CN117115143B - 一种检测晶圆芯粒的方法、装置、计算机设备及存储介质 - Google Patents

一种检测晶圆芯粒的方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN117115143B
CN117115143B CN202311330984.5A CN202311330984A CN117115143B CN 117115143 B CN117115143 B CN 117115143B CN 202311330984 A CN202311330984 A CN 202311330984A CN 117115143 B CN117115143 B CN 117115143B
Authority
CN
China
Prior art keywords
foreground
points
expected
foreground point
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.)
Active
Application number
CN202311330984.5A
Other languages
English (en)
Other versions
CN117115143A (zh
Inventor
刘冰
高锦龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yibi Technology Co ltd
Original Assignee
Shenzhen Yibi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Yibi Technology Co ltd filed Critical Shenzhen Yibi Technology Co ltd
Priority to CN202311330984.5A priority Critical patent/CN117115143B/zh
Publication of CN117115143A publication Critical patent/CN117115143A/zh
Application granted granted Critical
Publication of CN117115143B publication Critical patent/CN117115143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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)
  • 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)
  • Image Analysis (AREA)

Abstract

本发明公开了一种检测晶圆芯粒的方法、装置、计算机设备及存储介质，以解决单机设备的晶圆检测时，无法高效、准确地定位到芯粒的问题。该方法包括：获取晶圆的单通道图像中的前景点云，计算出前景点云的预期收敛方向；按照预设约束条件，得出前景点云中的所有前景点在预期收敛方向上的预期位置范围；通过预设的参考基准距离，分别计算出每个前景点移动到预期位置范围的预期距离比例；分别计算出每个前景点对应的移动速度；控制所有前景点，分别按照预期位置范围和每个前景点的移动速度，向对应的预期收敛方向运动，直至所有前景点符合稳定条件时，得出前景轮廓；将前景轮廓的外接框作为晶圆上芯粒的边界框，以确定出芯粒在晶圆上的位置。

Description

一种检测晶圆芯粒的方法、装置、计算机设备及存储介质
技术领域
本发明涉及计算机视觉领域，尤其涉及一种检测晶圆芯粒的方法、装置、计算机设备及存储介质。
背景技术
半导体系统级芯片（SoC）是将多个负责不同类型的计算单元，通过光刻的形式制作到同一块晶圆（Wafer）上，追求的是高度的集成化。芯粒（Chiplet）指预先制造好、具有特定功能、可组合集成的晶片（Die），芯粒是系统级芯片集成发展到后摩尔时代后持续提高集成度和芯片算力的重要途径。现有的检测技术中，单机设备对晶圆的检测一般是先采集晶圆的单通道图像，接着对单通道图像上的芯粒进行检测，从而完成对芯粒的定位。
传统方案中，对晶圆的单通道图像中的芯粒进行定位的方式有两种：一是通过传统计算机视觉对单通道图像进行模板匹配，二是通过深度学习对单通道图像进行特征提取、分类。但由于半导体晶圆尺寸较小，而每个晶圆上存在着几百万个芯粒，并且每个芯粒极为微小，多以奈米为单位。而在上述两种方式中，前者由于需要采用模版匹配，因此整个过程不仅需要人工主观选择，还需要手动调节大量参数；而后者，需要依赖人工获取训练数据，并且在芯粒过于微小时，模型容易丢失目标，故此，这两种检测方法都存在着检测效率过低的问题。
发明内容
本发明实施例提供一种检测晶圆芯粒的方法、装置、计算机设备及存储介质，以解决单机设备的晶圆检测时，无法高效、准确地定位到芯粒的问题。
本发明第一方面，提供了一种检测晶圆芯粒的方法，包括：
获取晶圆的单通道图像中的前景点云，计算出所述前景点云的预期收敛方向；
按照预设约束条件，得出所述前景点云中的所有所述前景点在所述预期收敛方向上的预期位置范围；
通过预设的参考基准距离，分别计算出每个所述前景点移动到所述预期位置范围的预期距离比例；
按照每个所述预期距离比例，分别计算出每个所述前景点对应的移动速度；
同时控制所有所述前景点，分别按照所述预期位置范围和每个所述前景点的所述移动速度，向对应的所述预期收敛方向运动，直至所有所述前景点符合稳定条件时，停止运动，得出前景轮廓；
将所述前景轮廓的外接框作为所述晶圆上芯粒的边界框，以通过所述边界框确定出芯粒在所述晶圆上的位置。
在一种可能的设计中，所述获取晶圆的单通道图像中的前景点云，包括：
按照所述晶圆的所述单通道图像中的所有像素点对应的像素值，将所有所述像素点分为第一类别和第二类别，并计算出所述第一类别中所有像素值的第一灰度均值和所述第二类别中所有像素值的第二灰度均值；
若所述第一灰度均值大于第二灰度均值，则将所述第一类别中的所有所述像素点，组成所述前景点云。
在一种可能的设计中，所述按照所述晶圆的所述单通道图像中的所有像素点对应的像素值，将所有所述像素点分为第一类别和第二类别，并计算出所述第一类别中所有像素值的第一灰度均值和所述第二类别中所有像素值的第二灰度均值，包括：
统计所有所述像素点中，每种像素值对应的像素点数量。
获取所述单通道图像中的最大像素值，作为第一标准值，并获取所述单通道图像中的最小像素值，作为第二标准值。
分别计算每个所述像素点对应的像素值与所述第一标准值的第一差值，并分别计算每个所述像素点对应的像素值与所述第二标准值的第二差值。
分别判断每个所述像素点的第一差值是否大于所述第二差值。
若所述像素点的所述第一差值大于所述第二差值，则所述像素点被标记为所述第一类别。
若所述像素点的所述第二差值大于所述第一差值，则所述像素点被标记为所述第二类别。
按照所述像素点数量，对所述第一类别中所有所述像素值进行加权平均，得出所述第一类别的第一均值，并对所述第二类别中所有所述像素值进行加权平均，得出所述第二类别的第二均值；
将所述第一均值，作为所述第一标准值，并将所述第二均值作为所述第二标准值，对所述单通道图像中所有所述像素点迭代分类出第一类别和第二类别，直至迭代出的第一类别所计算出的第一均值和迭代出的第二类别所计算出的第二均值为恒定值；
将恒定的所述第一均值作为所述第一灰度均值，并将恒定的所述第二均值作为所述第二灰度均值。
在一种可能的设计中，所述计算出所述前景点云中每个前景点对应的预期收敛方向，包括：
计算所述前景点云中每个所述前景点的切线向量；
分别获取与每个所述切线向量垂直的法向量，所述法向量包括收缩方向和膨胀方向；
按照预设运动步长和每个所述前景点的所述法向量，分别移动每个所述前景点，筛选出往所述收缩方向移动的所述前景点的第一数量，以及往所述膨胀方向移动的所述前景点的第二数量；
若所述第一数量大于所述第二数量，则将往所述膨胀方向移动的所有所述前景点的法向量，变更为所述收缩方向，以使所述前景点云中每个前景点的单位法向量都为所述收缩方向的法向量；
若所述第二数量大于所述第一数量，则将往所述收缩方向移动的所有所述前景点的法向量，变更为所述膨胀方向，以使所述前景点云中每个前景点的单位法向量都为所述膨胀方向的法向量；
通过每个所述前景点的单位法向量和八邻域向量，计算出每个所述前景点的运动向量；
将所述前景点云中所有所述前景点的运动向量相加，得出所述前景点云中需要移动的预期收敛方向。
