CN112991332A - 一种晶圆缺陷的多晶不良检测方法、装置 - Google Patents

一种晶圆缺陷的多晶不良检测方法、装置 Download PDF

Info

Publication number
CN112991332A
CN112991332A CN202110427427.XA CN202110427427A CN112991332A CN 112991332 A CN112991332 A CN 112991332A CN 202110427427 A CN202110427427 A CN 202110427427A CN 112991332 A CN112991332 A CN 112991332A
Authority
CN
China
Prior art keywords
wafer
image
polycrystalline
particle
particles
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.)
Pending
Application number
CN202110427427.XA
Other languages
English (en)
Inventor
别晓辉
王开开
别伟成
单书畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shirui Hangzhou Information Technology Co ltd
Original Assignee
Shirui Hangzhou Information Technology Co ltd
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 Shirui Hangzhou Information Technology Co ltd filed Critical Shirui Hangzhou Information Technology Co ltd
Priority to CN202110427427.XA priority Critical patent/CN112991332A/zh
Publication of CN112991332A publication Critical patent/CN112991332A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请涉及一种晶圆缺陷的多晶不良检测方法、装置、计算机设备和存储介质。所述方法包括：加载晶圆待检测图像；将所述晶圆待检测图像通过图像阈值分割方法，获得晶圆颗粒图像；对所述晶圆待检测图像进行阈值分割，获得多晶区域的位置；根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒；如果所述晶圆颗粒图像不为多晶不良颗粒，再次判断所述晶圆颗粒图像是否位于所述多晶区域的位置；如果所述晶圆颗粒图像位于所述多晶区域的位置，则所述晶圆颗粒图像为多晶不良颗粒。采用本方法能够提高多晶不良缺陷检测的准确率。

