CN117611590B - 一种缺陷轮廓复合检测方法、装置、设备及存储介质 - Google Patents
一种缺陷轮廓复合检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117611590B CN117611590B CN202410095440.3A CN202410095440A CN117611590B CN 117611590 B CN117611590 B CN 117611590B CN 202410095440 A CN202410095440 A CN 202410095440A CN 117611590 B CN117611590 B CN 117611590B
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- pixel points
- edge
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 332
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000002131 composite material Substances 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000002950 deficient Effects 0.000 claims description 53
- 238000012937 correction Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 21
- 239000004065 semiconductor Substances 0.000 claims description 19
- 230000002146 bilateral effect Effects 0.000 claims description 9
- 230000003628 erosive effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013329 compounding Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 38
- 230000000694 effects Effects 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 29
- 235000012431 wafers Nutrition 0.000 description 22
- 238000003708 edge detection Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000010339 dilation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000016776 visual perception Effects 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种缺陷轮廓复合检测方法、装置、设备及存储介质，应用在人工智能领域，其中方法包括：获取待检测图像，识别待检测图像中的缺陷，生成待检测子图；识别缺陷对应的第一缺陷区域，生成第一缺陷区域对应的第一缺陷轮廓；通过对待检测子图执行数字图像处理操作，识别缺陷对应的第二缺陷区域，生成第二缺陷区域对应的第二缺陷轮廓；确定第一缺陷区域和第二缺陷区域对应的差异像素点，对差异像素点进行修正，生成修正缺陷轮廓。本申请具有的技术效果是：通过使用预测模型识别缺陷轮廓，结合数字图像处理对缺陷轮廓进行精细调整，既提高了处理效率，又提高了对缺陷轮廓修正的精确性。
Description
技术领域
本申请涉及集成人工智能的技术领域，尤其是涉及一种缺陷轮廓复合检测方法、装置、设备及存储介质。
背景技术
半导体晶圆是芯片制造的起点，其质量和性能直接影响到最终芯片的性能和稳定性。在晶圆的制造过程中，可能会出现各种缺陷，如气泡、裂纹、杂质等，这些缺陷可能导致芯片的性能下降甚至完全失效，晶圆缺陷的轮廓可以帮助生产厂家追踪和定位晶圆上的问题，及时发现潜在的质量隐患，因此，精确而高效地修正半导体晶圆缺陷轮廓成为确保半导体产品质量的重要环节。
现有技术主要通过OpenCV（Open Source Computer Vision）实现对晶圆缺陷的修正，包括图像预处理、特征提取、目标检测和识别、形状分析与测量、图像配准和校正，以及相机标定和投影变换等技术。
然而，鉴于OpenCV在目标分类与识别方面的学习能力不足，以及在实时处理和处理大规模图像数据时的效率局限，使得OpenCV在复杂场景中处理晶圆缺陷的能力受限。
发明内容
为了使半导体晶圆缺陷轮廓修正在不同场景下都能取得较为理想的效果，本申请提供一种缺陷轮廓复合检测方法、装置、设备及存储介质。
第一方面，本申请提供一种缺陷轮廓复合检测方法，采用如下的技术方案：所述方法包括：
获取待检测图像，识别所述待检测图像中的缺陷，生成所述缺陷的目标检测框，根据所述目标检测框所在的区域生成待检测子图；
识别所述缺陷对应的第一缺陷区域，生成所述第一缺陷区域对应的第一缺陷轮廓；
通过对所述待检测子图执行数字图像处理操作，识别所述缺陷对应的第二缺陷区域，生成所述第二缺陷区域对应的第二缺陷轮廓；
确定所述第一缺陷区域和所述第二缺陷区域对应的差异像素点，对所述差异像素点进行修正，生成修正缺陷轮廓。
在一个具体的可实施方案中，所述识别所述缺陷对应的第一缺陷区域，生成所述第一缺陷区域对应的第一缺陷轮廓包括：
对所述待检测子图中像素点进行判断，得到每个像素点的类别信息，所述类别信息包括缺陷像素点或背景像素点；
基于所述缺陷像素点，确定所述待检测子图中的第一缺陷区域；
将位于所述第一缺陷区域外围的缺陷像素点确定为所述第一缺陷区域对应的第一缺陷轮廓。
在一个具体的可实施方案中，所述通过对所述待检测子图执行数字图像处理操作，识别所述缺陷对应的第二缺陷区域，生成所述第二缺陷区域对应的第二缺陷轮廓包括：
对所述待检测子图执行去噪及边缘提取操作，识别所述待检测子图对应的第二缺陷区域，生成与所述第二缺陷区域对应的边缘图像；
通过对所述边缘图像中的像素点进行连通域过滤，去除所述边缘图像中的假边缘；
结合膨胀操作和侵蚀操作，连接所述边缘图像中断裂的边缘；
基于所述边缘图像中能够进行封闭连接的像素点，提取所述边缘图像的若干像素点轮廓，并将轮廓内面积最大的所述像素点轮廓确定为第二缺陷轮廓。
在一个具体的可实施方案中，所述对所述待检测子图执行去噪及边缘提取操作，识别所述待检测子图对应的第二缺陷区域，生成与所述第二缺陷区域对应的边缘图像包括：
通过对所述待检测子图中RGB通道赋予权重的方式，将所述待检测子图转换为灰度图像；
结合双边滤波和高斯滤波，去除所述灰度图像中的噪声；
对所述灰度图像执行边缘提取操作，将提取出的边缘内的区域确定为第二缺陷区域，生成所述第二缺陷区域对应的边缘图像。
在一个具体的可实施方案中，所述对所述灰度图像执行边缘提取操作，将提取出的边缘内的区域确定为第二缺陷区域，生成所述第二缺陷区域对应的边缘图像包括：
计算所述灰度图像中像素点对应的梯度强度；
比较所述梯度强度与预设的高低阈值，确认强边缘像素点和弱边缘像素点；
通过追踪与所述强边缘像素点直接或间接相连的弱边缘像素点，提取所述灰度图像中缺陷轮廓；
将所述灰度图像中缺陷轮廓内的区域确定为第二缺陷区域，生成所述第二缺陷区域对应的边缘图像。
在一个具体的可实施方案中，所述确定所述第一缺陷区域和所述第二缺陷区域对应的差异像素点包括：
确定所述第一缺陷区域所在像素点和所述第二缺陷区域所在像素点的交集；
确定所述第一缺陷区域所在像素点和所述第二缺陷区域所在像素点的并集；
将所述并集对应的像素点与所述交集对应的像素点的差异像素点确定为差异像素点。
在一个具体的可实施方案中，所述对所述差异像素点进行修正，生成修正缺陷轮廓包括：
将所述交集对应的像素点确定为缺陷像素点，将所述并集之外的像素点确定为背景像素点；
计算所述缺陷像素点的第一平均RGB值，计算所述背景像素点的第二平均RGB值；
计算所述差异像素点与所述第一平均RGB值的第一距离，计算所述差异像素点与所述第二平均RGB值的第二距离；
将所述第一距离小于所述第二距离的像素点，确定为缺陷像素点；
在所述缺陷像素点中，将位于外围的缺陷像素点确定为修正缺陷轮廓。
第二方面，本申请提供一种半导体晶圆缺陷轮廓修正装置，采用如下技术方案：所述装置包括：
检测图像获取模块，用于获取待检测图像，识别所述待检测图像中的缺陷，生成所述缺陷的目标检测框，根据所述目标检测框所在的区域生成待检测子图；
第一缺陷识别模块，用于识别所述缺陷对应的第一缺陷区域，生成所述第一缺陷区域对应的第一缺陷轮廓；
第二缺陷识别模块，用于通过对所述待检测子图执行数字图像处理操作，识别所述缺陷对应的第二缺陷区域，生成所述第二缺陷区域对应的第二缺陷轮廓；
缺陷轮廓修正模块，用于确定所述第一缺陷区域和所述第二缺陷区域对应的差异像素点，对所述差异像素点进行修正，生成修正缺陷轮廓。
第三方面，本申请提供一种计算机设备，采用如下技术方案：包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如上述任一种缺陷轮廓复合检测方法的计算机程序。
第四方面，本申请提供一种计算机可读存储介质，采用如下技术方案：存储有能够被处理器加载并执行上述任一种缺陷轮廓复合检测方法的计算机程序。
综上所述，本申请具有以下有益技术效果：
本方案使用缺陷的目标检测框来生成待检测子图，有助于提取缺陷的特征并减少处理的复杂性；通过对预测模型生成的缺陷轮廓和数字图像处理生成的缺陷轮廓进行结合，并对特定关键像素点针对性的调整，可以实现对轮廓的更精细提取，缓解了传统的数字图像处理方法难以适应所有场景及预测模型不够精细的问题；通过使用预测模型识别缺陷轮廓，保证了实时性和处理效率，同时结合数字图像处理对缺陷轮廓进行精细调整，又保证了缺陷轮廓的精确性，这种组合的方式既提高了处理效率，又保持了对缺陷轮廓修正的精确性，使得半导体晶圆缺陷轮廓修正在不同场景下都能取得较为理想的效果。
附图说明
图1是本申请实施例中缺陷轮廓复合检测方法的流程图。
图2是本申请实施例中用于说明AI和数字图像处理结合的示意图。
图3是本申请实施例中用于说明数字处理流程的示意图。
图4是本申请实施例中半导体晶圆缺陷轮廓修正装置的结构框图。
图5是本申请实施例中用于体现计算机设备的结构框图。
附图标记：401、检测图像获取模块；402、第一缺陷识别模块；403、第二缺陷识别模块；404、缺陷轮廓修正模块。
具体实施方式
以下结合图1-图5对本申请作进一步详细说明。
本申请实施例公开一种缺陷轮廓复合检测方法，该方法应用于半导体晶圆缺陷轮廓修正系统，半导体晶圆中的缺陷包括气泡、裂纹、杂质和针痕等，本实施例以针痕缺陷为例，半导体晶圆上的针痕缺陷是指晶圆表面出现的细长、线状的瑕疵或痕迹，通常由于制造或处理过程中的异常导致；半导体晶圆缺陷轮廓修正系统包括经过预训练的有监督学习算法，包括Yolox算法和Fpn算法，有监督学习算法通过深度学习从大量数据标注集中学得，例如Yolox算法负责学习待检测图像中缺陷的识别，Fpn算法通过判断像素点的类型（背景/缺陷）对缺陷进行实例分割，进而提取缺陷轮廓；半导体晶圆缺陷轮廓修正系统还包括缺陷轮廓修正单元，本申请实施例公开的一种缺陷轮廓复合检测方法的执行主体为上述缺陷轮廓修正单元。
如图1所示，该方法包括以下步骤：
S10，获取待检测图像，识别待检测图像中的缺陷，生成缺陷的目标检测框，根据目标检测框所在的区域生成待检测子图。
具体来说，待检测图像中包含若干缺陷，利用预训练好的Yolox算法，对待检测图像中的缺陷进行识别，一旦识别到缺陷，系统生成每个缺陷的目标检测框，该目标检测框是包围缺陷的外接矩形框；如图2所示，Fpn算法根据识别的缺陷的目标检测框截取待检测图像作为待检测子图，以便后续对缺陷进行更精细的处理和修正。
S20，识别缺陷对应的第一缺陷区域，生成第一缺陷区域对应的第一缺陷轮廓。
具体来说，有监督学习算法在待检测子图中，识别缺陷对应的像素点作为第一缺陷区域，通过对第一缺陷区域执行图像处理操作包括边缘检测或轮廓提取等，生成第一缺陷区域对应的第一缺陷轮廓，即AI模型预测的缺陷轮廓。
S30，通过对待检测子图执行数字图像处理操作，识别缺陷对应的第二缺陷区域，生成第二缺陷区域对应的第二缺陷轮廓。
具体来说，针对AI模型预测出的轮廓不可控、无法灵活调整的问题，对待检测子图进行数字图像处理，包括去噪、边缘提取和边缘过滤等操作，和AI模型预测出的轮廓信息相结合，对特定关键像素点针对性微调；经过数字图像处理的待检测子图上，采用适当的图像处理算法，例如膨胀和侵蚀等，以识别第二缺陷区域以及第二缺陷区域对应的第二缺陷轮廓。
S40，确定第一缺陷区域和第二缺陷区域对应的差异像素点，对差异像素点进行修正，生成修正缺陷轮廓。
具体来说，将第一缺陷区域和第二缺陷区域进行比较，找出它们之间的差异像素点，这些差异可能是由于训练好的AI预测模型无法达到像素级别精确的需求导致的；系统对差异像素点进行修正操作，包括对差异像素点的判断和重新归类；在完成对差异像素点的修正后，系统再次进行轮廓提取，以生成修正后的缺陷轮廓，这个轮廓反映了对第一缺陷区域和第二缺陷区域差异的修正结果。
通过缺陷轮廓复合检测方法，结合Yolox算法和Fpn算法，系统能够在待检测图像中高效地识别缺陷、生成目标检测框，并利用Fpn算法实现缺陷目标的实例分割，进而提取缺陷轮廓，这种综合使用深度学习算法的方式提高了对复杂缺陷的识别和轮廓提取的能力；针对深度学习算法在轮廓控制方面的不足，采用数字图像处理技术对待检测子图进行优化，包括去噪、边缘提取和边缘过滤等，以获得更灵活、精确的缺陷轮廓，有效解决了深度学习算法在某些场景下的不可控性和调整困难以及无法适应像素级别精确要求的问题；引入了对第一缺陷区域和第二缺陷区域之间的差异像素点的修正步骤，通过判断、重新归类和修正操作，提高了修正缺陷轮廓的准确性，有助于消除因训练好的AI预测模型无法达到像素级别精确的需求导致的差异，使得最终的缺陷轮廓更加稳定和可靠。
在一个实施例中，为了提高缺陷轮廓的准确性，识别缺陷对应的第一缺陷区域，生成第一缺陷区域对应的第一缺陷轮廓的步骤可以被具体执行为：
使用训练好的学习算法，例如Fpn算法对待检测子图中像素点进行判断，得到每个像素点的类别信息，类别信息包括缺陷像素点或背景像素点；基于缺陷像素点，确定待检测子图中的第一缺陷区域，即被判断为缺陷像素点构成的连通区域；在确定了第一缺陷区域后，系统将位于第一缺陷区域外围的缺陷像素点确定为第一缺陷区域对应的第一缺陷轮廓，第一缺陷区域外围的缺陷像素点即与背景相邻的像素点。
通过本实施例，使用预训练好的学习算法对待检测子图中的像素点进行判断，能够高效且大致准确地区分缺陷像素点和背景像素点，充分发挥了深度学习在图像处理中的强大能力，提高了缺陷识别的效率和鲁棒性；通过将被判断为缺陷像素点构成的区域确定为第一缺陷区域，系统在保持缺陷完整性的同时，准确识别了缺陷的位置和大致形状，有助于后续的轮廓提取和修正操作；系统将位于第一缺陷区域外围的缺陷像素点确定为第一缺陷区域对应的第一缺陷轮廓，即与背景相邻的像素点，这样的精细化处理有助于提高缺陷轮廓的准确性，尤其是在处理缺陷与背景交界处的情况时，有望更好地捕捉缺陷的真实形状。
在一个实施例中，为了提高缺陷轮廓的准确性和适应性，通过对待检测子图执行数字图像处理操作，识别缺陷对应的第二缺陷区域，生成第二缺陷区域对应的第二缺陷轮廓的步骤可以被具体执行为：
使用滤波算法对待检测子图执行去噪操作，运用边缘检测算法对待检测子图执行边缘提取操作，利用去噪和边缘提取后的图像，分析图像中的像素点，确定其中可能属于第二缺陷区域的部分，作为待检测子图对应的第二缺陷区域，生成与第二缺陷区域对应的边缘图像。
由于半导体晶圆复杂的背景，在完成上述边缘提取的步骤后，仍然会存在一部分的假边缘，因此需要对边缘图像中的像素点进行连通性分析，去除边缘图像中的假边缘，具体包括：扫描边缘图像的每个像素，扫描通常从图像的左上角开始，逐行进行，当遇到一个前景像素时（例如像素值为255），检查其相邻的像素（根据连通域类型是4还是8来确定哪些像素是相邻的）来判断这个像素是否属于一个已经发现的连通区域，如果是，则该像素被赋予相同的标签，如果不是，即这个像素是新连通区域的第一个像素，则分配一个新的标签；边缘图像的每个像素点都会得到各自属于哪个连通域的标签，以此可以得到每个连通域的长度大小，对边缘图像计算连通组件时，可以选择连通域类型考虑像素点上下左右4个方向或是加上对角线之后的8个方向，当连通域的长度大小小于预设定的最小长度时，就将此连通域过滤以达到过滤掉较短边缘的目的；将过滤后的连通域，其标签所对应的像素点设置为白色，其余像素点设置为黑色，再与原始边缘图像逐像素地进行按位与操作，最终即可得到过滤掉较短（假）边缘的边缘图像。
在过滤后的边缘图像中，可能存在一些未闭合的边缘，对边缘图像应用闭运算可以连接断裂的边缘并对边缘做一定程度的平滑，即结合膨胀操作和侵蚀操作，连接边缘图像中断裂的边缘，具体包括：将边缘图像中缺陷轮廓所在像素点设定为前景目标，其他像素点设置为背景目标，使用一个预先定义好的结构元素，遍历整个图像，如果结构元素与图像中的前景像素有交集，则将结构元素覆盖的所有区域都设为前景像素，这一步会连接断裂的边缘，使得缺陷区域更加连续；对经过膨胀操作后的图像执行侵蚀操作；同样使用定义好的结构元素，遍历整个图像，只有当结构元素与图像重叠的区域都是前景像素时，中心像素才被保留为前景像素，否则它将变为背景像素，这一步会去除一些不必要的膨胀效果，使得边缘更加平滑。
基于边缘图像中能够进行封闭连接的像素点，提取边缘图像的若干像素点轮廓，得到若干与像素点轮廓对应的轮廓列表，并将轮廓内面积最大的像素点轮廓确定为第二缺陷轮廓。
通过本实施例，使用滤波算法进行去噪和边缘检测算法进行边缘提取，综合利用了两种算法的优势，使得对缺陷区域的识别更加精确和全面；采用边缘过滤的方法，通过标记和分析边缘图像中的连通区域，去除了假边缘，从而提高了对真实缺陷轮廓的准确性，减少了误判；通过闭运算和膨胀侵蚀操作，连接了断裂的边缘，实现了对缺陷轮廓的平滑处理，使得最终得到的轮廓更具连续性和真实性；通过计算像素点轮廓的包围面积，确定了第二缺陷轮廓，灵活地适应不同形状的缺陷，提高了缺陷轮廓的准确性和适应性。
在一个实施例中，为了有助于准确地定位缺陷，对待检测子图执行去噪及边缘提取操作，识别待检测子图对应的第二缺陷区域，生成与第二缺陷区域对应的边缘图像的步骤可以被具体执行为：
通过对待检测子图中RGB通道（即红、绿、蓝三通道）赋予权重的方式，将待检测子图转换为灰度图像，权重设置可以基于人眼对不同颜色的敏感度进行设置，人眼对绿色最为敏感，其次是红色，最后是蓝色，因此将彩色图像转换为灰度图像时，绿色的权重最大，红色的次之，蓝色的最小，例如对红、绿、蓝分别赋予权重0.299、0.587和0.114，则Gray(R,G,B)=0.299×R+0.587×G+0.114×B；如图3所示，结合双边滤波和高斯滤波，去除灰度图像中的噪声，具体包括：考虑像素之间的空间距离和像素值之间的灰度差异，使用双边滤波器对灰度图像进行处理，使得能够在平滑图像的同时保留边缘信息；在双边滤波后，继续应用高斯滤波，以进一步减少图像中的高频噪声，根据实际需求，调整双边滤波和高斯滤波的参数，如空间域标准差、灰度域标准差等，以达到最佳的去噪效果；对灰度图像执行边缘提取操作，包括使用Canny边缘检测算法对灰度图像进行边缘提取，将Canny边缘检测得到的二值图像中边缘内的区域确定为第二缺陷区域，生成第二缺陷区域对应的边缘图像。
通过本实施例，使用基于人眼对不同颜色的敏感度的权重设置，考虑了人眼对于绿色的最高敏感度，红色次之，蓝色最小，这样的权重设置更符合人眼对图像感知的实际情况，有助于提高图像处理的质量；双边滤波器的使用考虑了像素之间的空间距离和像素值之间的灰度差异，有助于平滑图像同时保留边缘信息，结合高斯滤波，可以进一步减少图像中的高频噪声，提高图像的清晰度，这种联合应用的方式有效地去除了噪声，同时保持了图像的细节；根据实际需求调整双边滤波和高斯滤波的参数，如空间域标准差、灰度域标准差等，这种参数的可调整性使得方案更具灵活性，可以根据不同场景的要求进行优化，适应不同类型的图像和噪声水平；使用Canny边缘检测算法进行边缘提取，通过将Canny边缘检测结果应用于图像，得到的二值图像中的边缘内的区域确定为第二缺陷区域，有助于准确地定位缺陷。
在一个实施例中，为了提高边缘的准确性，对灰度图像执行边缘提取操作，将提取出的边缘内的区域确定为第二缺陷区域，生成第二缺陷区域对应的边缘图像的步骤可以被具体执行为：
首先利用Sobel算子计算灰度图像中像素点水平和垂直方向的梯度，通过这两个梯度可以计算出灰度图像整体的梯度强度和梯度方向；对于每个像素，检查其在当前梯度方向上的邻居，如果当前像素的梯度强度不是其邻域中的最大值，则将该像素的梯度设置为0，确保只有最尖锐的边缘被保留；之后，根据图像特征，设定两个梯度强度的高低阈值，比较像素点的梯度强度与高低阈值的大小，强度高于高阈值的像素被认为是强边缘，强度低于低阈值的像素被直接舍弃，而介于两个阈值之间的像素被标记为弱边缘，在后续的边缘追踪中，通过追踪与强边缘像素点直接或间接相连的弱边缘像素点，提取灰度图像中缺陷轮廓，即保留与强边缘像素直接或间接相连的弱边缘像素，舍弃其他所有弱边缘像素，确保只有与明确边缘相连的潜在边缘被保留，其中，与强边缘像素间接相连指弱边缘像素与强边缘像素之间的连接不是直接的，而是通过其他弱边缘像素形成的一条路径，即一个弱边缘像素即使不是直接与一个强边缘像素相邻，但如果它可以通过一系列弱边缘像素与一个强边缘像素相连，则这个弱边缘像素也会被保留，获取真实和连续的图像边缘；将灰度图像中图像缺陷轮廓边缘内的区域确定为第二缺陷区域，生成第二缺陷区域对应的边缘图像。
通过本实施例，通过计算像素点在水平和垂直方向上的梯度，可以获取图像的边缘信息，使用Sobel算子进行梯度计算，有助于准确捕捉图像中的边缘；在梯度计算后，对每个像素点的梯度强度进行筛选，通过保留梯度方向上邻域内梯度强度最大的像素点，确保只有最尖锐的边缘被保留，从而提高边缘的准确性；引入了两个梯度强度的高低阈值，通过比较像素点的梯度强度与这两个阈值的大小，将像素点分为强边缘、被舍弃的边缘和被标记的弱边缘，有助于有效区分边缘的强度，提高了边缘检测的灵敏度和准确性；通过对弱边缘像素点进行追踪，可以获取与强边缘像素直接或间接相连的弱边缘像素点，这种边缘追踪的方式使得弱边缘像素点能够通过一系列路径与强边缘像素点相连，从而形成真实和连续的图像边缘；通过保留与强边缘像素直接或间接相连的弱边缘像素，实现了对图像中缺陷轮廓的提取，有助于获取图像中真实的缺陷边缘，减少了噪声和非缺陷区域的干扰。
在一个实施例中，为了确保对差异像素点的准确定位，确定第一缺陷区域和第二缺陷区域对应的差异像素点的步骤可以被具体执行为：
遍历第一缺陷区域的像素点，将其坐标加入第一缺陷像素点集合，遍历第二缺陷区域的像素点，将其坐标加入第二缺陷像素点集合；确定第一缺陷区域所在像素点和第二缺陷区域所在像素点的交集，即通过对比第一缺陷像素点集合和第二缺陷像素点集合，找到它们的交集，即同时存在于两个集合中的像素点坐标；合并第一缺陷像素点集合和第二缺陷像素点集合，确定第一缺陷区域所在像素点和第二缺陷区域所在像素点的并集，即包含两个集合所有元素的集合；通过对比并集和交集，将并集对应的像素点与交集对应的像素点的差异像素点确定为差异像素点，即并集中存在但交集中不存在的像素点坐标；根据实际需求，可以将差异像素点标记为特定的颜色，或者进行其他后续处理。
通过本实施例，使用集合来管理第一缺陷和第二缺陷区域的像素点，提高了对这些像素点的遍历和处理效率；利用集合操作，能够准确地计算出缺陷区域的交集和并集，确保了对差异像素点的准确定位；将差异像素点标记为特定的颜色或进行其他后续处理，可以帮助用户或算法更直观地识别和理解缺陷修正的区域；这种集合操作的方法在不同类型的图像处理场景中都可以灵活应用，具有一定的通用性；通过关注于两个区域之间的差异，不仅仅是特定缺陷的形状或特征，可以适应不同类型的缺陷。
在一个实施例中，为了实现一种动态调整的修正策略，对差异像素点进行修正，生成修正缺陷轮廓的步骤可以被具体执行为：
将交集对应的像素点确定为缺陷像素点C0，即AI模型和数字图像处理都认为是属于缺陷所在的像素点，将并集之外的像素点确定为背景像素点C1，即AI模型和数字图像处理都认为是背景的像素点所构成的集合；重新判定AI模型和数字图像处理判断不统一的像素点的归属，考虑到最终的缺陷轮廓效果都是以人眼的视觉感知为判断依据，因此选择色彩信息最丰富的待检测子图原图，对集合C0中的像素点计算平均RGB值M0，对集合C1中的像素点计算平均RGB值M1（其中M0，M1都是3维向量）；使用L2范数来度量差异像素点与M0的第一距离和差异像素点与M1的第二距离，这里的距离即相似度，距离越小代表相似度越高；当差异像素点与M0距离更近时，即像素点第一距离小于第二距离，则该像素点被判定为缺陷像素点，当距离与M1更近时，该像素点被判定为背景像素点；在缺陷像素点中，将位于外围的缺陷像素点确定为修正缺陷轮廓。
通过本实施例，考虑AI模型和数字图像处理判断不统一的像素点，结合原图像的色彩信息，使用平均RGB值进行判定，实现了基于多模态信息的修正，能够更全面地考虑图像的颜色和亮度等方面的信息，从而提高修正的准确性；使用L2范数计算距离，即欧几里得距离，作为相似度度量，这样的度量方式更加全面，考虑了每个颜色通道的差异，从而更好地反映了像素点之间的颜色相似度；通过计算差异像素点与M0、M1的距离，并动态选择距离更近的作为修正的依据，实现了一种动态调整的修正策略，这种策略能够更好地适应不同图像和不同修正情况，提高了算法的鲁棒性；在缺陷像素点中，将位于外围的缺陷像素点确定为修正缺陷轮廓。这样的处理方式更符合人眼对缺陷边缘的感知，提高了修正后缺陷轮廓的真实性。
图1是一个实施例中缺陷轮廓复合检测方法的流程示意图。应该理解的是，虽然图1流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行；除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行；并且图1的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于上述方法，本申请实施例还公开一种半导体晶圆缺陷轮廓修正装置。
参照图4，该装置包括以下模块：
检测图像获取模块401，用于获取待检测图像，识别待检测图像中的缺陷，生成缺陷的目标检测框，根据目标检测框所在的区域生成待检测子图；
第一缺陷识别模块402，用于识别缺陷对应的第一缺陷区域，生成第一缺陷区域对应的第一缺陷轮廓；
第二缺陷识别模块403，用于通过对待检测子图执行数字图像处理操作，识别缺陷对应的第二缺陷区域，生成第二缺陷区域对应的第二缺陷轮廓；
缺陷轮廓修正模块404，用于确定第一缺陷区域和第二缺陷区域对应的差异像素点，对差异像素点进行修正，生成修正缺陷轮廓。
在一个实施例中，第一缺陷识别模块402，具体用于对待检测子图中像素点进行判断，得到每个像素点的类别信息，类别信息包括缺陷像素点或背景像素点；基于缺陷像素点，确定待检测子图中的第一缺陷区域；将位于第一缺陷区域外围的缺陷像素点确定为第一缺陷区域对应的第一缺陷轮廓。
在一个实施例中，第二缺陷识别模块403，具体用于对待检测子图执行去噪及边缘提取操作，识别待检测子图对应的第二缺陷区域，生成与第二缺陷区域对应的边缘图像；通过对边缘图像中的像素点进行连通域过滤，去除边缘图像中的假边缘；结合膨胀操作和侵蚀操作，连接边缘图像中断裂的边缘；基于边缘图像中能够进行封闭连接的像素点，提取边缘图像的若干像素点轮廓，并将轮廓内面积最大的像素点轮廓确定为第二缺陷轮廓。
在一个实施例中，第二缺陷识别模块403，具体用于通过对待检测子图中RGB通道赋予权重的方式，将待检测子图转换为灰度图像；结合双边滤波和高斯滤波，去除灰度图像中的噪声；对灰度图像执行边缘提取操作，将提取出的边缘内的区域确定为第二缺陷区域，生成第二缺陷区域对应的边缘图像。
在一个实施例中，第二缺陷识别模块403，具体用于计算灰度图像中像素点对应的梯度强度；比较梯度强度与预设的高低阈值，确认强边缘像素点和弱边缘像素点；通过追踪与强边缘像素点直接或间接相连的弱边缘像素点，提取灰度图像中缺陷轮廓；将灰度图像中缺陷轮廓内的区域确定为第二缺陷区域，生成第二缺陷区域对应的边缘图像。
在一个实施例中，缺陷轮廓修正模块404，具体用于确定第一缺陷区域所在像素点和第二缺陷区域所在像素点的交集；确定第一缺陷区域所在像素点和第二缺陷区域所在像素点的并集；将并集对应的像素点与交集对应的像素点的差异像素点确定为差异像素点。
在一个实施例中，缺陷轮廓修正模块404，具体用于将交集对应的像素点确定为缺陷像素点，将并集之外的像素点确定为背景像素点；计算缺陷像素点的第一平均RGB值，计算背景像素点的第二平均RGB值；计算差异像素点与第一平均RGB值的第一距离，计算差异像素点与第二平均RGB值的第二距离；将第一距离小于第二距离的像素点，确定为缺陷像素点；在缺陷像素点中，将位于外围的缺陷像素点确定为修正缺陷轮廓。
本申请实施例提供的半导体晶圆缺陷轮廓修正装置，可以应用于如上述实施例中提供的缺陷轮廓复合检测方法，相关细节参考上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
需要说明的是：本申请实施例中提供的半导体晶圆缺陷轮廓修正装置在进行半导体晶圆缺陷轮廓修正时，仅以上述各功能模块/功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块/功能单元完成，即将半导体晶圆缺陷轮廓修正装置的内部结构划分成不同的功能模块/功能单元，以完成以上描述的全部或者部分功能。另外，上述方法实施例提供的缺陷轮廓复合检测方法的实施方式与本实施例提供的半导体晶圆缺陷轮廓修正装置的实施方式属于同一构思，本实施例提供的半导体晶圆缺陷轮廓修正装置的具体实现过程详见上述方法实施例，这里不再赘述。
本申请实施例还公开一种计算机设备。
具体来说，如图5所示，该计算机设备可以是桌上型计算机、笔记本电脑、掌上电脑以及云端服务器等计算机设备。该计算机设备可以包括，但不限于，处理器和存储器。其中，处理器和存储器可以通过总线或者其他方式连接。其中，处理器可以为中央处理器（Central Processing Unit，CPU）。处理器还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific IntegratedCircuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、图形处理器（Graphics Processing Unit，GPU）、嵌入式神经网络处理器（Neural-network Processing Unit，NPU）或者其他专用的深度学习协处理器、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请上述实施方式中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施方式中的方法。存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储控制单元、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例还公开一种计算机可读存储介质。
具体来说，计算机可读存储介质用于存储计算机程序，计算机程序被处理器执行时，实现上述方法实施方式中的方法。本领域技术人员可以理解，实现本申请上述实施方式方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施方式的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（Random Access Memory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (4)
1.一种缺陷轮廓复合检测方法，其特征在于，所述方法包括：
获取待检测图像，识别所述待检测图像中的缺陷，生成所述缺陷的目标检测框，根据所述目标检测框所在的区域生成待检测子图；
对所述待检测子图中像素点进行判断，得到每个像素点的类别信息，所述类别信息包括缺陷像素点或背景像素点；基于所述缺陷像素点，确定所述待检测子图中的第一缺陷区域；将位于所述第一缺陷区域外围的缺陷像素点确定为所述第一缺陷区域对应的第一缺陷轮廓；
对所述待检测子图执行去噪及边缘提取操作，识别所述待检测子图对应的第二缺陷区域，生成与所述第二缺陷区域对应的边缘图像；通过对所述边缘图像中的像素点进行连通域过滤，去除所述边缘图像中的假边缘；结合膨胀操作和侵蚀操作，连接所述边缘图像中断裂的边缘；基于所述边缘图像中能够进行封闭连接的像素点，提取所述边缘图像的若干像素点轮廓，并将轮廓内面积最大的所述像素点轮廓确定为第二缺陷轮廓；
确定所述第一缺陷区域和所述第二缺陷区域对应的差异像素点，对所述差异像素点进行修正，生成修正缺陷轮廓；
所述对所述待检测子图执行去噪及边缘提取操作，识别所述待检测子图对应的第二缺陷区域，生成与所述第二缺陷区域对应的边缘图像包括：
通过对所述待检测子图中RGB通道赋予权重的方式，将所述待检测子图转换为灰度图像；
结合双边滤波和高斯滤波，去除所述灰度图像中的噪声；
对所述灰度图像执行边缘提取操作，将提取出的边缘内的区域确定为第二缺陷区域，生成所述第二缺陷区域对应的边缘图像；
所述对所述灰度图像执行边缘提取操作，将提取出的边缘内的区域确定为第二缺陷区域，生成所述第二缺陷区域对应的边缘图像包括：
计算所述灰度图像中像素点对应的梯度强度；
比较所述梯度强度与预设的高低阈值，确认强边缘像素点和弱边缘像素点；
通过追踪与所述强边缘像素点直接或间接相连的弱边缘像素点，提取所述灰度图像中缺陷轮廓；
将所述灰度图像中缺陷轮廓内的区域确定为第二缺陷区域，生成所述第二缺陷区域对应的边缘图像；
所述确定所述第一缺陷区域和所述第二缺陷区域对应的差异像素点包括：
确定所述第一缺陷区域所在像素点和所述第二缺陷区域所在像素点的交集；
确定所述第一缺陷区域所在像素点和所述第二缺陷区域所在像素点的并集；
将所述并集对应的像素点与所述交集对应的像素点的差异像素点确定为差异像素点；
所述对所述差异像素点进行修正，生成修正缺陷轮廓包括：
将所述交集对应的像素点确定为缺陷像素点，将所述并集之外的像素点确定为背景像素点；
计算所述缺陷像素点的第一平均RGB值，计算所述背景像素点的第二平均RGB值；
计算所述差异像素点与所述第一平均RGB值的第一距离，计算所述差异像素点与所述第二平均RGB值的第二距离；
将所述第一距离小于所述第二距离的像素点，确定为缺陷像素点；
在所述缺陷像素点中，将位于外围的缺陷像素点确定为修正缺陷轮廓。
2.一种半导体晶圆缺陷轮廓修正装置，用于实现权利要求1所述的缺陷轮廓复合检测方法，其特征在于，所述装置包括：
检测图像获取模块，用于获取待检测图像，识别所述待检测图像中的缺陷，生成所述缺陷的目标检测框，根据所述目标检测框所在的区域生成待检测子图；
第一缺陷识别模块，用于对所述待检测子图中像素点进行判断，得到每个像素点的类别信息，所述类别信息包括缺陷像素点或背景像素点；基于所述缺陷像素点，确定所述待检测子图中的第一缺陷区域；将位于所述第一缺陷区域外围的缺陷像素点确定为所述第一缺陷区域对应的第一缺陷轮廓；
第二缺陷识别模块，用于对所述待检测子图执行去噪及边缘提取操作，识别所述待检测子图对应的第二缺陷区域，生成与所述第二缺陷区域对应的边缘图像；通过对所述边缘图像中的像素点进行连通域过滤，去除所述边缘图像中的假边缘；结合膨胀操作和侵蚀操作，连接所述边缘图像中断裂的边缘；基于所述边缘图像中能够进行封闭连接的像素点，提取所述边缘图像的若干像素点轮廓，并将轮廓内面积最大的所述像素点轮廓确定为第二缺陷轮廓；
缺陷轮廓修正模块，用于确定所述第一缺陷区域和所述第二缺陷区域对应的差异像素点，对所述差异像素点进行修正，生成修正缺陷轮廓。
3.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1所述方法的计算机程序。
4.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410095440.3A CN117611590B (zh) | 2024-01-24 | 2024-01-24 | 一种缺陷轮廓复合检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410095440.3A CN117611590B (zh) | 2024-01-24 | 2024-01-24 | 一种缺陷轮廓复合检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117611590A CN117611590A (zh) | 2024-02-27 |
| CN117611590B true CN117611590B (zh) | 2024-04-09 |
Family
ID=89958381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410095440.3A Active CN117611590B (zh) | 2024-01-24 | 2024-01-24 | 一种缺陷轮廓复合检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117611590B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117852663A (zh) * | 2024-03-07 | 2024-04-09 | 国开启科量子技术(安徽)有限公司 | 离子寻址装置及离子阱量子计算机 |
| CN117911400A (zh) * | 2024-03-14 | 2024-04-19 | 深圳市壹倍科技有限公司 | 一种晶圆缺陷的确定方法、装置、计算机设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113989305A (zh) * | 2021-12-27 | 2022-01-28 | 城云科技（中国）有限公司 | 目标语义分割方法及应用其的街道目标异常检测方法 |
| CN116228651A (zh) * | 2022-12-23 | 2023-06-06 | 宁波海棠信息技术有限公司 | 一种布匹缺陷检测方法、系统、设备及介质 |
| CN116580185A (zh) * | 2023-05-11 | 2023-08-11 | 上海致景信息科技有限公司 | 一种基于纹理的缺陷检测方法、系统、设备、及介质 |
| CN117115130A (zh) * | 2023-09-12 | 2023-11-24 | 长川科技(苏州)有限公司 | 一种晶圆边缘缺陷检测方法及装置 |
| CN117252861A (zh) * | 2023-10-31 | 2023-12-19 | 西安芯晖检测技术有限公司 | 一种晶圆表面缺陷的检测方法、装置及系统 |
-
2024
- 2024-01-24 CN CN202410095440.3A patent/CN117611590B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113989305A (zh) * | 2021-12-27 | 2022-01-28 | 城云科技（中国）有限公司 | 目标语义分割方法及应用其的街道目标异常检测方法 |
| CN116228651A (zh) * | 2022-12-23 | 2023-06-06 | 宁波海棠信息技术有限公司 | 一种布匹缺陷检测方法、系统、设备及介质 |
| CN116580185A (zh) * | 2023-05-11 | 2023-08-11 | 上海致景信息科技有限公司 | 一种基于纹理的缺陷检测方法、系统、设备、及介质 |
| CN117115130A (zh) * | 2023-09-12 | 2023-11-24 | 长川科技(苏州)有限公司 | 一种晶圆边缘缺陷检测方法及装置 |
| CN117252861A (zh) * | 2023-10-31 | 2023-12-19 | 西安芯晖检测技术有限公司 | 一种晶圆表面缺陷的检测方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117611590A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117611590B (zh) | 一种缺陷轮廓复合检测方法、装置、设备及存储介质 | |
| CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
| US11797886B2 (en) | Image processing device, image processing method, and image processing program | |
| US7162073B1 (en) | Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object | |
| US9762773B2 (en) | Image processing apparatus and method for increasing sharpness of images | |
| CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
| CN110866932A (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
| US20230030689A1 (en) | Systems and methods for quantifying light flares in images | |
| US11068740B2 (en) | Particle boundary identification | |
| CN114863492A (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
| CN115272362A (zh) | 一种数字病理全场图像有效区域分割方法、装置 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN111783673B (zh) | 一种基于osvos的视频分割改进方法 | |
| CN114913112A (zh) | 晶圆双边缘检测方法和装置及设备 | |
| CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
| CN114820718A (zh) | 一种视觉动态定位跟踪算法 | |
| KR20220101373A (ko) | 영상 기반 pcb 결함 검출 장치 및 방법 | |
| CN113393399A (zh) | 一种用于Maya的颜色指定增强插件及其颜色增强方法 | |
| CN117635608B (zh) | 一种孔偏缺陷检测方法、装置、设备及存储介质 | |
| CN112052859A (zh) | 一种自由场景下的车牌精准定位方法及装置 | |
| CN112801112B (zh) | 一种图像二值化处理方法、装置、介质及设备 | |
| Chen et al. | Nighttime lane detection and vehicle position determination based on OpenCV | |
| CN107368771B (zh) | 一种定位车牌的方法及装置 | |
| CN117765014A (zh) | 图像边缘检测方法、装置、设备以及存储介质 | |
| CN117934973A (zh) | 智能摄像机图像处理方法、装置、设备及存储介质 |
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 |