CN117269197A - 多晶硅原料表面质量检测方法及检测装置 - Google Patents
多晶硅原料表面质量检测方法及检测装置 Download PDFInfo
- Publication number
- CN117269197A CN117269197A CN202311554379.6A CN202311554379A CN117269197A CN 117269197 A CN117269197 A CN 117269197A CN 202311554379 A CN202311554379 A CN 202311554379A CN 117269197 A CN117269197 A CN 117269197A
- Authority
- CN
- China
- Prior art keywords
- raw material
- leveling
- concave
- polycrystalline silicon
- polysilicon
- 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
- 229910021420 polycrystalline silicon Inorganic materials 0.000 title claims abstract description 252
- 239000002994 raw material Substances 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims abstract description 32
- 229920005591 polysilicon Polymers 0.000 claims abstract description 155
- 238000001514 detection method Methods 0.000 claims abstract description 149
- 239000000463 material Substances 0.000 claims abstract description 49
- 238000005286 illumination Methods 0.000 claims abstract description 18
- 235000014653 Carica parviflora Nutrition 0.000 claims abstract description 13
- 241000243321 Cnidaria Species 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 66
- 235000013311 vegetables Nutrition 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 abstract description 2
- 240000003259 Brassica oleracea var. botrytis Species 0.000 abstract description 2
- 230000004069 differentiation Effects 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 9
- 239000002245 particle Substances 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000010926 purge Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 235000012431 wafers Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Silicon Compounds (AREA)
Abstract
本发明提供了多晶硅原料表面质量检测方法及检测装置，涉及质量检测技术领域，包括：调平第一平台，接收第一反馈信息；当第一反馈信息具有调平完成信号时，控制光照组件向第一平台照射垂直光，然后图像采集器扫描多晶硅原料，获取多晶硅原料图像；对多晶硅原料图像进行灰度中心聚类，生成多晶硅原料特征图像，其中，多晶硅原料特征图像具有准缺陷区域定位坐标；控制立体扫描仪，基于准缺陷区域定位坐标对多晶硅原料进行扫描，生成多晶硅原料局部三维模型；遍历多晶硅原料局部三维模型，提取凹凸特征值对多晶硅原料进行表面质量标识，生成质量标识信息，实现致密料、菜花料、珊瑚料的高效自动化区分。
Description
技术领域
本发明涉及质量检测相关技术领域，具体涉及多晶硅原料表面质量检测方法及检测装置。
背景技术
多晶硅表面质量检测是保证太阳能电池片及半导体晶圆质量的重要工作，随着半导体、芯片等元件的需求激增，提高多晶硅表面质量检测效率是保证多晶硅原料供应的重要研究方向。
多晶硅料在生产过程中由于还原及结晶的差异，导致多晶硅棒的表面会形成不同程度的凹凸不平。传统的多晶硅质量检测，仅凭目测及感官主观判断，对多晶硅表面质量进行检测，从而对多晶硅料进行分类，因此，难以适应高效的质量检测需求，无法满足市场要求。
综上所述，现有技术中由于对于多晶硅表面质量分析技术空缺，导致存在质量检测效率较低的技术问题。
发明内容
本申请通过提供了多晶硅原料表面质量检测方法及检测装置，旨在解决现有技术中由于对于多晶硅表面质量分析技术空缺，导致存在质量检测效率较低的技术问题。
鉴于上述问题，本申请提供了多晶硅原料表面质量检测方法及检测装置。
本申请公开的第一个方面，提供了多晶硅原料表面质量检测方法，包括：将多晶硅原料输送至第一平台进行固定，调平所述第一平台，接收第一反馈信息；当所述第一反馈信息具有调平完成信号时，控制光照组件向所述第一平台照射垂直光，然后图像采集器扫描多晶硅原料，获取多晶硅原料图像；对所述多晶硅原料图像进行灰度中心聚类，生成多晶硅原料特征图像，其中，所述多晶硅原料特征图像具有准缺陷区域定位坐标；控制立体扫描仪，基于所述准缺陷区域定位坐标对所述多晶硅原料进行扫描，生成多晶硅原料局部三维模型；遍历所述多晶硅原料局部三维模型，提取凹凸特征值；根据所述凹凸特征值对所述多晶硅原料进行质量标识，生成质量标识信息，其中，所述质量标识信息具有多晶硅原料表面质量类型标签，所述多晶硅原料质量类型标签包括致密料、菜花料和珊瑚料。
本申请公开的另一个方面，提供了多晶硅原料表面质量检测装置，包括：平台调平模块，用于将多晶硅原料输送至第一平台进行固定，调平所述第一平台，接收第一反馈信息；图像采集模块，用于当所述第一反馈信息具有调平完成信号时，控制光照组件向所述第一平台照射垂直光，然后图像采集器扫描多晶硅原料，获取多晶硅原料图像；图像预处理模块，用于对所述多晶硅原料图像进行灰度中心聚类，生成多晶硅原料特征图像，其中，所述多晶硅原料特征图像具有准缺陷区域定位坐标；三维模型构建模块，用于控制立体扫描仪，基于所述准缺陷区域定位坐标对所述多晶硅原料进行扫描，生成多晶硅原料局部三维模型；特征提取模块，用于遍历所述多晶硅原料局部三维模型，提取凹凸特征值；质量标识模块，用于根据所述凹凸特征值对所述多晶硅原料进行质量标识，生成质量标识信息，其中，所述质量标识信息具有多晶硅原料表面质量类型标签，所述多晶硅原料质量类型标签包括致密料、菜花料和珊瑚料。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了将多晶硅原料输送至第一平台进行固定，调平第一平台后，利用光照组件对多晶硅原料进行照射垂直光，得到多晶硅原料图像。由于在垂直光的照射下，表面异常区域与正常区域具有明显的灰度差异，基于此原理，对多晶硅表面进行灰度中心聚类，得到准缺陷区域定位坐标；然后对准缺陷区域定位坐标进行局部建模进行缺陷识别的技术方案，通过灰度中心聚类算法结合局部建模的方案，实现致密料、菜花料、珊瑚料的高效自动化区分，从而达到了提升质量检测效率的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了多晶硅原料表面质量检测方法可能的流程示意图；
图2为本申请实施例提供了多晶硅原料表面质量检测方法中灰度区域生长的可能的流程示意图；
图3为本申请实施例提供了多晶硅原料表面质量检测装置可能的结构示意图；
附图标记说明：平台调平模块100，图像采集模块200，图像预处理模块300，三维模型构建模块400，特征提取模块500，质量标识模块600。
具体实施方式
本申请提供的技术方案总体思路如下：
本申请实施例提供了多晶硅原料表面质量检测方法及检测装置。通过灰度中心聚类算法结合局部建模的方案，实现致密料、菜花料、珊瑚料的高效自动化区分，从而达到了提升质量检测效率的技术效果。解决了现有技术中由于对于多晶硅表面质量分析技术空缺，导致存在质量检测效率较低的技术问题。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例1：
如图1所示，本申请实施例提供了多晶硅原料表面质量检测方法，包括：
优选的，本申请实施例所述的多晶硅原料表面质量检测方法通过多晶硅原料表面质量检测装置进行实体执行，多晶硅原料表面质量检测装置至少包括一服务元件和一执行元件。
服务元件用于执行多晶硅原料表面质量检测方法所涉及的算力任务，至少包括一存储器和一处理器。存储器用于存储本申请实施例所述的多晶硅原料表面质量检测方法的任意一项步骤对应的计算机指令或程序代码，处理器用于在响应本申请实施例所述的多晶硅原料表面质量检测方法的任意一项步骤时，从存储器中调取本申请实施例所述的多晶硅原料表面质量检测方法的任意一项步骤对应的计算机指令或程序代码。
执行元件即用于进行多晶硅原料表面质量检测实体执行装置，优选的包括第一平台、光照组件、图像采集器、立体扫描仪，其中，第一平台用于固定多晶硅原料，第一平台可以保证自身工作时始终处于水平状态。光照组件用于向第一平台发射垂直光。优选的可采用LED灯光元件。图像采集器用于采集第一平台表面图像。立体扫描仪为用于构建多晶硅原料三维模型的元件，优选为光学扫描、超声扫描及红外线扫描。以上第一平台、光照组件、图像采集器、立体扫描仪均可采用可实现相应功能的常规元件，彼此之间无固定的连接方案，实际应用时依据算法执行步骤常规部署即可实现，本申请实施例不作多余赘述。
将多晶硅原料输送至第一平台进行固定，调平所述第一平台，接收第一反馈信息；
优选的，本申请实施例所阐述的多晶硅原料指的是锻造完成的多晶硅材料，并非是制造多晶硅的基础材料。多晶硅原料锻造完成后，为棒状、块状等形状，为保证其整体的质量，需要将其破碎为预设表面积的块状原料，对每个原料均进行质量检测。优选的，破碎后的原料的表面积优选为0.5cm2~1.5cm2。更进一步，本申请实施例多晶硅原料包括但不限于西门子法棒状多晶硅料等。
更进一步，在对多晶硅原料进行质量检测前，优选的通过吹扫法，默认的吹扫速度不宜小于30米/秒，通常采用大型空气压缩机间断性吹扫，对多晶硅原料进行吹扫清洁。将任意一个多晶硅原料抓取至第一平台进行固定，调平第一平台，接收第一反馈信息，第一反馈信息是用于表征第一平台是否调平完成的信号。
当所述第一反馈信息具有调平完成信号时，控制光照组件向所述第一平台照射垂直光，然后图像采集器扫描多晶硅原料，获取多晶硅原料图像；
进一步的，对所述多晶硅原料图像进行灰度中心聚类，生成多晶硅原料特征图像，其中，所述多晶硅原料特征图像具有准缺陷区域定位坐标，包括：
对所述多晶硅原料图像进行数字化，获得多晶硅原料数字图像；
对所述多晶硅原料数字图像进行灰度区域生长，生成灰度区域生长结果；
对所述灰度区域生长结果的岛屿灰度区域进行边缘坐标提取，标记所述准缺陷区域定位坐标。
进一步的，如图2所示，对所述多晶硅原料数字图像进行灰度区域生长，生成灰度区域生长结果，包括：
所述第一平台的第二预设区域固定有正样本多晶硅原料，获得正样本多晶硅原料数字图像，其中，所述正样本多晶硅原料数字图像具有集中灰度值；
获取所述多晶硅原料数字图像的第一像素点灰度；
当所述集中灰度值和所述第一像素点灰度的灰度偏差小于或等于预设灰度偏差时，将所述第一像素点灰度添加进海域灰度区域，其中，所述海域灰度区域表征多晶硅原料质量合格的像素区域；
当所述集中灰度值和所述第一像素点灰度的灰度偏差大于所述预设灰度偏差时，将所述第一像素点灰度添加进岛屿灰度区域，其中，所述岛屿灰度区域多晶硅原料质量准异常的像素区域；
将所述海域灰度区域和所述岛屿灰度区域，添加进所述灰度区域生长结果。
优选的，当第一反馈信息反映具有调平完成信号时，激活光照组件向第一平台照射垂直光，其中，光照组件的光照强度满足拍照需求即可，无需过强光线。此时由于多晶硅原料固定于第一平台，因此可调取图像采集器扫描多晶硅原料，采集多晶硅原料图像，此图像即为多晶硅原料的表面图像。原本第一平台处于封闭空间内是无光线的，当垂直光照射第一平台时，即照射在多晶硅原料的表面时，其表面的凹坑和凸起缺陷和周围的平整表面将会呈现出较大的灰度差异，可从采集的实时表面图像获知特征信息。所以多晶硅原料图像可为后步进行局部的区域建模提供重要的数据基础。
对所述多晶硅原料图像进行灰度中心聚类，生成多晶硅原料特征图像，其中，所述多晶硅原料特征图像具有准缺陷区域定位坐标；
优选的，当多晶硅原料图像采集完成后，即上传至服务元件进行灰度中心聚类，灰度中心聚类算法为本申请实施例针对准缺陷区域定位坐标识别提出的特定算法，作用在于基于不同像素点之间的灰度差异，对多晶硅原料图像进行区域聚类，从而得到聚类之后的多晶硅原料特征图像，其中，多晶硅原料特征图像具有准缺陷区域定位坐标。
具体地，灰度中心聚类算法的执行步骤示例性地如下：
首先对多晶硅原料图像进行数字化，即将多晶硅原料图像像素化，图像分割为若干个像素点，每个像素点具有自身的灰度值和像素点坐标。将每个像素点的灰度值和坐标值存储为多晶硅原料数字图像。
然后，采集质量合格样本的多晶硅原料，在相同光照条件下的表面灰度值，在多晶硅原料数字图像进行灰度区域生长，得到灰度区域生长结果，灰度区域生长结果主要表征两类区域，一类为多晶硅原料数字图像中与质量合格样本的表面灰度值一致的区域，二类为多晶硅原料数字图像中与质量合格样本的表面灰度值不一致的区域，将一类区域命名为海域灰度区域进行存储，将二类区域命名为岛屿灰度区域进行存储。
最后，将灰度区域生长结果的岛屿灰度区域进行边缘坐标提取，标记所述准缺陷区域定位坐标。
进一步的，灰度区域生长算法的步骤具体地如下：
步骤一：计算集中灰度值：第一平台的第二预设区域固定有正样本多晶硅原料，正样本多晶硅原料指的是质量合格的多晶硅原料。由于正样本多晶硅原料和需要质量检测的多晶硅原料同处于相同的光照环境，因此表面的灰度值应当趋于一致。对正样本多晶硅原料进行数字化，得到正样本多晶硅原料数字图像。进一步的，统计正样本多晶硅原料数字图像所有灰度值，根据用户自定义设置的一致性灰度偏差对正样本多晶硅原料数字图像所有灰度值进行聚类分析，得到多个聚类灰度值聚类结果。其后，统计每个聚类结果中的灰度数量与总的灰度数量的占比，设为对应聚类结果的权重；再计算每个聚类结果中的灰度均值。以对应聚类结果的权重和对应聚类结果的灰度均值为基础求取加权均值，得到正样本多晶硅原料数字图像的集中灰度值。
步骤二：区域生长：第一像素点灰度指的是多晶硅原料数字图像的任意一个像素点的灰度值。当集中灰度值和第一像素点灰度的灰度偏差小于或等于预设灰度偏差时，将第一像素点灰度添加进海域灰度区域，其中，海域灰度区域表征多晶硅原料质量合格的像素区域。当所述集中灰度值和所述第一像素点灰度的灰度偏差大于所述预设灰度偏差时，将所述第一像素点灰度添加进岛屿灰度区域，其中，岛屿灰度区域多晶硅原料质量准异常的像素区域。更进一步的，将海域灰度区域置为0，将岛屿灰度区域置为255，从而得到灰度区域生长结果，即为多晶硅原料特征图像。在多晶硅原料特征图像中可以更加高效地分割出灰度异常的岛屿灰度区域，并提取其边缘坐标，存储为准缺陷区域定位坐标，为后步进行局部建模提供参考数据。
控制立体扫描仪，基于所述准缺陷区域定位坐标对所述多晶硅原料进行扫描，生成多晶硅原料局部三维模型；
优选的，当准缺陷区域定位坐标生成之后，对任意一个准缺陷区域定位坐标再扩大边缘范围，此处的边缘范围扩大需要保证不会和其它的准缺陷区域定位坐标重合为标准，得到扩大后的边缘坐标。以扩大后的边缘坐标为基准，控制立体扫描仪对多晶硅原料表面进行扫描，并构建多晶硅原料局部三维模型。优选的，可通过光学扫描、超声扫描及红外线扫描等方式对多晶硅原料表面进行扫描，并构建多晶硅原料局部三维模型。
遍历所述多晶硅原料局部三维模型，提取凹凸特征值；
优选地，在三维图像中，可以直观地提取凹坑的低位坐标即坑底的坐标，以及凹坑高位坐标即凹坑的坑口坐标，计算凹坑的低位坐标和凹坑高位坐标的距离，存储为凹特征值。在三维图像中，可以直观地提取凸起的低位坐标即凸起底部的坐标，以及凸起高位坐标即凹坑的顶部坐标，计算凸起的低位坐标和凸起高位坐标的距离，存储为凸特征值。为凸特征值标识坐标位置、为凹特征值标识坐标位置，存储为凹凸特征值。通过凹凸特征值即可分析多晶硅原料表面的平整状态，为多晶硅原料的分类提供了参考标准。
根据所述凹凸特征值对所述多晶硅原料进行质量标识，生成质量标识信息。
进一步的，根据所述凹凸特征值对所述多晶硅原料进行质量标识，生成质量标识信息，包括：
所述凹凸特征值包括凹特征值或凸特征值，其中，所述凹特征值包括凹坑深度，所述凸特征值表征凸起高度；
统计所述凹坑深度和所述凸起高度大于或等于预设数值的凹凸区域数量；
根据所述凹凸区域数量，调取质量分级表进行质量分级，生成所述质量标识信息，其中，所述质量分级表为预先设定的数据表。
进一步的，根据所述凹凸区域数量，调取质量分级表进行质量分级，生成所述质量标识信息，包括：
当所述多晶硅原料为太阳能级多晶硅原料时，根据所述质量分级表对所述凹凸区域数量进行分类统计，获得第一凹凸区域数量、第二凹凸区域数量和第三凹凸区域数量：
当所述第一凹凸区域数量大于0或等于0，且所述第二凹凸区域数量等于0，且所述第三凹凸区域数量等于0，将所述质量标识信息存储为致密料；
当所述第二凹凸区域数量大于0，第三凹凸区域数量等于0，将所述质量标识信息存储为菜花料；
当所述第三凹凸区域数量大于0，将所述质量标识信息存储为珊瑚料；
当所述多晶硅原料为电子级多晶硅原料时，根据所述质量分级表对所述凹凸区域数量进行分类统计，获得第四凹凸区域数量和第五凹凸区域数量：
当所述第四凹凸区域数量大于0或等于0，且所述第五凹凸区域数量等于0，将所述质量标识信息存储为致密料；
当所述第五凹凸区域数量大于0，将所述质量标识信息存储为不合格料。
优选的，质量标识信息指的是标识多晶硅原料质量级别的标签数据，具体确定方式如下：
所述凹凸特征值包括凹特征值或凸特征值，其中，所述凹特征值包括凹坑深度，所述凸特征值表征凸起高度。统计所述凹坑深度和所述凸起高度大于或等于预设数值的凹凸区域数量，其中，预设数值优选地划分为多个等级。
实施方式一：当多晶硅原料属于太阳能级多晶硅时，由于《太阳能级多晶硅》标准化文件规定：表面颗粒凹陷深度小于5mm，为致密料；表面颗粒凹陷深度处于5mm～20mm，为菜花料；表面颗粒凹陷深度处于≥20mm，为珊瑚料，因此，当多晶硅原料属于太阳能级多晶硅时，预设数值优选的划分的多个等级为：0mm~5mm、5～20mm和20mm以上三个等级。统计处于0mm~5mm的第一凹凸区域数量，统计处于5～20mm的第二凹凸区域数量，以及处于20mm以上的第三凹凸区域数量。
质量分级表是用户预先自定义设定的用于质量分级的标准表。其内部存储有属于太阳能级多晶硅的多个多晶硅原料质量分级的触发场景：
场景一：当第一凹凸区域数量大于0，而第二凹凸区域数量等于0，第三凹凸区域数量等于0将多晶硅原料的质量标识信息存储为致密料；当第一凹凸区域数量等于0，而第二凹凸区域数量等于0，第三凹凸区域数量等于0将多晶硅原料的质量标识信息存储为致密料
场景二：当第二凹凸区域数量大于0，第三凹凸区域数量等于0，将多晶硅原料的质量标识信息存储为菜花料。
场景三：当第三凹凸区域数量大于0，将多晶硅原料的质量标识信息存储为珊瑚料。通过对多晶硅原料进行质量分级，为后步的多晶硅原料的分类提供了重要的参考信息。
实施方式二：当多晶硅原料属于电子级多晶硅时，由于《电子级多晶硅》标准化文件规定：表面颗粒凹陷深度小于3mm，为致密料；表面颗粒凹陷深度≥3mm为不合格料。因此，预设数值优选的划分的多个等级为：0-3mm、3mm以上两个等级。统计处于0mm~3mm的第四凹凸区域数量，统计处于3mm以上的第五凹凸区域数量，在电子级多晶硅原料中，当多晶硅原料不属于致密料时，即为其他料。
质量分级表是用户预先自定义设定的用于质量分级的标准表。其内部存储有属于电子级多晶硅的多个多晶硅原料质量分级的触发场景：
场景四：当第四凹凸区域数量大于或等于0，且所述五凹凸区域数量等于0，将多晶硅原料的质量标识信息存储为致密料；
场景五：当五凹凸区域数量大于0，将多晶硅原料的质量标识信息存储为不合格料。
进一步的，将多晶硅原料输送至第一平台进行固定，调平所述第一平台，接收第一反馈信息，包括：
当所述多晶硅原料固定于所述第一平台的第一预设区域时，激活第一调平柱、第二调平柱、第三调平柱和第四调平柱，所述第一调平柱、所述第二调平柱、所述第三调平柱和所述第四调平柱垂直部署于所述第一平台的下方，且彼此之间具有预设距离，所述第一调平柱、所述第二调平柱、所述第三调平柱和所述第四调平柱为弹性组件；
其中，所述第一调平柱、所述第二调平柱、所述第三调平柱和所述第四调平柱的端面部署有同型号的贴片式压力传感器；
按照预设标准距离，伸长所述第一调平柱、所述第二调平柱、所述第三调平柱和所述第四调平柱与所述第一平台接触，基于所述贴片式压力传感器，获取第一检测压力、第二检测压力、第三检测压力和第四检测压力；
对所述第一检测压力、所述第二检测压力、所述第三检测压力和所述第四检测压力进行一致性校验，生成一致性校验结果；
当所述一致性校验结果为通过信号时，生成所述调平完成信号，添加进所述第一反馈信息；
当所述一致性校验结果为未通过信号时，生成调平异常信号，其中，所述调平异常信号具有异常压力调平柱和异常压力差；
根据所述异常压力调平柱和所述异常压力差，调节所述第一平台；
当一致性N次校验结果为通过信号时，生成所述调平完成信号，添加进所述第一反馈信息。
优选的，第一平台的调平方式可采用常规应用的任意一调平方案，本申请实施例举不设限制一例调平过程：
将第一调平柱、所述第二调平柱、第三调平柱和第四调平柱垂直部署于第一平台的下方，且彼此之间具有预设距离，第一调平柱、第二调平柱、第三调平柱和所述第四调平柱为弹性组件，弹性组件可避免对第一平台造成损伤。第一调平柱、第二调平柱、所述第三调平柱和第四调平柱的端面部署有同型号的贴片式压力传感器，端面为伸长后与第一平台接触的面。
第一调平柱、第二调平柱、所述第三调平柱和第四调平柱可伸缩，具有压缩状态和伸长状态，当处于压缩状态时，其端面具有第一高度，当处于伸长状态时，其端面具有第二高度，第二高度是第一平台调平完成后的底面高度。第二高度高于第一高度。第一高度和第二高度之间具有预设标准距离，预设标准距离指的是当第一调平柱、第二调平柱、所述第三调平柱和第四调平柱处于压缩状态时，第一平台调平完成时，第一平台底面和调平柱端面的垂直距离。当第一平台调平时，按照预设标准距离，伸长所述第一调平柱、所述第二调平柱、所述第三调平柱和所述第四调平柱与所述第一平台接触，基于所述贴片式压力传感器，获取第一检测压力、第二检测压力、第三检测压力和第四检测压力。若是第一平台处于水平状态，则第一检测压力、第二检测压力、第三检测压力和第四检测压力应当一致，因此对所述第一检测压力、所述第二检测压力、所述第三检测压力和所述第四检测压力进行一致性校验，生成一致性校验结果。当所述一致性校验结果为通过信号时，即表征第一检测压力、第二检测压力、第三检测压力和第四检测压力偏差较小，生成所述调平完成信号，添加进所述第一反馈信息。
当所述一致性校验结果为未通过信号时，即表征第一检测压力、第二检测压力、第三检测压力和第四检测压力偏差较大，生成调平异常信号，添加进所述第一反馈信息。进一步的，调平异常信号具有偏差较大的异常压力调平柱和异常压力差。根据所述异常压力调平柱和所述异常压力差，调节所述第一平台，具体地，异常压力差优选为异常压力调平柱的压力和非异常压力调平柱的压力的差值，当差值大于0，则说明异常压力调平柱的压力较大，则需要将异常压力调平柱上方位置的第一平台增高，并同时监测压力值，当与非异常压力调平柱的压力一致时，停止，生成调平完成信号，添加进所述第一反馈信息。当差值小于0，则说明异常压力调平柱的压力较小，则需要将异常压力调平柱上方位置的第一平台降低，并同时监测压力值，当与非异常压力调平柱的压力一致时，停止，生成调平完成信号，添加进所述第一反馈信息。即所谓的当一致性N次校验结果为通过信号时，生成所述调平完成信号，添加进所述第一反馈信息。
进一步的，对所述第一检测压力、所述第二检测压力、所述第三检测压力和所述第四检测压力进行一致性校验，生成一致性校验结果，包括：
设定预设压力偏差；
根据所述预设压力偏差对所述第一检测压力、所述第二检测压力、所述第三检测压力和所述第四检测压力进行聚类分析，生成检测压力聚类结果；
当所述检测压力聚类结果为一个，生成通过信号，添加进所述一致性校验结果；
当所述检测压力聚类结果为多个，生成未通过信号，添加进所述一致性校验结果。
优选的，一致性校验算法的流程如下：
设定预设压力偏差，预设压力偏差指的是用户预设的表征压力是否一致的偏差阈值。当任意两个压力的差值绝对值大于预设压力偏差，则视为两类，当任意两个压力的差值绝对值小于或等于预设压力偏差，则视为一类。根据所述预设压力偏差对所述第一检测压力、所述第二检测压力、所述第三检测压力和所述第四检测压力进行聚类分析，生成检测压力聚类结果。当所述检测压力聚类结果为一个，则说明书四个压力全部一致，生成通过信号，添加进所述一致性校验结果。当所述检测压力聚类结果为多个，则说明存储不一致的压力，生成未通过信号，添加进所述一致性校验结果。
进一步的，当所述一致性校验结果为未通过信号时，生成调平异常信号，包括：
当所述检测压力聚类结果为两个，且其中一个所述检测压力聚类结果的类内检测压力数量为1，将类内检测压力数量为1的调平柱，设为所述异常压力调平柱；
当所述检测压力聚类结果为三个，将类内检测压力数量为1的调平柱，设为所述异常压力调平柱；
当所述检测压力聚类结果为四个，将任意三个检测压力聚类结果调平柱，设为所述异常压力调平柱；
当所述检测压力聚类结果为两个，且其中一个所述检测压力聚类结果的类内检测压力数量为2，将任意一个所述检测压力聚类结果的调平柱，设为所述异常压力调平柱；
获得所述异常压力调平柱的第一类内检测压力均值，获得非异常压力调平柱的第二类内检测压力均值；
计算所述第一类内检测压力均值与所述第二类内检测压力均值的差值，设为所述异常压力差。
优选的，当所述一致性校验结果为未通过信号时，生成调平异常信号的具体流程如下：
当所述检测压力聚类结果为两个，且其中一个所述检测压力聚类结果的类内检测压力数量为1，将类内检测压力数量为1的调平柱，设为所述异常压力调平柱；当所述检测压力聚类结果为三个，将类内检测压力数量为1的调平柱，设为所述异常压力调平柱；当所述检测压力聚类结果为四个，将任意三个检测压力聚类结果调平柱，设为所述异常压力调平柱；当所述检测压力聚类结果为两个，且其中一个所述检测压力聚类结果的类内检测压力数量为2，将任意一个所述检测压力聚类结果的调平柱，设为所述异常压力调平柱；获得所述异常压力调平柱的第一类内检测压力均值，获得非异常压力调平柱的第二类内检测压力均值；计算所述第一类内检测压力均值与所述第二类内检测压力均值的差值，设为所述异常压力差。通过对调平异常信号的分析，为后步第一平台的调平提供了参考数据，保证了第一平台的调平准确性。
综上所述，本申请实施例所提供的多晶硅原料表面质量检测方法及检测装置具有如下技术效果：
由于采用了将多晶硅原料输送至第一平台进行固定，调平第一平台后，利用光照组件对多晶硅原料进行照射垂直光，得到多晶硅原料图像。由于在垂直光的照射下，表面异常区域与正常区域具有明显的灰度差异，基于此原理，对多晶硅表面进行灰度中心聚类，得到准缺陷区域定位坐标；然后对准缺陷区域定位坐标进行局部建模进行缺陷识别的技术方案，通过灰度中心聚类算法结合局部建模的方案，实现致密料、菜花料、珊瑚料的高效自动化区分，从而达到了提升质量检测效率的技术效果。
实施例2：
基于与前述实施例中多晶硅原料表面质量检测方法相同的发明构思，如图3所示，本申请实施例提供了多晶硅原料表面质量检测装置，包括：
平台调平模块100，用于将多晶硅原料输送至第一平台进行固定，调平所述第一平台，接收第一反馈信息；
图像采集模块200，用于当所述第一反馈信息具有调平完成信号时，控制光照组件向所述第一平台照射垂直光，然后图像采集器扫描多晶硅原料，获取多晶硅原料图像；
图像预处理模块300，用于对所述多晶硅原料图像进行灰度中心聚类，生成多晶硅原料特征图像，其中，所述多晶硅原料特征图像具有准缺陷区域定位坐标；
三维模型构建模块400，用于控制立体扫描仪，基于所述准缺陷区域定位坐标对所述多晶硅原料进行扫描，生成多晶硅原料局部三维模型；
特征提取模块500，用于遍历所述多晶硅原料局部三维模型，提取凹凸特征值；
质量标识模块600，用于根据所述凹凸特征值对所述多晶硅原料进行质量标识，生成质量标识信息。
进一步的，所述平台调平模块100执行步骤包括：
当所述多晶硅原料固定于所述第一平台的第一预设区域时，激活第一调平柱、第二调平柱、第三调平柱和第四调平柱，所述第一调平柱、所述第二调平柱、所述第三调平柱和所述第四调平柱垂直部署于所述第一平台的下方，且彼此之间具有预设距离，所述第一调平柱、所述第二调平柱、所述第三调平柱和所述第四调平柱为弹性组件；
其中，所述第一调平柱、所述第二调平柱、所述第三调平柱和所述第四调平柱的端面部署有同型号的贴片式压力传感器；
按照预设标准距离，伸长所述第一调平柱、所述第二调平柱、所述第三调平柱和所述第四调平柱与所述第一平台接触，基于所述贴片式压力传感器，获取第一检测压力、第二检测压力、第三检测压力和第四检测压力；
对所述第一检测压力、所述第二检测压力、所述第三检测压力和所述第四检测压力进行一致性校验，生成一致性校验结果；
当所述一致性校验结果为通过信号时，生成所述调平完成信号，添加进所述第一反馈信息；
当所述一致性校验结果为未通过信号时，生成调平异常信号，其中，所述调平异常信号具有异常压力调平柱和异常压力差；
根据所述异常压力调平柱和所述异常压力差，调节所述第一平台；
当一致性N次校验结果为通过信号时，生成所述调平完成信号，添加进所述第一反馈信息。
进一步的，所述平台调平模块100执行步骤包括：
设定预设压力偏差；
根据所述预设压力偏差对所述第一检测压力、所述第二检测压力、所述第三检测压力和所述第四检测压力进行聚类分析，生成检测压力聚类结果；
当所述检测压力聚类结果为一个，生成通过信号，添加进所述一致性校验结果；
当所述检测压力聚类结果为多个，生成未通过信号，添加进所述一致性校验结果。
进一步的，所述平台调平模块100执行步骤包括：
当所述检测压力聚类结果为两个，且其中一个所述检测压力聚类结果的类内检测压力数量为1，将类内检测压力数量为1的调平柱，设为所述异常压力调平柱；
当所述检测压力聚类结果为三个，将类内检测压力数量为1的调平柱，设为所述异常压力调平柱；
当所述检测压力聚类结果为四个，将任意三个检测压力聚类结果调平柱，设为所述异常压力调平柱；
当所述检测压力聚类结果为两个，且其中一个所述检测压力聚类结果的类内检测压力数量为2，将任意一个所述检测压力聚类结果的调平柱，设为所述异常压力调平柱；
获得所述异常压力调平柱的第一类内检测压力均值，获得非异常压力调平柱的第二类内检测压力均值；
计算所述第一类内检测压力均值与所述第二类内检测压力均值的差值，设为所述异常压力差。
进一步的，所述图像预处理模块300执行步骤包括：
对所述多晶硅原料图像进行数字化，获得多晶硅原料数字图像；
对所述多晶硅原料数字图像进行灰度区域生长，生成灰度区域生长结果；
对所述灰度区域生长结果的岛屿灰度区域进行边缘坐标提取，标记所述准缺陷区域定位坐标。
进一步的，所述图像预处理模块300执行步骤包括：
所述第一平台的第二预设区域固定有正样本多晶硅原料，获得正样本多晶硅原料数字图像，其中，所述正样本多晶硅原料数字图像具有集中灰度值；
获取所述多晶硅原料数字图像的第一像素点灰度；
当所述集中灰度值和所述第一像素点灰度的灰度偏差小于或等于预设灰度偏差时，将所述第一像素点灰度添加进海域灰度区域，其中，所述海域灰度区域表征多晶硅原料质量合格的像素区域；
当所述集中灰度值和所述第一像素点灰度的灰度偏差大于所述预设灰度偏差时，将所述第一像素点灰度添加进岛屿灰度区域，其中，所述岛屿灰度区域多晶硅原料质量准异常的像素区域；
将所述海域灰度区域和所述岛屿灰度区域，添加进所述灰度区域生长结果。
进一步的，所述质量标识模块600执行步骤包括：
所述凹凸特征值包括凹特征值或凸特征值，其中，所述凹特征值包括凹坑深度，所述凸特征值表征凸起高度；
统计所述凹坑深度和所述凸起高度大于或等于预设数值的凹凸区域数量；
根据所述凹凸区域数量，调取质量分级表进行质量分级，生成所述质量标识信息，其中，所述质量分级表为预先设定的数据表。
进一步的，所述质量标识模块600执行步骤包括：
当所述多晶硅原料为太阳能级多晶硅原料时，根据所述质量分级表对所述凹凸区域数量进行分类统计，获得第一凹凸区域数量、第二凹凸区域数量和第三凹凸区域数量：
当所述第一凹凸区域数量大于0或等于0，且所述第二凹凸区域数量等于0，且所述第三凹凸区域数量等于0，将所述质量标识信息存储为致密料；
当所述第二凹凸区域数量大于0，第三凹凸区域数量等于0，将所述质量标识信息存储为菜花料；
当所述第三凹凸区域数量大于0，将所述质量标识信息存储为珊瑚料；
当所述多晶硅原料为电子级多晶硅原料时，根据所述质量分级表对所述凹凸区域数量进行分类统计，获得第四凹凸区域数量和第五凹凸区域数量：
当所述第四凹凸区域数量大于0或等于0，且所述第五凹凸区域数量等于0，将所述质量标识信息存储为致密料；
当所述第五凹凸区域数量大于0，将所述质量标识信息存储为不合格料。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不作多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (9)
1.多晶硅原料表面质量检测方法，其特征在于，包括：
将多晶硅原料抓取于第一平台进行固定，调平所述第一平台，接收第一反馈信息；
当所述第一反馈信息具有调平完成信号时，控制光照组件向所述第一平台照射垂直光，然后图像采集器扫描多晶硅原料，获取多晶硅原料图像；
对所述多晶硅原料图像进行灰度中心聚类，生成多晶硅原料特征图像，其中，所述多晶硅原料特征图像具有准缺陷区域定位坐标；
控制立体扫描仪，基于所述准缺陷区域定位坐标对所述多晶硅原料进行扫描，生成多晶硅原料局部三维模型；
遍历所述多晶硅原料局部三维模型，提取凹凸特征值；
根据所述凹凸特征值对所述多晶硅原料进行质量标识，生成质量标识信息，其中，所述质量标识信息具有多晶硅原料表面质量类型标签，所述多晶硅原料质量类型标签包括致密料、菜花料和珊瑚料。
2.如权利要求1所述的方法，其特征在于，将多晶硅原料输送至第一平台进行固定，调平所述第一平台，接收第一反馈信息，包括：
当所述多晶硅原料固定于所述第一平台的第一预设区域时，激活第一调平柱、第二调平柱、第三调平柱和第四调平柱，所述第一调平柱、所述第二调平柱、所述第三调平柱和所述第四调平柱垂直部署于所述第一平台的下方，且彼此之间具有预设距离，所述第一调平柱、所述第二调平柱、所述第三调平柱和所述第四调平柱为弹性组件；
其中，所述第一调平柱、所述第二调平柱、所述第三调平柱和所述第四调平柱的端面部署有同型号的贴片式压力传感器；
按照预设标准距离，伸长所述第一调平柱、所述第二调平柱、所述第三调平柱和所述第四调平柱与所述第一平台接触，基于所述贴片式压力传感器，获取第一检测压力、第二检测压力、第三检测压力和第四检测压力；
对所述第一检测压力、所述第二检测压力、所述第三检测压力和所述第四检测压力进行一致性校验，生成一致性校验结果；
当所述一致性校验结果为通过信号时，生成所述调平完成信号，添加进所述第一反馈信息；
当所述一致性校验结果为未通过信号时，生成调平异常信号，其中，所述调平异常信号具有异常压力调平柱和异常压力差；
根据所述异常压力调平柱和所述异常压力差，调节所述第一平台；
当一致性N次校验结果为通过信号时，生成所述调平完成信号，添加进所述第一反馈信息。
3.如权利要求2所述的方法，其特征在于，对所述第一检测压力、所述第二检测压力、所述第三检测压力和所述第四检测压力进行一致性校验，生成一致性校验结果，包括：
设定预设压力偏差；
根据所述预设压力偏差对所述第一检测压力、所述第二检测压力、所述第三检测压力和所述第四检测压力进行聚类分析，生成检测压力聚类结果；
当所述检测压力聚类结果为一个，生成通过信号，添加进所述一致性校验结果；
当所述检测压力聚类结果为多个，生成未通过信号，添加进所述一致性校验结果。
4.如权利要求3所述的方法，其特征在于，当所述一致性校验结果为未通过信号时，生成调平异常信号，包括：
当所述检测压力聚类结果为两个，且其中一个所述检测压力聚类结果的类内检测压力数量为1，将类内检测压力数量为1的调平柱，设为所述异常压力调平柱；
当所述检测压力聚类结果为三个，将类内检测压力数量为1的调平柱，设为所述异常压力调平柱；
当所述检测压力聚类结果为四个，将任意三个检测压力聚类结果调平柱，设为所述异常压力调平柱；
当所述检测压力聚类结果为两个，且其中一个所述检测压力聚类结果的类内检测压力数量为2，将任意一个所述检测压力聚类结果的调平柱，设为所述异常压力调平柱；
获得所述异常压力调平柱的第一类内检测压力均值，获得非异常压力调平柱的第二类内检测压力均值；
计算所述第一类内检测压力均值与所述第二类内检测压力均值的差值，设为所述异常压力差。
5.如权利要求1所述的方法，其特征在于，对所述多晶硅原料图像进行灰度中心聚类，生成多晶硅原料特征图像，其中，所述多晶硅原料特征图像具有准缺陷区域定位坐标，包括：
对所述多晶硅原料图像进行数字化，获得多晶硅原料数字图像；
对所述多晶硅原料数字图像进行灰度区域生长，生成灰度区域生长结果；
对所述灰度区域生长结果的岛屿灰度区域进行边缘坐标提取，标记所述准缺陷区域定位坐标。
6.如权利要求5所述的方法，其特征在于，对所述多晶硅原料数字图像进行灰度区域生长，生成灰度区域生长结果，包括：
所述第一平台的第二预设区域固定有正样本多晶硅原料，获得正样本多晶硅原料数字图像，其中，所述正样本多晶硅原料数字图像具有集中灰度值；
获取所述多晶硅原料数字图像的第一像素点灰度；
当所述集中灰度值和所述第一像素点灰度的灰度偏差小于或等于预设灰度偏差时，将所述第一像素点灰度添加进海域灰度区域，其中，所述海域灰度区域表征多晶硅原料质量合格的像素区域；
当所述集中灰度值和所述第一像素点灰度的灰度偏差大于所述预设灰度偏差时，将所述第一像素点灰度添加进岛屿灰度区域，其中，所述岛屿灰度区域多晶硅原料质量准异常的像素区域；
将所述海域灰度区域和所述岛屿灰度区域，添加进所述灰度区域生长结果。
7.如权利要求1所述的方法，其特征在于，根据所述凹凸特征值对所述多晶硅原料进行表面质量标识，生成表面质量标识信息，包括：
所述凹凸特征值包括凹特征值或凸特征值，其中，所述凹特征值包括凹坑深度，所述凸特征值表征凸起高度；
统计所述凹坑深度和所述凸起高度大于或等于预设数值的凹凸区域数量；
根据所述凹凸区域数量，调取质量分级表进行质量分级，生成所述质量标识信息，其中，所述质量分级表为预先设定的数据表。
8.如权利要求7所述的方法，其特征在于，根据所述凹凸区域数量，调取质量分级表进行质量分级，生成所述质量标识信息，包括：
当所述多晶硅原料为太阳能级多晶硅原料时，根据所述质量分级表对所述凹凸区域数量进行分类统计，获得第一凹凸区域数量、第二凹凸区域数量和第三凹凸区域数量：
当所述第一凹凸区域数量大于0或等于0，且所述第二凹凸区域数量等于0，且所述第三凹凸区域数量等于0，将所述质量标识信息存储为致密料；
当所述第二凹凸区域数量大于0，第三凹凸区域数量等于0，将所述质量标识信息存储为菜花料；
当所述第三凹凸区域数量大于0，将所述质量标识信息存储为珊瑚料；
当所述多晶硅原料为电子级多晶硅原料时，根据所述质量分级表对所述凹凸区域数量进行分类统计，获得第四凹凸区域数量和第五凹凸区域数量：
当所述第四凹凸区域数量大于0或等于0，且所述第五凹凸区域数量等于0，将所述质量标识信息存储为致密料；
当所述第五凹凸区域数量大于0，将所述质量标识信息存储为其他料。
9.多晶硅原料表面质量检测装置，其特征在于，包括：
平台调平模块，用于将多晶硅原料抓取至第一平台进行固定，调平所述第一平台，接收第一反馈信息；
图像采集模块，用于当所述第一反馈信息具有调平完成信号时，控制光照组件向所述第一平台照射垂直光，然后图像采集器扫描多晶硅原料，获取多晶硅原料图像；
图像预处理模块，用于对所述多晶硅原料图像进行灰度中心聚类，生成多晶硅原料特征图像，其中，所述多晶硅原料特征图像具有准缺陷区域定位坐标；
三维模型构建模块，用于控制立体扫描仪，基于所述准缺陷区域定位坐标对所述多晶硅原料进行扫描，生成多晶硅原料局部三维模型；
特征提取模块，用于遍历所述多晶硅原料局部三维模型，提取凹凸特征值；
质量标识模块，用于根据所述凹凸特征值对所述多晶硅原料进行质量标识，生成质量标识信息，其中，所述质量标识信息具有多晶硅原料表面质量类型标签，所述多晶硅原料质量类型标签包括致密料、菜花料和珊瑚料。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311554379.6A CN117269197B (zh) | 2023-11-21 | 2023-11-21 | 多晶硅原料表面质量检测方法及检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311554379.6A CN117269197B (zh) | 2023-11-21 | 2023-11-21 | 多晶硅原料表面质量检测方法及检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117269197A true CN117269197A (zh) | 2023-12-22 |
| CN117269197B CN117269197B (zh) | 2024-02-02 |
Family
ID=89218076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311554379.6A Active CN117269197B (zh) | 2023-11-21 | 2023-11-21 | 多晶硅原料表面质量检测方法及检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117269197B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1993005954A1 (en) * | 1991-09-17 | 1993-04-01 | Hepburn John T. Limited | Maintaining press platens in parallel relationship |
| JPH1074812A (ja) * | 1996-06-26 | 1998-03-17 | Hitachi Ltd | 被検査パターンの検査方法及び製造プロセス診断方法並びに半導体基板の製造方法 |
| WO1999036881A1 (en) * | 1998-01-16 | 1999-07-22 | Beaty Elwin M | Method and apparatus for three-dimensional inspection of electronic components |
| US6075880A (en) * | 1994-03-16 | 2000-06-13 | Jenoptik Technologie Gmbh | Method for detection of defects in the inspection of structured surfaces |
| KR20070080591A (ko) * | 2006-02-07 | 2007-08-10 | 주식회사 한택 | 라인센서 카메라를 이용한 반도체 기판의 결함검출장치 및방법 |
| WO2007097589A2 (en) * | 2006-02-23 | 2007-08-30 | Samsung Heavy Ind. Co., Ltd. | Weight balancer and pipe joining method |
| US7440607B1 (en) * | 2004-11-03 | 2008-10-21 | Kla-Tencor Corporation | Outlier substrate inspection |
| US20150130927A1 (en) * | 2012-05-16 | 2015-05-14 | Isra Vision Ag | Method and a device for the inspection of surfaces of an examined object |
| CN107580710A (zh) * | 2015-03-16 | 2018-01-12 | 科磊股份有限公司 | 用于增强检验工具的检验灵敏度的系统及方法 |
| US20200134810A1 (en) * | 2018-10-26 | 2020-04-30 | Taiwan Semiconductor Manufacturing Company Ltd. | Method and system for scanning wafer |
| CN113034464A (zh) * | 2021-03-23 | 2021-06-25 | 昆明理工大学 | 一种多背景下的液晶显示器缺陷视觉实时检测方法 |
| US20210233249A1 (en) * | 2020-01-27 | 2021-07-29 | Zebra Technologies Corporation | Methods for Unit Load Device (ULD) Localization |
| CN114910480A (zh) * | 2022-05-09 | 2022-08-16 | 北京工业大学 | 一种基于机器视觉的晶圆表面缺陷检测方法 |
| CN116645362A (zh) * | 2023-06-29 | 2023-08-25 | 日照鲁光电子科技有限公司 | 一种碳化硅晶圆的质量智能检测方法及系统 |
| CN116862914A (zh) * | 2023-09-04 | 2023-10-10 | 深圳长盛高精密五金有限公司 | 基于深度学习的金属轴表面缺陷识别方法及系统 |
-
2023
- 2023-11-21 CN CN202311554379.6A patent/CN117269197B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1993005954A1 (en) * | 1991-09-17 | 1993-04-01 | Hepburn John T. Limited | Maintaining press platens in parallel relationship |
| US6075880A (en) * | 1994-03-16 | 2000-06-13 | Jenoptik Technologie Gmbh | Method for detection of defects in the inspection of structured surfaces |
| JPH1074812A (ja) * | 1996-06-26 | 1998-03-17 | Hitachi Ltd | 被検査パターンの検査方法及び製造プロセス診断方法並びに半導体基板の製造方法 |
| WO1999036881A1 (en) * | 1998-01-16 | 1999-07-22 | Beaty Elwin M | Method and apparatus for three-dimensional inspection of electronic components |
| US7440607B1 (en) * | 2004-11-03 | 2008-10-21 | Kla-Tencor Corporation | Outlier substrate inspection |
| KR20070080591A (ko) * | 2006-02-07 | 2007-08-10 | 주식회사 한택 | 라인센서 카메라를 이용한 반도체 기판의 결함검출장치 및방법 |
| WO2007097589A2 (en) * | 2006-02-23 | 2007-08-30 | Samsung Heavy Ind. Co., Ltd. | Weight balancer and pipe joining method |
| US20150130927A1 (en) * | 2012-05-16 | 2015-05-14 | Isra Vision Ag | Method and a device for the inspection of surfaces of an examined object |
| CN107580710A (zh) * | 2015-03-16 | 2018-01-12 | 科磊股份有限公司 | 用于增强检验工具的检验灵敏度的系统及方法 |
| US20200134810A1 (en) * | 2018-10-26 | 2020-04-30 | Taiwan Semiconductor Manufacturing Company Ltd. | Method and system for scanning wafer |
| US20210233249A1 (en) * | 2020-01-27 | 2021-07-29 | Zebra Technologies Corporation | Methods for Unit Load Device (ULD) Localization |
| CN113034464A (zh) * | 2021-03-23 | 2021-06-25 | 昆明理工大学 | 一种多背景下的液晶显示器缺陷视觉实时检测方法 |
| CN114910480A (zh) * | 2022-05-09 | 2022-08-16 | 北京工业大学 | 一种基于机器视觉的晶圆表面缺陷检测方法 |
| CN116645362A (zh) * | 2023-06-29 | 2023-08-25 | 日照鲁光电子科技有限公司 | 一种碳化硅晶圆的质量智能检测方法及系统 |
| CN116862914A (zh) * | 2023-09-04 | 2023-10-10 | 深圳长盛高精密五金有限公司 | 基于深度学习的金属轴表面缺陷识别方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| TAKASHI FUYUKI EY，: "Photographic diagnosis of crystalline silicon solar cells utilizing electroluminescence", 《APPLIED PHYSICS A》, vol. 96, pages 189 - 196, XP019710487 * |
| 吴知梁: "颗粒多晶硅气泡强化脱氢机理与方法", 《矿冶》, vol. 31, no. 3, pages 29 - 40 * |
| 张鹏娟: "基于PSO⁃RBFNN 的太阳能电池片表面质量检测", 《现代电子技术》, vol. 43, no. 9, pages 83 - 87 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117269197B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11562473B2 (en) | Automated system and method for clarity measurements and clarity grading | |
| CN105388162B (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
| CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
| CN101995223B (zh) | 一种芯片外观检测方法及系统 | |
| CN111768365B (zh) | 基于卷积神经网络多特征融合的太阳能电池缺陷检测方法 | |
| CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及系统 | |
| CN102680414B (zh) | 基于机器视觉的红提葡萄自动分级装置及其方法 | |
| CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| AU2017349631B2 (en) | Belt inspection system and method | |
| CN104990925A (zh) | 一种基于梯度多阈值优化缺陷检测方法 | |
| CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
| CN102374993A (zh) | 集成电路封装片三维引脚外观检测单元及其检测方法 | |
| CN109540904A (zh) | 一种衬底表面宏观缺陷检测及分类系统 | |
| JP2014021973A (ja) | 画像処理装置 | |
| CN106290375A (zh) | 基于激光选区烧结技术的非接触式在线缺陷自动检测系统 | |
| CN107220969A (zh) | 产品灯位的测试方法及检测系统 | |
| CN107084992A (zh) | 一种基于机器视觉的胶囊检测方法及系统 | |
| CN111597904B (zh) | 用于隧道电缆支架倾斜的识别方法 | |
| CN117974601B (zh) | 基于模板匹配的硅片表面缺陷检测方法及系统 | |
| CN117929393A (zh) | 一种镜头缺陷检测方法、系统、处理器及存储介质 | |
| CN117269197B (zh) | 多晶硅原料表面质量检测方法及检测装置 | |
| CN107818556A (zh) | 电容式指纹采集系统的坏线自检测和自修复方法 | |
| CN102609699A (zh) | 一种激光扫描铸件工件号的识别装置和方法 | |
| CN111105413B (zh) | 一种智能火花塞外观缺陷检测系统 | |
| CN105572133A (zh) | 瑕疵检测方法及其装置 |
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 |