CN117094998B - 一种单晶硅片生产过程的缺陷检测方法 - Google Patents
一种单晶硅片生产过程的缺陷检测方法 Download PDFInfo
- Publication number
- CN117094998B CN117094998B CN202311353595.4A CN202311353595A CN117094998B CN 117094998 B CN117094998 B CN 117094998B CN 202311353595 A CN202311353595 A CN 202311353595A CN 117094998 B CN117094998 B CN 117094998B
- Authority
- CN
- China
- Prior art keywords
- image block
- silicon wafer
- defect
- monocrystalline silicon
- image
- 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
- 229910021421 monocrystalline silicon Inorganic materials 0.000 title claims abstract description 180
- 230000007547 defect Effects 0.000 title claims abstract description 160
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 26
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims abstract description 51
- 229910052710 silicon Inorganic materials 0.000 claims abstract description 51
- 239000010703 silicon Substances 0.000 claims abstract description 51
- 239000013078 crystal Substances 0.000 claims abstract description 48
- 238000012216 screening Methods 0.000 claims abstract description 30
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 235000012431 wafers Nutrition 0.000 claims description 176
- 238000000034 method Methods 0.000 claims description 45
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000000903 blocking effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 description 3
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 229910052704 radon Inorganic materials 0.000 description 2
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/11—Region-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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像数据处理技术领域，提出了一种单晶硅片生产过程的缺陷检测方法，包括：获取单晶硅片灰度图像；根据缺陷影响的范围对单晶硅片灰度图像进行分块；根据单晶硅片的晶面单向取向特征计算晶面取向差异系数；根据晶面取向差异系数计算硅片花污缺陷影响系数；根据单晶硅片的缺陷边界的分析结果获取花污缺陷边界远离度；根据花污缺陷边界远离度和硅片花污缺陷影响系数计算硅片花污缺陷关联系数；根据硅片花污缺陷关联系数获取极小值点的筛选结果；根据极小值点的筛选结果获取单晶硅片图像分割结果。本发明通过硅片花污缺陷关联系数对极小值点进行筛选，提高对单晶硅片的缺陷检测的精度。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种单晶硅片生产过程的缺陷检测方法。