Description

一种晶圆缺陷的多晶不良检测方法、装置
技术领域
本申请涉及图像检测技术领域，特别是涉及一种晶圆缺陷的多晶不良检测方法、装置。
背景技术
过去半个世纪以来，电子设备的普及率极大地推动了半导体产业的蓬勃发展。日常生活中的各类电子设备，例如，电脑、电视、平板和手机等都依赖于各种半导体芯片所提供的传感、存储和计算能力。晶圆是芯片的主要构成部分，半导体晶圆的制造是一个漫长且复杂的过程，某一个环节的缺陷都会导致整个电路的故障；其中，晶圆的外观缺陷检测在晶圆质检中扮演着重要的角色。在晶圆的制造过程中，容易产生破损、裂痕、电极不良、多晶不良等缺陷，为了防止存在缺陷的晶圆流入到后续的分选封装等工序中，需要借助高精度光学检测设备拍摄晶圆表面缺陷，然后通过图像算法分析进行缺陷识别。
图1显示了外延片、芯片前制程、芯片后制程，在检测步骤中包含了晶圆的外观缺陷检测，而多晶不良是晶圆外观缺陷中比较特殊的一种；在芯片后制程的电性能检测后需要对整个晶圆芯片进行扩膜处理，在此过程中前序划裂工位或者扩膜中的异常均会导致多晶不良的出现，也就是多个晶圆颗粒粘连的情况，图2展示了多晶不良缺陷，如图2中的201部分。各个光电厂家制作工艺的不同，导致多晶不良极易出现。
传统的图像缺陷检测方法大部分针对单一晶粒进行缺陷的检测，例如发光区不良，电极不良等，针对多晶不良的检测只能依靠晶粒外延区域的灰度值进行阈值卡控，无法将多晶不良晶粒全部检出。针对一些复杂情况，例如晶粒边缘与背景灰度值高度相似、晶粒歪斜或者边缘多胞等情况，现有的多晶检测技术更加无法将多晶不良缺陷准确检出。
如果具有多晶不良缺陷的某一个晶圆误认为是正常晶圆颗粒，那么在分选工位中与该晶圆颗粒粘连的所有晶粒均会被抓起，造成频繁的报警，增加了操作人员的目检难度。因此，多晶不良的卡控标准非常严格，需要做到零漏判，亟需一种准确度高、适用性强的多晶不良缺陷检测方法。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高多晶不良缺陷检测准确率的晶圆缺陷的多晶不良检测方法、装置、计算机设备和存储介质。
一种晶圆缺陷的多晶不良检测方法，所述方法包括：
加载晶圆待检测图像；
将所述晶圆待检测图像通过图像阈值分割方法，获得晶圆颗粒图像；
对所述晶圆待检测图像进行阈值分割，获得多晶区域的位置；
根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒；
如果所述晶圆颗粒图像不为多晶不良颗粒，再次判断所述晶圆颗粒图像是否位于所述多晶区域的位置；
如果所述晶圆颗粒图像位于所述多晶区域的位置，则所述晶圆颗粒图像为多晶不良颗粒。
在其中一个实施例中，将所述晶圆待检测图像通过图像阈值分割方法，获得晶圆颗粒图像，包括：将所述晶圆待检测图像输入晶圆颗粒检测模型，得到晶圆颗粒图像；其中，晶圆颗粒检测模型通过预设神经网络模型训练获得，用于根据输入的晶圆待检测图像，输出晶圆颗粒图像。
在其中一个实施例中，在将所述晶圆待检测图像输入晶圆颗粒检测模型，得到晶圆颗粒图像之前，包括：收集晶圆图像训练数据；对所述晶圆图像训练数据进裁剪，再利用标注工具进行数据标注，得到标注图像数据；其中，数据标注的类别包括正常的晶圆颗粒和边界晶圆颗粒；将所述标注图像数据输入预设神经网络模型进行聚类分析，得到多个不同尺寸的锚点；根据形成多个不同尺寸的锚点的预设神经网络模型，得到晶圆颗粒检测模型。
在其中一个实施例中，对所述晶圆待检测图像进行阈值分割，获得多晶区域的位置，包括：对所述晶圆待检测图像进行二值化处理，得到二值化待检测图像；将所述二值化待检测图像进行形态学运算，并删除噪声数据，并进行多晶区域的轮廓提取，得到多晶区域的位置。
在其中一个实施例中，根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒，包括：判断晶圆颗粒图像的长和宽，是否均大于第一预设倍数正常晶圆颗粒的长和宽，且小于第二预设倍数正常晶圆颗粒的长和宽；所述晶圆颗粒图像为矩形，所述第一预设倍数小于1，所述第二预设倍数大于1；如果晶圆颗粒图像的长和宽不满足均大于第一预设倍数正常晶圆颗粒的长和宽，且小于第二预设倍数正常晶圆颗粒长和宽的条件，则判断所述晶圆颗粒图像是多晶不良颗粒；如果晶圆颗粒图像的长和宽满足均大于第一预设倍数正常晶圆颗粒的长和宽，且小于第二预设倍数正常晶圆颗粒长和宽的条件，则计算所述晶圆颗粒图像与上下左右四个位置上相邻的晶圆颗粒图像之间的边框距离；如果所述边框距离小于距离阈值，则判断所述晶圆颗粒图像是多晶不良颗粒。
在其中一个实施例中，根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒，包括：判断晶圆颗粒图像的半径是否大于第一预设倍数正常晶圆颗粒的半径，且小于第二预设倍数正常晶圆颗粒的半径；所述晶圆颗粒图像为圆形，所述第一预设倍数小于1，所述第二预设倍数大于1；如果晶圆颗粒图像的半径不满足大于第一预设倍数正常晶圆颗粒的半径，且小于第二预设倍数正常晶圆颗粒的半径的条件，则判断所述晶圆颗粒图像是多晶不良颗粒；如果晶圆颗粒图像的半径满足大于第一预设倍数正常晶圆颗粒的半径，且小于第二预设倍数正常晶圆颗粒的半径的条件，则计算所述晶圆颗粒图像与上下左右四个位置上相邻的晶圆颗粒图像之间的边界最短距离；如果所述边界最短距离小于距离阈值，则判断所述晶圆颗粒图像是多晶不良颗粒。
