CN116934744B - 基于机器视觉的mosfet蚀刻缺陷检测方法 - Google Patents
基于机器视觉的mosfet蚀刻缺陷检测方法 Download PDFInfo
- Publication number
- CN116934744B CN116934744B CN202311182136.4A CN202311182136A CN116934744B CN 116934744 B CN116934744 B CN 116934744B CN 202311182136 A CN202311182136 A CN 202311182136A CN 116934744 B CN116934744 B CN 116934744B
- Authority
- CN
- China
- Prior art keywords
- defect
- pixel point
- mosfet
- etching
- notch
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 199
- 238000005530 etching Methods 0.000 title claims abstract description 110
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 55
- 239000013598 vector Substances 0.000 claims description 89
- 238000013507 mapping Methods 0.000 claims description 51
- 238000012937 correction Methods 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims 1
- 239000007924 injection Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical group 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification 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
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,具体涉及基于机器视觉的MOSFET蚀刻缺陷检测方法,采集MOSFET蚀刻灰度图像;根据各像素点八邻域内像素点的灰度信息得到各像素点的递变规律显著走势;根据各像素点邻域窗口内像素点的递变规律显著走势得到各像素点的槽口区域疑似度;根据各像素点的槽口区域疑似度得到各像素点的槽口缺陷疑似度;根据各像素点的槽口缺陷疑似度得到MOSFET蚀刻缺陷程度;根据MOSFET蚀刻缺陷程度及缺陷阈值,完成MOSFET蚀刻缺陷检测。实现了MOSFET蚀刻缺陷检测,提高了对缺陷边缘点检测精度,避免了将缺陷内部光滑平坦的纹理识别为MOSFET蚀刻正常表面,提升了算法的准确率。
Description
技术领域
本申请涉及图像处理领域,具体涉及基于机器视觉的MOSFET蚀刻缺陷检测方法。
背景技术
MOSFET是一种金属氧化物半导体场效应管。半导体制作工艺有几种处理方式,如化学处理、机器处理和物理处理等,本发明研究半导体制作过程中的蚀刻,即用化学处理的方式完成MOSFET的制作。在对MOSFET蚀刻过程中,由于工艺参数不一致、控制不当等因素,会在其表面形成槽口深度不均匀、表面不光滑、氧化物或化学物质等残留在材料表面等缺陷,这些缺陷会影响器件的性能和可靠性。
传统的图像处理技术在使用K-means算法对图像中的槽口不均匀处缺陷进行聚类时,可以对槽口不均匀处的缺陷边缘进行聚类,但是槽口不均匀处的缺陷的内部与MOSFET蚀刻正常区域相似,都是较为光滑的平面,在聚类时容易误聚成MOSFET蚀刻正常区域,这就导致算法容易出现欠分割现象,从而使得缺陷检测结果并不准确。
