CN115953407B - 基于计算机视觉的半导体设备维修系统 - Google Patents
基于计算机视觉的半导体设备维修系统 Download PDFInfo
- Publication number
- CN115953407B CN115953407B CN202310244536.7A CN202310244536A CN115953407B CN 115953407 B CN115953407 B CN 115953407B CN 202310244536 A CN202310244536 A CN 202310244536A CN 115953407 B CN115953407 B CN 115953407B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- key
- gray level
- sampling
- wafer
- 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.)
- Active
Links
Images
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种基于计算机视觉的半导体设备维修系统,包括图像处理模块:获取待检测晶圆表面灰度图的异常灰度值;种子像素点确定模块:根据异常灰度值的像素点的密度聚类结果确定种子像素点;关键像素点选取模块:利用种子像素点将每个采样尺度的多个高斯采样图像超像素分割为超像素块;将多个高斯采样图像的叠加图中重合的超像素块中重合的种子像素点作为该采样尺度下叠加图的关键像素点,根据关键像素点的中心率获取待检测晶圆表面图像的最终关键像素点;缺陷判断模块:根据最终关键像素点进行匹配,判断晶圆是否存在划痕缺陷;维修模块:对存在划痕缺陷的晶圆进行维修。系统提高了划痕缺陷检测精度。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种基于计算机视觉的半导体设备维修系统。
背景技术
半导体设备泛指用于生产各类半导体产品所需的生产设备,晶圆是制造半导体器件的基础性原材料,在晶圆制造过程中,划痕是一种常见的缺陷,划痕一般产生于晶圆制造过程中抛光、切片等步骤中,由化学机械研磨所致,是一种较为严重的晶圆表面缺陷,能够对集成电路芯片造成极为严重的影响,因此,需要对晶圆是否存在划痕缺陷进行检测,并及时对存在划痕缺陷的晶圆进行维修,保证晶圆质量。
在现有技术是通过将待检测的晶圆表面灰度图像和无缺陷的晶圆的表面灰度图像进行模板匹配,根据模板匹配的结果判断待检测晶圆中是否存在划痕缺陷,得到存在划痕缺陷的晶圆,针对存在划痕的晶圆进行后续维修,但是由于晶圆图像的灰度差异较小,划痕缺陷不明显导致模板匹配不准确,无法对晶圆表面的划痕缺陷进行准确的检测和及时的维修,导致存在划痕缺陷的晶圆流入市场,影响正常使用。
发明内容
针对模板匹配不准确,无法对晶圆表面的划痕缺陷进行准确的检测和及时的维修,导致存在划痕缺陷的晶圆流入市场,影响正常使用,本发明提供一种基于计算机视觉的半导体设备维修系统,包括:
图像处理模块:用于获取待检测晶圆的表面灰度图,并提取表面灰度图中的异常灰度值;
种子像素点确定模块:
用于对同一异常灰度值所包含的像素点进行密度聚类,得到多个聚类簇,将每个聚类簇作为一个像素点区域;
利用同一异常灰度值中密度最大的像素点区域中的中心像素点与密度最大的像素点区域中其他像素点之间的距离确定出同一异常灰度值中的种子像素点;
关键像素点选取模块:
用于对表面灰度图进行不同尺度的高斯下采样,得到每一个尺度下的多个高斯采样图像,利用种子像素点对每个高斯采样图像进行超像素分割,获取每个高斯采样图像的多个超像素块;
获取每个采样尺度下的多个高斯采样图像的叠加图像,获得叠加图像中重合的超像素块作为目标超像素块,将目标超像素块中重合的种子像素点,作为该采样尺度下的高斯采样图像的叠加图像中的关键像素点;
根据每个采样尺度下的高斯采样图像的叠加图像中每个关键像素点到该关键像素点所在目标超像素块中其他像素点之间的距离,计算每个关键像素点的中心率;
利用每个采样尺度下的高斯采样图像的叠加图像中每个关键像素点的中心率选取待检测晶圆表面灰度图中的最终关键像素点;