在其中一个实施例中，所述第一预设倍数为0.75，所述第二预设倍数为1.25。
一种晶圆缺陷的多晶不良检测装置，所述装置包括：
图像加载模块，用于加载晶圆待检测图像；
颗粒分割模块，用于将所述晶圆待检测图像通过图像阈值分割方法，获得晶圆颗粒图像；
多晶区域分割模块，用于对所述晶圆待检测图像进行阈值分割，获得多晶区域的位置；
第一判断模块，根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒；
第二判断模块，用于如果所述晶圆颗粒图像不为多晶不良颗粒，再次判断所述晶圆颗粒图像是否位于所述多晶区域的位置；
多晶不良确定模块，用于如果所述晶圆颗粒图像位于所述多晶区域的位置，则所述晶圆颗粒图像为多晶不良颗粒。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
加载晶圆待检测图像；
将所述晶圆待检测图像通过图像阈值分割方法，获得晶圆颗粒图像；
对所述晶圆待检测图像进行阈值分割，获得多晶区域的位置；
根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒；
如果所述晶圆颗粒图像不为多晶不良颗粒，再次判断所述晶圆颗粒图像是否位于所述多晶区域的位置；
如果所述晶圆颗粒图像位于所述多晶区域的位置，则所述晶圆颗粒图像为多晶不良颗粒。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
加载晶圆待检测图像；
将所述晶圆待检测图像通过图像阈值分割方法，获得晶圆颗粒图像；
对所述晶圆待检测图像进行阈值分割，获得多晶区域的位置；
根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒；
如果所述晶圆颗粒图像不为多晶不良颗粒，再次判断所述晶圆颗粒图像是否位于所述多晶区域的位置；
如果所述晶圆颗粒图像位于所述多晶区域的位置，则所述晶圆颗粒图像为多晶不良颗粒。
上述晶圆缺陷的多晶不良检测方法、装置、计算机设备和存储介质，通过对晶圆颗粒图像进行检测能够获得每个晶圆颗粒图像，使得晶圆边缘的晶圆颗粒也能被检测，在后续的检测过程中保证晶圆边缘的晶圆颗粒也能进行多晶不良缺陷的判断，保证了边缘多胞的情况下多晶不良检测的准确率；同时，本申请通过晶圆颗粒的目标框边界距离，以及是否位于多晶不良区域的两次判断，保证了晶粒歪斜的情况下多晶不良的缺陷得到检测。
附图说明
图1为一个实施例中芯片制作流程示意图；
图2为一个实施例中多晶不良缺陷示意图；
图3为一个实施例中晶圆缺陷的多晶不良检测的流程示意图；
图4为一个实施例中晶圆缺陷的多晶不良检测装置的结构框图；
图5为一个实施例中晶圆缺陷的多晶不良检测中间结果图；图5中（a）为晶圆待检测图像，图5中（b）为通过晶圆颗粒检测模型识别出晶圆颗粒图像，图5中（c）为多晶不良颗粒和正常晶圆颗粒图像，图5中（d）为晶圆待检测图像的二值化图像，图5中（e）为多晶区域的位置图像，图5中（f）为多晶不良颗粒的分割结果图像；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图3所示，提供了一种晶圆缺陷的多晶不良检测方法，包括以下步骤：
S110，加载晶圆待检测图像。
其中，晶圆待检测图像是通过相机拍摄的晶圆图像，由于晶圆颗粒的尺寸较小，采用高分辨率的相机进行晶圆图像的拍摄。
S120，将所述晶圆待检测图像通过图像阈值分割方法，获得晶圆颗粒图像。
其中，图像阈值分割方法为采用预设神经网络训练的，用于对图像进行阈值分割的方法，用于将晶圆颗粒图像从背景图像中分割开来。其中的阈值分割方法可为二值化分割方法。
S120’，对所述晶圆待检测图像进行阈值分割，获得多晶区域的位置。
其中，阈值分割为将晶圆颗粒区域背景区域进行分离。具体的，对晶圆待检测图像进行二值化处理，然后对二值化后的图像进行形态学运算，删除一些噪声数据，最终在处理过后的二值化图像中进行多晶区域的轮廓提取。
S130，根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒。
其中，晶圆颗粒图像在图像中具有坐标位置和尺寸，根据晶圆颗粒图像的坐标位置和尺寸可确定晶圆颗粒的边界（目标框边界），根据晶圆颗粒之间的边界确定目标框边界距离，然后根据设定的阈值来判断两颗晶圆颗粒是否靠得太近，如果靠得太近则认为是多晶不良颗粒。
S140，如果所述晶圆颗粒图像不为多晶不良颗粒，再次判断所述晶圆颗粒图像是否位于所述多晶区域的位置。
其中，由于两颗晶圆颗粒虽然目标框边界距离符合条件，但是由于晶圆颗粒歪斜，在边角处存在晶圆颗粒粘连，也是属于多晶不良的情况，需要再次判断晶圆颗粒图像是否位于所述多晶区域的位置，以保证晶粒歪斜的情况下多晶不良的缺陷得到检测。