综上所述,本发明提出基于机器视觉的MOSFET蚀刻缺陷检测方法,采用CCD相机采集MOSFET蚀刻图像,结合槽口不均匀缺陷边缘及缺陷内部像素点的分布特征,进行K-means聚类,完成MOSFET蚀刻缺陷检测。
发明内容
为了解决上述技术问题,本发明提供基于机器视觉的MOSFET蚀刻缺陷检测方法,以解决现有的问题。
本发明的基于机器视觉的MOSFET蚀刻缺陷检测方法采用如下技术方案:
本发明一个实施例提供了基于机器视觉的MOSFET蚀刻缺陷检测方法,该方法包括以下步骤:
采集MOSFET蚀刻图像;对MOSFET蚀刻图像预处理得到MOSFET蚀刻灰度图像;
根据各像素点八邻域内像素点的灰度信息及方向信息得到八邻域内各像素点的灰度方向向量;根据各像素点八邻域内像素点的灰度方向向量得到各像素点的递变规律显著走势;将各像素点的递变规律显著走势映射得到灰度映射向量;根据各像素点邻域窗口内像素点的灰度映射向量得到各像素点的槽口区域疑似度;根据各像素点的槽口区域疑似度得到各像素点的槽口缺陷疑似度;
根据各像素点的槽口缺陷疑似度得到槽口缺陷特征图像;根据槽口缺陷特征图像得到槽口缺陷点簇;根据MOSFET蚀刻灰度图像中MOSFET区域像素点数量及槽口缺陷特征图像中的槽口缺陷点簇的数量得到MOSFET蚀刻缺陷程度;
根据MOSFET蚀刻缺陷程度及缺陷阈值,完成MOSFET蚀刻缺陷检测。
优选的,根据各像素点八邻域内像素点的灰度信息及方向信息得到八邻域内各像素点的灰度方向向量的具体方法为:
对于MOSFET蚀刻灰度图像中任意一个像素点,将像素点作为中心像素点获取对应的八邻域,将中心像素点作为起点、将八邻域内的每个像素点作为终点,将起点与每一个终点构成的连接向量作为每一个终点对应的灰度方向向量,灰度方向向量的方向为起点和终点之间灰度值增大的方向,灰度方向向量的模为起点和终点之间灰度值差值的绝对值。
优选的,根据各像素点八邻域内像素点的灰度方向向量得到各像素点的递变规律显著走势的表达式为:
式中,是第/>个像素点的递变规律显著走势,/>为第/>个像素点对应八邻域内八个灰度方向向量模长的均值,/>是第/>个像素点对应八邻域内像素点的数量,/>是第/>个像素点对应八邻域内第/>个像素点的灰度方向向量。
优选的,将各像素点的递变规律显著走势映射得到灰度映射向量的具体方法为:
对于MOSFET蚀刻灰度图像中的任意一个像素点,分别获取像素点递变规律显著走势与八邻域方向之间的夹角,将像素点递变规律显著走势映射在八邻域方向上夹角最小的方向作为像素点的灰度映射向量的方向,灰度映射向量的模为像素点的递变规律显著走势的模;
如果出现像素点的递变规律显著走势与八邻域方向中的其中两个方向都有相同的最小夹角,取顺时针方向最近的八邻域方向作为映射后的灰度映射向量的方向。
优选的,根据各像素点邻域窗口内像素点的灰度映射向量得到各像素点的槽口区域疑似度的表达式为:
式中,为求括号内两个向量夹角的余弦值,/>为第/>个像素点所取邻域内出现的灰度映射向量方向最多的向量方向,/>为第/>个像素点所取邻域内出现的灰度映射向量方向最多的/>的个数,/>为第/>个像素点所取邻域内像素点的数量,/>为第个像素点所取邻域内的第/>个像素点的递变规律显著走势,/>为第/>个像素点所取邻域的槽口区域疑似度。
优选的,根据各像素点的槽口区域疑似度得到各像素点的槽口缺陷疑似度的表达式为:
式中,为区域疑似度修正系数,用来修正邻域窗口内的槽口缺陷疑似度,/>为方向丰富度修正系数,用来修正邻域窗口内出现多种灰度映射向量情况下的槽口缺陷疑似度,/>为归一化函数,/>为第/>个像素点所取邻域内的槽口区域疑似度,/>为第个像素点所取邻域内所有的灰度映射向量的方差,/>为第/>个像素点所取邻域内所有的灰度映射向量求和后得到的向量模长,/>为第/>个像素点所取邻域内所有的灰度映射向量模长的均值,/>为第/>个像素点所取邻域内的槽口缺陷疑似度。