背景技术
目前对于一次能源（煤矿、石油和天然气等）的使用仍然是全球能源的重要方式，这也导致了能源危机加重，环境污染日益严重。因此对新能源的开发和利用迫在眉睫，其中太阳能具有永不枯竭、安全稳定的特点，是新能源开发的首要选择。在太阳能的使用中常见是将太阳能转化为电能，太阳能电池的生产成为了热门产业。
太阳能电池主要利用半导体材料的光伏特效应进行光电转换，因此太阳能的生产一个重要的部分就是半导体材料——单晶硅的生产。单晶硅的生产过程较复杂，且单晶硅片的生产要求较高，表面存在缺陷会影响单晶硅片使用的性能，因此对单晶硅片表面缺陷的检测尤为重要。传统的分水岭分割算法对单晶硅片进行分割时，由于单晶硅片表面花污等缺陷影响会出现过度分割现象，导致对单晶硅片缺陷的检测误差较大，使有瑕疵的单晶硅片流入到后续的生产中，降低了太阳能电池的质量且生产效率低。
发明内容
本发明提供一种单晶硅片生产过程的缺陷检测方法，以解决单晶硅片缺陷检测精度较低的问题，所采用的技术方案具体如下：
本发明一个实施例一种单晶硅片生产过程的缺陷检测方法，该方法包括以下步骤：
获取单晶硅片灰度图像；
根据单晶硅片灰度图像的缺陷影响范围对单晶硅片进行分块，利用分块的结果获取单晶硅片灰度图像中的图像块；根据边缘检测算法获取图像块中每个像素点的梯度大小和梯度方向，根据图像块中像素点的梯度大小和梯度方向获取图像块中每个像素点的梯度投影样本集；根据图像块中每个像素点的梯度投影样本集获取图像块中每个像素点的晶面取向差异系数；根据图像块中每个像素点的晶面取向差异系数计算图像块中每个像素点的硅片花污缺陷影响系数；
根据图像块中的缺陷的位置分析结果获取图像块中每个极小值点的花污缺陷边界远离度；根据图像块中每个极小值点的花污缺陷边界远离度和硅片花污缺陷影响系数计算图像块中每个极小值点的硅片花污缺陷关联系数；根据图像块中每个极小值点的硅片花污缺陷关联系数获取图像块中的极小值点的筛选结果；根据图像块中极小值点的筛选结果获取单晶硅片灰度图像的分割结果；
根据单晶硅片灰度图像的分割结果获取单晶硅片灰度图像分割区域的硅片花污质量缺陷系数；根据单晶硅片灰度图像分割区域的硅片花污质量缺陷系数获取单晶硅片的质量检测结果。
优选的，所述根据单晶硅片灰度图像的缺陷影响范围对单晶硅片进行分块，利用分块的结果获取单晶硅片灰度图像中的图像块的方法为：
采用投影算法获取单晶硅片灰度图像的投影序列，根据序列分割算法获取所述单晶硅片灰度图像的投影序列的分割结果，根据所述单晶硅片灰度图像的投影序列的分割结果获取单晶硅片灰度图像的分块区域，将所述单晶硅片灰度图像的每个分块区域作为单晶硅片灰度图像的一个图像块。
优选的，所述根据边缘检测算法获取图像块中每个像素点的梯度大小和梯度方向，根据图像块中像素点的梯度大小和梯度方向获取图像块中每个像素点的梯度投影样本集的方法为：
采用Sobel算法获取单晶硅片灰度图像的每个图像块中像素点的梯度方向和梯度大小，以所述图像块中每个像素点为中心构建预设大小的窗口作为所述图像块中每个像素点的判定窗口，将所述图像块中像素点的梯度方向作为横坐标，将所述图像块中像素点的梯度大小作为纵坐标，将所述图像块中每个像素点的判定窗口中的像素点映射到所述横坐标和纵坐标构成的坐标系中，将映射的结果作为所述图像块中每个像素点的梯度投影样本集。
优选的，所述根据图像块中每个像素点的梯度投影样本集获取图像块中每个像素点的晶面取向差异系数的方法为：
;
式中，Sx表示图像块中第x个像素点的晶面取向差异系数；Hx和Zx分别表示图像块中第x个像素点的梯度投影样本集投影到横坐标和纵坐标构成直线的长度；pi和pj分别表示图像块中第x个像素点的梯度投影样本集中第i个和第j个样本，dist(pi,pj)表示计算pi和pj之间的欧氏距离；n表示图像块中第x个像素点的梯度投影样本集中样本的数量，M表示梯度投影样本集中样本之间欧式距离的数量。
优选的，所述根据图像块中每个像素点的晶面取向差异系数计算图像块中每个像素点的硅片花污缺陷影响系数的方法为：
;
式中，Dx表示图像块中第x个像素点的硅片花污缺陷影响系数；μx表示图像块中第x个像素点所在的花污缺陷分布序列中所有像素点的晶面取向差异系数的均值；Sx表示图像块中第x个像素点的晶面取向差异系数；Sz表示图像块中第x个像素点所在的花污缺陷分布序列中第z个像素点的晶面取向差异系数，m表示图像块中第x个像素点所在的花污缺陷分布序列中元素的数量。
优选的，所述根据图像块中的缺陷的位置分析结果获取图像块中每个极小值点的花污缺陷边界远离度的方法为：
获取图像块中的边缘像素点，计算图像块中任意一个极小值点与图像块中边缘像素点的欧氏距离，将所有所述图像块中任意一个极小值点与图像块中边缘像素点的欧氏距离按由小到大的顺序排序组成的序列作为所述图像块中任意一个极小值点的距离序列；计算所述图像块中任意一个极小值点的距离序列中第一个元素与其它所有元素的差值的绝对值的均值作为所述图像块中任意一个极小值点的花污缺陷边界远离度。
优选的，所述根据图像块中每个极小值点的花污缺陷边界远离度和硅片花污缺陷影响系数计算图像块中每个极小值点的硅片花污缺陷关联系数的方法为：
将图像块中任意一个极小值点对应像素点的灰度值和所述图像块中任意一个极小值点对应像素点的硅片花污缺陷影响系数的乘积作为分子，将所述图像块中任意一个极小值点的花污缺陷边界远离度与预设调节参数的和作为分母，将所述分子和分母的比值作为所述图像块中任意一个极小值点的硅片花污缺陷关联系数。
优选的，所述根据图像块中每个极小值点的硅片花污缺陷关联系数对图像块中的极小值点进行筛选的方法为：
将图像块中所有极小值点的硅片花污缺陷关联系数由小到大的顺序排序组成的序列作为所述图像块的硅片缺陷关联筛选序列，采用归一化函数对所述图像块的硅片缺陷关联筛选序列进行归一化处理，根据预设阈值对归一化后的硅片缺陷关联筛选序列进行筛选，根据筛选的结果获取图像块中的极小值点的筛选结果。
优选的，所述根据图像块中极小值点的筛选结果获取单晶硅片灰度图像的分割结果的方法为：
将所有图像块中的筛选的极小值点对应的像素点标记为分水岭算法的初始点，基于所有图像块中标记的初始点采用分水岭算法获取单晶硅片灰度图像的分割结果。
优选的，所述根据单晶硅片灰度图像的分割结果获取单晶硅片灰度图像分割区域的硅片花污质量缺陷系数的方法为：
式中，表示单晶硅片灰度图像中第r个分割区域的单晶硅片花污质量缺陷系数；wr表示单晶硅片灰度图像中第r个分割区域中像素点的数量，W表示单晶硅片灰度图像中像素点的数量，Sr表示单晶硅片灰度图像中第r个分割区域中第u个像素点的晶面取向差异系数。
本发明的有益效果是：通过分析单晶硅片表面的晶面取向特征计算每个像素点的晶面取向差异系数，通过分析单晶硅片灰度图中极小值点的位置特征计算花污缺陷边界远离度，根据极小值点的花污缺陷边界远离度和极小值点对应的像素点的晶面取向差异系数计算硅片花污缺陷关联系数，基于硅片花污缺陷关联系数对单晶硅片灰度图像进行分割，其有益效果在于通过硅片花污缺陷关联系数对初始点进行选取，降低单晶硅片表面出现花污缺陷时对初始点选取的影响，提高对单晶硅片灰度图像的分割精度，进而提高对单晶硅片缺陷的检测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种单晶硅片生产过程的缺陷检测方法的流程示意图；
图2为本发明一个实施例所提供的梯度投影样本集的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本发明一个实施例提供的一种单晶硅片生产过程的缺陷检测方法流程图，该方法包括以下步骤：
步骤S001，获取单晶硅片灰度图像。
在单晶硅片生产过程中，硅片表面常常会存在缺陷，因此在单晶硅片的生产流水线加入基于机器视觉的单晶硅片缺陷检测区域，在单晶硅片的缺陷检测区域采用CCD工业相机拍摄单晶硅片表面RGB图像。其中在单晶硅片表面RGB图像采集过程中由于各种因素的干扰使采集的单晶硅片表面RGB图像中存在较多噪声干扰，采用中值滤波算法对采集的单晶硅片表面RGB图像进行降噪处理，将降噪处理后的单晶硅片表面RGB图像转换为灰度图像，将转换的结果作为单晶硅片灰度图像，中值滤波算法的具体计算过程为公知技术，不再进行赘述。
至此，获取了单晶硅片灰度图像。
步骤S002，根据单晶硅表面的缺陷影响范围对图像进行分块，根据不同区域的晶面特征分析计算晶面取向差异系数，根据晶面取向差异系数计算硅片花污缺陷影响系数。
经过步骤S001处理获取了单晶硅片灰度图像。在单晶硅片的生产过程中，单晶硅片表面会存在隐裂、花污、线痕和缺角等缺陷，隐裂和线痕缺陷通常表现线状特征，缺角通常会直接改变单晶硅片的形状，而花污缺陷在单晶硅片表面通常聚集或者散乱分布。因此采用图像分割算法对单晶硅片表面进行分割时，花污缺陷的聚集和散乱分布特征和隐裂、线痕特征会影响图像分割的精度，进而影响对单晶硅片表面缺陷检测的精度。
进一步的，对单晶硅片表面出现花污缺陷进行特征分析。单晶硅片的特征可通过与多晶硅片的对比进行描述。由于多晶硅片中一些区域的晶面取向不同产生了多个晶畴区域，而整个单晶硅片的晶面的取向相同时，相当于单晶硅片为多晶硅片的一个晶畴区域。这也造成了单晶硅片上的像素点具有方向性。而单晶硅片表面存在缺陷区域时，单晶硅片表面的晶面取向出现差异。
根据单晶硅片表面花污缺陷的特点分析采用分水岭分割算法对单晶硅片灰度图像进行图像分割的影响。由于单晶硅片表面存在花污缺陷时通常表现为聚集和散乱分布的特征，且花污缺陷部位通常不连续，这些特点也引起了单晶硅片灰度图像中极小值点的过多出现，而隐裂和线痕一般为现状特征不会影响分水岭算法中初始点的选取过程，因此对花污缺陷的影响进行分析。具体的，单晶硅片灰度图像中灰度值变化表现断续特征，使单晶硅片的区域一部分聚集分布，而一部分是较分散的点状分布。因此当分割的块状区域中存在花污缺陷时，其局部区域的极小值点较多，如果全部选取为初始生长点，则缺陷区域会被过度分割，其中极小值点是分水岭算法中的初始点。
进一步的，输入为单晶硅片灰度图像，采用Radon投影算法对输入图像进行投影，投影方向为垂直方向，得到单晶硅片灰度图像的投影序列，采用Bernaola Galvan分割算法对单晶硅片灰度图像的投影序列进行处理，得到单晶硅片灰度图像的投影序列中的突变数据，由于单晶硅片灰度图像的投影序列中每个数据对应一条投影直线，根据单晶硅片灰度图像的投影序列中的突变数据对应的投影直线对单晶硅片灰度图像进行划分，根据划分的结果得到的单晶硅片灰度图像中的图像块。Radon投影算法和Bernaola Galvan分割算法为公知技术，具体实现过程不再进行赘述。
采用Sobel算法获取单晶硅片灰度图像的每个图像块中像素点的梯度方向和梯度大小，以图像块中每个像素点为中心构建7×7的窗口作为图像块中每个像素点的判定窗口，将图像块中像素点的梯度方向作为横坐标，将图像块中像素点的梯度大小作为纵坐标，将图像块中每个像素点的判定窗口中的像素点映射到所述横坐标和纵坐标构成的坐标系中，将映射的结果作为所述图像块中每个像素点的梯度投影样本集，具体的映射过程如图2所示。
根据图像块中每个像素点的梯度投影样本集分析花污缺陷对像素点特征的影响，具体的，单晶硅片表面整体表现为晶面取向相同的特征，因此若表面出现花污缺陷时，单晶硅片表面的晶面取向表现混乱特征。因此根据图像块中每个像素点的梯度投影样本集的样本密度以及投影直线长度计算图像块中每个像素点的晶面取向差异系数，具体计算公式如下：
;
式中，Sx表示图像块中第x个像素点的晶面取向差异系数；Hx和Zx分别表示图像块中第x个像素点的梯度投影样本集投影到横坐标和纵坐标构成直线的长度；pi和pj分别表示图像块中第x个像素点的梯度投影样本集中第i个和第j个样本，dist(pi,pj)表示计算pi和pj之间的欧氏距离；n表示图像块中第x个像素点的梯度投影样本集中样本的数量，M表示梯度投影样本集中样本之间欧式距离的数量。
若图像块中第x个像素点所在区域为花污缺陷区域，则图像块中第x个像素点的梯度投影样本集的分布较为散乱，即计算得到的的值较大，同时若散乱分布程度较大，则计算的得到的Hx+Zx的值越大，/>的值越大，最终得到的图像块中第x个像素点的晶面取向差异系数Sx的值越大，表示图像块中第x个像素点所在区域花污缺陷影响严重。
上述根据图像块中像素点的所在区域的特征得到了晶面取向差异系数，进一步的，根据像素点的晶面取向差异系数分析像素点的所在区域的硅片花污缺陷影响系数。由于单晶硅片灰度图像的投影序列中每个数据对应一条投影直线，因此将单晶硅片灰度图的投影序列中每个数据对应的投影直线经过的像素点按照投影方向顺序排序组成的序列作为单晶硅片灰度图中每个数据的花污特征分析序列，根据花污缺陷分布序列分析像素点的硅片花污缺陷影响系数，具体计算公式如下：
;
式中，Dx表示图像块中第x个像素点的硅片花污缺陷影响系数；μx表示图像块中第x个像素点所在的花污缺陷分布序列中所有像素点的晶面取向差异系数的均值；Sx表示图像块中第x个像素点的晶面取向差异系数；Sz表示图像块中第x个像素点所在的花污缺陷分布序列中第z个像素点的晶面取向差异系数，m表示图像块中第x个像素点所在的花污缺陷分布序列中元素的数量。
若花污缺陷的影响范围较大，则计算得到的μx和(Sx-Sz)2的值越大，得到的图像块中第x个像素点的硅片花污缺陷影响系数Dx的值越大，表示图像块中第x个像素点所在区域的受花污缺陷影响程度较大。
至此，获取了图像块中每个像素点的硅片花污缺陷影响系数。
步骤S003，根据单晶硅表面的缺陷的位置计算花污缺陷边界远离度，根据花污缺陷远离度和硅片花污缺陷影响系数计算硅片花污缺陷关联系数，根据硅片花污缺陷关联系数获取极小值点的筛选结果，根据极小值点的筛选结果获取单晶硅片灰度图像的分割结果。
若单晶硅片灰度图像的图像块中存在花污缺陷，则采用分水岭算法进行图像分割时在该图像块中会存在较多的极小值点（灰度值的极小值对应的像素点），若将这些极小值点全部作为初始点进行分割，会使单晶硅片灰度图像的分割结果不准确。因此获取单晶硅片灰度图像的图像块中的极小值点，考虑极小值点在图像块中与缺陷的相对位置。具体的，采用Canny边缘检测算法获取单晶硅片灰度图像中的边缘像素点，计算图像块中每个极小值点与所在图像块中所有边缘像素点的欧氏距离，将图像块中每个极小值点计算得到的欧氏距离由小到大的顺序排序组成的序列作为图像块中每个极小值点的距离序列。
若图像块中第v个极小值点的距离序列为[d1,d2,d3,…,dy]，根据极小值点与所在图像块中与缺陷的相对位置计算花污缺陷影响远离度，具体计算过程如下：
;
式中，Bv表示图像块中第v个极小值点的花污缺陷影响远离度；dx表示图像块中第v个极小值点的距离序列中第x个元素，d1表示图像块中第v个极小值点的距离序列中第1个元素；y表示图像块中第v个极小值点的距离序列中元素的数量。
若图像块中的极小值点越远离缺陷边界，则越适合作为对单晶硅片进行图像分割的初始点，因此若图像块中的第v个极小值点越远离缺陷边界，则计算得到的的值越小，即得到的图像块中的第v个极小值点的花污缺陷影响远离度Bv的值越小，表示图像块中的第v个极小值点越适合作为初始点。
进一步的，综合考虑图像块中的极小值点的位置和花污缺陷的影响系数，对图像块中的极小值点进行筛选。具体的，根据图像块中极小值点的花污缺陷影响远离度和极小值点对应的像素点的硅片花污缺陷影响系数计算硅片花污缺陷关联系数，具体计算过程如下：
;
式中，Av表示图像块中第v个极小值点的硅片缺陷影响关联系数；Fv表示图像块中第v个极小值点的晶面花污影响系数；Bv表示图像块中第v个极小值点的花污缺陷边界远离度，ε表示调节参数，大小取经验值1；Mv表示图像块中第v个极小值点对应像素点的灰度值。
若图像块中第v个极小值点满足远离缺陷边界，即计算得到的Bv的值越小；且极小值点位于缺陷内部，即计算得到的Fv的值越大，得到的Av的值越大，表示图像块中第v个极小值点越适合作为初始点。
经过上述计算可以得到每个图像块中的极小值点的硅片缺陷影响关联系数，将单晶硅片灰度图像中的所有的极小值点的硅片缺陷影响关联系数按照由小到大的顺序排序组成的序列作为单晶硅片灰度图像的极小值点筛选序列，输入为单晶硅片灰度图像的极小值点筛选序列，采用极差归一化进行归一化处理，得到归一化处理后的单晶硅片灰度图像的极小值点筛选序列，设置极小值点的筛选阈值为δ=0.85，将归一化处理后的单晶硅片灰度图像的极小值点筛选序列中元素大于筛选阈值δ的数据对应的极小值点作为单晶硅片灰度图像初始点，根据筛选的单晶硅片灰度图像的初始点，采用分水岭算法对单晶硅片灰度图像进行分割，得到单晶硅片灰度图像的分割结果。
至此，获取了单晶硅片灰度图像的分割结果。
步骤S004，根据图像分割结果对单晶硅片质量进行检测。
根据单晶硅片的分割结果计算单晶硅片的质量检测结果，因单晶硅片表面存在缺陷时主要影响单晶硅片的晶面取向特征，因此可以基于晶面取向差异系数对单晶硅片进行检测。具体的，根据单晶硅片分割的区域中像素点的晶面取向差异系数和区域内像素点的数量计算单晶硅片花污质量缺陷系数，具体计算公式如下：
;
式中，表示单晶硅片灰度图像中第r个分割区域的单晶硅片花污质量缺陷系数；wr表示单晶硅片灰度图像中第r个分割区域中像素点的数量，W表示单晶硅片灰度图像中像素点的数量，Sr表示单晶硅片灰度图像中第r个分割区域中第u个像素点的晶面取向差异系数。
将单晶硅片灰度图像所有分割区域的单晶硅片花污质量缺陷系数由小到大进行排序组成序列作为单晶硅片灰度图像的质量检测序列，采用极差归一化对单晶硅片灰度图像的质量检测序列进行归一化处理，计算归一化处理后的单晶硅片灰度图像的质量检测序列中元素的均值作为单晶硅片缺陷检测的质量系数。
将单晶硅片表面缺陷检测的质量系数输入到单晶硅片质量检测系统，单晶硅片质量检测系统根据质量系数并结合其它检测结果得到单晶硅片的质量检测结果。
至此，获取了单晶硅片的质量检测结果。
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。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种单晶硅片生产过程的缺陷检测方法，其特征在于，该方法包括以下步骤：
获取单晶硅片灰度图像；
根据单晶硅片灰度图像的缺陷影响范围对单晶硅片进行分块，利用分块的结果获取单晶硅片灰度图像中的图像块；根据边缘检测算法获取图像块中每个像素点的梯度大小和梯度方向，根据图像块中像素点的梯度大小和梯度方向获取图像块中每个像素点的梯度投影样本集；根据图像块中每个像素点的梯度投影样本集获取图像块中每个像素点的晶面取向差异系数；根据图像块中每个像素点的晶面取向差异系数计算图像块中每个像素点的硅片花污缺陷影响系数；
根据图像块中的缺陷的位置分析结果获取图像块中每个极小值点的花污缺陷边界远离度；根据图像块中每个极小值点的花污缺陷边界远离度和硅片花污缺陷影响系数计算图像块中每个极小值点的硅片花污缺陷关联系数；根据图像块中每个极小值点的硅片花污缺陷关联系数获取图像块中的极小值点的筛选结果；根据图像块中极小值点的筛选结果获取单晶硅片灰度图像的分割结果；
根据单晶硅片灰度图像的分割结果获取单晶硅片灰度图像分割区域的硅片花污质量缺陷系数；根据单晶硅片灰度图像分割区域的硅片花污质量缺陷系数获取单晶硅片的质量检测结果；
所述根据图像块中每个像素点的梯度投影样本集获取图像块中每个像素点的晶面取向差异系数的方法为：
；
式中，Sx表示图像块中第x个像素点的晶面取向差异系数；Hx和Zx分别表示图像块中第x个像素点的梯度投影样本集投影到横坐标和纵坐标构成直线的长度；pi和pj分别表示图像块中第x个像素点的梯度投影样本集中第i个和第j个样本，dist(pi,pj)表示计算pi和pj之间的欧氏距离；n表示图像块中第x个像素点的梯度投影样本集中样本的数量，M表示梯度投影样本集中样本之间欧式距离的数量；
所述根据图像块中每个像素点的晶面取向差异系数计算图像块中每个像素点的硅片花污缺陷影响系数的方法为：
；
式中，Dx表示图像块中第x个像素点的硅片花污缺陷影响系数；μx表示图像块中第x个像素点所在的花污缺陷分布序列中所有像素点的晶面取向差异系数的均值；Sx表示图像块中第x个像素点的晶面取向差异系数；Sz表示图像块中第x个像素点所在的花污缺陷分布序列中第z个像素点的晶面取向差异系数，m表示图像块中第x个像素点所在的花污缺陷分布序列中元素的数量。
2.根据权利要求1所述的一种单晶硅片生产过程的缺陷检测方法，其特征在于，所述根据单晶硅片灰度图像的缺陷影响范围对单晶硅片进行分块，利用分块的结果获取单晶硅片灰度图像中的图像块的方法为：
采用投影算法获取单晶硅片灰度图像的投影序列，根据序列分割算法获取所述单晶硅片灰度图像的投影序列的分割结果，根据所述单晶硅片灰度图像的投影序列的分割结果获取单晶硅片灰度图像的分块区域，将所述单晶硅片灰度图像的每个分块区域作为单晶硅片灰度图像的一个图像块。
3.根据权利要求1所述的一种单晶硅片生产过程的缺陷检测方法，其特征在于，所述根据边缘检测算法获取图像块中每个像素点的梯度大小和梯度方向，根据图像块中像素点的梯度大小和梯度方向获取图像块中每个像素点的梯度投影样本集的方法为：
采用Sobel算法获取单晶硅片灰度图像的每个图像块中像素点的梯度方向和梯度大小，以所述图像块中每个像素点为中心构建预设大小的窗口作为所述图像块中每个像素点的判定窗口，将所述图像块中像素点的梯度方向作为横坐标，将所述图像块中像素点的梯度大小作为纵坐标，将所述图像块中每个像素点的判定窗口中的像素点映射到所述横坐标和纵坐标构成的坐标系中，将映射的结果作为所述图像块中每个像素点的梯度投影样本集。
4.根据权利要求1所述的一种单晶硅片生产过程的缺陷检测方法，其特征在于，所述根据图像块中的缺陷的位置分析结果获取图像块中每个极小值点的花污缺陷边界远离度的方法为：
获取图像块中的边缘像素点，计算图像块中任意一个极小值点与图像块中边缘像素点的欧氏距离，将所有所述图像块中任意一个极小值点与图像块中边缘像素点的欧氏距离按由小到大的顺序排序组成的序列作为所述图像块中任意一个极小值点的距离序列；计算所述图像块中任意一个极小值点的距离序列中第一个元素与其它所有元素的差值的绝对值的均值作为所述图像块中任意一个极小值点的花污缺陷边界远离度。
5.根据权利要求1所述的一种单晶硅片生产过程的缺陷检测方法，其特征在于，所述根据图像块中每个极小值点的花污缺陷边界远离度和硅片花污缺陷影响系数计算图像块中每个极小值点的硅片花污缺陷关联系数的方法为：
将图像块中任意一个极小值点对应像素点的灰度值和所述图像块中任意一个极小值点对应像素点的硅片花污缺陷影响系数的乘积作为分子，将所述图像块中任意一个极小值点的花污缺陷边界远离度与预设调节参数的和作为分母，将所述分子和分母的比值作为所述图像块中任意一个极小值点的硅片花污缺陷关联系数。
6.根据权利要求1所述的一种单晶硅片生产过程的缺陷检测方法，其特征在于，所述根据图像块中每个极小值点的硅片花污缺陷关联系数对图像块中的极小值点进行筛选的方法为：
将图像块中所有极小值点的硅片花污缺陷关联系数由小到大的顺序排序组成的序列作为所述图像块的硅片缺陷关联筛选序列，采用归一化函数对所述图像块的硅片缺陷关联筛选序列进行归一化处理，根据预设阈值对归一化后的硅片缺陷关联筛选序列进行筛选，根据筛选的结果获取图像块中的极小值点的筛选结果。
7.根据权利要求1所述的一种单晶硅片生产过程的缺陷检测方法，其特征在于，所述根据图像块中极小值点的筛选结果获取单晶硅片灰度图像的分割结果的方法为：
将所有图像块中的筛选的极小值点对应的像素点标记为分水岭算法的初始点，基于所有图像块中标记的初始点采用分水岭算法获取单晶硅片灰度图像的分割结果。
8.根据权利要求1所述的一种单晶硅片生产过程的缺陷检测方法，其特征在于，所述根据单晶硅片灰度图像的分割结果获取单晶硅片灰度图像分割区域的硅片花污质量缺陷系数的方法为：
；
式中，表示单晶硅片灰度图像中第r个分割区域的单晶硅片花污质量缺陷系数；wr表示单晶硅片灰度图像中第r个分割区域中像素点的数量，W表示单晶硅片灰度图像中像素点的数量，Su表示单晶硅片灰度图像中第r个分割区域中第u个像素点的晶面取向差异系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311353595.4A CN117094998B (zh) | 2023-10-19 | 2023-10-19 | 一种单晶硅片生产过程的缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311353595.4A CN117094998B (zh) | 2023-10-19 | 2023-10-19 | 一种单晶硅片生产过程的缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117094998A CN117094998A (zh) | 2023-11-21 |
| CN117094998B true CN117094998B (zh) | 2024-02-02 |
Family
ID=88775528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311353595.4A Active CN117094998B (zh) | 2023-10-19 | 2023-10-19 | 一种单晶硅片生产过程的缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117094998B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104990925A (zh) * | 2015-06-23 | 2015-10-21 | 泉州装备制造研究所 | 一种基于梯度多阈值优化缺陷检测方法 |
| CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
| CN115311282A (zh) * | 2022-10-12 | 2022-11-08 | 南通迪博西电子有限公司 | 基于图像增强的晶圆缺陷检测方法 |
| CN115661136A (zh) * | 2022-12-12 | 2023-01-31 | 深圳宝铭微电子有限公司 | 一种碳化硅材质的半导体缺陷检测方法 |
| CN116577351A (zh) * | 2023-07-14 | 2023-08-11 | 深圳市深卓越光电有限公司 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
| CN116721107A (zh) * | 2023-08-11 | 2023-09-08 | 青岛胶州电缆有限公司 | 一种电缆生产质量智能监控系统 |
-
2023
- 2023-10-19 CN CN202311353595.4A patent/CN117094998B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104990925A (zh) * | 2015-06-23 | 2015-10-21 | 泉州装备制造研究所 | 一种基于梯度多阈值优化缺陷检测方法 |
| CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
| CN115311282A (zh) * | 2022-10-12 | 2022-11-08 | 南通迪博西电子有限公司 | 基于图像增强的晶圆缺陷检测方法 |
| CN115661136A (zh) * | 2022-12-12 | 2023-01-31 | 深圳宝铭微电子有限公司 | 一种碳化硅材质的半导体缺陷检测方法 |
| CN116577351A (zh) * | 2023-07-14 | 2023-08-11 | 深圳市深卓越光电有限公司 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
| CN116721107A (zh) * | 2023-08-11 | 2023-09-08 | 青岛胶州电缆有限公司 | 一种电缆生产质量智能监控系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117094998A (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116596936B (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
| CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
| CN115100199B (zh) | 一种晶圆低纹理缺陷的检测方法 | |
| CN116977329B (zh) | 一种基于机器视觉的光伏板栅线检测方法 | |
| CN111310756A (zh) | 一种基于深度学习的损伤玉米颗粒检测和分类方法 | |
| CN115290663B (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
| CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
| CN115115637B (zh) | 基于图像金字塔思想的布匹缺陷检测方法 | |
| CN100492396C (zh) | 一种面向摄像整纬器的织物纹理图像识别方法 | |
| CN114841997B (zh) | 一种阀门底座密封面表面缺陷检测方法 | |
| CN115311280B (zh) | 一种碳化硅材质晶圆的缺陷检测方法 | |
| CN115661136A (zh) | 一种碳化硅材质的半导体缺陷检测方法 | |
| CN117094998B (zh) | 一种单晶硅片生产过程的缺陷检测方法 | |
| CN113155193B (zh) | 一种基于云计算的晶圆片智能检测分类方法、装置和系统 | |
| CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
| KR102498322B1 (ko) | 딥러닝 기반의 반도체 디바이스 상태 분류를 위한 장치 및 방법 | |
| CN116563275B (zh) | 一种晶硅电池内部缺陷检测方法 | |
| CN116485832B (zh) | 用于废硅片回收的不均布流体杂质边缘精准检测方法 | |
| CN116309417A (zh) | 太阳能电池片的栅线检测方法及装置 | |
| CN111199563B (zh) | 基于改进霍夫变换算法的单晶硅太阳能晶片图像定位方法 | |
| CN113689432B (zh) | 识别特殊点状类缺陷的检测方法 | |
| CN117115143B (zh) | 一种检测晶圆芯粒的方法、装置、计算机设备及存储介质 | |
| CN118392834B (zh) | 一种用于集成电路透明柔性基板的检测方法 | |
| CN117351426A (zh) | 一种散货港口粉尘监测方法 | |
| CN116029989A (zh) | 用于石料图像的石料边缘图像分割方法 |
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 |