CN116934739A - 一种图像处理方法、装置、设备及存储介质 - Google Patents
一种图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116934739A CN116934739A CN202311050927.1A CN202311050927A CN116934739A CN 116934739 A CN116934739 A CN 116934739A CN 202311050927 A CN202311050927 A CN 202311050927A CN 116934739 A CN116934739 A CN 116934739A
- Authority
- CN
- China
- Prior art keywords
- image
- wafer
- contour
- line segment
- pixel
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 230000007547 defect Effects 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 16
- 235000012431 wafers Nutrition 0.000 description 278
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000009499 grossing Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003706 image smoothing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种图像处理方法、装置、设备及存储介质,所述方法包括:获取待检测晶圆对应的晶圆图像;基于晶圆图像中各个像素点的像素值,对晶圆图像进行分割处理,得到晶圆图像对应的第一晶圆子图像和第二晶圆子图像;根据第一晶圆子图像和第二晶圆子图像确定待检测晶圆的边缘崩边区域图像;提取边缘崩边区域图像的轮廓特征作为图像特征;基于图像特征确定待检测晶圆是否存在预设缺陷。采用该方法,可以采集晶圆图像,通过提取晶圆图像的边缘崩边区域图像的图像特征,利用图像特征检测晶圆缺陷,节省了人工资源的同时提高了检测效率。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种图像处理方法、装置、设备及存储介质。
背景技术
晶圆是用于制造半导体器件的基础性原材料。由于晶圆的生产会经过切割、抛光和研磨等多道繁琐复杂的工序,晶圆在生产过程中可能会产生崩边、裂纹等各种缺陷。这些缺陷会影响晶圆品质,因此如何检测晶圆的缺陷十分重要。然而,目前对于晶圆的边缘崩边检测主要为使用显微镜对晶圆表面进行观察的人工检测方式,这种检测方式不仅耗费大量人工资源而且检测效率也较低。
发明内容
本公开提供了一种图像处理方法、装置、设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种图像处理方法,所述方法包括:
获取待检测晶圆对应的晶圆图像;
基于所述晶圆图像中各个像素点的像素值,对所述晶圆图像进行分割处理,得到所述晶圆图像对应的第一晶圆子图像和第二晶圆子图像;
根据所述第一晶圆子图像和所述第二晶圆子图像确定所述待检测晶圆的边缘崩边区域图像;
提取所述边缘崩边区域图像的轮廓特征,作为图像特征;
基于所述图像特征确定所述待检测晶圆是否存在预设缺陷。
在一可实施方式中,所述基于所述晶圆图像中各个像素点的像素值,对所述晶圆图像进行分割处理,得到所述晶圆图像对应的第一晶圆子图像和第二晶圆子图像,包括:
根据所述晶圆图像中各个像素点的像素值和预设像素值区间,将所述晶圆图像分割为第一晶圆子图像和第二晶圆子图像。
在一可实施方式中,所述根据所述晶圆图像中各个像素点的像素值和预设像素值区间,将所述晶圆图像分割为第一晶圆子图像和第二晶圆子图像,包括:
针对所述晶圆图像的每个像素点,若该像素点的原始像素值在预设像素值区间内,将第一预设像素值赋值为该像素点的像素值,若该像素点的原始像素值不在预设像素值区间内,将第二预设像素值赋值为该像素点的像素值,其中,所述第一预设像素值大于所述第二预设像素值;
将像素值为所述第一预设像素值的像素点所构成的图像确定为第一晶圆子图像,以及,将像素值为所述第二预设像素值的像素点所构成的图像确定为第二晶圆子图像。
在一可实施方式中,所述根据所述第一晶圆子图像和所述第二晶圆子图像确定所述待检测晶圆的边缘崩边区域图像,包括:
从所述第一晶圆子图像和所述第二晶圆子图像中确定出表征所述待检测晶圆的表面区域的子图像,作为晶圆表面子图像;
确定包含所述晶圆表面子图像的凸包图像;
基于所述凸包图像和所述晶圆表面子图像确定所述待检测晶圆的边缘崩边区域图像。
在一可实施方式中,所述提取所述边缘崩边区域图像的轮廓特征,作为图像特征,包括:
提取所述边缘崩边区域图像对应的轮廓线;
按照预设分割规则对所述轮廓线进行分割,得到多个轮廓线段;
确定各个所述轮廓线段对应的角度信息;
基于所述角度信息确定所述边缘崩边区域图像的图像特征。
在一可实施方式中,所述按照预设分割规则对所述轮廓线进行分割,得到多个轮廓线段,包括:
获取各个轮廓像素点的第一坐标信息,其中,所述轮廓像素点为构成所述轮廓线的像素点;
从各个轮廓像素点中选取第一预设数量的目标轮廓像素点;
将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第一线段;
针对每个第一线段,根据所述第一坐标信息计算所述轮廓线中位于该第一线段的两个端点之间的各个轮廓像素点与该第一线段之间的距离;
确定各个轮廓像素点与该第一线段之间的距离中的最大距离是否大于预设距离阈值;
如果是,将所述最大距离对应的轮廓像素点与该第一线段的两个端点分别连线得到两个新的第一线段,针对每个新的第一线段返回计算所述轮廓线中位于该第一线段的两个端点之间的各个轮廓像素点与该第一线段之间的距离的步骤;
如果否,将该第一线段确定为轮廓线段。
在一可实施方式中,所述按照预设分割规则对所述轮廓线进行分割,得到多个轮廓线段,包括:
