明实施例中，可以采用AI技术确定目标异常区域相较于目标区域的异常比例，并采用AI技术智能的基于异常比例，对目标对象所存在的缺陷进行分析。还可以采用面积计算软件，例如可以是编制出的超声波扫描显微镜中分层缺陷面积计算软件确定目标异常区域和目标区域的面积大小，根据目标异常区域和目标区域的面积大小确定目标异常区域相较于目标区域的异常比例。

本发明实施例的技术方案，获取包含目标对象的待分析缺陷图片，并确定目标对象在待分析缺陷图片中所在的目标区域，其中，目标对象存在缺陷；获取预先定义的目标缺陷颜色，并基于目标缺陷颜色在目标区域中确定目标异常区域；确定目标异常区域相较于目标区域的异常比例，并基于异常比例，对目标对象所存在的缺陷进行分析。上述技术方案，通过预先定义的目标缺陷颜色，可以使确定出的目标异常区域更为精准且符合缺陷分析需求，通过确定出的较为精准的异常区域以及目标区域确定异常比例，从而能够实现精准的缺陷分析。

一种可选的技术方案，目标对象包括至少两层；缺陷分析方法，还包括：获取基于第二目标参数在透射扫描模式下，对目标对象进行扫描操作得到的扫描图片；获取预先定义的扫描缺陷颜色，并根据扫描缺陷颜色确定出目标对象是否存在缺陷；在目标对象存在缺陷的情况下，获取基于第三目标参数在反射扫描模式下，对目标对象进行扫描操作得到的待分析缺陷图片；其中，第二目标参数包括基于预先设定的第二参数设置规则以及第二扫描需求确定出的透射扫描模式的参数，第三目标参数包括基于预先设定的第三参数设置规则、第三扫描需求以及至少两层中的待扫描层确定出的反射扫描模式的参数。

其中，第二目标参数可以理解为透射扫描模式的参数。扫描图片可以理解为在透射扫描模式下对目标对象进行扫描操作得到的图片。缺陷扫描颜色可以理解为预先定义的缺陷在扫描图片上对应的颜色。第三目标参数可以理解为反射扫描模式的参数。

需要注意的是，超声波扫描显微镜是一种理想的无损检测分析仪器，C-SAM可以应用在半导体芯片制造和先进封装制程中，特别是可以应用于芯片封装后的扫描。C-SAM有两种工作模式：C-SCAN和T-SCAN。因此在本发明实施例中，可以利用C-SAM的两种工作模式扫描得到待分析缺陷图片。

在本发明实施例中，在目标对象包括至少两层的情况下，在T-SCAN下，可以通过透射扫描确定目标对象是否存在缺陷，但是无法确定存在缺陷的层次，而在C-SCAN下，可以逐层扫描确定目标对象存在缺陷的层次，但是较为浪费时间和资源。考虑到上述C-SCAN和T-SCAN的特性，可以首先获取基于第二目标参数在透射扫描模式下，对目标对象进行扫描操作得到的扫描图片；获取预先定义的扫描缺陷颜色，并根据扫描缺陷颜色确定出目标对象是否存在缺陷，例如在扫描图片上存在扫描缺陷颜色的情况下，确定目标对象存在缺陷，即首先根据T-SCAN确定目标对象是否存在缺陷；在目标对象存在缺陷的情况下，即为在目标对象存在缺陷，但不知道目标对象存在缺陷的层次的情况下，获取基于第三目标参数在反射扫描模式下，对目标对象进行扫描操作得到的待分析缺陷图片，例如可以获取第三目标参数在反射扫描模式下，将超声波脉冲在样品表面至探头距离之间所接收的时间(Time offlight，TOF)聚焦在芯片层，以对目标对象进行扫描操作得到的待分析缺陷图片；在T-SCAN下确定目标对象存在缺陷的情况下，也就无需通过C-SCAN确定待分析缺陷图片，节省了时间和资源。

在本发明实施例中，扫描得到的待分析缺陷图片的数量可以为至少一个，即为待扫描层的数量可以为至少一个，每个待扫描层可以分别对应一个待分析缺陷图片。还可以是将扫描图片也作为待分析缺陷图片，以基于C-SCAN和T-SCAN下扫描得到的待分析缺陷图片共同进行缺陷分析，可以提高缺陷分析的精度。

