CN117115130A - 一种晶圆边缘缺陷检测方法及装置 - Google Patents
一种晶圆边缘缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN117115130A CN117115130A CN202311170240.1A CN202311170240A CN117115130A CN 117115130 A CN117115130 A CN 117115130A CN 202311170240 A CN202311170240 A CN 202311170240A CN 117115130 A CN117115130 A CN 117115130A
- Authority
- CN
- China
- Prior art keywords
- edge
- points
- region
- wafer
- defect
- 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 106
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000012216 screening Methods 0.000 claims description 17
- 238000007619 statistical method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 230000005764 inhibitory process Effects 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 11
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 7
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 7
- 239000010931 gold Substances 0.000 description 7
- 229910052737 gold Inorganic materials 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101150008122 Bcan gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression 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
- G06T7/11—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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Abstract
本申请公开了一种晶圆边缘缺陷检测方法、晶圆边缘缺陷检测装置及电子设备，属于晶圆边缘缺陷检测技术领域，其中，该方法包括从晶圆模板图像中提取边缘掩膜图像；基于边缘掩膜图像从待测晶圆图像中提取边缘区域；沿着边缘直线的长度方向在边缘区域中截取多个子区域；对子区域内的像素点进行统计分析提取缺陷点，该方法通过边缘掩膜图像提取边缘区域，能够找到局部异常区域，降低对模板的依赖，再通过截取多个子区域进行缺陷点提取，从大范围的缺陷点检测区域中截取多个小范围的缺陷点检测区域进行处理，实现了检测区域的优化和拆分，通过截取子区域降低了检测难度，提高了检测精度，有助于避免过检点的产生。
Description
技术领域
本申请属于晶圆边缘缺陷检测技术领域，具体涉及一种晶圆边缘缺陷检测方法、晶圆边缘缺陷检测装置及电子设备。
背景技术
随着半导体产业的不断发展与进步，半导体封装测试设备及技术也随之进行变革，设备的检测精度要求也随之提升。晶圆外观缺陷检测是半导体封装测试过程中不可避免的工艺流程，在目前的缺陷检测过程中，差分算法由于其计算速度快，适应性强的特点被经常使用。但由于差分算法依赖于黄金模板，在一些黄金模板失效的检测案例中(如含有随机背景的DIE)，差分算法无法使用。
现有技术方案在边界区域掩膜生成时采用梯度信息，通过设定梯度的阈值范围，逐像素点对边界轮廓检测区域进行过滤，导致生成的检测区域与黄金模板质量关系较大，黄金模板图像在边界周围的灰度异常跳动点，在掩膜上会被滤除，导致该点无法进行检测。
利用差分算法在对计算出的Blob连通区域进行颜色分类时，要求模板DIE图像与待检测DIE图像需要逐像素点对齐，但是在DIE图像采集过程中可能会造成DIE图像与模板图像存在偏差，导致待检测DIE与模板DIE图像存在偏差，因此需要计算模板DIE图像和待检测DIE图像的位置偏差，否则无法对Blob颜色进行判断。