获取各个轮廓像素点的第一坐标信息;
从各个轮廓像素点中选取第一预设数量的目标轮廓像素点;
将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第二线段;
针对当前的第二线段,根据所述第一坐标信息计算所述轮廓线段中位于该第二线段的两个端点之间的各个轮廓像素点与该第二线段之间的距离;
确定各个轮廓像素点与该第二线段之间的距离中的最大距离是否大于预设距离阈值;
如果是,将所述最大距离对应的轮廓像素点确定为目标轮廓像素点,并返回所述将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第二线段的步骤;
如果否,将该第二线段确定为轮廓线段,并针对下一个第二线段,返回执行所述计算所述轮廓线段中位于该第二线段的两个端点之间的各个轮廓像素点与该第二线段之间的距离的步骤,直至各个所述第二线段均被遍历到。
在一可实施方式中,所述提取所述边缘崩边区域图像对应的轮廓线,包括:
对所述边缘崩边区域图像进行平滑处理,得到平滑处理后的边缘崩边区域图像;
将所述平滑处理后的边缘崩边区域图像确定为所述边缘崩边区域图像对应的轮廓线。
在一可实施方式中,所述确定各个所述轮廓线段对应的角度信息,包括:
获取在同一坐标系下各个所述轮廓线段对应的直线的斜率;
根据所述斜率,确定各个所述轮廓线段对应的角度信息。
在一可实施方式中,所述基于所述角度信息确定所述边缘崩边区域图像的图像特征,包括:
计算每相邻的两个轮廓线段之间的角度差值,得到多个角度差值;
确定多个角度差值中数值大于预设差值阈值的角度差值的数量确定为极值点数量,并将所述极值点数量确定为所述边缘崩边区域图像的图像特征。
在一可实施方式中,所述基于所述图像特征确定所述待检测晶圆是否存在预设缺陷,包括:
如果极值点数量大于第二预设数量,确定所述待检测晶圆存在崩边缺陷。
根据本公开的第二方面,提供了一种图像处理装置,所述装置包括:
晶圆图像获取模块,用于获取待检测晶圆对应的晶圆图像;
图像分割模块,用于基于所述晶圆图像中各个像素点的像素值,对所述晶圆图像进行分割处理,得到所述晶圆图像对应的第一晶圆子图像和第二晶圆子图像;
边缘图像提取模块,用于根据所述第一晶圆子图像和所述第二晶圆子图像确定所述待检测晶圆的边缘崩边区域图像;
图像特征提取模块,用于提取所述边缘崩边区域图像的轮廓特征,作为图像特征;
缺陷确定模块,用于基于所述图像特征确定所述待检测晶圆是否存在预设缺陷。
在一可实施方式中,所述图像分割模块,具体用于根据所述晶圆图像中各个像素点的像素值和预设像素值区间,将所述晶圆图像分割为第一晶圆子图像和第二晶圆子图像。
在一可实施方式中,所述图像分割模块,具体用于针对所述晶圆图像的每个像素点,若该像素点的原始像素值在预设像素值区间内,将第一预设像素值赋值为该像素点的像素值,若该像素点的原始像素值不在预设像素值区间内,将第二预设像素值赋值为该像素点的像素值,其中,所述第一预设像素值大于所述第二预设像素值;将像素值为所述第一预设像素值的像素点所构成的图像确定为第一晶圆子图像,以及,将像素值为所述第二预设像素值的像素点所构成的图像确定为第二晶圆子图像。
在一可实施方式中,所述边缘图像提取模块,具体用于从所述第一晶圆子图像和所述第二晶圆子图像中确定出表征所述待检测晶圆的表面区域的子图像,作为晶圆表面子图像;确定包含所述晶圆表面子图像的凸包图像;基于所述凸包图像和所述晶圆表面子图像确定所述待检测晶圆的边缘崩边区域图像。
在一可实施方式中,所述图像特征提取模块,具体用于提取所述边缘崩边区域图像对应的轮廓线;按照预设分割规则对所述轮廓线进行分割,得到多个轮廓线段;确定各个所述轮廓线段对应的角度信息;基于所述角度信息确定所述边缘崩边区域图像的图像特征。
在一可实施方式中,所述图像特征提取模块,具体用于获取各个轮廓像素点的第一坐标信息,其中,所述轮廓像素点为构成所述轮廓线的像素点;从各个轮廓像素点中选取第一预设数量的目标轮廓像素点;将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第一线段;针对每个第一线段,根据所述第一坐标信息计算所述轮廓线中位于该第一线段的两个端点之间的各个轮廓像素点与该第一线段之间的距离;确定各个轮廓像素点与该第一线段之间的距离中的最大距离是否大于预设距离阈值;如果是,将所述最大距离对应的轮廓像素点与该第一线段的两个端点分别连线得到两个新的第一线段,针对每个新的第一线段返回计算所述轮廓线中位于该第一线段的两个端点之间的各个轮廓像素点与该第一线段之间的距离的步骤;如果否,将该第一线段确定为轮廓线段。
在一可实施方式中,所述图像特征提取模块,具体用于获取各个轮廓像素点的第一坐标信息;从各个轮廓像素点中选取第一预设数量的目标轮廓像素点;将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第二线段;针对当前的第二线段,根据所述第一坐标信息计算所述轮廓线段中位于该第二线段的两个端点之间的各个轮廓像素点与该第二线段之间的距离;确定各个轮廓像素点与该第二线段之间的距离中的最大距离是否大于预设距离阈值;如果是,将所述最大距离对应的轮廓像素点确定为目标轮廓像素点,并返回所述将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第二线段的步骤;如果否,将该第二线段确定为轮廓线段,并针对下一个第二线段,返回执行所述计算所述轮廓线段中位于该第二线段的两个端点之间的各个轮廓像素点与该第二线段之间的距离的步骤,直至各个所述第二线段均被遍历到。
根据本公开的第三方面,提供了一种电子设备,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指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的图像处理方法、装置、设备及存储介质,获取待检测晶圆对应的晶圆图像;基于晶圆图像中各个像素点的像素值,对晶圆图像进行分割处理,得到晶圆图像对应的第一晶圆子图像和第二晶圆子图像;根据第一晶圆子图像和第二晶圆子图像确定待检测晶圆的边缘崩边区域图像;提取边缘崩边区域图像的轮廓特征作为图像特征;基于图像特征确定待检测晶圆是否存在预设缺陷。即可以采集晶圆图像,通过提取晶圆图像的边缘崩边区域图像的图像特征,利用图像特征检测晶圆缺陷,节省了人工资源的同时提高了检测效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例提供的图像处理方法的一种流程示意图;