S150，如果所述晶圆颗粒图像位于所述多晶区域的位置，则所述晶圆颗粒图像为多晶不良颗粒。
其中，步骤S120’在步骤S110之后且在步骤S140之前，步骤S120’与步骤S120和步骤S130的排序不受限制。
上述晶圆缺陷的多晶不良检测方法中，通过对晶圆颗粒图像进行检测能够获得每个晶圆颗粒图像，使得晶圆边缘的晶圆颗粒也能被检测，在后续的检测过程中保证晶圆边缘的晶圆颗粒也能进行多晶不良缺陷的判断，保证了边缘多胞的情况下多晶不良检测的准确率；同时，本申请通过晶圆颗粒的目标框边界距离，以及是否位于多晶不良区域的两次判断，保证了晶粒歪斜的情况下多晶不良的缺陷得到检测。
在其中一个实施例中，将所述晶圆待检测图像通过图像阈值分割方法，获得晶圆颗粒图像，包括：将所述晶圆待检测图像输入晶圆颗粒检测模型，得到晶圆颗粒图像；其中，晶圆颗粒检测模型通过预设神经网络模型训练获得，用于根据输入的晶圆待检测图像，输出晶圆颗粒图像。其中，预设神经网络模型可为基于anchor（锚点）的单阶段目标检测算法YOLOV4-tiny，基于anchor的两阶段目标检测算法，例如Faster-RCNN系列算法，基于anchor-free的目标检测算法，例如CornerNet等。
在其中一个实施例中，在将所述晶圆待检测图像输入晶圆颗粒检测模型，得到晶圆颗粒图像之前，包括：收集晶圆图像训练数据；对所述晶圆图像训练数据进裁剪，再利用标注工具进行数据标注，得到标注图像数据；其中，数据标注的类别包括正常的晶圆颗粒和边界晶圆颗粒；将所述标注图像数据输入预设神经网络模型进行聚类分析，得到多个不同尺寸的锚点；根据形成多个不同尺寸的锚点的预设神经网络模型，得到晶圆颗粒检测模型。
其中，在对数据标注时，需要注明标注类别，标注类别包括正常的晶圆颗粒和边界晶圆颗粒，通过此方法训练的晶圆颗粒检测模型，能够对晶圆边界的晶圆颗粒进行检测。其中，根据标注的图像中的晶圆颗粒，计算目标框（晶圆颗粒图像）的个数及宽高比维度，根据Kmeans算法进行聚类分析，计算得到9个不同尺寸的anchor（锚点）。
其中，在进行晶圆颗粒检测模型可以采用较小尺寸的图像进行，以保证训练的速度，例如，进行训练的晶圆图像的尺寸2432*2432缩放到608*608。在利用晶圆颗粒检测模型进行分类时，采用较大的尺寸的图像进行分类，以保证分类的准确性，例如，进行分类的晶圆待检测图像尺寸为5120*5120，将晶圆待检测图像缩放至1280*1280进行前向推理。
在其中一个实施例中，对所述晶圆待检测图像进行阈值分割，获得多晶区域的位置，包括：对所述晶圆待检测图像进行二值化处理，得到二值化待检测图像；将所述二值化待检测图像进行形态学运算，并删除噪声数据，并进行多晶区域的轮廓提取，得到多晶区域的位置。
具体的，对晶圆待检测图像进行二值化处理，如公式（1）所示，将晶圆颗粒从背景中抽离出来：
Figure 280956DEST_PATH_IMAGE001
（1）
其中，dst（）为二值化后的像素值，scr（x，y）为原始像素值，threshold为二值化阈值，maxVal为二值化后的像素值，maxVal的值可以根据需要进行设置，例如，设置为255。
然后，对二值化待检测图像利用形态学处理去除噪声影响，再利用opencv中的findContours（）函数在此基础上检测多晶区域，以用于后面步骤中通过晶圆颗粒图像的中心位置是否位于多晶区域来进行多晶不良的二次检测。设定多晶区域S，目标检测输出晶圆颗粒图像的中心点为center(x，y)，最终晶圆颗粒的类别的计算如公式(2)所示：
Figure 260414DEST_PATH_IMAGE002
（2）
其中，c表示晶圆颗粒的类别，cduojing表示多晶不良类别，cori表示正常类别。
在其中一个实施例中，根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒，包括：判断晶圆颗粒图像的长和宽，是否均大于第一预设倍数正常晶圆颗粒的长和宽，且小于第二预设倍数正常晶圆颗粒的长和宽；所述晶圆颗粒图像为矩形，所述第一预设倍数小于1，所述第二预设倍数大于1；如果晶圆颗粒图像的长和宽不满足均大于第一预设倍数正常晶圆颗粒的长和宽，且小于第二预设倍数正常晶圆颗粒长和宽的条件，则判断所述晶圆颗粒图像是多晶不良颗粒；如果晶圆颗粒图像的长和宽满足均大于第一预设倍数正常晶圆颗粒的长和宽，且小于第二预设倍数正常晶圆颗粒长和宽的条件，则计算所述晶圆颗粒图像与上下左右四个位置上相邻的晶圆颗粒图像之间的边框距离；如果所述边框距离小于距离阈值，则判断所述晶圆颗粒图像是多晶不良颗粒。
其中，设定正常晶圆颗粒图像尺寸为w*h ，遍历所有检出的目标，当检测出的目标框（晶圆颗粒图像）的长宽大于正常晶圆颗粒图像尺寸的3/4，小于正常晶圆颗粒图像尺寸的5/4时保留目标框，说明为合格产品，如公式(3)所示：
Figure 836889DEST_PATH_IMAGE003
(3)
