CN117197247A - 基于人工智能的晶圆切割道视觉定位方法 - Google Patents
基于人工智能的晶圆切割道视觉定位方法 Download PDFInfo
- Publication number
- CN117197247A CN117197247A CN202311474294.7A CN202311474294A CN117197247A CN 117197247 A CN117197247 A CN 117197247A CN 202311474294 A CN202311474294 A CN 202311474294A CN 117197247 A CN117197247 A CN 117197247A
- Authority
- CN
- China
- Prior art keywords
- line segment
- cutting
- tool mark
- mark
- pixel point
- 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 68
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 230000000007 visual effect Effects 0.000 title claims abstract description 18
- 238000005520 cutting process Methods 0.000 claims abstract description 320
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 235000012431 wafers Nutrition 0.000 description 93
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006748 scratching Methods 0.000 description 2
- 230000002393 scratching effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Dicing (AREA)
Abstract
本发明涉及晶圆划片技术领域,具体涉及基于人工智能的晶圆切割道视觉定位方法。该方法获取每次对晶圆切割后的切割中线段,获取每次切割的刀痕中线段上像素点的偏移值,并对偏移值进行拟合得到每次切割的刀痕中线段上像素点的预测偏离度,获取每次切割的刀痕中线段的偏移频度值,结合预测偏离度与偏移频度值获取每次切割的刀痕中线段上像素点的综合偏差量,依据综合偏差量与预测偏离度得到对晶圆进行下一次切割时切割道中的切割位置。本发明基于刀痕中线段上像素点的偏移值进行预测,并考虑刀路的震动情况,使得到综合偏差量更加准确,提高对晶圆中切割道定位的准确性。
Description
技术领域
本发明涉及晶圆划片技术领域,具体涉及基于人工智能的晶圆切割道视觉定位方法。
背景技术
晶圆切割也称为划片,使用高速旋转的金刚石刀片在晶圆上切割单个裸片,以形成独立的单个晶圆,为后续工艺做准备。随着减薄工艺技术的发展,晶圆直径逐渐变大,单位面积上集成的电路更多,留给分割的切割道空间变得更小,对晶圆中切割道进行定位,以提高晶圆切割的准确性。
现有技术根据晶圆中切割道内刀痕线段与切割道的边之间的距离,对晶圆进行切割时切割道中切割位置进行调整,但是刀具对切割道进行切割时会出现细微摆动,使对晶圆中切割道定位不准确,导致对晶圆切割时损伤芯片,降低对晶圆切割的准确率。
发明内容
为了解决刀具切割时出现细微摆动,晶圆中切割道定位不准确的技术问题,本发明的目的在于提供一种基于人工智能的晶圆切割道视觉定位方法,所采用的技术方案具体如下:
本发明提出了一种基于人工智能的晶圆切割道视觉定位方法,该方法包括:
获取在晶圆的不同切割道内依次进行切割时,每次切割后的晶圆切割灰度图像;获取每次切割后得到的晶圆切割灰度图像中切割道内刀痕中线段与刀痕边线段;获取每次切割的切割时间段内刀痕中线段上每个像素点对应的时刻;
基于刀痕中线段与刀痕边线段之间的距离,将每次切割的刀痕中线段上每个像素点到其所在切割道的任意一条边之间距离转换为,每次切割的刀痕中线段上每个像素点的偏移值;
对每次切割的刀痕中线段上每个像素点的偏移值进行拟合,得到每次切割的刀痕中线段上每个像素点的预测偏离度;根据每次切割的刀痕中线段上每个像素点与其相邻时刻的像素点的偏移值之间的差异与切割道的宽度,获取每次切割的刀痕中线段的偏移频度值;
结合每次切割的刀痕中线段上每个像素点的预测偏离度与所述偏移频度值,获取每次切割的刀痕中线段上每个像素点的综合偏差量;
依据每次切割的刀痕中线段上像素点的综合偏差量与所述预测偏离度,对每次切割的刀痕中线段所在的切割道内预设参考刀痕线段与该切割道的任意一条边之间的距离进行调整,得到对晶圆进行下一次切割时切割道中的切割位置。
进一步地,所述获取每次切割后得到的晶圆切割灰度图像中切割道内刀痕中线段与刀痕边线段的方法,包括:
对每次切割后得到的晶圆切割灰度图像中的切割道进行边缘检测得到三条边缘线;所述边缘线之间相互平行;将中间的边缘线作为切割道的刀痕中线段,将余下两条边缘线作为切割道的刀痕边线段;每条刀痕边线段与刀痕中线段之间的距离相等。
进一步地,所述偏移值的获取方法,包括:
对于每次切割的刀痕中线段,选取刀痕中线段所在切割道的其中一条边作为基准切割边;
将刀痕中线段上每个像素点与基准切割边之间的距离,作为刀痕中线段上每个像素点的边间距;
根据刀痕中线段上相邻时刻的像素点的边间距之间的差异,获取刀痕中线段上每个像素点的综合间距;
将刀痕中线段与任意一条刀痕边线段之间的距离作为基准分割值;将刀痕中线段所在的切割道内预设参考刀痕线段与该切割道的任意一条边之间的距离作为标准侧间距;
将标准侧间距分别与刀痕中线段上每个像素点的综合间距的差值,作为刀痕中线段上每个像素点的中间距;将刀痕中线段上每个像素点的中间距与基准分割值的比值进行取整运算,得到刀痕中线段上每个像素点的偏移值。
进一步地,所述根据刀痕中线段上相邻时刻的像素点的边间距之间的差异,获取刀痕中线段上每个像素点的综合间距的方法,包括:
以时间为横轴,边间距为纵轴建立第一二维坐标系;
对于每次切割的刀痕中线段,选取刀痕中线段的其中一个端点作为基准端点;从刀痕中线段的基准端点开始,将刀痕中线段上每个时刻的像素点的边间距在第一二维坐标系中进行标注得到第一坐标点;对第一二维坐标系中的第一坐标点进行曲线拟合,将得到的拟合函数作为刀痕中线段的间距函数;
利用刀痕中线段的间距函数获取每次切割的刀痕中线段上每个像素点的综合间距。
进一步地,所述每次切割的刀痕中线段上每个像素点的综合间距的计算公式如下:
式中,为每次切割的刀痕中线段上第i个像素点的综合间距;/>为每次切割的刀痕中线段的间距函数;/>为每次切割的刀痕中线段上第i-1个像素点对应的时刻;/>为每次切割的刀痕中线段上第i个像素点对应的时刻。
进一步地,所述预测偏离度的获取方法,包括:
以时间为横轴,偏移值为纵轴建立第二二维坐标系;
对于每次切割的刀痕中线段,从刀痕中线段的所述基准端点开始,将刀痕中线段上每个时刻的像素点的偏移值在第二二维坐标系中进行标注得到第二坐标点;利用一元线性回归预测法对第二二维坐标系中的第二坐标点进行直线拟合得到偏移预测线段;
将每个时刻在偏移预测线段上对应的偏移值作为刀痕中线段上每个时刻的像素点的偏移预测值;
将所述标准侧间距与所述基准分割值的比值进行取整运算,得到偏移容差值;
将刀痕中线段上每个像素点的偏移预测值与偏移容差值的比值,作为刀痕中线段上每个像素点的预测偏离度。
进一步地,所述偏移频度值的获取方法,包括:
对于每次切割的刀痕中线段,将刀痕中线段上相邻时刻的像素点的偏移值之间的差值作为前一个时刻的像素点的判断偏量;统计刀痕中线段上判断偏量等于0的像素点的数量作为刀痕中线段的偏移数;
结合刀痕中线段上相邻时刻的像素点的偏移值之间的差异、所述偏移数与所述偏移容差值,获取刀痕中线段的偏移频度值。
进一步地,所述偏移频度值的计算公式如下:
式中,F为每次切割的刀痕中线段的偏移频度值;m为每次切割的刀痕中线段的偏移数;L为偏移容差值;n为每次切割的刀痕中线段上像素点的总数量;为每次切割的刀痕中线段上第i-1个像素点的偏移值;/>为每次切割的刀痕中线段上第i个像素点的偏移值;为绝对值函数。
进一步地,所述综合偏差量的获取方法,包括:
根据每次切割的刀痕中线段上每个像素点的预测偏离度的绝对值与所述偏移频度值,获取每次切割的刀痕中线段上每个像素点的综合偏差量;
所述预测偏离度与所述偏移频度值均与所述综合偏差量为正相关的关系。
进一步地,所述对晶圆进行下一次切割时切割道中的切割位置的获取方法,包括:
对于每次切割的刀痕中线段,将刀痕中线段上的预设基准像素点的预测偏离度与预设第一值的和作为分子,刀痕中线段上的预设基准像素点的综合偏差量与预设第二值的和作为分母得到比值作为间距调整系数;
将每次切割的刀痕中线段的所述间距调整系数与所述标准侧间距的乘积,作为对晶圆进行下一次切割时的补偿值;
对晶圆进行下一次切割时切割道中的切割位置与所述基准切割边之间的距离等于所述补偿值。
本发明具有如下有益效果:
本发明实施例中,考虑到刀片的宽度会对刀片划伤晶圆中芯片产生误差,根据刀痕中线段与刀痕边线段之间的距离,获取每次切割的刀痕中线段上像素点的偏移值;刀片在切割晶圆中切割道进行切割时出现偏移与振动,根据刀片切割时的偏移情况与振动情况,获取每次切割的刀痕中线段上像素点的预测偏离度与偏离频度值,将两者结合分析得到综合偏差量,使得判断晶圆中切割道内刀痕中线段的偏差情况更加准确;基于每次切割的刀痕中线段的预测偏离度对切割时刀具的切割位置进行调整,为防止预测偏离度调整程度过大,利用预测偏离度调整偏差情况时结合综合偏差量,使对切割道中刀具切割位置调整的更加精确;且每次切割后利用当前切割的刀痕中线段的偏移情况对下一次切割的切割道内刀具切割的切割位置进行调整,提高晶圆中切割道定位准确性,提高对晶圆切割的准确率。
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为本发明一个实施例所提供的一种基于人工智能的晶圆切割道视觉定位方法的方法流程图;
图2为本发明一个实施例所提供的一种晶圆内切割道示意图;
图3为本发明一个实施例所提供的一种横向切割道内刀路中线段局部示意图。
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一种基于人工智能的晶圆切割道视觉定位方法,其具体实施方式、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。
下面结合附图具体的说明本发明所提供的一种基于人工智能的晶圆切割道视觉定位方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的晶圆切割道视觉定位方法的方法流程图,该方法包括:
步骤S1:获取在晶圆的不同切割道内依次进行切割时,每次切割后的晶圆切割灰度图像;获取每次切割后得到的晶圆切割灰度图像中切割道内刀痕中线段与刀痕边线段;获取每次切割的切割时间段内刀痕中线段上每个像素点对应的时刻。
具体的,对切割晶圆的机器按照基准参数进行标定,即对切割晶圆的机器输入晶圆的尺寸参数与晶圆中芯片的尺寸参数。晶圆中切割道已确定,切割道分为横向切割道和纵向切割道。图2为本发明一个实施例所提供的一种晶圆内切割道示意图,如图2所示,图2中长方形L为晶圆中的切割道,正方形S为晶圆中的芯片,长方形L的宽度为晶圆中切割道的宽度。需要注意的是,晶圆中所有切割道的宽度相同。
本发明实施例首先对晶圆中的横向切割道进行切割,从晶圆边缘位置的切割道开始按照顺序依次对晶圆的横向切割道进行切割,当晶圆中所有的横向切割道均切割完成后,再对晶圆中的纵向切割道进行切割。将工业相机固定在晶圆的正上方,每次在晶圆的不同切割道进行切割后,利用工业相机采集切割后的晶圆,得到每次切割后的晶圆切割图像。对晶圆切割图像进行去噪与灰度化处理,得到每次切割后的晶圆切割灰度图像。
需要说明的是,本发明实施例中使用高斯滤波进行去噪处理,选用加权灰度化算法进行灰度化处理,具体方法在此不做介绍,均为本领域技术人员熟知的技术手段。在本发明其他实施例中也可选用其他图像采集装置及图像预处理算法,图像采集和图像预处理算法均为本领域技术人员熟知的技术手段,在此不做限定。
需要注意的是,将晶圆固定在机器的操作台上,对晶圆的切割道进行切割时,将刀具从切割道一端,匀速划向切割道的另一端,完成切割后,移动刀具的位置,对晶圆的下一个切割道进行切割,直至晶圆中所有的切割道均切割完成。
刀片具有一定厚度,使用刀片切割晶圆时,除了切割的划痕外,还会出现因刀片厚度而产生的其他划痕,将刀片切割的刀痕放大,刀痕分为两个部分,分别是刀痕中线段与刀痕边线段,则需要将切割道内的划痕进行区分,具体方法为:
对每次切割后得到的晶圆切割灰度图像中的切割道进行边缘检测得到三条边缘线;边缘线之间相互平行;将中间的边缘线作为切割道的刀痕中线段,将余下两条边缘线作为切割道的刀痕边线段;每条刀痕边线段与刀痕中线段之间的距离相等。
图3为本发明一个实施例所提供的一种横向切割道内刀路中线段局部示意图,如图3所示,线段B1与线段B2为切割道的两条长边,虚线段C1与虚线段C2为刀痕线线段,线段D为刀痕中线段。虚线段C1与虚线段C2为刀痕线线段为刀片进行切割时,因刀具厚度产生的无关划痕。
需要说明的是,每次切割后得到的晶圆切割灰度图像中分析的对象仅为刀片在当前切割的切割道内的刀痕。
在对晶圆的不同切割道进行切割时,因晶圆呈现圆形,晶圆中不同切割道进行切割所用的时间不同。获取对晶圆中不同切割道进行切割时所用的切割时间段,并根据该切割道中刀痕中线段上像素点的数量,获取刀痕中线段上相邻的像素点之间的时间间隔,作为切割单位时间间隔。切割单位时间间隔,其中,n为每次切割的刀痕中线段上像素点的总数量,T为每次切割的刀痕中线段对应的切割时间段的时长。
本发明实施例中,将横向切割道中刀痕中线段的左侧的端点即左侧的第一个像素点作为刀痕中线段的基准端点,将纵向切割道中刀痕中线段的下侧的端点即下侧的第一个像素点作为刀痕中线段的基准端点,实施者可根据实际情况自行设置。从刀痕中线段的基准端点开始,每次切割的刀痕中线段上每个像素点对应时刻为:每次切割的刀痕中线段上第i个像素点对应的时刻。
步骤S2:基于刀痕中线段与刀痕边线段之间的距离,将每次切割的刀痕中线段上每个像素点到其所在切割道的任意一条边之间距离转换为,每次切割的刀痕中线段上每个像素点的偏移值。
刀片切割晶圆的过程中,机器会出现振动导致切割产生的刀路中线段并不是一条笔直的线段,会出现摆动的情况且摆动十分轻微,通常会被人们忽略。但是切割晶片的机器十分精密,所有刀路的摆动会被放大,获取刀路中线段上像素点的偏差值,以准确衡量实际刀路的偏移情况。
优选地,刀痕中线段上每个像素点的偏移值的具体获取方法为:对于每次切割的刀痕中线段,选取刀痕中线段所在切割道的其中一条边作为基准切割边;将刀痕中线段上每个像素点与基准切割边之间的距离,作为刀痕中线段上每个像素点的边间距;根据刀痕中线段上相邻时刻的像素点的边间距之间的差异,获取刀痕中线段上每个像素点的综合间距;将刀痕中线段与任意一条刀痕边线段之间的距离作为基准分割值;将刀痕中线段所在的切割道内预设参考刀痕线段与该切割道的任意一条边之间的距离作为标准侧间距;将标准侧间距分别与刀痕中线段上每个像素点的综合间距的差值,作为刀痕中线段上每个像素点的中间距;将刀痕中线段上每个像素点的中间距与基准分割值的比值进行取整运算,得到刀痕中线段上每个像素点的偏移值。
首先需要将刀痕中线段的轨迹进行量化,具体过程如下:
本发明实施例中,将晶圆中横向切割道的上侧的长边作为基准切割边,纵向切割道的左侧的长边作为基准切割边,实施者可根据实际情况自行设置。本发明实施例在后续分析过程中均以晶圆中横向切割道内的刀痕中线段为例进行分析。
如图3所示,线段B1为基准切割边,将刀痕中线段D中每个像素点与基准切割边之间的欧式距离,作为刀痕中线段D上每个像素点的边间距。
(1)获取每次切割的刀痕中线段上像素点的综合间距。
刀痕中线段上每个像素点呈现离散状态,而刀片在切割时是连续过程,且因为晶圆切割的过程十分精细,对离散的数据进行分析不能准确地反映连续切割过程,因此将刀痕中线段上像素点的边间距进行连续化分析,得到准确反映连续化的刀痕中线段上像素点到基准切割边之间的距离,即刀痕中线段上每个像素点的综合间距。
优选地,刀痕中线段上像素点的综合间距的具体获取方法为:以时间为横轴,边间距为纵轴建立第一二维坐标系;对于每次切割的刀痕中线段,选取刀痕中线段的其中一个端点作为基准端点;从刀痕中线段的基准端点开始,将刀痕中线段上每个时刻的像素点的边间距在第一二维坐标系中进行标注得到第一坐标点;对第一二维坐标系中的第一坐标点进行曲线拟合,将得到的拟合函数作为刀痕中线段的间距函数;利用刀痕中线段的间距函数获取每次切割的刀痕中线段上每个像素点的综合间距。
本发明实施例中选用最小二乘法对第一二维坐标系中的第一坐标点进行曲线拟合,将得到拟合曲线对应的拟合函数作为刀痕中线段的间距函数。其中,最小二乘法与拟合函数的获取方法均为本领域技术人员公知技术,在此不再赘述。
每次切割的刀痕中线段上每个像素点的综合间距的计算公式如下:
式中,为每次切割的刀痕中线段上第i个像素点的综合间距;/>为每次切割的刀痕中线段的间距函数;/>为每次切割的刀痕中线段上第i-1个像素点对应的时刻;/>为每次切割的刀痕中线段上第i个像素点对应的时刻。
刀痕中线段上切割单位的时间间隔为固定值。需要注意的是,每次切割的刀痕中线段的基准端点的综合间距等于边间距。
(2)获取每次切割的刀痕中线段上像素点的中间距。
由于切割道的两条长边之外的区域为芯片,为防止刀片切割晶圆时损伤芯片,刀片仅允许在切割道的两条长边之间的区域进行切割。刀片沿切割道的两长边之间中间平行线为刀片切割的最理想情况,本发明实施例中预测参考刀痕线段为切割道的两长边的中间平行线。
需要说明的是,在实际情况中晶圆中切割道的边与芯片边缘之间的距离非常接近,为方便运算,可以将切割道的边相当于芯片的边缘。将刀痕中线段所在的切割道内预设参考刀痕线段与该切割道的任意一条边之间的距离作为标准侧间距。由于晶圆中切割道的宽度相同,则标准侧间距为固定值。
由于刀具的中间部分切割的痕迹为刀路中线段,则切割道内刀痕中线段为两条刀痕边线段的中间平行线。将刀痕中线段与任意一条刀痕边线段之间的距离作为基准分割值,且为固定值。
标准侧间距与每次切割的刀痕中线段上每个像素点的综合间距的差值,作为每次切割的刀痕中线段上每个像素点的中间距,表示切割道内刀痕中线段相对于预设参考刀痕线段的偏移程度。当中间距大于0时,说明当前时刻下刀痕中线段偏离预设参考刀痕线段,且向切割道的基准切割边偏移;当中间距等于0时,说明当前时刻下刀痕中线段的切割状态十分理想;当中间距小于0时,说明当前时刻下刀痕中线段偏离预设参考刀痕线段,且向切割道除基准切割边的另一条长边偏离。
(3)获取每次切割的刀痕中线段上像素点的偏移值。
刀片具有一定厚度,刀片边缘触碰到芯片边缘便会划伤芯片。实际情况中,刀具的厚度较薄,每次切割产生的道路中线段与道路边线段之间的距离较小,无法确定刀痕中线段位于什么位置,刀具的边会划伤芯片,因此,基于刀痕中线段与刀痕边线段之间的距离将刀痕中线段上像素点的中间距转换为偏移值。
为方便运算,本发明实施例中设置当刀痕中线段偏移距离大于等于基准分割值时,认为刀痕中线段出现偏离。对于每次切割产生的刀痕中线段,将刀痕中线段上每个像素点的中间距与基准分割值的比值进行取整,得到刀痕中线段上每个像素点的偏离值。需要说明的是,当刀痕中线段上每个像素点的中间距大于0时,将中间距与基准分割值的比值向下取整,得到刀痕中线段上每个像素点的偏移值;当刀痕中线段上每个像素点的中间距小于0时,将中间距与基准分割值的比值向上取整,得到刀痕中线段上每个像素点的偏移值。
步骤S3:对每次切割的刀痕中线段上每个像素点的偏移值进行拟合,得到每次切割的刀痕中线段上每个像素点的预测偏离度;根据每次切割的刀痕中线段上每个像素点与其相邻时刻的像素点的偏移值之间的差异与切割道的宽度,获取每次切割的刀痕中线段的偏移频度值。
根据刀痕中线段上像素点的偏移值情况预测刀痕中线段上像素点的偏移程度,使预测偏移度能大致预测刀痕中线段上像素点的偏移情况。
优选地,刀痕中线段上每个像素点的预测偏离度的具体获取方法为:以时间为横轴,偏移值为纵轴建立第二二维坐标系;对于每次切割的刀痕中线段,从刀痕中线段的基准端点开始,将刀痕中线段上每个时刻的像素点的偏移值在第二二维坐标系中进行标注得到第二坐标点;利用一元线性回归预测法对第二二维坐标系中的第二坐标点进行直线拟合得到偏移预测线段;将每个时刻在偏移预测线段上对应的偏移值作为刀痕中线段上每个时刻的像素点的偏移预测值;将标准侧间距与基准分割值的比值进行取整运算,得到偏移容差值;将刀痕中线段上每个像素点的偏移预测值与偏移容差值的比值,作为刀痕中线段上每个像素点的预测偏离度。其中,一元线性回归预测法为本领域技术人员公知技术,在此不再赘述。
每次切割的刀痕中线段在第二二维坐标系中的偏移预测线段,呈现切割道内切割中线段相对于预设参考线段的大致偏移方向。将每个时刻在偏移预测线段上对应的偏移值作为刀痕中线段上每个时刻的像素点的偏移预测值,偏移预测值是刀痕中线段上像素点的偏移值经过刀痕中线段的偏移方向调整后的偏移情况。
为方便判断刀痕中线段相较于预测参考线段的偏移程度,将标准侧间距与基准分割值的比值进行向下取整运算得到偏移容差值,且为固定值。
将每次切割的刀痕中线段上每个像素点的偏移预测值与偏移容差值的比值,作为每次切割的刀痕中线段上每个像素点的预测偏移度。预测偏移度的正负情况呈现刀痕中线段偏移的方向,当预测偏移度为正数时,刀痕中线段偏向切割道的基准切割边一侧;当预测偏移度为负数时,刀痕中线段偏向切割道的基准切割边的相反方向。预测偏移度的数值大小呈现刀痕中线段的偏移程度,当预测偏移度的绝对值大于1,说明刀片在刀痕中线段的像素点对应时刻会划伤芯片。
为了得到刀片对切割道的切割过程中刀片切割的稳定性,需要根据刀痕中线段上相邻时刻的像素点的偏移值之间的差异,呈现切割时刀片的稳定状况。
优选地,刀痕中线段的偏移频度值的具体获取方法为:对于每次切割的刀痕中线段,将刀痕中线段上相邻时刻的像素点的偏移值之间的差值作为前一个时刻的像素点的判断偏量;统计刀痕中线段上判断偏量等于0的像素点的数量作为刀痕中线段的偏移数;结合刀痕中线段上相邻时刻的像素点的偏移值之间的差异、偏移数与偏移容差值,获取刀痕中线段的偏移频度值。
对于每次切割的刀痕中线段,将刀痕中线段上相邻时刻的像素点的偏移值之间的差值绝对值,作为前一个时刻的像素点的判断偏量;当判断偏量越小时,相邻时刻的像素点的偏移程度越小,刀痕越稳定。刀痕中线段上相邻时刻的像素点的偏移值的差值绝对值的均值,呈现刀痕中线段偏移的整体情况,并利用切割道的最大的偏移值2L,对其进行归一化处理。2L的偏移程度为从切割道的一侧的长边偏移至另一侧的长边。为进一步精确判断刀痕中线段的偏差情况,当刀痕中线段上判断偏量为0像素点的数量即偏移数越多,说明刀痕中线段的刀痕越稳定。每次切割的刀痕中线段的偏移频度值的计算公式如下:
式中,F为每次切割的刀痕中线段的偏移频度值;m为每次切割的刀痕中线段的偏移数;L为偏移容差值;n为每次切割的刀痕中线段上像素点的总数量;为每次切割的刀痕中线段上第i-1个像素点的偏移值;/>为每次切割的刀痕中线段上第i个像素点的偏移值;为绝对值函数;/>为绝对值函数;/>为每次切割的刀痕中线段上第i-1个像素点的判断偏量。
需要说明的是,当偏移数m越大时,说明每次切割的刀痕中线段上相邻时刻的像素点基本不出现偏移,则刀痕中线段越稳定,偏移频度值F越小;当越小,说明刀痕中线段上相邻时刻的像素点的偏移程度较小,使得/>,刀痕中线段整体的偏移情况较小,且偏移容差值L为定值,则偏移频度值F越小。
步骤S4:结合每次切割的刀痕中线段上每个像素点的预测偏离度与偏移频度值,获取每次切割的刀痕中线段上每个像素点的综合偏差量。
刀痕的偏差情况受到刀痕中线段的偏移程度与偏移频率的综合影响,将预测偏离度与偏移频度值相结合进行分析,使得刀痕中线段的综合偏差量更加准确。
根据每次切割的刀痕中线段上每个像素点的预测偏离度的绝对值与偏移频度值,获取每次切割的刀痕中线段上每个像素点的综合偏差量;预测偏离度与偏移频度值均与综合偏差量为正相关的关系。
本发明实施例中,刀痕中线段上每个像素点的综合偏差量的计算公式可以具体例如为:
式中,为每次切割的刀痕中线段上第i个像素点的综合偏差量;/>为每次切割的刀痕中线段上第i个像素点的预测偏离度;F为每次切割的刀痕中线段的偏移频度值;/>为绝对值函数;e为自然常数;exp为以自然常数e为底数的指数函数;/>为极小正数,作用为防止分母为0,导致式子无意义,取经验值0.001。
的大小呈现刀痕中线段相对于切割道的预设参考刀痕线段的偏移程度,偏移值/>的正负决定刀片切割时的偏移方向;当/>越大时,说明刀痕中线段偏离切割道的预设参考刀痕线段的程度越大,刀片越有可能划伤芯片,则综合偏差量/>越大;当偏移频度值F越大时,说明刀痕中线段上距离相近的像素点的偏移程度越大,刀痕中线段越不稳定,则综合偏差量/>越大。
在本发明另一个实施例中,可以将每次切割的刀痕中线段上每个像素点的预测偏离度的绝对值与偏移频度值的乘积,作为每次切割的刀痕中线段上每个像素点的综合偏差值,使预测偏离度的绝对值与偏移频度值均与综合偏差值为正相关的关系,在本发明其他实施例中可选择其他基础数学运算构成负相关的关系,在此不做限定。
步骤S5:依据每次切割的刀痕中线段上像素点的综合偏差量与预测偏离度,对每次切割的刀痕中线段所在的切割道内预设参考刀痕线段与该切割道的任意一条边之间的距离进行调整,得到对晶圆进行下一次切割时切割道中的切割位置。
利用每次切割的刀痕中线段上像素点的偏移值拟合出的直线,预测刀路趋势,如果切割道中刀路偏向切割道的基准切割边,则需要加大刀片与切割道的基准切割边之间的距离;但是考虑到刀片切割时的稳定性问题,如果偏差量过大,说明刀片在运行过程中上下波动过大,因此在将刀片向下偏移值不能过多,否则可能会在刀片波动过程中划伤附近芯片,则利用刀痕中线段的综合偏差量来防止纠正过度,损伤芯片。
对于每次切割的刀痕中线段,将刀痕中线段上的预设基准像素点的预测偏离度与预设第一值的和作为分子,刀痕中线段上的预设基准像素点的综合偏差量与预设第二值的和作为分母得到比值作为间距调整系数;将每次切割的刀痕中线段的所述间距调整系数与所述标准侧间距的乘积,作为对晶圆进行下一次切割时的补偿值;对晶圆进行下一次切割时切割道中的切割位置与所述基准切割边之间的距离等于所述补偿值。
对晶圆的切割道进行切割时均从同一侧开始进行切割,刀痕中线段上基准端点的预测偏离度较小,基准端点的预测偏离度的取值范围为[-1,1],当预测偏离度越接近1时,说明切割道内刀痕偏向基准切割边的程度越大;当预测偏离度越接近-1时,说明切割道内刀痕偏向切割道中除基准切割边外另一长边的程度越大。因此,本发明将预测偏离度与预设第一值r相加,使大于0,预设第一值r为大于或者等于1的常数。
本发明实施例中,将横向切割道中刀痕中线段的左侧的端点即左侧的第一个像素点作为预设基准像素点,将纵向切割道中刀痕中线段的下侧的端点即下侧的第一个像素点作为预设基准像素点,实施者可根据实际情况自行设置。为避免刀片在切割过程中划伤芯片部分,需要确定对后续切割道切割时的切割位置,使切割时得到纠正。
本发明利用综合偏差量对预测偏离度进行调整,预设第二值s的作用为调整预测偏离度的修正程度;预设第二值为正数,当预设第二值s越大时,修正幅度越小,对标准侧间距调整的程度越小。本发明实施例中预设第一值取经验值1,预设第二值取经验值1,实施者可根据实际情况自行设置。
补偿值的计算公式如下:
式中,R为每次切割的刀痕中线段的补偿值;D为每次切割的刀痕中线段上预设基准像素点的预测偏离度;P为每次切割的刀痕中线段上预设基准像素点的综合偏差量;J为标准侧间距;r为预设第一值,取经验值1;s为预设第二值,取经验值1。
需要说明的是,当预测偏离度D越小时,说明切割道内刀痕中线段与基准切割边之间的距离越远,对晶圆进行下一次切割标准侧间距的调整程度越小;当综合偏差量P越大时,说明每次切割的切割中线段的出现偏差的可能性越大,对晶圆进行下一次切割标准侧间距的调整程度越小。
对晶圆进行下一次切割时切割道中的切割位置与基准切割边之间的距离等于补偿值。
需要说明的是,对晶圆中横向切割道与纵向切割道的第一次切割时,直接从切割道的中间位置即预设参考刀痕线段,切割道的基准切割边与刀痕切割位置之间的距离为标准侧间距。对晶圆进行切割时首先选择横向与纵向的切割道的任意一个方向的切割道进行切割,通过横向切割道得到的补偿值确定下一次切割的同一方向的切割道中切割位置,直至晶圆上该方向上所有的切割道均切割完成,再进行晶圆上下一方向的切割道的切割。
至此,本发明完成。
综上所述,在本发明实施例中,获取每次对晶圆切割后的切割中线段,获取每次切割的刀痕中线段上像素点的偏移值,并对偏移值进行拟合得到每次切割的刀痕中线段上像素点的预测偏离度,获取每次切割的刀痕中线段的偏移频度值,结合预测偏离度与偏移频度值获取每次切割的刀痕中线段上像素点的综合偏差量,依据综合偏差量与预测偏离度得到对晶圆进行下一次切割时切割道中的切割位置。本发明基于刀痕中线段上像素点的偏移值进行预测,并考虑刀路的震动情况,使得到综合偏差量更加准确,提高对晶圆中切割道定位的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于人工智能的晶圆切割道视觉定位方法,其特征在于,该方法包括:
获取在晶圆的不同切割道内依次进行切割时,每次切割后的晶圆切割灰度图像;获取每次切割后得到的晶圆切割灰度图像中切割道内刀痕中线段与刀痕边线段;获取每次切割的切割时间段内刀痕中线段上每个像素点对应的时刻;
基于刀痕中线段与刀痕边线段之间的距离,将每次切割的刀痕中线段上每个像素点到其所在切割道的任意一条边之间距离转换为,每次切割的刀痕中线段上每个像素点的偏移值;
对每次切割的刀痕中线段上每个像素点的偏移值进行拟合,得到每次切割的刀痕中线段上每个像素点的预测偏离度;根据每次切割的刀痕中线段上每个像素点与其相邻时刻的像素点的偏移值之间的差异与切割道的宽度,获取每次切割的刀痕中线段的偏移频度值;
结合每次切割的刀痕中线段上每个像素点的预测偏离度与所述偏移频度值,获取每次切割的刀痕中线段上每个像素点的综合偏差量;
依据每次切割的刀痕中线段上像素点的综合偏差量与所述预测偏离度,对每次切割的刀痕中线段所在的切割道内预设参考刀痕线段与该切割道的任意一条边之间的距离进行调整,得到对晶圆进行下一次切割时切割道中的切割位置。
2.根据权利要求1所述的一种基于人工智能的晶圆切割道视觉定位方法,其特征在于,所述获取每次切割后得到的晶圆切割灰度图像中切割道内刀痕中线段与刀痕边线段的方法,包括:
对每次切割后得到的晶圆切割灰度图像中的切割道进行边缘检测得到三条边缘线;所述边缘线之间相互平行;将中间的边缘线作为切割道的刀痕中线段,将余下两条边缘线作为切割道的刀痕边线段;每条刀痕边线段与刀痕中线段之间的距离相等。
3.根据权利要求1所述的一种基于人工智能的晶圆切割道视觉定位方法,其特征在于,所述偏移值的获取方法,包括:
对于每次切割的刀痕中线段,选取刀痕中线段所在切割道的其中一条边作为基准切割边;
将刀痕中线段上每个像素点与基准切割边之间的距离,作为刀痕中线段上每个像素点的边间距;
根据刀痕中线段上相邻时刻的像素点的边间距之间的差异,获取刀痕中线段上每个像素点的综合间距;
将刀痕中线段与任意一条刀痕边线段之间的距离作为基准分割值;将刀痕中线段所在的切割道内预设参考刀痕线段与该切割道的任意一条边之间的距离作为标准侧间距;
将标准侧间距分别与刀痕中线段上每个像素点的综合间距的差值,作为刀痕中线段上每个像素点的中间距;将刀痕中线段上每个像素点的中间距与基准分割值的比值进行取整运算,得到刀痕中线段上每个像素点的偏移值。
4.根据权利要求3所述的一种基于人工智能的晶圆切割道视觉定位方法,其特征在于,所述根据刀痕中线段上相邻时刻的像素点的边间距之间的差异,获取刀痕中线段上每个像素点的综合间距的方法,包括:
以时间为横轴,边间距为纵轴建立第一二维坐标系;
对于每次切割的刀痕中线段,选取刀痕中线段的其中一个端点作为基准端点;从刀痕中线段的基准端点开始,将刀痕中线段上每个时刻的像素点的边间距在第一二维坐标系中进行标注得到第一坐标点;对第一二维坐标系中的第一坐标点进行曲线拟合,将得到的拟合函数作为刀痕中线段的间距函数;
利用刀痕中线段的间距函数获取每次切割的刀痕中线段上每个像素点的综合间距。
5.根据权利要求4所述的一种基于人工智能的晶圆切割道视觉定位方法,其特征在于,所述每次切割的刀痕中线段上每个像素点的综合间距的计算公式如下:
式中,为每次切割的刀痕中线段上第i个像素点的综合间距;/>为每次切割的刀痕中线段的间距函数;/>为每次切割的刀痕中线段上第i-1个像素点对应的时刻;/>为每次切割的刀痕中线段上第i个像素点对应的时刻。
6.根据权利要求4所述的一种基于人工智能的晶圆切割道视觉定位方法,其特征在于,所述预测偏离度的获取方法,包括:
以时间为横轴,偏移值为纵轴建立第二二维坐标系;
对于每次切割的刀痕中线段,从刀痕中线段的所述基准端点开始,将刀痕中线段上每个时刻的像素点的偏移值在第二二维坐标系中进行标注得到第二坐标点;利用一元线性回归预测法对第二二维坐标系中的第二坐标点进行直线拟合得到偏移预测线段;
将每个时刻在偏移预测线段上对应的偏移值作为刀痕中线段上每个时刻的像素点的偏移预测值;
将所述标准侧间距与所述基准分割值的比值进行取整运算,得到偏移容差值;
将刀痕中线段上每个像素点的偏移预测值与偏移容差值的比值,作为刀痕中线段上每个像素点的预测偏离度。
7.根据权利要求6所述的一种基于人工智能的晶圆切割道视觉定位方法,其特征在于,所述偏移频度值的获取方法,包括:
对于每次切割的刀痕中线段,将刀痕中线段上相邻时刻的像素点的偏移值之间的差值作为前一个时刻的像素点的判断偏量;统计刀痕中线段上判断偏量等于0的像素点的数量作为刀痕中线段的偏移数;
结合刀痕中线段上相邻时刻的像素点的偏移值之间的差异、所述偏移数与所述偏移容差值,获取刀痕中线段的偏移频度值。
8.根据权利要求7所述的一种基于人工智能的晶圆切割道视觉定位方法,其特征在于,所述偏移频度值的计算公式如下:
式中,F为每次切割的刀痕中线段的偏移频度值;m为每次切割的刀痕中线段的偏移数;L为偏移容差值;n为每次切割的刀痕中线段上像素点的总数量;为每次切割的刀痕中线段上第i-1个像素点的偏移值;/>为每次切割的刀痕中线段上第i个像素点的偏移值;/>为绝对值函数。
9.根据权利要求1所述的一种基于人工智能的晶圆切割道视觉定位方法,其特征在于,所述综合偏差量的获取方法,包括:
根据每次切割的刀痕中线段上每个像素点的预测偏离度的绝对值与所述偏移频度值,获取每次切割的刀痕中线段上每个像素点的综合偏差量;
所述预测偏离度与所述偏移频度值均与所述综合偏差量为正相关的关系。
10.根据权利要求3所述的一种基于人工智能的晶圆切割道视觉定位方法,其特征在于,所述对晶圆进行下一次切割时切割道中的切割位置的获取方法,包括:
对于每次切割的刀痕中线段,将刀痕中线段上的预设基准像素点的预测偏离度与预设第一值的和作为分子,刀痕中线段上的预设基准像素点的综合偏差量与预设第二值的和作为分母得到比值作为间距调整系数;
将每次切割的刀痕中线段的所述间距调整系数与所述标准侧间距的乘积,作为对晶圆进行下一次切割时的补偿值;
对晶圆进行下一次切割时切割道中的切割位置与所述基准切割边之间的距离等于所述补偿值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474294.7A CN117197247B (zh) | 2023-11-08 | 2023-11-08 | 基于人工智能的晶圆切割道视觉定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474294.7A CN117197247B (zh) | 2023-11-08 | 2023-11-08 | 基于人工智能的晶圆切割道视觉定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197247A true CN117197247A (zh) | 2023-12-08 |
CN117197247B CN117197247B (zh) | 2024-03-29 |
Family
ID=88985442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311474294.7A Active CN117197247B (zh) | 2023-11-08 | 2023-11-08 | 基于人工智能的晶圆切割道视觉定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197247B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2545787A1 (en) * | 2005-05-05 | 2006-11-05 | Centre De Recherche Industrielle Du Quebec | System and method of monitoring the quality of cutting |
CN101414567A (zh) * | 2007-10-16 | 2009-04-22 | 力成科技股份有限公司 | 简并预烧测试与高温测试的晶片封装制程 |
JP2009158648A (ja) * | 2007-12-26 | 2009-07-16 | Disco Abrasive Syst Ltd | ウエーハの分割方法 |
CN103107121A (zh) * | 2013-01-30 | 2013-05-15 | 福建省威诺数控有限公司 | 一种基于视觉的晶圆角度偏差自动校正方法 |
KR20130139595A (ko) * | 2012-06-13 | 2013-12-23 | 한미반도체 주식회사 | 반도체 패키지용 회로기판의 검사방법 |
KR101619096B1 (ko) * | 2015-05-19 | 2016-05-10 | 주식회사 엠에스비전 | 반도체 웨이퍼 제조 공정에서 웨이퍼 정위치 확인 방법 및 웨이퍼 정위치 감지 장치 |
WO2018086168A1 (zh) * | 2016-11-09 | 2018-05-17 | 华中科技大学 | 一种基于分形维数的碳纳米管分散状态的数值化表征方法 |
WO2020098076A1 (zh) * | 2018-11-12 | 2020-05-22 | 平安科技(深圳)有限公司 | 跟踪目标的定位方法、装置、设备及存储介质 |
CN111681222A (zh) * | 2020-04-16 | 2020-09-18 | 江苏京创先进电子科技有限公司 | 一种刀痕崩边自动检测判断方法及其应用的划片机 |
CN113034435A (zh) * | 2021-02-24 | 2021-06-25 | 上海华力微电子有限公司 | 一种缺陷检测方法 |
CN113989365A (zh) * | 2021-11-11 | 2022-01-28 | 江苏京创先进电子科技有限公司 | 一种twice切痕检测装置、方法、终端及存储介质 |
CN114005747A (zh) * | 2021-11-09 | 2022-02-01 | 江苏京创先进电子科技有限公司 | 一种切割晶圆的方法、装置、设备及存储介质 |
CN114022440A (zh) * | 2021-11-03 | 2022-02-08 | 江苏京创先进电子科技有限公司 | 一种避免晶圆重复切割的检测方法、检测装置及划片机 |
CN114519706A (zh) * | 2022-02-17 | 2022-05-20 | 沈阳和研科技有限公司 | 一种划片机的基于图像的膜痕检测方法 |
CN114820606A (zh) * | 2022-06-28 | 2022-07-29 | 山东普瑞德智能装备有限公司 | 基于视觉定位的激光切割设备控制系统及方法 |
CN115615327A (zh) * | 2022-11-17 | 2023-01-17 | 歌尔股份有限公司 | 一种视觉定位系统和视觉定位方法 |
CN116038527A (zh) * | 2022-12-20 | 2023-05-02 | 苏州镁伽科技有限公司 | 一种晶圆的切割方法、划片机及存储介质 |
CN116843757A (zh) * | 2023-08-29 | 2023-10-03 | 山东千颐科技有限公司 | 基于计算机视觉的贴标机智能定位方法 |
-
2023
- 2023-11-08 CN CN202311474294.7A patent/CN117197247B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2545787A1 (en) * | 2005-05-05 | 2006-11-05 | Centre De Recherche Industrielle Du Quebec | System and method of monitoring the quality of cutting |
CN101414567A (zh) * | 2007-10-16 | 2009-04-22 | 力成科技股份有限公司 | 简并预烧测试与高温测试的晶片封装制程 |
JP2009158648A (ja) * | 2007-12-26 | 2009-07-16 | Disco Abrasive Syst Ltd | ウエーハの分割方法 |
KR20130139595A (ko) * | 2012-06-13 | 2013-12-23 | 한미반도체 주식회사 | 반도체 패키지용 회로기판의 검사방법 |
CN103107121A (zh) * | 2013-01-30 | 2013-05-15 | 福建省威诺数控有限公司 | 一种基于视觉的晶圆角度偏差自动校正方法 |
KR101619096B1 (ko) * | 2015-05-19 | 2016-05-10 | 주식회사 엠에스비전 | 반도체 웨이퍼 제조 공정에서 웨이퍼 정위치 확인 방법 및 웨이퍼 정위치 감지 장치 |
WO2018086168A1 (zh) * | 2016-11-09 | 2018-05-17 | 华中科技大学 | 一种基于分形维数的碳纳米管分散状态的数值化表征方法 |
WO2020098076A1 (zh) * | 2018-11-12 | 2020-05-22 | 平安科技(深圳)有限公司 | 跟踪目标的定位方法、装置、设备及存储介质 |
CN111681222A (zh) * | 2020-04-16 | 2020-09-18 | 江苏京创先进电子科技有限公司 | 一种刀痕崩边自动检测判断方法及其应用的划片机 |
CN113034435A (zh) * | 2021-02-24 | 2021-06-25 | 上海华力微电子有限公司 | 一种缺陷检测方法 |
CN114022440A (zh) * | 2021-11-03 | 2022-02-08 | 江苏京创先进电子科技有限公司 | 一种避免晶圆重复切割的检测方法、检测装置及划片机 |
CN114005747A (zh) * | 2021-11-09 | 2022-02-01 | 江苏京创先进电子科技有限公司 | 一种切割晶圆的方法、装置、设备及存储介质 |
CN113989365A (zh) * | 2021-11-11 | 2022-01-28 | 江苏京创先进电子科技有限公司 | 一种twice切痕检测装置、方法、终端及存储介质 |
CN114519706A (zh) * | 2022-02-17 | 2022-05-20 | 沈阳和研科技有限公司 | 一种划片机的基于图像的膜痕检测方法 |
CN114820606A (zh) * | 2022-06-28 | 2022-07-29 | 山东普瑞德智能装备有限公司 | 基于视觉定位的激光切割设备控制系统及方法 |
CN115615327A (zh) * | 2022-11-17 | 2023-01-17 | 歌尔股份有限公司 | 一种视觉定位系统和视觉定位方法 |
CN116038527A (zh) * | 2022-12-20 | 2023-05-02 | 苏州镁伽科技有限公司 | 一种晶圆的切割方法、划片机及存储介质 |
CN116843757A (zh) * | 2023-08-29 | 2023-10-03 | 山东千颐科技有限公司 | 基于计算机视觉的贴标机智能定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117197247B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108918526B (zh) | 一种柔性ic封装基板线路的缺口缺陷检测方法 | |
CN116071387B (zh) | 基于机器视觉的枕轨生产质量检测方法 | |
CN108764229B (zh) | 一种基于计算机视觉技术的水尺图像自动识别方法 | |
CN113240693B (zh) | 芯片切割控制方法、系统、设备及计算机可读存储介质 | |
CN116823826B (zh) | 一种数控机床刀具崩刃异常检测方法 | |
CN111681222B (zh) | 一种刀痕崩边自动检测判断方法及其应用的划片机 | |
CN103413271B (zh) | 基于局部信息的文档图像校正方法 | |
CN104101600A (zh) | 连铸坯断面微小裂纹检测方法及装置 | |
CN112330678B (zh) | 产品边缘缺陷检测方法 | |
CN116596936A (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
CN105225225A (zh) | 一种基于机器视觉的皮革自动划线方法和装置 | |
CN115375686A (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN109883396B (zh) | 一种基于图像处理技术的水准泡刻线宽度测量方法 | |
CN112071765A (zh) | 确定晶圆加工参数的方法和晶圆的加工方法 | |
CN117197247B (zh) | 基于人工智能的晶圆切割道视觉定位方法 | |
CN117115196A (zh) | 一种切割机刀具磨损视觉检测方法及系统 | |
CN102183206B (zh) | 一种pcb板上线路的线宽测量方法 | |
CN108416790A (zh) | 一种用于工件破损率的检测方法 | |
CN111161264B (zh) | 一种对含有缺陷的tft电路图像的分割方法 | |
CN115578390B (zh) | 一种用于除氧器的焊接控制方法 | |
CN114627141B (zh) | 一种切割道中心检测方法与系统 | |
CN116167983A (zh) | 基于dtw距离最小的钢轨轨腰对齐方法、系统及终端 | |
CN108168456B (zh) | 一种激光扫描检测中的取点方法 | |
CN118116858A (zh) | 一种切割道自动定位方法、装置、设备及存储介质 | |
CN114882032B (zh) | 半导体的刻槽检测与智能感知加工方法和系统 |
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 |