图2示出了本公开实施例提供的一种晶圆表面灰度图像;
图3示出了本公开实施例提供的一种凸包图像;
图4示出了本公开实施例提供的一种晶圆边缘崩边区域图像;
图5示出了本公开实施例提供的一种图像特征提取流程示意图;
图6示出了本公开实施例提供的一种轮廓线示意图;
图7示出了本公开实施例提供的一种图像平滑处理示意图;
图8示出了本公开实施例提供的图像处理装置的一种结构内示意图;
图9示出了本公开实施例提供的一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域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,都属于本公开保护的范围。
由于现有的使用显微镜对晶圆表面进行观察的人工检测方式不仅耗费大量人工资源而且检测效率也较低,因此,为了节省人工资源以及提高检测效率,本公开提供了一种图像处理方法、装置、设备及存储介质。本公开提供的图像处理方法可以应用于任何可以进行图像处理的电子设备,包括不限于电脑、手机和平板电脑等。
下面将结合本公开实施例中的附图,对本公开实施例的技术方案进行描述。
图1示出了本公开实施例提供的图像处理方法的一种流程示意图,如图1所示,所述方法包括:
S101,获取待检测晶圆对应的晶圆图像。
本公开中,待检测晶圆是指无图案晶圆。
本公开中,可以采用图像采集装置采集待检测晶圆表面的图像,图像采集装置可以为摄像机和手机相机等。图像采集装置具体可以为机器视觉系统中的线阵相机或面阵相机。而采集到的待检测晶圆表面的图像可能是灰度图像也可能是彩色图像,如果采集到的是彩色图像,可以将彩色图像转换成灰度图像,将待检测晶圆表面的灰度图像作为晶圆图像。
S102,基于所述晶圆图像中各个像素点的像素值,对所述晶圆图像进行分割处理,得到所述晶圆图像对应的第一晶圆子图像和第二晶圆子图像。
S103,根据所述第一晶圆子图像和所述第二晶圆子图像确定所述待检测晶圆的边缘崩边区域图像。
S104,提取所述边缘崩边区域图像的轮廓特征,作为图像特征。
S105,基于所述图像特征确定所述待检测晶圆是否存在预设缺陷。
晶圆表面的缺陷包括但不限于异物附着(比如落尘)、划痕和崩边。由于晶圆边缘有类似缺口的标志位标记,该标志位标记与崩边缺陷很相似,晶圆的崩边缺陷很容易因为该标志位标记而发生过漏检的情况。因此,当预设缺陷为崩边缺陷时,本公开可以通过边缘崩边区域图像的图像特征检测晶圆的崩边缺陷,减少晶圆的崩边检测过漏检的情况。
采用该方法,获取待检测晶圆对应的晶圆图像;基于晶圆图像中各个像素点的像素值,对晶圆图像进行分割处理,得到晶圆图像对应的第一晶圆子图像和第二晶圆子图像;根据第一晶圆子图像和第二晶圆子图像确定待检测晶圆的边缘崩边区域图像;提取边缘崩边区域图像的轮廓特征作为图像特征;基于图像特征确定待检测晶圆是否存在预设缺陷。即可以采集晶圆图像,通过提取晶圆图像的边缘崩边区域图像的图像特征,利用图像特征检测晶圆缺陷,节省了人工资源的同时提高了检测效率。
在一可实施方式中,所述基于所述晶圆图像中各个像素点的像素值,对所述晶圆图像进行分割处理,得到所述晶圆图像对应的第一晶圆子图像和第二晶圆子图像,可以包括步骤A1:
步骤A1,根据所述晶圆图像中各个像素点的像素值和预设像素值区间,将所述晶圆图像分割为第一晶圆子图像和第二晶圆子图像。
本公开中,预设像素值区间可以设置为像素值区间[pix1 pix2],其中,pix1是指第一像素阈值,pix2是指第二像素值阈值,即预设像素值区间是由第一像素阈值和第二像素值阈值确定的像素值区间。第一像素阈值小于第二像素阈值,第一像素阈值通常可以设定为100或101等,第二像素阈值通常可以设定为255。
即本公开中,可以通过晶圆图像中各个像素点的像素值和预设像素值区间,对晶圆图像进行二值化处理,将晶圆图像分割为第一晶圆子图像和第二晶圆子图像。
具体的,所述根据所述晶圆图像中各个像素点的像素值和预设像素值区间,将所述晶圆图像分割为第一晶圆子图像和第二晶圆子图像,包括步骤B1-B2:
步骤B1,针对所述晶圆图像的每个像素点,若该像素点的原始像素值在预设像素值区间内,将第一预设像素值赋值为该像素点的像素值,若该像素点的原始像素值不在预设像素值区间内,将第二预设像素值赋值为该像素点的像素值。
其中,所述第一预设像素值大于所述第二预设像素值,通常,可以设置第一预设像素值为255,设置第二预设像素值为0。像素点的原始像素值是指该像素点在晶圆图像中对应的像素值。
步骤B2,将像素值为所述第一预设像素值的像素点所构成的图像确定为第一晶圆子图像,以及,将像素值为所述第二预设像素值的像素点所构成的图像确定为第二晶圆子图像。
或者,也可以将像素值为所述第一预设像素值的像素点所构成的图像确定为第二晶圆子图像,以及,将像素值为所述第二预设像素值的像素点所构成的图像确定为第一晶圆子图像。
由于晶圆图像中表征晶圆表面的各个像素点的灰度值通常大于表征非晶圆表面的各个像素点的灰度值,而预设像素值区间内的像素值通常是大于等于100的像素值,因此,当像素点的原始像素值在预设像素值区间内,表示该像素点的灰度值比较大,即该像素点应该为晶圆图像中表征晶圆表面的像素点,因此,可以为该像素点的重新赋予第一预设像素值,作为该像素点的像素值;当像素点的原始像素值不在预设像素值区间内,表示该像素点的灰度值比较小,即该像素点应该为晶圆图像中表征非晶圆表面的像素点,因此,可以为该像素点的重新赋予第二预设像素值,作为该像素点的像素值。针对重新赋值后的各个像素点,若将像素值为第一预设像素值的像素点所构成的图像确定为第一晶圆子图像,则表示第一晶圆子图像为表征待检测晶圆的表面区域的子图像,将像素值为第二预设像素值的像素点所构成的图像确定为第二晶圆子图像,表示则表示第二晶圆子图像为表征非待检测晶圆的表面区域的子图像。
在一种可能的实施方式中,所述根据所述第一晶圆子图像和所述第二晶圆子图像确定所述待检测晶圆的边缘崩边区域图像,包括步骤C1-C2:
步骤C1,从所述第一晶圆子图像和所述第二晶圆子图像中确定出表征所述待检测晶圆的表面区域的子图像,作为晶圆表面子图像。
若将像素值为第一预设像素值的像素点所构成的图像确定为第二晶圆子图像,则表示第二晶圆子图像为表征待检测晶圆的表面区域的子图像,将像素值为第二预设像素值的像素点所构成的图像确定为第一晶圆子图像,表示则表示第一晶圆子图像为表征非待检测晶圆的表面区域的子图像。从而通过对晶圆图像的二值化处理,分析出晶圆表面和非晶圆表面的差异,确定出表征晶圆表面的圆表面子图像。而晶圆表面子图像中包括了需要进行缺陷检测的晶圆边缘崩边区域。图2示出了本公开实施例提供的一种晶圆表面灰度图像,如图2所示,对晶圆图像210进行二值化处理,可以得到需要进行缺陷检测的晶圆边缘崩边区域的晶圆表面子图像201,以及非晶圆表面子图像202。
如果晶圆存在崩边缺陷,那么经过对晶圆图像的二值化处理得到第一晶圆子图像和第二晶圆子图像后,第一晶圆子图像和第二晶圆子图像中表征待检测晶圆的表面区域的子图像的边缘会呈现不平滑、凹凸不平的边缘轮廓形态。仍如图2所示,晶圆表面子图像201的边缘呈现出了不平滑、凹凸不平的边缘轮廓形态。
步骤C2,确定包含所述晶圆表面子图像的凸包图像。
由于存在崩边缺陷的晶圆边缘会存在向晶圆内部方向凹进的区域,如图2中晶圆表面子图像201所示。对晶圆表面子图像的求取凸包图像,凸包图像可以完全包含崩边区域。
具体的,求取凸包图像即为求取包含晶圆表面子图像所有像素点的最小的凸多边形的图像。图3示出了本公开实施例提供的一种凸包图像,如图3所示,图3展示出了求取包含图2所示的晶圆表面子图像201所有像素点的最小的凸多边形后所得到的凸包图像301。
步骤C3,基于所述凸包图像和所述晶圆表面子图像确定所述待检测晶圆的边缘崩边区域图像。
由于凸包图像中包含晶圆边缘崩边区域,因此,可以对凸包图像和晶圆表面子图像做差分运算待检测晶圆的边缘崩边区域图像,具体的,可以用凸包图像凸包区域减去晶圆表面子图像,得到待检测晶圆的边缘崩边区域。结合图2和图3所示,凸包图像301包含了晶圆表面子图像201所有像素点,即包含待检测晶圆的边缘崩边区域,因此,可以用凸包图像301减去晶圆表面图像201,得到图4所示的待检测晶圆的边缘崩边区域图像401,图4示出了本公开实施例提供的一种晶圆边缘崩边区域图像。
在一可实施方式中,图5示出了本公开实施例提供的一种图像特征提取流程示意图,如图5所示,所述提取所述边缘崩边区域图像的轮廓特征,作为图像特征,包括:
S501,提取所述边缘崩边区域图像对应的轮廓线。
本公开中,由于所提取的边缘崩边区域图像可能存在凹凸不平、毛刺多等问题,这些问题会对缺陷检测造成干扰,因此,为了消除干扰,可以先对所述边缘崩边区域图像进行平滑处理,得到平滑处理后的边缘崩边区域图像;然后将所述平滑处理后的边缘崩边区域图像确定为所述边缘崩边区域图像对应的轮廓线,具体的,可以提取平滑处理后的边缘崩边区域图像的边缘对应的外轮廓线,作为边缘崩边区域图像对应的轮廓线。图6示出了本公开实施例提供的一种轮廓线示意图,对图4所示的待检测晶圆的边缘崩边区域图像401提取外轮廓线,可以得到如图6所示的轮廓线601。
在一种可能的实施方式中,可以采用自适应形态学开运算方法,对边缘崩边区域图像进行平滑处理。具体的,可以采用如下确定出对边缘崩边区域图像进行开运算的开闭运算核k的大小,然后利用开闭运算核k对边缘崩边区域图像进行开运算,得到平滑后的边缘崩边区域图像:
k=Area/γ
其中,k是开闭运算核,Area是边缘崩边区域图像的面积,γ为设置的自适应系数,γ值可以根据实际应用场景自适应调整。
图7示出了本公开实施例提供的一种图像平滑处理示意图,如图6所示,边缘崩边区域图像701存在凹凸不平、毛刺等问题,采用自适应形态学开运算方法对边缘崩边区域图像701进行平滑处理后,可以得到轮廓平滑的平滑后的边缘崩边区域图像702。
S502,按照预设分割规则对所述轮廓线进行分割,得到多个轮廓线段。
S503,确定各个所述轮廓线段对应的角度信息。
S504,基于所述角度信息确定所述边缘崩边区域图像的图像特征。
在一种可能的实施方式中,所述按照预设分割规则对所述轮廓线进行分割,得到多个轮廓线段,可以包括步骤D1-D7:
步骤D1,获取各个轮廓像素点的第一坐标信息。
其中,所述轮廓像素点为构成所述轮廓线的像素点。例如,如图6所示的轮廓线601,构成轮廓线601的各个像素点即轮廓像素点。本公开中,可以通过在轮廓线所在平面创建二维坐标系,将轮廓线的各个轮廓像素点在二维坐标系中的坐标值确定为个轮廓像素点的第一坐标信息。
步骤D2,从各个轮廓像素点中选取第一预设数量的目标轮廓像素点。
第一预设数量可以根据轮廓线进行设置,例如第一预设数量可以设置为16,以图6所示的轮廓线601为例,可以从各个轮廓像素点中选取16个像素点:像素点a-像素点s,将像素点a-像素点s作为目标轮廓像素点。
步骤D3,将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第一线段。
具体的,可以将每相邻的两个目标轮廓像素点作为线段端点,连接两线段端点得到对应的第一线段。以图6所示的轮廓线601为例,目标轮廓像素点a和目标轮廓像素点b相邻,可以将目标轮廓像素点a和目标轮廓像素点b进行连接,得到以目标轮廓像素点a和目标轮廓像素点b为端点的第一线段ab;目标轮廓像素点a和目标轮廓像素点s也相邻,还可以将目标轮廓像素点a和目标轮廓像素点s进行连接,得到以目标轮廓像素点a和目标轮廓像素点s为端点的第一线段as。按照同样的方式,还可以得到第一线段bc、第一线段cd、第一线段de、第一线段ef、第一线段fg、第一线段gk、第一线段kl、第一线段lm、第一线段mn、第一线段no、第一线段op、第一线段pq、第一线段qr和第一线段rs。
步骤D4,针对每个第一线段,计算所述轮廓线中位于该第一线段的两个端点之间的各个轮廓像素点与该第一线段之间的距离。
以图6所示的轮廓线601为例,针对第一线段ab,可以根据各个轮廓像素点的第一坐标信息计算轮廓线601上在目标轮廓像素点a和目标轮廓像素点b之间的每个像素点与第一线段ab之间的距离,并从多个距离中确定出目标轮廓像素点a和目标轮廓像素点b之间的像素点与第一线段ab的最大距离。