在一种可能的设计中，所述预设约束条件包括第一约束函数，所述按照预设约束条件，得出所有所述前景点在所述预期收敛方向上的预期位置范围，包括：
分别获取所有所述前景点中，每个相邻点之间的间距，并计算出所有所述间距的间距平均值；
通过所述间距平均值和预设加权系数，分别得出每个所述前景点的第一约束函数，以使所有所述前景点都能移动到所述预期位置范围内。
在一种可能的设计中，所述预设约束条件还包括第二约束函数，所述预期位置范围在同一水平面上，所述通过所述间距平均值和预设加权系数，分别得出每个所述前景点的第一约束函数之后，所述方法还包括：
将每个所述前景点的八邻域向量相加，分别得到每个所述前景点的八邻域向量和；
计算所有所述八邻域向量和的绝对值范数，得到所有所述前景点的总能量；
通过所述总能量，分别计算出每个所述前景点向所述预期收敛方向移动的预期移动距离；
将所有所述前景点的第一灰度均值和所述单通道图像中的所有像素点的所有灰度均值的差值，作为所述第二约束函数，以使所有所述前景点移动到所述预期位置范围的所述同一水平面上。
在一种可能的设计中，所述通过预设的参考基准距离，分别计算出每个所述前景点移动到所述预期位置范围的预期距离比例，包括：
计算所述前景点的第一灰度均值；
计算所述单通道图像中的所有像素点的所有灰度均值，将所述所有灰度均值作为所述参考基准距离；
分别计算每个所述前景点与所述第一灰度均值的差值；
将每个所述前景点对应的差值的绝对值，与所述所有灰度均值的比值，分别作为每个所述前景点移动到所述预期位置范围内的所述预期距离比例。
第二方面，提供了一种检测晶圆芯粒的装置，包括：
第一计算模块，用于获取晶圆的单通道图像中的前景点云，计算出所述前景点云的预期收敛方向；
约束模块，用于按照预设约束条件，得出所述前景点云中的所有所述前景点在所述预期收敛方向上的预期位置范围；
第二计算模块，用于通过预设的参考基准距离，分别计算出每个所述前景点移动到所述预期位置范围的预期距离比例；
第三计算模块，按照每个所述预期距离比例，分别计算出每个所述前景点对应的移动速度；
控制模块，用于同时控制所有所述前景点，分别按照所述预期位置范围和每个所述前景点的所述移动速度，向对应的所述预期收敛方向运动，直至所有所述前景点符合稳定条件时，停止运动，得出前景轮廓；
定位模块，用于将所述前景轮廓的外接框作为所述晶圆上芯粒的边界框，以通过所述边界框确定出芯粒在所述晶圆上的位置。
第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述检测晶圆芯粒的方法的步骤。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述检测晶圆芯粒的方法的步骤。
上述检测晶圆芯粒的方法、装置、计算机设备及存储介质，工业行业中通过传感器生成的单通道图像由于是点云数据生成的，因此常常存在着图像内容模糊、不清晰的情况，而此时若直接将异常像素值的数值层面对其进行解析，也就是将异常像素值由背景像素值过渡到前景像素值的过程，这种过程变化较慢，因此，该方法首先获取晶圆的单通道图像中的前景点云，计算出前景点云的预期收敛方向，该步骤实质上使得前景点云中的所有前景点有了统一的预期收敛方向，防止后续由于预期收敛方向不一致，而导致拟合出的图像出现异常。然后，按照预设约束条件，得出前景点云中的所有前景点在预期收敛方向上的预期位置范围，进而通过预设的参考基准距离，分别计算出每个前景点移动到预期位置范围的预期距离比例；按照每个预期距离比例，分别计算出每个前景点对应的移动速度，该步骤使得后续每个前景点能够以最优的移动速度，移动到预期位置范围内，从而保证每个前景点能同时到达预期位置范围，有效提升了拟合的效率。接着，同时控制所有前景点，分别按照预期位置范围和每个前景点的移动速度，向对应的预期收敛方向运动，直至所有前景点符合稳定条件时，停止运动，得出前景轮廓。最后，将前景轮廓的外接框作为晶圆上芯粒的边界框，以通过边界框确定出芯粒在晶圆上的位置。综上，本方法在对前景点进行拟合的过程中，通过统一预期收敛方向，防止了拟合过程中出现异常，而导致拟合效率降低，另外计算出最优移动速度，使得所有前景点可以同时到达预期位置范围，有效提升了拟合速度，从而使得所有前景点高效拟合成前景轮廓，进而通过生成的边界框高效定位出芯粒在晶圆上的位置。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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是本发明一实施例中检测晶圆芯粒的方法的一应用环境示意图；
图2是本发明一实施例中检测晶圆芯粒的方法的一流程示意图；
图3是本发明一实施例中检测晶圆芯粒的装置的一示意图；
图4是本发明一实施例中计算机设备的一示意图；
图5是本发明一实施例中检测晶圆芯粒的方法的一前景点云收敛示意图。
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作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。
在工业行业中，获取三维空间中的物体位置信息时，通常结合激光测量和摄影测量原理得到点云（Point Cloud），点云指物体表面特征的点集合，点云包括但不仅限于三维坐标和激光反射强度。激光反射强度指设备采集到的回波强度，该强度与物体的表面材质、粗糙度、入射角方向，以及设备的发射能量，激光波长有关。利用采集到的点云数据，形成包含点云数据的单通道图像，以便计算机视觉技术通过分析该单通道图像，定位出该物体的位置。
而半导体晶圆由于其体积过小，且每个晶圆包含着上百万个芯粒，因此，每个晶圆对应的单通道图像的尺寸较小，且图像中将包含大量微小的目标芯粒。此时，需要通过单通道图像获取晶圆上的芯粒位置，一般会采用深度学习算法，例如，目标检测算法等。在半导体领域中，由于需要保证足够满足量产级的效率，因此，一般在短时间内，例如，两分钟内，需要检测数千个晶圆，以准确定位出每个晶圆上四五百万个芯粒。但由于单通道图像尺寸过小，且芯粒数量过多，因此，这种情况下利用深度学习进行监测，将会产生大量的计算冗余，由于晶圆和芯粒的数量众多，这种计算冗余将严重降低算法的运行速度，最终导致检测效率过低。
本发明实施例提供的检测晶圆芯粒的方法，以便在无需进行分布式运算的情况下，也就是在单机设备检测的情况下，对包含大量芯粒的单通道图像进行高速、准确的定位检测，可应用在如图1的应用环境中，其中，传感器可以通过网络或电信号与服务器进行通信。传感器对晶圆进行扫描，得出该晶圆的点云数据。将该点云数据传输给服务器，由服务器按照点云数据生成晶圆的单通道图像，进而依照单通道图像，对晶圆上的芯粒进行检测、定位。其中，传感器可以但不限于单目相机，深度相机，红外相机、声呐，激光雷达、超声波测距仪和红外测距仪等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种检测晶圆芯粒的方法，该方法主要从单通道图像中每个像素点的像素值层面进行解析，其实质是通过一段与主体分布趋势不一致的点簇（前景点云），对该点簇进行处理，从而形成更为清晰的轮廓（与主体分布趋势一致的点簇为背景点云），以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
S10：获取晶圆的单通道图像中的前景点云，计算出所述前景点云的预期收敛方向。
传感器对晶圆进行扫描，得出该晶圆的点云数据。将该点云数据传输给服务器，服务器获取到点云数据后，生成对应的单通道图像。接着，服务器获取单通道图像中的前景点云，并计算出前景点云的预期收敛方向。其中，点云数据指传感器扫描得到的空间点的数据集，每一个点云都包括但不仅限于三维坐标点。单通道图像指灰度图，该图像中每个像素点只能由一个像素值标识颜色，该像素值在到255之间，0是黑色，255是白色，中间值是一些不同等级的灰色。前景点云指图像中代表目标物体的所有像素点，在本实施例中，前景点云指图像中代表芯粒的所有像素点。预期收敛方向指对前景点云进行主动拟合时，需要收敛的方向，该收敛方向包括但不仅限于向外膨胀或向内收缩。
值得注意的是，由于晶圆上存在多个芯粒，因此，晶圆的单通道图像中实际上可以存在多个芯粒对应的前景点云，也就是，单通道图像可以获取到一个或多个前景点云，每个前景点云对应一个芯粒。
另外，步骤S10实质上统一了前景点云的预期收敛方向，也就是该步骤实质上判断了前景点云是该向外膨胀还是向内收缩，以防止后续步骤中，由于前景点云中不同前景点的方向不一致，导致前景点云拟合出现异常，进而影响前景点云拟合的效率，最终导致晶圆检测的效率降低。
S20：按照预设约束条件，得出所述前景点云中的所有所述前景点在所述预期收敛方向上的预期位置范围。