需要注意的是，第二参数设置规则可以理解为T-SCAN对应的参数设置规则，例如第二参数设置规则可以是在目标对象材质不同的情况下针对不同材质采用不同的扫描频率；第二扫描需求可以理解为在T-SCAN扫描出的扫描图片的需求，例如第二扫描需求可以是扫描图片的清晰度需求；因此，在上述情况下，可以基于预先设定的第二参数设置规则以及第二扫描需求确定出第二目标参数，例如可以根据目标对象的材质基于第二参数设置规则确定第二目标参数中的扫描频率参数，根据扫描图片的高清晰度需求确定第二目标参数中的扫描频率参数和聚焦参数，以使在最优化的第二目标参数下得到扫描图片。相应的，第三参数设置规则可以理解为C-SCAN对应的参数设置规则；第三扫描需求可以理解为在C-SCAN扫描出的待分析缺陷图片的需求；待扫描层可以理解为需求进行透射扫描的目标对象中的层次，例如，待扫描层可以是目标对象中出现缺陷会影响目标对象的可靠性的层次；因此，在上述情况下，可以基于预先设定的第三参数设置规则、第三扫描需求以及至少两层中的待扫描层确定出第三目标参数，以使在最优化的第三目标参数下得到待分析缺陷图片。

另一种可选的技术方案，目标异常区域的数量是至少一个，在确定目标异常区域相较于目标区域的异常比例之前，还包括：在至少一个目标异常区域中存在目标噪音区域的情况下，从至少一个目标异常区域中去除目标噪音区域，其中，目标噪音区域的区域面积小于预设噪音面积；将去除目标噪音区域之后的至少一个目标异常区域，更新为至少一个目标异常区域；确定目标异常区域相较于目标区域的异常比例，包括：确定至少一个目标异常区域的区域面积之和，相较于目标区域的异常比例。

其中，目标噪音区域可以理解为目标异常区域中多余的干扰区域。预设噪音面积可以理解为能够作为目标噪音区域的最大区域面积。

在本发明实施例中，考虑到缺陷位于的区域可能并不一定是较为连续的一个区域，因此目标异常区域的数量是至少一个，在此情况下，考虑到存在有较小的目标异常区域可能是由于噪音导致的区域，还可能是并不会导致影响产品可靠性和合格率的区域，因此，在至少一个目标异常区域中存在目标噪音区域的情况下，可以从至少一个目标异常区域中去除面积小于预设噪音面积的目标噪音区域；将去除目标噪音区域之后的至少一个目标异常区域，更新为至少一个目标异常区域；确定至少一个目标异常区域的区域面积之和，相较于目标区域的异常比例，以提高异常比例的准确性。

另一种可选的技术方案，基于异常比例，对目标对象所存在的缺陷进行分析，包括：获取针对目标对象所存在的缺陷预先设置的待分析需求；将异常比例与待分析需求对应的预设标准比例进行比对，并根据得到的比对结果和待分析需求，对缺陷进行分析。

其中，待分析需求可以理解对缺陷进行分析对应的分析需求，待分析需求例如可以是确定目标对象是否合格的需求，再例如可以是确定目标对象的封装制程的可靠性的需求，再例如可以是确定目标对象良品率的需求，再例如可以是确定目标对象是否需求改善的需求，在例如确定目标对象是否可投入后续工等使用的需求等，在本发明实施例中，对待分析需求的需求类型不做具体限定。预设标准比例可以理解为异常比例为标准比例的比例，预设标准比例例如可以是半导体芯片制造领域用于对封装质量进行评估和控制的国内外的标准(诸如IPC/JEDEC J-STD-020E、IPC/JEDEC J-STD-035、GJB 4027A-2006等)。

在本发明实施例中，可以获取针对目标对象所存在的缺陷预先设置的待分析需求；将异常比例与待分析需求对应的预设标准比例进行比对，并根据得到的比对结果和待分析需求，对缺陷进行分析，以便于根据缺陷分析结果对目标对象进行准确的定量和应用等，提高后续改进工艺、设计、选择材料、选择封装类型的可靠性和稳定性，例如，预设标准比例是Lead-Frame Packages对应的50％，待分析需求为确定半导体芯片是否可靠性问题以及是否存在电测失效的需求，将异常比例与待分析需求对应的预设标准比例进行比对，如果通过比对结果为异常比例超过50％，则根据得到的比对结果和待分析需求，对缺陷进行分析可以得出半导体芯片可靠性不高且存在电测失效。

在本发明实施例中，在对缺陷进行分析后，还可以根据分析结果确定出缺陷异常报告。

实施例二

图4是本发明实施例二中提供的另一种缺陷分析方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，缺陷分析方法，还包括：在待分析缺陷图片中标注出目标区域，得到目标缺陷图片；基于目标缺陷颜色在目标区域中确定目标异常区域，包括：将目标缺陷图片以及目标缺陷颜色输入预先训练完成的目标神经网络模型中，并根据目标神经网络模型的输出结果，得到目标区域中的目标异常区域。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

参见图4，本实施例的方法具体可以包括如下步骤：

S210、获取包含目标对象的待分析缺陷图片，并确定目标对象在待分析缺陷图片中所在的目标区域，其中，目标对象存在缺陷。

S220、在待分析缺陷图片中标注出目标区域，得到目标缺陷图片。

其中，目标缺陷图片可以理解为已经标注出目标区域的待分析缺陷图片。

可以理解的是，由于误差的存在，还可能会在待分析缺陷图片上的目标区域之外的区域中确定出缺陷对应的区域，为了避免将目标区域之外的区域中确定出的出缺陷对应的区域也作为目标异常区域，导致影响后续确定出的目标异常区域相较于目标区域的异常比例的准确率，也为了保证不同类型不同封装的目标对象都可以进行缺陷分析，可以在待分析缺陷图片中标注出目标区域，得到目标缺陷图片。

在本发明实施例中，可以是通过人工的方式，还可以是通过其他自动的方式，例如可以是通过网络模型的方式，确定目标对象在待分析缺陷图片中所在的目标区域以及在待分析缺陷图片中标注出目标区域。

S230、获取预先定义的目标缺陷颜色，并将目标缺陷图片以及目标缺陷颜色输入预先训练完成的目标神经网络模型中，并根据目标神经网络模型的输出结果，得到目标区域中的目标异常区域。

在本发明实施例中，可以获取预先定义的目标缺陷颜色，并将目标缺陷图片以及目标缺陷颜色输入预先训练完成的目标神经网络模型中，并根据目标神经网络模型的输出结果，得到目标区域中的目标异常区域，以使根据目标神经网络模型得到的目标异常区域为目标区域中的目标异常区域，避免目标区域之外的区域中确定出的出缺陷对应的区域对异常比例的准确率影响。

S240、确定目标异常区域相较于目标区域的异常比例，并基于异常比例，对目标对象所存在的缺陷进行分析。

本发明实施例的技术方案，在待分析缺陷图片中标注出目标区域，得到目标缺陷图片；将目标缺陷图片以及目标缺陷颜色输入预先训练完成的目标神经网络模型中，并根据目标神经网络模型的输出结果，得到目标区域中的目标异常区域。上述技术方案，可以通过目标神经网络模型提高得到的目标异常区域的准确性，还能根据将目标缺陷图片以及目标缺陷颜色输入预先训练完成的目标神经网络模型中，以避免目标区域之外的区域中确定出的出缺陷对应的区域对异常比例的准确率的降低。

一种可选的技术方案，目标神经网络模型通过如下步骤训练得到：获取包含样本对象的初始训练图片，并确定样本对象在初始训练图片中所在的样本区域，其中，样本对象存在缺陷；在初始训练图片中标注出样本区域，得到第一目标训练图片；获取与初始训练图片对应的训练缺陷颜色，并获取根据训练缺陷颜色对初始训练图片进行样本异常区域标注后得到的第二目标训练图片，其中，样本异常区域位于样本区域内；将第一目标训练图片、第二目标训练图片以及训练缺陷颜色作为一组训练样本，并基于多组训练样本对初始神经网络模型进行训练，得到目标神经网络模型。

其中，样本对象可以理解为存在缺陷的初始训练图片进行图像采集的对象。初始训练图片可以理解为对样本对象进行图片采集后得到的用于训练得到目标神经网络模型的图片。样本区域可以理解为样本对象在初始训练图片中对应的区域。第一目标训练图片可以理解为已经标注出样本区域的初始训练图片。训练缺陷颜色可以理解为预先定义的缺陷在初始训练图片上对应的颜色。样本异常区域可以理解为缺陷在初始训练图片中对应的区域。第二目标训练图片可以理解为已进行样本异常区域标注后得到的初始训练图片。初始神经网络模型可以理解为未进行训练得到目标神经网络模型的模型。

