WO2020187319A1 - 检测方法及检测系统 - Google Patents

检测方法及检测系统 Download PDF

Info

Publication number
WO2020187319A1
WO2020187319A1 PCT/CN2020/080419 CN2020080419W WO2020187319A1 WO 2020187319 A1 WO2020187319 A1 WO 2020187319A1 CN 2020080419 W CN2020080419 W CN 2020080419W WO 2020187319 A1 WO2020187319 A1 WO 2020187319A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
unit
average gray
gray value
images
Prior art date
Application number
PCT/CN2020/080419
Other languages
English (en)
French (fr)
Inventor
陈鲁
刘腾飞
张鹏斌
张嵩
Original Assignee
深圳中科飞测科技有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 深圳中科飞测科技有限公司 filed Critical 深圳中科飞测科技有限公司
Priority to US17/441,411 priority Critical patent/US11881186B2/en
Priority to SG11202110410UA priority patent/SG11202110410UA/en
Priority to KR1020217033990A priority patent/KR20210154164A/ko
Publication of WO2020187319A1 publication Critical patent/WO2020187319A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
    • G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
    • G09G3/34—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source
    • G09G3/36—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source using liquid crystals
    • G09G3/3607—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source using liquid crystals for displaying colours or for displaying grey scales with a specific pixel layout, e.g. using sub-pixels
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • 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
    • G06T2207/30168—Image quality inspection

