CN117808809B - 晶圆表面缺陷的视觉检测方法及系统 - Google Patents
晶圆表面缺陷的视觉检测方法及系统 Download PDFInfo
- Publication number
- CN117808809B CN117808809B CN202410231487.8A CN202410231487A CN117808809B CN 117808809 B CN117808809 B CN 117808809B CN 202410231487 A CN202410231487 A CN 202410231487A CN 117808809 B CN117808809 B CN 117808809B
- Authority
- CN
- China
- Prior art keywords
- image
- wafer
- pixel
- defect
- target
- 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 177
- 238000000034 method Methods 0.000 title claims description 27
- 238000011179 visual inspection Methods 0.000 title claims description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000009499 grossing Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 235000012431 wafers Nutrition 0.000 claims description 326
- 239000011159 matrix material Substances 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000003706 image smoothing Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 229940095676 wafer product Drugs 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000002210 silicon-based material Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000000427 thin-film deposition Methods 0.000 description 1
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及产品缺陷检测技术领域,提供了一种晶圆表面缺陷的视觉检测方法及系统,包括:对晶圆视觉图像进行背景去除处理,得到无背景晶圆图像,提取无背景晶圆图像对应的图像尺寸参数,对无背景晶圆图像进行平滑处理,得到平滑晶圆图像;计算平滑晶圆图像对应的像素优化权重,对平滑晶圆图像进行图像优化处理,得到优化晶圆图像,对优化晶圆图像进行聚类分割处理,得到分割晶圆图像,对分割晶圆图像进行纹理去除,得到目标晶圆图像;计算图像形状矩之间的形状相似度;提取缺陷图像对应的缺陷特征,分析目标晶圆图像对应的缺陷类别,生成目标晶圆图像对应的缺陷检测结果。本发明在于提高晶圆表面缺陷检测的准确性。
Description
技术领域
本发明涉及产品缺陷检测技术领域,尤其涉及一种晶圆表面缺陷的视觉检测方法及系统。
背景技术
晶圆是指用于制造集成电路或其他电子器件的硅基底片,通常是由高纯度的单晶硅材料制成,具有平整的表面和规定的尺寸,晶圆的制造过程包括单晶生长、切割、抛光、清洗、光刻、刻蚀、薄膜沉积等步骤,为了避免晶圆产品对后续的使用造成影响,因此需要对晶圆产品进行表面缺陷检测,晶圆缺陷一般还会包含裂痕、划痕、凹坑、颗粒、脏污等。
现有的晶圆表面缺陷检测方法主要是采用目视检查或者超声波检测的方法,通过人眼观察和超声波的声学特性来实现缺陷检测,但是人眼在观察时容易出现视觉疲劳,出现检察缺漏的现象,并且容易受到其他声音的干扰,从而导致晶圆表面缺陷的检测准确性降低,因此需要一种能够提高晶圆表面缺陷检测准确性的方法。
发明内容
本发明提供一种晶圆表面缺陷的视觉检测方法及系统,其主要目的在于提高晶圆表面缺陷检测的准确性。
为实现上述目的,本发明提供的一种晶圆表面缺陷的视觉检测方法,包括:
采集待检测晶圆的晶圆视觉图像,对所述晶圆视觉图像进行背景去除处理,得到无背景晶圆图像,并提取所述无背景晶圆图像对应的图像尺寸参数,结合所述图像尺寸参数,对所述无背景晶圆图像进行平滑处理,得到平滑晶圆图像;
利用预设的优化函数计算所述平滑晶圆图像对应的像素优化权重,根据所述像素优化权重,对所述平滑晶圆图像进行图像优化处理,得到优化晶圆图像,对所述优化晶圆图像进行聚类分割处理,得到分割晶圆图像,对所述分割晶圆图像进行纹理去除,得到目标晶圆图像;
构建所述目标晶圆图像对应的图像形状矩,结合所述目标晶圆图像,计算所述图像形状矩之间的形状相似度,根据所述形状相似度,识别出所述目标晶圆图像中的缺陷图像;
识别所述缺陷图像中的缺陷位置,并提取所述缺陷图像对应的缺陷特征,根据所述缺陷特征,分析所述目标晶圆图像对应的缺陷类别,根据所述缺陷位置和所述缺陷类别,生成所述目标晶圆图像对应的缺陷检测结果。
可选地,所述结合所述图像尺寸参数,对所述无背景晶圆图像进行平滑处理,得到平滑晶圆图像,包括:
对所述晶圆视觉图像进行噪声识别,得到图像噪声;
根据所述图像噪声和所述图像尺寸参数,设置所述晶圆视觉图像对应的像素窗口尺寸;
计算所述晶圆视觉图像中每个像素对应的像素灰度值;
结合所述像素灰度值和所述像素窗口尺寸,对所述晶圆视觉图像进行平滑处理,得到平滑晶圆图像。
可选地,所述结合所述像素灰度值和所述像素窗口尺寸,对所述晶圆视觉图像进行平滑处理,得到平滑晶圆图像,包括:
通过下述公式对所述晶圆视觉图像进行平滑处理:
其中,A表示平滑晶圆图像,是图像生成函数,/>是取中位值函数,D表示像素窗口尺寸,/>表示坐标值为/>的像素点对应的像素灰度值。
可选地,所述利用预设的优化函数计算所述平滑晶圆图像中对应的像素优化权重,包括:
所述优化函数包括:
其中,E表示像素优化权重,表示平滑晶圆图像中第a个像素点对应的像素梯度,/>表示平滑晶圆图像中第a个像素点对应的平均梯度值,/>表示小数值,/>表示优化函数的初始学习率,/>表示平滑晶圆图像中第a个像素点对应的修正值。
可选地,所述构建所述目标晶圆图像对应的图像形状矩,包括:
识别所述目标晶圆图像对应的中心像素;
计算所述目标晶圆图像中每个像素与所述中心像素之间的连通距离;
根据所述连通距离,对所述像素距离进行标准化处理,得到标准连通距离;
根据所述标准连通距离,构建所述目标晶圆图像对应的图像形状矩。
可选地,所述计算所述目标晶圆图像中每个像素与所述中心像素之间的连通距离,包括:
通过下述公式计算所述目标晶圆图像中每个像素与所述中心像素之间的连通距离:
其中,H表示目标晶圆图像中每个像素与中心像素之间的连通距离,表示目标晶圆图像中坐标点为/>的像素值,/>和/>分别表示目标晶圆图像对应的坐标值中两个坐标轴的平均值,/>和/>表示目标晶圆图像中的像素组成的方阵尺度。
可选地,所述结合所述目标晶圆图像,计算所述图像形状矩之间的形状相似度,包括:
查询所述待检测晶圆对应的标准晶圆廓形,并检测所述目标晶圆图像中的实际晶圆廓形;
分别对所述标准晶圆廓形和所述实际晶圆廓形进行量化处理,得到第一廓形系数和第二廓形系数;
计算所述图像形状矩对应的平均矩值;
结合所述第一廓形系数、所述第二廓形系数以及所述平均矩值,计算所述图像形状矩之间的形状相似度。
可选地,所述结合所述第一廓形系数、所述第二廓形系数以及所述平均矩值,计算所述图像形状矩之间的形状相似度,包括:
通过下述公式计算所述图像形状矩之间的形状相似度:
其中,L表示图像形状矩之间的形状相似度,表示图像形状矩对应的序列号,/>表示图像形状矩的数量,/>表示第一廓形系数对应的导数,/>表示第二廓形系数中第/>个系数对应的导数,/>表示图像形状矩中第/>个形状矩对应的平均矩值。
可选地,所述提取所述缺陷图像对应的缺陷特征,包括:
对所述缺陷图像进行灰度转换处理,得到灰度缺陷图像,计算出所述灰度缺陷图像对应的图像像素值;
根据所述图像像素值,构建所述缺陷图像对应的图像灰度矩阵;
对所述图像灰度矩阵进行归一化处理,得到归一化灰度矩阵,计算所述归一化灰度矩阵对应的矩阵方差值;
根据所述矩阵方差值,对所述归一化灰度矩阵进行筛选处理,得到目标灰度矩阵;
提取所述目标灰度矩阵对应的矩阵特征,根据所述矩阵特征,得到所述缺陷图像对应的缺陷特征。
一种晶圆表面缺陷的视觉检测系统,其特征在于,所述系统包括:
图像平滑处理模块,用于采集待检测晶圆的晶圆视觉图像,对所述晶圆视觉图像进行背景去除处理,得到无背景晶圆图像,并提取所述无背景晶圆图像对应的图像尺寸参数,结合所述图像尺寸参数,对所述无背景晶圆图像进行平滑处理,得到平滑晶圆图像;
图像纹理去除模块,用于利用预设的优化函数计算所述平滑晶圆图像对应的像素优化权重,根据所述像素优化权重,对所述平滑晶圆图像进行图像优化处理,得到优化晶圆图像,对所述优化晶圆图像进行聚类分割处理,得到分割晶圆图像,对所述分割晶圆图像进行纹理去除,得到目标晶圆图像;
缺陷图像识别模块,用于构建所述目标晶圆图像对应的图像形状矩,结合所述目标晶圆图像,计算所述图像形状矩之间的形状相似度,根据所述形状相似度,识别出所述目标晶圆图像中的缺陷图像;
缺陷分析模块,用于识别所述缺陷图像中的缺陷位置,并提取所述缺陷图像对应的缺陷特征,根据所述缺陷特征,分析所述目标晶圆图像对应的缺陷类别,根据所述缺陷位置和所述缺陷类别,生成所述目标晶圆图像对应的缺陷检测结果。
本发明对所述晶圆视觉图像进行背景去除处理,可以减少背景图像中的干扰因素,避免降低后续图像的分析准确性,并且通过对所述无背景晶圆图像进行平滑处理,可以减少所述无背景晶圆图像的图像噪声,进而提高了图像质量,本发明通过利用预设的优化函数计算所述平滑晶圆图像对应的像素优化权重,以便于后续对所述平滑晶圆图像进行图像优化处理,进而提高所述分割晶圆图像的视觉质量,以此增强所述分割晶圆图像中的图像细节,提高了后续所述平滑晶圆图像进行聚类分割处理的准确性,本发明通过构建所述目标晶圆图像对应的图像形状矩,可以得到所述目标晶圆图像对应的形状特征信息,从而便于后续计算形状相似度,进而判断出所述图像形状矩之间的相似程度,以此提高缺陷识别的准确性,本发明通过提取所述缺陷图像对应的缺陷特征,从而可以对所述缺陷图像进行更深入的理解,以提高所述目标晶圆图像对应的缺陷类别分析的准确性。因此,本发明实施例提供的一种晶圆表面缺陷的视觉检测方法及系统,能够提高晶圆表面缺陷检测的准确性。
附图说明
图1为本发明一实施例提供的一种晶圆表面缺陷的视觉检测方法的流程示意图;
图2为本发明一实施例提供的一种晶圆表面缺陷的视觉检测系统的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种晶圆表面缺陷的视觉检测方法。本申请实施例中,所述一种晶圆表面缺陷的视觉检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述一种晶圆表面缺陷的视觉检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的一种晶圆表面缺陷的视觉检测方法的流程示意图。在本实施例中,所述一种晶圆表面缺陷的视觉检测方法包括步骤S1—S4。
S1、采集待检测晶圆的晶圆视觉图像,对所述晶圆视觉图像进行背景去除处理,得到无背景晶圆图像,并提取所述无背景晶圆图像对应的图像尺寸参数,结合所述图像尺寸参数,对所述无背景晶圆图像进行平滑处理,得到平滑晶圆图像。
本发明对所述晶圆视觉图像进行背景去除处理,可以减少背景图像中的干扰因素,避免降低后续图像的分析准确性,并且通过对所述无背景晶圆图像进行平滑处理,可以减少所述无背景晶圆图像的图像噪声,进而提高了图像质量,其中,所述晶圆视觉图像是晶圆产品对应的产品图像,所述图像尺寸参数是所述无背景晶圆图像的图像尺寸信息,如图像高度和宽度,所述平滑晶圆图像是所述无背景晶圆图像中的噪声经过去除后得到的图像,可选地,采集待检测晶圆的晶圆视觉图像可以通过摄像设备实现,如相机,对所述晶圆视觉图像进行背景去除处理可以通过帧差法实现。
作为本发明的一个实施例,所述结合所述图像尺寸参数,对所述无背景晶圆图像进行平滑处理,得到平滑晶圆图像,包括:对所述晶圆视觉图像进行噪声识别,得到图像噪声,根据所述图像噪声和所述图像尺寸参数,设置所述晶圆视觉图像对应的像素窗口尺寸,计算所述晶圆视觉图像中每个像素对应的像素灰度值,结合所述像素灰度值和所述像素窗口尺寸,对所述晶圆视觉图像进行平滑处理,得到平滑晶圆图像。
其中,所述图像噪声是所述无背景晶圆图像中存在的噪声,如高斯噪声或者盐噪声,所述像素窗口尺寸是所述晶圆视觉图像中的每个像素进行操作和计算的一个固定大小的矩形窗口,所述像素灰度值是所述晶圆视觉图像中每个像素对应的每个像素所对应的灰度级别。
可选的,对所述晶圆视觉图像进行噪声识别可以通过噪声识别工具实现,所述噪声识别工具是由脚本语言编译,可以通过Opencv中滑动条函数设置所述晶圆视觉图像对应的像素窗口尺寸,计算所述晶圆视觉图像中每个像素对应的像素灰度值的公式为:Gray =(Red + Green + Blue) / 3,Red、Green以及Blue分别代表红、绿、蓝三个通道。
进一步的,作为本发明的一个可选实施例,所述结合所述像素灰度值和所述像素窗口尺寸,对所述晶圆视觉图像进行平滑处理,得到平滑晶圆图像,包括:
通过下述公式对所述晶圆视觉图像进行平滑处理:
其中,A表示平滑晶圆图像,是图像生成函数,/>是取中位值函数,D表示像素窗口尺寸,/>表示坐标值为/>的像素点对应的像素灰度值。
S2、利用预设的优化函数计算所述平滑晶圆图像对应的像素优化权重,根据所述像素优化权重,对所述平滑晶圆图像进行图像优化处理,得到优化晶圆图像,对所述优化晶圆图像进行聚类分割处理,得到分割晶圆图像,对所述分割晶圆图像进行纹理去除,得到目标晶圆图像。
本发明通过利用预设的优化函数计算所述平滑晶圆图像对应的像素优化权重,以便于后续对所述平滑晶圆图像进行图像优化处理,进而提高所述分割晶圆图像的视觉质量,以此增强所述分割晶圆图像中的图像细节,提高了后续所述平滑晶圆图像进行聚类分割处理的准确性,其中,所述优化晶圆图像是所述分割晶圆图像经过优化处理后得到的图像。
作为本发明的一个实施例,所述利用预设的优化函数计算所述平滑晶圆图像中对应的像素优化权重,包括:
所述优化函数包括:
其中,E表示像素优化权重,表示平滑晶圆图像中第a个像素点对应的像素梯度,/>表示平滑晶圆图像中第a个像素点对应的平均梯度值,/>表示小数值,/>表示优化函数的初始学习率,/>表示平滑晶圆图像中第a个像素点对应的修正值。
本发明通过对所述优化晶圆图像进行聚类分割处理,以便于将所述优化晶圆图像分割成相似图像,从而便于后续的缺陷图像的识别,其中,所述分割晶圆图像是所述优化晶圆图像中的相似图像部分经过分割聚类后得到的图像,可选的,对所述优化晶圆图像进行聚类分割处理可以通过K-means聚类算法实现。
本发明通过对所述优化晶圆图像进行纹理去除,晶圆产品表面会有纹理,通过去除纹理可以简化所述优化晶圆图像的复杂程度,从而提高后续的缺陷识别精确度,其中,所述目标晶圆图像是所述分割晶圆图像中的产品表面纹理经过去除后得到的图像,可选的,对所述分割晶圆图像进行纹理去除可以通过L0梯度最小化算法。
S3、构建所述目标晶圆图像对应的图像形状矩,结合所述目标晶圆图像,计算所述图像形状矩之间的形状相似度,根据所述形状相似度,识别出所述目标晶圆图像中的缺陷图像。
本发明通过构建所述目标晶圆图像对应的图像形状矩,可以得到所述目标晶圆图像对应的形状特征信息,从而便于后续计算形状相似度,进而判断出所述图像形状矩之间的相似程度,以此提高缺陷识别的准确性,其中,所述图像形状矩是所述目标晶圆图像对应的图像形状属性。
作为本发明的一个实施例,所述构建所述目标晶圆图像对应的图像形状矩,包括:识别所述目标晶圆图像对应的中心像素,计算所述目标晶圆图像中每个像素与所述中心像素之间的连通距离,根据所述连通距离,对所述像素距离进行标准化处理,得到标准连通距离,根据所述标准连通距离,构建所述目标晶圆图像对应的图像形状矩。
其中,所述中心像素是所述目标晶圆图像中的中间像素点,所述连通距离表示所述目标晶圆图像中每个像素与所述中心像素之间的远近程度,所述标准连通距离是所述连通距离之间的尺度差异的影响经过消除后得到的距离值,使得不同大小和方向的图像之间具有可比性,同时增强了形状匹配中的可靠性和稳定性。
可选地,识别所述目标晶圆图像对应的中心像素可以通过可以通过识别工具,所述识别工具是由JAVA语言编译,对所述像素距离进行标准化处理可以通过最大最小值归一化方法实现,具体步骤为:F=(Fl-Fmin)/(Fmax-Fmin),其中F表示标准连通距离,Fl表示目标晶圆图像中第l个像素的连通距离,Fmin表示连通距离中的最小值,Fmax表示连通距离中的最大值,构建所述目标晶圆图像对应的图像形状矩可以通过矩阵函数实现,如zero矩阵函数。
可选的,作为本发明的一个可选实施例,所述计算所述目标晶圆图像中每个像素与所述中心像素之间的连通距离,包括:
通过下述公式计算所述目标晶圆图像中每个像素与所述中心像素之间的连通距离:
其中,H表示目标晶圆图像中每个像素与中心像素之间的连通距离,表示目标晶圆图像中坐标点为/>的像素值,/>和/>分别表示目标晶圆图像对应的坐标值中两个坐标轴的平均值,/>和/>表示目标晶圆图像中的像素组成的方阵尺度。
本发明通过结合所述目标晶圆图像,计算所述图像形状矩之间的形状相似度,可以了解所述图像形状矩之间的相似程度,从而便于后续的缺陷图像的识别,其中,所述形状相似度表示所述图像形状矩之间的相似程度。
作为本发明的一个实施例,所述结合所述目标晶圆图像,计算所述图像形状矩之间的形状相似度,包括:查询所述待检测晶圆对应的标准晶圆廓形,并检测所述目标晶圆图像中的实际晶圆廓形,分别对所述标准晶圆廓形和所述实际晶圆廓形进行量化处理,得到第一廓形系数和第二廓形系数,计算所述图像形状矩对应的平均矩值,结合所述第一廓形系数、所述第二廓形系数以及所述平均矩值,计算所述图像形状矩之间的形状相似度。
其中,所述标准晶圆廓形是所述待检测晶圆对应的标准晶圆形状,所述实际晶圆廓形是所述目标晶圆图像中晶圆对应的真实晶圆形状,所述第一廓形系数和所述第二廓形系数分别是所述标准晶圆廓形和所述实际晶圆廓形对应的数值表达,所述平均矩值是所述图像形状矩内的所有数值求平均值后得到的数值。
可选的,所述标准晶圆廓形可以通过所述待检测晶圆对应的标准参数库查询得到,所述标准参数库是记录了不同类型的晶圆的标准值,如廓形、体积以及重量等,检测所述目标晶圆图像中的实际晶圆廓形可以通过Canny边缘检测算法实现,对所述模板晶圆廓形和所述实际晶圆廓形进行量化处理可以通过计算所述模板晶圆廓形和所述实际晶圆廓形对应的廓形周长,根据得到的廓形周长作为第一廓形系数和第二廓形系数,计算所述图像形状矩对应的平均矩值可以通过average函数实现。
可选的,作为本发明的一个可选实施例,所述结合所述第一廓形系数、所述第二廓形系数以及所述平均矩值,计算所述图像形状矩之间的形状相似度,包括:
其中,L表示图像形状矩之间的形状相似度,表示图像形状矩对应的序列号,/>表示图像形状矩的数量,/>表示第一廓形系数对应的导数,/>表示第二廓形系数中第/>个系数对应的导数,/>表示图像形状矩中第/>个形状矩对应的平均矩值。
本发明通过根据所述形状相似度,识别出所述目标晶圆图像中的缺陷图像,可以得到所述目标晶圆图像中存在缺陷的图像,从而便于后续缺陷特征的提取,其中,所述缺陷图像是所述目标晶圆图像存在缺陷的图像,可选的,将所述形状相似度和预设的相似度阈值进行比较,若所述形状相似度大于预设的相似度阈值,则表示所述目标晶圆图像中不存在缺陷,若所述形状相似度大于预设的相似度阈值,则表示所述目标晶圆图像中存在缺陷。
S4、识别所述缺陷图像中的缺陷位置,并提取所述缺陷图像对应的缺陷特征,根据所述缺陷特征,分析所述目标晶圆图像对应的缺陷类别,根据所述缺陷位置和所述缺陷类别,生成所述目标晶圆图像对应的缺陷检测结果。
本发明通过提取所述缺陷图像对应的缺陷特征,从而可以对所述缺陷图像进行更深入的理解,以提高所述目标晶圆图像对应的缺陷类别分析的准确性,其中,所述缺陷位置是所述缺陷图像中存在缺陷的位置,所述缺陷特征是所述缺陷图像中的缺陷表征,可选地,识别所述缺陷图像中的缺陷位置可以通过缺陷检测算法,如Prewitt算法。
作为本发明的一个实施例,所述提取所述缺陷图像对应的缺陷特征,包括:对所述缺陷图像进行灰度转换处理,得到灰度缺陷图像,计算出所述灰度缺陷图像对应的图像像素值,根据所述图像像素值,构建所述缺陷图像对应的图像灰度矩阵,对所述图像灰度矩阵进行归一化处理,得到归一化灰度矩阵,计算所述归一化灰度矩阵对应的矩阵方差值,根据所述矩阵方差值,对所述归一化灰度矩阵进行筛选处理,得到目标灰度矩阵,提取所述目标灰度矩阵对应的矩阵特征,根据所述矩阵特征,得到所述缺陷图像对应的缺陷特征。
其中,所述灰度缺陷图像是所述缺陷图像中的像素只采用单一颜色表达的图像,所述图像像素值是所述灰度缺陷图像对应的像素大小,所述图像灰度矩阵是所述缺陷图像通过所述图像像素值构建的方阵,所述归一化灰度矩阵是所述图像灰度矩阵转换成同一标准后的矩阵,所述目标灰度矩阵是所述归一化灰度矩阵对应的所述矩阵方差值大于预设方差值的矩阵,所述矩阵特征是所述目标灰度矩阵对应的矩阵表征,如矩阵能量、矩阵对比度以及矩阵熵等。
可选的,对所述缺陷图像进行灰度转换处理可以通过平均法实现,计算出所述灰度缺陷图像对应的图像像素值可以通过cv2imread()函数实现,构建所述缺陷图像对应的图像灰度矩阵可以通过上述的zero矩阵函数实现,对所述图像灰度矩阵进行归一化处理可以通过高斯归一化方法实现,计算所述归一化灰度矩阵对应的矩阵方差值可以通过方差计算器实现,所述方差计算器是由编程语言编,可以通过计算所述目标灰度矩阵对应的特征值,以此得到所述目标灰度矩阵对应的矩阵特征。
本发明通过根据所述缺陷特征,分析所述目标晶圆图像对应的缺陷类别,可以了解所述目标晶圆图像对应的具体缺陷类型,从而便于后续制定缺陷对应的处理方法,其中,所述缺陷类别是所述目标晶圆图像的缺陷类型,如切割缺陷或者裂纹缺陷等,可选的,可以通过将所述缺陷特征和现有的已知缺陷库进行比对,以此分析出所述目标晶圆图像对应的缺陷类别。
本发明对所述晶圆视觉图像进行背景去除处理,可以减少背景图像中的干扰因素,避免降低后续图像的分析准确性,并且通过对所述无背景晶圆图像进行平滑处理,可以减少所述无背景晶圆图像的图像噪声,进而提高了图像质量,本发明通过利用预设的优化函数计算所述平滑晶圆图像对应的像素优化权重,以便于后续对所述平滑晶圆图像进行图像优化处理,进而提高所述分割晶圆图像的视觉质量,以此增强所述分割晶圆图像中的图像细节,提高了后续所述平滑晶圆图像进行聚类分割处理的准确性,本发明通过构建所述目标晶圆图像对应的图像形状矩,可以得到所述目标晶圆图像对应的形状特征信息,从而便于后续计算形状相似度,进而判断出所述图像形状矩之间的相似程度,以此提高缺陷识别的准确性,本发明通过提取所述缺陷图像对应的缺陷特征,从而可以对所述缺陷图像进行更深入的理解,以提高所述目标晶圆图像对应的缺陷类别分析的准确性。因此,本发明实施例提供的一种晶圆表面缺陷的视觉检测方法,能够提高晶圆表面缺陷检测的准确性。
如图2所示,是本发明一实施例提供的一种晶圆表面缺陷的视觉检测系统的功能模块图。
本发明所述一种晶圆表面缺陷的视觉检测系统100可以安装于电子设备中。根据实现的功能,所述一种晶圆表面缺陷的视觉检测系统100可以包括图像平滑处理模块101、图像纹理去除模块102、缺陷图像识别模块103及缺陷分析模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图像平滑处理模块101,用于采集待检测晶圆的晶圆视觉图像,对所述晶圆视觉图像进行背景去除处理,得到无背景晶圆图像,并提取所述无背景晶圆图像对应的图像尺寸参数,结合所述图像尺寸参数,对所述无背景晶圆图像进行平滑处理,得到平滑晶圆图像;
所述图像纹理去除模块102,用于利用预设的优化函数计算所述平滑晶圆图像对应的像素优化权重,根据所述像素优化权重,对所述平滑晶圆图像进行图像优化处理,得到优化晶圆图像,对所述优化晶圆图像进行聚类分割处理,得到分割晶圆图像,对所述分割晶圆图像进行纹理去除,得到目标晶圆图像;
所述缺陷图像识别模块103,用于构建所述目标晶圆图像对应的图像形状矩,结合所述目标晶圆图像,计算所述图像形状矩之间的形状相似度,根据所述形状相似度,识别出所述目标晶圆图像中的缺陷图像;
所述缺陷分析模块104,用于识别所述缺陷图像中的缺陷位置,并提取所述缺陷图像对应的缺陷特征,根据所述缺陷特征,分析所述目标晶圆图像对应的缺陷类别,根据所述缺陷位置和所述缺陷类别,生成所述目标晶圆图像对应的缺陷检测结果。
详细地,本申请实施例中所述一种晶圆表面缺陷的视觉检测系统100中所述的各模块在使用时采用与上述图1中所述的一种晶圆表面缺陷的视觉检测方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
在本发明所提供的几个实施例中,应该理解到,所提供的方法和系统,可以通过其它的方式实现。例如,以上所描述的方法实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种晶圆表面缺陷的视觉检测方法,其特征在于,所述方法包括:
采集待检测晶圆的晶圆视觉图像,对所述晶圆视觉图像进行背景去除处理,得到无背景晶圆图像,并提取所述无背景晶圆图像对应的图像尺寸参数,结合所述图像尺寸参数,对所述无背景晶圆图像进行平滑处理,得到平滑晶圆图像;
利用预设的优化函数计算所述平滑晶圆图像对应的像素优化权重,根据所述像素优化权重,对所述平滑晶圆图像进行图像优化处理,得到优化晶圆图像,对所述优化晶圆图像进行聚类分割处理,得到分割晶圆图像,对所述分割晶圆图像进行纹理去除,得到目标晶圆图像,其中,所述优化函数包括:
其中,E表示像素优化权重,/>表示平滑晶圆图像中第a个像素点对应的像素梯度,/>表示平滑晶圆图像中第a个像素点对应的平均梯度值,/>表示小数值,/>表示优化函数的初始学习率,/>表示平滑晶圆图像中第a个像素点对应的修正值;
构建所述目标晶圆图像对应的图像形状矩,结合所述目标晶圆图像,计算所述图像形状矩之间的形状相似度,根据所述形状相似度,识别出所述目标晶圆图像中的缺陷图像,其中,所述构建所述目标晶圆图像对应的图像形状矩,包括:
识别所述目标晶圆图像对应的中心像素;
通过下述公式计算所述目标晶圆图像中每个像素与所述中心像素之间的连通距离:
其中,H表示目标晶圆图像中每个像素与中心像素之间的连通距离,/>表示目标晶圆图像中坐标点为/>的像素值,/>和/>分别表示目标晶圆图像对应的坐标值中两个坐标轴的平均值,/>和/>表示目标晶圆图像中的像素组成的方阵尺度;
根据所述连通距离,对所述像素距离进行标准化处理,得到标准连通距离;
根据所述标准连通距离,构建所述目标晶圆图像对应的图像形状矩;
识别所述缺陷图像中的缺陷位置,并提取所述缺陷图像对应的缺陷特征,根据所述缺陷特征,分析所述目标晶圆图像对应的缺陷类别,根据所述缺陷位置和所述缺陷类别,生成所述目标晶圆图像对应的缺陷检测结果。
2.如权利要求1所述的一种晶圆表面缺陷的视觉检测方法,其特征在于,所述结合所述图像尺寸参数,对所述无背景晶圆图像进行平滑处理,得到平滑晶圆图像,包括:
对所述晶圆视觉图像进行噪声识别,得到图像噪声;
根据所述图像噪声和所述图像尺寸参数,设置所述晶圆视觉图像对应的像素窗口尺寸;
计算所述晶圆视觉图像中每个像素对应的像素灰度值;
结合所述像素灰度值和所述像素窗口尺寸,对所述晶圆视觉图像进行平滑处理,得到平滑晶圆图像。
3.如权利要求2所述的一种晶圆表面缺陷的视觉检测方法,其特征在于,所述结合所述像素灰度值和所述像素窗口尺寸,对所述晶圆视觉图像进行平滑处理,得到平滑晶圆图像,包括:
通过下述公式对所述晶圆视觉图像进行平滑处理:
其中,A表示平滑晶圆图像/>是图像生成函数,/>是取中位值函数,D表示像素窗口尺寸,/>表示坐标值为/>的像素点对应的像素灰度值。
4.如权利要求1所述的一种晶圆表面缺陷的视觉检测方法,其特征在于,所述结合所述目标晶圆图像,计算所述图像形状矩之间的形状相似度,包括:
查询所述待检测晶圆对应的标准晶圆廓形,并检测所述目标晶圆图像中的实际晶圆廓形;
分别对所述标准晶圆廓形和所述实际晶圆廓形进行量化处理,得到第一廓形系数和第二廓形系数;
计算所述图像形状矩对应的平均矩值;
结合所述第一廓形系数、所述第二廓形系数以及所述平均矩值,计算所述图像形状矩之间的形状相似度。
5.如权利要求4所述的一种晶圆表面缺陷的视觉检测方法,其特征在于,所述结合所述第一廓形系数、所述第二廓形系数以及所述平均矩值,计算所述图像形状矩之间的形状相似度,包括:
通过下述公式计算所述图像形状矩之间的形状相似度:
其中,L表示图像形状矩之间的形状相似度,/>表示图像形状矩对应的序列号,/>表示图像形状矩的数量,/>表示第一廓形系数对应的导数,/>表示第二廓形系数中第/>个系数对应的导数,/>表示图像形状矩中第/>个形状矩对应的平均矩值。
6.如权利要求1所述的一种晶圆表面缺陷的视觉检测方法,其特征在于,所述提取所述缺陷图像对应的缺陷特征,包括:
对所述缺陷图像进行灰度转换处理,得到灰度缺陷图像,计算出所述灰度缺陷图像对应的图像像素值;
根据所述图像像素值,构建所述缺陷图像对应的图像灰度矩阵;
对所述图像灰度矩阵进行归一化处理,得到归一化灰度矩阵,计算所述归一化灰度矩阵对应的矩阵方差值;
根据所述矩阵方差值,对所述归一化灰度矩阵进行筛选处理,得到目标灰度矩阵;
提取所述目标灰度矩阵对应的矩阵特征,根据所述矩阵特征,得到所述缺陷图像对应的缺陷特征。
7.一种晶圆表面缺陷的视觉检测系统,其特征在于,所述系统包括:
图像平滑处理模块,用于采集待检测晶圆的晶圆视觉图像,对所述晶圆视觉图像进行背景去除处理,得到无背景晶圆图像,并提取所述无背景晶圆图像对应的图像尺寸参数,结合所述图像尺寸参数,对所述无背景晶圆图像进行平滑处理,得到平滑晶圆图像;
图像纹理去除模块,用于利用预设的优化函数计算所述平滑晶圆图像对应的像素优化权重,根据所述像素优化权重,对所述平滑晶圆图像进行图像优化处理,得到优化晶圆图像,对所述优化晶圆图像进行聚类分割处理,得到分割晶圆图像,对所述分割晶圆图像进行纹理去除,得到目标晶圆图像,其中,所述优化函数包括:
其中,E表示像素优化权重,/>表示平滑晶圆图像中第a个像素点对应的像素梯度,/>表示平滑晶圆图像中第a个像素点对应的平均梯度值,/>表示小数值,/>表示优化函数的初始学习率,/>表示平滑晶圆图像中第a个像素点对应的修正值;
缺陷图像识别模块,用于构建所述目标晶圆图像对应的图像形状矩,结合所述目标晶圆图像,计算所述图像形状矩之间的形状相似度,根据所述形状相似度,识别出所述目标晶圆图像中的缺陷图像,其中,所述构建所述目标晶圆图像对应的图像形状矩,包括:
识别所述目标晶圆图像对应的中心像素;
通过下述公式计算所述目标晶圆图像中每个像素与所述中心像素之间的连通距离:
其中,H表示目标晶圆图像中每个像素与中心像素之间的连通距离,/>表示目标晶圆图像中坐标点为/>的像素值,/>和/>分别表示目标晶圆图像对应的坐标值中两个坐标轴的平均值,/>和/>表示目标晶圆图像中的像素组成的方阵尺度;
根据所述连通距离,对所述像素距离进行标准化处理,得到标准连通距离;
根据所述标准连通距离,构建所述目标晶圆图像对应的图像形状矩;
缺陷分析模块,用于识别所述缺陷图像中的缺陷位置,并提取所述缺陷图像对应的缺陷特征,根据所述缺陷特征,分析所述目标晶圆图像对应的缺陷类别,根据所述缺陷位置和所述缺陷类别,生成所述目标晶圆图像对应的缺陷检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410231487.8A CN117808809B (zh) | 2024-03-01 | 2024-03-01 | 晶圆表面缺陷的视觉检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410231487.8A CN117808809B (zh) | 2024-03-01 | 2024-03-01 | 晶圆表面缺陷的视觉检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117808809A CN117808809A (zh) | 2024-04-02 |
CN117808809B true CN117808809B (zh) | 2024-05-14 |
Family
ID=90421906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410231487.8A Active CN117808809B (zh) | 2024-03-01 | 2024-03-01 | 晶圆表面缺陷的视觉检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808809B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171688A (zh) * | 2017-12-19 | 2018-06-15 | 浙江大学 | 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法 |
WO2021012735A1 (zh) * | 2019-07-25 | 2021-01-28 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
CN112561849A (zh) * | 2019-09-26 | 2021-03-26 | 长鑫存储技术有限公司 | 晶圆缺陷检测方法 |
CN115035122A (zh) * | 2022-08-12 | 2022-09-09 | 宁波鑫芯微电子科技有限公司 | 基于人工智能的集成电路晶圆表面缺陷检测方法 |
-
2024
- 2024-03-01 CN CN202410231487.8A patent/CN117808809B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171688A (zh) * | 2017-12-19 | 2018-06-15 | 浙江大学 | 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法 |
WO2021012735A1 (zh) * | 2019-07-25 | 2021-01-28 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
CN112561849A (zh) * | 2019-09-26 | 2021-03-26 | 长鑫存储技术有限公司 | 晶圆缺陷检测方法 |
CN115035122A (zh) * | 2022-08-12 | 2022-09-09 | 宁波鑫芯微电子科技有限公司 | 基于人工智能的集成电路晶圆表面缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
一种提高晶粒表面缺陷检测准确性的方法研究;赵春东;朱奎锋;苏艳杰;陈俭永;张东洋;陈晓艳;;传感技术学报;20200715(07);第89-95页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117808809A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
CN113947570B (zh) | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 | |
CN114863189A (zh) | 一种基于大数据的图像智能识别方法 | |
CN117036352B (zh) | 一种基于人工智能的视频分析方法及系统 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN116245879B (zh) | 一种玻璃基板平整度评估方法和系统 | |
CN116596922B (zh) | 一种太阳能热水器生产质量检测方法 | |
CN117808809B (zh) | 晶圆表面缺陷的视觉检测方法及系统 | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
CN116524269A (zh) | 一种视觉识别检测系统 | |
CN116188826A (zh) | 一种复杂光照条件下的模板匹配方法及装置 | |
CN116579985A (zh) | 一种基于RefineDet模型的晶圆缺陷检测方法 | |
CN115457044A (zh) | 基于类激活映射的路面裂缝分割方法 | |
CN114820611A (zh) | 基于人工智能的机械零件质量评估方法及系统 |
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 |