在本发明实施例中，可以获取至少一个包含样本对象的初始训练图片，针对至少一个初始训练图片中的每个初始训练图片，确定样本对象在初始训练图片中所在的样本区域；在初始训练图片中标注出样本区域，得到第一目标训练图片，以使后续训练得到的神经网络模型可以在目标区域中确定目标异常区域；获取与初始训练图片对应的训练缺陷颜色，并获取根据训练缺陷颜色对初始训练图片进行样本异常区域标注后得到的第二目标训练图片；将第一目标训练图片、第二目标训练图片以及训练缺陷颜色作为一组训练样本，该训练样本即为可以用于训练得到目标神经网络模型的样本，并基于多组训练样本对初始神经网络模型进行训练，得到目标神经网络模型，以实现训练得到能够提高确定出的目标异常区域的准确率的目标神经网络模型。

在本发明实施例中，还可以对初始训练图片进行预处理，该预处理可以是将初始训练图片处理为较为统一的规范化图片，还可以是对初始训练图片进行去噪或增强等预处理，在本发明实施例中，对初始训练图片进行预处理的方式不做具体限定。需要注意的是，还可以对待分析图片进行预处理；还可以只对初始训练图片进行预处理，但是并不对待分析图片进行预处理，以避免待分析图片的失真，影响缺陷分析结果。

实施例三

图5是本发明实施例三中提供的另一种缺陷分析方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，缺陷分析方法，还包括：获取根据目标对象的性质确定的目标扫描模式，其中，目标扫描模式包括：反射扫描模式或透射扫描模式；获取基于第一目标参数在目标扫描模式下，对目标对象进行扫描操作得到的待分析缺陷图片；其中，第一目标参数包括基于预先设定的第一参数设置规则以及第一扫描需求确定出的目标扫描模式的参数。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

参见图5，本实施例的方法具体可以包括如下步骤：

S310、获取根据目标对象的性质确定的目标扫描模式，其中，目标扫描模式包括：反射扫描模式或透射扫描模式。

其中，性质可以理解为是目标对象的性质属性，性质例如可以是目标对象是否是多层次的性质，还可以是目标对象的材质性质，还可以例如是目标对象的封装性质等。目标扫描模式可以理解为需求对目标对象进行扫描的模式。

示例性，目标对象包括多个层次，可以根据上述属性，获取根据目标对象的性质确定的反射扫描模式。

在本发明实施例中，还可以根据获取根据目标对象的性质和/或第一扫描需求确定目标扫描模式，例如在目标对象为方形扁平无引脚封装(Quad Flat No-leads Package，QFN)的芯片，且第一扫描需求为需求确定目标对象上表层区域与封装体是否有分层等异常的情况下，可以确定目标扫描模式为反射扫描模式。其中，第一扫描需求可以理解为在目标扫描模式扫描出的待分析缺陷图片的需求。

在本发明实施例中，确定的目标扫描模式可以是反射扫描模式和透射扫描模式，以在后续根据两种扫描模式相结合的下获取得到的至少两个待分析缺陷图片进行缺陷分析，以提高缺陷分析的准确率。

S320、获取基于第一目标参数在目标扫描模式下，对目标对象进行扫描操作得到的待分析缺陷图片；其中，第一目标参数包括基于预先设定的第一参数设置规则以及第一扫描需求确定出的目标扫描模式的参数。

其中，第一目标参数可以理解为目标扫描模式的参数。第一参数设置规则可以理解为目标扫描模式对应的参数设置规则。

需要注意的是，在基于第一目标参数在目标扫描模式下，对目标对象进行扫描操作之前，首先需要将目标对象放入超声波扫描显微镜的去离子水槽内。

示例性的，若目标扫描模式为反射扫描模式，则应用反射扫描模式在聚焦等参数优化设定的第一目标参数的测试条件下对失效芯片进行反射扫描，并获得反射扫描得到的C-SAM的图片作为待分析缺陷图片。若目标扫描模式为透射扫描模式，则应用透射扫描模式在聚焦等参数优化设定的第一目标参数的测试条件下对失效芯片进行透射扫描，并获得透射扫描得到的C-SAM的图片作为待分析缺陷图片。