其中，w为正常晶圆颗粒图像的长，h为正常晶圆颗粒图像的宽，woutput为检测出的目标框的长，houtput为检测出的目标框的宽。
然后，对长和宽满足均大于第一预设倍数正常晶圆颗粒的长和宽，且小于第二预设倍数正常晶圆颗粒长和宽的条件的晶圆颗粒图像进行像素坐标排序，遍历上下左右四个位置上的晶圆颗粒，计算晶圆颗粒之间的边框距离，设定横向距离阈值为throw，纵向距离阈值为thcol。当晶圆颗粒之间的横向距离小于throw或者纵向距离小于thcol时，该晶圆颗粒类别c更改为多晶不良，如公式（4）所示：
Figure 763256DEST_PATH_IMAGE004
（4）
其中，c表示晶圆颗粒的类别，cduojing表示多晶不良类别，cori表示正常类别，thpre-row表示待分类的晶圆颗粒图像与左右四个位置上的晶圆颗粒的横向边框距离，thpre-col表示待分类的晶圆颗粒图像与上下四个位置上的晶圆颗粒的纵向边框距离。
其中，本实施例中晶圆颗粒图像为晶圆颗粒检测模型识别出的正常的晶圆颗粒。
在其中一个实施例中，根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒，包括：计算所述晶圆颗粒图像与上下左右四个位置上相邻的晶圆颗粒图像之间的边框距离；如果所述边框距离小于距离阈值，则判断所述晶圆颗粒图像是多晶不良颗粒。
其中，本实施例中晶圆颗粒图像为晶圆颗粒检测模型识别出的边界晶圆颗粒。例如，所示晶圆颗粒为矩形，对晶圆颗粒图像进行像素坐标排序，遍历上下左右四个位置上的晶圆颗粒，计算晶圆颗粒之间的边框距离，设定横向距离阈值为throw，纵向距离阈值为thcol。当晶圆颗粒之间的横向距离小于throw或者纵向距离小于thcol时，该晶圆颗粒类别c更改为多晶不良，如公式（5）所示：
Figure 108787DEST_PATH_IMAGE005
（5）
其中，c表示晶圆颗粒的类别，cduojing表示多晶不良类别，cori表示正常类别，thpre-row表示待分类的晶圆颗粒图像与左右四个位置上的晶圆颗粒的横向边框距离，thpre-col表示待分类的晶圆颗粒图像与上下四个位置上的晶圆颗粒的纵向边框距离。
在其中一个实施例中，根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒，包括：判断晶圆颗粒图像的半径是否大于第一预设倍数正常晶圆颗粒的半径，且小于第二预设倍数正常晶圆颗粒的半径；所述晶圆颗粒图像为圆形，所述第一预设倍数小于1，所述第二预设倍数大于1；如果晶圆颗粒图像的半径不满足大于第一预设倍数正常晶圆颗粒的半径，且小于第二预设倍数正常晶圆颗粒的半径的条件，则判断所述晶圆颗粒图像是多晶不良颗粒；如果晶圆颗粒图像的半径满足大于第一预设倍数正常晶圆颗粒的半径，且小于第二预设倍数正常晶圆颗粒的半径的条件，则计算所述晶圆颗粒图像与上下左右四个位置上相邻的晶圆颗粒图像之间的边界最短距离；如果所述边界最短距离小于距离阈值，则判断所述晶圆颗粒图像是多晶不良颗粒。其中，本实施例中晶圆颗粒图像为晶圆颗粒检测模型识别出的正常的晶圆颗粒。
在其中一个实施例中，根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒，包括：计算所述晶圆颗粒图像与上下左右四个位置上相邻的晶圆颗粒图像之间的边界最短距离；如果所述边界最短距离小于距离阈值，则判断所述晶圆颗粒图像是多晶不良颗粒。其中，本实施例中晶圆颗粒图像为晶圆颗粒检测模型识别出的边界晶圆颗粒。
在其中一个实施例中，所述第一预设倍数为0.75，所述第二预设倍数为1.25。
在其中一个实施例中，所述根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒，包括：计算所述晶圆颗粒图像与上下左右四个位置上相邻的晶圆颗粒图像之间的区域的灰度均值和区域面积；如果所述灰度均值大于灰度阈值，或所述区域面积小于面积阈值，则判断所述晶圆颗粒图像是多晶不良颗粒。其中，灰度阈值和面积阈值根据实验确定。本实施例技术方案以有效解决前期多胞数据缺少，目标检测模型回归的矩形框不准确，导致多胞漏判，卡控阈值放松，又会出现多胞的误检的问题。
在其中一个实施例中，如图3所示，在根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒之后，还包括：如果所述晶圆颗粒图像的目标框边界距离小于距离阈值，则判断所述晶圆颗粒图像是多晶不良颗粒。
如图5所示，提供了晶圆缺陷的多晶不良检测中间结果图，图5中（a）为晶圆待检测图像，通过晶圆颗粒检测模型识别出晶圆颗粒图像如图5中（b）所示，根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒，得到多晶不良颗粒和正常晶圆颗粒如图5中（c）所示；同时，根据晶圆待检测图像进行二值化处理，得到图像如图5中（d）所示，再进行形态学运算，并删除噪声数据，并进行多晶区域的轮廓提取，得到多晶区域的位置，如图5中（e）所示；然后，对图5中（c）所示的正常晶圆颗粒判断其所处的位置是否为多晶区域的位置，进行多晶不良颗粒的分割，得到结果，如图5中（f）所示。从图5中可以看出，在进行首次多晶不良判断过程中漏判的晶圆颗粒（图5中（c）中箭头所示），最后通过二次多晶不良的判断进行纠正。
应该理解的是，虽然图3的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。而且，图3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种晶圆缺陷的多晶不良检测装置，包括：图像加载模块210、颗粒分割模块220、多晶区域分割模块230、第一判断模块240、第二判断模块250和多晶不良确定模块260，其中：
图像加载模块210，用于加载晶圆待检测图像；
颗粒分割模块220，用于将所述晶圆待检测图像通过图像阈值分割方法，获得晶圆颗粒图像；
多晶区域分割模块230，用于对所述晶圆待检测图像进行阈值分割，获得多晶区域的位置；
第一判断模块240，根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒；
第二判断模块250，用于如果所述晶圆颗粒图像不为多晶不良颗粒，再次判断所述晶圆颗粒图像是否位于所述多晶区域的位置；
多晶不良确定模块260，用于如果所述晶圆颗粒图像位于所述多晶区域的位置，则所述晶圆颗粒图像为多晶不良颗粒。
在其中一个实施例中，所述颗粒分割模块220，包括：分类单元，用于将所述晶圆待检测图像输入晶圆颗粒检测模型，得到晶圆颗粒图像；其中，晶圆颗粒检测模型通过预设神经网络模型训练获得，用于根据输入的晶圆待检测图像，输出晶圆颗粒图像。
在其中一个实施例中，所述颗粒分割模块220，还包括：训练数据收集单元，用于收集晶圆图像训练数据；标注单元，用于对所述晶圆图像训练数据进裁剪，再利用标注工具进行数据标注，得到标注图像数据；其中，数据标注的类别包括正常的晶圆颗粒和边界晶圆颗粒；聚类分析单元，用于将所述标注图像数据输入预设神经网络模型进行聚类分析，得到多个不同尺寸的锚点；模型确定单元，用于根据形成多个不同尺寸的锚点的预设神经网络模型，得到晶圆颗粒检测模型。
在其中一个实施例中，多晶区域分割模块230，包括：二值化单元，用于对所述晶圆待检测图像进行二值化处理，得到二值化待检测图像；形态学运算单元，用于将所述二值化待检测图像进行形态学运算，并删除噪声数据，并进行多晶区域的轮廓提取，得到多晶区域的位置。
在其中一个实施例中，第一判断模块240，包括：长宽判断单元，用于判断晶圆颗粒图像的长和宽，是否均大于第一预设倍数正常晶圆颗粒的长和宽，且小于第二预设倍数正常晶圆颗粒的长和宽；所述晶圆颗粒图像为矩形，所述第一预设倍数小于1，所述第二预设倍数大于1；多晶不良确定单元，用于如果晶圆颗粒图像的长和宽不满足均大于第一预设倍数正常晶圆颗粒的长和宽，且小于第二预设倍数正常晶圆颗粒长和宽的条件，则判断所述晶圆颗粒图像是多晶不良颗粒；边框距离计算单元，用于如果晶圆颗粒图像的长和宽满足均大于第一预设倍数正常晶圆颗粒的长和宽，且小于第二预设倍数正常晶圆颗粒长和宽的条件，则计算所述晶圆颗粒图像与上下左右四个位置上相邻的晶圆颗粒图像之间的边框距离；所述多晶不良确定单元，还用于如果所述边框距离小于距离阈值，则判断所述晶圆颗粒图像是多晶不良颗粒。
在其中一个实施例中，第一判断模块240，包括：半径判断单元，用于判断晶圆颗粒图像的半径是否大于第一预设倍数正常晶圆颗粒的半径，且小于第二预设倍数正常晶圆颗粒的半径；所述晶圆颗粒图像为圆形，所述第一预设倍数小于1，所述第二预设倍数大于1；多晶不良确定单元，用于如果晶圆颗粒图像的半径不满足大于第一预设倍数正常晶圆颗粒的半径，且小于第二预设倍数正常晶圆颗粒的半径的条件，则判断所述晶圆颗粒图像是多晶不良颗粒；边界距离计算单元，用于如果晶圆颗粒图像的半径满足大于第一预设倍数正常晶圆颗粒的半径，且小于第二预设倍数正常晶圆颗粒的半径的条件，则计算所述晶圆颗粒图像与上下左右四个位置上相邻的晶圆颗粒图像之间的边界最短距离；所述多晶不良确定单元，还用于如果所述边界最短距离小于距离阈值，则判断所述晶圆颗粒图像是多晶不良颗粒。
在其中一个实施例中，所述第一预设倍数为0.75，所述第二预设倍数为1.25。
关于晶圆缺陷的多晶不良检测装置的具体限定可以参见上文中对于晶圆缺陷的多晶不良检测方法的限定，在此不再赘述。上述晶圆缺陷的多晶不良检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器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。该计算机设备的数据库用于存储晶圆待检测图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种晶圆缺陷的多晶不良检测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种晶圆缺陷的多晶不良检测方法，其特征在于，所述方法包括：