发明内容
本申请的目的是提供一种晶圆边缘缺陷检测方法、晶圆边缘缺陷检测装置及电子设备以解决晶圆边缘缺陷检测受模板质量影响大的问题。
根据本申请实施例的第一方面，提供了一种晶圆边缘缺陷检测方法，该方法可以包括：
从晶圆模板图像中提取边缘掩膜图像；
基于所述边缘掩膜图像从待测晶圆图像中提取边缘区域；
沿着所述边缘直线的长度方向在所述边缘区域中截取多个子区域；
对所述子区域内的像素点进行统计分析提取缺陷点。
在本申请的一些可选实施例中，对所述子区域内的像素点进行统计分析提取缺陷点，包括：
获取所述子区域内所有像素点的灰度值的均值；
获取所述子区域内所有像素点的灰度值的标准差；
获取所述子区域内每个像素点的灰度值与所述均值的第一差值；
将所述第一差值的绝对值大于等于K倍所述标准差的像素点作为缺陷点；其中，K为正数
在本申请的一些可选实施例中，所述子区域为矩形，所述边缘直线位于所述子区域的中心。
在本申请的一些可选实施例中，从晶圆模板图像中提取边缘掩膜图像，包括：
从所述晶圆模版图像中选取感兴趣区域，所述感兴趣区域包含所述边缘直线；
通过Canny算法从所述感兴趣区域中提取位于所述边缘直线上的初始边缘轮廓点；
对所述初始边缘轮廓点进行筛选得到目标边缘轮廓点；
对所述目标边缘轮廓点进行二值化处理得到掩膜图像。
在本申请的一些可选实施例中，通过Canny算法从所述感兴趣区域中提取位于所述边缘直线上的初始边缘轮廓点，包括：
通过高斯滤波对所述感兴趣区域进行去噪；
通过sobel算法计算去噪后的所述感兴趣区域中每个像素点的梯度幅值；
通过非极大值抑制法筛选出在梯度方向上所述梯度幅值最大的像素点作为待测边缘点；
基于双阈值检测法对所述待测边缘点进行筛选得到所述初始边缘轮廓点。
在本申请的一些可选实施例中，基于双阈值检测法对所述待测边缘点进行筛选得到所述初始边缘轮廓点，包括：
从所述待测边缘点中提取大于或等于第一阈值的点作为第一边缘点；
从所述待测边缘点中提取小于第一阈值且大于或等于第二阈值的点作为第二边缘点；
从所述第二边缘点中提取与所述第一边缘点相连的点作为第三边缘点；
从所述第一边缘点和所述第三边缘点中提取位于同一直线上的点作为所述初始轮廓点；
其中，所述第一阈值大于所述第二阈值。
在本申请的一些可选实施例中，对所述初始边缘轮廓点进行筛选得到目标边缘轮廓点，包括：
通过sobel算法对所述感兴趣区域进行梯度计算；
将所述梯度计算的结果取绝对值得到sobel图像；
在所述感兴趣区域中沿与所述边缘直线垂直的方向获取经过所述初始边缘轮廓点的检测直线；
获取所述检测直线上相邻像素点灰度值的第二差值；
获取所述第二差值的绝对值均小于预设差值的所述初始边缘轮廓点作为所述目标边缘轮廓点。
在本申请的一些可选实施例中，对所述目标边缘轮廓点进行二值化处理得到掩膜图像，包括：
对所述目标边缘轮廓点进行二值化处理得到初始掩膜图像；
对所述初始掩膜图像进行形态学膨胀得到扩展掩膜图像；
对所述扩展掩膜图像进行形态学腐蚀以切除所述边缘直线的两端得到所述掩膜图像。
在本申请的一些可选实施例中，沿着所述边缘直线的长度方向在所述边缘区域中截取多个子区域前，还包括：
通过三帧差分算法对所述边缘区域进行预处理。
在本申请的一些可选实施例中，沿着所述边缘直线的长度方向在所述边缘区域中截取多个子区域前，还包括：
通过盒式滤波器对经过预处理的所述边缘区域进行滤波。
在本申请的一些可选实施例中，对所述子区域内进行统计分析提取缺陷点后，还包括：
在所述待测晶圆图像中获取所述缺陷点相邻区域的像素灰度均值；
判断所述缺陷点的像素灰度值是否大于所述像素灰度均值，若是，则所述缺陷点的颜色为白色，若否，则所述缺陷点为黑色。
根据本申请实施例的第二面，提供一种晶圆边缘缺陷检测装置，包括：
第一获取模块，用于从晶圆模板图像中提取边缘掩膜图像；
第二获取模块，用于基于所述边缘掩膜图像从待测晶圆图像中提取边缘区域；
截取模块，用于沿着所述边缘直线的长度方向在所述边缘区域中截取多个子区域；
分析模块，用于对所述子区域内进行统计分析提取缺陷点。
根据本申请实施例的第三方面，提供一种电子设备，该电子设备可以包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行指令，以实现如第一方面的任一项实施例中所示的晶圆边缘缺陷检测方法。
本申请的上述技术方案具有如下有益的技术效果：
本申请实施例提供的一种晶圆边缘缺陷检测方法先通过边缘掩膜图像提取边缘区域，能够找到局部异常区域，降低对模板的依赖，再通过截取多个子区域进行缺陷点提取进一步提高了检测精度，避免过检点的产生。
附图说明
图1是本申请一示例性实施例中一种晶圆边缘缺陷检测方法的流程示意图；
图2是本申请一示例性实施例中的待测晶圆图像；
图3是本申请一示例性实施例中的晶圆模板图像；
图4是本申请一示例性实施例中步骤S104的流程示意图；
