CN109978843A - 晶圆掺杂物的图像分割方法、***、计算机设备及存储介质 - Google Patents
晶圆掺杂物的图像分割方法、***、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109978843A CN109978843A CN201910196050.4A CN201910196050A CN109978843A CN 109978843 A CN109978843 A CN 109978843A CN 201910196050 A CN201910196050 A CN 201910196050A CN 109978843 A CN109978843 A CN 109978843A
- Authority
- CN
- China
- Prior art keywords
- image
- evolution
- wafer
- indicate
- level set
- 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
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明公开了一种晶圆掺杂物的图像分割方法、***、计算机设备及存储介质,所述方法包括:获取晶圆图像;构建区域型变分水平集模型;将晶圆图像输入区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对晶圆图像进行分割,输出得到晶圆掺杂物的图像;所述***包括获取模块、构建模块和分割模块。本发明通过将受噪音影响的晶圆图像输入构建的区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对该晶圆图像进行分割,可以从该晶圆图像中准确分割出晶圆掺杂物,并且有利于提高对比度低的图像分割精度。
Description
技术领域
本发明涉及一种晶圆掺杂物的图像分割方法、***、计算机设备及存储介质,属于图像分割技术领域。
背景技术
晶圆是制造半导体芯片的基本材料。在晶圆片上可加工制作成各种电路元件结构,而成为有特定电性功能的IC产品。根据SiC、GaN、ZnO材料器件的优异性能,第三代半导体迅速兴起,特别是氮化物材料,它们具有大的带隙(禁带通常在2eV以上)、高的击穿电场、高的电子饱和漂移速度、强的抗辐照能力等优点,即解决了白光照明问题,而且适合研制高温、高功率器件和特殊环境下工作的各类电子器件。
制造芯片的晶圆都是经过掺杂的,通过用热扩散或离子注入工艺完成掺杂。通过掺杂技术,半导体材料中产生重要的P-N结,但同时引进一些新的缺陷或者是复合物,导致外延生长模式和表面形貌受到不同影响。SiC半导体材料通过掺杂技术实现导电的N型材料。GaN半导体通过掺入施主或受主原子获得稳定可靠的N型或P型材料。目前Mg原子是最适合GaN的P型掺杂元素。Mg原子在GaN生长中能够产生一些络合物,如Mg-H络合物,络合物对Mg原子起钝化作用,使Mg原子难以激活离化。另外,高Mg源流量会严重影响外延膜表面形貌,使GaN表面粗糙,在更高Mg掺杂下,GaN会产生反向畴,改变极性。目前Si和Ge是GaN半导体的N型掺杂比较容易实现的掺杂原子。然而,高硅掺杂会明显影响GaN外延膜的表面形貌,导致表面粗糙,Ge掺杂对外延膜应变的影响较小。
掺杂元素和浓度对氧化生长速率都有影响。例如,高掺杂浓度的硅表面要比低掺杂浓度的硅表面氧化速率快。而且高掺杂浓度的硅表面上的氧化层比在其他层上生长的氧化层的密度低。在氧化完成后,硅中掺杂原子的分布对氧化生长速率也有影响。例如,N型掺杂物(P、As、Sb)它们在硅中比在二氧化硅中有更高的溶解度。当氧化层碰到它们时,这些杂质将进入硅中,N型掺杂物在硅与二氧化硅之间比在晶体里有更高的密度(称之为二氧化硅的排磷作用)。当掺杂物是P型材料的硼(B)元素时,就会产生相反的结果。即硼原子被拉入二氧化硅层,导致在SiO2与Si交界处的硅原子被硼原子消耗尽(称之为二氧化硅的吸硼作用)。
在现有的图像采集设备中,其组成部分包括工控机、显微镜检测平台、变倍镜检测平台、XYZ轴精密运动平台以及载物平台。其中,显微镜检测平台是利用金相显微镜观察金属和矿物等不透明物体的金相组织。在金相显微镜中照明光束从物镜方向射到被观察物体表面,被物面反射后再返回物镜成像,检测精度可达到微纳米级。这种反射照明方式广泛用于集成电路硅片的检测工作。
发明内容
本发明的第一个目的在于提供一种晶圆掺杂物的图像分割方法,该方法可以从受噪音影响的晶圆图像中准确分割出晶圆掺杂物,并且有利于提高对比度低的图像分割精度。
本发明的第二个目的在于提供一种晶圆掺杂物的图像分割***。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到:
一种晶圆掺杂物的图像分割方法,所述方法包括:
获取晶圆图像;
构建区域型变分水平集模型;
将晶圆图像输入区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对晶圆图像进行分割,输出得到晶圆掺杂物的图像。
进一步的,所述将晶圆图像输入区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对晶圆图像进行分割,输出得到晶圆掺杂物的图像,具体包括:
将晶圆图像输入区域型变分水平集模型;
根据晶圆图像,设置总体能量泛函的各项参数,以及聚类数目和闭合演化曲线外部的图像熵窗口大小;
初始化水平集函数;
计算聚类中心点值、闭合演化曲线外部的图像熵、演化曲线内部的权重系数以及演化曲线外部的权重系数;
计算演化曲线内部拟合值和演化曲线外部的图像拟合值;
更新水平集函数;
判断演化曲线是否稳定,若演化曲线稳定,则分割结束,输出得到晶圆掺杂物的图像,若演化曲线不稳定,则重新计算聚类中心点值、局部熵信息、演化曲线内部的权重系数以及演化曲线外部的权重系数,直到演化曲线稳定。
进一步的,所述总体能量泛函,如下式:
其中,Ω表示图像空间;φ(x,y)表示水平集函数;u0(x,y)表示图像像素点;
表示演化曲线光滑项,u1表示该光滑项的权重系数;
表示区域光滑性保持项,u2表示该保持项的权重系数;
表示演化曲线保真项;
表示正则项,w表示该正则项的权重系数。
进一步的,所述保持项和保真项中的Hε(φ)表示正则平滑函数,所述光滑项中的δε(φ)表示函数Hε(φ)的导数,其中ε为常数,Hε(φ)和δε(φ)如下式:
进一步的,所述保真项中,表示演化曲线内部的保真项,表示演化曲线外部的保真项,D1表示演化曲线内部的权重系数,D2表示演化曲线外部的权重系数;
所述演化曲线内部的保真项中,c1i表示演化曲线内部拟合值,其计算如下式:
c1i=α1ki+(1-α1)u0 *
其中,ki表示第i类聚类中心点值,i=1,2,...,K,u0 *表示原图像经过均值滤波后的图像信息,α1表示权值,取值范围为0-1;
所述演化曲线外部的保真项中,c2表示演化曲线外部的图像拟合值,其计算如下式:
其中,τout表示闭合演化曲线外部的图像熵,如下式:
其中,N表示图像中的灰度等级;Pi表示灰度值为i的像素在图像中所占百分比,取值范围为0-1,α2表示图像熵系数,α2≥0。
进一步的,在演化曲线内部,D1=max|u0(x,y)-m1|,m1为演化曲线内部的灰度中值;在演化曲线外部,D2=max|u0(x,y)-m2|,m2为演化曲线外部的灰度中值。
进一步的,所述总体能量泛函代入欧拉公式,引进时间变量,利用梯度下降法最小化总体能量泛函,得到如下水平集计算公式:
其中,t为时间变量。
本发明的第二个目的可以通过采取如下技术方案达到:
一种晶圆掺杂物的图像分割***,所述***包括:
获取模块,用于获取晶圆图像;
构建模块,构建区域型变分水平集模型;
分割模块,用于将晶圆图像输入区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对晶圆图像进行分割,输出得到晶圆掺杂物的图像。
本发明的第三个目的可以通过采取如下技术方案达到:
一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的图像分割方法。
本发明的第四个目的可以通过采取如下技术方案达到:
一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的图像分割方法。
本发明相对于现有技术具有如下的有益效果:
1、本发明通过将受噪音影响的晶圆图像输入构建的区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对该晶圆图像进行分割,可以从该晶圆图像中准确分割出晶圆掺杂物,并且有利于提高对比度低的图像分割精度。
2、本发明可以根据最大绝对中位差自适应调节曲线内外演化速度,对图像区域内的噪声有更高的稳健度。
3、本发明在演化曲线内部利用聚类中心点值与滤波后的图像加权和,作为演化曲线内部拟合值,有利于提高对比度低的图像分割精度。
4.本发明在演化曲线外部,引进图像熵作为灰度信息的补充,有利于提高对比度低的图像分割精度。
5、本发明在演化过程中,区域型变分水平集模型始终保持演化曲线的光滑性与平稳性且梯度模值始终为1,避免重新初始化,提高计算时间。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1的晶圆掺杂物的图像分割方法的流程图。
图2为本发明实施例1的利用区域型变分水平集模型的总体能量泛函对晶圆图像进行分割的流程图。
图3为本发明实施例2的晶圆掺杂物的图像分割***的结构框图。
图4为本发明实施例2的晶圆掺杂物的图像分割***中分割模块的结构框图。
图5为本发明实施例3的计算机设备结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
如图1所示,本实施例提供了一种晶圆掺杂物的图像分割方法,该方法包括以下步骤:
S101、获取晶圆图像。
本实施例利用金相显微镜放大采集获取得到晶圆图像,根据该晶圆图像中掺杂物的颜色深浅不同,并且该晶圆图像灰度不均且受噪声影响,因此需要进行分割。
S102、构建区域型变分水平集模型。
区域型变分水平集模型的总体能量泛函,如下式:
其中,Ω表示图像空间;φ(x,y)表示水平集函数,一般选用符号距离函数;u0(x,y)表示图像像素点;
表示演化曲线光滑项,该光滑项使得零水平集尽可能短且光滑,u1表示该光滑项的权重系数;
表示区域光滑性保持项,作用为保持区域光滑性,u2表示该保持项的权重系数;
表示演化曲线保真项,该保真项使得分割后的图像尽可能与原图像接近;
表示正则项,该正则项的作用为在曲线演化过程中,保证水平集可微,并且始终保持|Δφ|=1,避免水平集重新初始化,w表示该正则项的权重系数。
上述保持项和保真项中的Hε(φ)表示正则平滑函数,上述光滑项中的δε(φ)表示函数Hε(φ)的导数,其中ε为常数,Hε(φ)和δε(φ)如下式:
上述保真项中,表示演化曲线内部的保真项,表示演化曲线外部的保真项,D1表示演化曲线内部的权重系数,D2表示演化曲线外部的权重系数。
演化曲线内部的保真项中,c1i表示演化曲线内部拟合值,其计算如下式:
c1i=α1ki+(1-α1)u0 * (3)
其中,ki表示第i类聚类中心点值,该聚类中心点值可以利用K-means聚类后得到,i=1,2,...,K,u0 *表示原图像经过均值滤波后的图像信息,α1表示权值,取值范围为0-1。
从上述内容可以看到,本实施例利用聚类中心点值与均值滤波后的图像的权重和作为演化曲线内部拟合值,对于晶圆掺杂物图像对比度低,在其靠近边缘处的孤立背景点与目标聚类中心点具有很高的相似性,演化曲线内部拟合值结合了均值滤波后的图像,有效的降低模型对聚类结果的依赖性,防止孤立背景点被误分割为前景图像中的点。
演化曲线外部的保真项中,c2表示演化曲线外部的图像拟合值,其计算如下式:
其中,τout表示闭合演化曲线外部的图像熵,如下式:
其中,N表示图像中的灰度等级;Pi表示灰度值为i的像素在图像中所占百分比,取值范围为0-1,α2表示图像熵系数,α2≥0。
从上述内容可以看到,本实施例的演化曲线外部的保真项,引入图像熵作为原图像灰度信息的补充,图像熵表征图像的分布特性与纹理复杂度,图像熵越大,图像纹理信息越丰富,在对比度降低的图像中,有利于提高图像分割精度。
进一步地,本实施例采用最大绝对中位差,即:在演化曲线内部,D1=max|u0(x,y)-m1|,m1为演化曲线内部的灰度中值;在演化曲线外部,D2=max|u0(x,y)-m2|,m2为演化曲线外部的灰度中值;与灰度均值相比,灰度中值对区域内的噪声点平稳性更高,D1、D2可自适应调整内外曲线演化速度。
上述总体能量泛函代入欧拉公式,引进时间变量t,利用梯度下降法最小化总体能量泛函,得到如下水平集计算公式:
S103、将晶圆图像输入区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对晶圆图像进行分割,输出得到晶圆掺杂物的图像。
该步骤S103如图2所示,具体包括:
S1031、将晶圆图像输入区域型变分水平集模型。
S1032、根据晶圆图像,设置总体能量泛函的各项参数,如u1、u2、w、α1、α2、时间步长,以及聚类数目和闭合演化曲线外部的图像熵窗口大小。
S1033、初始化水平集函数。
S1034、计算聚类中心点值,根据上式(5),计算闭合演化曲线外部的图像熵,根据最大绝对中位差,计算演化曲线内部的权重系数以及演化曲线外部的权重系数。
S1035、根据上式(3),计算演化曲线内部拟合值;根据上式(4),计算演化曲线外部的图像拟合值。
S1036、更新水平集函数。
S1037、判断演化曲线是否稳定。
具体地,判断演化曲线是否稳定,可以通过增加迭代次数,观察演化曲线是否出现震荡,若出现震荡,即为不稳定;若没有出现震荡,即维持在目标边界处,即为稳定。
若演化曲线稳定,则分割结束,输出得到晶圆掺杂物的图像,若演化曲线不稳定,则返回步骤S1034。
本领域技术人员可以理解,实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,相应的程序可以存储于计算机可读存储介质中。
应当注意,尽管在附图中以特定顺序描述了上述实施例的方法操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
实施例2:
如图3所示,本实施例提供了一种晶圆掺杂物的图像分割***,该***包括获取模块301、构建模块302和分割模块303,各个模块的具体功能如下:
所述获取模块301,用于获取晶圆图像。
所述构建模块302,构建区域型变分水平集模型。
所述分割模块303,用于将晶圆图像输入区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对晶圆图像进行分割,输出得到晶圆掺杂物的图像。
进一步地,分割模块303如图4所示,具体包括:
输入单元3031,用于将晶圆图像输入区域型变分水平集模型。
设置单元3032,用于根据晶圆图像,设置总体能量泛函的各项参数,以及聚类数目和闭合演化曲线外部的图像熵窗口大小。
初始化单元3033,用于初始化水平集函数。
第一计算单元3034,用于计算聚类中心点值、闭合演化曲线外部的图像熵、演化曲线内部的权重系数以及演化曲线外部的权重系数。
第二计算单元3035,用于计算演化曲线内部拟合值和演化曲线外部的图像拟合值。
更新单元3036,用于更新水平集函数。
判断单元3037,用于判断演化曲线是否稳定,若演化曲线稳定,则分割结束,输出得到晶圆掺杂物的图像,若演化曲线不稳定,则重新计算聚类中心点值、局部熵信息、演化曲线内部的权重系数以及演化曲线外部的权重系数,直到演化曲线稳定。
本实施例中各个模块的具体实现可以参见上述实施例1,在此不再一一赘述;需要说明的是,本实施例提供的***仅以上述各功能模块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完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
可以理解,本实施例的***中所使用的术语“第一”、“第二”等可用于描述各种单元,但这些单元不受这些术语限制。这些术语仅用于将第一个单元与另一个单元区分。举例来说,在不脱离本发明的范围的情况下,可以将第一计算单元称为第二计算单元,且类似地,可将第二计算单元称为第一计算单元,第一计算单元和第二计算单元两者都是计算单元,但其不是同一计算单元。
实施例3:
本实施例提供了一种计算机设备,该计算机设备可以是图像采集设备中的工控机,工控机的结构如图5所示,其包括通过***总线501连接的处理器502、存储器、输入装置503、显示器504和网络接口505,该处理器用于提供计算和控制能力,该存储器包括非易失性存储介质506和内存储器507,该非易失性存储介质506存储有操作***、计算机程序和数据库,该内存储器507为非易失性存储介质中的操作***和计算机程序的运行提供环境,处理器502执行存储器存储的计算机程序时,实现上述实施例1的图像分割方法,如下:
获取晶圆图像;
构建区域型变分水平集模型;
将晶圆图像输入区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对晶圆图像进行分割,输出得到晶圆掺杂物的图像。
实施例4:
本实施例提供了一种存储介质,该存储介质为计算机可读存储介质,其存储有计算机程序,所述程序被处理器执行时,处理器执行存储器存储的计算机程序时,实现上述实施例1的图像分割方法,如下:
获取晶圆图像;
构建区域型变分水平集模型;
将晶圆图像输入区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对晶圆图像进行分割,输出得到晶圆掺杂物的图像。
本实施例中所述的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、U盘、移动硬盘等介质。
综上所述,本发明通过将受噪音影响的晶圆图像输入构建的区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对该晶圆图像进行分割,可以从该晶圆图像中准确分割出晶圆掺杂物,并且有利于提高对比度低的图像分割精度。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (10)
1.一种晶圆掺杂物的图像分割方法,其特征在于,所述方法包括:
获取晶圆图像;
构建区域型变分水平集模型;
将晶圆图像输入区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对晶圆图像进行分割,输出得到晶圆掺杂物的图像。
2.根据权利要求1所述的图像分割方法,其特征在于,所述将晶圆图像输入区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对晶圆图像进行分割,输出得到晶圆掺杂物的图像,具体包括:
将晶圆图像输入区域型变分水平集模型;
根据晶圆图像,设置总体能量泛函的各项参数,以及聚类数目和闭合演化曲线外部的图像熵窗口大小;
初始化水平集函数;
计算聚类中心点值、闭合演化曲线外部的图像熵、演化曲线内部的权重系数以及演化曲线外部的权重系数;
计算演化曲线内部拟合值和演化曲线外部的图像拟合值;
更新水平集函数;
判断演化曲线是否稳定,若演化曲线稳定,则分割结束,输出得到晶圆掺杂物的图像,若演化曲线不稳定,则重新计算聚类中心点值、局部熵信息、演化曲线内部的权重系数以及演化曲线外部的权重系数,直到演化曲线稳定。
3.根据权利要求1-2任一项所述的图像分割方法,其特征在于,所述总体能量泛函,如下式:
其中,Ω表示图像空间;φ(x,y)表示水平集函数;u0(x,y)表示图像像素点;
表示演化曲线光滑项,u1表示该光滑项的权重系数;
表示区域光滑性保持项,u2表示该保持项的权重系数;
表示演化曲线保真项;
表示正则项,w表示该正则项的权重系数。
4.根据权利要求3所述的图像分割方法,其特征在于,所述保持项和保真项中的Hε(φ)表示正则平滑函数,所述光滑项中的δε(φ)表示函数Hε(φ)的导数,其中ε为常数,Hε(φ)和δε(φ)如下式:
5.根据权利要求3所述的图像分割方法,其特征在于,所述保真项中,表示演化曲线内部的保真项,表示演化曲线外部的保真项,D1表示演化曲线内部的权重系数,D2表示演化曲线外部的权重系数;
所述演化曲线内部的保真项中,c1i表示演化曲线内部拟合值,其计算如下式:
c1i=α1ki+(1-α1)u0 *
其中,ki表示第i类聚类中心点值,i=1,2,...,K,u0 *表示原图像经过均值滤波后的图像信息,α1表示权值,取值范围为0-1;
所述演化曲线外部的保真项中,c2表示演化曲线外部的图像拟合值,其计算如下式:
其中,τout表示闭合演化曲线外部的图像熵,如下式:
其中,N表示图像中的灰度等级;Pi表示灰度值为i的像素在图像中所占百分比,取值范围为0-1,α2表示图像熵系数,α2≥0。
6.根据权利要求5所述的图像分割方法,其特征在于,在演化曲线内部,D1=max|u0(x,y)-m1|,m1为演化曲线内部的灰度中值;在演化曲线外部,D2=max|u0(x,y)-m2|,m2为演化曲线外部的灰度中值。
7.根据权利要求1-2任一项所述的图像分割方法,其特征在于,所述总体能量泛函代入欧拉公式,引进时间变量,利用梯度下降法最小化总体能量泛函,得到如下水平集计算公式:
其中,t为时间变量。
8.一种晶圆掺杂物的图像分割***,其特征在于,所述***包括:
获取模块,用于获取晶圆图像;
构建模块,构建区域型变分水平集模型;
分割模块,用于将晶圆图像输入区域型变分水平集模型,利用区域型变分水平集模型的总体能量泛函对晶圆图像进行分割,输出得到晶圆掺杂物的图像。
9.一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-7任一项所述的图像分割方法。
10.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-7任一项所述的图像分割方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910196050.4A CN109978843B (zh) | 2019-03-15 | 2019-03-15 | 晶圆掺杂物的图像分割方法、***、计算机设备及存储介质 |
PCT/CN2019/113458 WO2020186761A1 (zh) | 2019-03-15 | 2019-10-25 | 晶圆掺杂物的图像分割方法、***、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910196050.4A CN109978843B (zh) | 2019-03-15 | 2019-03-15 | 晶圆掺杂物的图像分割方法、***、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978843A true CN109978843A (zh) | 2019-07-05 |
CN109978843B CN109978843B (zh) | 2020-11-24 |
Family
ID=67078991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910196050.4A Active CN109978843B (zh) | 2019-03-15 | 2019-03-15 | 晶圆掺杂物的图像分割方法、***、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109978843B (zh) |
WO (1) | WO2020186761A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363775A (zh) * | 2019-06-21 | 2019-10-22 | 华南理工大学 | 一种基于区域型变分水平集的图像分割方法 |
WO2020186761A1 (zh) * | 2019-03-15 | 2020-09-24 | 华南理工大学 | 晶圆掺杂物的图像分割方法、***、计算机设备及存储介质 |
CN113218986A (zh) * | 2021-04-09 | 2021-08-06 | 河南五建建设集团有限公司 | 一种用于预应力压浆施工后密实度的检测***及方法 |
CN114667596A (zh) * | 2019-11-21 | 2022-06-24 | 科磊股份有限公司 | 基于噪声特性而对次关注区域进行聚类 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013023241A1 (en) * | 2011-08-12 | 2013-02-21 | Bt Imaging Pty Ltd | Photoluminescence imaging of doping variations in semiconductor wafers |
CN104732551A (zh) * | 2015-04-08 | 2015-06-24 | 西安电子科技大学 | 基于超像素和图割优化的水平集图像分割方法 |
CN107240108A (zh) * | 2017-06-06 | 2017-10-10 | 衢州学院 | 基于局部高斯分布拟合与局部符号差能量驱动的活动轮廓模型图像分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7177471B2 (en) * | 2002-02-01 | 2007-02-13 | Siemens Corporate Research, Inc. | Shape priors for level set representations |
CN104867143B (zh) * | 2015-05-15 | 2018-09-04 | 东华理工大学 | 基于局部引导核拟合能量模型的水平集图像分割方法 |
CN107180433A (zh) * | 2017-06-06 | 2017-09-19 | 衢州学院 | 一种局部交叉熵度量模糊c均值的水平集图像分割算法 |
CN109978843B (zh) * | 2019-03-15 | 2020-11-24 | 华南理工大学 | 晶圆掺杂物的图像分割方法、***、计算机设备及存储介质 |
-
2019
- 2019-03-15 CN CN201910196050.4A patent/CN109978843B/zh active Active
- 2019-10-25 WO PCT/CN2019/113458 patent/WO2020186761A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013023241A1 (en) * | 2011-08-12 | 2013-02-21 | Bt Imaging Pty Ltd | Photoluminescence imaging of doping variations in semiconductor wafers |
CN104732551A (zh) * | 2015-04-08 | 2015-06-24 | 西安电子科技大学 | 基于超像素和图割优化的水平集图像分割方法 |
CN107240108A (zh) * | 2017-06-06 | 2017-10-10 | 衢州学院 | 基于局部高斯分布拟合与局部符号差能量驱动的活动轮廓模型图像分割方法 |
Non-Patent Citations (2)
Title |
---|
T.F. CHAN AND L.A. VESE: "《Active contours without edges》", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
叶丙刚、姜涛、罗朝晖、吴效明: "《结合图像熵的C-V模型分割算法》", 《计算机应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020186761A1 (zh) * | 2019-03-15 | 2020-09-24 | 华南理工大学 | 晶圆掺杂物的图像分割方法、***、计算机设备及存储介质 |
CN110363775A (zh) * | 2019-06-21 | 2019-10-22 | 华南理工大学 | 一种基于区域型变分水平集的图像分割方法 |
CN114667596A (zh) * | 2019-11-21 | 2022-06-24 | 科磊股份有限公司 | 基于噪声特性而对次关注区域进行聚类 |
CN114667596B (zh) * | 2019-11-21 | 2023-08-18 | 科磊股份有限公司 | 基于噪声特性而对次关注区域进行聚类 |
CN113218986A (zh) * | 2021-04-09 | 2021-08-06 | 河南五建建设集团有限公司 | 一种用于预应力压浆施工后密实度的检测***及方法 |
CN113218986B (zh) * | 2021-04-09 | 2023-05-12 | 河南五建建设集团有限公司 | 一种用于预应力压浆施工后密实度的检测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020186761A1 (zh) | 2020-09-24 |
CN109978843B (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978843A (zh) | 晶圆掺杂物的图像分割方法、***、计算机设备及存储介质 | |
CN107145908B (zh) | 一种基于r-fcn的小目标检测方法 | |
Rameez et al. | Is there really a Hubble tension? | |
Crommelin et al. | Subgrid-scale parameterization with conditional Markov chains | |
Beres et al. | Effects of tropospheric wind shear on the spectrum of convectively generated gravity waves | |
Zhao et al. | Typhoon air‐sea drag coefficient in coastal regions | |
CN105865462B (zh) | 带有深度增强视觉传感器的基于事件的三维slam方法 | |
US11704841B2 (en) | Apparatus for estimating sameness of point cloud data and system for estimating sameness of point cloud data | |
Singh et al. | PI-LSTM: Physics-infused long short-term memory network | |
Poterjoy et al. | Efficient assimilation of simulated observations in a high-dimensional geophysical system using a localized particle filter | |
CN108897836A (zh) | 一种机器人基于语义进行地图构建的方法和装置 | |
Ingebrigtsen et al. | Estimation of a non-stationary model for annual precipitation in southern Norway using replicates of the spatial field | |
Amarouche et al. | Spatial calibration of an unstructured SWAN model forced with CFSR and ERA5 winds for the Black and Azov Seas | |
Ramadhan et al. | Prim and floyd-warshall comparative algorithms in shortest path problem | |
Mahrt et al. | Formulation of turbulent fluxes in the stable boundary layer | |
Rao et al. | Mathematical programming on multivariate calibration estimation in stratified sampling | |
CN111652443A (zh) | 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 | |
Yao et al. | M 2 tidal dynamics in Bohai and Yellow Seas: a hybrid data assimilative modeling study | |
Premkumar et al. | A reliable optimization framework for parameter identification of single‐diode solar photovoltaic model using weighted velocity‐guided grey wolf optimization algorithm and Lambert‐W function | |
Wong et al. | Fast Gravitational-wave Parameter Estimation without Compromises | |
Montgomery et al. | Comments on “How does the boundary layer contribute to eyewall replacement cycles in axisymmetric tropical cyclones?” | |
Lu et al. | Tidal currents and mixing in the Gulf of St. Lawrence: an application of the incremental approach to data assimilation | |
CN109446339B (zh) | 一种基于多核高斯分布的知识图谱表示方法 | |
Moon et al. | Impact of the reduced drag coefficient on ocean wave modeling under hurricane conditions | |
CN109242786A (zh) | 一种适用于城市区域的自动化形态学滤波方法 |
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 |