加载晶圆待检测图像；
将所述晶圆待检测图像通过图像阈值分割方法，获得晶圆颗粒图像；
对所述晶圆待检测图像进行阈值分割，获得多晶区域的位置；
根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒；
如果所述晶圆颗粒图像不为多晶不良颗粒，再次判断所述晶圆颗粒图像是否位于所述多晶区域的位置；
如果所述晶圆颗粒图像位于所述多晶区域的位置，则所述晶圆颗粒图像为多晶不良颗粒。
2.根据权利要求1所述的方法，其特征在于，将所述晶圆待检测图像通过图像阈值分割方法，获得晶圆颗粒图像，包括：
将所述晶圆待检测图像输入晶圆颗粒检测模型，得到晶圆颗粒图像；其中，晶圆颗粒检测模型通过预设神经网络模型训练获得，用于根据输入的晶圆待检测图像，输出晶圆颗粒图像。
3.根据权利要求2所述的方法，其特征在于，在将所述晶圆待检测图像输入晶圆颗粒检测模型，得到晶圆颗粒图像之前，包括：
收集晶圆图像训练数据；
对所述晶圆图像训练数据进裁剪，再利用标注工具进行数据标注，得到标注图像数据；其中，数据标注的类别包括正常的晶圆颗粒和边界晶圆颗粒；
将所述标注图像数据输入预设神经网络模型进行聚类分析，得到多个不同尺寸的锚点；
根据形成多个不同尺寸的锚点的预设神经网络模型，得到晶圆颗粒检测模型。
4.根据权利要求1所述的方法，其特征在于，对所述晶圆待检测图像进行阈值分割，获得多晶区域的位置，包括：
对所述晶圆待检测图像进行二值化处理，得到二值化待检测图像；
将所述二值化待检测图像进行形态学运算，并删除噪声数据，并进行多晶区域的轮廓提取，得到多晶区域的位置。
5.根据权利要求1所述的方法，其特征在于，根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒，包括：
判断晶圆颗粒图像的长和宽，是否均大于第一预设倍数正常晶圆颗粒的长和宽，且小于第二预设倍数正常晶圆颗粒的长和宽；所述晶圆颗粒图像为矩形，所述第一预设倍数小于1，所述第二预设倍数大于1；
如果晶圆颗粒图像的长和宽不满足均大于第一预设倍数正常晶圆颗粒的长和宽，且小于第二预设倍数正常晶圆颗粒长和宽的条件，则判断所述晶圆颗粒图像是多晶不良颗粒；
如果晶圆颗粒图像的长和宽满足均大于第一预设倍数正常晶圆颗粒的长和宽，且小于第二预设倍数正常晶圆颗粒长和宽的条件，则计算所述晶圆颗粒图像与上下左右四个位置上相邻的晶圆颗粒图像之间的边框距离；
如果所述边框距离小于距离阈值，则判断所述晶圆颗粒图像是多晶不良颗粒。
6.根据权利要求1所述的方法，其特征在于，根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒，包括：
判断晶圆颗粒图像的半径是否大于第一预设倍数正常晶圆颗粒的半径，且小于第二预设倍数正常晶圆颗粒的半径；所述晶圆颗粒图像为圆形，所述第一预设倍数小于1，所述第二预设倍数大于1；
如果晶圆颗粒图像的半径不满足大于第一预设倍数正常晶圆颗粒的半径，且小于第二预设倍数正常晶圆颗粒的半径的条件，则判断所述晶圆颗粒图像是多晶不良颗粒；
如果晶圆颗粒图像的半径满足大于第一预设倍数正常晶圆颗粒的半径，且小于第二预设倍数正常晶圆颗粒的半径的条件，则计算所述晶圆颗粒图像与上下左右四个位置上相邻的晶圆颗粒图像之间的边界最短距离；
如果所述边界最短距离小于距离阈值，则判断所述晶圆颗粒图像是多晶不良颗粒。
7.根据权利要求5或6所述的方法，其特征在于，所述第一预设倍数为0.75，所述第二预设倍数为1.25。
8.一种晶圆缺陷的多晶不良检测装置，其特征在于，所述装置包括：
图像加载模块，用于加载晶圆待检测图像；
颗粒分割模块，用于将所述晶圆待检测图像通过图像阈值分割方法，获得晶圆颗粒图像；
多晶区域分割模块，用于对所述晶圆待检测图像进行阈值分割，获得多晶区域的位置；
第一判断模块，根据晶圆颗粒图像的目标框边界距离，判断所述晶圆颗粒图像是否为多晶不良颗粒；
第二判断模块，用于如果所述晶圆颗粒图像不为多晶不良颗粒，再次判断所述晶圆颗粒图像是否位于所述多晶区域的位置；
多晶不良确定模块，用于如果所述晶圆颗粒图像位于所述多晶区域的位置，则所述晶圆颗粒图像为多晶不良颗粒。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110427427.XA 2021-04-21 2021-04-21 一种晶圆缺陷的多晶不良检测方法、装置 Pending CN112991332A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110427427.XA CN112991332A (zh) 2021-04-21 2021-04-21 一种晶圆缺陷的多晶不良检测方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110427427.XA CN112991332A (zh) 2021-04-21 2021-04-21 一种晶圆缺陷的多晶不良检测方法、装置

Publications (1)

Publication Number Publication Date
CN112991332A true CN112991332A (zh) 2021-06-18

Family

ID=76341406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110427427.XA Pending CN112991332A (zh) 2021-04-21 2021-04-21 一种晶圆缺陷的多晶不良检测方法、装置

Country Status (1)

Country Link
CN (1) CN112991332A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114130709A (zh) * 2021-10-14 2022-03-04 佛山市国星半导体技术有限公司 一种led晶粒外观检测方法
CN114494115A (zh) * 2021-12-20 2022-05-13 苏州镁伽科技有限公司 目标对象的检测方法、装置、存储介质及电子设备
CN115274486A (zh) * 2022-09-27 2022-11-01 南通睿禧智能科技有限公司 一种半导体表面缺陷识别方法
CN116912242A (zh) * 2023-09-12 2023-10-20 青岛天仁微纳科技有限责任公司 一种纳米压印晶圆缺陷定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110085709A (zh) * 2019-05-05 2019-08-02 无锡职业技术学院 一种led图像全自动计数统计***
KR20200126921A (ko) * 2019-04-29 2020-11-09 엠아이 이큅먼트 (엠) 에스디엔. 비에이치디. 스켈러톤 웨이퍼 검사 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200126921A (ko) * 2019-04-29 2020-11-09 엠아이 이큅먼트 (엠) 에스디엔. 비에이치디. 스켈러톤 웨이퍼 검사 방법
CN110085709A (zh) * 2019-05-05 2019-08-02 无锡职业技术学院 一种led图像全自动计数统计***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
知乎: "【目标检测算法解读】YOLO系列算法二", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/93647934》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114130709A (zh) * 2021-10-14 2022-03-04 佛山市国星半导体技术有限公司 一种led晶粒外观检测方法
CN114130709B (zh) * 2021-10-14 2023-06-02 佛山市国星半导体技术有限公司 一种led晶粒外观检测方法
CN114494115A (zh) * 2021-12-20 2022-05-13 苏州镁伽科技有限公司 目标对象的检测方法、装置、存储介质及电子设备
CN115274486A (zh) * 2022-09-27 2022-11-01 南通睿禧智能科技有限公司 一种半导体表面缺陷识别方法
CN116912242A (zh) * 2023-09-12 2023-10-20 青岛天仁微纳科技有限责任公司 一种纳米压印晶圆缺陷定位方法
CN116912242B (zh) * 2023-09-12 2023-12-15 青岛天仁微纳科技有限责任公司 一种纳米压印晶圆缺陷定位方法

Similar Documents

Publication Publication Date Title
CN112991332A (zh) 一种晶圆缺陷的多晶不良检测方法、装置
US8483476B2 (en) Photovoltaic cell manufacturing
US8270703B2 (en) Defect inspection apparatus, defect inspection method, and manufacture method for semiconductor device
CN109671078B (zh) 一种产品表面图像异常检测方法及装置
TWI608369B (zh) 分類方法、分類模組及電腦程式產品
US8009895B2 (en) Semiconductor wafer analysis system
JPH11264797A (ja) 欠陥解析方法、記録媒体及び工程管理方法
US20230005130A1 (en) Method and device for detecting display panel defect
CN115100199B (zh) 一种晶圆低纹理缺陷的检测方法
US11788973B2 (en) Defect inspection device and defect inspection method
WO2010064720A1 (ja) 太陽電池セルの検査装置、検査方法及びそのプログラムを記録した記録媒体
CN115953373B (zh) 玻璃缺陷检测方法、装置、电子设备及存储介质
CN114998324A (zh) 半导体晶圆缺陷检测模型的训练方法及装置
CN114581446B (zh) 一种叠片电池的电芯异常检测方法及***
CN117522869A (zh) 图像处理方法和缺陷检测方法、***、电子设备
CN112802015A (zh) 基于模板匹配的工业颗粒连片制品图像切割方法、装置
CN112213314B (zh) 晶圆侧面缺陷的检测方法和检测***
CN112651961A (zh) 晶圆缺陷的识别方法及装置
CN116934732A (zh) 一种光伏组件的检测方法、装置及电子设备
CN115861315A (zh) 缺陷检测方法和装置
KR100652297B1 (ko) 반도체 장비에서 센시티비티 증가에 따른 누이상스 결함검출 방법
CN112308061B (zh) 一种车牌字符识别方法及装置
CN109919909B (zh) 发光二极管芯片的检验方法和装置
CN113554592A (zh) 一种图像差异检测方法和装置
US20220253996A1 (en) Method, apparatus, and device for labeling images

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210618

RJ01 Rejection of invention patent application after publication