缺陷判断模块:用于将待检测晶圆表面灰度图中的最终关键像素点和标准晶圆表面灰度图中的关键像素点进行关键点匹配,根据匹配结果判断晶圆是否存在划痕缺陷;
维修模块:用于对存在划痕缺陷的晶圆进行维修。
所述利用每个采样尺度下的高斯采样图像的叠加图像中每个关键像素点的中心率选取待检测晶圆表面灰度图中的最终关键像素点:
根据每个采样尺度下的多个高斯采样图像的叠加图像中每个关键像素点的中心率,计算每个关键像素点作为最终关键像素点的权重;
将权重大于权重阈值的关键像素点,作为待检测晶圆表面灰度图中的最终关键像素点。
所述计算每个关键像素点作为最终关键像素点的权重:
设置第一权重和第二权重,且第一权重小于第二权重;
获取第一个采样尺度下的高斯采样图像中的叠加图像中每个关键像素点的中心率和第一权重的第一乘积;获取所有采样尺度下的高斯采样图像的叠加图像中该关键像素点的中心率的均值和第二权重的第二乘积;将第一乘积和第二乘积相加得到的值作为该关键像素点作为最终关键像素点的权重。
所述计算每个关键像素点的中心率:
获取每个关键像素点到该关键像素点所在目标超像素块中的其他像素点之间的距离,得到距离序列;将距离序列中所有两个相邻距离的比值的均值作为该关键像素点的中心率。
所述利用同一异常灰度值中密度最大的像素点区域中的中心像素点与密度最大的像素点区域中其他像素点之间的距离确定出同一异常灰度值中的种子像素点:
若同一异常灰度值中密度最大的像素点区域中的中心像素点与该区域中其他像素点之间的距离相等,则该中心像素点为同一异常灰度值中的种子像素点。
所述根据匹配结果判断晶圆是否存在划痕缺陷:
当关键点匹配成功率大于匹配成功率阈值时,无划痕缺陷,否则,有划痕缺陷。
所述提取表面灰度图中的异常灰度值:
获取待检测晶圆表面灰度图的灰度直方图,对灰度直方图进行阈值分割,将大于灰度阈值的灰度值作为异常灰度值。
本发明的有益效果是:
(1)对每个异常灰度值对应的像素点进行密度聚类,得到多个聚类簇,将每个聚类簇作为一个像素点区域,根据密度最大的像素点区域的中心像素点与其他像素点之间的距离确定出同一异常灰度值对应的像素点中的种子像素点;获取每个尺度下的多个高斯采样图像,根据种子像素点对高斯采样图像进行超像素分割,获取高斯采样图像的叠加图,将叠加图中重合的超像素块中重合的种子像素点作为关键像素点,并计算关键像素点的中心率,利用中心率获取待检测晶圆表面灰度图中的最终关键像素点,并进行关键点匹配,判断划痕缺陷;
该方法是对种子像素点进行初步选取,根据种子像素点对每个尺度下的高斯采样图像进行进行超像素分割,得到了大小均匀的超像素分割块,避免了不规则或大小不一的超像素分割块在后续图像叠加时会出现像素点对应不上,存在对应误差的问题,保证了图像叠加时像素点可以准确对应上;关键像素点的中心率反映出该关键像素点是否靠近该关键像素点所在超像素块中心,越靠近中心,越可能为最终关键像素点;
(2)获取每个采样尺度下的多个高斯采样图像的叠加图像中每个关键像素点的中心率,并对第一个采样尺度下的高斯采样图像中的叠加图像中每个关键像素点的中心率和所有采样尺度下的高斯采样图像的叠加图像中该关键像素点的中心率的均值进行权重分配并求和,根据权重分配并求和得到的值,作为该关键像素点作为最终关键像素点的权重;
该方法考虑到第一个采样尺度下的采样图像中像素点的模糊程度变化较小,所有的像素点都能识别到,不会出现某些像素点在采样的过程中模糊程度太大而识别不清楚的情况,即第一个采样尺度下的采样图像的信息较为完整,准确性较高;在不同尺度下的高斯核图像中,图像的模糊程度不同,因为缺陷的灰度值比正常区域的灰度小,像素点的梯度变化大,相当于缺陷的灰度值具有强边缘特征,随着采样尺度的变化,缺陷灰度值对应的像素点模糊程度变化不大,因此在不同尺度下的高斯采样图像中,每个图像都存在的种子像素点极可能是缺陷区域的像素点,而随着采样尺度变化,模糊程度变大的像素点则为正常区域的像素点,因此将不同尺度下的高斯采样图像的叠加图中的关键像素点作为最终关键像素点的权重设置的更大,能够在选取最终关键像素点的时,得到最可能为最终关键像素点的关键像素点,使得后续与标准晶圆表面灰度图像进行关键点匹配的成功率增大,提高了划痕缺陷检测的准确性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种基于计算机视觉的半导体设备维修系统结构框图;