优选的,根据各像素点的槽口缺陷疑似度得到槽口缺陷特征图像的具体方法为:
对于任意一个像素点,获取像素点的槽口缺陷疑似度,将槽口缺陷疑似度代替像素点的灰度值,遍历所有像素点,将替换后的图像作为槽口缺陷特征图像。
优选的,根据槽口缺陷特征图像得到槽口缺陷点簇的具体方法为:
利用K-means聚类算法获取槽口缺陷特征图像中像素点的聚类簇,分别获取每个聚类簇内像素点的槽口缺陷疑似度的均值,将槽口缺陷疑似度均值最大值对应的聚类簇作为槽口缺陷点簇。
优选的,根据MOSFET蚀刻灰度图像中MOSFET区域像素点数量及槽口缺陷特征图像中的槽口缺陷点簇的数量得到MOSFET蚀刻缺陷程度,具体方法为:
将MOSFET蚀刻灰度图像中MOSFET区域的像素点数量记为第一数量,将槽口缺陷特征图像中的槽口缺陷点簇数量记为第二数量,将第二数量与第一数量的比值记作MOSFET蚀刻缺陷程度。
优选的,根据MOSFET蚀刻缺陷程度及缺陷阈值,完成MOSFET蚀刻缺陷检测的具体方法为:
设定缺陷阈值,将MOSFET蚀刻缺陷程度与缺陷阈值比较,当MOSFET蚀刻缺陷程度大于缺陷阈值,将MOSFET蚀刻图像记为缺陷图像。
本发明至少具有如下有益效果:
本发明方法可实现对MOSFET蚀刻过程中出现的槽口不均匀缺陷的检测,相比于传统的K-means聚类检测方法,本发明结合槽口不均匀缺陷的边缘具有的灰度渐变规律的特征,构建得到缺点边缘点的递变规律显著走势,有助于将槽口边缘与槽口缺陷边缘区分开来,提高了对边缘点检测精度;
同时,再结合区域内部缺陷边缘点的灰度渐变方向来协助判断缺陷内部的像素点,将缺陷内部像素点与MOSFET表面正常的像素点区分开来,避免将缺陷内部纹理光滑平坦的缺陷区域识别为MOSFET光滑表面区域,提升了K-means聚类算法的准确率。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明提供的基于机器视觉的MOSFET蚀刻缺陷检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于机器视觉的MOSFET蚀刻缺陷检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于机器视觉的MOSFET蚀刻缺陷检测方法的具体方案。
本发明一个实施例提供的基于机器视觉的MOSFET蚀刻缺陷检测方法。
具体的,提供了如下的基于机器视觉的MOSFET蚀刻缺陷检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集MOSFET蚀刻图像并对图像进行增强。
本发明实施例主要通过图像处理技术对MOSFET蚀刻缺陷进行检测,由于检测MOSFET蚀刻缺陷较小,如果直接使用普通相机对其进行拍摄,其蚀刻缺陷可能会被误认为是图像中的噪点,不易被检测出来。因此需要使用有较高分辨率的CCD相机,通过对采集MOSFET蚀刻图像进行放大,以此来获取MOSFET蚀刻图像中缺陷的细节,从而采集得到MOSFET蚀刻灰度图像。
MOSFET蚀刻过程中出现的槽口不均匀缺陷,需要通过缺陷边缘的灰度渐变规律信息获取缺陷区域。为了使得这种灰度递变的缺陷区域更加区别于其他区域,采用直方图均衡化算法对灰度图像进行增强,提高后续分析的准确性。直方图均衡化算法是一种图像处理领域中常用的图像增强方法,其具体计算过程在此不再赘述。
至此,即可通过这种方法对MOSFET蚀刻图像进行采集和预处理,用于对MOSFET蚀刻缺陷的检测分析。
步骤S002,对MOSFET蚀刻灰度图像的蚀刻过程中的槽口不均匀特征构建指标。
在获取得到的MOSFET蚀刻灰度图像中,槽口不均匀缺陷的缺陷边缘像素点周围会出现灰度渐变规律的特点,而正常的蚀刻后的表面像素点周围的灰度信息不会出现这种规律性的变化。
针对这种情况,在MOSFET蚀刻灰度图像中,以第个像素点为例,以第/>个像素点作为中心像素点获取对应的八邻域,将中心像素点/>作为起点、将八邻域内的每个像素点作为终点,将起点与每一个终点构成的连接向量作为每一个终点对应的灰度方向向量,灰度方向向量的方向为起点和终点之间灰度值增大的方向,灰度方向向量的模为起点和终点之间灰度值差值的绝对值。计算第/>个像素点到八邻域内的每个像素点灰度变化大小和方向之和,得到表征MOSFET蚀刻灰度图像中像素点/>为中心八邻域内的递变规律显著走势/>。
式中,是第/>个像素点的递变规律显著走势,/>为第/>个像素点对应八邻域内八个灰度方向向量模长的均值,/>是第/>个像素点对应八邻域内像素点的数量,/>是第/>个像素点对应八邻域内第/>个像素点的灰度方向向量。
需要说明的是,是为了防止出现第/>个像素点所取邻域中对侧方向上像素点的灰度方向向量相互抵消的情况,因此需要对其每个灰度方向向量的模进行评估,用来修正递变规律显著走势;通过计算第/>个像素点所取邻域内每个像素点的灰度方向向量,对其进行求和可以得到在第/>个像素点所取邻域内出现灰度渐变幅度较大的方向,使用第/>个像素点所取邻域内的八个灰度方向向量的模长均值来修正该邻域内的灰度方向向量和,模长较大时说明该邻域出现灰度渐变幅度较大的灰度方向向量,可能为缺陷边缘,以此可以得到第/>个像素点所取邻域内的递变规律显著走势/>。
重复上述方法,得到MOSFET蚀刻灰度图像中每个像素点所取邻域内的递变规律显著走势。
由于MOSFET蚀刻灰度图像中的槽口不均匀缺陷边缘像素点会出现灰度渐变规律,但是槽口不均匀缺陷内部像素点的灰度可能并不会出现这种递变规律,但是这些像素点同样也是槽口不均匀的蚀刻缺陷。
针对这种情况,对MOSFET蚀刻灰度图像中第个像素点所取邻域内像素点的递变规律显著走势进行分析,/>为实施者自行设定,这里设定为/>。将各像素点的递变规律显著走势映射到与八邻域方向之间的夹角,将像素点递变规律显著走势映射在八邻域方向上夹角最小的方向作为像素点的灰度映射向量/>,灰度映射向量的模为像素点的递变规律显著走势的模。如果出现像素点的递变规律显著走势与八邻域方向中的其中两个方向都有相同的最小夹角,取顺时针方向最近的八邻域方向作为映射后的灰度映射向量的方向。统计邻域窗口内出现数量最多的灰度映射向量的方向/>,数量为/>,根据灰度映射向量的方向和数量,得到第/>个像素点所取邻域内的槽口区域疑似度/>。
式中,为求括号内两个向量夹角的余弦值,/>为第/>个像素点所取邻域内出现的灰度映射向量方向最多的向量方向,/>为第/>个像素点所取邻域内出现的灰度映射向量方向最多的/>的个数,/>为第/>个像素点所取邻域内像素点的数量,/>为第/>个像素点所取邻域内的第/>个像素点的递变规律显著走势,/>为第/>个像素点所取邻域的槽口区域疑似度。
需要说明的是,计算第个像素点所取邻域内出现数量最多的灰度映射向量方向与所取邻域内所有的方向进行向量求和后得到的新灰度映射向量之间的余弦夹角,如果得到的余弦夹角的值越接近于1,那么说明第/>个像素点所取邻域内的像素点的递变规律显著走势方向与邻域窗口内的整体走势较为接近,且数量最多的该灰度映射向量方向的数量越多,表示该邻域窗口越可能存在为缺陷区域。
重复上述方法,得到MOSFET蚀刻灰度图像中每个像素点所取邻域内的槽口区域疑似度。
由于在第个像素点所取邻域内,可能并不只出现槽口不均匀的缺陷边缘,可能还同时存在MOSFET蚀刻正常的槽口边缘,而正常槽口边缘同样会存在一些灰度递变情况,同时槽口不均匀缺陷内部与MOSFET蚀刻正常表面具有相似的光滑特征,这些与槽口不均匀缺陷的特征极其容易混淆,如果不加以区分,就会导致缺陷识别的结果不准确。
针对这种情况,根据第个像素点所取邻域内得到所有像素点的灰度映射向量的模长均值/>以及所有像素点的灰度映射向量求和后向量的模长/>,同时根据第/>个像素点所取邻域内所有像素点的灰度映射向量方差,可以共同表征第/>个像素点所取邻域内是否出现多种灰度映射向量,结合第/>个像素点所取邻域内的槽口区域疑似度,得到第/>个像素点所取邻域内的槽口缺陷疑似度/>。
式中,为区域疑似度修正系数,取经验值20,用来修正邻域窗口内的槽口缺陷疑似度,/>为方向丰富度修正系数,取经验值5,用来修正邻域窗口内出现多种灰度映射向量情况下的槽口缺陷疑似度,/>为归一化函数,/>为第/>个像素点所取邻域内像素点的数量,/>为第/>个像素点所取邻域内的槽口区域疑似度,/>为第/>个像素点所取邻域内所有的灰度映射向量的方差,/>为第/>个像素点所取邻域所有的灰度映射向量求和后得到的向量模长,/>为第/>个像素点所取邻域内所有的灰度映射向量模长的均值,/>为第/>个像素点所取邻域内的第/>个像素点的递变规律显著走势,/>为第/>个像素点所取邻域内的槽口缺陷疑似度。
需要说明的是,通过对第个像素点所取邻域内的槽口区域疑似度取较大的修正系数,对第/>个像素点所取邻域内的较多的方向向量出现的情况取较小的修正系数,以此来根据第/>个像素点所取邻域内的出现的方向向量的丰富度来间接修正邻域窗口内可能存在槽口区域疑似区域,得到修正后第/>个像素点所取邻域内的槽口缺陷疑似度越大,表示第/>个像素点所取邻域越可能为槽口缺陷疑似区域中的缺陷点。
重复上述方法,得到MOSFET蚀刻灰度图像中每个像素点所取邻域内的槽口缺陷疑似度,槽口缺陷疑似度越大,表示该像素点越可能为槽口缺陷点。
至此,得到MOSFFET蚀刻灰度图像中每个像素点的槽口缺陷疑似度,用来实现对MOSFET蚀刻缺陷的识别。
步骤S003,根据MOSFET蚀刻缺陷区域的面积评估该MOSFET蚀刻缺陷程度。
至此,本实施例中的MOSFET蚀刻灰度图像中的每个像素点,均可以计算得到槽口缺陷疑似度的数值大小。对于任意一个像素点,获取像素点的槽口缺陷疑似度,将槽口缺陷疑似度代替像素点的灰度值,遍历所有像素点,将替换后的图像作为槽口缺陷特征图像。
利用K-means聚类算法获取槽口缺陷特征图像中像素点的聚类簇,分别获取每个聚类簇内像素点的槽口缺陷疑似度的均值,将槽口缺陷疑似度均值最大值对应的聚类簇作为槽口缺陷点簇。
需要说明的是,K-means聚类算法为一种常用图像聚类划分算法,其具体计算过程为公知技术,在此不再赘述。
根据槽口缺陷特征图像得到槽口缺陷点簇中像素点的数量,计算MOSFET蚀刻灰度图像中的MOSFET区域的像素点数量,得到MOSFET蚀刻缺陷程度。
式中,为MOSFET蚀刻灰度图像中的MOSFET区域的像素点数量,/>为槽口缺陷疑似度的特征图像中槽口缺陷点簇中像素点的数量,/>为MOSFET蚀刻缺陷程度。
设置缺陷阈值,如果蚀刻缺陷程度/>大于缺陷阈值/>,则判定该MOSFET蚀刻缺陷较严重。缺陷阈值/>由实施者自行设定,本发明设定为/>。
根据MOSFET蚀刻缺陷检测结果,如果MOSFET蚀刻缺陷程度大于缺陷阈值,即判定该MOSFET蚀刻缺陷较为严重,将该MOSFET蚀刻图像标记为缺陷图像。
至此,可根据本实施例的方法对MOSFET蚀刻缺陷进行检测。
综上所述,本发明实施例提出基于机器视觉的MOSFET蚀刻缺陷检测方法,采用CCD相机采集MOSFET蚀刻图像,结合槽口不均匀缺陷边缘及缺陷内部像素点的分布特征,进行K-means聚类,完成MOSFET蚀刻缺陷检测。
本发明实施例方法可实现对MOSFET蚀刻过程中出现的槽口不均匀缺陷的检测,相比于传统的K-means聚类检测方法,本发明实施例结合槽口不均匀缺陷的边缘具有的灰度渐变规律的特征,构建得到缺点边缘点的递变规律显著走势,有助于将槽口边缘与槽口缺陷边缘区分开来,提高了对边缘点检测精度;
同时,再结合区域内部缺陷边缘点的灰度渐变方向来协助判断缺陷内部的像素点,将缺陷内部像素点与MOSFET表面正常的像素点区分开来,避免将缺陷内部纹理光滑平坦的缺陷区域误识别为MOSFET光滑表面区域,提升了K-means聚类算法的准确率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (8)