需要注意的是，若目标扫描模式为反射扫描模式，基于第一目标参数对目标对象的某个层次进行扫描操作时未发现存在缺陷，例如对芯片上表层区域与封装体在扫描操作时未发现存在缺陷，再例如可能芯片没有存在较为严重的分层的情况，可以在透射扫描模式下，对目标对象进行扫描操作，若在透射扫描模式下发现目标对象存在异常，即例如可以确定芯片下表层与基板面存在分层，再例如可以确定芯片存在轻微分层，在此种情况下，可以获取在透射扫描模式下，对目标对象进行扫描操作得到的待分析缺陷图片，以实现反射扫描模式和透射扫描模式的相互佐证和配合。

S330、获取包含目标对象的待分析缺陷图片，并确定目标对象在待分析缺陷图片中所在的目标区域，其中，目标对象存在缺陷。

S340、获取预先定义的目标缺陷颜色，并基于目标缺陷颜色在目标区域中确定目标异常区域。

S350、确定目标异常区域相较于目标区域的异常比例，并基于异常比例，对目标对象所存在的缺陷进行分析。

本发明实施例的技术方案，获取根据目标对象的性质确定的目标扫描模式，其中，目标扫描模式包括：反射扫描模式或透射扫描模式；获取基于第一目标参数在目标扫描模式下，对目标对象进行扫描操作得到的待分析缺陷图片；其中，第一目标参数包括基于预先设定的第一参数设置规则以及第一扫描需求确定出的目标扫描模式的参数。上述技术方案，通过目标对象的性质确定的目标扫描模式，并基于目标扫描模式下对目标对象进行扫描操作得到的待分析缺陷图片，可以使扫描得到的待分析缺陷图片更加适用于目标对象的实际情况，从而提高缺陷分析的准确率。

为了更好的理解上述本发明实施例的技术方案，在此提供一种可选示例。示例性的，参见图6，对目标样品进行预处理，例如对目标样品进行清洗等预处理；根据目标对象的性质确定至少一个目标扫描模式，其中，目标扫描模式包括：反射扫描模式和透射扫描模式；针对至少一个目标扫描模式的每个目标扫描模式，在目标扫描模式下，对目标对象进行扫描操作得到的待分析缺陷图片；确定目标对象在待分析缺陷图片中所在的目标区域，并在待分析缺陷图片中标注出目标区域，得到目标缺陷图片；获取预先定义的目标缺陷颜色，并将目标缺陷图片以及目标缺陷颜色输入预先训练完成的目标神经网络模型中，并根据目标神经网络模型的输出结果，得到目标区域中的目标异常区域；确定目标异常区域相较于目标区域的异常比例；对至少一个目标扫描模式分别对应的异常比例进行综合分析，基于综合分析结果对目标对象所存在的缺陷进行分析。其中，目标神经网络模型是通过对至少一个初始训练图片中的每个初始训练图片，进行训练缺陷颜色的获取和对初始训练图片的标注得到的训练样本，对初始神经网络模型训练得到的。

实施例四

图7是本发明实施例四所提供的缺陷分析装置的结构框图，该装置用于执行上述任意实施例所提供的缺陷分析方法。该装置与上述各实施例的缺陷分析方法属于同一个发明构思，在缺陷分析装置的实施例中未详尽描述的细节内容，可以参考上述缺陷分析方法的实施例。参见图7，该装置具体可包括：目标区域确定模块410、目标异常区域确定模块420和缺陷分析模块430。

其中，目标区域确定模块410，用于获取包含目标对象的待分析缺陷图片，并确定目标对象在待分析缺陷图片中所在的目标区域，其中，目标对象存在缺陷；

目标异常区域确定模块420，用于获取预先定义的目标缺陷颜色，并基于目标缺陷颜色在目标区域中确定目标异常区域；

缺陷分析模块430，用于确定目标异常区域相较于目标区域的异常比例，并基于异常比例，对目标对象所存在的缺陷进行分析。

可选的，缺陷分析装置，还可以包括：

目标缺陷图片得到模块，用于在待分析缺陷图片中标注出目标区域，得到目标缺陷图片；

目标异常区域确定模块420，可以包括：

目标异常区域得到单元，用于将目标缺陷图片以及目标缺陷颜色输入预先训练完成的目标神经网络模型中，并根据目标神经网络模型的输出结果，得到目标区域中的目标异常区域。

在上述方案的基础上，可选的，缺陷分析装置，还可以包括如下模块训练得到目标神经网络模型：

样本区域确定模块，用于获取包含样本对象的初始训练图片，并确定样本对象在初始训练图片中所在的样本区域，其中，样本对象存在缺陷；

第一目标训练图片得到模块，用于在初始训练图片中标注出样本区域，得到第一目标训练图片；

第二目标训练图片得到模块，用于获取与初始训练图片对应的训练缺陷颜色，并获取根据训练缺陷颜色对初始训练图片进行样本异常区域标注后得到的第二目标训练图片，其中，样本异常区域位于样本区域内；

目标神经网络模型得到模块，用于将第一目标训练图片、第二目标训练图片以及训练缺陷颜色作为一组训练样本，并基于多组训练样本对初始神经网络模型进行训练，得到目标神经网络模型。

可选的，缺陷分析装置，还可以包括：

目标扫描模式确定模块，用于获取根据目标对象的性质确定的目标扫描模式，其中，目标扫描模式包括：反射扫描模式或透射扫描模式；

第一待分析缺陷图片得到模块，用于获取基于第一目标参数在目标扫描模式下，对目标对象进行扫描操作得到的待分析缺陷图片；

其中，第一目标参数包括基于预先设定的第一参数设置规则以及第一扫描需求确定出的目标扫描模式的参数。

可选的，目标对象包括至少两层；

缺陷分析装置，还可以包括：

扫描图片得到模块，用于获取基于第二目标参数在透射扫描模式下，对目标对象进行扫描操作得到的扫描图片；

缺陷确定模块，用于获取预先定义的扫描缺陷颜色，并根据扫描缺陷颜色确定出目标对象是否存在缺陷；

第二待分析缺陷图片得到模块，用于在目标对象存在缺陷的情况下，获取基于第三目标参数在反射扫描模式下，对目标对象进行扫描操作得到的待分析缺陷图片；

其中，第二目标参数包括基于预先设定的第二参数设置规则以及第二扫描需求确定出的透射扫描模式的参数，第三目标参数包括基于预先设定的第三参数设置规则、第三扫描需求以及至少两层中的待扫描层确定出的反射扫描模式的参数。

可选的，目标异常区域的数量是至少一个，缺陷分析装置，还可以包括：

目标噪音区域去除模块，用于在确定目标异常区域相较于目标区域的异常比例之前，在至少一个目标异常区域中存在目标噪音区域的情况下，从至少一个目标异常区域中去除目标噪音区域，其中，目标噪音区域的区域面积小于预设噪音面积；

目标异常区域更新模块，用于将去除目标噪音区域之后的至少一个目标异常区域，更新为至少一个目标异常区域；

缺陷分析模块430，可以包括：

异常比例确定单元，用于确定至少一个目标异常区域的区域面积之和，相较于目标区域的异常比例。

可选的，缺陷分析模块430，可以包括：

待分析需求获取单元，用于获取针对目标对象所存在的缺陷预先设置的待分析需求；

缺陷分析单元，用于将异常比例与待分析需求对应的预设标准比例进行比对，并根据得到的比对结果和待分析需求，对缺陷进行分析。

本发明实施例所提供的缺陷分析装置，通过目标区域确定模块获取包含目标对象的待分析缺陷图片，并确定目标对象在待分析缺陷图片中所在的目标区域，其中，目标对象存在缺陷；通过目标异常区域确定模块获取预先定义的目标缺陷颜色，并基于目标缺陷颜色在目标区域中确定目标异常区域；通过缺陷分析模块确定目标异常区域相较于目标区域的异常比例，并基于异常比例，对目标对象所存在的缺陷进行分析。上述装置，通过预先定义的目标缺陷颜色，可以使确定出的目标异常区域更为精准且符合缺陷分析需求，通过确定出的较为精准的异常区域以及目标区域确定异常比例，从而能够实现精准的缺陷分析。

本发明实施例所提供的缺陷分析装置可执行本发明任意实施例所提供的缺陷分析方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述缺陷分析装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例五

图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如缺陷分析方法。

在一些实施例中，缺陷分析方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的缺陷分析方法的一个或多个步骤。备选地，在其他实施例中，处理器11可通过其他任何适当的方式(例如，借助于固件)而被配置为执行缺陷分析方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、以及至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、以及该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或是其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行并且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种缺陷分析方法，其特征在于，包括：

