CN116026487A - 液面温度测量方法、装置、计算机设备和存储介质 - Google Patents
液面温度测量方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116026487A CN116026487A CN202310338004.XA CN202310338004A CN116026487A CN 116026487 A CN116026487 A CN 116026487A CN 202310338004 A CN202310338004 A CN 202310338004A CN 116026487 A CN116026487 A CN 116026487A
- Authority
- CN
- China
- Prior art keywords
- melting point
- temperature measurement
- temperature
- liquid level
- aperture
- 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.)
- Granted
Links
- 239000007788 liquid Substances 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000002844 melting Methods 0.000 claims abstract description 238
- 230000008018 melting Effects 0.000 claims abstract description 238
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 198
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 238000007405 data analysis Methods 0.000 claims abstract description 43
- 239000002131 composite material Substances 0.000 claims abstract description 13
- 238000010899 nucleation Methods 0.000 claims description 32
- 239000013078 crystal Substances 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 abstract description 14
- 238000005259 measurement Methods 0.000 abstract description 11
- 238000012549 training Methods 0.000 description 20
- 238000001514 detection method Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 12
- 238000003466 welding Methods 0.000 description 11
- 238000002372 labelling Methods 0.000 description 10
- 239000000155 melt Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000012768 molten material Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000012943 hotmelt Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本申请涉及一种液面温度测量方法、装置、计算机设备和存储介质。所述方法包括:获取待识别液面图像,所述待识别液面图像包括光圈和所述光圈上的熔点;将所述待识别液面图像输入至预先训练好的特征提取模型,得到光圈特征和熔点特征;将所述光圈特征和熔点特征输入至预先训练好的数据分析模型,得到基于所述熔点特征的第一温度测量结果,以及基于所述光圈特征和所述熔点特征的第二温度测量结果;基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果。采用本方法能够可以实现对液面温度的准确测量,达到提高液面温度测量准确率的效果。
Description
技术领域
本申请涉及单晶炉技术领域,特别是涉及一种液面温度测量方法、装置、计算机设备和存储介质。
背景技术
单晶硅是新能源及芯片产业的基础材料之一,在单晶硅的生产工艺中,液面温度值是影响成晶质量的关键因素之一。
引晶需要在溶液的液面温度达到熔接温度后进行,然而由于单晶硅生产工艺的特殊性,液面温度值无法通过普通的温度传感器进行测量。目前主流的测量方式是通过替代的测量方式,例如通过CCD相机进行像素分析得到温度值,或是由操作人员根据实际经验观测引晶特征的出现,并对测量值进行测量偏差的校准。可见,替代的测量方式存在偏差,而人工校准又由于时间和经验的影响,存在及时率低、标准不统一的问题。
可见,目前的液面温度测量方式仍存在温度测量准确率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高液面温度测量准确率的液面温度测量方法、装置、计算机设备和存储介质。
第一个方面,本实施例提供了一种液面温度测量方法,所述方法包括:
获取待识别液面图像,所述待识别液面图像包括光圈和所述光圈上的熔点;
将所述待识别液面图像输入至预先训练好的特征提取模型,得到光圈特征和熔点特征;
将所述光圈特征和熔点特征输入至预先训练好的数据分析模型,得到基于所述熔点特征的第一温度测量结果,以及基于所述光圈特征和所述熔点特征的第二温度测量结果;
基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果。
在其中一个实施例中,所述将所述待识别液面图像输入至预先训练好的特征提取模型还包括:
将所述待识别液面图像输入至预先训练好的分割模型,得到光圈图像;
将所述光圈图像输入至所述预先训练好的特征提取模型。
在其中一个实施例中,所述熔点分为低温熔点、正常熔点和高温熔点三个类别,所述正常熔点为预设温度范围内的熔点;所述数据分析模型还用于:
基于所述熔点特征确定所述熔点的类别;
基于所述熔点的类别确定第一温度测量结果。
在其中一个实施例中,所述基于所述熔点的类别确定第一温度测量结果包括:
若所述熔点为正常熔点,则当前液面温度达到预设温度值;若所述熔点为低温熔点或高温熔点,则当前液面温度未达到预设温度值。
在其中一个实施例中,所述基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果包括:
若所述第一温度测量结果和所述第二温度测量结果均为达到预设温度值,则确定所述综合温度测量结果为当前温度值达到预设温度值。
在其中一个实施例中,所述数据分析模型还用于基于所述熔点特征和光圈特征确定当前的引晶条件符合情况;
所述基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果之后还包括:
基于所述综合温度测量结果和所述引晶条件符合情况确定是否进入引晶工序。
在其中一个实施例中,所述基于所述第一温度测量结果和所述第二温度测量结果确定当前温度值之后还包括:
基于所述综合温度测量结果对单晶炉的温度测量值进行修正。
第二个方面,本实施例提供了一种液面温度测量装置,所述装置包括:
获取模块,用于获取待识别液面图像,所述待识别液面图像包括光圈和所述光圈上的熔点;
提取模块,用于将所述待识别液面图像输入至预先训练好的特征提取模型,得到光圈特征和熔点特征;
分析模块,用于将所述光圈特征和所述熔点特征输入至预先训练好的数据分析模型,得到基于所述熔点特征的第一温度测量结果,以及基于所述光圈特征和所述熔点特征的第二温度测量结果;
确定模块,用于基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果。
第三个方面,本实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四个方面,本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
上述液面温度测量方法、装置、计算机设备和存储介质,通过获取待识别液面图像,所述待识别液面图像包括光圈和所述光圈上的熔点;将所述待识别液面图像输入至预先训练好的特征提取模型,得到光圈特征和熔点特征;将所述光圈特征和熔点特征输入至预先训练好的数据分析模型,得到基于所述熔点特征的第一温度测量结果,以及基于所述光圈特征和所述熔点特征的第二温度测量结果;基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果,通过基于熔点特征的温度测量结果以及基于熔点特征和光圈特征的温度测量结果共同判断综合温度测量结果,可以实现对液面温度的准确测量,达到提高液面温度测量准确率的效果。
附图说明
图1为一个实施例中液面温度测量方法的应用环境图;
图2为一个实施例中液面温度测量方法的流程示意图;
图3为另一个实施例中液面温度测量方法的流程示意图;
图4为另一个实施例中目标检测和语义分割标注方式的示意图;
图5为另一个实施例中液面温度测量方法的流程示意图;
图6为一个实施例中液面温度测量装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的液面温度测量方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端102通过网络从服务器104中获取待识别液面图像,所述待识别液面图像包括光圈和所述光圈的熔点;将所述待识别液面图像输入至预先训练好的特征提取模型,得到光圈特征和熔点特征;将所述光圈特征和熔点特征输入至预先训练好的数据分析模型,得到基于所述熔点特征的第一温度测量结果,以及基于所述光圈特征和所述熔点特征的第二温度测量结果;基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果;其中,特征提取模型和数据分析模型可以是基于存储于服务器104上数据存储系统内的数据训练得到。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种液面温度测量方法,以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
第一个方面,本实施例提供了一种液面温度测量方法,所述方法包括:
步骤S100,获取待识别液面图像,所述待识别液面图像包括光圈和所述光圈上的熔点。
其中,待识别液面图像为单晶炉内熔料液面的图像,该图像可以通过设置于单晶炉内的图像采集装置进行采集。待识别液面图像可以是实时图像进行温度的实时测量,也可以是作为历史图像用于温度测量结果的检验。在过热熔接过程中,需要在熔料液面的液面温度达到熔接温度后降下籽晶,使籽晶与熔料液面相接触。光圈和光圈上的熔点即为籽晶与熔料液面相接触后,在接触位置产生的引晶特征。
步骤S200,将所述待识别液面图像输入至预先训练好的特征提取模型,得到光圈特征和熔点特征。
其中,特征提取模型可以是基于深度学习神经网络搭建而成。通过采集一定数量的标注有光圈和熔点的液面图像,基于已标注的液面图像以及对应图像建立的特征数据库可以训练得到该特征提取模型。该液面图像可以是熔接过热完成后所采集的图像。进一步的,还可以将液面图像随机区分为训练集、验证集和测试集对特征提取模型进行训练。
特征提取模型还可以包括多个特征提取网络,该多个特征提取网络可以是基于相同的深度学习神经网络搭建的,也可以是基于实际需要基于不同的深度学习神经网络搭建而成。通过多个特征提取网络可以实现不同类型特征的分别提取,基于实际需求选择不同深度学习神经网络搭建特征提取网络,还可以提高不同类型特征的识别准确率。
进一步的,光圈特征可以包括光圈亮度、光圈高度、光圈宽度和光圈厚度的一种或多种。熔点特征可以包括熔点面积、熔点亮度、熔点数量的一种或多种。
步骤S300,将所述光圈特征和熔点特征输入至预先训练好的数据分析模型,得到基于所述熔点特征的第一温度测量结果,以及基于所述光圈特征和所述熔点特征的第二温度测量结果。
其中,数据分析模型可以是基于深度学习神经网络搭建而成。通过采集一定数量的光圈特征和熔点特征以及对应的结果标签可以训练得到该数据分析模型。该光圈特征和熔点特征可以是由已标注的液面图像提取出的特征作为训练数据。进一步的,还可以将光圈特征、熔点特征和结果标签随机分为训练集、验证集和测试集对数据分析模型进行训练。
数据分析模型可以是包括多个数据分析网络,该多个数据分析网络可以是基于相同的深度学习神经网络搭建,也可以是基于实际需要基于不同的深度学习神经网络搭建而成。通过多个特征提取网络可以实现不同测量结果的分别分析,基于实际需求选择不同深度学习神经网络搭建特征提取网络,还可以提高不同测量结果的分析准确率。
第一温度测量结果是基于熔点特征分析得到的,以熔点特征作为参考分析得到熔料液面的温度状态。第二温度测量结果是基于光圈特征和熔点特征共同分析得到的,是以光圈特征和熔点特征作为参考分析得到熔料液面的温度状态。温度测量结果可以是具体的温度值,也可以是一个温度范围区间,还可以是针对温度是否达到预设温度值的判断结果,还可以是其他熔料液面温度的表达方式,本文对此不作限定。