Definitions

  • the present disclosure belongs to the technical field of color difference detection, and particularly relates to a detection method and a detection system.
  • the semiconductor wafer (also known as wafer) needs to be inspected, for example, to inspect the surface of the die (also known as Die) on the wafer (also known as wafer) for defects (such as foreign objects) , Scratches, etc.) to confirm whether the product is qualified.
  • the usual approach is to first select a qualified wafer, select some qualified die on this wafer, and then use these die to generate a standard reference die image. During inspection, compare the grain image of each grain to be inspected with the standard reference grain image. If the difference in gray value between the grain image to be inspected and the standard reference grain image exceeds the preset The threshold value of, it is considered that the die to be inspected has defects, and it is identified for subsequent processing.
  • the current color difference detection technology for wafers on the market only generates a standard reference die image for the same type of wafer, all die to be tested need to be compared with the standard reference die image, in order to compensate for the current situation.
  • the gray value difference between different die images on the same wafer must be extended to the range of the reference threshold setting, so that when the defect in the die image is the gray value of the neighboring normal pixels
  • the gray value difference between the grain image and the standard reference grain image is also very small, so that defects with small contrast may be missed, or the matching may be inaccurate during the matching and alignment.
  • the first aspect of the present disclosure proposes a detection method, including:
  • Creating a plurality of template images based on the reference object wherein the reference object includes a plurality of units, and the plurality of template images are unit images with different average gray values;
  • a first template image is selected from the plurality of template images, wherein the difference between the average gray value of the first template image and the first average gray value Minimum;
  • color difference detection is performed on the image of the unit under test.
  • creating a plurality of template images based on the reference includes:
  • the template image is formed according to the average gray level image of each gray level class.
  • forming a template image according to the average grayscale image of each grayscale class includes:
  • the steps of forming a template image according to the average gray level image of each gray level category include:
  • the steps of forming a template image according to the average gray level image of each gray level category include:
  • Each average gray scale image is used as a template image.
  • creating a plurality of template images based on the reference object includes:
  • the plurality of template images are created based on at least two of the reference objects, wherein the at least two reference objects have at least partially non-overlapping gray value ranges.
  • classifying the first unit image set based on the first average gray value interval to form one or more gray classes further includes:
  • the first unit image set is classified based on the first average gray value interval, so that the difference between the average gray values of all unit images in each gray class is in the Within the first average gray value interval.
  • performing color difference detection on the image of the unit under test based on the first template image includes:
  • the second aspect of the present disclosure proposes a detection system, including:
  • a creation module configured to create a plurality of template images based on a reference object, wherein the reference object includes a plurality of units, and the plurality of template images are unit images with different average gray values;
  • a calculation module configured to calculate the first average gray value of the image of the unit under test
  • the selection module is configured to select a first template image from the plurality of template images based on the first average gray value, wherein the average gray value of the first template image and the first average gray value The difference between the degree values is the smallest;
  • the detection module is configured to perform color difference detection on the image of the unit under test based on the first template image.
  • the creating unit includes:
  • a scanning unit configured to scan the wafer to generate a reference object image, wherein the reference object image includes a plurality of unit images;
  • a forming unit configured to form one or more unit images in the plurality of unit images to form a selected first unit image set
  • a classification unit configured to classify the first unit image set based on a first average gray value interval to form one or more gray levels, wherein each gray level includes one or more unit images;
  • a generating unit configured to generate a corresponding average gray scale image based on all unit images in each gray scale class
  • the storage unit is configured to form the template image according to the average grayscale image of each grayscale class.
  • the storage unit is specifically configured as:
  • the storage unit is specifically configured as:
  • Each average gray scale image is used as a template image.
  • the creating unit is specifically configured to:
  • the plurality of template images are created based on at least two of the reference objects, wherein the at least two reference objects have at least partially non-overlapping gray value ranges.
  • the classification unit includes:
  • a calculation subunit which is configured to calculate an average gray value of each unit image in the first unit image set
  • a sorting sub-unit configured to sort the first unit image set based on the calculated average gray value of each unit image to generate an image sequence associated with the first unit image set
  • a classification subunit configured to classify the first unit image set based on the first average gray value interval in the image sequence, so that the average gray level of all unit images in each gray level class The difference between the values is within the first average gray value interval.
  • the detection module includes:
  • a first detection unit configured to determine whether the average gray value difference between the corresponding pixel points in the first template image and the image of the unit under test exceeds a set threshold
  • the second detection unit is configured to determine that the image of the unit to be tested has a defect when the average gray value difference exceeds the set threshold.
  • the detection method and detection system disclosed in this article can realize the creation of multiple template images with different gray values on the same wafer with different gray values of the die images, so that during the detection process, the current die image is calculated by The gray value is used to select a template image close to the average gray value of the current crystal grain image to match the template image with the crystal grain image to be tested to complete subsequent inspections.
  • Figure 1a is one of the prior art die images of the detection method and detection system according to the present disclosure
  • FIG. 1b is the second crystal grain image of the prior art of the detection method and detection system according to the present disclosure
  • Figure 2 is a flow chart of the detection method according to the present disclosure
  • Fig. 3 is a flowchart of an embodiment of a detection method according to the present disclosure
  • FIG. 5 is a schematic diagram of a detection system 500 according to the present disclosure.
  • each block in the flowchart or block diagram may represent a module, program segment, or part of code, and the module, program segment, or part of code may include one or more for implementing the various embodiments.
  • Executable instructions for the specified logic function may also occur in a different order than that noted in the drawings. For example, two blocks shown in succession may actually be executed substantially in parallel, or they may sometimes be executed in the reverse order, depending on the functions involved.
  • each block in the flowcharts and/or block diagrams, and the combination of blocks in the flowcharts and/or block diagrams can be implemented using dedicated hardware-based devices that perform specified functions or operations. Or it can be implemented using a combination of dedicated hardware and computer instructions.
  • the embodiments of the present disclosure mainly focus on the following technical problems:
  • the existing color difference detection technology for the object to be tested (for example, wafer) generally selects a qualified wafer, and selects certain qualified die on the wafer
  • the grain image is used to generate the standard reference grain image.
  • it is easy to cause the measured grain image because the gray value difference between the inspected grain image and the standard reference grain image exceeds the preset threshold. Detection accuracy problems such as mistakenly thinking that there is a defect or missing a defect with a small contrast, etc. appear.
  • the inspection method and inspection system disclosed in the present disclosure create corresponding template images for the die images with different gray values on the same type of wafer image, so that in the actual inspection process, the The template image with the closest average gray value of the measured grain image is matched and detected, thereby greatly improving the detection result of the color difference detection.
  • FIGS. 2 and 3 show exemplary flow charts of the detection method. In this embodiment, it specifically includes the following steps:
  • Step 210 Create multiple template images based on the reference object.
  • multiple template images are created based on a single reference object (for example, a single wafer) or at least two reference objects (for example, at least two wafers); wherein the wafer includes multiple There are several crystal grains, and the plurality of template images are respectively unit images with different average gray values (that is, crystal grain images in this embodiment).
  • step 210 the specific operation of step 210 is shown in FIG. 3, which is specifically as follows:
  • Step 211a Scan the entire block of reference objects to generate a reference object image.
  • the reference object image is a wafer image, which includes a plurality of die images.
  • Step 212a Select one or several unit images from the multiple unit images to form a first unit image set.
  • the first unit image set that is, the first crystal grain image set, includes one or several crystal grain images selected from the plurality of crystal grain images.
  • 100-300 die images are randomly selected or selected at intervals as the first die image set.
  • 12 of the crystal grain images can be selected.
  • Step 213a Classify the first unit image set based on the first average gray value interval to form one or more gray scale classes, wherein each gray scale class includes one or more crystal grain images.
  • the first unit image set that is, the first crystal grain image set
  • the specific operation of step 213a is as follows:
  • the first crystal grain image set is sorted to generate an image sequence associated with the first crystal grain image set.
  • the first column in the image sequence represents the image names arranged in descending order according to the average gray value
  • the second column is the average gray value corresponding thereto.
  • the first crystal grain image set is classified based on the first average gray value interval, so that the average gray value of all crystal grain images in each gray level is between The difference is within the first average gray value interval.
  • the value of the first average gray value interval is any value from 5 to 20.
  • the gray value range of the selected first crystal grain image set is used to determine the first An average gray value interval value.
  • the first average gray value interval can be set to 10; when the gray value of the selected first crystal grain image set is When the degree value range is 10 to 160, the first average gray value interval can be set to 20.
  • the first average gray value interval can be set to 10
  • the 12 grain images in Table 1 can be divided into four gray levels as shown in Tables 2a-2d:
  • Step 214a Generate a corresponding average grayscale image based on all unit images in each grayscale class.
  • Figure 4a-4d they are the corresponding average grayscale images generated according to Table 2a-2d. Specifically, for example, use the average gray value of each pixel in the two images in the first gray level disclosed in Table 2a to generate the corresponding average gray level image (as shown in Figure 4a), and so on to generate Average gray scale images corresponding to the second gray scale, the third gray scale, and the fourth gray scale (for example, FIG. 4b, FIG. 4c, and FIG. 4d).
  • the average gray value of the average gray image of each gray class is obtained by calculating the average value method.
  • the average gray value of the image is as follows:
  • Step 215a Form the template image according to the average grayscale image of each grayscale class.
  • the average gray value set of the template image ⁇ 50.6, 61.1, 71.0, 82.3 ⁇ .
  • each average gray image can be stored as a template image, or the average gray value between any number of average gray images in all the average gray images can be determined If the difference is less than the second gray value interval, any average gray image in any of the plurality of second average gray images is retained as the template image.
  • multiple template images are created based on multiple wafers (having at least partially non-overlapping gray value ranges). For example, if the gray value range of the first wafer is 30-80, and the gray value range of the second wafer is 50-120, the gray value range of the created multiple template images can reach 30-120. This can expand the range of color difference detection.
  • step 215a specifically includes:
  • the average gray values corresponding to all the average gray images generated by the first wafer and the second wafer are sorted, for example, the average gray values of the average gray images created by the first wafer
  • the value set is golden1 ⁇ golden1_1,golden1_2,...,golden1_n1 ⁇
  • the average gray value set of the average gray image created by the second wafer is golden2 ⁇ golden2_1,golden2_2,...,golden2_n2 ⁇
  • the average gray value set of the image includes n1+n2 average gray images.
  • the above-mentioned storing all the retained average gray scale images as a template image can not only reduce the consumption of storage space, but also expand the color difference detection range, and improve the color difference detection efficiency and application range.
  • corresponding template images can be formed for the die images of different gray values in the same wafer or different wafers, so as to improve the accuracy of subsequent detection.
  • Step 220 Calculate the first average gray value of the crystal grain image to be tested.
  • Step 230 Based on the first average gray value, a first template image is selected from the plurality of template images, wherein the average gray value of the first template image is different from the first average gray value The difference between them is the smallest.
  • the first average gray value of the grain image to be tested 63
  • select the template image corresponding to the second gray class with the average gray value 61.1 from the average gray value set of the template image (for example , Figure 4b) as the first template image.
  • Step 240 Perform color difference detection on the image of the crystal grain to be tested based on the first template image.
  • step 240 the specific operation of step 240 is as follows:
  • the algorithm Simple, time-consuming and even negligible.
  • using the average gray value of the die image to be tested closest to the template image for matching detection can greatly reduce the difference between the die image to be tested and the template image, thereby reducing false detections and missing detections, and ultimately improving color difference Detection effect.
  • FIG. 5 shows a schematic block diagram of a detection system 500 for implementing the methods shown in FIG. 2 and FIG. 3, where the detection system 500 includes a creation module 510, a calculation module 520, a selection module 530 and a detection module 540.
  • the creation module 510 is used to create a plurality of template images based on a reference object, wherein the reference object includes a plurality of units, and the plurality of template images are unit images with different average gray values.
  • the calculation module 520 is used to calculate the first average gray value of the image of the unit to be tested;
  • the selection module 530 is used to select the first template image from the plurality of template images based on the first average gray value, where the The difference between the average gray value of the first template image and the first average gray value is the smallest;
  • the detection module 540 is configured to perform color difference detection on the image of the unit under test based on the first template image.
  • the creation module 510 includes a scanning unit, a formation unit, a classification unit, a generation unit, and a storage unit, which can implement steps 211a-215a in FIG. 3 accordingly.
  • the classification unit includes a calculation subunit, a ranking subunit, and a classification subunit, wherein the calculation subunit is configured to calculate the average gray value of each unit image in the first unit image set; the ranking subunit is configured to Based on the calculated average gray value of each unit image, sort the first unit image set to generate an image sequence associated with the first unit image set; the classification sub-unit is configured to In the image sequence, the first unit image set is classified based on the first average gray value interval, so that the difference between the average gray values of all unit images in each gray level class is within the first average gray value. Within the degree interval.
  • the detection module 540 includes a first detection unit and a second detection unit, wherein the first detection unit is configured to determine the average gray scale between the first template image and the corresponding pixel in the image of the unit under test. Whether the value difference exceeds a set threshold; the second detection unit is configured to determine that the image of the unit under test has a defect when the average gray value difference exceeds the set threshold.
  • the detection system disclosed in this article can select the template image that is closest to the average gray value of the image of the unit to be tested for matching detection of the image of the unit to be tested, prevent the occurrence of false detection and miss detection, and improve the color difference detection result
  • the detection algorithm disclosed in this article is simple and fast. Compared with the existing color difference detection technology, the detection efficiency is improved.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本公开内容公开了检测方法及检测系统，所述检测方法包括：基于参考物创建多个模板图像，其中，参考物包括多个单元，并且多个模板图像分别是具有不同的平均灰度值的单元图像；计算待测单元图像的第一平均灰度值；基于第一平均灰度值，在多个模板图像中选择第一模板图像，其中，第一模板图像的平均灰度值与第一平均灰度值之间的差异最小；基于第一模板图像，对待测单元图像进行色差检测。本公开内容能够选用与待测单元图像的灰度值相近的模板图像来检测该单元，使得待测单元图像与模板图像之间的差异最小，从而降低了误检漏检的频率，最终提高色差检测的检测效果。

Description

检测方法及检测系统 技术领域
本公开内容属于色差检测技术领域，尤其涉及一种检测方法以及一种检测系统。
背景技术
在半导体晶圆的制作工艺完成后，需要对半导体晶圆(也称wafer)进行检测，例如，检测晶圆(也称wafer)上的晶粒(也称Die)表面是否存在不良(比如外来物，划痕等)，以确认该产品是否合格。通常做法是先选取一个合格的晶圆，在这个晶圆上选取一些合格的晶粒，再用这些晶粒生成一个标准参考晶粒图像。在检测时，把每个待检测晶粒的晶粒图像与这个标准参考晶粒图像做比对，如果待检测的晶粒图像与标准参考晶粒图像之间的灰度值差异超过预先设定的阈值，则认为该待检测晶粒存在缺陷，将其标识待后续处理。
现有的检测方法能够满足绝大部分常规晶圆的检测需求，但是由于工业生产过程中的现有工艺问题，经常会出现同一块晶圆上不同晶粒图像的平均灰度值差异很大。例如，图1a、图1b所示的两张晶粒图像，二者的平均灰度值差异较大，如果继续使用传统的标准参考晶粒图像进行检测，则在不同平均灰度的晶粒图像和标准晶粒图像进行匹配处理的情况下，当两者之间的灰度差距较大时，容易出现匹配出错或者错位等问题，进而影响后续检测。
发明内容
由于目前市场上的针对晶圆进行的色差检测技术仅仅是对同一类晶圆生成一个标准参考晶粒图像，使得所有待检测晶粒都需要与该标准参考晶粒图像进行比对，为了弥补现有技术中同一个晶圆上不同晶粒图像之间的灰度值差异，必须将参考阈值设定的范围扩大，由此当在晶粒图像中缺陷与其周围相邻正常像素点的灰度值差距不大时，导致晶粒图像与标准参考晶粒图像的灰度值差异也很小，从而容易出现漏检对比度较小的缺陷，或 者在匹配对位时出现匹配不准确的情况。
针对上述问题，本公开内容的第一方面提出了一种检测方法，包括：
基于参考物，创建多个模板图像，其中，所述参考物包括多个单元，并且所述多个模板图像分别是具有不同的平均灰度值的单元图像；
计算待测单元图像的第一平均灰度值；
基于所述第一平均灰度值，在所述多个模板图像中选择第一模板图像，其中，所述第一模板图像的平均灰度值与所述第一平均灰度值之间的差异最小；以及
基于所述第一模板图像，对所述待测单元图像进行色差检测。
在根据本公开内容的第一方面的实施例中，基于参考物创建多个模板图像包括：
扫描所述参考物以生成参考物图像，其中，所述参考物图像包括多个单元图像；
在所述多个单元图像中选择一个或若干晶粒图像，形成第一单元图像集；
基于第一平均灰度值间隔对所述第一晶粒图像集进行分类以形成一个或多个灰度类，其中，每个灰度类包括一个或多个单元图像；
基于每个灰度类中的所有单元图像，生成相应的平均灰度图；以及
根据各灰度类的平均灰度图形成所述模板图像。
在根据本公开内容的第一方面的实施例中，根据各灰度类的平均灰度图形成模板图像包括：
根据各灰度类的平均灰度图形成模板图像的步骤包括：
判断针对所述参考物生成的相应平均灰度图中是否存在任意多个平均灰度图之间的平均灰度值差值小于第二灰度值间隔；
在存在所述平均灰度值差值小于所述第二灰度值间隔的第二平均灰度值时，保留所述多个第二平均灰度图中的任一平均灰度图作为模板图像；或者
根据各灰度类的平均灰度图形成模板图像的步骤包括：
将各个平均灰度图均作为模板图像。
在根据本公开内容的第一方面的实施例中，基于参考物创建多个模板 图像包括：
基于单个所述参考物，创建所述多个模板图像；或者
基于至少两个所述参考物，创建所述多个模板图像，其中，所述至少两个参考物具有至少部分不重合的灰度值范围。
在根据本公开内容的第一方面的实施例中，基于第一平均灰度值间隔对所述第一单元图像集进行分类以形成一个或多个灰度类进一步包括：
计算所述第一单元图像集中的每一个单元图像的平均灰度值；
基于所计算的每一个单元图像的平均灰度值，对所述第一单元图像集进行排序，以生成与所述第一单元图像集相关联的图像序列；以及
在所述图像序列中，基于所述第一平均灰度值间隔对所述第一单元图像集进行分类，使得每一个灰度类中所有单元图像的平均灰度值之间的差异在所述第一平均灰度值间隔内。
在根据本公开内容的第一方面的实施例中，基于所述第一模板图像对所述待测单元图像进行色差检测包括：
确定所述第一模板图像与所述待测单元图像中相应的像素点之间的平均灰度值差异是否超过设定阈值；以及
在所述平均灰度值差异超过所述设定阈值的情况下，确定所述待测单元图像存在缺陷。
针对上述问题，本公开内容的第二方面提出了一种检测系统，包括：
创建模块，其被配置为基于参考物创建多个模板图像，其中，所述参考物包括多个单元，并且所述多个模板图像分别是具有不同的平均灰度值的单元图像；
计算模块，其被配置为计算待测单元图像的第一平均灰度值；
选择模块，其被配置为基于所述第一平均灰度值在所述多个模板图像中选择第一模板图像，其中，所述第一模板图像的平均灰度值与所述第一平均灰度值之间的差异最小；以及
检测模块，其被配置为基于所述第一模板图像对所述待测单元图像进行色差检测。
在根据本公开内容的第二方面的实施例中，所述创建单元包括：
扫描单元，其被配置为扫描所述晶圆以生成参考物图像，其中，所述 参考物图像包括多个单元图像；
形成单元，其被配置为在所述多个单元图像中一个或多个单元图像，形成选择第一单元图像集；
分类单元，其被配置为基于第一平均灰度值间隔对所述第一单元图像集进行分类以形成一个或多个灰度类，其中，每个灰度类包括一个或多个单元图像；
生成单元，其被配置为基于每个灰度类中的所有单元图像，生成相应的平均灰度图；以及
保存单元，其被配置为根据各灰度类的平均灰度图形成所述模板图像。
在根据本公开内容的第二方面的实施例中，
所述保存单元具体被配置为：
判断针对所有参考物生成的相应平均灰度图中是否存在任意多个平均灰度图之间的平均灰度值差值小于第二灰度值间隔；
在存在所述平均灰度值差值小于所述第二灰度值间隔的第二平均灰度值时，保留所述多个第二平均灰度图中的任一平均灰度图作为模板图像；或者
所述保存单元具体被配置为：
将各个平均灰度图均作为模板图像。
在根据本公开内容的第二方面的实施例中，所述创建单元具体被配置为：
基于单个所述参考物，创建所述多个模板图像；或者
基于至少两个所述参考物，创建所述多个模板图像，其中，所述至少两个参考物具有至少部分不重合的灰度值范围。
在根据本公开内容的第二方面的实施例中，所述分类单元包括：
计算子单元，其被配置为计算所述第一单元图像集中的每一个单元图像的平均灰度值；
排序子单元，其被配置为基于所计算的每一个单元图像的平均灰度值，对所述第一单元图像集进行排序，以生成与所述第一单元图像集相关联的图像序列；以及
分类子单元，其被配置为在所述图像序列中，基于所述第一平均灰度 值间隔对所述第一单元图像集进行分类，使得每一个灰度类中所有单元图像的平均灰度值之间的差异在所述第一平均灰度值间隔内。
在根据本公开内容的第二方面的实施例中，所述检测模块包括：
第一检测单元，其被配置为确定所述第一模板图像与所述待测单元图像中相应的像素点之间的平均灰度值差异是否超过设定阈值；以及
第二检测单元，其被配置为在所述平均灰度值差异超过所述设定阈值的情况下，确定所述待测单元图像存在缺陷。
本文所公开的检测方法及检测系统能够实现通过对同一个晶圆上不同灰度值的晶粒图像创建多个灰度值不同的模板图像，从而在检测过程中，通过计算当前晶粒图像的灰度值来选择与当前晶粒图像的平均灰度值接近的模板图像，以将该模板图像与待测晶粒图像进行匹配来完成后续检测。
附图说明
结合附图并参考以下详细说明，本公开的各实施例的特征、优点及其他方面将变得更加明显，在此以示例性而非限制性的方式示出了本公开的若干实施例，在附图中：
图1a为依据本公开内容的检测方法及检测系统的现有技术的晶粒图像之一；
图1b为依据本公开内容的检测方法及检测系统的现有技术的晶粒图像之二；
图2为依据本公开内容的检测方法的流程图；
图3为依据本公开内容的检测方法的实施例流程图；
图4a-4d为依据本公开内容的检测方法的示例性模板图像；以及
图5为依据本公开内容的检测系统500的示意图。
具体实施方式
以下参考附图详细描述本公开的各个示例性实施例。附图中的流程图和框图示出了根据本公开的各种实施例的方法和设备的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以 包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的设备来实现，或者可以使用专用硬件与计算机指令的组合来实现。
本文所使用的术语“包括”、“包含”及类似术语应该被理解为是开放性的术语，即“包括/包含但不限于”，表示还可以包括其他内容。术语“基于”是“至少部分地基于"。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”，等等。
本公开内容的实施例主要关注以下技术问题：现有针对待测对象(例如，晶圆)的色差检测技术，一般选取一个合格的晶圆，并在该晶圆上选取某些合格晶粒的晶粒图像以生成标准参考晶粒图像，在实际检测过程中，容易出现由于待检测晶粒图像与标准参考晶粒图像之间的灰度值差异超过了预设阈值，则导致测晶粒图像误认为存在缺陷或者漏掉对比度较小的缺陷等检测准确度问题出现。
为了解决上述问题，本公开内容所公开的检测方法及检测系统通过对同一类晶圆图像上的具有不同灰度值的晶粒图像创建相应的模板图像，使得在实际检测过程中，利用与待测晶粒图像的平均灰度值最接近的模板图像进行匹配检测，由此大大提高了色差检测的检测结果。
图2、图3示出了检测方法的示例性流程图。在本实施例中，具体包括如下步骤：
步骤210：基于参考物，创建多个模板图像。具体地，在本实施例中，基于单个参考物(例如，单个晶圆)或至少两个参考物(例如，至少两个晶圆)，创建多个模板图像；其中，所述晶圆包括多个晶粒，并且所述多个模板图像分别是具有不同的平均灰度值的单元图像(也即，在本实施例中是晶粒图像)。
在本实施例中，步骤210的具体操作如图3所示，具体如下：
步骤211a：扫描整块参考物以生成参考物图像。在本实施例中，所述参考物图像是晶圆图像，其包括多个晶粒图像。
步骤212a：在所述多个单元图像中选择一个或若干单元图像，形成第一单元图像集。在本实施例中，第一单元图像集，也即第一晶粒图像集，其包括从所述多个晶粒图像选出的一个或若干晶粒图像。
例如，在整张晶圆图像中，随机选取或间隔选取100-300张晶粒图像作为第一晶粒图像集。
为了便于说明，在本实施例中，可以选取其中的12张晶粒图像。
步骤213a：基于第一平均灰度值间隔对所述第一单元图像集进行分类以形成一个或多个灰度类，其中，每个灰度类包括一个或多个晶粒图像。在本实施例中，第一单元图像集也即第一晶粒图像集，步骤213a的具体操作如下：
首先，计算所述第一晶粒图像集中的每一个晶粒图像的平均灰度值。
在本实施例中，该12张晶粒图像的平均灰度值如表1所示：
Figure PCTCN2020080419-appb-000001
Figure PCTCN2020080419-appb-000002
表1
其次，基于所计算的每一个晶粒图像的平均灰度值，对所述第一晶粒图像集进行排序，以生成与所述第一晶粒图像集相关联的图像序列。
在本实施例中，所述图像序列中的第一列表示根据平均灰度值的由小到大的顺序排列的图像名称，第二列是与其相应的平均灰度值。
第三，在所述图像序列中，基于所述第一平均灰度值间隔对所述第一晶粒图像集进行分类，使得每一个灰度类中所有晶粒图像的平均灰度值之间的差异在所述第一平均灰度值间隔内。
在本公开内容中，所述第一平均灰度值间隔的值是5～20中的任一值，在实际应用中，根据所选择的第一晶粒图像集的灰度值范围来确定第一平均灰度值间隔的值。例如，当所选择的第一晶粒图像集的灰度值范围是20～150、10～130时，可以设定第一平均灰度值间隔＝10；当所选择的第一晶粒图像集的灰度值范围是10～160时，可以设定第一平均灰度值间隔＝20。在本实施例中，可以将第一平均灰度值间隔设定为10，则可以将表1中的12张晶粒图像划分成如表2a-2d的四个灰度类：
Figure PCTCN2020080419-appb-000003
表2a
Figure PCTCN2020080419-appb-000004
表2b
Figure PCTCN2020080419-appb-000005
表2c
Figure PCTCN2020080419-appb-000006
表2d
步骤214a：基于每个灰度类中的所有单元图像，生成相应的平均灰度图。
如图4a-4d所示，分别是根据表2a-2d所生成的相应平均灰度图。具体地，例如，利用表2a所公开的第一灰度类中两张图像中每一个像素点的平均灰度值生成相应的平均灰度图(如图4a)，以此类推分别生成与第二灰度类、第三灰度类以及第四灰度类相对应的平均灰度图(例如，图4b、图4c以及图4d)。
计算每一个灰度类的平均灰度图的平均灰度值(例如，可以采用均值法或中值法计算)，在本实施例中，采用均值法计算获得每一个灰度类的平均灰度图的平均灰度值，具体如下：
平均灰度值 图4a所示的第一灰度类的平均灰度图＝50.6；
平均灰度值 图4b所示的第二灰度类的平均灰度图＝61.1；
平均灰度值 图4c所示的第三灰度类的平均灰度图＝71.0；
平均灰度值 图4d所示的第四灰度类的平均灰度图＝82.3。
步骤215a：根据各灰度类的平均灰度图形成所述模板图像。
在本实施例中，模板图像的平均灰度值集合＝{50.6,61.1,71.0,82.3}。
当基于单个晶圆创建多个模板图像时，可以将各个平均灰度图作为模板图像进行存储，也可以在确定所有平均灰度图中的任意多个平均灰度图之间的平均灰度值差值小于第二灰度值间隔的情况下保留所述任意多个第二平均灰度图中的任一平均灰度图作为模板图像。
另外，在本实施例中，基于多个晶圆(具有至少部分不重合的灰度值范围)，创建多个模板图像。例如，第一晶圆的灰度值范围是30-80，第二晶圆的灰度值范围是50-120，则所创建的多个模板图像的灰度值范围可以达到30-120，由此能够扩大色差检测的范围。
在执行步骤211a-214a之后，步骤215a具体包括：
首先，确定针对所有晶圆生成的相应平均灰度图中是否存在任意多个平均灰度图之间的平均灰度值差值小于第二灰度值间隔。
其次，在存在所述平均灰度值差值小于所述第二灰度值间隔的情况下，仅保留所述多个平均灰度图中的任一平均灰度图。
在本实施例中，将第一晶圆、第二晶圆所生成的所有平均灰度图相应的平均灰度值进行排序，例如，第一晶圆所创建的平均灰度图的平均灰度值集合为golden1{golden1_1,golden1_2,…,golden1_n1}，第二晶圆所创建的平均灰度图的平均灰度值集合为golden2{golden2_1,golden2_2,…,golden2_n2}，则合并后的平均灰度图的平均灰度值集合包括了n1+n2张平均灰度图。
确定在n1+n2张平均灰度图中是否存在任意两个或更多个平均灰度值的差值小于第二灰度值间隔，如果存在，则仅保留其中任一张平均灰度图。
上述将所有保留的平均灰度图作为模板图像进行保存，既能够降低存储空间的消耗，又能够扩大色差检测范围，提高了色差检测效率及适用范围。
此外，当基于多个晶圆创建多个模板图像时，还可以将所有平均灰度图作为模板图像进行保存。
步骤210能够实现对同一晶圆或不同晶圆中的不同灰度值的晶粒图像形成相应的模板图像，以提高后续的检测准确度。
步骤220：计算待测晶粒图像的第一平均灰度值。
步骤230：基于所述第一平均灰度值，在所述多个模板图像中选择第一模板图像，其中，所述第一模板图像的平均灰度值与所述第一平均灰度值之间的差异最小。
例如，当待测晶粒图像的第一平均灰度值＝63时，则从模板图像的平均灰度值集合中选择平均灰度值＝61.1的第二灰度类所对应的模板图像(例如，图4b)作为第一模板图像。
步骤240：基于所述第一模板图像，对所述待测晶粒图像进行色差检测。
在本实施例中，步骤240的具体操作如下：
第一，确定所述第一模板图像与所述待测晶粒图像中相应的像素点之间的平均灰度值差异是否超过设定阈值。
第二，在所述平均灰度值差异超过所述设定阈值的情况下，确定所述待测晶粒图像存在缺陷。
本实施例所实现的检测方法，虽然在检测过程中需要待测晶粒图像的平均灰度值，并且需要在模板图像的平均灰度值集合中查找最接近的模板图像进行匹配对比，但是算法简单、检测耗时甚至可以忽略不计。另外，利用与待测晶粒图像的平均灰度值最接近模板图像进行匹配检测，能够大大降低待测晶粒图像与模板图像之间的差异，进而减少误检漏检现象，最终能够提高色差检测效果。
图5示出了用于实现图2、图3所示的方法的检测系统500的示意性框图，其中，检测系统500包括创建模块510、计算模块520、选择模块530以及检测模块540。
在本公开内容中，创建模块510用于基于参考物创建多个模板图像，其中，所述参考物包括多个单元，并且所述多个模板图像分别是具有不同的平均灰度值的单元图像；计算模块520用于计算待测单元图像的第一平均灰度值；选择模块530用于基于所述第一平均灰度值在所述多个模板图像中选择第一模板图像，其中，所述第一模板图像的平均灰度值与所述第一平均灰度值之间的差异最小；检测模块540用于基于所述第一模板图像对所述待测单元图像进行色差检测。
具体地，创建模块510包括扫描单元、形成单元、分类单元、生成单元以及保存单元，这些单元能够相应地实现图3中的步骤211a-215a。另外，分类单元包括计算子单元、排序子单元以及分类子单元，其中，计算子单元被配置为计算所述第一单元图像集中的每一个单元图像的平均灰度值；排序子单元被配置为基于所计算的每一个单元图像的平均灰度值，对所述第一单元图像集进行排序，以生成与所述第一单元图像集相关联的图像序列；分类子单元被配置为在所述图像序列中基于所述第一平均灰度值间隔对所述第一单元图像集进行分类，使得每一个灰度类中所有单元图像的平 均灰度值之间的差异在所述第一平均灰度值间隔内。
此外，检测模块540包括第一检测单元、第二检测单元，其中，第一检测单元被配置为确定所述第一模板图像与所述待测单元图像中相应的像素点之间的平均灰度值差异是否超过设定阈值；第二检测单元被配置为在所述平均灰度值差异超过所述设定阈值的情况下，确定所述待测单元图像存在缺陷。
本文所公开的检测系统，一方面能够选用与待测单元图像的平均灰度值最接近的模板图像对该待测单元图像进行匹配检测，防止误检漏检现象的出现，提高了色差检测结果的精确性；另一方面，本文所公开的检测算法简单，检测速度快，与现有的色差检测技术相比，提高了检测效率。
以上所述仅为本公开的实施例可选实施例，并不用于限制本公开的实施例，对于本领域的技术人员来说，本公开的实施例可以有各种更改和变化。凡在本公开的实施例的精神和原则之内，所作的任何修改、等效替换、改进等，均应包含在本公开的实施例的保护范围之内。
虽然已经参考若干具体实施例描述了本公开的实施例，但是应该理解，本公开实施例并不限于所公开的具体实施例。本公开的实施例旨在涵盖在所附权利要求的精神和范围内所包括的各种修改和等同布置。所附权利要求的范围符合最宽泛的解释，从而包含所有这样的修改及等同结构和功能。

Claims (12)

  1. 一种检测方法，其特征在于，包括：
    基于参考物，创建多个模板图像，其中，所述参考物包括多个单元，并且所述多个模板图像分别是具有不同的平均灰度值的单元图像；
    计算待测单元图像的第一平均灰度值；
    基于所述第一平均灰度值，在所述多个模板图像中选择第一模板图像，其中，所述第一模板图像的平均灰度值与所述第一平均灰度值之间的差异最小；以及
    基于所述第一模板图像，对所述待测单元图像进行色差检测。
  2. 根据权利要求1所述的检测方法，其特征在于，基于参考物创建多个模板图像包括：
    扫描所述参考物以生成参考物图像，其中，所述参考物图像包括多个单元图像；
    在所述多个单元图像中选择一个或若干单元图像，形成第一单元图像集；
    基于第一平均灰度值间隔对所述第一单元图像集进行分类以形成一个或多个灰度类，其中，每个灰度类包括一个或多个单元图像；
    基于每个灰度类中的所有单元图像，生成相应的平均灰度图；以及
    根据各灰度类的平均灰度图形成所述模板图像。
  3. 根据权利要求2所述的检测方法，其特征在于，
    根据各灰度类的平均灰度图形成模板图像的步骤包括：
    判断针对所述参考物生成的相应平均灰度图中是否存在任意多个平均灰度图之间的平均灰度值差值小于第二灰度值间隔；
    在存在所述平均灰度值差值小于所述第二灰度值间隔的第二平均灰度值时，保留所述多个第二平均灰度图中的任一平均灰度图作为模板图像；或者
    根据各灰度类的平均灰度图形成模板图像的步骤包括：
    将各个平均灰度图均作为模板图像。
  4. 根据权利要求3所述的检测方法，其特征在于，基于参考物创建多 个模板图像包括：
    基于单个所述参考物，创建所述多个模板图像；或者
    基于至少两个所述参考物，创建所述多个模板图像，其中，所述至少两个参考物具有至少部分不重合的灰度值范围。
  5. 根据权利要求2所述的检测方法，其特征在于，基于第一平均灰度值间隔对所述第一单元图像集进行分类以形成一个或多个灰度类包括：
    计算所述第一单元图像集中的每一个单元图像的平均灰度值；
    基于所计算的每一个单元图像的平均灰度值，对所述第一单元图像集进行排序，以生成与所述第一单元图像集相关联的图像序列；以及
    在所述图像序列中，基于所述第一平均灰度值间隔对所述第一单元图像集进行分类，使得每一个灰度类中所有单元图像的平均灰度值之间的差异在所述第一平均灰度值间隔内。
  6. 根据权利要求1所述的检测方法，其特征在于，基于所述第一模板图像对所述待测单元图像进行色差检测包括：
    确定所述第一模板图像与所述待测单元图像中相应的像素点之间的平均灰度值差异是否超过设定阈值；以及
    在所述平均灰度值差异超过所述设定阈值的情况下，确定所述待测单元图像存在缺陷。
  7. 一种检测系统，其特征在于，包括：
    创建模块，其被配置为基于参考物创建多个模板图像，其中，所述参考物包括多个单元，并且所述多个模板图像分别是具有不同的平均灰度值的单元图像；
    计算模块，其被配置为计算待测单元图像的第一平均灰度值；
    选择模块，其被配置为基于所述第一平均灰度值在所述多个模板图像中选择第一模板图像，其中，所述第一模板图像的平均灰度值与所述第一平均灰度值之间的差异最小；以及
    检测模块，其被配置为基于所述第一模板图像对所述待测单元图像进行色差检测。
  8. 根据权利要求7所述的检测系统，其特征在于，所述创建模块包括：
    扫描单元，其被配置为扫描所述参考物以生成参考物图像，其中，所 述参考物图像包括多个单元图像；
    形成单元，其被配置为在所述多个单元图像中选择一个或若干单元图像，形成第一单元图像集；
    分类单元，其被配置为基于第一平均灰度值间隔对所述第一单元图像集进行分类以形成一个或多个灰度类，其中，每个灰度类包括一个或多个单元图像；
    生成单元，其被配置为基于每个灰度类中的所有单元图像，生成相应的平均灰度图；以及
    保存单元，其被配置为根据各灰度类的平均灰度图形成所述模板图像。
  9. 根据权利要求8所述的检测系统，其特征在于，
    所述保存单元具体被配置为：
    判断针对所述参考物生成的相应平均灰度图中是否存在任意多个平均灰度图之间的平均灰度值差值小于第二灰度值间隔；
    在存在所述平均灰度值差值小于所述第二灰度值间隔的第二平均灰度值时，保留所述多个第二平均灰度图中的任一平均灰度图作为模板图像；或者
    所述保存单元具体被配置为：
    将各个平均灰度图均作为模板图像。
  10. 根据权利要求9所述的检测系统，其特征在于，所述创建模块具体被配置为：
    基于单个所述参考物，创建所述多个模板图像；或者
    基于至少两个所述参考物，创建所述多个模板图像，其中，所述至少两个参考物具有至少部分不重合的灰度值范围。
  11. 根据权利要求8所述的检测系统，其特征在于，所述分类单元包括：
    计算子单元，其被配置为计算所述第一单元图像集中的每一个单元图像的平均灰度值；
    排序子单元，其被配置为基于所计算的每一个单元图像的平均灰度值，对所述第一单元图像集进行排序，以生成与所述第一单元图像集相关联的图像序列；以及
    分类子单元，其被配置为在所述图像序列中基于所述第一平均灰度值间隔对所述第一单元图像集进行分类，使得每一个灰度类中所有单元图像的平均灰度值之间的差异在所述第一平均灰度值间隔内。
  12. 根据权利要求7所述的检测系统，其特征在于，所述检测模块包括：
    第一检测单元，其被配置为确定所述第一模板图像与所述待测单元图像中相应的像素点之间的平均灰度值差异是否超过设定阈值；以及
    第二检测单元，其被配置为在所述平均灰度值差异超过所述设定阈值的情况下，确定所述待测单元图像存在缺陷。
PCT/CN2020/080419 2019-03-21 2020-03-20 检测方法及检测系统 WO2020187319A1 (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/441,411 US11881186B2 (en) 2019-03-21 2020-03-20 Detection method and detection system
SG11202110410UA SG11202110410UA (en) 2019-03-21 2020-03-20 Detection method and detection system
KR1020217033990A KR20210154164A (ko) 2019-03-21 2020-03-20 검출 방법 및 검출 시스템

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910215621.4 2019-03-21
CN201910215621.4A CN111724335A (zh) 2019-03-21 2019-03-21 检测方法及检测系统

Publications (1)

Publication Number Publication Date
WO2020187319A1 true WO2020187319A1 (zh) 2020-09-24

Family

ID=72518997

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/080419 WO2020187319A1 (zh) 2019-03-21 2020-03-20 检测方法及检测系统

Country Status (5)

Country Link
US (1) US11881186B2 (zh)
KR (1) KR20210154164A (zh)
CN (1) CN111724335A (zh)
SG (1) SG11202110410UA (zh)
WO (1) WO2020187319A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112730251B (zh) * 2020-12-30 2023-09-26 凌云光技术股份有限公司 一种用于屏幕颜色缺陷检测的装置及方法
CN112767396B (zh) * 2021-04-07 2021-07-20 深圳中科飞测科技股份有限公司 缺陷的检测方法、装置和计算机可读存储介质
CN112767397B (zh) * 2021-04-07 2021-07-20 深圳中科飞测科技股份有限公司 工件的检测方法、工件检测设备及存储介质
CN113570604B (zh) * 2021-09-28 2022-01-14 武汉精创电子技术有限公司 晶粒检测样本自动生成方法和装置
CN113744274B (zh) * 2021-11-08 2022-02-08 深圳市巨力方视觉技术有限公司 产品外观缺陷检测方法、装置及存储介质
CN114420619B (zh) * 2022-03-30 2022-07-01 晶芯成(北京)科技有限公司 晶圆对准装置及方法、晶圆测试方法
CN116703741B (zh) * 2022-09-27 2024-03-15 荣耀终端有限公司 一种图像对比度的生成方法、装置和电子设备
CN116168039B (zh) * 2023-04-26 2023-07-14 济宁市新华电力特种材料有限公司 一种环保节能硅酸铝板质量检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101090083A (zh) * 2006-06-12 2007-12-19 中芯国际集成电路制造(上海)有限公司 晶片检测方法
WO2008068894A1 (ja) * 2006-12-04 2008-06-12 Tokyo Electron Limited 欠陥検出装置、欠陥検出方法、情報処理装置、情報処理方法及びそのプログラム
CN101329281A (zh) * 2007-06-20 2008-12-24 佛山普立华科技有限公司 影像感测晶片污点检测系统及其检测方法
US20090238445A1 (en) * 2008-03-20 2009-09-24 Samsung Electronics Co., Ltd. Method of detecting a defect on an object
CN107730493A (zh) * 2017-10-24 2018-02-23 广东天机工业智能系统有限公司 产品颜色差异检测方法、装置、介质以及计算机设备

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100474571B1 (ko) * 2002-09-23 2005-03-10 삼성전자주식회사 웨이퍼의 패턴 검사용 기준 이미지 설정 방법과 이 설정방법을 이용한 패턴 검사 방법 및 장치
US20060160608A1 (en) * 2005-01-14 2006-07-20 Hill Otho D Card game system with automatic bet recognition
US7706606B1 (en) * 2006-05-31 2010-04-27 Adobe Systems Incorporated Fast, adaptive color to grayscale conversion
US8660342B2 (en) * 2012-01-24 2014-02-25 Telefonica, S.A. Method to assess aesthetic quality of photographs
JP5937878B2 (ja) * 2012-04-24 2016-06-22 株式会社日立ハイテクノロジーズ パターンマッチング方法及び装置
US9311698B2 (en) * 2013-01-09 2016-04-12 Kla-Tencor Corp. Detecting defects on a wafer using template image matching
US10127652B2 (en) * 2014-02-06 2018-11-13 Kla-Tencor Corp. Defect detection and classification based on attributes determined from a standard reference image
CN104900553B (zh) * 2014-03-07 2018-05-01 中芯国际集成电路制造(上海)有限公司 晶圆缺陷检测方法
WO2016091536A1 (en) * 2014-12-09 2016-06-16 Asml Netherlands B.V. Method and apparatus for image analysis
CN107615066B (zh) * 2015-05-07 2020-06-30 技术创新动力基金（以色列）有限合伙公司 用于包括精子的生物细胞和生物有机体的干涉系统和方法
JP2017053674A (ja) * 2015-09-08 2017-03-16 株式会社ニューフレアテクノロジー パターン幅寸法のずれ量測定方法及びパターン検査装置
US10129450B2 (en) * 2015-10-02 2018-11-13 Tareq Issam Nabhan System and method for ophthalmological imaging adapted to a mobile processing device
CN105548208B (zh) * 2016-02-05 2018-10-19 湖北工业大学 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法
CN105957238B (zh) * 2016-05-20 2019-02-19 聚龙股份有限公司 一种纸币管理方法及其系统
EP3500392B1 (en) * 2016-08-19 2022-07-06 Levi Strauss & Co. Laser finishing of apparel
WO2018049598A1 (zh) * 2016-09-14 2018-03-22 深圳大学 一种眼底图像增强方法及系统
CN106600600A (zh) * 2016-12-26 2017-04-26 华南理工大学 基于特征匹配的晶圆缺陷检测方法
CN108269394B (zh) * 2016-12-30 2022-12-23 富泰华工业（深圳）有限公司 安全管控方法、交通警示系统、用户终端及监控装置
US10522322B2 (en) * 2017-04-13 2019-12-31 Fractilia, Llc System and method for generating and analyzing roughness measurements
US10460434B2 (en) * 2017-08-22 2019-10-29 Applied Materials Israel Ltd. Method of defect detection and system thereof
CN108182383B (zh) * 2017-12-07 2021-07-20 浙江大华技术股份有限公司 一种车窗检测的方法及设备
US11081139B2 (en) * 2018-10-12 2021-08-03 Adobe Inc. Video inpainting via confidence-weighted motion estimation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101090083A (zh) * 2006-06-12 2007-12-19 中芯国际集成电路制造(上海)有限公司 晶片检测方法
WO2008068894A1 (ja) * 2006-12-04 2008-06-12 Tokyo Electron Limited 欠陥検出装置、欠陥検出方法、情報処理装置、情報処理方法及びそのプログラム
CN101329281A (zh) * 2007-06-20 2008-12-24 佛山普立华科技有限公司 影像感测晶片污点检测系统及其检测方法
US20090238445A1 (en) * 2008-03-20 2009-09-24 Samsung Electronics Co., Ltd. Method of detecting a defect on an object
CN107730493A (zh) * 2017-10-24 2018-02-23 广东天机工业智能系统有限公司 产品颜色差异检测方法、装置、介质以及计算机设备

Also Published As

Publication number Publication date
KR20210154164A (ko) 2021-12-20
US11881186B2 (en) 2024-01-23
CN111724335A (zh) 2020-09-29
SG11202110410UA (en) 2021-10-28
US20220189426A1 (en) 2022-06-16

Similar Documents

Publication Publication Date Title
WO2020187319A1 (zh) 检测方法及检测系统
US10818000B2 (en) Iterative defect filtering process
JP2018005640A (ja) 分類器生成装置、画像検査装置、及び、プログラム
KR102203112B1 (ko) 표준 기준 이미지로부터 결정된 속성에 기초한 결함 검출 및 분류
JP2018005639A (ja) 画像分類装置、画像検査装置、及び、プログラム
US8611638B2 (en) Pattern inspection method and pattern inspection apparatus
JP5255953B2 (ja) 欠陥検査方法及び装置
US20040032979A1 (en) Defect inspection method
TWI631638B (zh) 由參考影像改變之檢測方式設定
US11378522B2 (en) Information processing apparatus related to machine learning for detecting target from image, method for controlling the same, and storage medium
TW201915770A (zh) 對半導體樣本中的缺陷進行分類之方法及其系統
JP6584250B2 (ja) 画像分類方法、分類器の構成方法および画像分類装置
JP2006098155A (ja) 検査方法及びその装置
TW201514927A (zh) 適應性局部臨限及色彩篩選
JP2003085558A (ja) パターン検査方法及び検査装置
JP2001188906A (ja) 画像自動分類方法及び画像自動分類装置
US9652836B2 (en) Defect cell clustering method and apparatus thereof
US9052295B2 (en) Panel inspection method and apparatus
TW202234052A (zh) 自動光學檢測方法、自動光學檢測系統及記錄媒體
JP7070334B2 (ja) 画像分類装置、画像検査装置、及び画像分類方法
CN112767397B (zh) 工件的检测方法、工件检测设备及存储介质
CN110672631B (zh) 面板缺陷拍照方法和面板缺陷拍照装置
JP4610364B2 (ja) 良否判定装置、良否判定方法および良否判定プログラム
WO2015015945A1 (ja) 欠陥候補特定装置、欠陥候補特定方法、欠陥判定装置、欠陥検査装置、欠陥候補特定プログラム及び記録媒体
JP4889018B2 (ja) 外観検査方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20774392

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 09.02.2022)

122 Ep: pct application non-entry in european phase

Ref document number: 20774392

Country of ref document: EP

Kind code of ref document: A1