1.基于机器视觉的MOSFET蚀刻缺陷检测方法,其特征在于,该方法包括以下步骤:
采集MOSFET蚀刻图像;对MOSFET蚀刻图像预处理得到MOSFET蚀刻灰度图像;
根据各像素点八邻域内像素点的灰度信息及方向信息得到八邻域内各像素点的灰度方向向量;根据各像素点八邻域内像素点的灰度方向向量得到各像素点的递变规律显著走势;将各像素点的递变规律显著走势映射得到灰度映射向量;根据各像素点邻域窗口内像素点的灰度映射向量得到各像素点的槽口区域疑似度;根据各像素点的槽口区域疑似度得到各像素点的槽口缺陷疑似度;
根据各像素点的槽口缺陷疑似度得到槽口缺陷特征图像;根据槽口缺陷特征图像得到槽口缺陷点簇;根据MOSFET蚀刻灰度图像中MOSFET区域像素点数量及槽口缺陷特征图像中的槽口缺陷点簇的数量得到MOSFET蚀刻缺陷程度;
根据MOSFET蚀刻缺陷程度及缺陷阈值,完成MOSFET蚀刻缺陷检测;
根据各像素点邻域窗口内像素点的灰度映射向量得到各像素点的槽口区域疑似度的表达式为:
式中,为求括号内两个向量夹角的余弦值,/>为第/>个像素点所取邻域内出现的灰度映射向量方向最多的向量方向,/>为第/>个像素点所取邻域内出现的灰度映射向量方向最多的/>的个数,/>为第/>个像素点所取邻域内像素点的数量,/>为第/>个像素点所取邻域内的第/>个像素点的递变规律显著走势,/>为第/>个像素点所取邻域的槽口区域疑似度;
其中,根据各像素点的槽口区域疑似度得到各像素点的槽口缺陷疑似度的表达式为:
式中,为区域疑似度修正系数,用来修正邻域窗口内的槽口缺陷疑似度,/>为方向丰富度修正系数,用来修正邻域窗口内出现多种灰度映射向量情况下的槽口缺陷疑似度,为归一化函数,/>为第/>个像素点所取邻域内的槽口区域疑似度,/>为第/>个像素点所取邻域内所有的灰度映射向量的方差,/>为第/>个像素点所取邻域内所有的灰度映射向量求和后得到的向量模长,/>为第/>个像素点所取邻域内所有的灰度映射向量模长的均值,/>为第/>个像素点所取邻域内的槽口缺陷疑似度。
2.如权利要求1所述的基于机器视觉的MOSFET蚀刻缺陷检测方法,其特征在于,所述根据各像素点八邻域内像素点的灰度信息及方向信息得到八邻域内各像素点的灰度方向向量的具体方法为:
对于MOSFET蚀刻灰度图像中任意一个像素点,将像素点作为中心像素点获取对应的八邻域,将中心像素点作为起点、将八邻域内的每个像素点作为终点,将起点与每一个终点构成的连接向量作为每一个终点对应的灰度方向向量,灰度方向向量的方向为起点和终点之间灰度值增大的方向,灰度方向向量的模为起点和终点之间灰度值差值的绝对值。
3.如权利要求1所述的基于机器视觉的MOSFET蚀刻缺陷检测方法,其特征在于,所述根据各像素点八邻域内像素点的灰度方向向量得到各像素点的递变规律显著走势的表达式为:
式中,是第/>个像素点的递变规律显著走势,/>为第/>个像素点对应八邻域内八个灰度方向向量模长的均值,/>是第/>个像素点对应八邻域内像素点的数量,/>是第/>个像素点对应八邻域内第/>个像素点的灰度方向向量。
4.如权利要求1所述的基于机器视觉的MOSFET蚀刻缺陷检测方法,其特征在于,所述将各像素点的递变规律显著走势映射得到灰度映射向量的具体方法为:
对于MOSFET蚀刻灰度图像中的任意一个像素点,分别获取像素点递变规律显著走势与八邻域方向之间的夹角,将像素点递变规律显著走势映射在八邻域方向上夹角最小的方向作为像素点的灰度映射向量的方向,灰度映射向量的模为像素点的递变规律显著走势的模;
如果出现像素点的递变规律显著走势与八邻域方向中的其中两个方向都有相同的最小夹角,取顺时针方向最近的八邻域方向作为映射后的灰度映射向量的方向。
5.如权利要求1所述的基于机器视觉的MOSFET蚀刻缺陷检测方法,其特征在于,所述根据各像素点的槽口缺陷疑似度得到槽口缺陷特征图像的具体方法为:
对于任意一个像素点,获取像素点的槽口缺陷疑似度,将槽口缺陷疑似度代替像素点的灰度值,遍历所有像素点,将替换后的图像作为槽口缺陷特征图像。
