CN116721079A - 一种硅片表面缺陷的机器视觉识别方法、装置及介质 - Google Patents
一种硅片表面缺陷的机器视觉识别方法、装置及介质 Download PDFInfo
- Publication number
- CN116721079A CN116721079A CN202310684968.XA CN202310684968A CN116721079A CN 116721079 A CN116721079 A CN 116721079A CN 202310684968 A CN202310684968 A CN 202310684968A CN 116721079 A CN116721079 A CN 116721079A
- Authority
- CN
- China
- Prior art keywords
- defect
- classified
- value
- defects
- type
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 507
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 68
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 68
- 239000010703 silicon Substances 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000002950 deficient Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 25
- 230000000877 morphologic effect Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 20
- 238000005498 polishing Methods 0.000 claims description 19
- 239000002184 metal Substances 0.000 claims description 13
- 239000013078 crystal Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 239000007795 chemical reaction product Substances 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 239000004065 semiconductor Substances 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 235000012431 wafers Nutrition 0.000 description 55
- 230000008569 process Effects 0.000 description 7
- 239000000047 product Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明实施例公开了一种硅片表面缺陷的机器视觉识别方法、装置及介质,属于半导体制造技术领域,包括:基于采集到的硅片表面局部缺陷的图像识别待分类的缺陷区域;根据所述待分类的缺陷区域的长值与径值的比值确定所述待分类的缺陷区域的长径比,其中,所述长值为所述待分类的缺陷区域的边缘像素之间距离最大的值,所述径值为垂直于所述长值所在直线的方向上所述待分类的缺陷区域的边缘像素之间距离最大的值;根据所述长径比识别所述待分类的缺陷区域所表征的缺陷类型。长径比作为缺陷区域的外形特征,能够更准确地对缺陷进行识别及分类,进一步减少缺陷最终识别的步骤,从而实现硅片表面主要缺陷快速分类,提高高端产品监控水平。
Description
技术领域
本发明实施例涉及半导体制造技术领域,尤其涉及一种硅片表面缺陷的机器视觉识别方法、装置及介质。
背景技术
在半导体领域,硅片一般是集成电路的原料。通过对硅片进行光刻、离子注入等手段,可以制成各种半导体器件。在硅片的生产过程中,通常包括切片、研磨、抛光等多种机械表面处理工序,这些处理工序不可避免地会对硅片表面产生损伤从而在硅片的表面/亚表面中引入裂纹、划痕和位错等缺陷,影响最终获得的半导体产品的性能,进而影响器件的寿命与成品率,硅片的表面缺陷成为衡量产品质量的一个关键因素。