图2是本发明的一种基于计算机视觉的半导体设备维修系统中的晶圆表面划痕示意图。
具体实施方式
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,都属于本发明保护的范围。
本发明的一种基于计算机视觉的半导体设备维修系统的实施例,如图1所示,包括:
S100.图像处理模块:用于获取待检测晶圆的表面灰度图,并提取表面灰度图中的异常灰度值,具体为:
首先采集待检测晶圆表面图像,对图像进行预处理,得到待检测晶圆表面灰度图:
由于晶圆圆片比较小,因此本发明通过高倍率相机采集待检测晶圆表面的图像,然后对采集的图像进行灰度化处理,获得待检测晶圆表面灰度图。
然后,提取表面灰度图中的异常灰度值:
获取待检测晶圆表面图像的灰度直方图;
若待检测晶圆表面图像的灰度直方图的波峰个数为一个,则待检测晶圆正常,若采集待检测晶圆表面图像的灰度直方图的波峰个数为两个,则待检测晶圆存在异常,灰度值较大的波峰表示的是像素点异常区域,需进行进一步判断是否存在划痕缺陷,晶圆表面的划痕缺陷如图2所示;
最后,对灰度直方图进行阈值分割,灰度阈值为两个波峰之间的波谷位置处的灰度值,将该灰度值作为灰度阈值,将灰度直方图中大于灰度阈值的灰度值作为异常灰度值。
S101.种子像素点确定模块:
(1)用于对同一异常灰度值所包含的像素点进行密度聚类,得到多个聚类簇,将每个聚类簇作为一个像素点区域:
将每个异常灰度值对应的所有像素点进行密度聚类,可得到多个聚类像素点簇,将每个聚类像素点簇作为一个像素点区域,因此,每个异常灰度值对应的像素点被分为多个像素点区域;
(2)利用同一异常灰度值中密度最大的像素点区域中的中心像素点与密度最大的像素点区域中其他像素点之间的距离确定出同一异常灰度值中的种子像素点;
其中,每个像素点区域的密度是将每个像素点区域中像素点之间的距离的均值,作为每个像素点区域的密度;使用像素点之间的平均距离表示该区域的像素点的密度,两两像素点之间的距离越小,说明像素点分布越密集,则该像素点区域的密度就越大;
其中,利用同一异常灰度值中密度最大的像素点区域中的中心像素点与密度最大的像素点区域中其他像素点之间的距离确定出同一异常灰度值中的种子像素点:
若密度最大的像素点区域的中心像素点与该区域中其他像素点之间的距离相等,则该中心像素点为待检测晶圆表面灰度图中同一异常灰度值对应的所有像素点中的种子像素点;
需要说明的是,本模块是在待检测晶圆表面灰度图像内均匀的分配种子点,首先将每个异常灰度值对应的像素点进行密度聚类,得到多个像素点区域,并将每个像素点区域的中心像素点作为初始种子像素点,然后对初始种子点进行筛选;
筛选时遵循密度最大,距离相近的原则,密度最大指的是在一个区域中,同一灰度下密度最大的像素点,并且所选的像素点需要距离邻近的像素点区域中的种子像素点的距离相近,因此,计算每个异常灰度值对应的像素点聚类分簇后,每个分簇对应的像素点区域的像素点密度,并将密度最大的像素点区域,作为该异常灰度值对应的像素点中的目标区域,若目标区域内的像素点到目标区域的中心像素点的距离都相等,则该区域的中心像素点为种子像素点,按照本模块可得到,每个异常灰度值对应的像素点聚类分簇后的像素点区域中的目标区域和种子像素点,也就是每个异常灰度值对应的像素点中的种子像素点,也就是待检测晶圆表面灰度图像中每个异常灰度值对应的像素点的种子像素点;
S102.关键像素点选取模块:
(1)用于对表面灰度图进行不同尺度的高斯下采样,得到每一个尺度下的多个高斯采样图像,利用种子像素点对每个高斯采样图像进行超像素分割,获取每个高斯采样图像的多个超像素块,具体为:
在获得待检测晶圆表面灰度图中的种子像素点后,对同一采样尺度下的多个高斯采样图像进行超像素分割,通常每个采样尺度下有三个(三层)高斯采样图像,获得每一个高斯采样图像的超像素块,由于高斯采样图像是根据表面灰度图进行采样,因此,表面灰度图中的种子像素点会分布在超像素块中,分割得到的超像素块的大小是均匀的,这里分割得到均匀的超像素块的目的是为了在进行不同高斯采样图像叠加的时候,能够将相同位置的像素点完全对应上,不会因为图像分割的不规则或大小不一使得像素点的对应出现较大的误差;
(2)获取每个采样尺度下的多个高斯采样图像的叠加图像,获得叠加图像中重合的超像素块作为目标超像素块,将目标超像素块中重合的种子像素点,作为该采样尺度下的高斯采样图像的叠加图像中的关键像素点,具体为:
在得到每一个高斯采样图像的超像素块后,对每一个高斯采样图像进行叠加,也就是对同一采样尺度下的三个高斯采样图像进行叠加,得到叠加图像,获取叠加图像中重合的超像素分割块,将重合的超像素分割块作为目标超像素块,然后获取目标超像素块内重合的种子像素点(图像叠加后,相同位置的像素点会发生重合),因为该重合的种子像素点是经过同一采样尺度下不同高斯核函数进行叠加得到,因此该重合的种子像素点就是该采样尺度下该超像素块的种子像素点,将其作为该采样尺度下的多个高斯采样图像的叠加图像中的关键像素点;
(3)根据每个采样尺度下的高斯采样图像的叠加图像中每个关键像素点到该关键像素点所在目标超像素块中其他像素点之间的距离,计算每个关键像素点的中心率,具体为:
获取每个关键像素点到该关键像素点所在目标超像素块中的其他像素点的距离,得到距离序列;
计算距离序列中每两个相邻距离的比值,并获取距离序列中所有两个相邻距离的比值的均值,将均值作为每个关键像素点的中心率;
需要说明的是,计算该每个关键点的中心率,关键点越靠近其所在超像素块中心,
其权重越大,中心率表示的是该像素点是否靠近其所在超像素块的中心点,因此通过计算
关键点到该关键像素点所在目标超像素块中的其他像素点的距离;
(4)利用每个采样尺度下的高斯采样图像的叠加图像中每个关键像素点的中心率选取待检测晶圆表面灰度图中的最终关键像素点;
本发明提供另一种实施例:
根据每个采样尺度下的多个高斯采样图像的叠加图像中每个关键像素点的中心率,计算每个关键像素点作为最终关键像素点的权重;将权重大于权重阈值的关键像素点作为待检测晶圆表面灰度图中的最终关键像素点;
其中,计算每个关键像素点作为关键像素点的权重,具体为:
获取第一个采样尺度下的高斯采样图像中的叠加图像中每个关键像素点的中心率和第一权重的第一乘积,获取所有采样尺度下的高斯采样图像的叠加图像中该关键像素点的中心率的均值和第二权重的第二乘积,将第一乘积和第二乘积相加得到的值作为该关键像素点作为最终关键像素点的权重;
式中,表示每个关键像素点作为最终关键像素点的权重,为该关键像素点在第
一个采样尺度下的不同高斯采样图像的叠加图像中的中心率,为该关键像素点在不同采
样尺度下的不同高斯采样图像的叠加图像中的中心率的均值;
本实施例将第一个采样尺度下的不同高斯采样图像的叠加图像中的关键像素点作为最终关键点的权重设置为0.45,将不同尺度下的高斯采样图像的叠加图中的该关键像素点作为最终关键像素点的权重设置为0.55;
将其按照此权重分配的原因为:
在不同尺度下的高斯采样图像中,图像的模糊程度不同,因为缺陷的灰度值比正
常区域的灰度小,缺陷像素点的梯度变化大,相当于缺陷区域的像素点为强边缘,因此在不
同尺度下的高斯采样图像中,缺陷像素点随着采样尺度的变化较小,因此在每个尺度下的
每个高斯采样图像中都存在的种子像素点极有可能是缺陷区域的像素点,而正常区域的像
素点,随着采样尺度变化,模糊程度变化较大,因此将设置的更大;选择第一个采样图像
是因为此时像素点的模糊程度变化较小,所有的像素点都能识别到,不会出现某些像素点
在采样的过程中模糊程度太大而识别不清楚的情况,第一个采样图像包含的图像信息较为
准确。
需要说明的是,在不同采样尺度下的高斯采样图像关键点的筛选是一样的,因为关键点满足在每一个高斯采样图像中都存在,因此按照本模块,获得不同尺度下的高斯采样图像的关键像素点的中心率的均值作为最终关键像素点的权重,不同尺度进行图像的叠加,因此在叠加时,根据不同图像的尺度比例进行叠加,就能避免像素点出现错位的情况;
进一步的,根据每个关键像素点作为最终关键像素点的权重对关键像素点进行筛选:
S103.缺陷判断模块:用于将待检测晶圆表面灰度图中的最终关键像素点和标准晶圆表面灰度图中的关键像素点进行关键点匹配,根据匹配结果判断晶圆是否存在划痕缺陷,具体为:
根据得到的最终关键像素点对待检测晶圆表面灰度图像和标准晶圆表面灰度图像进行关键点匹配,因为在没有缺陷的图像(标准图像)中,匹配的成功率高,而待检测晶圆表面灰度图像有缺陷时,会出现新的关键像素点,而模板图像中没有关键像素点,因此匹配的成功率会降低,当匹配成功率大于匹配成功率阈值时,表示待检测晶圆没有划痕缺陷,当匹配成功率小于匹配成功率阈值时,表示待检测晶圆有划痕缺陷,本实施例中匹配成功率阈值为0.82,需要说明的是标准晶圆表面灰度图里面的关键像素点是通过关键点检测出来的。