步骤D5,确定各个轮廓像素点与该第一线段之间的距离中的最大距离是否大于预设距离阈值。
其中,预设距离阈值用于表征第一线段能够拟合对应的部分轮廓线的程度,若各个轮廓像素点与该第一线段之间的距离中的最大距离不大于预设距离阈值,表征轮廓线中在该第一线段的两个端点之间的部分可以用该第一线段拟合;若各个轮廓像素点与该第一线段之间的距离中的最大距离大于预设距离阈值,表征轮廓线中在该第一线段的两个端点之间的部分存在不能够用该第一线段拟合的像素点,因此不能用该第一线段拟合轮廓线中在该第一线段的两个端点之间的部分。
预设距离阈值可以根据实际应用场景进行设定,例如,可以设定为0.01毫米或0.02毫米等。
步骤D6,如果是,将所述最大距离对应的轮廓像素点与该第一线段的两个端点分别连线得到两个新的第一线段,针对每个新的第一线段返回计算所述轮廓线中位于该第一线段的两个端点之间的各个轮廓像素点与该第一线段之间的距离的步骤。
如果各个轮廓像素点与该第一线段之间的距离中的最大距离大于预设距离阈值,则可以将最大距离对应的轮廓像素点保留,记为新的目标轮廓像素点,此时可以将该新的目标轮廓像素点分别与该第一线段的两个端点连线得到两个新的第一线段,针对两个新的第一线段重复执行步骤D4-D5,直至该第一线段的两端点之间不再产生新的目标轮廓像素点。
举例说明,以图6所示的轮廓线601中对应的第一线段as为例,根据轮廓线601中位于轮廓像素点a和轮廓像素点s之间的各个轮廓像素点的第一坐标信息,计算轮廓线601中位于轮廓像素点a和轮廓像素点s之间的各个轮廓像素点与该第一线段as之间的距离,若确定出轮廓像素点a和轮廓像素点s之间的各个轮廓像素点与该第一线段as之间的距离中的最大距离大于预设距离阈值,且最大距离对应的像素点为轮廓像素点t,则可以将轮廓像素点t作为新的目标轮廓像素点,然后连接轮廓像素点t和轮廓像素点a得到新的第一线段ta,以及连接轮廓像素点t和轮廓像素点s得到新的第一线段ts,分别针对第一线段ta和第一线段ts,重复执行步骤D4-D5,直至轮廓像素点t和轮廓像素点a不再产生新的目标轮廓像素点。
步骤D7,如果否,将该第一线段确定为轮廓线段。
仍以图6所示的轮廓线601中对应的第一线段as为例进行说明,根据轮廓线601中位于轮廓像素点a和轮廓像素点s之间的各个轮廓像素点的第一坐标信息,计算轮廓线601中位于轮廓像素点a和轮廓像素点s之间的各个轮廓像素点与该第一线段as之间的距离,若确定出轮廓像素点a和轮廓像素点s之间的各个轮廓像素点与该第一线段as之间的距离中的最大距离不大于预设距离阈值,表示轮廓线601中在轮廓像素点a和轮廓像素点s之间的部分可以用该第一线段as拟合,则可以将第一线段as确定为轮廓线段。
在另一种可能的实施方式中,所述按照预设分割规则对所述轮廓线进行分割,得到多个轮廓线段,可以包括步骤E1-E7:
步骤E1,获取各个轮廓像素点的第一坐标信息。
步骤E2,从各个轮廓像素点中选取第一预设数量的目标轮廓像素点。
步骤E1和步骤E2分别与步骤D1和步骤D2对应,此处不再赘述。
步骤E3,将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第二线段。
具体的,可以将每相邻的两个目标轮廓像素点作为线段端点,连接两线段端点得到对应的第二线段。
步骤E4,针对当前的第二线段,根据所述第一坐标信息计算所述轮廓线段中位于该第二线段的两个端点之间的各个轮廓像素点与该第二线段之间的距离。
可以从多个第二线段中选择任意一个第二线段作为当前的第二线段进行处理。
本步骤中计算各个轮廓像素点与该第二线段之间的距离的方式可以参照步骤D4,此处不再赘述。
步骤E5,确定各个轮廓像素点与该第二线段之间的距离中的最大距离是否大于预设距离阈值。
步骤E6,如果是,将所述最大距离对应的轮廓像素点确定为目标轮廓像素点,并返回所述将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第二线段的步骤。
如果各个轮廓像素点与该第二线段之间的距离中的最大距离大于预设距离阈值,可以将最大距离对应的轮廓像素点确定为目标轮廓像素点,然后返回步骤E3,重新基于各个目标轮廓像素点确定出多个第二线段。
步骤E7,如果否,将该第二线段确定为轮廓线段,并针对下一个第二线段,返回执行所述计算所述轮廓线段中位于该第二线段的两个端点之间的各个轮廓像素点与该第二线段之间的距离的步骤,直至各个所述第二线段均被遍历到。
当各个所述第二线段均被遍历到后,所确定出的各个轮廓线段中相邻的轮廓线段相连接后得到的闭合连线能够拟合轮廓线。
在提取完轮廓线段后,可以对计算各个轮廓线段对应的角度信息。为了将各个轮廓线段对应的角度归一化至0~180°的角度范围,可以在包含所有轮廓线段的平面建立二维坐标系,然后在该坐标系中计算各个轮廓线段对应的角度。在一种可能的实施方式中,所述确定各个所述轮廓线段对应的角度信息,包括步骤F1-F2:
步骤F1,获取在同一坐标系下各个所述轮廓线段对应的直线的斜率。
具体的,可以根据轮廓线段上各个轮廓像素点在该坐标系下的坐标信息,计算每个轮廓线段对应的直线方程,根据直线方程得到每个轮廓线段对应的直线的斜率。
步骤F2,根据所述斜率,确定各个所述轮廓线段对应的角度信息。
根据斜率与角度的换算公式θ=arctank可以计算出斜率对应的角度,其中,θ是指斜率k对应的角度,arctan是指反正切函数。
在一种可能的实施方式中,所述基于所述角度信息确定所述边缘崩边区域图像的图像特征,可以包括步骤G1-G2:
步骤G1,计算每相邻的两个轮廓线段之间的角度差值,得到多个角度差值。
具体的,针对每相邻的两个轮廓线段,计算该相邻的两个轮廓线段各自对应的角度之间的差值,作为该相邻的两个轮廓线段之间的角度差值。
步骤G2,确定多个角度差值中数值大于预设差值阈值的角度差值的数量确定为极值点数量,并将所述极值点数量确定为所述边缘崩边区域图像的图像特征。
预设差值阈值可以根据实际应用场景进行设定,例如可以设定为10°或15°。
具体的,可以设置极值点个数E,现将极值点个数E初始化为E=0。比较各个角度差值与预设差值阈值的大小,若当前的角度差值大于预设差值阈值,极值点个数E的取值加1,然后比较下一个角度差值与预设差值阈值的大小,若当前的角度差值不大于预设差值阈值直接比较下一个角度差值与预设差值阈值的大小,直至所有若当前的角度差值大于预设差值阈值,,极值点个数E的取值加1,直至所有角度差值均被比较完后,将所得到的极值点个数E的数值确定为极值点数量。
由于每一个极值点特征对应晶圆表面的一个崩边区域,因此可以利用极值点数量检测晶圆的崩边缺陷。所以,可以将极值点数量确定为边缘崩边区域图像的图像特征。
本公开中,所述基于所述图像特征确定所述待检测晶圆是否存在预设缺陷,可以包括:如果极值点数量大于第二预设数量,确定所述待检测晶圆存在崩边缺陷。
其中,第二预设数量可以根据实际应用场景进行设置,例如第二预设数量可以设置为1或2。若第二预设数量设置为1,表示当计算出边缘崩边区域图像的轮廓边缘存在极值点即代表待检测晶圆产生了崩边缺陷,即待检测晶圆不合规,因此,需要提醒该待检测晶圆不合规不能够流到后续的流程。
采用该方法,可以采集晶圆图像,通过提取晶圆图像的边缘崩边区域图像的图像特征,利用图像特征检测晶圆缺陷,节省了人工资源的同时提高了检测效率。并且,如果能够检测出待检测晶圆存在崩边缺陷,可以提前避免不合规晶圆流入后续流程,提升了晶圆生产良率,节省了晶圆的生产成本。
基于同一发明构思,根据本公开上述实施例提供的信息聚合方法,相应地,本公开另一实施例还提供了一种图像处理装置,其结构示意图如图8所示,具体包括:
晶圆图像获取模块801,用于获取待检测晶圆对应的晶圆图像;
图像分割模块802,用于基于所述晶圆图像中各个像素点的像素值,对所述晶圆图像进行分割处理,得到所述晶圆图像对应的第一晶圆子图像和第二晶圆子图像;
边缘图像提取模块803,用于根据所述第一晶圆子图像和所述第二晶圆子图像确定所述待检测晶圆的边缘崩边区域图像;
图像特征提取模块804,用于提取所述边缘崩边区域图像的轮廓特征,作为图像特征;
缺陷确定模块805,用于基于所述图像特征确定所述待检测晶圆是否存在预设缺陷。
采用该装置,获取待检测晶圆对应的晶圆图像;基于晶圆图像中各个像素点的像素值,对晶圆图像进行分割处理,得到晶圆图像对应的第一晶圆子图像和第二晶圆子图像;根据第一晶圆子图像和第二晶圆子图像确定待检测晶圆的边缘崩边区域图像;提取边缘崩边区域图像的轮廓特征作为图像特征;基于图像特征确定待检测晶圆是否存在预设缺陷。即可以采集晶圆图像,通过提取晶圆图像的边缘崩边区域图像的图像特征,利用图像特征检测晶圆缺陷,节省了人工资源的同时提高了检测效率。
在一可实施方式中,所述图像分割模块802,具体用于根据所述晶圆图像中各个像素点的像素值和预设像素值区间,将所述晶圆图像分割为第一晶圆子图像和第二晶圆子图像。
在一可实施方式中,所述图像分割模块802,具体用于针对所述晶圆图像的每个像素点,若该像素点的原始像素值在预设像素值区间内,将第一预设像素值赋值为该像素点的像素值,若该像素点的原始像素值不在预设像素值区间内,将第二预设像素值赋值为该像素点的像素值,其中,所述第一预设像素值大于所述第二预设像素值;将像素值为所述第一预设像素值的像素点所构成的图像确定为第一晶圆子图像,以及,将像素值为所述第二预设像素值的像素点所构成的图像确定为第二晶圆子图像。
在一可实施方式中,所述边缘图像提取模块803,具体用于从所述第一晶圆子图像和所述第二晶圆子图像中确定出表征所述待检测晶圆的表面区域的子图像,作为晶圆表面子图像;确定包含所述晶圆表面子图像的凸包图像;基于所述凸包图像和所述晶圆表面子图像确定所述待检测晶圆的边缘崩边区域图像。
在一可实施方式中,所述图像特征提取模块804,具体用于提取所述边缘崩边区域图像对应的轮廓线;按照预设分割规则对所述轮廓线进行分割,得到多个轮廓线段;确定各个所述轮廓线段对应的角度信息;基于所述角度信息确定所述边缘崩边区域图像的图像特征。
在一可实施方式中,所述图像特征提取模块804,具体用于获取各个轮廓像素点的第一坐标信息,其中,所述轮廓像素点为构成所述轮廓线的像素点;从各个轮廓像素点中选取第一预设数量的目标轮廓像素点;将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第一线段;针对每个第一线段,根据所述第一坐标信息计算所述轮廓线中位于该第一线段的两个端点之间的各个轮廓像素点与该第一线段之间的距离;确定各个轮廓像素点与该第一线段之间的距离中的最大距离是否大于预设距离阈值;如果是,将所述最大距离对应的轮廓像素点与该第一线段的两个端点分别连线得到两个新的第一线段,针对每个新的第一线段返回计算所述轮廓线中位于该第一线段的两个端点之间的各个轮廓像素点与该第一线段之间的距离的步骤;如果否,将该第一线段确定为轮廓线段。
在一可实施方式中,所述图像特征提取模块804,具体用于获取各个轮廓像素点的第一坐标信息;从各个轮廓像素点中选取第一预设数量的目标轮廓像素点;将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第二线段;针对当前的第二线段,根据所述第一坐标信息计算所述轮廓线段中位于该第二线段的两个端点之间的各个轮廓像素点与该第二线段之间的距离;确定各个轮廓像素点与该第二线段之间的距离中的最大距离是否大于预设距离阈值;如果是,将所述最大距离对应的轮廓像素点确定为目标轮廓像素点,并返回所述将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第二线段的步骤;如果否,将该第二线段确定为轮廓线段,并针对下一个第二线段,返回执行所述计算所述轮廓线段中位于该第二线段的两个端点之间的各个轮廓像素点与该第二线段之间的距离的步骤,直至各个所述第二线段均被遍历到。
在一可实施方式中,所述图像特征提取模块804,具体用于对所述边缘崩边区域图像进行平滑处理,得到平滑处理后的边缘崩边区域图像;将所述平滑处理后的边缘崩边区域图像确定为所述边缘崩边区域图像对应的轮廓线。
在一可实施方式中,所述图像特征提取模块804,具体用于获取在同一坐标系下各个所述轮廓线段对应的直线的斜率;根据所述斜率,确定各个所述轮廓线段对应的角度信息。
在一可实施方式中,所述图像特征提取模块804,具体用于计算每相邻的两个轮廓线段之间的角度差值,得到多个角度差值;确定多个角度差值中数值大于预设差值阈值的角度差值的数量确定为极值点数量,并将所述极值点数量确定为所述边缘崩边区域图像的图像特征。