随着先进制程的发展,集成电路特征线宽的不断减小,硅片表面的缺陷尺寸更小,数目更低,硅片表面的缺陷管控要求越来越高,这导致管控难度的急剧升高。SEM(ScanningElectron Microscope,扫描电子显微镜)测量可以给出缺陷的直观形貌,但测量速度较慢,在当前的量产品中并未全检,然而下一步的高端产品要求更严苛的管控,势必导致SEM的全检或抽样数量增加。因此根据SEM的测量结果对缺陷进行分类统计是高端产品的必然要求。然而,目前SEM结果缺陷分类仅依靠人工目检,这种方案的效率远不能满足生产需求。为了管控硅片上大量的纳米尺度缺陷,急需开发一套缺陷机器自动识别系统,用以实现表面主要缺陷类型的快速机器识别,实现高效的分类、数量及密度分布计算等需求。
发明内容
有鉴于此,本发明实施例期望提供一种硅片表面缺陷的机器视觉识别方法;能够通过将采集到的缺陷图像转换为灰度矩阵,基于像素灰度值识别缺陷区域,对缺陷区域进行外形特征长径比的准确提取和判别,从而实现缺陷的快速识别和分类。
本发明实施例的技术方案是这样实现的:
第一方面,本发明实施例提供了一种硅片表面缺陷的机器视觉识别方法,包括:
基于采集到的硅片表面局部缺陷的图像识别待分类的缺陷区域;
根据所述待分类的缺陷区域的长值与径值的比值确定所述待分类的缺陷区域的长径比,其中,所述待分类的缺陷区域的长值为所述待分类的缺陷区域的边缘像素之间距离最大的值,所述待分类的缺陷区域的径值为垂直于所述长值所在直线的方向上所述待分类的缺陷区域的边缘像素之间距离最大的值;
根据所述长径比识别所述待分类的缺陷区域所表征的缺陷类型。
第二方面,本发明实施例提供了一种硅片表面缺陷的机器视觉识别装置,所述装置包括:
获取部分、特征提取部分、分类识别部分;其中,
所述获取部分,经配置为基于采集到的硅片表面局部缺陷的图像识别待分类的缺陷区域;
所述特征提取部分,经配置为根据所述待分类的缺陷区域的长值与径值的比值确定所述待分类的缺陷区域的长径比,其中,所述待分类的缺陷区域的长值为所述待分类的缺陷区域的边缘像素之间距离最大的值,所述待分类的缺陷区域的径值为垂直于所述长值所在直线的方向上所述待分类的缺陷区域的边缘像素之间距离最大的值;
所述分类识别部分,经配置为根据所述长径比识别所述待分类的缺陷区域所表征的缺陷类型。
第三方面,本发明实施例提供了一种计算机存储介质,所述计算机存储介质存储有硅片表面缺陷的机器视觉识别程序,所述硅片表面缺陷的机器视觉识别程序被至少一个处理器执行时实现第一方面所述硅片表面缺陷的机器视觉识别方法的步骤。
本发明实施例提供了一种硅片表面缺陷的机器视觉识别方法、装置及介质;通过长径比作为缺陷区域的一个外形特征,能够更准确地对缺陷进行识别及分类,进一步减少缺陷最终识别的步骤,从而实现硅片表面主要缺陷快速分类,提高高端产品监控水平。
附图说明
图1为本发明实施例提供的一种硅片表面缺陷的机器视觉识别方法流程示意图;
图2为本发明实施例提供的常见的硅片表面缺陷图像示例图;
图3(a)为本发明实施例提供的凸起型缺陷灰度图像;
图3(b)为本发明实施例提供的凸起型缺陷灰度变化曲线图;
图3(c)为本发明实施例提供的凹陷型缺陷灰度图像;
图3(d)为本发明实施例提供的凹陷型缺陷灰度变化曲线图;
图4为本发明实施例提供的直线型缺陷像素在矩阵中的位置示意图;
图5为本发明实施例提供的硅片表面缺陷分类识别流程图;
图6为本发明实施例提供的一种硅片表面缺陷的机器视觉识别装置示意图;
图7为本发明实施例提供的一种计算设备的硬件结构示意图。
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。
下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第二”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
经统计,硅片表面小尺寸缺陷中,大部分缺陷的类型为宽凸起(fat jut)缺陷、直线型凸起(line jut)缺陷、抛光损伤(PID,polish induced defect)缺陷、划伤(scratch)缺陷、颗粒状(particle)缺陷、坑洞(pit)缺陷、残留物(residual)缺陷、金属污染(mid)缺陷。这些缺陷各自具有显著不同特征,且来源于不同的工艺不良。识别出硅片上各种缺陷的类型、数量以及密度分布等数据,可以作为一个管控参数并反馈改善工艺。
参见图1,本发明实施例提供了一种硅片表面缺陷的机器视觉识别方法,通过对硅片表面缺陷提取长径比特征,对缺陷进行快速机器识别,实现高效分类,以支持针对缺陷类别、数量及密度分布等深度分析并反馈改善工艺,包括:
S101:基于采集到的硅片表面局部缺陷的图像识别待分类的缺陷区域;
S102:根据所述待分类的缺陷区域的长值与径值的比值确定所述待分类的缺陷区域的长径比,其中,所述待分类的缺陷区域的长值为所述待分类的缺陷区域的边缘像素之间距离最大的值,所述待分类的缺陷区域的径值为垂直于所述长值所在直线的方向上所述待分类的缺陷区域的边缘像素之间距离最大的值;
S103:根据所述长径比识别所述待分类的缺陷区域所表征的缺陷类型。