需要说明的是,对晶圆表面划痕缺陷进行检测时,本发明通过图像匹配的方法进行检测,因为同一规格晶圆的表面图像的关键点是相似的,在进行关键点匹配的时候匹配率高。但是当有划痕缺陷后,会出现新的关键点,因此在进行关键点匹配的时候,匹配的成功率会降低,因此根据SIFT关键点匹配来判断晶圆表面是否存在划痕缺陷;在SIFT关键点筛选的过程中,需要对图像进行高斯采样,不同的尺度空间下筛选图像的关键点,使得最后筛选的关键点是图像的关键像素点,即特征点,因此,本发明在高斯采样的过程中,根据同一尺度下不同高斯采样图像,进行超像素分割,选取关键像素点,然后根据关键像素点的中心率,得到最终关键像素点的权重,根据权重选取最终关键像素点,使得模板匹配的成功率增大,提高了划痕缺陷检测的准确性。
S104.维修模块:用于对存在划痕缺陷的晶圆进行维修;
基本维修方法是通过在晶圆表面增加生长填充层将晶圆表面的划痕填满,再实施补充抛光工艺,从而无需研磨到凹陷的底部就能够获得平整的表面,完成对晶圆的划痕缺陷的修复,具体为:在晶圆表面增加填充层将晶圆表面全覆盖,其中填充层材料与晶圆材料一致,并且填满晶圆表面的由于划伤而形成的凹陷,然后研磨晶圆表面至目标厚度,即标准晶圆厚度,再进行抛光工艺,完成修复。
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 (7)
1.一种基于计算机视觉的半导体设备维修系统,其特征在于,包括:
图像处理模块:用于获取待检测晶圆的表面灰度图,并提取表面灰度图中的异常灰度值;
种子像素点确定模块:
用于对同一异常灰度值所包含的像素点进行密度聚类,得到多个聚类簇,将每个聚类簇作为一个像素点区域;
利用同一异常灰度值中密度最大的像素点区域中的中心像素点与密度最大的像素点区域中其他像素点之间的距离确定出同一异常灰度值中的种子像素点;
关键像素点选取模块:
用于对表面灰度图进行不同尺度的高斯下采样,得到每一个尺度下的多个高斯采样图像,利用种子像素点对每个高斯采样图像进行超像素分割,获取每个高斯采样图像的多个超像素块;
获取每个采样尺度下的多个高斯采样图像的叠加图像,获得叠加图像中重合的超像素块作为目标超像素块,将目标超像素块中重合的种子像素点,作为该采样尺度下的高斯采样图像的叠加图像中的关键像素点;
根据每个采样尺度下的高斯采样图像的叠加图像中每个关键像素点到该关键像素点所在目标超像素块中其他像素点之间的距离,计算每个关键像素点的中心率;
利用每个采样尺度下的高斯采样图像的叠加图像中每个关键像素点的中心率选取待检测晶圆表面灰度图中的最终关键像素点;
缺陷判断模块:用于将待检测晶圆表面灰度图中的最终关键像素点和标准晶圆表面灰度图中的关键像素点进行关键点匹配,根据匹配结果判断晶圆是否存在划痕缺陷;
维修模块:用于对存在划痕缺陷的晶圆进行维修。
2.根据权利要求1所述的一种基于计算机视觉的半导体设备维修系统,其特征在于,所述利用每个采样尺度下的高斯采样图像的叠加图像中每个关键像素点的中心率选取待检测晶圆表面灰度图中的最终关键像素点:
根据每个采样尺度下的多个高斯采样图像的叠加图像中每个关键像素点的中心率,计算每个关键像素点作为最终关键像素点的权重;
将权重大于权重阈值的关键像素点,作为待检测晶圆表面灰度图中的最终关键像素点。
3.根据权利要求2所述的一种基于计算机视觉的半导体设备维修系统,其特征在于,所述计算每个关键像素点作为最终关键像素点的权重:
设置第一权重和第二权重,且第一权重小于第二权重;
获取第一个采样尺度下的高斯采样图像中的叠加图像中每个关键像素点的中心率和第一权重的第一乘积;获取所有采样尺度下的高斯采样图像的叠加图像中该关键像素点的中心率的均值和第二权重的第二乘积;将第一乘积和第二乘积相加得到的值作为该关键像素点作为最终关键像素点的权重。
4.根据权利要求1所述的一种基于计算机视觉的半导体设备维修系统,其特征在于,所述计算每个关键像素点的中心率:
获取每个关键像素点到该关键像素点所在目标超像素块中的其他像素点之间的距离,得到距离序列;将距离序列中所有两个相邻距离的比值的均值作为该关键像素点的中心率。