服务器得出预期收敛方向后，按照预设约束条件，将前景点云中的所有前景点在预期收敛方向上的预期位置范围。其中，预设约束条件指为了保证前景点在主动拟合的过程中不失真，也就是为了保证最终得出的前景轮廓一定是连续的，对前景点设置的约束。预期位置范围指预计前景点需要移动到的位置的范围，也就是通过约束条件判断出的前景点可以移动到的位置的范围。本实施例中，预设约束条件包括距离约束条件、时间约束条件的。
值得注意的是，本实施例中得出的是预期位置范围，而非预期位置，从而保证了在后续移动过程中，前景点只需要移动到预期位置范围内即可，这大大提升了后续步骤中前景点拟合的速度。
S30：通过预设的参考基准距离，分别计算出每个所述前景点移动到所述预期位置范围的预期距离比例。
服务器得出预期位置范围后，预设参考基准距离，分别计算出每个前景点移动到预期位置范围的预期距离比例。其中，预期距离指前景点移动到预期位置范围内，所需要移动的距离。预期距离比例指预期距离与参考基准距离的比例。
值得注意的是，由于服务器获取的单通道图像实质上是由传感器测量晶圆得到的点云数据构成的，因此单通道图像上像素点的灰度值，实质上代表了每个像素点与传感器的距离。因此，本实施例中的距离比例，实质上等同于不同点的灰度值比例。该参考基准距离也就是参考基准灰度值。由此可见，上述步骤S20中的预期约束条件所包括的距离约束条件实质上是灰度约束条件。
S40：按照每个所述预期距离比例，分别计算出每个所述前景点对应的移动速度。
服务器计算出每个前景点对应的预期距离比例后，分别计算出每个前景点对应的移动速度。其中，移动速度指前景点移动到预期位置范围时的速度。
值得注意的是，计算出每个前景点的预期距离比例实质上是为了得出不同前景点对应的不同的最优移动速度，以保证每个前景点能用最优移动速度同时到达预期位置范围，从而提升了拟合速度，使得整体检测的效率得以提升。
S50：同时控制所有所述前景点，分别按照所述预期位置范围和每个所述前景点的所述移动速度，向对应的所述预期收敛方向运动，直至所有所述前景点符合稳定条件时，停止运动，得出前景轮廓。
服务器计算出每个前景点对应的移动速度后，开始对所有前景点进行并行控制，也就是，控制所有前景点按照移动速度，往预期收敛方向移动。直至所有前景点符合稳定条件时，停止控制前景点运动。此时的前景点将拟合成平滑、清晰的芯粒轮廓，也就是前景轮廓。该稳定条件指所有前景点达到稳定的状态。
S60：将所述前景轮廓的外接框作为所述晶圆上芯粒的边界框，以通过所述边界框确定出芯粒在所述晶圆上的位置。
服务器拟合出平滑的前景轮廓后，将前景轮廓的外接框，作为晶圆上芯粒的边界框。从而通过该边界框，确定芯粒在晶圆上的位置。
值得注意的是，由于本实施例拟合除了精确地前景轮廓，也就是芯粒轮廓，进而根据前景轮廓的外接框，得出精确的边界框，从而准确地定位出芯粒在晶圆上的位置。另外，由于每个芯粒对应着一个前景轮廓，因此每个前景轮廓生成对应的外接框，有效防止了检测中对其中某些芯粒的遗漏，也就是漏检。
综上所述，工业行业中通过传感器生成的单通道图像由于是点云数据生成的，因此常常存在着图像内容模糊、不清晰的情况，而此时若直接将异常像素值的数值层面对其进行解析，也就是将异常像素值由背景像素值过渡到前景像素值的过程，这种过程变化较慢，且最终形成的轮廓依然非常不清晰，因此，本实施例首先，获取晶圆的单通道图像中的前景点云，计算出前景点云的预期收敛方向，该步骤实质上使得前景点云中的所有前景点有了统一的预期收敛方向，防止后续由于预期收敛方向不一致，而导致拟合出的图像出现异常。然后，按照预设约束条件，得出前景点云中的所有前景点在预期收敛方向上的预期位置范围，进而通过预设的参考基准距离，分别计算出每个前景点移动到预期位置范围的预期距离比例；按照每个预期距离比例，分别计算出每个前景点对应的移动速度，该步骤使得后续每个前景点能够以最优的移动速度，移动到预期位置范围内，从而保证每个前景点能同时到达预期位置范围，有效提升了拟合的效率。接着，同时控制所有前景点，分别按照预期位置范围和每个前景点的移动速度，向对应的预期收敛方向运动，直至所有前景点符合稳定条件时，停止运动，得出前景轮廓。最后，将前景轮廓的外接框作为晶圆上芯粒的边界框，以通过边界框确定出芯粒在晶圆上的位置。综上，本方法在对前景点进行拟合的过程中，通过统一预期收敛方向，防止了拟合过程中出现异常，而导致拟合效率降低，另外计算出最优移动速度，使得所有前景点可以同时到达预期位置范围，有效提升了拟合速度，从而使得所有前景点高效拟合成前景轮廓，进而通过生成的边界框高效定位出芯粒在晶圆上的位置。
在一实施例中，步骤S10中，即获取晶圆的单通道图像中的前景点云中，具体包括如下步骤：
S11：按照所述晶圆的所述单通道图像中的所有像素点对应的像素值，将所有所述像素点分为第一类别和第二类别，并计算出所述第一类别中所有像素值的第一灰度均值和所述第二类别中所有像素值的第二灰度均值。
S12：若所述第一灰度均值大于第二灰度均值，则将所述第一类别中的所有所述像素点，组成所述前景点云。
服务器在获取晶圆的单通道图像中的前景点云时，首先需要将单通道图像中所有像素点的像素值获取出来，该像素值指像素点的灰度值，该灰度值对应着像素点的灰度，数值范围在0~255之间。然后，按照像素值，将像素点分为第一类别和第二类别。这里分类的方法依据像素点的像素值来分，由于灰度图的像素值在0~255之间，因此，可以将0~100分为第一类别，101~255分为第二类别，也可以将200~255分为第一类别，将0~199分为第二类别，此处不作限定。
接着，计算第一类别中所有像素点的像素值的第一灰度均值，和第二类别中所有像素点的像素值的第二灰度均值。其中，灰度均值的计算方式可以是将对应类别中所有像素点的像素值相加后的均值，也可以是对应类别中所有像素点的像素值的中位数，此处不作限定。
最后，判断第一灰度均值是否大于第二灰度均值。若大于，则将第一类别中所有像素点，组成前景点云；若不大于，则将第二类别中所有像素点，组成前景点云。
需要说明的是，本实施例实质上是通过像素点的灰度值，也就是像素值，对单通道图像中所有像素点进行了二分类，使得单通道图上的所有像素点被区分为前景点云和背景点云，计算不同类别的灰度均值是为了判断出哪个类别内的像素点是前景点，哪个类别内的像素点是背景点。之所以采用二分类的方式，是基于点云数据生成的单通道图像，仅用于标准目标物体的位置，也就是芯粒的位置。因此，只需要区分单通道图中的前景点（也就是芯粒的像素点）和背景点（也就是晶圆的像素点）就可以了。步骤S11-S12对像素点的灰度值进行了区分，取出了所有的前景点，构成前景点云。以便后续的处理中，仅需要对前景点云进行处理，而无需对整个图像的所有像素点进行处理，使得后续的计算量减少，提高了运算速度，从而有效提升了晶圆芯粒的检测效率。
在一实施例中，步骤S11中，即按照所述晶圆的所述单通道图像中的所有像素点对应的像素值，将所有所述像素点分为第一类别和第二类别并计算出所述第一类别中所有像素值的第一灰度均值和所述第二类别中所有像素值的第二灰度均值中，具体包括如下步骤：
S111：统计所有所述像素点中，每种像素值对应的像素点数量。
S112：获取所述单通道图像中的最大像素值，作为第一标准值，并获取所述单通道图像中的最小像素值，作为第二标准值。
S113：分别计算每个所述像素点对应的像素值与所述第一标准值的第一差值，并分别计算每个所述像素点对应的像素值与所述第二标准值的第二差值。
S114：分别判断每个所述像素点的第一差值是否大于所述第二差值。
S115：若所述像素点的所述第一差值大于所述第二差值，则所述像素点被标记为所述第一类别。
S116：若所述像素点的所述第二差值大于所述第一差值，则所述像素点被标记为所述第二类别。
S117：按照所述像素点数量，对所述第一类别中所有所述像素值进行加权平均，得出所述第一类别的第一均值，并对所述第二类别中所有所述像素值进行加权平均，得出所述第二类别的第二均值；
S118：将所述第一均值，作为所述第一标准值，并将所述第二均值作为所述第二标准值，对所述单通道图像中所有所述像素点迭代分类出第一类别和第二类别，直至迭代出的第一类别所计算出的第一均值和迭代出的第二类别所计算出的第二均值为恒定值；
S119：将恒定的所述第一均值作为所述第一灰度均值，并将恒定的所述第二均值作为所述第二灰度均值。
服务器通过像素值，对单通道图像中所有像素点进行分类，并计算不同分类的灰度均值时，首先需要统计所有像素点中，每种像素值对应的像素点数量。需要说明的是，由于单通道图像中仅存在0~255的像素值。因此，此处每种像素值实质上是从0~255的灰度值中按顺序取值，例如，某张单通道图中，灰度值为0的像素点有20个，灰度值为1的像素点有30个，灰度值为2的像素点有40个……以此类推，得到灰度值0~255对应的像素点个数，也就是每种像素值对应的像素点数量。