需要说明的是,采集硅片表面局部缺陷的图像可以是通过SEM采集,也可以是满足小尺寸缺陷采集能力要求的其他采集方式获得。长径比作为缺陷区域的一个外形特征,能够更准确地对缺陷进行识别及分类,进一步减少缺陷最终识别的步骤。例如,对于具有一定弧度的线型缺陷进行外形特征识别时,采用诸如最小外接矩形的长宽比识别时容易识别为非线型缺陷。
对于图1所示的技术方案中,在一些实施方式中,所述基于采集到的硅片表面局部缺陷的图像识别待分类的缺陷区域,包括:
将采集到的硅片表面局部缺陷的图像从RGB像素矩阵转变为灰度矩阵;
根据所述灰度矩阵的平均灰度值设置第一灰度阈值和第二灰度阈值,所述第一灰度阈值小于所述平均灰度值,所述第二灰度阈值大于所述平均灰度值;
所述灰度矩阵中灰度值小于所述第一灰度阈值或大于所述第二灰度阈值的像素为缺陷像素,所有所述缺陷像素形成的区域作为待分类的缺陷区域。
需要说明的是,含有缺陷的硅片灰度图像矩阵中,缺陷区域的颜色体现出较正常区域过暗或过亮,其像素灰度值相应地会低于或高于正常区域的灰度值,因此,依据灰度平均值设定合理的灰度阈值,通过异常像素灰度值来识别缺陷区域。
因此,对于图1所示的技术方案中,在一些实施方式中,所述根据所述长径比识别所述待分类的缺陷区域所表征的缺陷类型,包括:
相应于所述待分类的缺陷区域的长径比大于第一长径比阈值,确定所述待分类的缺陷区域所表征的缺陷类型为第一类缺陷,所述第一类缺陷包括直线型凸起缺陷、划伤缺陷、抛光损伤缺陷;
相应于所述待分类的缺陷区域的长径比介于所述第一长径比阈值和所述第二长径比阈值之间,确定所述待分类的缺陷区域所表征的缺陷类型为宽凸起缺陷,所述第一长径比阈值大于所述第二长径比阈值;
相应于所述待分类的缺陷区域的长径比小于第二长径比阈值,确定所述待分类的缺陷区域所表征的缺陷类型为第二类缺陷,所述第二类缺陷包括坑洞缺陷、颗粒状缺陷、空缺陷、残留物缺陷、金属污染缺陷、晶体原生缺陷。
对于上述实施方式中,在一些示例中,所述第一长径比阈值的设置范围为[15,20],所述第二长径比阈值的设置范围为[0,3]。
需要说明的是,如图2所示的缺陷灰度图像中,L表示待分类的缺陷区域的长值,W表示待分类的缺陷区域的径值。直线型凸起缺陷外形表现为直线型凸起。划伤缺陷一般在研磨或抛光过程中,磨粉或抛光粉中混入较大硬质颗粒或品片碎片,机械抛光沥青盘局部太硬,出现明显的划伤痕迹,外形表现为沿研磨或抛光轨迹具有一定弧度的线状凹陷。抛光损伤缺陷为抛光引入的缺陷,表现为有一定弧度的线条型凸起。这三种缺陷的长径比明显大于其他类型的缺陷。宽凸起缺陷是具有一定宽度的凸起型缺陷,可基于长径比直接识别。颗粒状缺陷是凸起的,一般比较圆,可能是硅渣等异物落在硅片表面形成;坑洞缺陷是凹陷的坑洞,外形也比较圆;残留物缺陷具有不规则形貌,一般是不连续的凸起,可能源于清洗不彻底导致的研磨浆料等残留在硅片表面;金属污染缺陷一般是蜂窝状的坑,缺陷产生于硅片表面金属污染,金属杂质聚集形成的形貌;空缺陷为SEM寻找缺陷时尝试放大当前区域,加高电压等操作寻找缺陷,最终导致高电压电子束在硅片表面留下一个明显的痕迹;晶体原生缺陷是硅晶体在拉晶过程中,温度下降过程中,晶体中的空位聚合形成的孔状凹陷,这些孔呈八面体形态,其俯视图为菱形。因此,本发明实施例中提供的基于长径比将上述常见缺陷进行分类,并能够避免将具有一定弧度的线型缺陷识别为宽凸起缺陷或第二类缺陷,并且能够仅通过长径比一个特征就能使得宽凸起缺陷直接识别出来。
第一类缺陷和第二类缺陷中包括了多种类型的缺陷,进一步地,相应于所述待分类的缺陷区域所表征的缺陷类型为第一类缺陷,所述方法还包括:
判断所述待分类的缺陷区域的形貌特征是凸起型或凹陷型:
相应于所述待分类的缺陷区域的形貌特征是凸起型,则确定所述待分类的缺陷区域所表征的缺陷类型为第三类缺陷,包括直线型凸起缺陷、抛光损伤缺陷;
相应于所述待分类的缺陷区域的形貌特征是凹陷型,则确定所述待分类的缺陷区域所表征的缺陷类型为划伤缺陷。
需要说明的是,由于划伤缺陷为凹陷型缺陷而直线型凸起缺陷、抛光损伤缺陷为凸起型缺陷,提取第一类缺陷的凸起或凹陷特征,对第一类缺陷进行进一步识别,相应于第一类缺陷为凸起型,确定所述待分类的缺陷区域所表征的缺陷类型为第三类缺陷,包括直线型凸起缺陷、抛光损伤缺陷两种类型缺陷,相应于第一类缺陷为凹陷型,识别为划伤缺陷。因此,针对划伤缺陷通过两个特征提取判决进行识别即可确定为最终的缺陷类型。
对于凸起或凹陷特征的识别,可以通过缺陷区域的灰度值进行判断,优选地,对于上述示例中,所述判断待分类的缺陷区域的形貌特征是凸起型或凹陷型,包括:
基于所述灰度矩阵中包含有缺陷像素的行中选择至少一行,所述行中最左侧的缺陷像素为左侧边缘像素,所述行中最右侧的缺陷像素为右侧边缘像素;
针对所述左侧边缘像素和所述右侧边缘像素,根据sobel算子分别计算获得所述左侧边缘像素的平均灰度变化率k1和所述右侧边缘像素的平均灰度变化率k2;
计算灰度变化率特征值deltak=k1-λ1×k2,其中,λ1为正实数;
相应于所述灰度变化率特征值大于0,则确定所述待分类的缺陷区域的形貌特征为凸起型;
相应于所述灰度变化率特征值小于0,则确定所述待分类的缺陷区域的形貌特征为凹陷型。
详细来说,图3(a)示出了凸起型缺陷的灰度图像。一般来说,灰色图像的灰度值范围为从0到255,白色为255,黑色为0,凸起部分一般颜色较浅,凹陷部分的颜色较深。图3(b)为图3(a)对应的灰度矩阵中包含有缺陷像素的一行灰度数组的变化曲线,可以看到,凸起缺陷区域的灰度值明显高出其他正常区域。图3(c)示出了凹陷型缺陷的灰度图像。图3(d)为图3(c)对应的灰度矩阵中包含有缺陷区域的一行灰度值数组的变化曲线,可以看到,凹陷缺陷区域的灰度值明显低于其他正常区域。基于此种现象,本发明实施例采用通过计算缺陷区域边缘的灰度变化率来进行凸起或凹陷特征的识别,对于如图3(b)所示的灰度曲线,缺陷区域的左侧边缘灰度变化率k1大于0,缺陷区域的右侧边缘灰度变化率k2小于0,可以得知灰度变化率特征值deltak=k1-λ1×k2大于0,则如图3(a)所示的缺陷为凸起型缺陷。对于如图3(d)所示的灰度曲线,缺陷区域的左侧边缘灰度变化率k1小于0,缺陷区域的右侧边缘灰度变化率k2大于0,可以得知灰度变化率特征值小于0,则如图3(c)所示的缺陷为凹陷型缺陷。对于缺陷区域边缘灰度变化率,可以使用sobel算子进行计算。Sobel算子是一离散性差分算子,把图像中每个像素的上下左右四领域的灰度值加权差,从而获得数字图像的一阶梯度。
对于上述示例中,进一步地,相应于所述待分类的缺陷区域所表征的缺陷类型为第三类缺陷,所述方法还包括:
在所述待分类的缺陷区域的长值方向上均匀采样获得至少三个采样点;
基于所述采样点在所述灰度矩阵中的行索引值和列索引值,分别计算任意两个采样点的基于矩阵位置的斜率,获得斜率数组;
相应于所述斜率数组的方差小于方差阈值,则确定所述待分类的缺陷区域所表征的缺陷类型为直线型凸起缺陷;
相应于所述斜率数组的方差大于或等于方差阈值,则确定所述待分类的缺陷区域所表征的缺陷类型为抛光损伤缺陷。
优选地,所述方差阈值可以设置为10-1。
优选地,所述采样点的个数的取值范围为[5,8]。
具体来说,计算斜率时,可以遍历计算任意两个采样点之间的斜率形成斜率数组,也可以仅计算相邻采样点之间的斜率形成斜率数组。如图4所示的灰度矩阵中,aij、ast、apq表示缺陷区域上的三个采样点,任意两个采样点之间的斜率分别为斜率数组的方差为D,理论上对于理想的直线上均匀采样时,D为0,即/>在实际的工程应用中,当D小于方差阈值,认为具备线性特征。
还需要说明的是,金属污染缺陷通常具有一定弧度,缺陷线性特征的识别可以将直线型凸起缺陷和金属污染缺陷进行区分。
对于上述实施方式,在一些示例中,相应于所述待分类的缺陷区域所表征的缺陷类型为第二类缺陷,所述方法还包括:
计算获得所述待分类的缺陷区域最小外接圆的半径R;
所述待分类的缺陷区域所包含的像素个数为S;
计算待分类的缺陷区域的近圆率curve=|π×R2-S|;
相应于近圆率小于近圆率阈值,则确定所述待分类的缺陷区域所表征的缺陷类型为第四类缺陷,包括颗粒状缺陷、坑洞缺陷;
相应于近圆率大于或等于近圆率阈值,则确定所述待分类的缺陷区域所表征的缺陷类型为第五类缺陷,包括空缺陷、残留物缺陷、金属污染缺陷、晶体原生缺陷。
优选地,所述近圆率阈值可以设置为0.1。
需要说明的是,最小外接圆就是能包含缺陷区域中的所有像素且半径最小的圆。
对于上述示例中,进一步地,相应于所述待分类的缺陷区域所表征的缺陷类型为第四类缺陷,所述方法还包括:
判断待分类的缺陷区域的形貌特征是凸起型或凹陷型:
相应于所述待分类的缺陷区域的形貌特征是凹陷型,则确定所述待分类的缺陷区域所表征的缺陷类型为坑洞缺陷;
相应于所述待分类的缺陷区域的形貌特征是凸起型,则确定所述待分类的缺陷区域所表征的缺陷类型为颗粒状缺陷。
需要说明的是,对于颗粒状缺陷和坑洞缺陷,可以通过长径比特征、近圆率特征、凸凹特征三次特征提取判决达到最终的缺陷类型的识别。对于空缺陷、残留物缺陷、金属污染缺陷、晶体原生缺陷,在高端产品生产出现的缺陷中占比较少,暂不进一步识别,作为一个整体类别即第五类缺陷进行统计分析。
如图5所示,本发明实施例利用缺陷区域长径比、缺陷区域像素灰度变化率特征值、缺陷区域多点斜率方差统计、缺陷区域近圆率四种特征进行逐步分类识别,实现对硅片表面主要缺陷的快速分类,并可以通过SEM的放大比例计算缺陷区域真实的长、宽、高(深)获得缺陷尺寸,提高高端产品监控水平。在一些实施例中,还可以根据上述四种特征进行不同顺序的缺陷分类、识别。图5所示的方法步骤作为优选实施方式,能够实现最终缺陷类型的快速识别,比如对于颗粒状缺陷、坑洞缺陷、直线型凸起缺陷、抛光损伤缺陷,使用三种特征进行提取判断即可完成,对于宽凸起缺陷,仅需提取一种特征即完成识别。第一类缺陷、第二类缺陷、第三类缺陷、第四类缺陷、第五类缺陷虽然不是最终缺陷类型,但作为具有一种或多种共同特征的缺陷类型,利用其统计特性对缺陷进行监控分析,进而可以对缺陷分析以及产品的生产过程进行反馈指导。
基于前述技术方案相同的发明构思,参见图6,其示出了本发明实施例提供的一种硅片表面缺陷的机器视觉识别装置60,所述硅片表面缺陷的机器视觉识别装置60包括:获取部分601、特征提取部分602、分类识别部分603;其中,
所述获取部分601,经配置为基于采集到的硅片表面局部缺陷的图像识别待分类的缺陷区域;
所述特征提取部分602,经配置为根据所述待分类的缺陷区域的长值与径值的比值确定所述待分类的缺陷区域的长径比,其中,所述待分类的缺陷区域的长值为所述待分类的缺陷区域的边缘像素之间距离最大的值,所述待分类的缺陷区域的径值为垂直于所述长值所在直线的方向上所述待分类的缺陷区域的边缘像素之间距离最大的值;
所述分类识别部分603,经配置为根据所述长径比识别所述待分类的缺陷区域所表征的缺陷类型。
在一些示例中,所述获取部分601,经配置为所述基于采集到的硅片表面局部缺陷的图像识别待分类的缺陷区域,包括:
将采集到的硅片表面局部缺陷的图像从RGB像素矩阵转变为灰度矩阵;
根据所述灰度矩阵的平均灰度值设置第一灰度阈值和第二灰度阈值,所述第一灰度阈值小于所述平均灰度值,所述第二灰度阈值大于所述平均灰度值;
所述灰度矩阵中灰度值小于所述第一灰度阈值或大于所述第二灰度阈值的像素为缺陷像素,所有所述缺陷像素形成的区域作为待分类的缺陷区域。
在一些示例中,所述分类识别部分603,经配置为所述根据所述长径比识别所述待分类的缺陷区域所表征的缺陷类型,包括:
相应于所述待分类的缺陷区域的长径比大于第一长径比阈值,确定所述待分类的缺陷区域所表征的缺陷类型为第一类缺陷,所述第一类缺陷包括直线型凸起缺陷、划伤缺陷、抛光损伤缺陷;
相应于所述待分类的缺陷区域的长径比介于所述第一长径比阈值和所述第二长径比阈值之间,确定所述待分类的缺陷区域所表征的缺陷类型为宽凸起缺陷,所述第一长径比阈值大于所述第二长径比阈值;
相应于所述待分类的缺陷区域的长径比小于第二长径比阈值,确定所述待分类的缺陷区域所表征的缺陷类型为第二类缺陷,所述第二类缺陷包括坑洞缺陷、颗粒状缺陷、空缺陷、残留物缺陷、金属污染缺陷、晶体原生缺陷。
在一些示例中,所述分类识别部分603,经配置为所述第一长径比阈值的设置范围为[15,20],所述第二长径比阈值的设置范围为[0,3]。
在一些示例中,所述分类识别部分603,经配置为相应于所述待分类的缺陷区域所表征的缺陷类型为第一类缺陷,所述方法还包括:
判断所述待分类的缺陷区域的形貌特征是凸起型或凹陷型:
相应于所述待分类的缺陷区域的形貌特征是凸起型,则确定所述待分类的缺陷区域所表征的缺陷类型为第三类缺陷,包括直线型凸起缺陷、抛光损伤缺陷;
相应于所述待分类的缺陷区域的形貌特征是凹陷型,则确定所述待分类的缺陷区域所表征的缺陷类型为划伤缺陷。
在一些示例中,所述分类识别部分603,经配置为相应于所述待分类的缺陷区域所表征的缺陷类型为第三类缺陷,所述方法还包括:
在所述待分类的缺陷区域的长值方向上均匀采样获得至少三个采样点;
基于所述采样点在所述灰度矩阵中的行索引值和列索引值,分别计算任意两个采样点的基于矩阵位置的斜率,获得斜率数组;
相应于所述斜率数组的方差小于方差阈值,则确定所述待分类的缺陷区域所表征的缺陷类型为直线型凸起缺陷;
相应于所述斜率数组的方差大于或等于方差阈值,则确定所述待分类的缺陷区域所表征的缺陷类型为抛光损伤缺陷。
在一些示例中,所述分类识别部分603,经配置为所述方差阈值可以设置为10-1。
在一些示例中,所述分类识别部分603,经配置为所述采样点的个数的取值范围为[5,8]。
在一些示例中,所述分类识别部分603,经配置为相应于所述待分类的缺陷区域所表征的缺陷类型为第二类缺陷,所述方法还包括:
计算获得所述待分类的缺陷区域最小外接圆的半径R;
所述待分类的缺陷区域所包含的像素个数为S;
计算待分类的缺陷区域的近圆率curve=|π×R2-S|;
相应于近圆率小于近圆率阈值,则确定所述待分类的缺陷区域所表征的缺陷类型为第四类缺陷,包括颗粒状缺陷、坑洞缺陷;
相应于近圆率大于或等于近圆率阈值,则确定所述待分类的缺陷区域所表征的缺陷类型为第五类缺陷,包括空缺陷、残留物缺陷、金属污染缺陷、晶体原生缺陷。
在一些示例中,所述分类识别部分603,经配置为所述近圆率阈值可以设置为0.1。
在一些示例中,所述分类识别部分603,经配置为相应于所述待分类的缺陷区域所表征的缺陷类型为第四类缺陷,所述方法还包括:
判断待分类的缺陷区域的形貌特征是凸起型或凹陷型:
相应于所述待分类的缺陷区域的形貌特征是凹陷型,则确定所述待分类的缺陷区域所表征的缺陷类型为坑洞缺陷;
相应于所述待分类的缺陷区域的形貌特征是凸起型,则确定所述待分类的缺陷区域所表征的缺陷类型为颗粒状缺陷。
在一些示例中,所述分类识别部分603,经配置为所述判断待分类的缺陷区域的形貌特征是凸起型或凹陷型,包括:
基于所述灰度矩阵中包含有缺陷像素的行中选择至少一行,所述行中最左侧的缺陷像素为左侧边缘像素,所述行中最右侧的缺陷像素为右侧边缘像素;
针对所述左侧边缘像素和所述右侧边缘像素,根据sobel算子分别计算获得所述左侧边缘像素的平均灰度变化率k1和所述右侧边缘像素的平均灰度变化率k2;
计算灰度变化率特征值deltak=k1-λ1×k2,其中,λ1为正实数;
相应于所述灰度变化率特征值大于0,则确定所述待分类的缺陷区域的形貌特征为凸起型;
相应于所述灰度变化率特征值小于0,则确定所述待分类的缺陷区域的形貌特征为凹陷型。
可以理解地,在本实施例中,“部分”可以是部分电路、部分处理器、部分程序或软件等等,当然也可以是单元,还可以是模块也可以是非模块化的。
另外,在本实施例中的各组成部分可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,可以存储在一个计算机可读取存储介质中,基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
因此,本实施例提供了一种计算机存储介质,所述计算机存储介质存储有硅片表面缺陷的机器视觉识别程序,所述硅片表面缺陷的机器视觉识别程序被至少一个处理器执行时实现上述技术方案中所述硅片表面缺陷的机器视觉识别方法的步骤。
根据上述硅片表面缺陷的机器视觉识别装置60以及计算机存储介质,参见图7,其示出了本发明实施例提供的一种能够实施上述硅片表面缺陷的机器视觉识别装置60的计算设备70的具体硬件结构,该计算设备70可以为无线装置、移动或蜂窝电话(包含所谓的智能电话)、个人数字助理(PDA)、视频游戏控制台(包含视频显示器、移动视频游戏装置、移动视频会议单元)、膝上型计算机、桌上型计算机、电视机顶盒、平板计算装置、电子书阅读器、固定或移动媒体播放器,等。计算设备70包括:通信接口701,存储器702和处理器703;各个组件通过总线系统704耦合在一起。可理解,总线系统704用于实现这些组件之间的连接通信。总线系统704除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图5中将各种总线都标为总线系统704。其中,
所述通信接口701,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器702,用于存储能够在所述处理器703上运行的计算机程序;
所述处理器703,用于在运行所述计算机程序时,执行前述技术方案中所述硅片表面缺陷的机器视觉识别方法的步骤,这里不再进行赘述。
可以理解,本发明实施例中的存储器702可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本文描述的系统和方法的存储器702旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器703可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器703中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器703可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器702,处理器703读取存储器702中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
具体来说,处理器703还配置为运行所述计算机程序时,执行前述技术方案中所述硅片表面缺陷的机器视觉识别方法的步骤,这里不再进行赘述。
可以理解地,上述硅片表面缺陷的机器视觉识别装置60以及计算设备70的示例性技术方案,与前述硅片表面缺陷的机器视觉识别方法的技术方案属于同一构思,因此,上述对于硅片表面缺陷的机器视觉识别装置60以及计算设备70的技术方案未详细描述的细节内容,均可以参见前述硅片表面缺陷的机器视觉识别方法的技术方案的描述。本发明实施例对此不做赘述。
需要说明的是:本发明实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上所述,仅为本发明的具体实施方式,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种硅片表面缺陷的机器视觉识别方法,其特征在于,包括:
基于采集到的硅片表面局部缺陷的图像识别待分类的缺陷区域;
根据所述待分类的缺陷区域的长值与径值的比值确定所述待分类的缺陷区域的长径比,其中,所述待分类的缺陷区域的长值为所述待分类的缺陷区域的边缘像素之间距离最大的值,所述待分类的缺陷区域的径值为垂直于所述长值所在直线的方向上所述待分类的缺陷区域的边缘像素之间距离最大的值;
根据所述长径比识别所述待分类的缺陷区域所表征的缺陷类型。
2.根据权利要求1所述的方法,其特征在于,所述基于采集到的硅片表面局部缺陷的图像识别待分类的缺陷区域,包括:
将采集到的硅片表面局部缺陷的图像从RGB像素矩阵转变为灰度矩阵;
根据所述灰度矩阵的平均灰度值设置第一灰度阈值和第二灰度阈值,所述第一灰度阈值小于所述平均灰度值,所述第二灰度阈值大于所述平均灰度值;