在一可实施方式中,所述缺陷确定模块805,具体用于如果极值点数量大于第二预设数量,确定所述待检测晶圆存在崩边缺陷。
采用该装置,可以采集晶圆图像,通过提取晶圆图像的边缘崩边区域图像的图像特征,利用图像特征检测晶圆缺陷,节省了人工资源的同时提高了检测效率。并且,如果能够检测出待检测晶圆存在崩边缺陷,可以提前避免不合规晶圆流入后续流程,提升了晶圆生产良率,节省了晶圆的生产成本。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。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/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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。
计算单元901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。计算单元901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计算单元、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。计算单元901执行上文所描述的各个方法和处理,例如图像处理合方法。例如,在一些实施例中,图像处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像处理方法。
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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(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、和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、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中,机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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,可以在计算机上实施此处描述的系统和技术,该计算机具有: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计算机。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)和互联网。
计算机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,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本发公开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,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获取待检测晶圆对应的晶圆图像;
基于所述晶圆图像中各个像素点的像素值,对所述晶圆图像进行分割处理,得到所述晶圆图像对应的第一晶圆子图像和第二晶圆子图像;
根据所述第一晶圆子图像和所述第二晶圆子图像确定所述待检测晶圆的边缘崩边区域图像;
提取所述边缘崩边区域图像的轮廓特征,作为图像特征;
基于所述图像特征确定所述待检测晶圆是否存在预设缺陷。
2.根据权利要求1所述的方法,其特征在于,所述基于所述晶圆图像中各个像素点的像素值,对所述晶圆图像进行分割处理,得到所述晶圆图像对应的第一晶圆子图像和第二晶圆子图像,包括:
根据所述晶圆图像中各个像素点的像素值和预设像素值区间,将所述晶圆图像分割为第一晶圆子图像和第二晶圆子图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述晶圆图像中各个像素点的像素值和预设像素值区间,将所述晶圆图像分割为第一晶圆子图像和第二晶圆子图像,包括:
针对所述晶圆图像的每个像素点,若该像素点的原始像素值在预设像素值区间内,将第一预设像素值赋值为该像素点的像素值,若该像素点的原始像素值不在预设像素值区间内,将第二预设像素值赋值为该像素点的像素值,其中,所述第一预设像素值大于所述第二预设像素值;
将像素值为所述第一预设像素值的像素点所构成的图像确定为第一晶圆子图像,以及,将像素值为所述第二预设像素值的像素点所构成的图像确定为第二晶圆子图像。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一晶圆子图像和所述第二晶圆子图像确定所述待检测晶圆的边缘崩边区域图像,包括:
从所述第一晶圆子图像和所述第二晶圆子图像中确定出表征所述待检测晶圆的表面区域的子图像,作为晶圆表面子图像;
确定包含所述晶圆表面子图像的凸包图像;
基于所述凸包图像和所述晶圆表面子图像确定所述待检测晶圆的边缘崩边区域图像。
5.根据权利要求1所述的方法,其特征在于,所述提取所述边缘崩边区域图像的轮廓特征,作为图像特征,包括:
提取所述边缘崩边区域图像对应的轮廓线;
按照预设分割规则对所述轮廓线进行分割,得到多个轮廓线段;
确定各个所述轮廓线段对应的角度信息;
基于所述角度信息确定所述边缘崩边区域图像的图像特征。
6.根据权利要求5所述的方法,其特征在于,所述按照预设分割规则对所述轮廓线进行分割,得到多个轮廓线段,包括:
获取各个轮廓像素点的第一坐标信息,其中,所述轮廓像素点为构成所述轮廓线的像素点;
从各个轮廓像素点中选取第一预设数量的目标轮廓像素点;
将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第一线段;
针对每个第一线段,根据所述第一坐标信息计算所述轮廓线中位于该第一线段的两个端点之间的各个轮廓像素点与该第一线段之间的距离;
确定各个轮廓像素点与该第一线段之间的距离中的最大距离是否大于预设距离阈值;
如果是,将所述最大距离对应的轮廓像素点与该第一线段的两个端点分别连线得到两个新的第一线段,针对每个新的第一线段返回计算所述轮廓线中位于该第一线段的两个端点之间的各个轮廓像素点与该第一线段之间的距离的步骤;
如果否,将该第一线段确定为轮廓线段。
7.根据权利要求5所述的方法,其特征在于,所述按照预设分割规则对所述轮廓线进行分割,得到多个轮廓线段,包括:
获取各个轮廓像素点的第一坐标信息;
从各个轮廓像素点中选取第一预设数量的目标轮廓像素点;
将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第二线段;
针对当前的第二线段,根据所述第一坐标信息计算所述轮廓线段中位于该第二线段的两个端点之间的各个轮廓像素点与该第二线段之间的距离;
确定各个轮廓像素点与该第二线段之间的距离中的最大距离是否大于预设距离阈值;
如果是,将所述最大距离对应的轮廓像素点确定为目标轮廓像素点,并返回所述将相邻的两个目标轮廓像素点作为线段端点,基于所述第一预设数量的目标轮廓像素点确定出多个第二线段的步骤;
如果否,将该第二线段确定为轮廓线段,并针对下一个第二线段,返回执行所述计算所述轮廓线段中位于该第二线段的两个端点之间的各个轮廓像素点与该第二线段之间的距离的步骤,直至各个所述第二线段均被遍历到。
8.一种图像处理装置,其特征在于,所述装置包括:
晶圆图像获取模块,用于获取待检测晶圆对应的晶圆图像;
图像分割模块,用于基于所述晶圆图像中各个像素点的像素值,对所述晶圆图像进行分割处理,得到所述晶圆图像对应的第一晶圆子图像和第二晶圆子图像;
边缘图像提取模块,用于根据所述第一晶圆子图像和所述第二晶圆子图像确定所述待检测晶圆的边缘崩边区域图像;
图像特征提取模块,用于提取所述边缘崩边区域图像的轮廓特征,作为图像特征;
缺陷确定模块,用于基于所述图像特征确定所述待检测晶圆是否存在预设缺陷。
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指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311050927.1A CN116934739A (zh) | 2023-08-18 | 2023-08-18 | 一种图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311050927.1A CN116934739A (zh) | 2023-08-18 | 2023-08-18 | 一种图像处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116934739A true CN116934739A (zh) | 2023-10-24 |
Family
ID=88387978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311050927.1A Pending CN116934739A (zh) | 2023-08-18 | 2023-08-18 | 一种图像处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934739A (zh) |
-
2023
- 2023-08-18 CN CN202311050927.1A patent/CN116934739A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113781402B (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN107369176B (zh) | 一种柔性ic基板氧化面积检测系统及方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN116559177A (zh) | 一种缺陷检测方法、装置、设备以及存储介质 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN116152208A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN115272290A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN116385415A (zh) | 一种边缘缺陷检测方法、装置、设备及存储介质 | |
CN117333443A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN116402820A (zh) | 一种检测方法、装置、设备及存储介质 | |
CN116934739A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN112991308B (zh) | 一种图像质量的确定方法、装置、电子设备和介质 | |
CN115546764A (zh) | 一种障碍物检测方法、装置、设备及存储介质 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN117372408A (zh) | 一种设备检测方法、装置、设备及存储介质 | |
CN116823924B (zh) | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 | |
CN116681697B (zh) | 一种金刚石复合片的脱钴测量方法、装置及电子设备 | |
CN108053414A (zh) | 一种机器视觉边缘检测技术 | |
CN115187585A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN117764964A (zh) | 一种交叉划痕处理方法、装置、电子设备及存储介质 | |
CN116934714A (zh) | 图像处理方法、装置、设备及存储介质 |
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 |