5.根据权利要求1所述的一种基于计算机视觉的半导体设备维修系统,其特征在于,所述利用同一异常灰度值中密度最大的像素点区域中的中心像素点与密度最大的像素点区域中其他像素点之间的距离确定出同一异常灰度值中的种子像素点:
若同一异常灰度值中密度最大的像素点区域中的中心像素点与该区域中其他像素点之间的距离相等,则该中心像素点为同一异常灰度值中的种子像素点。
6.根据权利要求1所述的一种基于计算机视觉的半导体设备维修系统,其特征在于,所述根据匹配结果判断晶圆是否存在划痕缺陷:
当关键点匹配成功率大于匹配成功率阈值时,无划痕缺陷,否则,有划痕缺陷。
7.根据权利要求1所述的一种基于计算机视觉的半导体设备维修系统,其特征在于,所述提取表面灰度图中的异常灰度值:
获取待检测晶圆表面灰度图的灰度直方图,对灰度直方图进行阈值分割,将大于灰度阈值的灰度值作为异常灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310244536.7A CN115953407B (zh) | 2023-03-15 | 2023-03-15 | 基于计算机视觉的半导体设备维修系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310244536.7A CN115953407B (zh) | 2023-03-15 | 2023-03-15 | 基于计算机视觉的半导体设备维修系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115953407A CN115953407A (zh) | 2023-04-11 |
CN115953407B true CN115953407B (zh) | 2023-06-09 |
Family
ID=85907035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310244536.7A Active CN115953407B (zh) | 2023-03-15 | 2023-03-15 | 基于计算机视觉的半导体设备维修系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953407B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883446B (zh) * | 2023-09-08 | 2023-11-21 | 鲁冉光电(微山)有限公司 | 一种车载摄像头镜片碾磨程度实时监测系统 |
CN117078679B (zh) * | 2023-10-16 | 2023-12-15 | 东莞百舜机器人技术有限公司 | 一种基于机器视觉的散热风扇自动组装线生产检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101867A (zh) * | 2018-06-11 | 2018-12-28 | 平安科技(深圳)有限公司 | 一种图像匹配方法、装置、计算机设备及存储介质 |
JP2019168388A (ja) * | 2018-03-26 | 2019-10-03 | アズビル株式会社 | 画像検査方法および画像検査装置 |
CN112561849A (zh) * | 2019-09-26 | 2021-03-26 | 长鑫存储技术有限公司 | 晶圆缺陷检测方法 |
CN115100199A (zh) * | 2022-08-24 | 2022-09-23 | 宁波鑫芯微电子科技有限公司 | 一种晶圆低纹理缺陷的检测方法 |
CN115601362A (zh) * | 2022-12-14 | 2023-01-13 | 临沂农业科技职业学院(筹)(Cn) | 一种基于图像处理的焊接质量评估方法 |
-
2023
- 2023-03-15 CN CN202310244536.7A patent/CN115953407B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019168388A (ja) * | 2018-03-26 | 2019-10-03 | アズビル株式会社 | 画像検査方法および画像検査装置 |