图5是本申请一示例性实施例中的子区域示意图；
图6是本申请一示例性实施例中步骤S101的流程示意图；
图7是本申请一示例性实施例中步骤S1012的流程示意图；
图8是本申请一示例性实施例中的梯度方向示意图；
图9是本申请一示例性实施例中双阈值检测划分示意图；
图10是本申请一示例性实施例中步骤S10124的流程示意图；
图11是本申请一示例性实施例中步骤S1013的流程示意图；
图12a是本申请一示例性实施例中水平方向梯度计算示意图；
图12b是本申请一示例性实施例中水平方向梯度计算示意图；
图13是本申请一示例性实施例中检测直线的示意图；
图14是本申请一示例性实施例中步骤S1014的流程示意图；
图15是本申请一示例性实施例中预处理的流程示意图；
图16是本申请一示例性实施例中三帧差分算法的流程示意图；
图17是本申请一示例性实施例中滤波的流程示意图；
图18是本申请一示例性实施例中滤波器的示意图；
图19是本申请一示例性实施例中缺陷点颜色分类的流程示意图；
图20是本申请一示例性实施例中一种晶圆边缘缺陷检测方法的检测效果示意图；
图21是本申请另一示例性实施例中一种晶圆边缘缺陷检测方法的检测效果示意图；
图22是本申请一示例性实施例中一种晶圆边缘缺陷检测装置结构示意图；
图23是本申请一示例性实施例中电子设备结构示意图；
图24是本申请一示例性实施例中电子设备的硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本申请进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本申请的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本申请的概念。
在附图中示出了根据本申请实施例的层结构示意图。这些图并非是按比例绘制的，其中为了清楚的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
经研究发现，现有的晶圆缺陷检测方法通常利用差分算法进行缺陷检测，在一些会产生随机背景的晶圆图像上，黄金模板失效，导致无法对边缘缺陷进行检测。现有的晶圆缺陷检测方法通常利用梯度阈值生成边界检测区域掩膜图像，若黄金模板上出现单像素灰度异常跳动值时，掩膜会将其滤取，在待检测晶圆上形成部分漏检区域。现有的晶圆缺陷检测方法通常利用缺陷点的位置在黄金模板上的灰度值与缺陷处的灰度值进行大小比较，通过比较结果区分缺陷点的颜色。当检测图像出现拼接失误或定位失误时，缺陷点的颜色判断将会出现异常。因此需要降低黄金模板质量对检测的影响。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的晶圆边缘缺陷检测方法、晶圆边缘缺陷检测装置及电子设备进行详细地说明。
如图1所示，在本申请实施例的第一方面，提供了一种晶圆边缘缺陷检测方法，该方法可以包括：
步骤S101：从晶圆模板图像中提取边缘掩膜图像；
步骤S102：基于边缘掩膜图像从待测晶圆图像中提取边缘区域；
步骤S103：沿着边缘直线的长度方向在边缘区域中截取多个子区域；
步骤S104：对子区域内的像素点进行统计分析提取缺陷点。
本实施例中，如图2所示，待测晶圆图像可以为矩形的晶粒图像，如图3所示，晶圆模板图像可以为该晶粒的黄金参考图像，边缘掩膜图像用于提取晶圆模板图像的边缘轮廓所在区域。边缘直线处于边缘区域内，边缘区域的尺寸可以根据实际需求设置。边缘直线可以位于子区域的中心。子区域可以为预设尺寸的矩形，沿边缘直线的长度方向连续截取得到多个子区域。本实施例基于子区域中每个像素点的像素值差异提取缺陷点。本实施例提供的一种晶圆边缘缺陷检测方法先通过边缘掩膜图像提取边缘区域，能够找到局部异常区域，降低对模板的依赖，再通过截取多个子区域进行缺陷点提取，从大范围的缺陷点检测区域中截取多个小范围的缺陷点检测区域进行处理，实现了检测区域的优化和拆分，通过截取子区域降低了检测难度，提高了检测精度，有助于避免过检点的产生。
如图4所示，在一些实施例中，步骤S104：对子区域内的像素点进行统计分析提取缺陷点可以包括：
步骤S1041：获取子区域内所有像素点的灰度值的均值；
步骤S1042：获取子区域内所有像素点的灰度值的标准差；
步骤S1043：获取子区域内每个像素点的灰度值与均值的第一差值；
步骤S1044：将第一差值的绝对值大于等于K倍标准差的像素点作为缺陷点；
本实施例中，K为正数。如图5所示，Rect1区域为子区域，在边缘直线的长度方向上，以Rect1区域的长度为间隔，计算Rect1区域内所有像素灰度值的均值Mean和标准差Std，遍历Rect1区域内所有的像素点，将灰度值减去均值Mean的绝对值大于K倍Std作为二值化标准得到缺陷点。
Rect1区域内像素灰度值的均值的计算公式为：
式中Xij[n]为Rect1区域位置为(i,j)处像素点的灰度值，i∈(0，w-1)，j∈(0，h-1)。Rect1区域的宽为w，高为h，Rect1区域内像素灰度值的均值为
Rect1区域内标准差的计算公式为：
Rect1区域内像素灰度值的标准差为δ。缺陷点二值化公式如下所示。
式中K为标准差因子，将灰度值减去均值的绝对值大于K倍Std的像素点作为缺陷点。
现有方案通常利用差分算法进行缺陷检测，在一些会产生随机背景的晶粒图像上，黄金模板失效，导致无法对边缘缺陷进行检测。本实施例通过统计分析的方法提取缺陷点降低了晶圆边缘缺陷检测对模板的依赖，能够准确地找到缺陷点的位置，同时避免过检点的产生。
如图6所示，在一些实施例中，步骤S101：从晶圆模板图像中提取边缘掩膜图像可以包括：
步骤S1011：从晶圆模版图像中选取感兴趣区域，感兴趣区域包含边缘直线；
步骤S1012：通过Canny算法从感兴趣区域中提取位于边缘直线上的初始边缘轮廓点；
步骤S1013：对初始边缘轮廓点进行筛选得到目标边缘轮廓点；
步骤S1014：对目标边缘轮廓点进行二值化处理得到掩膜图像。
本实施例通过Canny算法提取初始边缘轮廓点，通过引入非极大值抑制和双阈值处理降低了错误率，使得初始边缘轮廓点更接近边缘直线。
如图7所示，在一些实施例中，步骤S1012：通过Canny算法从感兴趣区域中提取位于边缘直线上的初始边缘轮廓点可以包括：
步骤S10121：通过高斯滤波对感兴趣区域进行去噪；
步骤S10122：通过sobel算法计算去噪后的感兴趣区域中每个像素点的梯度幅值；
步骤S10123：通过非极大值抑制法筛选出在梯度方向上梯度幅值最大的像素点作为待测边缘点；
步骤S10124：基于双阈值检测法对待测边缘点进行筛选得到初始边缘轮廓点。
本实施例中，Canny算法包括如下步骤：通过高斯滤波消除感兴趣区域的噪声，通过sobel梯度计算得到感兴趣区域边界的梯度方向和大小，通过非极大值抑制去除感兴趣区域中非边界上的点，通过双阈值检测保留高于第一阈值的点并抛弃低于第二阈值的点，其中，第一阈值大于第二阈值，通过抑制弱边缘孤立点筛选出相互连接的点。
具体地，采用下述高斯函数公式(1)对感兴趣区域进行去噪。
其中，σ表示高斯核系数，Gσ表示高斯核内非锚点坐标位置(x，y)的权重。使用高斯核进行图像滤波可使图像平滑，以消除噪声。
Sobel算法的x方向、y方向卷积模板sx、sy，及待处理点的邻域点标记矩阵K如公式(2)。
由公式(2)可以计算出图像中每个像素点梯度的幅值，如公式(3)-(5)。
sx＝(a2+2a3+a4)-(a0+2a7+a6)(4)
sv＝(a0+2a1+a2)-(a6+2a5+a4)(5)
图8为梯度方向示意图，其中与/>的夹角θ即为P点的梯度相角，使用非极大值抑制，将各像素的梯度模值与梯度方向上相邻的两个像素进行比较，保留梯度为极大值点的像素点作为待测边缘点。
图9为双阈值检测划分示意图，使用双阈值检测，第一阈值大于第二阈值，以第一阈值提取出的边缘为主边缘，在边缘缺陷部分补充与主边缘相连的第二阈值边缘，确定真实和潜在的边缘，形成完整的边缘信息得到筛选后的待测边缘点。
再通过抑制弱边缘孤立点完成边缘点检测，按照筛选后的待测边缘点的梯度方向，根据相互距离，从筛选后的待测边缘点中提取梯度方向相同的点，找到位于同一直线上的点作为初始边缘轮廓点。
如图10所示，在一些实施例中，步骤S10124：基于双阈值检测法对待测边缘点进行筛选得到初始边缘轮廓点可以包括：
步骤S101241：从待测边缘点中提取大于或等于第一阈值的点作为第一边缘点；
步骤S101242：从待测边缘点中提取小于第一阈值且大于或等于第二阈值的点作为第二边缘点；
步骤S101243：从第二边缘点中提取与第一边缘点相连的点作为第三边缘点；
步骤S101244：从第一边缘点和第三边缘点中提取位于同一直线上的点作为初始轮廓点。
本实施例中，第一阈值大于第二阈值。本实施例通过双阈值检测能够通过第一阈值排除背景区域，再通过第二阈值平滑边缘轮廓，使得提取的初始轮廓点能够连接起来形成完整的边缘直线。
如图11所示，在一些实施例中，步骤S1013：对初始边缘轮廓点进行筛选得到目标边缘轮廓点可以包括：
步骤S10131：通过sobel算法对感兴趣区域进行梯度计算；
步骤S10132：将梯度计算的结果取绝对值得到sobel图像；
步骤S10133：在感兴趣区域中沿与边缘直线垂直的方向获取经过初始边缘轮廓点的检测直线；
步骤S10134：获取检测直线上相邻像素点灰度值的第二差值；
步骤S10135：获取第二差值的绝对值均小于预设差值的初始边缘轮廓点作为目标边缘轮廓点。
本实施例中，采用相邻范围内sobel梯度最大值与最小值差的绝对值作为筛选条件，若该值小于某固定值即预设差值时，则将该初始边缘轮廓点作为端点舍去，有助于提高待检测区域的一致性。
具体地，如图12a、12b所示，分别使用水平方向和竖直方向的sobel算法对整个感兴趣区域进行梯度计算，将计算结果取绝对值得到sobel图像。在sobel图像上，计算边缘直线为中心，获取检测直线上相邻像素灰度值差的绝对值小于预设值的初始边缘轮廓点作为目标边缘轮廓点。如图13所示，灰色方格用于表征边缘直线，矩形框用于表征检测直线。
如图14所示，在一些实施例中，步骤S1014：对目标边缘轮廓点进行二值化处理得到掩膜图像可以包括：
步骤S10141：对目标边缘轮廓点进行二值化处理得到初始掩膜图像；
步骤S10142：对初始掩膜图像进行形态学膨胀得到扩展掩膜图像；
步骤S10143：对扩展掩膜图像进行形态学腐蚀以切除边缘直线的两端得到掩膜图像。
本实施例中，假设A和B是Z2的两个集合，B对A的形态学膨胀(A⊕B)可如下式表示。
B对A的形态学膨胀表示为所有位移z的集合，的前景元素与A的需至少有一个元素重叠。对初始掩膜图像进行形态学膨胀操作可以将3个像素内的目标边缘轮廓点进行连接得到边界轮廓线，并扩宽边界轮廓线周围掩膜图像的检测区域得到扩展掩膜图像。
假设A和B是Z2的两个集合，B对A的形态学腐蚀可如下式表示。
式中，A是前景像素的一个集合，B是一个结构元，z项是前景像素值。对扩展掩膜图像进行腐蚀操作可以将边界轮廓线两端终点切去，防止端点异常导致的过检线性发生。
现有技术方案在边界区域掩膜生成时通常通过设定梯度的阈值范围，逐像素点对边界轮廓检测区域进行过滤，导致生成的检测区域与黄金模板质量关系较大，黄金模板图像在边界周围的灰度异常跳动点，在掩膜上会被滤除，导致该点无法进行检测。为了解决上述问题，本实施例提供的晶圆边缘缺陷检测方法在边缘掩膜图像的生成过程中，使用边界轮廓检测算法初步生成目标边缘轮廓点集合，再通过形态学方法，去除长直线端点，使得掩膜图像的检测区域生成范围可控。在实际检测时，可根据需要，选择检测区域在边缘直线附近的范围，且生成的掩膜图像的检测区域受晶圆模板图像质量的影响较小。
如图15所示，在一些实施例中，在步骤S103：沿着边缘直线的长度方向在边缘区域中截取多个子区域之前，还包括：
步骤S110：通过三帧差分算法对边缘区域进行预处理。
本实施例中，通过三帧差分算法对边缘区域进行特征提取，相较于梯度特征，三帧差分算法对长直线周围过弱缺陷点有更好的特征提取效果。如图16所示，第一列为边缘区域内某一条水平直线范围，选取尺寸相同的Rect1帧、Rect2帧，Rect3帧图像，以Rect2为参考帧，Rect1、Rect3为相邻帧，参考帧分别与相邻帧进行按位差分，再对差分结果的相同位置取最小值得到预处理后的边缘区域，将预处理后的边缘区域用于后续检测步骤。
如图17所示，在一些实施例中，在步骤S103：沿着边缘直线的长度方向在边缘区域中截取多个子区域之前，还包括：
步骤S111：通过盒式滤波器对经过预处理的边缘区域进行滤波。
本实施例中，如图18所示，使用尺寸为3*3的盒式滤波器，对三帧差分算法预处理后的边缘区域进行滤波，抑制由于成像原因造成的边界周围像素阈值异常波动现象。3*3盒式滤波器可以滤取局部单像素特征突变点，降低因图像质量造成的过检问题。
如图19所示，在一些实施例中，在步骤S104：对子区域内的像素点进行统计分析提取缺陷点之后，还包括：
步骤S112：在待测晶圆图像中获取缺陷点相邻区域的像素灰度均值；
步骤S113：判断缺陷点的像素灰度值是否大于像素灰度均值，若是，则缺陷点的颜色为白色，若否，则缺陷点为黑色。
现有技术方案通常利用差分算法对计算出的缺陷点进行颜色分类，要求模板晶粒图像与待检测晶粒图像逐像素点对齐，但是在晶粒图像采集过程中可能会造成晶粒图像与模板图像存在偏差，导致待检测晶粒图像与模板晶粒图像存在偏差，因此需要计算模板晶粒图像和待检测晶粒图像的位置偏差，否则无法对缺陷点颜色进行判断。为了解决上述问题，本方案采用获取缺陷区域在检测直线方向附近灰度数值大小的方式，获得缺陷点的颜色信息，与现有方法相比，该方法可以避免图像定位、拼接等造成的缺陷位置在黄金模板及检测区域间存在偏差的问题。本实施例基于相邻区域的像素灰度均值对缺陷点进行颜色分类，使得缺陷点颜色分类不依赖模板，能够避免模板与待测晶圆图像位置偏差造成的检测问题。
图20、图21为执行本申请第一方法实施例提供的一种晶圆边缘缺陷检测方法的示例图。如图20、图21所示，本申请实施例提供的一种晶圆边缘缺陷检测方法利用三帧差分算法初步实现特征提取，再利用均值滤波滤除异常波动点，最后通过统计分析方法找出局部变化异常的缺陷点(即统计计算后图中灰度值较高的区域)。该方法降低了检测过程对黄金模板的依赖，通过统计分析的方法，能够准确地找到缺陷点的位置，同时避免过检点的产生。
如图22所示，在本申请实施例的第二方面，提供了一种晶圆边缘缺陷检测装置，包括：
第一获取模块11，用于从晶圆模板图像中提取边缘掩膜图像；
第二获取模块12，用于基于边缘掩膜图像从待测晶圆图像中提取边缘区域；
截取模块13，用于沿着边缘直线的长度方向在边缘区域中截取多个子区域；
分析模块14，用于对子区域内进行统计分析提取缺陷点。
本申请实施例中的晶圆边缘缺陷检测装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personaldigital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(NetworkAttached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例提供的晶圆边缘缺陷检测装置能够实施上述任一实施例提供的一种晶圆边缘缺陷检测方法实现的各个过程，为避免重复，这里不再赘述。
可选地，如图23所示，本申请实施例还提供一种电子设备1100，包括处理器1101，存储器1102，存储在存储器1102上并可在所述处理器1101上运行的程序或指令，该程序或指令被处理器1101执行时实现上述晶圆边缘缺陷检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
图24为实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备1200包括但不限于：射频单元1201、网络模块1202、音频输出单元1203、输入单元1204、传感器1205、显示单元1206、用户输入单元1207、接口单元1208、存储器1209、以及处理器1210等部件。
本领域技术人员可以理解，电子设备1200还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器1210逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图16中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
应理解的是，本申请实施例中，输入单元1204可以包括图形处理器(GraphicsProcessing Unit，GPU)12041和麦克风12042，图形处理器12041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1206可包括显示面板12061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板12061。用户输入单元1207包括触控面板12071以及其他输入设备12072。触控面板12071，也称为触摸屏。触控面板12071可包括触摸检测装置和触摸控制器两个部分。其他输入设备12072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器1209可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器1210可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1210中。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述晶圆边缘缺陷检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述晶圆边缘缺陷检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (13)
1.一种晶圆边缘缺陷检测方法，其特征在于，包括：
从晶圆模板图像中提取边缘掩膜图像；
基于所述边缘掩膜图像从待测晶圆图像中提取边缘区域；
沿着所述边缘直线的长度方向在所述边缘区域中截取多个子区域；
对所述子区域内的像素点进行统计分析提取缺陷点。
2.根据权利要求1所述的一种晶圆边缘缺陷检测方法，其特征在于，对所述子区域内的像素点进行统计分析提取缺陷点，包括：
获取所述子区域内所有像素点的灰度值的均值；
获取所述子区域内所有像素点的灰度值的标准差；
获取所述子区域内每个像素点的灰度值与所述均值的第一差值；
将所述第一差值的绝对值大于等于K倍所述标准差的像素点作为缺陷点；
其中，K为正数。
3.根据权利要求1所述的一种晶圆边缘缺陷检测方法，其特征在于，所述子区域为矩形，所述边缘直线位于所述子区域的中心。
4.根据权利要求1所述的一种晶圆边缘缺陷检测方法，其特征在于，从晶圆模板图像中提取边缘掩膜图像，包括：
从所述晶圆模版图像中选取感兴趣区域，所述感兴趣区域包含所述边缘直线；
通过Canny算法从所述感兴趣区域中提取位于所述边缘直线上的初始边缘轮廓点；
对所述初始边缘轮廓点进行筛选得到目标边缘轮廓点；
对所述目标边缘轮廓点进行二值化处理得到掩膜图像。
5.根据权利要求4所述的一种晶圆边缘缺陷检测方法，其特征在于，通过Canny算法从所述感兴趣区域中提取位于所述边缘直线上的初始边缘轮廓点，包括：
通过高斯滤波对所述感兴趣区域进行去噪；
通过sobel算法计算去噪后的所述感兴趣区域中每个像素点的梯度幅值；
通过非极大值抑制法筛选出在梯度方向上所述梯度幅值最大的像素点作为待测边缘点；
基于双阈值检测法对所述待测边缘点进行筛选得到所述初始边缘轮廓点。
6.根据权利要求5所述的一种晶圆边缘缺陷检测方法，其特征在于，基于双阈值检测法对所述待测边缘点进行筛选得到所述初始边缘轮廓点，包括：
从所述待测边缘点中提取大于或等于第一阈值的点作为第一边缘点；
从所述待测边缘点中提取小于第一阈值且大于或等于第二阈值的点作为第二边缘点；
从所述第二边缘点中提取与所述第一边缘点相连的点作为第三边缘点；
从所述第一边缘点和所述第三边缘点中提取位于同一直线上的点作为所述初始轮廓点；
其中，所述第一阈值大于所述第二阈值。
7.根据权利要求4所述的一种晶圆边缘缺陷检测方法，其特征在于，对所述初始边缘轮廓点进行筛选得到目标边缘轮廓点，包括：
通过sobel算法对所述感兴趣区域进行梯度计算；
将所述梯度计算的结果取绝对值得到sobel图像；
在所述感兴趣区域中沿与所述边缘直线垂直的方向获取经过所述初始边缘轮廓点的检测直线；
获取所述检测直线上相邻像素点灰度值的第二差值；
获取所述第二差值的绝对值均小于预设差值的所述初始边缘轮廓点作为所述目标边缘轮廓点。
8.根据权利要求4所述的一种晶圆边缘缺陷检测方法，其特征在于，对所述目标边缘轮廓点进行二值化处理得到掩膜图像，包括：
对所述目标边缘轮廓点进行二值化处理得到初始掩膜图像；
对所述初始掩膜图像进行形态学膨胀得到扩展掩膜图像；
对所述扩展掩膜图像进行形态学腐蚀以切除所述边缘直线的两端得到所述掩膜图像。
9.根据权利要求1所述的一种晶圆边缘缺陷检测方法，其特征在于，沿着所述边缘直线的长度方向在所述边缘区域中截取多个子区域前，还包括：
通过三帧差分算法对所述边缘区域进行预处理。
10.根据权利要求9所述的一种晶圆边缘缺陷检测方法，其特征在于，沿着所述边缘直线的长度方向在所述边缘区域中截取多个子区域前，还包括：
通过盒式滤波器对经过预处理的所述边缘区域进行滤波。
11.根据权利要求1所述的一种晶圆边缘缺陷检测方法，其特征在于，对所述子区域内进行统计分析提取缺陷点后，还包括：
在所述待测晶圆图像中获取所述缺陷点相邻区域的像素灰度均值；
判断所述缺陷点的像素灰度值是否大于所述像素灰度均值，若是，则所述缺陷点的颜色为白色，若否，则所述缺陷点为黑色。
12.一种晶圆边缘缺陷检测装置，其特征在于，包括：
第一获取模块，用于从晶圆模板图像中提取边缘掩膜图像；
第二获取模块，用于基于所述边缘掩膜图像从待测晶圆图像中提取边缘区域；
截取模块，用于沿着所述边缘直线的长度方向在所述边缘区域中截取多个子区域；
分析模块，用于对所述子区域内进行统计分析提取缺陷点。
13.一种电子设备，其特征在于，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-11任一项所述的一种晶圆边缘缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311170240.1A CN117115130A (zh) | 2023-09-12 | 2023-09-12 | 一种晶圆边缘缺陷检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311170240.1A CN117115130A (zh) | 2023-09-12 | 2023-09-12 | 一种晶圆边缘缺陷检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117115130A true CN117115130A (zh) | 2023-11-24 |
Family
ID=88798254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311170240.1A Pending CN117115130A (zh) | 2023-09-12 | 2023-09-12 | 一种晶圆边缘缺陷检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117115130A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611590A (zh) * | 2024-01-24 | 2024-02-27 | 深存科技(无锡)有限公司 | 一种缺陷轮廓复合检测方法、装置、设备及存储介质 |
| CN117649451A (zh) * | 2024-01-30 | 2024-03-05 | 深圳互喜智联科技有限公司 | 一种用于寻边器晶圆定位的视觉定位方法 |
-
2023
- 2023-09-12 CN CN202311170240.1A patent/CN117115130A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611590A (zh) * | 2024-01-24 | 2024-02-27 | 深存科技(无锡)有限公司 | 一种缺陷轮廓复合检测方法、装置、设备及存储介质 |
| CN117611590B (zh) * | 2024-01-24 | 2024-04-09 | 深存科技(无锡)有限公司 | 一种缺陷轮廓复合检测方法、装置、设备及存储介质 |
| CN117649451A (zh) * | 2024-01-30 | 2024-03-05 | 深圳互喜智联科技有限公司 | 一种用于寻边器晶圆定位的视觉定位方法 |
| CN117649451B (zh) * | 2024-01-30 | 2024-04-30 | 深圳互喜智联科技有限公司 | 一种用于寻边器晶圆定位的视觉定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9846932B2 (en) | Defect detection method for display panel based on histogram of oriented gradient | |
| CN117115130A (zh) | 一种晶圆边缘缺陷检测方法及装置 | |
| CN111340752A (zh) | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 | |
| CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
| CN112669344A (zh) | 一种运动物体的定位方法、装置、电子设备及存储介质 | |
| CN112164050B (zh) | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 | |
| CN108918093B (zh) | 一种滤光片镜面缺陷检测方法、装置及终端设备 | |
| CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
| CN111507055B (zh) | 电路设计版图和电镜扫描图像的配准方法及系统、电路设计版图和其成像误差计算方法 | |
| Ma et al. | An automatic detection method of Mura defects for liquid crystal display | |
| CN112308797A (zh) | 角点检测方法、装置、电子设备及可读存储介质 | |
| CN116559177A (zh) | 一种缺陷检测方法、装置、设备以及存储介质 | |
| CN116188379A (zh) | 边缘缺陷检测方法、装置、电子设备及存储介质 | |
| CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
| CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
| US7646892B2 (en) | Image inspecting apparatus, image inspecting method, control program and computer-readable storage medium | |
| CN113487569B (zh) | 基于频域和空域结合的复杂背景图像缺陷检测方法及系统 | |
| CN115829911A (zh) | 检测系统的成像一致性的方法、装置和计算机存储介质 | |
| CN114298977A (zh) | 一种基于频域模板匹配的复杂背景图像缺陷检测方法 | |
| CN114596210A (zh) | 噪声估计方法、装置、终端设备及计算机可读存储介质 | |
| CN108470326B (zh) | 图像补全方法及装置 | |
| CN117456371B (zh) | 一种组串热斑检测方法、装置、设备及介质 | |
| CN110874837A (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
| CN114373196B (zh) | 有效采集区域确定方法、程序产品、存储介质及电子设备 |
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 |