步骤S400,基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果。
可以理解的是,基于熔点特征分析得到的温度测量结果与基于熔点特征和光圈特征共同分析得到的温度测量结果,其测量结果可能并不相同,因此需要结合第一温度测量结果和第二温度测量结果对熔料液面温度进行判断。
当温度测量结果为具体的温度值、或温度范围区间时,基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果,可以是基于第一温度测量结果和第二温度测量结果的平均值或中位值确定熔料液面温度;也可以是基于温度范围区间的最高值的平均值、以及最低值的平均值确定平均温度范围,基于平均温度范围确定熔料液面温度;还可以是基于两个温度范围区间的中位值计算平均值,基于得到的平均值确定熔料液面温度;还可以是其他通过温度值或温度范围区间确定熔料液面温度的方法,本文对此不作限定。
当温度测量结果为温度是否达到预设温度值的判断结果时,基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果,可以是当第一温度测量结果和第二温度测量结果中的一个判断达到预设温度值,即确定综合温度测量结果为当前温度值达到预设温度值,也可以是只有两个温度测量结果均判断达到预设温度值,才确定综合温度测量结果为当前温度值达到预设温度值。
预设温度值为熔接过热完成的合适温度,可以是基于先验知识确定,也可以是基于实际需求进行设置,本文对此不作限定。
本实施例提供的一种液面温度测量方法,通过获取待识别液面图像,所述待识别液面图像包括光圈和所述光圈上的熔点;将所述待识别液面图像输入至预先训练好的特征提取模型,得到光圈特征和熔点特征;将所述光圈特征和熔点特征输入至预先训练好的数据分析模型,得到基于所述熔点特征的第一温度测量结果,以及基于所述光圈特征和所述熔点特征的第二温度测量结果;基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果,通过基于熔点特征的温度测量结果以及基于熔点特征和光圈特征的温度测量结果共同判断综合温度测量结果,可以实现对液面温度的准确测量,达到提高液面温度测量准确率的效果。
在其中一个实施例中,所述将所述待识别液面图像输入至预先训练好的特征提取模型还包括:
将所述待识别液面图像输入至预先训练好的分割模型,得到光圈图像;
将所述光圈图像输入至所述预先训练好的特征提取模型。
可以理解的是,若待识别液面图像为图像采集装置采集的单晶炉内整体画面,则光圈画面仅占待识别液面图像的很小一部分,在目标较小的情况下,将待识别液面图像输入至特征提取网络中则可能出现识别错误以及计算量较大的问题,不仅会降低温度测量的准确率,也会削弱温度测量的及时性。同时,由于熔点与光圈的重合度较大,可以先对待识别液面图像进行分割,而后对分割得到的光圈图像进行进一步特征提取。
分割模型可以是基于一组已标注光圈的液面图像训练得到,其标注方式可以是以矩形框或区域坐标的形式标注,也可以是以多边形框或曲线框等表示范围或轮廓的框线进行标注。在一个具体实施例中,已标注光圈的液面图像,可以是通过VGG Image Annotator对液面图像中的光圈采用多边形轮廓框的方式实现标注,定义其类别为光圈。
分割得到的光圈图像可以是经过标注的图像,也可以是基于所在区域或轮廓框裁剪得到的图像。进一步的,通过多边形轮廓框分割光圈图像,可以采用语义分割模型进行。
本实施例提供的一种液面温度测量方法,通过对待识别液面图像预先进行分割再输入至特征提取模型,可以降低特征提取出错的可能性、以及降低特征提取所需的计算量,达到提高温度测量准确率的效果。
在其中一个实施例中,所述熔点分为低温熔点、正常熔点和高温熔点三个类别,所述正常熔点为预设温度范围内的熔点;所述数据分析模型还用于:
基于所述熔点特征确定所述熔点的类别;
基于所述熔点的类别确定第一温度测量结果。
可以理解的是,在过热熔接过程中,当液面温度达到引晶的合适温度时,熔点也将达到合适的状态,熔点状态是否合适可以是通过熔点大小、熔点亮度等进行判断。
在搭建数据分析模型时,可以采用预设数量的已标注熔点的液面图像进行训练,其中还包括对低温熔点、正常熔点和高温熔点的标注。三个类别的熔点标注可以是人工按照熔点大小、熔点亮度等进行判断后标注。同时,由于低温熔点、正常熔点和高温熔点对晶体后续的生长速度和形态所产生的影响也并不相同,因此可以通过晶体后续生长速度和形态来确保训练数据中液面图像标注的准确性。进一步的,还可以将已标注熔点的液面图像随即区分为训练集、验证集以及测试集对数据分析模型进行训练,以提高数据分析的准确率。在一个具体实施例中,数据分析模型可以采用卷积神经网络进行训练,并通过训练后的数据分析模型对待识别液面图像中的熔点特征进行类别分析,确定熔点的类别。在一个具体实施例中,正常熔点的预设温度范围是基于1450.5℃的温度值和参考误差确定的预设温度范围,参考误差可以是人为设置,也可以是基于先验知识确定,本文对此不作限定。
当液面图像中仅包括一个熔点时,基于熔点的类别确定第一温度测量结果,可以是根据该熔点是否为正常熔点以确定第一温度测量结果。第一温度测量结果还可以是基于液面图像中是否存在正常熔点以确定第一温度测量结果。
当液面图像中包括多个熔点时,可以是基于液面图像中不同类别熔点数量占熔点总数量的比例确定第一温度测量结果,例如,可以以正常熔点占比是否超过预设阈值以确定第一温度测量结果,还可以是基于低温熔点和高温熔点的数量或占比确定与预设温度值的偏差,从而基于偏差确定第一温度测量结果,还可以是其他基于低温熔点、正常熔点和高温熔点确定当前液面温度的方式,本文对此不作限定。
可以理解的是,熔点的类别可以是与特定的温度值相对应,即当熔点为低温熔点、正常熔点或高温熔点时,分别确定对应的温度值。当液面图像中存在多个熔点时,基于熔点的类别确定第一温度测量结果,还可以是基于不同类别熔点对应的温度值,以各类别熔点对应的权值和温度值计算综合温度值,基于综合温度值确定第一温度测量结果。
本实施例提供的一种液面温度测量方法,通过将熔点分为低温熔点、正常熔点和高温熔点三个类别,基于熔点特征确定熔点类别,再基于熔点类别确定第一测量结果,可以实现基于熔点对液面温度值的判断。
在其中一个实施例中,所述基于所述熔点的类别确定第一温度测量结果包括:
若所述熔点为正常熔点,则当前液面温度达到预设温度值;若所述熔点为低温熔点或高温熔点,则当前液面温度未达到预设温度值。
在本实施例中,温度测量结果为液面温度是否达到预设温度值的判断结果。当熔点为正常熔点时,代表液面温度到达合适温度,则可以判断当前液面温度到达预设温度值。进一步的,当液面图像中包括多个熔点时,可以根据正常熔点数量占总熔点数量的比例判断是否达到预设温度值,若比例超过预设阈值,则可以确定当前液面温度达到预设温度值。
本实施例提供的一种液面温度测量方法,通过基于熔点类型判断液面温度是否达到预设温度值,即通过是否到达预设温度值的两极判断,可以在实现过热熔接过程中对合适温度判断的同时,减少温度不合适情况下的计算,可以达到提高温度测量效率的效果。
在其中一个实施例中,所述基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果包括:
若所述第一温度测量结果和所述第二温度测量结果均为达到预设温度值,则确定综合温度测量结果为当前温度值达到预设温度值。
其中,第一温度测量结果和第二温度测量结果可以是具体温度值,也可以是对当前液面温度是否达到预设温度值的判断结果。进一步的,所述第一温度测量结果和第二温度测量结果均达到预设温度值,可以是结果中的具体温度值均达到预设温度值,也可以是两个判断结果均为达到预设温度值。
本实施例提供的一种液面温度测量方法,通过在第一温度测量结果和第二温度测量结果均达到预设温度值的情况下,确定综合温度测量结果为当前温度达到预设温度值,可以实现基于两个温度测量结果的综合判断,达到提高温度测量准确率的效果。
在其中一个实施例中,所述数据分析模型还用于基于所述熔点特征和光圈特征确定当前的引晶条件符合情况;
所述基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果之后还包括:
基于所述综合温度测量结果和所述引晶条件符合情况确定是否进入引晶工序。
可以理解的是,在进入引晶工序之前,除了液面温度需要达到合适的温度之外,熔点特征和光圈特征也需要进入合适的状态,例如,当达到合适的引晶时机,光圈上可能出现若干个面积较小的清晰稳定的熔点,光圈的厚度也将达到一定程度,因此可以通过数据分析模型对熔点特征和光圈特征进行判断来确定当前的引晶条件符合情况。
其中,可以在数据分析模型的搭建过程中,在训练数据加入是否符合引晶条件的判断。在判断当前液面温度达到预设温度值后,数据分析模型基于光圈特征和熔点特征分析得到是否符合引晶条件的判断结果。在具体实施过程中,是否符合引晶条件的判断结果可以在数据分析模型对光圈特征和熔点特征分析得到第二温度测量结果的时候一并给出。
在基于第一温度测量结果和第二温度测量结果确定综合温度测量结果之后,基于综合温度测量结果和引晶条件符合情况确定是否进入引晶工序,可以是当当前温度值达到预设温度值、且符合引晶条件时,确定进入引晶工序。
本实施例提供的一种液面温度测量方法,通过基于综合温度测量结果和引晶条件符合情况确定是否进入引晶工序,可以实现过热熔接到引晶的自动化,减少技术人员主观判断对晶体品质的影响,达到提高晶体品质的效果。
在其中一个实施例中,所述基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果之后还包括:
基于所述综合温度测量结果对单晶炉的温度测量值进行修正。
可以理解的是,由于普通的温度传感器无法对液面温度进行测量,目前主流的温度测量方法是通过CCD相机进行图像识别,例如对液面亮度值等参数进行分析得到,因此仍然可能存在测量偏差。而目前的操作人员则通过观测熔点、光圈等特征判断液面温度是否达到预设温度值,并在达到预设温度值的时候,对当前测量得到的温度测量值进行修正,即通过人工的方式对机器测量结果进行修正。
其中,基于所述综合温度测量结果对所述单晶炉的温度测量值进行修正,可以是基于综合温度测量结果直接进行修正,也可以是以综合温度测量结果中的温度值为条件,当温度值达到预设温度值之后,再对单晶炉的温度测量值进行修正。
本实施例提供的一种液面温度测量方法,通过综合温度测量结果对单晶炉的温度测量值进行修正,可以实现温度测量偏差修正的自动化,可以达到提高晶体品质的效果。
为了更详细地阐述本申请的技术方案,本申请还提供了一个详细实施例,如图3所示,本实施例的液面温度测量方法包括:
对训练所需的数据进行采集与处理,包括:
使用CCD相机采集不少于1000张现场单晶硅熔接工艺过热完成后的图像,该图像中包含光圈,且包含熔点的图像比例占90%。采用VGG Image Annotator工具对采集到的图像进行特征标注,包括目标检测标注和语义分割标注。
如图4所示,目标检测标注包括对光圈和熔点进行矩形框标注,对熔点的标注内容包括低温熔点、正常熔点和高温熔点三个类别;语义分割标注包括采用多边形轮廓框对光圈进行标注,并定义其类别为光圈。对上述训练数据随机区分为训练集、验证集和测试集。
采集不少于1000条的熔接工艺过热完成后的光圈以及熔点的特征数据以及结果标签,随机区分训练集、验证集以及测试集;其中,该光圈特征和熔点特征可以是基于所采集的图像得到,也可以是由实验数据经过人工筛选得到。
其中,光圈特征可以包括光圈亮度、光圈高度、光圈宽度和光圈厚度;熔点特征可以包括熔点面积值;结果标签包括熔点特征对应的熔点类别,该类别的判断可以有人工通过经验判断提供。
上述训练集、验证集和测试集中训练数据的比例可以为7:2:1。
完成训练数据的处理后,基于训练数据搭建基于深度学习神经网络的相关模型,包括:
搭建基于深度学习神经网络的目标检测模型,目标检测模型需要具备对无熔点、高温熔点、正常熔点、低温熔点四个类别的识别能力;使用目标检测标注过的液面图像以及其对应图像建立的特征数据库进行训练并生成实际的目标检测模型。
其中,目标检测模型可以包括特征提取网络和分类回归网络。特征提取网络用于熔点特征的提取;分类回归网络用于基于熔点特征进行熔点类别的区分,并基于熔点类别确定校准时机的判断。可以理解的是,熔点类别对应于当前液面温度值,当液面温度值处于合适温度时,则可以视为合适的校准时机。
具体的,特征提取网络还包括两个阶段的检测,并分为视觉目标检测模型1和视觉目标检测模型2,其中,视觉目标检测模型1在第一阶段对光圈所在的区域进行检测,并对待识别液面图像进行裁剪得到光圈图像,视觉目标检测模型2在第二阶段对熔点进行检测,并进行熔点特征的提取。
搭建基于深度学习神经网络的语义分割模型,模型需要具备对熔接过程中的光圈的精确分割能力;使用语义分割标注过的液面图像以及对应的图像建立的特征数据库进行训练并生成语义分割模型。在一个具体实施例中,语义分割模型采用的是UNet网络,可以实现光圈的语义特征提取,得到分割出的光圈像素值信息。
搭建基于深度学习神经网络的数据分析预测模型,使用熔接工艺过热完成后的光圈以及熔点的特征数据以及结果标签生成数据分析预测模型。在一个具体实施例中,数据分析预测模型采用的是CNN模型。
如图3和图5所示,当接收到实时获取的待识别液面图像时,将待识别液面图像和测得的液面温度值分别输入到目标检测模型和语义分割模型中,目标检测模型基于待识别液面图像进行裁剪得到光圈图像,并反馈从光圈图像中提取的熔点的特征信息,以及基于熔点特征的第一温度测量结果,即是否对测得温度值进行修正的校准时机判断结果;语义分割模型基于裁剪得到的光圈图像反馈所提取的光圈的特征信息。
将熔点特征和光圈特征输入到数据分析预测模型中,得到基于熔点特征和光圈特征的第二温度测量结果,即是否对测得温度值进行修正的校准时机判断结果。若目标检测模型的校准时机判断结果和数据分析预测模型的校准时机判断结果,均为当前时刻属于合适的校准时机,即均达到了预期的液面温度值,则输出校准值,修正温度测量值;反之,则当前时刻不是合适的校准时机。
在其中一些实施例中,待识别液面图像的采集频率为每秒一张。
在其中一些实施例中,将熔点特征和光圈特征输入到数据分析预测模型中,还包括将测得的液面温度值输入到数据分析预测模型中,将预设温度值与测量温度值进行比较,若两者的差值超过预设阈值,则判断需要对温度进行修正,则输出校准值,修正温度测量值。
在其中一些实施例中,预期的液面温度值为1450.5℃。
本实施例提供的一种液面温度测量方法,通过基于熔点特征的温度测量结果以及基于熔点特征和光圈特征的温度测量结果共同判断综合温度测量结果,可以实现对液面温度的准确测量,达到提高液面温度测量准确率的效果;通过对待识别液面图像预先进行分割再输入至特征提取模型,可以降低特征提取出错的可能性、以及降低特征提取所需的计算量,达到提高温度测量准确率的效果;通过将熔点分为低温熔点、正常熔点和高温熔点三个类别,基于熔点特征确定熔点类别,在基于熔点类别确定第一测量结果,可以实现基于熔点对液面温度值的判断;通过是否到达预设温度值的两极判断,可以在实现过热熔接过程中对合适温度判断的同时,减少温度不合适情况下的计算,可以达到提高温度测量效率的效果;通过在第一温度测量结果和第二温度测量结果均达到预设温度值的情况下,确定当前温度达到预设温度值,可以实现基于两个温度测量结果的综合判断,达到提高温度测量准确率的效果;通过综合温度测量结果和引晶条件符合情况确定是否进入引晶工序,可以实现过热熔接到引晶的自动化,减少技术人员主观判断对晶体品质的影响,达到提高晶体品质的效果;通过综合温度测量结果对单晶炉的温度测量值进行修正,可以实现温度测量偏差修正的自动化,可以达到提高晶体品质的效果。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的液面温度测量方法的液面温度测量装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个液面温度测量装置实施例中的具体限定可以参见上文中对于液面温度测量方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种液面温度测量装置,包括:获取模块、检测模块、分析模块和确定模块,其中:
获取模块100,用于获取待识别液面图像,所述待识别液面图像包括光圈和所述光圈上的熔点;
提取模块200,用于将所述待识别液面图像输入至预先训练好的特征提取模型,得到光圈特征和熔点特征;
分析模块300,用于将所述光圈特征和所述熔点特征输入至预先训练好的数据分析模型,得到基于所述熔点特征的第一温度测量结果,以及基于所述光圈特征和所述熔点特征的第二温度测量结果;
确定模块400,用于基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果。
在其中一个实施例中,所述提取模块200还用于:将所述待识别液面图像输入至预先训练好的分割模型,得到光圈图像;将所述光圈图像输入至所述预先训练好的特征提取模型。
在其中一个实施例中,所述熔点分为低温熔点、正常熔点和高温熔点三个类别,所述正常熔点为预设温度范围内的熔点;所述数据分析模型还用于:基于所述熔点特征确定所述熔点的类别;基于所述熔点的类别确定第一温度测量结果。
在其中一个实施例中,所述数据分析模型还用于:若所述熔点为正常熔点,则当前液面温度达到预设温度值;若所述熔点为低温熔点或高温熔点,则当前液面温度未达到预设温度值。
在其中一个实施例中,所述确定模块400还用于:若所述第一温度测量结果和所述第二温度测量结果均为达到预设温度值,则确定所述综合温度测量结果为当前温度值达到预设温度值。
在其中一个实施例中,所述数据分析模型还用于基于所述熔点特征和光圈特征确定当前的引晶条件符合情况;所述装置还包括工序调整模块,用于基于所述综合温度测量结果和所述引晶条件符合情况确定是否进入引晶工序。
在其中一个实施例中,所述装置还包括修正模块,所述修正模块用于基于所述综合温度测量结果对单晶炉的温度测量值进行修正。
上述液面温度测量装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种液面温度测量方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待识别液面图像,所述待识别液面图像包括光圈和所述光圈上的熔点;
将所述待识别液面图像输入至预先训练好的特征提取模型,得到光圈特征和熔点特征;
将所述光圈特征和熔点特征输入至预先训练好的数据分析模型,得到基于所述熔点特征的第一温度测量结果,以及基于所述光圈特征和所述熔点特征的第二温度测量结果;
基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果。
在一个实施例中,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实现以下步骤:
获取待识别液面图像,所述待识别液面图像包括光圈和所述光圈上的熔点;
将所述待识别液面图像输入至预先训练好的特征提取模型,得到光圈特征和熔点特征;
将所述光圈特征和熔点特征输入至预先训练好的数据分析模型,得到基于所述熔点特征的第一温度测量结果,以及基于所述光圈特征和所述熔点特征的第二温度测量结果;
基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种液面温度测量方法,其特征在于,所述方法包括:
获取待识别液面图像,所述待识别液面图像包括光圈和所述光圈上的熔点;
将所述待识别液面图像输入至预先训练好的特征提取模型,得到光圈特征和熔点特征;
将所述光圈特征和熔点特征输入至预先训练好的数据分析模型,得到基于所述熔点特征的第一温度测量结果,以及基于所述光圈特征和所述熔点特征的第二温度测量结果;
基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果。
2.根据权利要求1所述的液面温度测量方法,其特征在于,所述将所述待识别液面图像输入至预先训练好的特征提取模型还包括:
将所述待识别液面图像输入至预先训练好的分割模型,得到光圈图像;
将所述光圈图像输入至所述预先训练好的特征提取模型。
3.根据权利要求1所述的液面温度测量方法,其特征在于,所述熔点分为低温熔点、正常熔点和高温熔点三个类别,所述正常熔点为预设温度范围内的熔点;所述数据分析模型还用于:
基于所述熔点特征确定所述熔点的类别;
基于所述熔点的类别确定第一温度测量结果。
4.根据权利要求3所述的液面温度测量方法,其特征在于,所述基于所述熔点的类别确定第一温度测量结果包括:
若所述熔点为正常熔点,则当前液面温度达到预设温度值;若所述熔点为低温熔点或高温熔点,则当前液面温度未达到预设温度值。
5.根据权利要求1所述的方法,其特征在于,所述基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果包括:
若所述第一温度测量结果和所述第二温度测量结果均为达到预设温度值,则确定所述综合温度测量结果为当前温度值达到预设温度值。
6.根据权利要求1所述的方法,其特征在于,所述数据分析模型还用于基于所述熔点特征和光圈特征确定当前的引晶条件符合情况;
所述基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果之后还包括:
基于所述综合温度测量结果和所述引晶条件符合情况确定是否进入引晶工序。
7.根据权利要求1所述的方法,其特征在于,所述基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果之后还包括:
基于所述综合温度测量结果对单晶炉的温度测量值进行修正。
8.一种液面温度测量装置,其特征在于,所述装置包括:
获取模块,用于获取待识别液面图像,所述待识别液面图像包括光圈和所述光圈上的熔点;
提取模块,用于将所述待识别液面图像输入至预先训练好的特征提取模型,得到光圈特征和熔点特征;
分析模块,用于将所述光圈特征和所述熔点特征输入至预先训练好的数据分析模型,得到基于所述熔点特征的第一温度测量结果,以及基于所述光圈特征和所述熔点特征的第二温度测量结果;
确定模块,用于基于所述第一温度测量结果和所述第二温度测量结果确定综合温度测量结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至权利要求7中任一项所述的方法的步骤。
10.一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实现权利要求1至权利要求7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310338004.XA CN116026487B (zh) | 2023-03-31 | 2023-03-31 | 液面温度测量方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310338004.XA CN116026487B (zh) | 2023-03-31 | 2023-03-31 | 液面温度测量方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116026487A true CN116026487A (zh) | 2023-04-28 |
CN116026487B CN116026487B (zh) | 2023-08-08 |
Family
ID=86072712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310338004.XA Active CN116026487B (zh) | 2023-03-31 | 2023-03-31 | 液面温度测量方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116026487B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934727A (zh) * | 2023-07-28 | 2023-10-24 | 保定景欣电气有限公司 | 一种拉晶过程中籽晶熔接控制方法、装置及电子设备 |
Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06305879A (ja) * | 1993-04-15 | 1994-11-01 | Nippon Steel Corp | 単結晶引上げ装置 |
US20030142722A1 (en) * | 2000-06-26 | 2003-07-31 | Takeshi Azami | Method and apparatus for measuring temperature |
CN101226050A (zh) * | 2008-01-08 | 2008-07-23 | 西安理工大学 | 基于数字信号处理器的双相机直拉单晶直径测量方法 |
CN101319365A (zh) * | 2008-06-19 | 2008-12-10 | 浙江碧晶科技有限公司 | 一种硅晶体的生产方法 |
CN101407937A (zh) * | 2008-10-30 | 2009-04-15 | 上虞晶盛机电工程有限公司 | 直拉式单晶炉中晶体与熔硅液面熔接状态自动检测装置 |
JP2009161400A (ja) * | 2008-01-08 | 2009-07-23 | Shin Etsu Handotai Co Ltd | シリコン単結晶の製造方法及びシリコン単結晶製造装置 |
CN101748477A (zh) * | 2008-12-19 | 2010-06-23 | 北京太克易航科贸有限公司 | 用于单晶硅生长过程控制的智能pid控制方法及其系统 |
CN101782414A (zh) * | 2010-01-28 | 2010-07-21 | 杭州慧翔电液技术开发有限公司 | 直拉硅单晶炉的硅熔体液面位置及单晶棒直径的测量方法 |
CN102134739A (zh) * | 2011-03-08 | 2011-07-27 | 宁夏日晶新能源装备股份有限公司 | 单晶炉自动引晶系统及方法 |
CN102586864A (zh) * | 2012-03-22 | 2012-07-18 | 常州拜尔光电设备有限公司 | 单晶炉引晶温度寻找和控制方法 |
CN102703967A (zh) * | 2012-06-05 | 2012-10-03 | 湖南红太阳光电科技有限公司 | 一种多晶铸锭炉热电偶装置 |
CN202543396U (zh) * | 2012-02-29 | 2012-11-21 | 宁夏日晶新能源装备股份有限公司 | 单晶炉液面测温装置 |
CN102877120A (zh) * | 2012-09-29 | 2013-01-16 | 浙江东晶光电科技有限公司 | 泡生法生长蓝宝石晶体的自动引晶技术 |
CN202974479U (zh) * | 2012-11-19 | 2013-06-05 | 昱成光能股份有限公司 | 测温装置 |
CN103290486A (zh) * | 2012-02-29 | 2013-09-11 | 宁夏日晶新能源装备股份有限公司 | 单晶炉液面测温装置 |
CN104451862A (zh) * | 2015-01-16 | 2015-03-25 | 苏州恒嘉晶体材料有限公司 | 一种蓝宝石单晶炉和蓝宝石引晶方法 |
CN107142516A (zh) * | 2017-06-16 | 2017-09-08 | 内蒙古中环光伏材料有限公司 | 一种热炉内用于直拉单晶时的液面定位装置 |
CN109023511A (zh) * | 2018-08-29 | 2018-12-18 | 内蒙古中环协鑫光伏材料有限公司 | 一种直拉单晶大尺寸热场快速稳温的工艺方法 |
CN110284186A (zh) * | 2019-07-30 | 2019-09-27 | 刘冬雯 | 一种直拉单晶炉及其纵向温度梯度的测定控制方法 |
CN110528069A (zh) * | 2018-05-25 | 2019-12-03 | 隆基绿能科技股份有限公司 | 一种直拉硅单晶的自动调温方法 |
CN212582034U (zh) * | 2020-04-24 | 2021-02-23 | 内蒙古中环协鑫光伏材料有限公司 | 一种单晶炉 |
CN113112493A (zh) * | 2021-04-29 | 2021-07-13 | 北京图知天下科技有限责任公司 | 引晶亮度的计算方法、系统、终端设备及存储介质 |
CN113136620A (zh) * | 2021-04-26 | 2021-07-20 | 曲靖晶龙电子材料有限公司 | 一种单晶炉加热系统的控制方法 |
CN113282878A (zh) * | 2021-04-12 | 2021-08-20 | 上海新昇半导体科技有限公司 | 确定单晶炉引晶温度的方法及直拉法制备单晶硅的方法 |
CN113913923A (zh) * | 2021-09-08 | 2022-01-11 | 包头美科硅能源有限公司 | 一种单晶炉自动调温方法 |
CN216304033U (zh) * | 2021-12-09 | 2022-04-15 | 西安奕斯伟材料科技有限公司 | 监控单晶炉中硅熔液的液面的状态及坩埚的状态的系统 |
CN114990688A (zh) * | 2022-06-28 | 2022-09-02 | 西安奕斯伟材料科技有限公司 | 单晶体直径控制方法及装置、单晶硅拉晶炉 |
CN115467014A (zh) * | 2022-10-10 | 2022-12-13 | 浙江求是半导体设备有限公司 | 单晶硅制备装置及方法 |
CN115491756A (zh) * | 2022-11-18 | 2022-12-20 | 浙江晶盛机电股份有限公司 | 晶炉晶体生长调控方法、装置、计算机设备和存储介质 |
-
2023
- 2023-03-31 CN CN202310338004.XA patent/CN116026487B/zh active Active
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06305879A (ja) * | 1993-04-15 | 1994-11-01 | Nippon Steel Corp | 単結晶引上げ装置 |
US20030142722A1 (en) * | 2000-06-26 | 2003-07-31 | Takeshi Azami | Method and apparatus for measuring temperature |
CN101226050A (zh) * | 2008-01-08 | 2008-07-23 | 西安理工大学 | 基于数字信号处理器的双相机直拉单晶直径测量方法 |
JP2009161400A (ja) * | 2008-01-08 | 2009-07-23 | Shin Etsu Handotai Co Ltd | シリコン単結晶の製造方法及びシリコン単結晶製造装置 |
CN101319365A (zh) * | 2008-06-19 | 2008-12-10 | 浙江碧晶科技有限公司 | 一种硅晶体的生产方法 |
CN101407937A (zh) * | 2008-10-30 | 2009-04-15 | 上虞晶盛机电工程有限公司 | 直拉式单晶炉中晶体与熔硅液面熔接状态自动检测装置 |
CN101748477A (zh) * | 2008-12-19 | 2010-06-23 | 北京太克易航科贸有限公司 | 用于单晶硅生长过程控制的智能pid控制方法及其系统 |
CN101782414A (zh) * | 2010-01-28 | 2010-07-21 | 杭州慧翔电液技术开发有限公司 | 直拉硅单晶炉的硅熔体液面位置及单晶棒直径的测量方法 |
CN102134739A (zh) * | 2011-03-08 | 2011-07-27 | 宁夏日晶新能源装备股份有限公司 | 单晶炉自动引晶系统及方法 |
CN103290486A (zh) * | 2012-02-29 | 2013-09-11 | 宁夏日晶新能源装备股份有限公司 | 单晶炉液面测温装置 |
CN202543396U (zh) * | 2012-02-29 | 2012-11-21 | 宁夏日晶新能源装备股份有限公司 | 单晶炉液面测温装置 |
CN102586864A (zh) * | 2012-03-22 | 2012-07-18 | 常州拜尔光电设备有限公司 | 单晶炉引晶温度寻找和控制方法 |
CN102703967A (zh) * | 2012-06-05 | 2012-10-03 | 湖南红太阳光电科技有限公司 | 一种多晶铸锭炉热电偶装置 |
CN102877120A (zh) * | 2012-09-29 | 2013-01-16 | 浙江东晶光电科技有限公司 | 泡生法生长蓝宝石晶体的自动引晶技术 |
CN202974479U (zh) * | 2012-11-19 | 2013-06-05 | 昱成光能股份有限公司 | 测温装置 |
CN104451862A (zh) * | 2015-01-16 | 2015-03-25 | 苏州恒嘉晶体材料有限公司 | 一种蓝宝石单晶炉和蓝宝石引晶方法 |
CN107142516A (zh) * | 2017-06-16 | 2017-09-08 | 内蒙古中环光伏材料有限公司 | 一种热炉内用于直拉单晶时的液面定位装置 |