CN109101867A (zh) * | 2018-06-11 | 2018-12-28 | 平安科技(深圳)有限公司 | 一种图像匹配方法、装置、计算机设备及存储介质 |
CN112561849A (zh) * | 2019-09-26 | 2021-03-26 | 长鑫存储技术有限公司 | 晶圆缺陷检测方法 |
CN115100199A (zh) * | 2022-08-24 | 2022-09-23 | 宁波鑫芯微电子科技有限公司 | 一种晶圆低纹理缺陷的检测方法 |
CN115601362A (zh) * | 2022-12-14 | 2023-01-13 | 临沂农业科技职业学院(筹)(Cn) | 一种基于图像处理的焊接质量评估方法 |
Non-Patent Citations (1)
Title |
---|
基于显著性检测的图像匹配;刘超;;北京信息科技大学学报(自然科学版);第31卷(第03期);第92-98页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115953407A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115953407B (zh) | 基于计算机视觉的半导体设备维修系统 | |
CN114723681B (zh) | 一种基于机器视觉的混凝土裂缝缺陷检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
US5012524A (en) | Automatic inspection method | |
CN107392232B (zh) | 一种浮选工况分类方法和系统 | |
CN105784713B (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
CN115100199B (zh) | 一种晶圆低纹理缺陷的检测方法 | |
US20130202188A1 (en) | Defect inspection method, defect inspection apparatus, program product and output unit | |
CN116596936B (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
CN115601364A (zh) | 基于图像分析的金手指电路板检测方法 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN108447050A (zh) | 一种基于超像素的工件表面缺陷分割方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN110189297B (zh) | 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法 | |
CN112991271B (zh) | 基于改进yolov3的铝型材表面缺陷视觉检测方法 | |
CN112508090A (zh) | 一种外包装缺陷检测方法 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN115861320B (zh) | 一种汽车零件加工信息智能检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN112258470B (zh) | 基于缺陷检测的工业图像临界压缩率智能分析系统及方法 | |
CN115082477B (zh) | 一种基于去反光效果的半导体晶圆加工质量检测方法 | |
CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
US20110164129A1 (en) | Method and a system for creating a reference image using unknown quality patterns | |
CN115290663A (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |