CN115937109A - 硅片缺陷检测的方法、装置、电子设备及存储介质 - Google Patents
硅片缺陷检测的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115937109A CN115937109A CN202211472642.2A CN202211472642A CN115937109A CN 115937109 A CN115937109 A CN 115937109A CN 202211472642 A CN202211472642 A CN 202211472642A CN 115937109 A CN115937109 A CN 115937109A
- Authority
- CN
- China
- Prior art keywords
- image
- silicon wafer
- frequency domain
- obtaining
- classification result
- 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
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 157
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 157
- 239000010703 silicon Substances 0.000 title claims abstract description 157
- 238000001514 detection method Methods 0.000 title claims abstract description 97
- 230000007547 defect Effects 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims description 16
- 238000013145 classification model Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 3
- 235000012431 wafers Nutrition 0.000 description 115
- 238000010586 diagram Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本申请属于检测技术领域,公开了硅片缺陷检测的方法、装置、电子设备及存储介质,该方法包括,对目标硅片图像进行边缘切片处理,获得边缘图像,边缘图像为包含待测硅片的边缘轮廓的图像;对边缘图像进行傅里叶变换,获得频域图像;采用预先训练好的频域分类模型,基于频域图像,获得待测硅片的检测结果。这样,通过频域分类模型进行硅片缺陷检测,提高了检测精度,降低了检测成本。
Description
技术领域
本申请涉及检测技术领域,具体而言,涉及硅片缺陷检测的方法、装置、电子设备及存储介质。
背景技术
芯片制造过程如同盖房子,硅片是“地基”,每一层都要确保够平整,才能再盖另一层。硅片是半导体产业链的起点,其产能和质量直接制约整个半导体产业。“地基”平整是芯片制造的基础保证,因此,为保证硅片生产的顺利进行,需要对硅片进行缺陷检测,以找出硅片的瑕疵,从而实现硅片制造良率的优化。
现有技术下,通常采用以下方式进行硅片缺陷检测:
根据硅片的物理指标(如,硅片表面的曲率分布以及高度),判断硅片是否存在缺陷。
但是,这需要多次检测,才能确定物理指标,检测结果容易存在偏差,且物理检测手段的检测成本较高。
发明内容
本申请实施例的目的在于提供硅片缺陷检测的方法、装置、电子设备及存储介质,用以在进行硅片缺陷检测时,提高检测精度,降低检测成本。
一方面,提供一种硅片缺陷检测的方法,包括:
对目标硅片图像进行边缘切片处理,获得边缘图像,边缘图像为包含待测硅片的边缘轮廓的图像;
对边缘图像进行傅里叶变换,获得频域图像;
采用预先训练好的频域分类模型,基于频域图像,获得待测硅片的检测结果。
在上述实现过程中,通过频域分类模型进行硅片缺陷检测,提高了检测精度,降低了检测成本。
一种实施方式中,对边缘图像进行傅里叶变换,获得频域图像,包括:
采用傅里叶变换函数,将边缘图像从空间域转换为频率域,获得频域图像。
在上述实现过程中,可以获得转换为频率域的频域图像。
一种实施方式中,采用预先训练好的频域分类模型,基于频域图像,获得待测硅片的检测结果,包括:
采用预先训练好的原始分类模型,基于目标硅片图像,获得第一分类结果;
采用预先训练好的频域分类模型,基于频域图像,获得第二分类结果;
基于第一分类结果以及第二分类结果,获得检测结果。
