CN117115146B - 一种碳化硅材质半导体表面镀膜质量检测方法 - Google Patents
一种碳化硅材质半导体表面镀膜质量检测方法 Download PDFInfo
- Publication number
- CN117115146B CN117115146B CN202311352262.XA CN202311352262A CN117115146B CN 117115146 B CN117115146 B CN 117115146B CN 202311352262 A CN202311352262 A CN 202311352262A CN 117115146 B CN117115146 B CN 117115146B
- Authority
- CN
- China
- Prior art keywords
- image
- circular
- bubble
- circular area
- area
- 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
- 239000004065 semiconductor Substances 0.000 title claims abstract description 93
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 title claims abstract description 92
- 229910010271 silicon carbide Inorganic materials 0.000 title claims abstract description 92
- 238000000576 coating method Methods 0.000 title claims abstract description 65
- 239000011248 coating agent Substances 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 54
- 239000000463 material Substances 0.000 claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 description 35
- 238000001514 detection method Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007747 plating Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000007888 film coating Substances 0.000 description 2
- 238000009501 film coating Methods 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 239000006004 Quartz sand Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012776 electronic material Substances 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 239000002006 petroleum coke Substances 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002023 wood Substances 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种碳化硅材质半导体表面镀膜质量检测方法,涉及图像处理技术领域。该方法包括:获取待检测碳化硅材质半导体的表面图像;对该表面图像进行预处理,得到表面图像对应的表面灰度图像;使用canny算子获取表面灰度图像的边缘信息,得到二值边缘图像;对该二值边缘图像进行霍夫圆变换,得到表面灰度图像中的类圆形区域;确定类圆形区域的特征及分布情况,并基于该特征及分布情况确定表面灰度图像对应的气泡特征相异度和显著区域覆盖度;基于该气泡特征相异度和显著区域覆盖度确定表面灰度图像对应的气泡显著复杂度。通过该方法,不仅可以衡量碳化硅材质半导体的镀膜质量,还可以衡量出镀膜质量问题的复杂性。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种碳化硅材质半导体表面镀膜质量检测方法。
背景技术
碳化硅是使用石英砂、石油焦、木屑等原料在电阻炉内经高温冶炼而成的材料。在当代C、N、B等非氧化物耐火材料中,碳化硅为应用最广泛、最经济的一种。碳化硅作为高温结构材料已经广泛应用于航空、航天、汽车、机械、石化等工业领域。由于其高导热 、高绝缘性,目前在电子工业中用作大规模集成电路的基片和封装材料。
镀膜技术及薄膜产品在工业上的应用非常广泛,尤其是在电子材料与元器件工业领域中占有极其重要的地位。在基体的表面获得一层高纯度、致密均匀的碳化硅膜层,以严密包覆基体,可以防止对半导体产品造成污染,提高半导体产品的性能,因此,在半导体芯片制造领域,多采用包覆有碳化硅膜层的结构件。
镀膜的基本原理是通过化学、物理等方法将一层涂层沉积在基础材料表面,优化表面性能。然而,涂层和基材本身的特性差异和化学反应等因素可能会导致气泡产生,使得薄膜表面不平整,并影响其性能。因此,对碳化硅材质半导体表面的镀膜质量进行检测具有非常重要的现实意义。
发明内容
本说明书实施例提供一种碳化硅材质半导体表面镀膜质量检测方法,该方法包括:获取待检测碳化硅材质半导体的表面图像;对所述表面图像进行预处理,得到所述表面图像对应的表面灰度图像;使用canny算子获取所述表面灰度图像的边缘信息,得到二值边缘图像;对所述二值边缘图像进行霍夫圆变换,得到所述表面灰度图像中的类圆形区域;确定所述类圆形区域的特征及分布情况,并基于所述特征及分布情况确定所述表面灰度图像对应的气泡特征相异度和显著区域覆盖度,其中,所述气泡特征相异度用于表征所述待检测碳化硅材质半导体表面的气泡区域之间的相异程度,所述显著区域覆盖度用于表征所述待检测碳化硅材质半导体表面的气泡分布的密集度;基于所述气泡特征相异度和所述显著区域覆盖度确定所述表面灰度图像对应的气泡显著复杂度,所述气泡显著复杂度用于表征所述待检测碳化硅材质半导体表面的镀膜质量。
在一些实施例中,所述对所述表面图像进行预处理,得到所述表面图像对应的表面灰度图像,包括:通过非局部均值滤波算法对所述表面图像进行增强处理,并将增强处理后得到的图像从RGB空间转换至灰度空间,得到所述表面图像对应的表面灰度图像。
在一些实施例中,所述对所述二值边缘图像进行霍夫圆变换,得到所述表面灰度图像中的类圆形区域,包括:对所述二值边缘图像进行霍夫圆变换,以提取所述表面灰度图像中的圆形区域,并得到相应的累加器阵列,所述累加器阵列中的每一个元素值对应于一个所述圆形区域的圆心横坐标、圆心纵坐标和圆半径;将所述元素值满足预设条件的圆形区域作为所述表面灰度图像中的所述类圆形区域。
在一些实施例中,所述将所述元素值满足预设条件的圆形区域作为所述表面灰度图像中的所述类圆形区域,包括:计算所述元素值所对应的圆形疑似度,所述圆形疑似度基于所述元素值与对应圆形的周长的比值得到;将所述圆形疑似度大于预设阈值的圆形区域作为所述表面灰度图像中的所述类圆形区域。
在一些实施例中,所述确定所述类圆形区域的特征及分布情况,包括:对于每一个目标类圆形区域,从所述目标类圆形区域的圆心开始往外扩散,获取所述目标类圆形区域最内侧的闭合边缘作为所述目标类圆形区域的边缘线;基于所述目标类圆形区域的边缘线确定所述目标类圆形区域对应的最小外接矩形;根据所述最小外接矩形中所述目标类圆形区域的边缘线内外的灰度均值之差确定所述目标类圆形区域对应的颜色区分度。
在一些实施例中,所述确定所述类圆形区域的特征及分布情况,还包括:计算所述目标类圆形区域中每一个像素点与圆心像素点之间的像素值之差,以及每一个像素点与所述圆心像素点之间的距离;基于所述像素值之差以及所述距离,计算所述目标类圆形区域中每一个像素点对应的颜色渐变度;将所述目标类圆形区域中所有像素点所对应的颜色渐变度的均值作为所述目标类圆形区域所对应的颜色渐变度。
在一些实施例中,所述确定所述类圆形区域的特征及分布情况,还包括:基于每一个所述类圆形区域所对应的颜色区分度和颜色渐变度,确定每一个所述类圆形区域所对应的渐变显著度;基于渐变显著度,确定所述表面灰度图像中不同类圆形区域之间的气泡特征区别度。
在一些实施例中,所述基于所述特征及分布情况确定所述表面灰度图像对应的气泡特征相异度和显著区域覆盖度,包括:计算所述表面灰度图像中所有不同类圆形区域之间的气泡特征区别度的加和;基于所述所有不同类圆形区域之间的气泡特征区别度的加和,得到所述表面灰度图像所对应的气泡特征相异度。
在一些实施例中,所述基于所述特征及分布情况确定所述表面灰度图像对应的气泡特征相异度和显著区域覆盖度,还包括:计算所述表面灰度图像中所有所述类圆形区域的面积之和;基于所有所述类圆形区域的面积之和与所述表面灰度图像的面积的比值,得到所述表面灰度图像所对应的显著区域覆盖度。
在一些实施例中,所述基于所述气泡特征相异度和所述显著区域覆盖度确定所述表面灰度图像对应的气泡显著复杂度,包括:将所述气泡特征相异度与所述显著区域覆盖度的乘积作为所述表面灰度图像对应的气泡显著复杂度。
本说明书实施例所提供的碳化硅材质半导体表面镀膜质量检测方法可能带来的有益效果至少包括:(1)在本说明书一些实施例所提供的碳化硅材质半导体表面镀膜质量检测方法中,通过结合表面图像中反映出来气泡特征相异度和显著区域覆盖度来确定待检测碳化硅材质半导体对应的气泡显著复杂度,不仅可以衡量碳化硅材质半导体的镀膜质量,还可以衡量出镀膜质量问题的复杂性;(2)在本说明书一些实施例所提供的碳化硅材质半导体表面镀膜质量检测方法中,通过类圆形区域中每一个像素点与中心像素点之间的距离以及像素值之差来计算其对应的颜色渐变度,然后将该颜色渐变度与类圆形区域内外的颜色区分度相结合,以得到各个类圆形区域所对应的渐变显著度,可以更准确地反映出不同原因所导致的气泡的区别;(3)在本说明书一些实施例所提供的碳化硅材质半导体表面镀膜质量检测方法中,通过计算各个类圆形区域所对应的渐变显著度来反映不同原因所导致的气泡的区别,可以更准确地反映出镀膜质量问题的复杂性。
附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说,通过查阅以下内容和附图将变得显而易见,或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书的一些实施例所示的碳化硅材质半导体表面镀膜质量检测系统的示例性应用场景示意图;
图2是根据本说明书的一些实施例所示的碳化硅材质半导体表面镀膜质量检测系统的示例性模块图;
图3是根据本说明书一些实施例所示的碳化硅材质半导体表面镀膜质量检测方法的示例性流程图;
图4是根据本说明书一些实施例所示的碳化硅材质半导体表面的示例性气泡示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例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说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本说明书提供一种综合碳化硅材质半导体表面气泡的特征以及分布情况对碳化硅材质半导体的表面镀膜质量进行检测的方法。该方法先根据气泡区域与周围像素点像素值相异的特点以及气泡内像素值渐变的特点获取各气泡区域所对应的渐变显著度,然后计算各气泡区域之间的气泡特征区别度,获得碳化硅材质半导体表面的气泡特征相异度,再根据气泡的覆盖面积占比获取显著区域覆盖度,最后综合气泡特征相异度与显著区域覆盖度得到气泡显著复杂度,并基于此对碳化硅材质半导体表面的镀膜质量进行检测。通过该方法,不仅可以衡量碳化硅材质半导体的镀膜质量,还可以衡量出镀膜质量问题的复杂性。
下面结合附图对本说明书实施例提供的碳化硅材质半导体表面镀膜质量检测方法和系统进行详细说明。
图1是根据本说明书一些实施例所示的碳化硅材质半导体表面镀膜质量检测系统的示例性应用场景示意图。
参照图1,在一些实施例中,碳化硅材质半导体表面镀膜质量检测系统的应用场景100可以包括图像采集装置110、存储设备120、处理设备130、终端设备140以及网络150。应用场景100中的各个部件可以以多种方式相连接。例如,图像采集装置110可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。又例如,存储设备120可以与处理设备130直接连接或通过网络150连接。又例如,终端设备140可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。
图像采集装置110可以用于针对待检测的碳化硅材质半导体进行表面图像采集,该表面图像可以反映出待检测的碳化硅材质半导体的表面镀膜质量。在一些实施例中,图像采集装置110可以包括CCD(Charge Coupled Device)相机。在一些实施例中,该图像采集装置110可以具有高分辨率和高灵敏度,从而保证其可以较好地采集到碳化硅材质半导体的气泡缺陷。在一些实施例中,图像采集装置110可以设置在指定的区域并以预定的频率对待检测的碳化硅材质半导体进行表面图像采集。示例性地,可以将该图像采集装置110设置在碳化硅材质半导体的镀膜加工区或质检区,并根据每一件碳化硅材质半导体对应的镀膜加工周期或质检周期来进行图像采集。在一些实施例中,图像采集装置110可以具有独立的电源,其可以通过有线或无线(例如蓝牙、WiFi等)的方式将采集的表面图像发送给应用场景100中的其他部件(例如,存储设备120、处理设备130、终端设备140)。
在一些实施例中,图像采集装置110可以通过网络150将其采集的表面图像发送至存储设备120、处理设备130、终端设备140等。在一些实施例中,可以通过处理设备130对图像采集装置110所采集的表面图像进行处理。例如,处理设备130可以基于该表面图像确定待检测的碳化硅材质半导体表面的气泡特征相异度、显著区域覆盖度以及气泡显著复杂度。在一些实施例中,该待检测的碳化硅材质半导体表面的气泡特征相异度、显著区域覆盖度以及气泡显著复杂度可以发送至存储设备120进行记录,或者发送至终端设备140以反馈给用户(例如质检人员或相关工作人员)。
网络150可以促进信息和/或数据的交换。网络150可以包括能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中,应用场景100的至少一个组件(例如,图像采集装置110、存储设备120、处理设备130、终端设备140)可以通过网络150与应用场景100中至少一个其他组件交换信息和/或数据。例如,处理设备130可以通过网络150从图像采集装置110和/或存储设备120获得针对待检测的碳化硅材质半导体采集的表面图像。又例如,处理设备130可以通过网络150从终端设备140获得用户操作指令,示例性的操作指令可以包括但不限于查阅图像采集装置110采集的表面图像,读取基于该表面图像确定的待检测的碳化硅材质半导体表面的气泡特征相异度、显著区域覆盖度以及气泡显著复杂度等。
在一些实施例中,网络150可以为任意形式的有线或无线网络,或其任意组合。仅作为示例,网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或其任意组合。在一些实施例中,网络150可以包括至少一个网络接入点,应用场景100的至少一个组件可以通过接入点连接到网络150以交换数据和/或信息。
存储设备120可以储存数据、指令和/或任何其他信息。在一些实施例中,存储设备120可以存储从图像采集装置110、处理设备130和/或终端设备140获得的数据。例如,存储设备120可以存储图像采集装置110采集的表面图像;又例如,存储设备120可以存储处理设备130计算得到的待检测的碳化硅材质半导体表面的气泡特征相异度、显著区域覆盖度以及气泡显著复杂度等。在一些实施例中,存储设备120可以存储处理设备130用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备120可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,存储设备120可以在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备120可以连接到网络150以与应用场景100中的至少一个其他组件(例如,图像采集装置110、处理设备130、终端设备140)通信。应用场景100中的至少一个组件可以通过网络150访问存储设备120中存储的数据、指令或其他信息。在一些实施例中,存储设备120可以与应用场景100中的一个或以上组件(例如,图像采集装置110、终端设备140)直接连接或通信。在一些实施例中,存储设备120可以是图像采集装置110和/或处理设备130的一部分。
处理设备130可以处理从图像采集装置110、存储设备120、终端设备140和/或应用场景100的其他组件获得数据和/或信息。在一些实施例中,处理设备130可以从图像采集装置110、存储设备120或终端设备140中任意一个或多个获得表面图像,通过对该表面图像进行处理以确定待检测的碳化硅材质半导体表面的气泡特征相异度、显著区域覆盖度以及气泡显著复杂度。在一些实施例中,处理设备130可以从存储设备120获取预先存储的计算机指令,并执行该计算机指令以实现本说明书所描述的碳化硅材质半导体表面镀膜质量检测方法。
在一些实施例中,处理设备130可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备130可以是本地或远程的。例如,处理设备130可以通过网络150从图像采集装置110、存储设备120和/或终端设备140访问信息和/或数据。又例如,处理设备130可以直接连接到图像采集装置110、存储设备120和/或终端设备140以访问信息和/或数据。在一些实施例中,处理设备130可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
终端设备140可以接收、发送和/或显示数据。所述接收的数据可以包括图像采集装置110采集的数据、存储设备120存储的数据、处理设备130处理得到的待检测的碳化硅材质半导体表面的气泡特征相异度、显著区域覆盖度以及气泡显著复杂度等。所述发送的数据可以包括用户(例如质检人员或相关工作人员)的输入数据和指令等。例如,终端设备140可以将用户输入的操作指令通过网络150发送给图像采集装置110,以控制图像采集装置110进行相应的数据采集。又例如,终端设备140可以将用户输入的数据处理指令通过网络150发送给处理设备130。
在一些实施例中,终端设备140可以包括移动设备141、平板计算机142、膝上型计算机143等或其任意组合。例如,移动设备141可以包括移动电话、个人数字助理(PDA)、专用移动终端等或其任意组合。在一些实施例中,终端设备140可以包括输入设备(如键盘、触摸屏)、输出设备(如显示器、扬声器)等。在一些实施例中,处理设备130可以是终端设备140的一部分。
应当注意的是,上述有关应用场景100的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对应用场景100进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,图像采集装置110的可以包括更多或更少的功能组件。
图2是根据本说明书一些实施例所示的碳化硅材质半导体表面镀膜质量检测系统的模块示意图。在一些实施例中,图2所示的碳化硅材质半导体表面镀膜质量检测系统200可以以软件和/或硬件的方式应用到图1所示的应用场景100,例如,可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140,以用于对图像采集装置110所采集的表面图像进行处理,并基于该表面图像确定待检测的碳化硅材质半导体表面的气泡特征相异度、显著区域覆盖度以及气泡显著复杂度。
参照图2,在一些实施例中,碳化硅材质半导体表面镀膜质量检测系统200可以包括获取模块210、预处理模块220、二值边缘图像生成模块230、类圆形区域确定模块240、特征确定模块250以及气泡显著复杂度计算模块260。
获取模块210可以用于获取待检测碳化硅材质半导体的表面图像。
预处理模块220可以用于对所述表面图像进行预处理,得到所述表面图像对应的表面灰度图像。
二值边缘图像生成模块230可以用于使用canny算子获取所述表面灰度图像的边缘信息,得到二值边缘图像。
类圆形区域确定模块240可以用于对所述二值边缘图像进行霍夫圆变换,得到所述表面灰度图像中的类圆形区域。
特征确定模块250可以用于确定所述类圆形区域的特征及分布情况,并基于所述特征及分布情况确定所述表面灰度图像对应的气泡特征相异度和显著区域覆盖度,其中,所述气泡特征相异度用于表征所述待检测碳化硅材质半导体表面的气泡区域之间的相异程度,所述显著区域覆盖度用于表征所述待检测碳化硅材质半导体表面的气泡分布的密集度。
气泡显著复杂度计算模块260可以用于基于所述气泡特征相异度和所述显著区域覆盖度确定所述表面灰度图像对应的气泡显著复杂度,所述气泡显著复杂度用于表征所述待检测碳化硅材质半导体表面的镀膜质量。
关于上述各个模块的更多细节可以参照本说明书的其他位置(例如图3~图4部分及其相关描述),此处不再赘述。
应当理解,图2所示的碳化硅材质半导体表面镀膜质量检测系统200及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,上述关于碳化硅材质半导体表面镀膜质量检测系统200的描述仅出于说明性目的而提供,并不旨在限制本说明书的范围。可以理解,对于本领域的技术人员来说,可以根据本说明书的描述,在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,图2中所述的获取模块210、预处理模块220、二值边缘图像生成模块230、类圆形区域确定模块240、特征确定模块250以及气泡显著复杂度计算模块260可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。诸如此类的变形,均在本说明书的保护范围之内。在一些实施例中,前述各个模块可以是处理设备130和/或终端设备140的一部分。
图3是根据本说明书一些实施例所示的碳化硅材质半导体表面镀膜质量检测方法的示例性流程图。在一些实施例中,方法300可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。在一些实施例中,图3所示的碳化硅材质半导体表面镀膜质量检测方法300的流程图中的一个或多个操作可以通过图1所示的处理设备130和/或终端设备140实现。例如,方法300可以以指令的形式存储在存储设备120中,并由处理设备130和/或终端设备140调用和/或执行。下文以处理设备130为例描述方法300的执行过程。
参照图3,在一些实施例中,碳化硅材质半导体表面镀膜质量检测方法300可以包括:
步骤310,获取待检测碳化硅材质半导体的表面图像。在一些实施例中,步骤310可以由获取模块210执行。
在一些实施例中,图像采集装置110针对待检测碳化硅材质半导体采集的表面图像可以存储在存储设备120中,获取模块210可以从存储设备120获取待检测碳化硅材质半导体的表面图像。在一些实施例中,获取模块210也可以与图像采集装置110通信连接,从而从图像采集装置110处直接获取待检测碳化硅材质半导体的表面图像。在一些实施例中,该表面图像可以为RGB图像。
步骤320,对所述表面图像进行预处理,得到所述表面图像对应的表面灰度图像。在一些实施例中,步骤320可以由预处理模块220执行。
由于在镀膜过程中容易产生气泡,但气泡区域往往不明显,需要对获取的表面图像进行预处理,以增强后续分析的准确性。示例性地,在一些实施例中,可以使用NLM(Non-Local Means,非局部均值滤波)算法对待检测碳化硅材质半导体的表面图像进行增强,然后消除部分噪声和外界干扰造成的影响。
具体而言,在一些实施例中,预处理模块220可以通过非局部均值滤波算法(Non-Local Means,NLM)对待检测碳化硅材质半导体的表面图像进行增强处理。与此同时,为了在保留边界信息的同时去除噪声,在一些实施例中,可以在通过非局部均值滤波对该表面图像进行增强处理后,将增强处理得到的图像从RGB空间转换至灰度空间,得到该表面图像对应的表面灰度图像。
需要说明的是,以上去噪方法仅为示例性说明,在一些其他的实施例中,可以选用其他算法进行处理,本说明书中不对其进行限制。另外,还需要说明的是,在一些实施例中,也可以对该表面图像先进行灰度转换,然后再通过NLM算法对灰度转换所得到的图像进行增强处理。
步骤330,使用canny算子获取所述表面灰度图像的边缘信息,得到二值边缘图像。在一些实施例中,步骤330可以由二值边缘图像生成模块230执行。
由于镀膜条件相对较多,过程比较复杂,因此产生的质量问题通常也较多。如果在涂覆薄膜之前没有充分清洁和准备表面,可能会在处理过程中留下灰尘、杂质、油脂或者其他残留物,导致半导体表面凹凸不平,在镀膜的过程中产生小气泡,且通常情况下,产生的气泡比较细小(与灰尘、杂质、油脂等的大小成正比)。
在一些实施例中,在得到前述表面灰度图像之后,为了识别出其中相对于半导体表面凸起的气泡,可以使用canny算子获取该表面灰度图像的边缘信息,然后对该表面灰度图像中的边缘像素点和非边缘像素点进行二值化处理(例如将边缘像素点的值置为1,将非边缘像素点的值置为0),得到二值边缘图像。其中,canny算子是一种用于边缘检测的算子,其能够检测到细节较为清晰的边缘,并且对噪声具有较好的抑制效果。基于canny算子进行边缘检测的内容可以视为公知技术,因此,本说明书中不再对其具体工作原理和细节进行赘述。
步骤340,对所述二值边缘图像进行霍夫圆变换,得到所述表面灰度图像中的类圆形区域。在一些实施例中,步骤340可以由类圆形区域确定模块240执行。
由于气泡通常为圆形或者椭圆形,因此,在一些实施例中,可以对前述二值边缘图像进行霍夫圆变换,以提取该表面灰度图像中的圆形区域,并得到相应的累加器阵列。该累加器阵列可以为一个三维数组,其中每个元素表示一个圆心和半径的组合。在霍夫圆变换中,对于每个可能的圆心和半径组合,都会在累加器阵列中相应的元素位置上进行投票。投票的过程可以理解为在参数空间中为每个可能的圆心和半径投票,以记录它们在图像中出现的次数。因此,累加器阵列的值可以反映出每个圆心和半径的可信度和可能性。
在一些实施例中,该叠加器阵列中的每一个元素可以对应于一个可能的圆形区域,并且,每一个元素可以包括圆心横坐标、圆心纵坐标和圆半径三个维度的信息。
在一些实施例中,可以设定类圆形判断阈值,对于霍夫圆变换累加器阵列中满足预设条件的元素值/>,则可以将其作为待检测碳化硅材质半导体的表面灰度图像中的类圆形区域。
具体而言,在一些实施例中,类圆形区域确定模块240可以计算该累加器阵列中每一个元素值所对应的圆形疑似度,然后将圆形疑似度大于类圆形判断阈值的圆形区域作为待检测碳化硅材质半导体的表面灰度图像中的类圆形区域。其中,该圆形疑似度可以表示如下:
其中,为累加器阵列中的元素值,其可以近似为对应的圆形上边缘像素点的个数,当该元素值与所对应的圆形的周长相等时,其对应的圆形疑似度,表示在以/>为圆心,以r为半径处为一个规范的圆形。当该元素值小于所对应圆形的周长时,则圆形疑似度。可以理解,圆形疑似度/>越小,表示越不可能为圆形区域。
在一些实施例中,可以将前述类圆形判断阈值设定为0.7,对于霍夫圆变换累加器阵列中元素值所对应的圆形疑似度大于该阈值/>的区域,则可以将其作为类圆形区域。
示例性地,假设累加器阵列中元素值对应的圆形疑似度大于类圆形判断阈值的值有N个,即共有N个类圆形区域。对于图像中的第k个类圆形区域,其在累加器阵列中对应的元素值表示为 />,其中,/>的取值为1~N,、/>、/>可以分别表示该类圆形区域的圆心横坐标、圆心纵坐标和圆半径。
需要说明的是,在一些实施例中,前述类圆形判断阈值可以根据所需的检测精度进行设定,检测精度越高,则该类圆形判断阈值/>可以越大,相反,所需的检测精度越低,则该类圆形判断阈值/>可以越小。
图4是根据本说明书一些实施例所示的碳化硅材质半导体表面的示例性气泡示意图。参照图4,其中第一圆形区域410对应的圆形疑似度为c1,第二圆形区域420对应的圆形疑似度为c2(c2>c1),当介于c1和c2之间时,可以将第二圆形区域420视为前述表面灰度图像中的类圆形区域,也即可以将第二圆形区域420视为待检测碳化硅材质半导体表面的气泡。当/>小于或等于c1时,则可以将第一圆形区域410和第二圆形区域420一同视为前述表面灰度图像中的类圆形区域。
步骤350,确定所述类圆形区域的特征及分布情况,并基于所述特征及分布情况确定所述表面灰度图像对应的气泡特征相异度和显著区域覆盖度。在一些实施例中,步骤350可以由特征确定模块250执行。
在一些实施例中,为了确定前述类圆形区域的特征及分布情况,特征确定模块250可以用于对于每一个目标类圆形区域,从该目标类圆形区域的圆心开始往外扩散(以圆形方式扩散),获取其最内侧的闭合边缘作为该目标类圆形区域的边缘线,并基于该目标类圆形区域的边缘线确定该目标类圆形区域对应的最小外接矩形。其中,目标类圆形区域的圆心坐标可以根据前述累加器阵列中的元素值得到。
由于气泡内外颜色相异,因此,在一些实施例中,可以根据该最小外接矩形中目标类圆形区域边缘内外的灰度值之差来衡量该目标类圆形区域所对应的颜色区分度。
具体而言,在一些实施例中,该表面灰度图像中第个类圆形区域的颜色区分度可以表示为该类圆形区域内部与外部灰度值均值之差的绝对值,其灰度均值之差越大,说明该类圆形区域边缘内外色差越大,其颜色区分度就越大。
在一些实施例中,考虑到由于光的折射、反射和散射以及气泡本身的大小、形状等原因,气泡的颜色可能会呈现渐变的颜色,其像素值从圆心到气泡边缘通常是逐渐减小的。基于此,在一些实施例中,特征确定模块250还可以计算该目标类圆形区域中每一个像素点与圆心像素点之间的像素值之差,以及每一个像素点与圆心像素点之间的距离,然后基于该像素值之差以及像素点与圆心像素点之间的距离,计算目标类圆形区域中每一个像素点对应的颜色渐变度,最后,将该目标类圆形区域中所有像素点所对应的颜色渐变度的均值作为该目标类圆形区域所对应的颜色渐变度。
具体而言,假设该表面灰度图像中的第个类圆形区域内共有/>个像素点,则第i个像素点/>对应的颜色渐变度/>可以表示如下(参照公式1):
,(1)
其中,为第/>个类圆形区域内圆心像素点/>处的像素值,/>为第/>个类圆形区域内像素点/>处的像素值,该类圆形区域内部各像素点与圆心像素点的像素值之差反映了该像素点的颜色渐变程度,其差值的平方越大,则对应的颜色渐变程度/>越大;/>表示像素点/>与圆心像素点之间的距离,该距离越大,说明其颜色渐变越平稳,该像素点对应的颜色渐变程度/>越小。/>
在一些实施例中,为了减小误差,可以取第个类圆形区域中所有像素点对应的颜色渐变度/>的平均值作为该第/>个类圆形区域所对应的颜色渐变度。
综合考虑气泡内部像素点与气泡中心像素点的渐变程度,以及气泡内外像素点的区分程度,则第个类圆形区域所对应的渐变显著度/>可以表示如下(参照公式2):
,(2)
其中,为第/>个类圆形区域对应的颜色区分度,其代表第/>个类圆形区域与周围区域像素值的相异程度,/>越大,则说明第/>个类圆形区域的显著程度越大,该区域的渐变显著度/>越高;/>为第/>个类圆形区域对应的颜色渐变度,代表其内部各像素点与其所处类圆形区域中心像素点(即圆心像素点)的相异程度,/>越大,说明其所处区域的渐变程度越大,该区域的渐变显著度/>越高。
需要说明的是,在本说明书实施例中,在衡量类圆形区域对应的渐变显著度时,颜色区分度和颜色渐变度互不影响,当颜色渐变度为0,但颜色区分度不为0,即类圆形区域内像素值一致,但是类圆形区域内外像素值相异时,其渐变显著度不为0,随着颜色区分度与颜色渐变度的增大而增大。
由于气泡呈现内部颜色渐变,且气泡边缘内外颜色区分度较大,当渐变显著度越大时,说明该区域为气泡区域的可能性越大。但是由于气泡的产生原因不同,气泡的渐变显著度也不尽相同。基于此,在一些实施例中,为了衡量各气泡区域之间的相异程度,从而判断镀膜质量的好坏,需要先计算不同类圆形区域之间的气泡特征区别度。
在一些实施例中,第i个类圆形区域与第j个类圆形区域之间的气泡特征区别度可以表示为两个类圆形区域所对应的渐变显著度的差值的绝对值,即。
进一步地,在计算出所有不同类圆形区域之间的气泡特征区别度之后,可以计算该表面灰度图像中所有不同类圆形区域之间的气泡特征区别度的加和,然后基于所有不同类圆形区域之间的气泡特征区别度的加和,得到该表面灰度图像所对应的气泡特征相异度。该气泡特征相异度可以用于表征待检测碳化硅材质半导体表面的气泡区域之间的相异程度。
具体地,在一些实施例中,可以根据不同类圆形区域之间的气泡特征区别度构建气泡特征区别度矩阵。在一些实施例中,该气泡特征区别度矩阵/>可以为对角线元素为0的对称矩阵,矩阵大小为N×N,行数和列数均为该表面灰度图像中所包含的类圆形区域的个数。
由于和/>均表示第i个类圆形区域与第j个类圆形区域的气泡特征区别度,因此,前述气泡特征区别度矩阵/>为对角矩阵,在进行计算时,仅需要用到其上三角矩阵或者下三角矩阵。换言之,即所有不同类圆形区域之间的气泡特征区别度之和为上三角矩阵元素之和或下三角矩阵元素之和。基于此,在一些实施例中,则该表面灰度图像所对应的气泡特征相异度/>可以表示如下(参照公式3):
,(3)
其中,为第i个类圆形区域与第j个类圆形区域之间的气泡特征区别度。在本说明书实施例中,可以将矩阵下三角元素/>、/>、/>、、/>、/>……/>求和,获得该表面灰度图像所对应的气泡特征相异度/>。
可以理解,当越大时,该图像的气泡特征相异度/>越高,说明气泡的特征各不相同,镀膜过程中产生的问题就越多,镀膜质量越差。
进一步地,在一些实施例中,为了衡量气泡分布的密集度,可以计算该表面灰度图像中所有类圆形区域的面积之和,然后基于所有类圆形区域的面积之和与该表面灰度图像的面积的比值,得到该表面灰度图像所对应的显著区域覆盖度。
需要说明的是,在本说明书中,类圆形区域的面积以及该表面灰度图像的面积可以通过像素点数量来表示。具体而言,假设第个类圆形区域的边缘线内部共有/>个像素点,则该表面灰度图像所对应的显著区域覆盖度/>可以表示如下(参照公式4):
,(4)
其中,代表该表面灰度图像中所有类圆形区域的面积之和;/>为该表面灰度图像的面积;/>为该表面灰度图像所对应的显著区域覆盖度,该值越大时,表示显著区域面积覆盖度越大,气泡区域的覆盖度越大。由于气泡是因为镀膜过程中产生的问题导致的,因此,当气泡区域的覆盖度越大时,说明镀膜质量越差。
继续参照图3,在步骤350之后,本说明书实施例所提供的碳化硅材质半导体表面镀膜质量检测方法还包括:
步骤360,基于所述气泡特征相异度和所述显著区域覆盖度确定所述表面灰度图像对应的气泡显著复杂度。在一些实施例中,步骤360可以由气泡显著复杂度计算模块260执行。
在镀膜加工的过程中,由于气泡可能会不断产生,因此可能会有很多气泡存在于涂层表面,且气泡的形状通常为圆形或者椭圆形,其颜色可能会因镀膜过程中产生的质量问题的不同而不同,因此,在一些实施例中,可以通过待检测碳化硅材质半导体表面类圆形区域的气泡特征相异度和显著区域覆盖度来判断其对应的气泡显著复杂度,以用于衡量碳化硅材质半导体表面的镀膜质量。
具体地,在一些实施例中,该气泡显著复杂度可以表示如下(参照公式5):
,(5)
其中,为待检测碳化硅材质半导体图像对应的气泡特征相异度,其代表图像中各气泡区域的气泡特征的相异程度,该值越大,说明图像中各气泡区域的特征越不相同,气泡显著复杂度/>越大;/>待检测碳化硅材质半导体图像对应的显著区域覆盖度,其代表气泡区域的面积占比,该值越大,说明气泡分布得越密集,气泡显著复杂度/>越大。
通过以上步骤,可以计算得到待检测碳化硅材质半导体所对应的气泡显著复杂度。需要说明的是,在本说明书实施例中,该气泡显著复杂度不仅衡量了镀膜质量,还衡量了镀膜质量问题的复杂性。当气泡显著复杂度越大时,说明图像中各气泡区域的特征越不相同,气泡分布越密集,待检测碳化硅材质半导体表面的镀膜质量越差。
在一些实施例中,可以根据实验统计数据或经验值设定不同气泡显著复杂度范围所对应的镀膜质量等级。在通过上述步骤得到待检测碳化硅材质半导体所对应的气泡显著复杂度后,可以根据该气泡显著复杂度的取值范围,确定该待检测碳化硅材质半导体所对应的镀膜质量等级。示例性地,在一些实施例中,该镀膜质量等级可以根据气泡显著复杂度的取值范围分为优秀、良好、中等、较差4个等级。
综上所述,本说明书实施例可能带来的有益效果包括但不限于:(1)在本说明书一些实施例所提供的碳化硅材质半导体表面镀膜质量检测方法中,通过结合表面图像中反映出来气泡特征相异度和显著区域覆盖度来确定待检测碳化硅材质半导体对应的气泡显著复杂度,不仅可以衡量碳化硅材质半导体的镀膜质量,还可以衡量出镀膜质量问题的复杂性;(2)在本说明书一些实施例所提供的碳化硅材质半导体表面镀膜质量检测方法中,通过类圆形区域中每一个像素点与中心像素点之间的距离以及像素值之差来计算其对应的颜色渐变度,然后将该颜色渐变度与类圆形区域内外的颜色区分度相结合,以得到各个类圆形区域所对应的渐变显著度,可以更准确地反映出不同原因所导致的气泡的区别;(3)在本说明书一些实施例所提供的碳化硅材质半导体表面镀膜质量检测方法中,通过计算各个类圆形区域所对应的渐变显著度来反映不同原因所导致的气泡的区别,可以更准确地反映出镀膜质量问题的复杂性。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的处理设备或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (4)
1.一种碳化硅材质半导体表面镀膜质量检测方法,其特征在于,包括:
获取待检测碳化硅材质半导体的表面图像;
对所述表面图像进行预处理,得到所述表面图像对应的表面灰度图像;
使用canny算子获取所述表面灰度图像的边缘信息,得到二值边缘图像;
对所述二值边缘图像进行霍夫圆变换,得到所述表面灰度图像中的类圆形区域;
确定所述类圆形区域的特征及分布情况,并基于所述特征及分布情况确定所述表面灰度图像对应的气泡特征相异度和显著区域覆盖度,其中,所述气泡特征相异度用于表征所述待检测碳化硅材质半导体表面的气泡区域之间的相异程度,所述显著区域覆盖度用于表征所述待检测碳化硅材质半导体表面的气泡分布的密集度;
基于所述气泡特征相异度和所述显著区域覆盖度确定所述表面灰度图像对应的气泡显著复杂度,所述气泡显著复杂度用于表征所述待检测碳化硅材质半导体表面的镀膜质量;
所述确定所述类圆形区域的特征及分布情况,包括:
对于每一个目标类圆形区域;
从所述目标类圆形区域的圆心开始往外扩散,获取所述目标类圆形区域最内侧的闭合边缘作为所述目标类圆形区域的边缘线;
基于所述目标类圆形区域的边缘线确定所述目标类圆形区域对应的最小外接矩形;
根据所述最小外接矩形中所述目标类圆形区域的边缘线内外的灰度均值之差确定所述目标类圆形区域对应的颜色区分度;
所述确定所述类圆形区域的特征及分布情况,还包括:
计算所述目标类圆形区域中每一个像素点与圆心像素点之间的像素值之差,以及每一个像素点与所述圆心像素点之间的距离;
基于所述像素值之差以及所述距离,计算所述目标类圆形区域中每一个像素点对应的颜色渐变度;
将所述目标类圆形区域中所有像素点所对应的颜色渐变度的均值作为所述目标类圆形区域所对应的颜色渐变度;
所述确定所述类圆形区域的特征及分布情况,还包括:
基于每一个所述类圆形区域所对应的颜色区分度和颜色渐变度,确定每一个所述类圆形区域所对应的渐变显著度;
基于渐变显著度,确定所述表面灰度图像中不同类圆形区域之间的气泡特征区别度;
所述基于所述特征及分布情况确定所述表面灰度图像对应的气泡特征相异度和显著区域覆盖度,包括:
计算所述表面灰度图像中所有不同类圆形区域之间的气泡特征区别度的加和;
基于所述所有不同类圆形区域之间的气泡特征区别度的加和,得到所述表面灰度图像所对应的气泡特征相异度;
所述基于所述气泡特征相异度和所述显著区域覆盖度确定所述表面灰度图像对应的气泡显著复杂度,包括:
将所述气泡特征相异度与所述显著区域覆盖度的乘积作为所述表面灰度图像对应的气泡显著复杂度。
2.如权利要求1所述的方法,其特征在于,所述对所述表面图像进行预处理,得到所述表面图像对应的表面灰度图像,包括:
通过非局部均值滤波算法对所述表面图像进行增强处理,并将增强处理后得到的图像从RGB空间转换至灰度空间,得到所述表面图像对应的表面灰度图像。
3.如权利要求1所述的方法,其特征在于,所述对所述二值边缘图像进行霍夫圆变换,得到所述表面灰度图像中的类圆形区域,包括:
对所述二值边缘图像进行霍夫圆变换,以提取所述表面灰度图像中的圆形区域,并得到相应的累加器阵列,所述累加器阵列中的每一个元素值对应于一个所述圆形区域的圆心横坐标、圆心纵坐标和圆半径;
将所述元素值满足预设条件的圆形区域作为所述表面灰度图像中的所述类圆形区域。
4.如权利要求3所述的方法,其特征在于,所述将所述元素值满足预设条件的圆形区域作为所述表面灰度图像中的所述类圆形区域,包括:
计算所述元素值所对应的圆形疑似度,所述圆形疑似度基于所述元素值与对应圆形的周长的比值得到;
将所述圆形疑似度大于预设阈值的圆形区域作为所述表面灰度图像中的所述类圆形区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352262.XA CN117115146B (zh) | 2023-10-19 | 2023-10-19 | 一种碳化硅材质半导体表面镀膜质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352262.XA CN117115146B (zh) | 2023-10-19 | 2023-10-19 | 一种碳化硅材质半导体表面镀膜质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115146A CN117115146A (zh) | 2023-11-24 |
CN117115146B true CN117115146B (zh) | 2024-03-19 |
Family
ID=88800465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311352262.XA Active CN117115146B (zh) | 2023-10-19 | 2023-10-19 | 一种碳化硅材质半导体表面镀膜质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115146B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016161576A (ja) * | 2015-03-04 | 2016-09-05 | 東友ファインケム株式会社Dongwoo Fine−Chem Co., Ltd. | 光学フィルムの検査システム及び検査方法、並びに光学フィルムの品質管理装置及び品質管理方法 |
CN113870189A (zh) * | 2021-09-02 | 2021-12-31 | 广东省电信规划设计院有限公司 | 一种工业制品圆形检测方法及装置 |
WO2022012240A1 (zh) * | 2020-07-16 | 2022-01-20 | 京东方科技集团股份有限公司 | 检测显示面板不良的方法及装置 |
WO2022062812A1 (zh) * | 2020-09-28 | 2022-03-31 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
CN115131347A (zh) * | 2022-08-29 | 2022-09-30 | 江苏茂融智能科技有限公司 | 一种用于锌合金零件加工的智能控制方法 |
CN116228758A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市前海誉卓科技有限公司 | 一种用于偏光片生产的内部气泡检测方法 |
CN116645429A (zh) * | 2023-07-25 | 2023-08-25 | 山东中胜涂料有限公司 | 一种视觉辅助的涂料生产样品色彩分析检测方法 |
CN116823815A (zh) * | 2023-08-28 | 2023-09-29 | 青岛胶州电缆有限公司 | 一种电缆表面异常智能检测方法 |
CN116883408A (zh) * | 2023-09-08 | 2023-10-13 | 威海坤科流量仪表股份有限公司 | 基于人工智能的积算仪壳体缺陷检测方法 |
-
2023
- 2023-10-19 CN CN202311352262.XA patent/CN117115146B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016161576A (ja) * | 2015-03-04 | 2016-09-05 | 東友ファインケム株式会社Dongwoo Fine−Chem Co., Ltd. | 光学フィルムの検査システム及び検査方法、並びに光学フィルムの品質管理装置及び品質管理方法 |
WO2022012240A1 (zh) * | 2020-07-16 | 2022-01-20 | 京东方科技集团股份有限公司 | 检测显示面板不良的方法及装置 |
WO2022062812A1 (zh) * | 2020-09-28 | 2022-03-31 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
CN113870189A (zh) * | 2021-09-02 | 2021-12-31 | 广东省电信规划设计院有限公司 | 一种工业制品圆形检测方法及装置 |
CN115131347A (zh) * | 2022-08-29 | 2022-09-30 | 江苏茂融智能科技有限公司 | 一种用于锌合金零件加工的智能控制方法 |
CN116228758A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市前海誉卓科技有限公司 | 一种用于偏光片生产的内部气泡检测方法 |
CN116645429A (zh) * | 2023-07-25 | 2023-08-25 | 山东中胜涂料有限公司 | 一种视觉辅助的涂料生产样品色彩分析检测方法 |
CN116823815A (zh) * | 2023-08-28 | 2023-09-29 | 青岛胶州电缆有限公司 | 一种电缆表面异常智能检测方法 |
CN116883408A (zh) * | 2023-09-08 | 2023-10-13 | 威海坤科流量仪表股份有限公司 | 基于人工智能的积算仪壳体缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
薄膜键盘FPC银线印刷和硅胶帽粘贴质量检测方法研究;李德健;《中国博士学位论文全文数据库》(第08期);第1-144页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117115146A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023077404A1 (zh) | 缺陷检测方法、装置和系统 | |
JP5718781B2 (ja) | 画像分類装置および画像分類方法 | |
Yu et al. | Detecting gear surface defects using background‐weakening method and convolutional neural network | |
CN116342597B (zh) | 一种汽车配件表面电镀加工缺陷检测方法和系统 | |
CN111325717B (zh) | 手机缺陷位置识别方法及设备 | |
KR102141302B1 (ko) | 회귀 딥러닝 모델 기반의 영상 객체 검출 방법 및 영상처리장치 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN116128839A (zh) | 晶圆缺陷识别方法、装置、电子设备以及存储介质 | |
CN108445010A (zh) | 自动光学检测方法及装置 | |
CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
TW201512649A (zh) | 偵測晶片影像瑕疵方法及其系統與電腦程式產品 | |
TW201510517A (zh) | 用於改善晶圓表面檢查靈敏度之方法及系統 | |
CN117115146B (zh) | 一种碳化硅材质半导体表面镀膜质量检测方法 | |
KR20230042706A (ko) | Lfa 테스트 스트립의 신경망 분석 | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
Li et al. | Surface defect detection algorithm based on local neighborhood analysis | |
CN116823815A (zh) | 一种电缆表面异常智能检测方法 | |
CN112053299A (zh) | 一种基于胶体金免疫层析法的图像处理方法 | |
TW200842339A (en) | Mura detection method and system | |
CN110672631B (zh) | 面板缺陷拍照方法和面板缺陷拍照装置 | |
TWI757590B (zh) | 輝度均勻檢測系統及輝度均勻檢測方法 | |
Guo et al. | Automatic visual pit detection system for bottom surface of cylindrical lithium battery | |
CN116485350B (zh) | 基于图像识别的中硼硅玻璃智能化生产系统 | |
JP2021148720A (ja) | 検査システム、学習装置、学習プログラム、学習方法、検査装置、検査プログラム、検査方法 | |
JP2021064215A (ja) | 表面性状検査装置及び表面性状検査方法 |
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 |