所述灰度矩阵中灰度值小于所述第一灰度阈值或大于所述第二灰度阈值的像素为缺陷像素,所有所述缺陷像素形成的区域作为待分类的缺陷区域。
3.根据权利要求2所述的方法,其特征在于,所述根据所述长径比识别所述待分类的缺陷区域所表征的缺陷类型,包括:
相应于所述待分类的缺陷区域的长径比大于第一长径比阈值,确定所述待分类的缺陷区域所表征的缺陷类型为第一类缺陷,所述第一类缺陷包括直线型凸起缺陷、划伤缺陷、抛光损伤缺陷;
相应于所述待分类的缺陷区域的长径比介于所述第一长径比阈值和所述第二长径比阈值之间,确定所述待分类的缺陷区域所表征的缺陷类型为宽凸起缺陷,所述第一长径比阈值大于所述第二长径比阈值;
相应于所述待分类的缺陷区域的长径比小于第二长径比阈值,确定所述待分类的缺陷区域所表征的缺陷类型为第二类缺陷,所述第二类缺陷包括坑洞缺陷、颗粒状缺陷、空缺陷、残留物缺陷、金属污染缺陷、晶体原生缺陷。
4.根据权利要求3所述的方法,其特征在于,相应于所述待分类的缺陷区域所表征的缺陷类型为第一类缺陷,所述方法还包括:
判断所述待分类的缺陷区域的形貌特征是凸起型或凹陷型:
相应于所述待分类的缺陷区域的形貌特征是凸起型,则确定所述待分类的缺陷区域所表征的缺陷类型为第三类缺陷,包括直线型凸起缺陷、抛光损伤缺陷;
相应于所述待分类的缺陷区域的形貌特征是凹陷型,则确定所述待分类的缺陷区域所表征的缺陷类型为划伤缺陷。
5.根据权利要求4所述的方法,其特征在于,相应于所述待分类的缺陷区域所表征的缺陷类型为第三类缺陷,所述方法还包括:
在所述待分类的缺陷区域的长值方向上均匀采样获得至少三个采样点;
基于所述采样点在所述灰度矩阵中的行索引值和列索引值,分别计算任意两个采样点的基于矩阵位置的斜率,获得斜率数组;
相应于所述斜率数组的方差小于方差阈值,则确定所述待分类的缺陷区域所表征的缺陷类型为直线型凸起缺陷;
相应于所述斜率数组的方差大于或等于方差阈值,则确定所述待分类的缺陷区域所表征的缺陷类型为抛光损伤缺陷。
6.根据权利要求3所述的方法,其特征在于,相应于所述待分类的缺陷区域所表征的缺陷类型为第二类缺陷,所述方法还包括:
计算获得所述待分类的缺陷区域最小外接圆的半径R;
所述待分类的缺陷区域所包含的像素个数为S;
计算待分类的缺陷区域的近圆率curve=|π×R2-S|;
相应于近圆率小于近圆率阈值,则确定所述待分类的缺陷区域所表征的缺陷类型为第四类缺陷,包括颗粒状缺陷、坑洞缺陷;
相应于近圆率大于或等于近圆率阈值,则确定所述待分类的缺陷区域所表征的缺陷类型为第五类缺陷,包括空缺陷、残留物缺陷、金属污染缺陷、晶体原生缺陷。
7.根据权利要求6所述的方法,其特征在于,相应于所述待分类的缺陷区域所表征的缺陷类型为第四类缺陷,所述方法还包括:
判断待分类的缺陷区域的形貌特征是凸起型或凹陷型:
相应于所述待分类的缺陷区域的形貌特征是凹陷型,则确定所述待分类的缺陷区域所表征的缺陷类型为坑洞缺陷;
相应于所述待分类的缺陷区域的形貌特征是凸起型,则确定所述待分类的缺陷区域所表征的缺陷类型为颗粒状缺陷。
8.根据权利要求4或7所述的方法,其特征在于,所述判断待分类的缺陷区域的形貌特征是凸起型或凹陷型,包括:
基于所述灰度矩阵中包含有缺陷像素的行中选择至少一行,所述行中最左侧的缺陷像素为左侧边缘像素,所述行中最右侧的缺陷像素为右侧边缘像素;
针对所述左侧边缘像素和所述右侧边缘像素,根据sobel算子分别计算获得所述左侧边缘像素的平均灰度变化率k1和所述右侧边缘像素的平均灰度变化率k2;
计算灰度变化率特征值deltak=k1-λ1×k2,其中,λ1为正实数;
相应于所述灰度变化率特征值大于0,则确定所述待分类的缺陷区域的形貌特征为凸起型;
相应于所述灰度变化率特征值小于0,则确定所述待分类的缺陷区域的形貌特征为凹陷型。
9.一种硅片表面缺陷的机器视觉识别装置,其特征在于,所述装置包括:获取部分、特征提取部分、分类识别部分;其中,
所述获取部分,经配置为基于采集到的硅片表面局部缺陷的图像识别待分类的缺陷区域;
所述特征提取部分,经配置为根据所述待分类的缺陷区域的长值与径值的比值确定所述待分类的缺陷区域的长径比,其中,所述待分类的缺陷区域的长值为所述待分类的缺陷区域的边缘像素之间距离最大的值,所述待分类的缺陷区域的径值为垂直于所述长值所在直线的方向上所述待分类的缺陷区域的边缘像素之间距离最大的值;