在上述实现过程中,可以基于目标硅片图像以及频域图像两个维度进行检测,提高了检测精确度。
一种实施方式中,采用预先训练好的频域分类模型,基于频域图像,获得待测硅片的检测结果,包括:
采用预先训练好的原始分类模型,基于目标硅片图像,获得第一分类结果;
采用预先训练好的频域分类模型,基于频域图像,获得第二分类结果;
采用预先训练好的边缘分类模型,基于边缘图像,获得第三分类结果;
基于第一分类结果、第二分类结果以及第三分类结果,获得检测结果。
在上述实现过程中,可以基于目标硅片图像、边缘图像以及频域图像多个维度进行检测,提高了检测精确度。
一种实施方式中,基于第一分类结果、第二分类结果以及第三分类结果,获得检测结果,包括:
根据第一分类结果、第二分类结果以及第三分类结果,确定硅片异常占比;
若确定硅片异常占比高于设定占比,则获得硅片异常检测结果,否则,获得硅片正常检测结果。
在上述实现过程中,可以通过投票的方式确定检测结果,提高了检测精确度。
一方面,提供一种硅片缺陷检测的装置,包括:
切片单元,用于对目标硅片图像进行边缘切片处理,获得边缘图像,边缘图像为包含待测硅片的边缘轮廓的图像;
变换单元,用于对边缘图像进行傅里叶变换,获得频域图像;
检测单元,用于采用预先训练好的频域分类模型,基于频域图像,获得待测硅片的检测结果。
一种实施方式中,变换单元用于:
采用傅里叶变换函数,将边缘图像从空间域转换为频率域,获得频域图像。
一种实施方式中,检测单元用于:
采用预先训练好的原始分类模型,基于目标硅片图像,获得第一分类结果;
采用预先训练好的频域分类模型,基于频域图像,获得第二分类结果;
基于第一分类结果以及第二分类结果,获得检测结果。
一种实施方式中,检测单元用于:
采用预先训练好的原始分类模型,基于目标硅片图像,获得第一分类结果;
采用预先训练好的频域分类模型,基于频域图像,获得第二分类结果;
采用预先训练好的边缘分类模型,基于边缘图像,获得第三分类结果;
基于第一分类结果、第二分类结果以及第三分类结果,获得检测结果。
一种实施方式中,检测单元用于:
根据第一分类结果、第二分类结果以及第三分类结果,确定硅片异常占比;
若确定硅片异常占比高于设定占比,则获得硅片异常检测结果,否则,获得硅片正常检测结果。
一方面,提供了一种电子设备,包括处理器以及存储器,存储器存储有计算机可读取指令,当计算机可读取指令由处理器执行时,运行如上述任一种硅片缺陷检测的各种可选实现方式中提供的方法的步骤。
一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时运行如上述任一种硅片缺陷检测的各种可选实现方式中提供的方法的步骤。
一方面,提供了一种计算机程序产品,计算机程序产品在计算机上运行时,使得计算机执行如上述任一种硅片缺陷检测的各种可选实现方式中提供的方法的步骤。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种硅片缺陷检测的方法的流程图;
图2为本申请实施例提供的一种目标硅片图像的示例图;
图3为本申请实施例提供的一种边缘图像的示例图;
图4为本申请实施例提供的一种硅片异常对比图;
图5为本申请实施例提供的一种缺陷硅片的示例图;
图6为本申请实施例提供的一种硅片标识豁口的示例图;
图7为本申请实施例提供的一种硅片半边标识豁口的示例图;
图8为本申请实施例提供的一种硅片光源不均的示例图;
图9为本申请实施例提供的一种硅片缺陷检测的方法的详细流程图;
图10为本申请实施例提供的一种硅片缺陷检测的装置的结构框图;
图11为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,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所有其他实施例,都属于本申请保护的范围。
首先对本申请实施例中涉及的部分用语进行说明,以便于本领域技术人员理解。
终端设备:可以是移动终端、固定终端或便携式终端,例如移动手机、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、个人通信系统设备、个人导航设备、个人数字助理、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合,包括这些设备的配件和外设或者其任意组合。还可预见到的是,终端设备能够支持任意类型的针对用户的接口(例如可穿戴设备)等。
服务器:可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务以及大数据和人工智能平台等基础云计算服务的云服务器。
为了进行硅片缺陷检测时,可以提高检测精度,降低检测成本,本申请实施例提供了硅片缺陷检测的方法、装置、电子设备及存储介质。
参阅图1所示,为本申请实施例提供的一种硅片缺陷检测的方法的流程图,应用于电子设备,电子设备可以为服务器,也可以为终端设备。该方法的具体实施流程如下:
步骤100:对目标硅片图像进行边缘切片处理,获得边缘图像。
一种实施方式中,提取目标硅片图像中的边缘区域,并对该边缘区域进行切片处理,获得边缘图像。
其中,目标硅片图像为待检测的硅片的图像。边缘图像为包含待测硅片的边缘轮廓的图像。切片处理是指将大图(即包含边缘区域的目标硅片图像)按照一定的规则切成小图,并根据小图划分出边缘轮廓。
参阅图2所示,为一种目标硅片图像的示例图。参阅图3所示,为一种边缘图像的示例图。通过图3可以明显的区分出硅片的边缘轮廓。
步骤101:对边缘图像进行傅里叶变换,获得频域图像。
一种实施方式中,采用傅里叶变换函数,将边缘图像从空间域转换为频率域,获得频域图像。
步骤102:采用预先训练好的频域分类模型,基于频域图像,获得待测硅片的检测结果。
一种实施方式中,执行步骤102时,可以采用以下任一方式:
方式1:基于频域图像,获得待测硅片的检测结果。
一种实施方式中,将频域图像输入频域分类模型,获得硅片异常的概率,若确定概率高于设定概率,则获得硅片异常检测结果,否则,获得硅片正常检测结果。
实际应用中,设定概率(如,0.7)可以根据实际应用场景进行设置,在此不做限制。
其中,频域分类模型是基于神经网络构建的,用于检测硅片是否存在缺陷(即硅片是否异常)。
这样,就可以通过硅片缺陷检测,对硅片中可能存在正常的标识豁口和异常的刮痕缺陷,进行区分。
参阅图4所示,为一种硅片异常对比图。图4中的左图为正常硅片的示例图,右图为存在缺陷缺口的异常硅片的示例图。
方式2:基于目标硅片图像和频域图像,获得待测硅片的检测结果。
一种实施方式中,采用预先训练好的原始分类模型,基于目标硅片图像,获得第一分类结果;采用预先训练好的频域分类模型,基于频域图像,获得第二分类结果;基于第一分类结果以及第二分类结果,获得检测结果。
其中,原始分类模型是基于神经网络构建的,用于检测硅片是否存在缺陷(即硅片是否异常)。第二分类结果为硅片异常或者硅片正常。
一种实施方式中,原始分类模型还可以输出硅片异常的第一概率。频域分类模型还可以输出硅片异常的第二概率。
一种实施方式中,基于第一分类结果以及第二分类结果,获得检测结果的实现过程可以包括:
将第一概率和第二概率进行加权求和,获得综合异常概率,若综合异常概率高于设定概率(如,0.5),则获得硅片异常检测结果,否则,获得硅片正常检测结果。
实际应用,加权求和时的权重以及设定概率,均可以根据实际应用场景进行设置,在此不做限制。
方式3:基于目标硅片图像、边缘图像和频域图像,获得待测硅片的检测结果。
一种实施方式中,采用预先训练好的原始分类模型,基于目标硅片图像,获得第一分类结果;采用预先训练好的频域分类模型,基于频域图像,获得第二分类结果;采用预先训练好的边缘分类模型,基于边缘图像,获得第三分类结果;基于第一分类结果、第二分类结果以及第三分类结果,获得检测结果。
其中,边缘分类模型是基于神经网络构建的,用于检测硅片是否存在缺陷(即硅片是否异常)。第三分类结果为硅片异常或者硅片正常。
一种实施方式中,基于第一分类结果、第二分类结果以及第三分类结果,获得检测结果的实现过程可以包括:
根据第一分类结果、第二分类结果以及第三分类结果,确定硅片异常占比(如,0、1/3、2/3,以及1);若确定硅片异常占比高于设定占比(如,0.5),则获得硅片异常检测结果,否则,获得硅片正常检测结果。
进一步的,分类结果(即第一分类结果、第二分类结果……)还可以包含多种类别。
一种实施方式中,若分类结果包含多种类别,则采用软投票(Soft VotingClassifier)的方式(即分别计算每一类别的概率的平均值的方式),确定各类别的概率,并将最高概率的类别,作为检测结果。
实际应用中,设定占比可以根据实际应用场景进行设置,在此不做限制。
可选的,边缘分类模型还可以输出硅片异常的第三概率。
一种实施方式中,基于第一分类结果、第二分类结果以及第三分类结果,获得检测结果的实现过程可以包括:
将第一概率、第二概率以及第三概率进行加权求和,获得综合异常概率,若综合异常概率高于设定概率(如,0.5),则获得硅片异常检测结果,否则,获得硅片正常检测结果。
实际应用,加权求和时的权重以及设定概率,均可以根据实际应用场景进行设置,在此不做限制。
参阅图5所示,为一种缺陷硅片的示例图。图5中,从左到右的三张图依次为:目标硅片图像、边缘图像和频域图像。
参阅图6所示,为一种硅片标识豁口的示例图。图6中,从左到右的三张图依次为:目标硅片图像、边缘图像和频域图像。
参阅图7所示,为一种硅片半边标识豁口的示例图。图7中,从左到右的三张图依次为:目标硅片图像、边缘图像和频域图像。
参阅图8所示,为一种硅片光源不均的示例图。图8中,从左到右的三张图依次为:目标硅片图像、边缘图像和频域图像。
通过图5-图8,可以看到不同情况下的硅片的原始图像(即目标硅片图像),及其对应的边缘图像和频域图像。
参阅图9所示,为一种硅片缺陷检测的方法的详细流程图。结合图9对图1中的硅片缺陷检测的方法进行示例说明,该方法的具体流程如下:
步骤900:对目标硅片图像进行边缘切片处理,获得边缘图像。
步骤901:对边缘图像进行傅里叶变换,获得频域图像,并列执行步骤902、步骤903和步骤904。
步骤902:采用原始分类模型基于目标硅片图像,获得第一分类结果,执行步骤905。
步骤903采用频域分类模型基于频域图像,获得第二分类结果,执行步骤905。
步骤904:采用边缘分类模型基于边缘图像,获得第三分类结果,执行步骤905。
步骤905:基于第一分类结果、第二分类结果以及第三分类结果,获得检测结果。
本申请实施例中,可以从原始图像、边缘图像以及频域图像三个维度进行硅片缺陷检测,提高了检测精度以及效率,降低了检测的人工和时间成本。
基于同一发明构思,本申请实施例中还提供了一种硅片缺陷检测的装置,由于上述装置及设备解决问题的原理与一种硅片缺陷检测的方法相似,因此,上述装置的实施可以参见方法的实施,重复之处不再赘述。
如图10所示,其为本申请实施例提供的一种硅片缺陷检测的装置的结构示意图,包括:
切片单元1001,用于对目标硅片图像进行边缘切片处理,获得边缘图像,边缘图像为包含待测硅片的边缘轮廓的图像;
变换单元1002,用于对边缘图像进行傅里叶变换,获得频域图像;
检测单元1003,用于采用预先训练好的频域分类模型,基于频域图像,获得待测硅片的检测结果。
一种实施方式中,变换单元1002用于:
采用傅里叶变换函数,将边缘图像从空间域转换为频率域,获得频域图像。
一种实施方式中,检测单元1003用于:
采用预先训练好的原始分类模型,基于目标硅片图像,获得第一分类结果;
采用预先训练好的频域分类模型,基于频域图像,获得第二分类结果;
基于第一分类结果以及第二分类结果,获得检测结果。
一种实施方式中,检测单元1003用于:
采用预先训练好的原始分类模型,基于目标硅片图像,获得第一分类结果;
采用预先训练好的频域分类模型,基于频域图像,获得第二分类结果;
采用预先训练好的边缘分类模型,基于边缘图像,获得第三分类结果;
基于第一分类结果、第二分类结果以及第三分类结果,获得检测结果。
一种实施方式中,检测单元1003用于:
根据第一分类结果、第二分类结果以及第三分类结果,确定硅片异常占比;
若确定硅片异常占比高于设定占比,则获得硅片异常检测结果,否则,获得硅片正常检测结果。
本申请实施例提供的硅片缺陷检测的方法、装置、电子设备及存储介质中,对目标硅片图像进行边缘切片处理,获得边缘图像,边缘图像为包含待测硅片的边缘轮廓的图像;对边缘图像进行傅里叶变换,获得频域图像;采用预先训练好的频域分类模型,基于频域图像,获得待测硅片的检测结果。这样,通过频域分类模型进行硅片缺陷检测,提高了检测精度,降低了检测成本。
图11示出了一种电子设备1100的结构示意图。参阅图11所示,电子设备1100包括:处理器1110以及存储器1120,可选的,还可以包括电源1130、显示单元1140、输入单元1150。
处理器1110是电子设备1100的控制中心,利用各种接口和线路连接各个部件,通过运行或执行存储在存储器1120内的软件程序和/或数据,执行电子设备1100的各种功能,从而对电子设备1100进行整体监控。
本申请实施例中,处理器1110调用存储器1120中存储的计算机程序时执行上述实施例中的各个步骤。
可选的,处理器1110可包括一个或多个处理单元;优选的,处理器1110可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1110中。在一些实施例中,处理器、存储器、可以在单一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
存储器1120可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、各种应用等;存储数据区可存储根据电子设备1100的使用所创建的数据等。此外,存储器1120可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件等。
电子设备1100还包括给各个部件供电的电源1130(比如电池),电源可以通过电源管理系统与处理器1110逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗等功能。
显示单元1140可用于显示由用户输入的信息或提供给用户的信息以及电子设备1100的各种菜单等,本发明实施例中主要用于显示电子设备1100中各应用的显示界面以及显示界面中显示的文本、图片等对象。显示单元1140可以包括显示面板1141。显示面板1141可以采用液晶显示屏(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置。
输入单元1150可用于接收用户输入的数字或字符等信息。输入单元1150可包括触控面板1151以及其他输入设备1152。其中,触控面板1151,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触摸笔等任何适合的物体或附件在触控面板1151上或在触控面板1151附近的操作)。
具体的,触控面板1151可以检测用户的触摸操作,并检测触摸操作带来的信号,将这些信号转换成触点坐标,发送给处理器1110,并接收处理器1110发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1151。其他输入设备1152可以包括但不限于物理键盘、功能键(比如音量控制按键、开关机按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
当然,触控面板1151可覆盖显示面板1141,当触控面板1151检测到在其上或附近的触摸操作后,传送给处理器1110以确定触摸事件的类型,随后处理器1110根据触摸事件的类型在显示面板1141上提供相应的视觉输出。虽然在图11中,触控面板1151与显示面板1141是作为两个独立的部件来实现电子设备1100的输入和输出功能,但是在某些实施例中,可以将触控面板1151与显示面板1141集成而实现电子设备1100的输入和输出功能。
电子设备1100还可包括一个或多个传感器,例如压力传感器、重力加速度传感器、接近光传感器等。当然,根据具体应用中的需要,上述电子设备1100还可以包括摄像头等其它部件,由于这些部件不是本申请实施例中重点使用的部件,因此,在图11中没有示出,且不再详述。
本领域技术人员可以理解,图11仅仅是电子设备的举例,并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
本申请实施例中,一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,使得通信设备可以执行上述实施例中的各个步骤。
为了描述的方便,以上各部分按照功能划分为各模块(或单元)分别描述。当然,在实施本申请时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种硅片缺陷检测的方法,其特征在于,包括:
对目标硅片图像进行边缘切片处理,获得边缘图像,所述边缘图像为包含待测硅片的边缘轮廓的图像;
对所述边缘图像进行傅里叶变换,获得频域图像;
采用预先训练好的频域分类模型,基于所述频域图像,获得所述待测硅片的检测结果。
2.如权利要求1所述的方法,其特征在于,所述对所述边缘图像进行傅里叶变换,获得频域图像,包括:
采用傅里叶变换函数,将所述边缘图像从空间域转换为频率域,获得所述频域图像。
3.如权利要求1或2所述的方法,其特征在于,所述采用预先训练好的频域分类模型,基于所述频域图像,获得所述待测硅片的检测结果,包括:
采用预先训练好的原始分类模型,基于所述目标硅片图像,获得第一分类结果;
采用预先训练好的频域分类模型,基于所述频域图像,获得第二分类结果;
基于所述第一分类结果以及所述第二分类结果,获得所述检测结果。
4.如权利要求1或2所述的方法,其特征在于,所述采用预先训练好的频域分类模型,基于所述频域图像,获得所述待测硅片的检测结果,包括:
采用预先训练好的原始分类模型,基于所述目标硅片图像,获得第一分类结果;
采用预先训练好的频域分类模型,基于所述频域图像,获得第二分类结果;
采用预先训练好的边缘分类模型,基于所述边缘图像,获得第三分类结果;
基于所述第一分类结果、所述第二分类结果以及所述第三分类结果,获得所述检测结果。
5.如权利要求4所述的方法,其特征在于,所述基于所述第一分类结果、所述第二分类结果以及所述第三分类结果,获得所述检测结果,包括:
根据所述第一分类结果、所述第二分类结果以及所述第三分类结果,确定硅片异常占比;
若确定所述硅片异常占比高于设定占比,则获得硅片异常检测结果,否则,获得硅片正常检测结果。
6.一种硅片缺陷检测的装置,其特征在于,包括:
切片单元,用于对目标硅片图像进行边缘切片处理,获得边缘图像,所述边缘图像为包含待测硅片的边缘轮廓的图像;
变换单元,用于对所述边缘图像进行傅里叶变换,获得频域图像;
检测单元,用于采用预先训练好的频域分类模型,基于所述频域图像,获得所述待测硅片的检测结果。
7.如权利要求6所述的装置,其特征在于,所述变换单元用于:
采用傅里叶变换函数,将所述边缘图像从空间域转换为频率域,获得所述频域图像。
8.如权利要求6或7所述的装置,其特征在于,所述检测单元用于:
采用预先训练好的原始分类模型,基于所述目标硅片图像,获得第一分类结果;
采用预先训练好的频域分类模型,基于所述频域图像,获得第二分类结果;
基于所述第一分类结果以及所述第二分类结果,获得所述检测结果。
9.如权利要求6或7所述的装置,其特征在于,所述检测单元用于:
采用预先训练好的原始分类模型,基于所述目标硅片图像,获得第一分类结果;
采用预先训练好的频域分类模型,基于所述频域图像,获得第二分类结果;
采用预先训练好的边缘分类模型,基于所述边缘图像,获得第三分类结果;
基于所述第一分类结果、所述第二分类结果以及所述第三分类结果,获得所述检测结果。
10.如权利要求9所述的装置,其特征在于,所述检测单元用于:
根据所述第一分类结果、所述第二分类结果以及所述第三分类结果,确定硅片异常占比;
若确定所述硅片异常占比高于设定占比,则获得硅片异常检测结果,否则,获得硅片正常检测结果。
11.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-5任一所述方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-5任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211472642.2A CN115937109A (zh) | 2022-11-17 | 2022-11-17 | 硅片缺陷检测的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211472642.2A CN115937109A (zh) | 2022-11-17 | 2022-11-17 | 硅片缺陷检测的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937109A true CN115937109A (zh) | 2023-04-07 |
Family
ID=86648083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211472642.2A Pending CN115937109A (zh) | 2022-11-17 | 2022-11-17 | 硅片缺陷检测的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937109A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010139317A (ja) * | 2008-12-10 | 2010-06-24 | Mitsubishi Materials Corp | 軸物工具表面の欠陥検査方法および装置 |
CN111044525A (zh) * | 2019-12-30 | 2020-04-21 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN111627009A (zh) * | 2020-05-27 | 2020-09-04 | 歌尔股份有限公司 | 一种屏幕检测方法、装置及头戴显示设备 |
CN113034447A (zh) * | 2021-03-10 | 2021-06-25 | 歌尔股份有限公司 | 一种边缘缺陷检测方法和装置 |
SE1930421A1 (en) * | 2019-12-30 | 2021-07-01 | Unibap Ab | Method and means for detection of imperfections in products |
CN113139932A (zh) * | 2021-03-23 | 2021-07-20 | 广东省科学院智能制造研究所 | 一种基于集成学习的深度学习缺陷图像识别方法及系统 |
CN113240642A (zh) * | 2021-05-13 | 2021-08-10 | 创新奇智(北京)科技有限公司 | 图像缺陷检测方法及装置、电子设备、存储介质 |
CN115222709A (zh) * | 2022-07-26 | 2022-10-21 | 南通市通州区锦都拉链有限公司 | 一种基于人工智能的拉链布带缺陷检测方法 |
-
2022
- 2022-11-17 CN CN202211472642.2A patent/CN115937109A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010139317A (ja) * | 2008-12-10 | 2010-06-24 | Mitsubishi Materials Corp | 軸物工具表面の欠陥検査方法および装置 |
CN111044525A (zh) * | 2019-12-30 | 2020-04-21 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
SE1930421A1 (en) * | 2019-12-30 | 2021-07-01 | Unibap Ab | Method and means for detection of imperfections in products |
CN111627009A (zh) * | 2020-05-27 | 2020-09-04 | 歌尔股份有限公司 | 一种屏幕检测方法、装置及头戴显示设备 |
CN113034447A (zh) * | 2021-03-10 | 2021-06-25 | 歌尔股份有限公司 | 一种边缘缺陷检测方法和装置 |
CN113139932A (zh) * | 2021-03-23 | 2021-07-20 | 广东省科学院智能制造研究所 | 一种基于集成学习的深度学习缺陷图像识别方法及系统 |
CN113240642A (zh) * | 2021-05-13 | 2021-08-10 | 创新奇智(北京)科技有限公司 | 图像缺陷检测方法及装置、电子设备、存储介质 |
CN115222709A (zh) * | 2022-07-26 | 2022-10-21 | 南通市通州区锦都拉链有限公司 | 一种基于人工智能的拉链布带缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190220293A1 (en) | Startup resource loading method and apparatus | |
US9280452B1 (en) | Systems and methods for generating test cases | |
CN116168038B (zh) | 一种图像翻拍检测的方法、装置、电子设备及存储介质 | |
CN114693673A (zh) | 玻璃检测的方法、装置、电子设备及计算机可读存储介质 | |
CN111027854A (zh) | 一种基于企业大数据的综合画像指数生成方法及相关设备 | |
CN110198473B (zh) | 视频处理方法、装置、电子设备及计算机可读存储介质 | |
CN112231144A (zh) | 一种数据处理方法、装置及电子设备 | |
US20230281696A1 (en) | Method and apparatus for detecting false transaction order | |
US10229212B2 (en) | Identifying Abandonment Using Gesture Movement | |
CN113609479A (zh) | 一种文件检测的方法、装置、电子设备及可读存储介质 | |
CN116778306A (zh) | 伪造对象检测方法、相关装置及存储介质 | |
CN115937109A (zh) | 硅片缺陷检测的方法、装置、电子设备及存储介质 | |
CN113922998A (zh) | 一种漏洞风险评估方法、装置、电子设备及可读存储介质 | |
CN112417197B (zh) | 一种排序方法、装置、机器可读介质及设备 | |
CN115187999A (zh) | 文本识别方法、装置、电子设备及计算机可读存储介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN114547242A (zh) | 一种问卷调研的方法、装置、电子设备及可读存储介质 | |
CN113515701A (zh) | 信息推荐方法及装置 | |
CN112596725A (zh) | 编程作品的评分方法、评分装置、终端设备及存储介质 | |
CN113705722B (zh) | 一种操作系统版本识别的方法、装置、设备和介质 | |
CN110752958A (zh) | 用户行为分析方法、装置、设备及存储介质 | |
CN113672675B (zh) | 数据检测方法、装置和电子设备 | |
CN110909190B (zh) | 数据搜索方法、装置、电子设备及存储介质 | |
CN115412726B (zh) | 视频真伪检测方法、装置及存储介质 | |
US11924020B2 (en) | Ranking changes to infrastructure components based on past service outages |
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 |