CN110528069A (zh) * | 2018-05-25 | 2019-12-03 | 隆基绿能科技股份有限公司 | 一种直拉硅单晶的自动调温方法 |
CN109023511A (zh) * | 2018-08-29 | 2018-12-18 | 内蒙古中环协鑫光伏材料有限公司 | 一种直拉单晶大尺寸热场快速稳温的工艺方法 |
CN110284186A (zh) * | 2019-07-30 | 2019-09-27 | 刘冬雯 | 一种直拉单晶炉及其纵向温度梯度的测定控制方法 |
CN212582034U (zh) * | 2020-04-24 | 2021-02-23 | 内蒙古中环协鑫光伏材料有限公司 | 一种单晶炉 |
CN113282878A (zh) * | 2021-04-12 | 2021-08-20 | 上海新昇半导体科技有限公司 | 确定单晶炉引晶温度的方法及直拉法制备单晶硅的方法 |
CN113136620A (zh) * | 2021-04-26 | 2021-07-20 | 曲靖晶龙电子材料有限公司 | 一种单晶炉加热系统的控制方法 |
CN113112493A (zh) * | 2021-04-29 | 2021-07-13 | 北京图知天下科技有限责任公司 | 引晶亮度的计算方法、系统、终端设备及存储介质 |
CN113913923A (zh) * | 2021-09-08 | 2022-01-11 | 包头美科硅能源有限公司 | 一种单晶炉自动调温方法 |
CN216304033U (zh) * | 2021-12-09 | 2022-04-15 | 西安奕斯伟材料科技有限公司 | 监控单晶炉中硅熔液的液面的状态及坩埚的状态的系统 |
CN114990688A (zh) * | 2022-06-28 | 2022-09-02 | 西安奕斯伟材料科技有限公司 | 单晶体直径控制方法及装置、单晶硅拉晶炉 |
CN115467014A (zh) * | 2022-10-10 | 2022-12-13 | 浙江求是半导体设备有限公司 | 单晶硅制备装置及方法 |
CN115491756A (zh) * | 2022-11-18 | 2022-12-20 | 浙江晶盛机电股份有限公司 | 晶炉晶体生长调控方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
赵跃等: ""基于光圈模式识别的直拉晶体生长温度测量技术研究"", 《传感技术学报》, vol. 31, no. 4, pages 573 - 578 * |
韩晓军等: ""图像处理技术在单晶硅生产监测中的应用研究"", 《传感技术学报》, vol. 19, no. 2, pages 346 - 348 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934727A (zh) * | 2023-07-28 | 2023-10-24 | 保定景欣电气有限公司 | 一种拉晶过程中籽晶熔接控制方法、装置及电子设备 |
CN116934727B (zh) * | 2023-07-28 | 2024-03-08 | 保定景欣电气有限公司 | 一种拉晶过程中籽晶熔接控制方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116026487B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711659B (zh) | 一种工业生产的良率提升管理系统和方法 | |
CN116026487B (zh) | 液面温度测量方法、装置、计算机设备和存储介质 | |
CN113674273B (zh) | 一种基于产品缺陷的光学检测方法、系统和可读存储介质 | |
CN109658396A (zh) | 一种基于选择性搜索与cnn的铸件x光图像缺陷识别方法 | |
CN115877806B (zh) | 一种lcp膜产品生产控制方法及系统 | |
JP7102941B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
JP2021532459A (ja) | 標的細胞標識方法、装置、記憶媒体及び端末デバイス | |
TW201906038A (zh) | 半導體晶圓檢測系統及其方法 | |
JP2009187175A (ja) | バッチプロセスデータの解析装置およびそれを用いた異常検出/品質推定装置 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
CN113222913A (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN113218537A (zh) | 温度异常检测模型的训练方法、装置、设备和存储介质 | |
CN113837159A (zh) | 一种基于机器视觉的仪表示数识别方法和装置 | |
CN114991746B (zh) | 一种钻井工况智能标定方法和系统 | |
CN111444833B (zh) | 果实测产方法、装置、计算机设备及存储介质 | |
TWM550465U (zh) | 半導體晶圓檢測系統 | |
JP2022043848A (ja) | コンピュータプログラム、不良要因分析方法及び不良要因分析装置 | |
JP2018195130A (ja) | 異常原因推定装置、異常原因推定方法、および異常原因推定プログラム | |
US20240126244A1 (en) | Information Processing Method, Information Processing Apparatus, Molding Machine System and Non-Transitory Computer Readable Recording Medium | |
TW202013104A (zh) | 資料處理、資料處理裝置以及電腦可讀取記錄媒體 | |
CN112668365A (zh) | 一种物料入库识别方法、装置、设备及存储介质 | |
TWI801973B (zh) | 錯誤因素之推定裝置及推定方法 | |
CN115984215A (zh) | 一种基于双生网络的纤维束缺陷检测方法 | |
JPWO2019238890A5 (zh) | ||
CN111400644B (zh) | 一种用于实验室分析样品的计算处理方法 |
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 |