6.如权利要求1所述的基于机器视觉的MOSFET蚀刻缺陷检测方法,其特征在于,所述根据槽口缺陷特征图像得到槽口缺陷点簇的具体方法为:
利用K-means聚类算法获取槽口缺陷特征图像中像素点的聚类簇,分别获取每个聚类簇内像素点的槽口缺陷疑似度的均值,将槽口缺陷疑似度均值最大值对应的聚类簇作为槽口缺陷点簇。
7.如权利要求1所述的基于机器视觉的MOSFET蚀刻缺陷检测方法,其特征在于,所述根据MOSFET蚀刻灰度图像中MOSFET区域像素点数量及槽口缺陷特征图像中的槽口缺陷点簇的数量得到MOSFET蚀刻缺陷程度,具体方法为:
将MOSFET蚀刻灰度图像中MOSFET区域的像素点数量记为第一数量,将槽口缺陷特征图像中的槽口缺陷点簇数量记为第二数量,将第二数量与第一数量的比值记作MOSFET蚀刻缺陷程度。
8.如权利要求1所述的基于机器视觉的MOSFET蚀刻缺陷检测方法,其特征在于,所述根据MOSFET蚀刻缺陷程度及缺陷阈值,完成MOSFET蚀刻缺陷检测的具体方法为:
设定缺陷阈值,将MOSFET蚀刻缺陷程度与缺陷阈值比较,当MOSFET蚀刻缺陷程度大于缺陷阈值,将MOSFET蚀刻图像记为缺陷图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182136.4A CN116934744B (zh) | 2023-09-14 | 2023-09-14 | 基于机器视觉的mosfet蚀刻缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182136.4A CN116934744B (zh) | 2023-09-14 | 2023-09-14 | 基于机器视觉的mosfet蚀刻缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934744A CN116934744A (zh) | 2023-10-24 |
CN116934744B true CN116934744B (zh) | 2023-11-17 |
Family
ID=88388113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311182136.4A Active CN116934744B (zh) | 2023-09-14 | 2023-09-14 | 基于机器视觉的mosfet蚀刻缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934744B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664569A (zh) * | 2023-07-31 | 2023-08-29 | 山东正华建筑科技有限公司 | 一种焊瘤缺陷检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8421009B2 (en) * | 2009-04-08 | 2013-04-16 | Hermes Microvision, Inc. | Test structure for charged particle beam inspection and method for defect determination using the same |
TWI737375B (zh) * | 2020-07-01 | 2021-08-21 | 力晶積成電子製造股份有限公司 | 缺陷辨識方法以及影像分析系統 |
-
2023
- 2023-09-14 CN CN202311182136.4A patent/CN116934744B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664569A (zh) * | 2023-07-31 | 2023-08-29 | 山东正华建筑科技有限公司 | 一种焊瘤缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
electron-beam-induced current imaging technique 同quicken polysilicon defect localization in MOSFECTs;Zheng Shijun et al;《MICROELECTRONICS RELIABILITY》;第128卷;第1-9页 * |
基于机器视觉的齿轮端面缺陷检测方法;白斯豪;《内燃机与配件》(第6期);第171-172页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116934744A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022110804A1 (zh) | 一种基于局部统计信息的图像噪声检测方法、装置 | |
CN114862862A (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
KR101632912B1 (ko) | 지문 인식을 이용한 사용자 인증 방법 | |
JPH0471079A (ja) | 画像の位置合わせ方法 | |
CN114298916B (zh) | 一种基于灰度拉伸和局部增强的X-Ray图像增强方法 | |
CN111429372A (zh) | 一种增强低对比度图像边缘检测效果的方法 | |
CN115239661A (zh) | 基于图像处理的机械零件毛刺检测方法及系统 | |
CN116934744B (zh) | 基于机器视觉的mosfet蚀刻缺陷检测方法 | |
CN107808165B (zh) | 一种基于susan角点检测的红外图像匹配方法 | |
CN113095385A (zh) | 一种基于全局和局部特征描述的多模图像匹配方法 | |
CN117078726A (zh) | 一种基于边缘提取的异谱图像配准方法 | |
CN115994870A (zh) | 一种用于增强去噪的图像处理方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN113628225B (zh) | 基于结构相似度和图像区域块的模糊c均值图像分割方法及系统 | |
US11645827B2 (en) | Detection method and device for assembly body multi-view change based on feature matching | |
CN115187791A (zh) | 一种融合颜色和尺度特征的orb图像匹配方法 | |
CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及系统 | |
CN111402202B (zh) | 足底压力图像相似度评价方法 | |
CN117078730B (zh) | 基于模版匹配的防凸卡具配准方法 | |
CN116523904B (zh) | 一种基于人工智能的金属冲压件表面划痕检测方法 | |
TW202009793A (zh) | 提升指紋識別率的指紋識別方法及指紋識別晶片 | |
Zheng et al. | Palmprint image quality measures in minutiae-based recognition | |
CN110874850A (zh) | 一种面向目标定位的实时单边网格特征配准方法 | |
Otero-Mateo et al. | A fast and robust iris segmentation method |
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 |