CN117173176A - 基于图像处理的多晶层光刻工艺热点检测方法 - Google Patents
基于图像处理的多晶层光刻工艺热点检测方法 Download PDFInfo
- Publication number
- CN117173176A CN117173176A CN202311447074.5A CN202311447074A CN117173176A CN 117173176 A CN117173176 A CN 117173176A CN 202311447074 A CN202311447074 A CN 202311447074A CN 117173176 A CN117173176 A CN 117173176A
- Authority
- CN
- China
- Prior art keywords
- gray level
- target area
- image
- gray
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001259 photo etching Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000001459 lithography Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 229920002120 photoresistant polymer Polymers 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005856 abnormality Effects 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
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及光刻工艺技术领域,具体涉及一种基于图像处理的多晶层光刻工艺热点检测方法,通过获取光刻图像对应的灰度图像,并确定灰度图像中每种灰度级对应的目标区域,进而确定灰度图像中每种灰度级对应的权重;根据灰度图像中每种灰度级对应的概率值和权重,对灰度图像进行阈值分割,得到光刻图像的热点区域分割图像。本发明通过确定灰度图像中每种灰度级对应的权重,可以准确地分割出光刻胶中的裂纹区域,有效提高了光刻工艺热点检测的准确性。
Description
技术领域
本发明涉及光刻工艺技术领域,具体涉及一种基于图像处理的多晶层光刻工艺热点检测方法。
背景技术
在多晶层光刻工艺中,热点是指光刻过程中可能出现的问题区域或缺陷点,这些热点可能会导致光刻图案的不良形态、尺寸误差或者产生不可能的缺陷,对器件的性能和可靠性造成负面影响。多晶层光刻工艺中的后烘过程中,可能由于温度、时间等相关因素导致光刻胶层出现应力问题,从而导致光刻胶出现裂纹这类热点,因此需要对裂纹这类热点进行检测。
大津阈值分割算法常被应用于裂纹检测,在采用大津阈值分割算法进行图像分割的过程中,是通过计算最大类间方差得到最佳阈值,而类间方差的计算需要借助到每种灰度级的概率。由于每种灰度级的概率通常是通过灰度级的数量计算而来,当光刻胶出现的裂纹和光刻图像本身的纹理灰度级相似时,即裂纹区域和光刻图像本身的纹理对比度较低时,就会导致在找寻最佳阈值的过程中出现误差,进而分割出不属于裂纹的部分,最终影响多晶层光刻工艺中裂纹这类热点的检测准确性。
发明内容
本发明的目的在于提供一种基于图像处理的多晶层光刻工艺热点检测方法,用于解决现有光刻工艺热点检测准确性较低的问题。
为解决上述技术问题,本发明提供了一种基于图像处理的多晶层光刻工艺热点检测方法,包括以下步骤:
获取光刻图像对应的灰度图像,根据所述灰度图像中各个像素点的位置和灰度值分布,确定所述灰度图像中每种灰度级对应的目标区域;
根据所述目标区域的形状特征和面积大小,确定所述目标区域对应的正常程度指标,并根据所述正常程度指标,筛选出所述目标区域中的对象目标区域;
根据所述对象目标区域中各个像素点的位置分布,确定所述对象目标区域对应的参考区域,并根据所述对象目标区域对应的参考区域中各个像素点的灰度值分布,确定所述对象目标区域的灰度级权重因子;
根据所述目标区域以及所述对象目标区域的灰度级权重因子,确定所述灰度图像中每种灰度级对应的权重;
确定所述灰度图像中每种灰度级对应的概率值,根据所述灰度图像中每种灰度级对应的概率值和权重,对所述灰度图像进行阈值分割,得到所述光刻图像的热点区域分割图像。
进一步的,确定所述目标区域对应的正常程度指标,包括:
确定所述目标区域的最小外接矩形的面积和长宽比;
根据所述目标区域的面积与所述目标区域的最小外接矩形的面积的差异,以及所述目标区域的最小外接矩形的长宽比,确定所述目标区域对应的正常程度指标。
进一步的,确定所述目标区域对应的正常程度指标,对应的计算公式为:
γ=norm((1-δ)×S);
其中,γ表示所述目标区域对应的正常程度指标;δ表示所述目标区域的最小外接矩形的长宽比的倒数;S表示所述目标区域的面积与所述目标区域的最小外接矩形的面积的比值;norm( )表示归一化函数。
进一步的,确定所述对象目标区域的灰度级权重因子,包括:
根据所述对象目标区域对应的参考区域中每行像素点的灰度值分布和每列像素点的灰度值分布,确定所述对象目标区域对应的参考区域中任意两行像素点之间的灰度相似度以及任意两列像素点之间的灰度相似度;
确定所述对象目标区域对应的参考区域中任意两行像素点之间的灰度相似度的平均值,从而得到第一灰度相似度均值;
确定所述对象目标区域对应的参考区域中任意两列像素点之间的灰度相似度的平均值,从而得到第二灰度相似度均值;
对第一灰度相似度均值和第二灰度相似度均值的累加和进行负相关映射,并将负相关映射结果确定为所述对象目标区域的初始的灰度级权重因子;
根据所述对象目标区域的初始的灰度级权重因子的大小,确定所述对象目标区域的最终的灰度级权重因子。
进一步的,确定所述对象目标区域的最终的灰度级权重因子,对应的计算公式为:
;
其中,表示所述对象目标区域的最终的灰度级权重因子;μ表示所述对象目标区域的初始的灰度级权重因子;μ0表示灰度级权重因子阈值;e表示自然常数。
进一步的,筛选出所述目标区域中的对象目标区域,包括:
判断所述目标区域对应的正常程度指标是否小于正常程度指标阈值,若小于所述正常程度指标阈值,则将对应所述目标区域确定为对象目标区域。
进一步的,确定所述对象目标区域对应的参考区域,包括:
根据所述对象目标区域中各个像素点的位置分布,确定所述对象目标区域所占据的最大行数行、最小行数行、最大列数列和最小列数列;
将所述对象目标区域所占据的最大行数行、最小行数行、最大列数列和最小列数列所围成的矩形区域,确定为所述对象目标区域对应的参考区域。
进一步的,确定所述灰度图像中每种灰度级对应的目标区域,包括:
对所述灰度图像中每种灰度级对应的像素点进行密度聚类,确定所述灰度图像中每种灰度级对应的各个像素点聚类;
对所述像素点聚类在其对应的区域生长范围内进行区域生长,从而得到所述灰度图像中每种灰度级对应的目标区域。
进一步的,确定所述灰度图像中每种灰度级对应的权重,包括:
将所述灰度图像中除了对象目标区域外的其他目标区域的灰度级权重因子设置为权重因子固定值;
确定所述灰度图像中每种灰度级对应的目标区域的灰度级权重因子的平均值,从而得到所述灰度图像中每种灰度级对应的灰度级权重因子均值,并将所述灰度级权重因子均值确定为所述灰度图像中每种灰度级对应的权重。
进一步的,根据所述灰度图像中每种灰度级对应的概率值和权重,对所述灰度图像进行阈值分割,得到所述光刻图像的热点区域分割图像,包括:
确定所述灰度图像中每种灰度级对应的概率值和权重的乘积值,并对所述灰度图像中各种灰度级对应的乘积值进行归一化,从而得到所述灰度图像中各种灰度级对应的修正概率值,所述灰度图像中各种灰度级对应的修正概率值的累加和等于1;
根据灰度图像中各种灰度级对应的修正概率值,利用大津阈值算法对所述灰度图像进行阈值分割,得到所述光刻图像的热点区域分割图像。
本发明具有如下有益效果:本发明通过对光刻图像对应的灰度图像中各个像素点的位置和灰度值分布进行分析,将距离相近且灰度值相近的像素点划分到一起,从而得到灰度图像中每种灰度级对应的目标区域。通过对目标区域的形状特征和面积大小进行分析,评估出目标区域属于非裂纹区域的正常区域的可能性,从而得到目标区域对应的正常程度指标,进而筛选出属于裂纹区域和图像纹理区域即假裂纹区域的对象目标区域。对对象目标区域对应的参考区域中像素点的灰度变化特征进行分析,对对象目标区域属于裂纹区域和假裂纹区域的可能性进行评估,从而得到对象目标区域的灰度级权重因子,进而可以确定灰度图像中每种灰度级对应的权重。基于灰度图像中每种灰度级对应的概率值和权重,从而可以准确地分割出光刻胶中的裂纹区域,有效提高了光刻工艺热点检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例的基于图像处理的多晶层光刻工艺热点检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。另外,本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
为了解决现有光刻工艺热点检测准确性较低的问题,本实施例提供了一种基于图像处理的多晶层光刻工艺热点检测方法,对应的流程图如图1所示,包括以下步骤:
步骤S1:获取光刻图像对应的灰度图像,根据所述灰度图像中各个像素点的位置和灰度值分布,确定所述灰度图像中每种灰度级对应的目标区域。
采用高分辨率相机对多晶层光刻工艺后烘后的光刻胶表面进行采集,从而得到光刻图像。对该光刻图像进行灰度化处理,从而得到对应的灰度图像。为了便于后续对灰度图像中的裂纹和光刻图像中的纹理进行区分,进而准确分割出裂纹区域,根据灰度图像中各个像素点的位置和灰度值分布,确定该灰度图像中每种灰度级对应的目标区域,实现步骤包括:
对所述灰度图像中每种灰度级对应的像素点进行密度聚类,确定所述灰度图像中每种灰度级对应的各个像素点聚类;
对所述像素点聚类在其对应的区域生长范围内进行区域生长,从而得到所述灰度图像中每种灰度级对应的目标区域。
为了便于理解,具体的,在灰度图像中,由于正常区域、裂纹区域和假裂纹区域(图像本身的纹理)的局部范围内,有大量的像素点灰度值相同,这就意味着在某一灰度级下像素点距离相近的像素点可能属于同一目标区域,因此对像素点进行聚类,将距离相近的像素点聚为一类。同时由于同一目标区域中的灰度值不可能完全相同,因此采用区域生长的方法将这类像素点附近灰度值相似的像素点包含进去,从而将区域生长后的区域作为目标区域进行后续的分析处理。
为了实现上述目的,利用灰度分布直方图,遍历灰度图像中所有的像素级也就是灰度级,从而可以确定灰度图像中的各种灰度级。然后利用DBSCAN聚类算法(Density-Based Spatial Clustering of Applications with Noise)对灰度图像中的每种灰度级对应的像素点进行密度聚类,从而得到灰度图像中每种灰度级对应的各个像素点聚类。在利用DBSCAN聚类算法对灰度图像中的每种灰度级对应的像素点进行密度聚类时,可以根据经验来设置DBSCAN聚类算法中的相关参数,在本实施例中,设置聚类算法中的聚类半径为20,最小聚类数为5。通过利用DBSCAN聚类算法对灰度图像中的每种灰度级对应的像素点进行密度聚类,可以自动发现灰度图像中每种灰度级对应的聚类个数,从而将灰度图像中每种灰度级对应的距离上相近的像素点聚为一类。
在确定灰度图像中每种灰度级对应的各个像素点聚类之后,对于任意一个像素点聚类,以包含该像素点聚类的最小外接矩形的两倍范围作为该像素点聚类的区域生长范围,该区域生长范围为矩形区域,且该矩形区域的中心即为对应最小外接矩形的中心,对应最小外接矩形位于该矩形区域的内部。以该像素点聚类中的各个像素点为种子点,在该像素点聚类对应的区域生长范围进行区域生长,生长策略为将该像素点聚类中的各个像素点的当前灰度级上下灰度值阈值α范围内的像素点加入到生长区域中,即当,其中P为该像素点聚类中的各个像素点的当前灰度级,/>为该像素点聚类进行区域生长过程中,区域生长范围内与种子点相邻的像素点的灰度值,则将/>所对应的区域生长范围内与种子点相邻的像素点加入到生长区域中。灰度值阈值α的取值可以根据实际需要进行合理设置,本实施例设置该灰度值阈值α的取值为3。通过进行区域生长,可以将灰度级相差较小的像素点聚类中的部分像素点或者全部像素点进行合并,将每种灰度级所位于的最终得到的生长区域作为其对应的目标区域,从而最终可以得到灰度图像中每种灰度级对应的目标区域,每种灰度级对应的目标区域可以是一个,也可以是多个。设置区域生长范围的目的是为了防止目标区域过大,提高后续判断灰度级权重的准确性。
步骤S2:根据所述目标区域的形状特征和面积大小,确定所述目标区域对应的正常程度指标,并根据所述正常程度指标,筛选出所述目标区域中的对象目标区域。
在多晶层光刻工艺后烘后采集到的光刻图像中,其颜色一般比较统一,在进行灰度化处理后,灰度值差异较大的便是光刻图像本身纹理或者可能出现的裂纹区域,而光刻图像本身纹理或者裂纹区域大多呈现线状,而背景区域通常呈现出大面积的块状,因此可利用目标区域的形状特征区分正常区域和裂纹区域与假裂纹区域。同时,由于裂纹区域其边缘必然呈现出不规则性,以及该区域内灰度变化的不规则性,而正常边缘纹理其边缘位置变化较为规则,且该区域内灰度变化也较为规则,因此可利用目标区域内灰度变化的规则性区分裂纹区域与假裂纹区域。
基于上述分析,为了便于对光刻图像中的正常区域与裂纹区域和假裂纹区域进行区分,对于每个目标区域,根据该目标区域的形状特征和面积大小,确定该目标区域对应的正常程度指标,实现步骤包括:
确定所述目标区域的最小外接矩形的面积和长宽比;
根据所述目标区域的面积与所述目标区域的最小外接矩形的面积的差异,以及所述目标区域的最小外接矩形的长宽比,确定所述目标区域对应的正常程度指标。
为了便于理解,具体的,由于在光刻图像中的正常区域通常呈现出块状,对应的其最小外接矩形长宽比通常接近“1”,而裂纹区域通过呈现出线状,其最小外接矩形长宽比通常小于“1”,同时由于裂纹区域可能呈现弧线状,这会导致其长宽比接近“1”,那么可以通过目标区域面积和最小外接矩形面积的面积比区分二者,其逻辑关系为目标区域的长宽比越不接近“1”,面积比越小,则其更有可能为裂纹区域。
因而,对于任意一个目标区域,根据该目标区域的面积与该目标区域的最小外接矩形的面积的比值,以及该目标区域的最小外接矩形的长宽比,可以确定该目标区域对应的正常程度指标,对应的计算公式为:
γ=norm((1-δ)×S);
其中,γ表示所述目标区域对应的正常程度指标;δ表示所述目标区域的最小外接矩形的长宽比的倒数;S表示所述目标区域的面积与所述目标区域的最小外接矩形的面积的比值;norm( )表示归一化函数。
在上述的目标区域对应的正常程度指标的计算公式中,将目标区域的面积与该目标区域的最小外接矩形的面积的比值S作为该目标区域的形状评判标准,当该目标区域对应的两面积的比值S越大时,表明该目标区域越可能是正常区域。同时,目标区域的最小外接矩形的长宽比的倒数δ的取值范围为0-1,利用(1-δ)则作为该目标区域对应的两面积的比值S的权重,当其值越大表示对应目标区域越可能是线状,则该目标区域对应的两面积的比值S作为形状评判标准的可信度越高。
为了便于后续对光刻图像中的正常区域、裂纹区域和假裂纹区域进行区分,因此需要增强光刻图像中裂纹区域对应的像灰度级的概率,削弱假裂纹区域对应的灰度级的概率,而对于正常区域对应的灰度级的概率不进行处理。为了实现上述目的,在通过上述方式确定目标区域对应的正常程度指标之后,根据该正常程度指标,筛选出所有目标区域中的对象目标区域,实现步骤包括:
判断所述目标区域对应的正常程度指标是否小于正常程度指标阈值,若小于所述正常程度指标阈值,则将对应所述目标区域确定为对象目标区域。
为了便于理解,具体的,设置正常程度指标阈值,该正常程度指标阈值的具体取值可以根据需要进行合理设置,在本实施例中,该正常程度指标阈值的取值为0.7。将目标区域对应的正常程度指标与该正常程度指标阈值进行比较,当正常程度指标不小于即大于或者等于正常程度指标阈值时,则认为对应目标区域为正常区域,此时不需要对该目标区域对应的灰度级的概率进行调整;而当正常程度指标小于正常程度指标阈值时,则认为对应目标区域为可能的裂纹区域或假裂纹区域,则后续需要对该目标区域对应的灰度级的概率进行调整,此时将这些目标区域确定为对象目标区域。
步骤S3:根据所述对象目标区域中各个像素点的位置分布,确定所述对象目标区域对应的参考区域,并根据所述对象目标区域对应的参考区域中各个像素点的灰度值分布,确定所述对象目标区域的灰度级权重因子。
在光刻过程中,由于光刻图案的厚度基本一致,那么其形成的光刻图案由于光照的影响,其纹理处所形成的假裂纹区域的灰度值基本一致,因此可利用对象目标区域中的灰度变化的规则性表征其属于裂纹区域还是假裂纹区域的程度,从而确定对象目标区域的灰度级权重因子,进而最终实现对对象目标区域对应的灰度级的概率进行调整。
为了确定对象目标区域的灰度级权重因子,对于任意一个对象目标区域,根据该对象目标区域中各个像素点的位置分布,确定该对象目标区域对应的参考区域,实现步骤包括:
根根据所述对象目标区域中各个像素点的位置分布,确定所述对象目标区域所占据的最大行数行、最小行数行、最大列数列和最小列数列;
将所述对象目标区域所占据的最大行数行、最小行数行、最大列数列和最小列数列所围成的矩形区域,确定为所述对象目标区域对应的参考区域。
为了便于理解,具体的,对于任意一个对象目标区域,分别确定该对象目标区域中像素点位置坐标行的最小值和最大值,分别记为Cy、Ry,坐标行的最小值和最大值所对应的行即为最小行数行和最大行数行,并确定该对象目标区域中像素点位置坐标列的最小值和最大值,分别记为Cx、Rx,坐标列的最小值和最大值所对应的列即为最小列数列和最大列数列。那么坐标行的最小值Cy和坐标列的最小值Cx和最大值Rx进行组合,即可得到两个点(Cx,Cy)和(Rx,Cy),同理坐标行的最大值Ry和坐标列的最小值Cx和最大值Rx进行组合,即可得到两个点(Cx,Ry)和(Rx,Ry),这四个点所都成的矩形区域即为该对象目标区域的正外接矩形,并将该正外接矩形确定为该对象目标区域对应的参考区域。
在确定每个对象目标区域对应的参考区域之后,根据每个对象目标区域对应的参考区域中各个像素点的灰度值分布,确定每个对象目标区域的灰度级权重因子,实现步骤包括:
根据所述对象目标区域对应的参考区域中每行像素点的灰度值分布和每列像素点的灰度值分布,确定所述对象目标区域对应的参考区域中任意两行像素点之间的灰度相似度以及任意两列像素点之间的灰度相似度;
确定所述对象目标区域对应的参考区域中任意两行像素点之间的灰度相似度的平均值,从而得到第一灰度相似度均值;
确定所述对象目标区域对应的参考区域中任意两列像素点之间的灰度相似度的平均值,从而得到第二灰度相似度均值;
对第一灰度相似度均值和第二灰度相似度均值的累加和进行负相关映射,并将负相关映射结果确定为所述对象目标区域的初始的灰度级权重因子;
根据所述对象目标区域的初始的灰度级权重因子的大小,确定所述对象目标区域的最终的灰度级权重因子。
为了便于理解,具体的,对于任意一个对象目标区域,根据该对象目标区域的参考区域中的任意一行像素点的灰度值,以该行中每个像素点的灰度值为纵坐标,并以该行中每个像素点所在的列数为横坐标,进行曲线拟合,从而得到任意一行像素点对应的二维曲线。计算任意两行像素点对应的二维曲线之间的皮尔逊相关系数,并将该皮尔逊相关系数确定为对应任意两行像素点之间的灰度相似度。按照相同的方式,根据该对象目标区域的参考区域中的任意一列像素点的灰度值,可以得到任意一列像素点对应的二维曲线,进而可以得到任意两列像素点之间的灰度相似度。根据该对象目标区域的参考区域中任意两行像素点之间的灰度相似度以及任意两列像素点之间的灰度相似度,确定该对象目标区域的初始的灰度级权重因子,对应的计算公式为:
;
其中,μ表示对象目标区域的初始的灰度级权重因子;SSIM1,j表示对象目标区域对应的参考区域中第j个任意两列像素点之间的灰度相似度;表示对象目标区域对应的参考区域中任意两列像素点的总个数,Lx表示对象目标区域对应的参考区域中像素点的总列数;SSIM2,j表示对象目标区域对应的参考区域中第j个任意两行像素点之间的灰度相似度;/>表示对象目标区域对应的参考区域中任意两行像素点的总个数,Ly表示对象目标区域对应的参考区域中像素点的总行数;exp( )表示以自然常数e为底数的指数函数。
在上述的对象目标区域的初始的灰度级权重因子的计算公式中,表示第二灰度相似度均值,其表征了对象目标区域中像素点的灰度值在列方向上的结构相似性,/>表示第一灰度相似度均值,其表征了对象目标区域中像素点的灰度值在行方向上的结构相似性,当两个方向上的结构相似性越低时,则表示对象目标区域内灰度变化越不规律,则其越可能是裂纹区域,其对应的裂纹区域的灰度级权重因子应当越高,因此利用指数函数对两个方向上的结构相似性的累加和进行负相关映射,从而得到对象目标区域的初始的灰度级权重因子。
在上述确定对象目标区域的初始的灰度级权重因子的过程中,通过计算对象目标区域的参考区域中任意两列像素点之间的灰度相似度和任意两行像素点之间的灰度相似度,并根据两类灰度相似度的平均值来获取对象目标区域的不同位置像素点之间相关性,从而使得最终获取到的初始的灰度级权重因子更加符合对象目标区域内全局的灰度变化规则性,进而得到更准确的初始的灰度级权重因子,避免了直接根据对象目标区域内像素点的分布位置与灰度值的变化来进行计算时,可能会因为个别像素点的异常(比如存在噪声像素点)导致局部的变化灰度较大,那么基于局部范围内像素点变化的规则性评估其灰度级权重因子必然代表不了对象目标区域整体,从而导致得到初始的灰度级权重因子不够准确。
在通过上述方式确定对象目标区域的初始的灰度级权重因子之后,由于对于裂纹区域和假裂纹区域都是基于对象目标区域内灰度值变化的规律性计算而来,当初始的灰度级权重因子越高则表示当前区域越可能是裂纹区域,则其灰度级的概率需要增大,反之,当灰度系数越低则表示当前区域越可能是光刻图像本身纹理,其灰度级的概率需要减小。因此,设置一个灰度级权重因子阈值μ0,灰度级权重因子阈值μ0的具体取值可以根据需要进行合理设置,本实施例设置该灰度级权重因子阈值μ0的取值为0.4。当初始的灰度级权重因子大于或者等于该灰度级权重因子阈值μ0时,则认为对应的对象目标区域为裂纹区域,反之则认为对应的对象目标区域为假裂纹区域,此时对象目标区域的最终的灰度级权重因子对应的计算公式为:
;
其中,表示所述对象目标区域的最终的灰度级权重因子;μ表示所述对象目标区域的初始的灰度级权重因子;μ0表示灰度级权重因子阈值;e表示自然常数。
在上述的对象目标区域的最终的灰度级权重因子的计算公式中,当初始的灰度级权重因子大于或者等于灰度级权重因子阈值μ0时,表明对应的对象目标区域为裂纹区域,需要对其对应的灰度级的概率做出向上调整;而当初始的灰度级权重因子小于灰度级权重因子阈值μ0时,表明对应的对象目标区域为假裂纹区域,需要对其对应的灰度级的概率做出向下调整,且初始的灰度级权重因子越小,经过向下调整所得到的最终的灰度级权重因子的取值就越小。
步骤S4:根据所述目标区域以及所述对象目标区域的灰度级权重因子,确定所述灰度图像中每种灰度级对应的权重。
在通过上述步骤确定对象目标区域的灰度级权重因子之后,基于该灰度级权重因子,确定灰度图像中每种灰度级对应的权重,实现步骤包括:
将所述灰度图像中除了对象目标区域外的其他目标区域的灰度级权重因子设置为权重因子固定值;
确定所述灰度图像中每种灰度级对应的目标区域的灰度级权重因子的平均值,从而得到所述灰度图像中每种灰度级对应的灰度级权重因子均值,并将所述灰度级权重因子均值确定为所述灰度图像中每种灰度级对应的权重。
为了便于理解,具体的,对于灰度图像中除了对象目标区域外的其他任意一个目标区域,由于不需要对其对应的概率进行调整,因此将此类目标区域灰度级权重因子设置为权重因子固定值,该权重因子固定值的取值为1。至此,可以确定灰度图像中所有目标区域对应的灰度级权重因子。由于灰度图像中每种灰度级对应一个或者多个目标区域,计算每种灰度级对应的所有目标区域的灰度级权重因子的平均值,得到一个灰度级权重因子均值,并将该灰度级权重因子均值作为对应灰度级对应概率的权重。
步骤S5:确定所述灰度图像中每种灰度级对应的概率值,根据所述灰度图像中每种灰度级对应的概率值和权重,对所述灰度图像进行阈值分割,得到所述光刻图像的热点区域分割图像。
根据灰度图像对应的灰度分布直方图,可以确定该灰度图像中每种灰度级对应的概率值。根据该灰度图像中每种灰度级对应的概率值和权重,对该灰度图像进行阈值分割,从而可以得到光刻图像的热点区域分割图像,实现步骤包括:
确定所述灰度图像中每种灰度级对应的概率值和权重的乘积值,并对所述灰度图像中各种灰度级对应的乘积值进行归一化,从而得到所述灰度图像中各种灰度级对应的修正概率值,所述灰度图像中各种灰度级对应的修正概率值的累加和等于1;
根据灰度图像中各种灰度级对应的修正概率值,利用大津阈值算法对所述灰度图像进行阈值分割,得到所述光刻图像的热点区域分割图像。
为了便于理解,具体的,将灰度图像中每种灰度级对应的概率值乘以相应的权重,并对得到的修正后的概率值进行归一化操作,确保所有灰度级修正后的概率值之和为1。基于灰度图像中每种灰度级对应的修正后的概率值,利用大津阈值分割算法进行最大类间方差的计算,从而得到最优阈值,进而得到准确的光刻胶裂纹的分割图像,也就是热点区域分割图像,最终实现了多晶层光刻工艺热点检测。
本发明通过分析光刻图像对应的灰度图像中每种灰度级在图像中的分布特征,对图像中的正常区域、裂纹区域和假裂纹区域进行区域,从而准确确定大津阈值分割算法中每种灰度级对应的权重,并利用该权重对每种灰度级对应的概率值进行修正,以增加属于裂纹灰度级的概率同时削弱光刻图像本身纹理灰度级的概率,从而可以准确地分割出光刻胶中的裂纹区域,有效提高了光刻工艺热点检测的准确性。
需要说明的是:以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于图像处理的多晶层光刻工艺热点检测方法,其特征在于,包括以下步骤:
获取光刻图像对应的灰度图像,根据所述灰度图像中各个像素点的位置和灰度值分布,确定所述灰度图像中每种灰度级对应的目标区域;
根据所述目标区域的形状特征和面积大小,确定所述目标区域对应的正常程度指标,并根据所述正常程度指标,筛选出所述目标区域中的对象目标区域;
根据所述对象目标区域中各个像素点的位置分布,确定所述对象目标区域对应的参考区域,并根据所述对象目标区域对应的参考区域中各个像素点的灰度值分布,确定所述对象目标区域的灰度级权重因子;
根据所述目标区域以及所述对象目标区域的灰度级权重因子,确定所述灰度图像中每种灰度级对应的权重;
确定所述灰度图像中每种灰度级对应的概率值,根据所述灰度图像中每种灰度级对应的概率值和权重,对所述灰度图像进行阈值分割,得到所述光刻图像的热点区域分割图像。
2.根据权利要求1所述的一种基于图像处理的多晶层光刻工艺热点检测方法,其特征在于,确定所述目标区域对应的正常程度指标,包括:
确定所述目标区域的最小外接矩形的面积和长宽比;
根据所述目标区域的面积与所述目标区域的最小外接矩形的面积的差异,以及所述目标区域的最小外接矩形的长宽比,确定所述目标区域对应的正常程度指标。
3.根据权利要求2所述的一种基于图像处理的多晶层光刻工艺热点检测方法,其特征在于,确定所述目标区域对应的正常程度指标,对应的计算公式为:
γ=norm((1-δ)×S);
其中,γ表示所述目标区域对应的正常程度指标;δ表示所述目标区域的最小外接矩形的长宽比的倒数;S表示所述目标区域的面积与所述目标区域的最小外接矩形的面积的比值;norm( )表示归一化函数。
4.根据权利要求1所述的一种基于图像处理的多晶层光刻工艺热点检测方法,其特征在于,确定所述对象目标区域的灰度级权重因子,包括:
根据所述对象目标区域对应的参考区域中每行像素点的灰度值分布和每列像素点的灰度值分布,确定所述对象目标区域对应的参考区域中任意两行像素点之间的灰度相似度以及任意两列像素点之间的灰度相似度;
确定所述对象目标区域对应的参考区域中任意两行像素点之间的灰度相似度的平均值,从而得到第一灰度相似度均值;
确定所述对象目标区域对应的参考区域中任意两列像素点之间的灰度相似度的平均值,从而得到第二灰度相似度均值;
对第一灰度相似度均值和第二灰度相似度均值的累加和进行负相关映射,并将负相关映射结果确定为所述对象目标区域的初始的灰度级权重因子;
根据所述对象目标区域的初始的灰度级权重因子的大小,确定所述对象目标区域的最终的灰度级权重因子。
5.根据权利要求4所述的一种基于图像处理的多晶层光刻工艺热点检测方法,其特征在于,确定所述对象目标区域的最终的灰度级权重因子,对应的计算公式为:
;
其中,表示所述对象目标区域的最终的灰度级权重因子;μ表示所述对象目标区域的初始的灰度级权重因子;μ0表示灰度级权重因子阈值;e表示自然常数。
6.根据权利要求1所述的一种基于图像处理的多晶层光刻工艺热点检测方法,其特征在于,筛选出所述目标区域中的对象目标区域,包括:
判断所述目标区域对应的正常程度指标是否小于正常程度指标阈值,若小于所述正常程度指标阈值,则将对应所述目标区域确定为对象目标区域。
7.根据权利要求1所述的一种基于图像处理的多晶层光刻工艺热点检测方法,其特征在于,确定所述对象目标区域对应的参考区域,包括:
根据所述对象目标区域中各个像素点的位置分布,确定所述对象目标区域所占据的最大行数行、最小行数行、最大列数列和最小列数列;
将所述对象目标区域所占据的最大行数行、最小行数行、最大列数列和最小列数列所围成的矩形区域,确定为所述对象目标区域对应的参考区域。
8.根据权利要求1所述的一种基于图像处理的多晶层光刻工艺热点检测方法,其特征在于,确定所述灰度图像中每种灰度级对应的目标区域,包括:
对所述灰度图像中每种灰度级对应的像素点进行密度聚类,确定所述灰度图像中每种灰度级对应的各个像素点聚类;
对所述像素点聚类在其对应的区域生长范围内进行区域生长,从而得到所述灰度图像中每种灰度级对应的目标区域。
9.根据权利要求1所述的一种基于图像处理的多晶层光刻工艺热点检测方法,其特征在于,确定所述灰度图像中每种灰度级对应的权重,包括:
将所述灰度图像中除了对象目标区域外的其他目标区域的灰度级权重因子设置为权重因子固定值;
确定所述灰度图像中每种灰度级对应的目标区域的灰度级权重因子的平均值,从而得到所述灰度图像中每种灰度级对应的灰度级权重因子均值,并将所述灰度级权重因子均值确定为所述灰度图像中每种灰度级对应的权重。
10.根据权利要求1所述的一种基于图像处理的多晶层光刻工艺热点检测方法,其特征在于,根据所述灰度图像中每种灰度级对应的概率值和权重,对所述灰度图像进行阈值分割,得到所述光刻图像的热点区域分割图像,包括:
确定所述灰度图像中每种灰度级对应的概率值和权重的乘积值,并对所述灰度图像中各种灰度级对应的乘积值进行归一化,从而得到所述灰度图像中各种灰度级对应的修正概率值,所述灰度图像中各种灰度级对应的修正概率值的累加和等于1;
根据灰度图像中各种灰度级对应的修正概率值,利用大津阈值算法对所述灰度图像进行阈值分割,得到所述光刻图像的热点区域分割图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311447074.5A CN117173176B (zh) | 2023-11-02 | 2023-11-02 | 基于图像处理的多晶层光刻工艺热点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311447074.5A CN117173176B (zh) | 2023-11-02 | 2023-11-02 | 基于图像处理的多晶层光刻工艺热点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173176A true CN117173176A (zh) | 2023-12-05 |
CN117173176B CN117173176B (zh) | 2024-01-26 |
Family
ID=88939767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311447074.5A Active CN117173176B (zh) | 2023-11-02 | 2023-11-02 | 基于图像处理的多晶层光刻工艺热点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173176B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670879A (zh) * | 2024-01-31 | 2024-03-08 | 陕西仙喜辣木茯茶有限公司 | 一种茯砖茶压制多面发花质量检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886132A (zh) * | 2017-04-25 | 2017-06-23 | 电子科技大学 | 一种基于dmd的扫描式光刻机灰度图像曝光方法 |
WO2020123929A1 (en) * | 2018-12-13 | 2020-06-18 | Board Of Regents, The University Of Texas System | System and method for modification of substrates |
CN115082683A (zh) * | 2022-08-22 | 2022-09-20 | 南通三信塑胶装备科技股份有限公司 | 一种基于图像处理的注塑缺陷检测方法 |
CN115272338A (zh) * | 2022-09-29 | 2022-11-01 | 南通斯坦普利起重设备有限公司 | 基于图像处理的天车控制方法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
CN116542966A (zh) * | 2023-06-28 | 2023-08-04 | 贵州医科大学附属医院 | 用于儿童内分泌异常检测的骨龄智能分析方法 |
-
2023
- 2023-11-02 CN CN202311447074.5A patent/CN117173176B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886132A (zh) * | 2017-04-25 | 2017-06-23 | 电子科技大学 | 一种基于dmd的扫描式光刻机灰度图像曝光方法 |
WO2020123929A1 (en) * | 2018-12-13 | 2020-06-18 | Board Of Regents, The University Of Texas System | System and method for modification of substrates |
CN115082683A (zh) * | 2022-08-22 | 2022-09-20 | 南通三信塑胶装备科技股份有限公司 | 一种基于图像处理的注塑缺陷检测方法 |
CN115272338A (zh) * | 2022-09-29 | 2022-11-01 | 南通斯坦普利起重设备有限公司 | 基于图像处理的天车控制方法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
CN116542966A (zh) * | 2023-06-28 | 2023-08-04 | 贵州医科大学附属医院 | 用于儿童内分泌异常检测的骨龄智能分析方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670879A (zh) * | 2024-01-31 | 2024-03-08 | 陕西仙喜辣木茯茶有限公司 | 一种茯砖茶压制多面发花质量检测方法及系统 |
CN117670879B (zh) * | 2024-01-31 | 2024-04-26 | 陕西仙喜辣木茯茶有限公司 | 一种茯砖茶压制多面发花质量检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117173176B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN115147414B (zh) | 一种双极型功率晶体管表面击穿缺陷检测方法 | |
CN116596936B (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
CN115294140B (zh) | 一种五金零件缺陷检测方法及系统 | |
CN115601364A (zh) | 基于图像分析的金手指电路板检测方法 | |
CN116109644B (zh) | 用于铜铝转接排的表面缺陷检测方法 | |
CN117173176B (zh) | 基于图像处理的多晶层光刻工艺热点检测方法 | |
CN115311277B (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN115775250B (zh) | 基于数字图像分析的金手指电路板缺陷快速检测系统 | |
CN115249246A (zh) | 一种光学玻璃表面缺陷检测方法 | |
CN117611583B (zh) | 基于人工智能的铝复合板缺陷检测方法及系统 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN115290663B (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及系统 | |
CN116416252B (zh) | 一种勃姆石生产工艺废水沉降图像检测方法 | |
CN114612469A (zh) | 产品缺陷检测方法、装置、设备及可读存储介质 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
CN115170570A (zh) | 基于灰度游程矩阵的织物起毛起球检测方法 | |
CN115082444A (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 | |
CN116740579B (zh) | 一种国土空间规划数据智能采集方法 | |
TWI498830B (zh) | 不均勻光線下的車牌辨識方法及系統 | |
CN116740065B (zh) | 基于大数据的人造板瑕疵品快速溯源方法及系统 |
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 |