所述分类识别部分,经配置为根据所述长径比识别所述待分类的缺陷区域所表征的缺陷类型。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有硅片表面缺陷的机器视觉识别程序,所述硅片表面缺陷的机器视觉识别程序被至少一个处理器执行时实现权利要求1至8任一项所述硅片表面缺陷的机器视觉识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684968.XA CN116721079A (zh) | 2023-06-09 | 2023-06-09 | 一种硅片表面缺陷的机器视觉识别方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684968.XA CN116721079A (zh) | 2023-06-09 | 2023-06-09 | 一种硅片表面缺陷的机器视觉识别方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116721079A true CN116721079A (zh) | 2023-09-08 |
Family
ID=87865511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310684968.XA Pending CN116721079A (zh) | 2023-06-09 | 2023-06-09 | 一种硅片表面缺陷的机器视觉识别方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721079A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117636354A (zh) * | 2024-01-25 | 2024-03-01 | 内蒙古鑫元硅材料科技有限公司 | 一种用于硅水浇铸过程中的硅渣智能化识别方法 |
-
2023
- 2023-06-09 CN CN202310684968.XA patent/CN116721079A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117636354A (zh) * | 2024-01-25 | 2024-03-01 | 内蒙古鑫元硅材料科技有限公司 | 一种用于硅水浇铸过程中的硅渣智能化识别方法 |
CN117636354B (zh) * | 2024-01-25 | 2024-04-09 | 内蒙古鑫元硅材料科技有限公司 | 一种用于硅水浇铸过程中的硅渣智能化识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378313B (zh) | 细胞团识别方法、装置及电子设备 | |
CN114926463B (zh) | 一种适用于芯片电路板的生产质量检测方法 | |
CN103185730B (zh) | 缺陷分类法则建立方法、缺陷分类与致命缺陷判断方法 | |
US9239281B2 (en) | Method and device for dividing area of image of particle in urine | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN110286124A (zh) | 基于机器视觉的耐火砖测量系统 | |
CN113646801A (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
CN116721079A (zh) | 一种硅片表面缺陷的机器视觉识别方法、装置及介质 | |
CN109378279B (zh) | 晶圆检测方法及晶圆检测系统 | |
CN115290663B (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN115274486B (zh) | 一种半导体表面缺陷识别方法 | |
CN112991259A (zh) | 一种半导体制程缺陷的检测方法及系统 | |
CN116773548A (zh) | 一种晶圆表面缺陷检测方法及系统 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN115409787A (zh) | 小型可插拔收发光模块底座缺陷的检测方法 | |
CN114913112A (zh) | 晶圆双边缘检测方法和装置及设备 | |
CN107024416A (zh) | 结合相似性和不连续性的准圆形颗粒平均尺寸检测方法 | |
CN117218070A (zh) | 硬件缺陷的检测方法、装置及设备 | |
CN111398294A (zh) | 一种基于机器视觉的秸秆颗粒缺陷检测系统及检测方法 | |
CN108109120B (zh) | 一种点阵二维码的光照补偿方法及装置 | |
CN112750119B (zh) | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 | |
JP2003044832A (ja) | 検査パラメータ設定方法、検査パラメータ設定装置及び検査パラメータ設定プログラム |
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 |