获取包含目标对象的待分析缺陷图片，并确定所述目标对象在所述待分析缺陷图片中所在的目标区域，其中，所述目标对象存在缺陷；

获取预先定义的目标缺陷颜色，并基于所述目标缺陷颜色在所述目标区域中确定目标异常区域；

确定所述目标异常区域相较于所述目标区域的异常比例，并基于所述异常比例，对所述目标对象所存在的缺陷进行分析。

2.根据权利要求1所述的方法，其特征在于，还包括：

在所述待分析缺陷图片中标注出所述目标区域，得到目标缺陷图片；

所述基于所述目标缺陷颜色在所述目标区域中确定目标异常区域，包括：

将所述目标缺陷图片以及所述目标缺陷颜色输入预先训练完成的目标神经网络模型中，并根据所述目标神经网络模型的输出结果，得到所述目标区域中的目标异常区域。

3.根据权利要求2所述的方法，其特征在于，所述目标神经网络模型通过如下步骤训练得到：

获取包含样本对象的初始训练图片，并确定所述样本对象在所述初始训练图片中所在的样本区域，其中，所述样本对象存在缺陷；

在所述初始训练图片中标注出所述样本区域，得到第一目标训练图片；

获取与所述初始训练图片对应的训练缺陷颜色，并获取根据所述训练缺陷颜色对所述初始训练图片进行样本异常区域标注后得到的第二目标训练图片，其中，所述样本异常区域位于所述样本区域内；

将所述第一目标训练图片、所述第二目标训练图片以及所述训练缺陷颜色作为一组训练样本，并基于多组所述训练样本对初始神经网络模型进行训练，得到所述目标神经网络模型。

4.根据权利要求1所述的方法，其特征在于，还包括：

获取根据所述目标对象的性质确定的目标扫描模式，其中，所述目标扫描模式包括：反射扫描模式或透射扫描模式；

获取基于第一目标参数在所述目标扫描模式下，对所述目标对象进行扫描操作得到的所述待分析缺陷图片；

其中，所述第一目标参数包括基于预先设定的第一参数设置规则以及第一扫描需求确定出的所述目标扫描模式的参数。

5.根据权利要求1所述的方法，其特征在于，所述目标对象包括至少两层；

所述方法，还包括：

获取基于第二目标参数在透射扫描模式下，对所述目标对象进行扫描操作得到的扫描图片；

获取预先定义的扫描缺陷颜色，并根据所述扫描缺陷颜色确定出所述目标对象是否存在缺陷；

在所述目标对象存在缺陷的情况下，获取基于第三目标参数在反射扫描模式下，对所述目标对象进行扫描操作得到的所述待分析缺陷图片；

其中，所述第二目标参数包括基于预先设定的第二参数设置规则以及第二扫描需求确定出的所述透射扫描模式的参数，所述第三目标参数包括基于预先设定的第三参数设置规则、第三扫描需求以及所述至少两层中的待扫描层确定出的所述反射扫描模式的参数。

6.根据权利要求1所述的方法，其特征在于，所述目标异常区域的数量是至少一个，在所述确定所述目标异常区域相较于所述目标区域的异常比例之前，还包括：

在所述至少一个目标异常区域中存在目标噪音区域的情况下，从所述至少一个目标异常区域中去除所述目标噪音区域，其中，所述目标噪音区域的区域面积小于预设噪音面积；

将去除所述目标噪音区域之后的所述至少一个目标异常区域，更新为所述至少一个目标异常区域；

所述确定所述目标异常区域相较于所述目标区域的异常比例，包括：

确定所述至少一个目标异常区域的区域面积之和，相较于所述目标区域的异常比例。

7.根据权利要求1所述的方法，其特征在于，所述基于所述异常比例，对所述目标对象所存在的缺陷进行分析，包括：

获取针对所述目标对象所存在的缺陷预先设置的待分析需求；

将所述异常比例与所述待分析需求对应的预设标准比例进行比对，并根据得到的比对结果和所述待分析需求，对所述缺陷进行分析。

8.一种缺陷分析装置，其特征在于，包括：

目标区域确定模块，用于获取包含目标对象的待分析缺陷图片，并确定所述目标对象在所述待分析缺陷图片中所在的目标区域，其中，所述目标对象存在缺陷；

目标异常区域确定模块，用于获取预先定义的目标缺陷颜色，并基于所述目标缺陷颜色在所述目标区域中确定目标异常区域；

缺陷分析模块，用于确定所述目标异常区域相较于所述目标区域的异常比例，并基于所述异常比例，对所述目标对象所存在的缺陷进行分析。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-7中任一项所述的缺陷分析方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现如权利要求1-7中任一所述的缺陷分析方法。

Images