然后，获取单通道图像中最大像素值，作为第一标准值，并获取单通道图中的最小像素值，作为第二标准值。本步骤中，实质上是将最大像素值，也就是255，作为初始值（第一标准值），同时将最小像素值，也就是0，作为另一个初始值（第二标准值）。进而计算出两个初始值与图像中每个像素点的差值。从而分别判断每个像素点的第一差值是否大于第二差值，进而将该像素点分为第一类别或第二类别。
接着，计算第一类别和第二类别的灰度均值，也就是计算出第一均值或第二均值。将第一均值作为第一标准值，将第二均值作为第二标准值，进行迭代运算，不断重复步骤S114-S117，直至计算出的第一均值和第二均值为恒定值，也就是计算出的第一均值和第二均值不再产生变化，此时，才代表着第一类别和第二类别分类完成了，另外，第一均值也就作为第一类别的第一灰度均值，第二均值则作为第二类别的第二灰度均值。
例如，通过聚类算法，对单通道图像中的像素点进行处理，得出比较粗略的种子点。具体地，依据最大像素值和最小像素值，初始化两个种子点，第一标准值a=0，第二标准值b=255。然后对图像中所有像素点进行统计，得到像素值0~255中每种像素值的像素点数量，其中，i为像素值。接着，进行如下计算：，其中，/>为与每个像素点的像素值与第一标准值的差值，/>为每个像素点的像素值与第二标准值的差别。对比/>和/>，从而将每个像素点标记为第一类别a或第二类别b。接下来，对a、b类别中的所有像素点的像素值进行加权均值，公式如下：
其中，表示a类别中，第k个值的像素值，/>表示a类别中，第k个值的像素点数量，也就是像素值/>对应的像素点数量。/>表示b类别中，第j个值的像素值，/>表示a类别中，第j个值的像素点数量，也就是像素值/>对应的像素点数量。将/>和/>作为第一标准值和第二标准值，不断迭代上述步骤，直至/>和/>不再更新为止。由于/>恒成立，因此为前景种子点，故此/>对应的b类别中所有像素点为前景像素点，将所有前景像素点，组成前景点云。
需要说明的是，本实施例实质上在二分类的基础上，对两个类别中的像素点进行了聚类计算（步骤S111-S118），不仅得出了所有前景点，还是的第一类别和第二类别的分界更为清晰，从而保证更为程序能够更为精确地获取到前景点。具体地，在传感器采集晶圆的点云数据时，常常会出现畸变数据，也就是异常极端数据，由于最终会采用外接框的方式圈定芯粒的边界框，因此这种极端数据常常影响了边界框的尺寸，导致无法准确定位到芯粒。而本实施例中，对所有像素点进行了聚类，也就是聚和了离散的像素点，防止了异常畸变数据影响到最终生成的外接框，从而芯粒定位异常，影响到整体检测的速度和效率。
另外，由于明暗差距很大的场景中所生成的单通道图像，将很难定位到所有芯粒，也就是，由于光线导致出现大量异常像素点，从而无法准确识别到前景点。因此本实施例中，采用步骤S111-S118的方法，由最边界的最大像素值和最小像素值向中间不断取值，进行迭代计算，直至灰度均值恒定，保证了最终分类出的第一类别和第二类别，准确地区分了前景点和背景点，有效地防止了由于图像场景中明暗差距过大，导致的前景点获取异常，从而影响后续对前景点的处理，进而无法准确得出前景轮廓。
故此，步骤S111-S119的方法能够精确地得出单通道图像中所有的前景点，以便构成前景点云，从而保证了后续步骤的高校和准确，进而高效、准确地定位出芯粒在晶圆上的位置。
在一实施例中，步骤S12中，即将所述第一类别中的所述像素点，组成所述前景点云中，包括如下具体步骤：
S81：获取所述第一类别的边界点。
S82：按照所有所述边界点的像素值，分割出所述单通道图像中的多个前景图像对应的前景边界图像。
S83：对每个所述前景边界图像进行平滑处理，分别得出对应的平滑图像。
S84：按照每个所述平滑图像的像素点，分别得出对应的所述前景点云。
在将第一类别中的像素点作为前景点云的过程中，本实施例对第一类别中的所有像素点进行了一次筛选。具体地，首先获取第一类别的边界点。此处说明的是，由于步骤S111-S119对第一类别和第二类别中的所有像素点进行了聚类，因此，第一类别和第二类别中的像素点分布会比较密集，故此，第一类别和第二类别的分界将会很明显、很清晰。此时获取第一类别的边界点会更为容易。
然后，按照边界点的像素值，将分割出单通道图像中的前景图像，并分割出前景图像的边界图像。该边界图像实质上是初始识别到的芯粒轮廓图像。对该边界图像进行平滑处理，得出芯粒轮廓图像的平滑图像。
最后，获取每个平滑图像的像素点，分别作为对应的前景点云。也就是，得出了每个芯粒轮廓对应的前景点云。后续对这些前景点云进行处理后，将得出清晰、准确的芯粒对应的前景轮廓。
需要说明的是，本实施例实质上是将前景点云中的前景点进行进一步筛选，准确地筛选出了每个芯粒的像素点中，芯粒最边界的像素点，从而保证这些筛选出的像素点能够准确地描绘出该芯粒的轮廓，从而保证通过该轮廓得出的芯粒位置的准确性。另外，由于对像素点进行了筛选，因此，相较于现有技术中，将所有前景点一一进行计算的方法，本实施例后续依据筛选出的像素点得到的像素点云，进行拟合计算，后续的拟合次数将优现有方法明显减少，从而使得拟合的计算量得到明显的降低，提升了计算速度和运行效率，提升了依据前景点云进行拟合的速度，使得所有前景点高效拟合成前景轮廓，进而通过生成的边界框高效定位出芯粒在晶圆上的位置。
在一实施例中，步骤S10中，即计算出所述前景点云的预期收敛方向中，具体包括如下步骤：
S13：分别计算所述前景点云中每个所述前景点的单位法向量。
S14：分别计算所述前景点云中每个所述前景点的八邻域向量。
S15：分别将每个所述前景点的所述八邻域向量相加，得到每个所述前景点对应的变化趋势向量。
S16：分别计算所述单位法向量和对应的所述变化趋势向量的内积，得到每个所述前景点的运动向量。
S17：将所述前景点云中所有所述前景点的运动向量相加，得出所述前景点云中需要移动的预期收敛方向。
本实施例实质上是通过计算前景点云中每个前景点的单位法向量和八邻域向量，得出前景点在三维空间的移动方向，也就是预期收敛方向。需要说明的是，由于本实施例中单通道图像是由传感器采集到的点云数据构成的，因此单通道图像中的每个像素点实质上对应的是三维空间中的坐标点。因此，该预期收敛方向实质上是指前景点云在三维空间内的方向，包括但不仅限于向外膨胀方向、向内收缩方向。由于预期收敛方向是前景点云在三维空间内的方向，因此，计算预期收敛方向时，需要逐一计算前景点云中每个前景点在三维空间内的方向。
基于上述思路，本实施例步骤S13-S17实质上计算了前景点云中每个前景点在三维空间内的方向，也就是运动向量。具体地，计算前景点的单位法向量和八邻域向量，其中，法向量是空间解析几何的一个概念，垂直于平面的直线所表示的向量为该平面的法向量。而单位法向量则是进行规范化后的法向量。然后，将前景点的八邻域向量相加，得出该前景点的变化趋势向量，也就是前景点在二维平面上的方向向量，其中，八邻域指每一个像素的周围有8个邻接的像素点。接着，计算变化趋势向量和单位法向量的内积，得出前景点在三维平面上的方向向量，也就是运动向量。其中，由于单位法向量存在两个方向，因此在计算方向向量时，若变化趋势向量和单位法向量的内积（点乘）的计算结果为正数，则为代表运动向量的方向为向内收缩，若计算结果为负数，则代表运动向量的方向为向外膨胀。如图5所示，前景点云构成了曲线A，曲线A上的任意点X其变化趋势向量若位于X的切向向量内部，也就是该变化趋势向量的方向，是X的切线向量与轮廓的一侧，则X点的变化趋势向量为向内收缩。若X的变化趋势向量的方向在另一侧，则X的变化趋势向量在向外膨胀。
最后，将前景点云中所有前景点的运动向量相加，得出前景点云的预期收敛方向。
需要说明的是，本实施例实质上提供了一种计算前景点云的预期收敛方向的方法，该方法通过八邻域向量和单位法向量精确地计算出了前景点在三维空间上的运动向量，进而得出前景点云精确的预期收敛方向，从而保证后续步骤中前景点云依据该预期收敛方向，高效、准确地进行移动，有效提升了拟合速度，从而使得所有前景点高效拟合成前景轮廓，进而通过生成的边界框高效定位出芯粒在晶圆上的位置。
在一实施例中，步骤S13中，即分别计算所述前景点云中每个所述前景点的单位法向量中，具体包括如下步骤：
S131：计算所述前景点云中每个所述前景点的切线向量。
S132：分别获取与每个所述切线向量垂直的法向量，所述法向量包括收缩方向和膨胀方向。
S133：按照预设运动步长和每个所述前景点的所述法向量，分别移动每个所述前景点，筛选出往所述收缩方向移动的所述前景点的第一数量，以及往所述膨胀方向移动的所述前景点的第二数量。
S134：若所述第一数量大于所述第二数量，则将往所述膨胀方向移动的所有所述前景点的法向量，变更为所述收缩方向，以使所述前景点云中每个前景点的单位法向量都为所述收缩方向的法向量。
S135：若所述第二数量大于所述第一数量，则将往所述收缩方向移动的所有所述前景点的法向量，变更为所述膨胀方向，以使所述前景点云中每个前景点的单位法向量都为所述膨胀方向的法向量。
本实施例中，实质上是对步骤S13中计算出的异常法向量进行处理，从而保证每个前景点的运动向量精确无误，以使最终计算出的预期收敛方向精确无误。也就是，当单通道图像中的像素点收到噪声干扰、或像素点本身出现极端数据导致运动向量计算结果异常时，（也就是运动向量本该向内收缩的前景点，由于上述异常，其运动向量变为向外膨胀）通过设定预设运动步长STEP，让所有前景点依据STEP进行变化。由于前景点云是一个整体的变化过程，而非某个像素点单独进行变化的过程。因此，在变化的过程中，若出现一些独立变化的像素点，也就是其运动方向与其他像素点运动方向不一致的孤点，此时，该孤点为异常点。最后，将异常点的法向量进行反向，从而完成了异常法向量的处理。
具体地，首先，计算前景点云中每个前景点的切线向量，其中，切线指的是一条刚好触碰到曲线上某一点的直线。然后，分别获取与每个切线向量垂直的法向量，法向量包括收缩方向和膨胀方向。接着，按照预设运动步长STEP和每个前景点的法向量，分别移动每个前景点，筛选出往收缩方向移动的前景点的第一数量，以及往膨胀方向移动的前景点的第二数量。最后，判断第一数量是否大于第二数量。若第一数量大于第二数量，则将往膨胀方向移动的所有前景点的法向量，变更为收缩方向，以使前景点云中每个前景点的单位法向量都为收缩方向的法向量；若第二数量大于第一数量，则将往收缩方向移动的所有前景点的法向量，变更为膨胀方向，以使前景点云中每个前景点的单位法向量都为膨胀方向的法向量。
例如，计算前景点、的单位法向量时，需要先计算其切线向量，公式如下：
由于法向量与切线向量垂直，且此处需要考虑方向，因此通过即可得到两个法向量（这两个法向量方向相反，分别表示向外膨胀和向内收缩）。然后将法向量进行规范化，得到单位法向量。接着，设定预设运动步长，让所有前景点进行运动，筛选出与大多数前景点运动方向不一致的孤点，将孤点的法向量反向，得出准确的单位法向量，从而得出该孤点准确的运动向量，使得孤点不再存在异常，进而得出前景点云准确的预期收敛方向。
需要说明的是，实质上在步骤S13的基础上，对其计算出的单位法向量进行了异常判断和处理，筛选出异常前景点，并将所有异常的前景点的法向量进行反向，从而准确地得出前景点在三维空间上的运动向量，进而得出前景点云精确的预期收敛方向，从而保证后续步骤中前景点云依据该预期收敛方向，高效、准确地进行移动，有效提升了拟合速度，从而使得所有前景点高效拟合成前景轮廓，进而通过生成的边界框高效定位出芯粒在晶圆上的位置。
在一实施例中，步骤S20中，预设约束条件包括第一约束函数，即按照预设约束条件，得出所有所述前景点在所述预期收敛方向上的预期位置范围中，具体包括如下步骤：
S21：分别获取所有所述前景点中，每个相邻点之间的间距，并计算出所有所述间距的间距平均值。
S22：通过所述间距平均值和预设加权系数，分别得出每个所述前景点的第一约束函数，以使所有所述前景点都能移动到所述预期位置范围内。
本实施例实质上是通过主动拟合收敛对前景点云进行拟合，以便后续得到精确的前景轮廓。具体地，由于步骤S10中得出的前景点云与芯粒存在着较大差距，因此需要对前景点云进行主动拟合收敛。而为了保证前景点云子啊主动拟合的过程中不失真，也就是，保证前景点云所表现出的线条的连续性（保证前景点云所表现出的线条能够平滑），因此本实施例设定了第一约束函数：
；
其中，I为前景点云中所有相邻点之间的平均距离，为加权系数。当/>时，第一约束函数的数值最小，通过变更/>的值对前景点云的拟合程度进行调整。如图5所示，前景点云构成了曲线A，此时对前景点X进行拟合，当/>时，曲线A将拟合成B，X将正好落在Y与Z中心的位置，而当/>时，曲线A将拟合成曲线C。
具体地，首先，分别获取所有前景点中，每个相邻点之间的间距，并计算出所有间距的间距平均值I。接着，通过间距平均值I和预设加权系数，分别得出每个前景点的第一约束函数，进而依据该第一约束函数，使所有前景点朝预期收敛方向运动，直至运动到预期位置范围内。
需要说明的是，本实施例实质上借鉴了主动拟合的思想，对前景点云进行处理，以使前景点云所表示出的轮廓图像更为平滑、准确。另外由于本步骤中依据第一约束函数得出最优的预期位置范围，使得前景点云中的前景点能够在运动的过程中主动移动到预期位置范围中的最优位置，也就是运动次数最少的最优位置，这种高效的移动方式有效提升了拟合速度，从而使得所有前景点高效拟合成前景轮廓，进而通过生成的边界框高效定位出芯粒在晶圆上的位置。
在一实施例中，步骤S22之后，预设约束条件还包括第二约束函数，所述预期位置范围在同一水平面上，所述通过所述间距平均值和预设加权系数，分别得出每个所述前景点的第一约束函数之后，该方法还包括如下步骤：
S71：将每个所述前景点的八邻域向量相加，分别得到每个所述前景点的八邻域向量和。
S72：计算所有所述八邻域向量和的绝对值范数，得到所有所述前景点的总能量。
S73：通过所述总能量，分别计算出每个所述前景点向所述预期收敛方向移动的预期移动距离。
S74：将所有所述前景点的第一灰度均值和所述单通道图像中的所有像素点的所有灰度均值的差值，作为所述第二约束函数，以使所有所述前景点移动到所述预期位置范围的所述同一水平面上。
本实施例中，预设约束条件还包括第二约束函数，这是由于本实施例最终需要在二维平面的图像上生成出芯粒的边界框，也就是需要在二维平面的图像上生成前景点云的外接框。因此，本实施例在步骤S22之后，需要进一步对前景点的运动过程进行约束，也就是需要通过第二约束函数对前景点的运动过程进行约束，以保证最终所有的前景点都会运动到同一水平面上。
具体地，首先将每个前景点的八邻域向量相加，分别得到每个前景点的八邻域向量和。然后，计算所有八邻域向量和的绝对值范数，得到所有前景点的总能量E，该总能量E指所有前景点的运动量，该总能量，其中，/>为/>像素点的八邻域向量和。
接着，通过总能量E，分别计算出每个前景点向预期收敛方向移动的预期移动距离d，该预期移动距离。最后，将所有前景点的第一灰度均值和单通道图像中的所有像素点的所有灰度均值的差值，作为第二约束函数，在前景点的运动过程中，通过第二约束函数对前景点的运动进行约束，使得所有前景点最终移动到同一水平面的预期位置范围内。
需要说明的是，本实施例通过第二约束函数，将所有的前景点约束在同一水平面上，也就是本实施例实质上是在划定了同一水平面的预期位置范围，一方面，在后续的处理中，同一水平面上的前景点将更为清晰、准确，另一方面，是所有前景点能够通过该水平面准确、高效地进行移动，防止冗余的运动量（能量），以便后续步骤中，所有前景点都能用最优的移动速度和最小的总能量，移动到该水平面上，从而有效防止拟合过程中的冗余计算，有效提升了拟合速度，从而使得所有前景点高效拟合成前景轮廓，进而通过生成的边界框高效定位出芯粒在晶圆上的位置。
在一实施例中，步骤S30中，即通过预设的参考基准距离，分别计算出每个所述前景点移动到所述预期位置范围的预期距离比例中，具体包括如下步骤：
S31：计算所述前景点的第一灰度均值；
S32：计算所述单通道图像中的所有像素点的所有灰度均值，将所述所有灰度均值作为所述参考基准距离；
S33：分别计算每个所述前景点与所述第一灰度均值的差值；
S34：将每个所述前景点对应的差值的绝对值，与所述所有灰度均值的比值，分别作为每个所述前景点移动到所述预期位置范围内的所述预期距离比例。
由于服务器获取到的单通道图像是传感器通过采集晶圆的点云数据获得的，因此单通道图像上每个灰度值实质上代表了在现实场景中，该点的物体到传感器之间的距离。故此，本实施例实质上是通过对灰度约束，也就是距离约束，得出每个前景点到预期位置范围的预期距离比例，以防止前景点运动到预期位置范围外圈的平缓区域就停止了运动。
具体地，首先，计算前景点的第一灰度均值b。然后，计算单通道图像中的所有像素点的所有灰度均值，将所有灰度均值作为参考基准距离。接着，分别计算每个前景点与第一灰度均值的差值dis作为灰度约束，也就是距离约束，。最后，由于预期位置范围的边缘变化不是等量变化，因此，将每个前景点对应的差值的绝对值，与所有灰度均值的比值，分别作为每个前景点移动到预期位置范围内的预期距离比例R。也就是预期距离比例/>。
需要说明的是，本实施例实质上设置了灰度约束，也就是距离约束，以防止前景点运动到预期位置范围边缘就停止运动，以确保所有前景点都能准确地拟合到预期位置范围内，保证了最终依据前景点云拟合出的前景轮廓精确、清晰，从而保证依据前景轮廓生成的外接框精确、有效，防止了在拟合过程中，由于前景点在预期位置范围边界外停止运动，而导致最终拟合出的前景轮廓模糊不清，从而使得外接框不够精准、高效，从而影响了定位出的芯粒位置的准确度和效率。
在一实施例中，步骤S50中，即同时控制所有所述前景点，分别按照所述预期位置范围和每个所述前景点的所述移动速度，向对应的所述预期收敛方向运动，直至所有所述前景点符合稳定条件时，停止运动，得出前景轮廓中，所述移动速度指前景点每次移动的目标步长，具体包括如下步骤：
S51：通过所述预期位置范围、所述目标步长和所述预期收敛方向，同时控制对应的所述前景点运动，直至所有所述前景点符合稳定条件后，停止运动，得出所述前景轮廓；
S52：当每个所述前景点每移动所述目标步长后，判断是否存在位置重叠的所述前景点。
S53：若存在位置重叠的所述前景点，则删除位置重叠的前景点，并在重叠的位置生成新的前景点。
S54：若不存在位置重叠的所述前景点，则判断每个所述前景点与相邻的前景点之间的间隔距离是否大于预期距离。
S55：若是大于所述预期距离，则在所述前景点与所述相邻的前景点之间生成新的前景点。
本实施例，实质上是在前景点每次运动时，对每次运动完成后前景点构成的图像进行去重处理或连贯处理。去重处理指将图像中重叠在一起的前景点进行删除，并在同一位置生成一个新的前景点。连贯处理指将图像中分隔较远的相邻前景点相连，也就是在分隔较远的相邻前景点之间生成一个新的前景点，以保证最终由前景点云所表现出的前景轮廓清晰、准确。
具体地，首先，通过预期距离比例和所述移动速度，计算出每个所述前景点在所述预期收敛方向上每次移动的目标步长。其中，该移动速度指前景点每次运动时移动的目标步长，也就是每次移动的目标距离。接着，按照所述目标步长和所述预期收敛方向，同时控制对应的所述前景点运动，直至所有所述前景点符合稳定条件后，停止运动，得出所述前景轮廓。在上述过程中，当每个所述前景点每移动所述目标步长后，判断是否存在位置重叠的所述前景点。若存在位置重叠的所述前景点，则删除位置重叠的前景点，并在重叠的位置生成新的前景点；若不存在位置重叠的所述前景点，则判断每个所述前景点与相邻的前景点之间的间隔距离是否大于预期距离。
需要说明的是，本实施例实质上是在前景点的运动过程中，对每一次运动后的前景点进行了处理，一方面删除了重叠在一起的前景点，以保证最终得出的前景点云没有冗余数据，另一方面在相隔较远的前景点之间新增了前景点，从而保证最终依据前景点云得出的前景轮廓清晰、准确。综上，由于去除了冗余数据，因此提高了运算过程，并且最终得出的前景轮廓更为清晰、详实，前景轮廓的外接框更为准确，其外接框的生成速度也更加高效，进而通过生成的外接框高效、准确地定位出芯粒在晶圆上的位置。
值得注意的是，现有技术中一般通过计算机视觉的模板匹配技术和深度学习算法来进行晶圆芯粒的检测。但这两个技术手段，都存在着各自的问题：
一方面，利用计算机视觉的模板匹配对单通道图像上的芯粒进行检测，模板匹配包括但不仅限于NCC（归一化互相关匹配，全称为Normalized Crosss Correlation）算法、SSIM（结构相似性，全称为Structural Similarity）。这些模板匹配算法经过长时间多次的参数调整，对芯粒检测的准确性有了提升，但由于模板匹配多需要人工手动选择模板，且需要人工调参，因此其效率无法提升。并且，若人工选择的模板存在问题，那么最终得到的定位结果的准确性也将存在问题。另外，模板匹配处理明暗不一的场景下生成包含畸变数据的单通道图像时，最终生成的芯粒轮廓可能存在一定程度的形变，使得最终确定出的边界框精度降低，且由于形变使得整体检测的速度降低，性能开销提升。
另一方面，利用深度学习算法对单通道图像上的芯粒进行检测，深度学习算法包括但不仅限于小样本学习、强化学习、迁移学习等方法，这些方法也避免不了人工介入的操作步骤，相较于模板匹配方法，深度学习由于前期需要采集训练数据并调节参数，因此这种方式前期对人工的依赖性更强。深度学习到后期对人工的依赖虽然会降低，但中间的过程不确定性太强，因此无法准确衡量其中的优劣。另外深度学习在单通道图像较大时，能够很好地使用，但当单通道图像为较小，例如，本实施例的应用场景检测晶圆图像中的芯粒时，其最终的检测结果将丢失大量芯粒目标，因此在芯粒检测的过程中，深度学习的准确性无法保证。
而本发明提供的方法不仅完全通过计算机自动完成所有步骤，无需人工介入，并且各个步骤产生了如下三个方面的有益效果：
第一方面，提升了检测晶圆芯粒的精度。由于上述各步骤中，对前景点云进行了聚类处理，并对其中的前景点进行了主动拟合，在前景点的运动过程中还对前景点进行了适时的删除和新增，因此有效改善了传感器采集到的点云数据中存在着各种畸变数据，最终依据前景点云形成的前景轮廓实质上是处理了所有畸变后的清晰、准确的轮廓。因此依据该前景轮廓的外接框确定出的位置，有效防止了由于畸变数据产生的外接框尺寸异常，使得最终生成的外接框精确、有效地定位出芯粒在晶圆上的精确位置。
第二方面，提升了检测晶圆芯粒的性能。由于传感器采集晶圆时可能存在着较大的明暗差距，并且传感器将通过图像像素的灰度值来表示传感器与芯粒的距离，因此，这种场景下，服务器通过传感器获取到测量晶圆所产生的点云数据，将混杂着明暗差距导致的异常数据。而本发明由于对像素点进行了聚类，因此，实质上将明暗差距很大的明亮点与暗色点进行了聚合，并通过二分类将暗色点或亮色点作为前景点准确地从中筛选出来，并通过主动拟合，将所有前景点中的暗色点或亮色点同样进行拟合，使得最终生成的前景轮廓不会由于明暗差距导致模糊不清，从而保证所有芯粒都能被准确地检测出来，防止了由于明暗差距过大而引起的冗余计算，提高了整体检测的性能。
第三方面，提升了检测晶圆芯粒的效率，也就是速度。由于工业行业中，需要检测大量晶圆，且晶圆中存在上百万个芯粒，因此本发明着眼于工业中现实的应用场景需求，通过上述各实施例中的不同步骤极大地提升了芯粒检测的速度，以2000个左右的芯粒，从输入包含2000个芯粒的单通道图像，直至到输出定位结果，平均检测耗时为50ms，按此速度推算，本发明在2分钟内，能够检测出480万个芯粒。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种检测晶圆芯粒的装置，该检测晶圆芯粒的装置与上述实施例中检测晶圆芯粒的方法一一对应。如图3所示，该检测晶圆芯粒的装置包括第一计算模块10、约束模块20、第二计算模块30、第三计算模块40、控制模块50和定位模块60。各功能模块详细说明如下：
第一计算模块10，用于获取晶圆的单通道图像中的前景点云，计算出所述前景点云的预期收敛方向；
约束模块20，用于按照预设约束条件，得出所述前景点云中的所有所述前景点在所述预期收敛方向上的预期位置范围；
第二计算模块30，用于通过预设的参考基准距离，分别计算出每个所述前景点移动到所述预期位置范围的预期距离比例；
第三计算模块40，按照每个所述预期距离比例，分别计算出每个所述前景点对应的移动速度；
控制模块50，用于同时控制所有所述前景点，分别按照所述预期位置范围和每个所述前景点的所述移动速度，向对应的所述预期收敛方向运动，直至所有所述前景点符合稳定条件时，停止运动，得出前景轮廓；
定位模块60，用于将所述前景轮廓的外接框作为所述晶圆上芯粒的边界框，以通过所述边界框确定出芯粒在所述晶圆上的位置。
关于检测晶圆芯粒的装置的具体限定可以参见上文中对于检测晶圆芯粒的方法的限定，在此不再赘述。上述检测晶圆芯粒的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储传感器采集到的点云数据、单通道图像以及上述检测晶圆芯粒的方法中各个步骤产生的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种检测晶圆芯粒的方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取晶圆的单通道图像中的前景点云，计算出所述前景点云的预期收敛方向；
按照预设约束条件，得出所述前景点云中的所有所述前景点在所述预期收敛方向上的预期位置范围；
通过预设的参考基准距离，分别计算出每个所述前景点移动到所述预期位置范围的预期距离比例；
按照每个所述预期距离比例，分别计算出每个所述前景点对应的移动速度；
同时控制所有所述前景点，分别按照所述预期位置范围和每个所述前景点的所述移动速度，向对应的所述预期收敛方向运动，直至所有所述前景点符合稳定条件时，停止运动，得出前景轮廓；
将所述前景轮廓的外接框作为所述晶圆上芯粒的边界框，以通过所述边界框确定出芯粒在所述晶圆上的位置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取晶圆的单通道图像中的前景点云，计算出所述前景点云的预期收敛方向；
按照预设约束条件，得出所述前景点云中的所有所述前景点在所述预期收敛方向上的预期位置范围；
通过预设的参考基准距离，分别计算出每个所述前景点移动到所述预期位置范围的预期距离比例；
按照每个所述预期距离比例，分别计算出每个所述前景点对应的移动速度；
同时控制所有所述前景点，分别按照所述预期位置范围和每个所述前景点的所述移动速度，向对应的所述预期收敛方向运动，直至所有所述前景点符合稳定条件时，停止运动，得出前景轮廓；
将所述前景轮廓的外接框作为所述晶圆上芯粒的边界框，以通过所述边界框确定出芯粒在所述晶圆上的位置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种检测晶圆芯粒的方法，其特征在于，包括：
获取晶圆的单通道图像中的前景点云，计算所述前景点云中每个所述前景点的切线向量；
分别获取与每个所述切线向量垂直的法向量，所述法向量包括收缩方向和膨胀方向；
按照预设运动步长和每个所述前景点的所述法向量，分别移动每个所述前景点，筛选出往所述收缩方向移动的所述前景点的第一数量，以及往所述膨胀方向移动的所述前景点的第二数量；
若所述第一数量大于所述第二数量，则将往所述膨胀方向移动的所有所述前景点的法向量，变更为所述收缩方向，以使所述前景点云中每个前景点的单位法向量都为所述收缩方向的法向量；
若所述第二数量大于所述第一数量，则将往所述收缩方向移动的所有所述前景点的法向量，变更为所述膨胀方向，以使所述前景点云中每个前景点的单位法向量都为所述膨胀方向的法向量；
通过每个所述前景点的单位法向量和八邻域向量，计算出每个所述前景点的运动向量；
将所述前景点云中所有所述前景点的运动向量相加，得出所述前景点云中需要移动的预期收敛方向；
按照预设约束条件，得出所述前景点云中的所有所述前景点在所述预期收敛方向上的预期位置范围；
通过预设的参考基准距离，分别计算出每个所述前景点移动到所述预期位置范围的预期距离比例；
按照每个所述预期距离比例，分别计算出每个所述前景点对应的移动速度；
同时控制所有所述前景点，分别按照所述预期位置范围和每个所述前景点的所述移动速度，向对应的所述预期收敛方向运动，直至所有所述前景点符合稳定条件时，停止运动，得出前景轮廓；
将所述前景轮廓的外接框作为所述晶圆上芯粒的边界框，以通过所述边界框确定出芯粒在所述晶圆上的位置。
2.如权利要求1所述检测晶圆芯粒的方法，其特征在于，所述获取晶圆的单通道图像中的前景点云，包括：
按照所述晶圆的所述单通道图像中的所有像素点对应的像素值，将所有所述像素点分为第一类别和第二类别，并计算出所述第一类别中所有像素值的第一灰度均值和所述第二类别中所有像素值的第二灰度均值；
若所述第一灰度均值大于第二灰度均值，则将所述第一类别中的所有所述像素点，组成所述前景点云。
3.如权利要求2所述检测晶圆芯粒的方法，其特征在于，所述按照所述晶圆的所述单通道图像中的所有像素点对应的像素值，将所有所述像素点分为第一类别和第二类别，并计算出所述第一类别中所有像素值的第一灰度均值和所述第二类别中所有像素值的第二灰度均值，包括：
统计所有所述像素点中，每种像素值对应的像素点数量；
获取所述单通道图像中的最大像素值，作为第一标准值，并获取所述单通道图像中的最小像素值，作为第二标准值；
分别计算每个所述像素点对应的像素值与所述第一标准值的第一差值，并分别计算每个所述像素点对应的像素值与所述第二标准值的第二差值；
分别判断每个所述像素点的第一差值是否大于所述第二差值；
若所述像素点的所述第一差值大于所述第二差值，则所述像素点被标记为所述第一类别；
若所述像素点的所述第二差值大于所述第一差值，则所述像素点被标记为所述第二类别；
按照所述像素点数量，对所述第一类别中所有所述像素值进行加权平均，得出所述第一类别的第一均值，并对所述第二类别中所有所述像素值进行加权平均，得出所述第二类别的第二均值；
将所述第一均值，作为所述第一标准值，并将所述第二均值作为所述第二标准值，对所述单通道图像中所有所述像素点迭代分类出第一类别和第二类别，直至迭代出的第一类别所计算出的第一均值和迭代出的第二类别所计算出的第二均值为恒定值；
将恒定的所述第一均值作为所述第一灰度均值，并将恒定的所述第二均值作为所述第二灰度均值。
4.如权利要求1所述检测晶圆芯粒的方法，其特征在于，所述预设约束条件包括第一约束函数，所述按照预设约束条件，得出所有所述前景点在所述预期收敛方向上的预期位置范围，包括：
分别获取所有所述前景点中，每个相邻点之间的间距，并计算出所有所述间距的间距平均值；
通过所述间距平均值和预设加权系数，分别得出每个所述前景点的第一约束函数，以使所有所述前景点都能移动到所述预期位置范围内。
5.如权利要求4所述检测晶圆芯粒的方法，其特征在于，所述预设约束条件还包括第二约束函数，所述预期位置范围在同一水平面上，所述通过所述间距平均值和预设加权系数，分别得出每个所述前景点的第一约束函数之后，所述方法还包括：
将每个所述前景点的八邻域向量相加，分别得到每个所述前景点的八邻域向量和；
计算所有所述八邻域向量和的绝对值范数，得到所有所述前景点的总能量；
通过所述总能量，分别计算出每个所述前景点向所述预期收敛方向移动的预期移动距离；
将所有所述前景点的第一灰度均值和所述单通道图像中的所有像素点的所有灰度均值的差值，作为所述第二约束函数，以使所有所述前景点移动到所述预期位置范围的所述同一水平面上。
6.如权利要求1所述检测晶圆芯粒的方法，其特征在于，所述通过预设的参考基准距离，分别计算出每个所述前景点移动到所述预期位置范围的预期距离比例，包括：
计算所述前景点的第一灰度均值；
计算所述单通道图像中的所有像素点的所有灰度均值，将所述所有灰度均值作为所述参考基准距离；
分别计算每个所述前景点与所述第一灰度均值的差值；
将每个所述前景点对应的差值的绝对值，与所述所有灰度均值的比值，分别作为每个所述前景点移动到所述预期位置范围内的所述预期距离比例。
7.一种检测晶圆芯粒的装置，其特征在于，包括：
第一计算模块，用于获取晶圆的单通道图像中的前景点云，计算出所述前景点云的预期收敛方向；
约束模块，用于按照预设约束条件，得出所述前景点云中的所有所述前景点在所述预期收敛方向上的预期位置范围；
第二计算模块，用于通过预设的参考基准距离，分别计算出每个所述前景点移动到所述预期位置范围的预期距离比例；
第三计算模块，按照每个所述预期距离比例，分别计算出每个所述前景点对应的移动速度；
控制模块，用于同时控制所有所述前景点，分别按照所述预期位置范围和每个所述前景点的所述移动速度，向对应的所述预期收敛方向运动，直至所有所述前景点符合稳定条件时，停止运动，得出前景轮廓；
定位模块，用于将所述前景轮廓的外接框作为所述晶圆上芯粒的边界框，以通过所述边界框确定出芯粒在所述晶圆上的位置；
所述第一计算模块，具体用于：
计算所述前景点云中每个所述前景点的切线向量；
分别获取与每个所述切线向量垂直的法向量，所述法向量包括收缩方向和膨胀方向；
按照预设运动步长和每个所述前景点的所述法向量，分别移动每个所述前景点，筛选出往所述收缩方向移动的所述前景点的第一数量，以及往所述膨胀方向移动的所述前景点的第二数量；
若所述第一数量大于所述第二数量，则将往所述膨胀方向移动的所有所述前景点的法向量，变更为所述收缩方向，以使所述前景点云中每个前景点的单位法向量都为所述收缩方向的法向量；
若所述第二数量大于所述第一数量，则将往所述收缩方向移动的所有所述前景点的法向量，变更为所述膨胀方向，以使所述前景点云中每个前景点的单位法向量都为所述膨胀方向的法向量；
通过每个所述前景点的单位法向量和八邻域向量，计算出每个所述前景点的运动向量；
将所述前景点云中所有所述前景点的运动向量相加，得出所述前景点云中需要移动的预期收敛方向。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述检测晶圆芯粒的方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述检测晶圆芯粒的方法的步骤。
CN202311330984.5A 2023-10-16 2023-10-16 一种检测晶圆芯粒的方法、装置、计算机设备及存储介质 Active CN117115143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311330984.5A CN117115143B (zh) 2023-10-16 2023-10-16 一种检测晶圆芯粒的方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311330984.5A CN117115143B (zh) 2023-10-16 2023-10-16 一种检测晶圆芯粒的方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN117115143A CN117115143A (zh) 2023-11-24
CN117115143B true CN117115143B (zh) 2024-01-02

Family

ID=88805684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311330984.5A Active CN117115143B (zh) 2023-10-16 2023-10-16 一种检测晶圆芯粒的方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN117115143B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021244231A1 (zh) * 2020-06-01 2021-12-09 长鑫存储技术有限公司 晶圆布局的设计方法及光刻机曝光系统
WO2022134305A1 (zh) * 2020-12-21 2022-06-30 东方晶源微电子科技（北京）有限公司 晶圆缺陷检测方法和装置、设备及存储介质
CN115791822A (zh) * 2022-11-08 2023-03-14 磐柔(厦门)工业智能有限公司 晶圆表面缺陷的视觉检测算法及检测系统
CN115910889A (zh) * 2022-11-15 2023-04-04 深圳市森东宝科技有限公司 晶圆检测的芯粒自动定位方法、系统、设备及介质
CN116433737A (zh) * 2023-04-26 2023-07-14 吉林大学 一种激光雷达点云与图像配准的方法、装置及智能终端
CN116740058A (zh) * 2023-08-11 2023-09-12 深圳市金胜电子科技有限公司 一种固态硬盘配套晶圆的质量检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156692B (zh) * 2015-03-25 2019-12-13 阿里巴巴集团控股有限公司 一种用于人脸边缘特征点定位的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021244231A1 (zh) * 2020-06-01 2021-12-09 长鑫存储技术有限公司 晶圆布局的设计方法及光刻机曝光系统
WO2022134305A1 (zh) * 2020-12-21 2022-06-30 东方晶源微电子科技（北京）有限公司 晶圆缺陷检测方法和装置、设备及存储介质
CN115791822A (zh) * 2022-11-08 2023-03-14 磐柔(厦门)工业智能有限公司 晶圆表面缺陷的视觉检测算法及检测系统
CN115910889A (zh) * 2022-11-15 2023-04-04 深圳市森东宝科技有限公司 晶圆检测的芯粒自动定位方法、系统、设备及介质
CN116433737A (zh) * 2023-04-26 2023-07-14 吉林大学 一种激光雷达点云与图像配准的方法、装置及智能终端
CN116740058A (zh) * 2023-08-11 2023-09-12 深圳市金胜电子科技有限公司 一种固态硬盘配套晶圆的质量检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于图像的晶粒定位技术研究;李洪宇 等;《半导体光电》;第32卷(第2期);第248-250页 *
基于频域互相关的LED晶粒阵列快速视觉检测;李鹤喜 等;《计量学报》;第39卷(第4期);第476-480页 *

Also Published As

Publication number Publication date
CN117115143A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN109977808B (zh) 一种晶圆表面缺陷模式检测与分析方法
JP2019087181A (ja) 画像検査装置および方法
KR102073468B1 (ko) 비전 시스템에서 컬러 이미지에 대해 컬러 후보 포즈들의 점수화를 위한 시스템 및 방법
US9846929B2 (en) Fast density estimation method for defect inspection application
CN115018846B (zh) 基于ai智能相机的多目标裂纹缺陷检测方法和装置
JP2021515885A (ja) 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体
CN116228780B (zh) 基于计算机视觉的硅片缺陷检测方法及系统
CN111488920A (zh) 一种基于深度学习目标检测与识别的袋口位置检测方法
CN111523547B (zh) 一种3d语义分割的方法及终端
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN116310845A (zh) 一种用于污水处理的智能监测系统
CN117314901B (zh) 一种尺度自适应的芯片检测神经网络系统
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
CN115953604B (zh) 一种不动产地理信息测绘数据采集方法
WO2023060927A1 (zh) 一种3d光栅检测方法、装置、计算机设备及可读存储介质
TWI829980B (zh) 半導體晶圓檢測之方法及系統，以及非暫時性電腦可讀媒體
CN113870342A (zh) 外观缺陷检测方法、智能终端以及存储装置
CN115456855B (zh) 一种无人机辅助倾斜摄影图像采集系统
CN117474916B (zh) 一种图像检测方法、电子设备及存储介质
US20230326029A1 (en) Method for processing images, electronic device, and storage medium
CN112396648B (zh) 一种可定位目标物质心的目标识别方法和系统
Shi et al. Machine vision-based segmentation and classification method for intelligent roller surface monitoring
CN117745786B (zh) 基于三维点云数据的道路裂缝深度检测装置及检测方法
CN117495856B (zh) 基于深度学习的晶圆表面检测方法、装置、设备和介质
CN117115488B (zh) 一种基于图像处理的水表检测方法

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
CB02 Change of applicant information

Address after: 518000, 1st Floor, Building B5, Taohuayuan Science and Technology Innovation Ecological Park, Tiegang Community, Xixiang Street, Bao'an District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Yibi Technology Co.,Ltd.

Address before: Room 425, Block C, Bao'an New Generation Information Technology Industrial Park, No. 3, North Second Lane, Chuangye Second Road, 28 Dalang Community, Xin'an Street, Bao'an District, Shenzhen, Guangdong 518000

Applicant before: Shenzhen Yibi Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant