CN113554638A - 一种芯片表面缺陷检测模型建立方法和*** - Google Patents

一种芯片表面缺陷检测模型建立方法和*** Download PDF

Info

Publication number
CN113554638A
CN113554638A CN202110875101.3A CN202110875101A CN113554638A CN 113554638 A CN113554638 A CN 113554638A CN 202110875101 A CN202110875101 A CN 202110875101A CN 113554638 A CN113554638 A CN 113554638A
Authority
CN
China
Prior art keywords
chip
image
pixel
defect detection
detection model
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
CN202110875101.3A
Other languages
English (en)
Inventor
任获荣
韩云清
黄鹏
张佳峰
焦小强
李拓
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202110875101.3A priority Critical patent/CN113554638A/zh
Publication of CN113554638A publication Critical patent/CN113554638A/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
    • G06N3/045—Combinations of networks
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • G06T2207/10—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
    • G06T2207/20081—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
    • G06T2207/30—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)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于芯片表面缺陷检测技术领域，提供了一种芯片表面缺陷检测模型建立方法和***，所述方法包括以下步骤：获取多张芯片表面图像，对所得图像依次进行分割以提取出芯片图像；对所述芯片图像进行预处理，以剔除芯片图像中的字符信息；对所得芯片图像进行图像增强处理得到样本数据集，并对样本数据集内的芯片图像进行缺陷标注；对样本数据集内的芯片图像进行处理，以所述样本数据集训练UNet神经网络，得到训练好的语义分割缺陷检测模型；对剔除字符信息的芯片图像的Lab通道进行超像素分割；通过超像素分割结果对语义分割缺陷检测模型进行融合处理，可有效解决现有技术对芯片表面缺陷检测效率低、对于弱缺陷分割不够精确的问题。

Description

一种芯片表面缺陷检测模型建立方法和***
技术领域
本发明涉及芯片表面缺陷检测技术领域，尤其涉及一种芯片表面缺陷检测模型建立方法和***。
背景技术
芯片缺陷检测的功能在于把关芯片的出货质量，剔除不良品，避免不良品流入市场。由于芯片制造工艺复杂，在生产制造的每个阶段中都可能造成影响芯片功能和可靠性的缺陷产生，因此芯片测试直接贯穿整个芯片设计与量产的过程中，但是无法保证出厂后的芯片质量问题。在军事、航空航天等特殊领域对芯片的质量要求较高，需要对出厂的芯片做进一步的外观质量检测，避免芯片的过早失效导致设备的无法正常运行，造成不可预估的后果。
发明内容
本发明实施例的目的在于提供一种芯片表面缺陷检测模型建立方法和***，旨在解决背景技术中确定的现有技术存在的技术问题。
本发明实施例是这样实现的，一种芯片表面缺陷检测模型建立方法，包括以下步骤：
获取多张芯片表面图像，对所得图像依次进行分割以提取出芯片图像；
对所述芯片图像进行预处理，以剔除芯片图像中的字符信息；
对所得芯片图像进行图像增强处理得到样本数据集，并对样本数据集内的芯片图像进行缺陷标注；
对样本数据集内的芯片图像进行处理，将所述样本数据集分为训练集、测试集和验证集，以所述样本数据集训练UNet神经网络，得到训练好的语义分割缺陷检测模型；
对剔除字符信息的芯片图像的Lab通道进行超像素分割；
通过超像素分割结果对语义分割缺陷检测模型进行融合处理。
作为本发明进一步的方案：所述获取芯片表面图像，对所得图像进行分割以提取出芯片图像的步骤，具体包括：
将芯片水平放置，使芯片的正面朝上；
使用环形光源进行打光，采用彩色相机和定焦镜头在暗室中对芯片进行图像采集，获得芯片表面图像；
对所得图像进行分割，将芯片图像从芯片表面图像的背景中提取出来。
作为本发明再进一步的方案：所述对所述芯片图像进行预处理，以剔除芯片图像中的字符信息的步骤，具体包括：
获取芯片图像；
检测芯片表面是否存在字符；
当所述芯片表面存在字符时，对字符所在区域使用非缺陷区域的颜色进行填充，以剔除芯片图像中的字符信息。
作为本发明再进一步的方案：所述对样本数据集内的芯片图像进行处理，将所述样本数据集分为训练集、测试集和验证集，以所述样本数据集训练UNet神经网络，得到训练好的语义分割缺陷检测模型的步骤中，所述处理至少包括对比度调整以及滤波进行数据扩增。
作为本发明再进一步的方案：所述对剔除字符信息的芯片图像的Lab通道进行超像素分割的步骤，具体包括：
估计局部密度：以五维向量Pi＝[li，ai，bi，xi，yi]T表示芯片图像中标号为i的像素，以Pi和Pj的二范数描述像素i和j的特征距离dij，具体的：
Figure BDA0003190288520000021
Pi和Pj的空间距离为：
Figure BDA0003190288520000022
在与像素i的空间距离小于ε的区域计算像素i的局部密度ρi：
Figure BDA0003190288520000031
然后判定：若像素i在距离ε内有密度大于其自身的局部极大密度像素，则将像素i归属于该极大密度像素所在的聚类,否则将像素i创建为一个新的单独聚类，进而将一幅图像分割为以局部极大密度像素为中心的多个聚类，该极大密度像素为聚类中心；
将一个聚类中的局部极大密度像素作为待选超像素的种子，为每个聚类中心像素定义索引λi，它是密度ρi和该像素点到与其距离最近的大密度像素的距离δi的乘积，即：
λi＝ρiδi
然后根据需要选取索引最大的前K个像素作为超像素的种子，将其余各聚类与距离其最近的超像素种子所在的聚类合并；
将同一个超像素种子所在聚类中的所有像素赋予相同的标号作为超像素的分割。
作为本发明再进一步的方案：所述通过超像素分割结果对语义分割缺陷检测模型进行融合处理的步骤，具体包括：
分别统计每个超像素中属于各语义类别的像素数目；
选择像素总数最多的语义类别并将其赋给该超像素。
本发明实施例的另一目的在于提供一种芯片表面缺陷检测模型建立***，包括：
图像获取模块：用于获取芯片表面图像，对所得图像进行分割以提取出芯片图像；
图像预处理模块：用于对所述芯片图像进行预处理，以剔除芯片图像中的字符信息；
缺陷标注模块：用于对所得芯片图像进行图像增强处理得到样本数据集，并对样本数据集内的芯片图像进行缺陷标注；
模型训练模块：用于对样本数据集内的芯片图像进行处理，将所述样本数据集分为训练集、测试集和验证集，以所述样本数据集训练UNet神经网络，得到训练好的语义分割缺陷检测模型；
超像素分割模块：用于对剔除字符信息的芯片图像的Lab通道进行超像素分割；
模型融合模块：用于通过超像素分割结果对语义分割缺陷检测模型进行融合处理。
与现有技术相比，本发明的有益效果是：可有效解决现有技术对芯片表面缺陷检测效率低、对于弱缺陷分割不够精确的问题。
附图说明
图1为一种芯片表面缺陷检测模型建立方法的算法流程图。
图2为一种芯片表面缺陷检测模型建立方法的流程框架图。
图3为一种芯片表面缺陷检测模型建立***的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1～2所示，为本发明一个实施例提供的一种芯片表面缺陷检测模型建立方法的流程图，包括以下步骤：
S100，获取多张芯片表面图像，对所得图像依次进行分割以提取出芯片图像。
本发明实施例中，获取到的芯片表面图像应该满足图像处理的要求，例如无反光色、部件结构清楚，像素、尺寸等满足后续处理要求等，本实施例在此不进行具体的说明，对所得图像进行分割的目的在于去除背景色等对后续图像处理、分析的干扰。
S200，对所述芯片图像进行预处理，以剔除芯片图像中的字符信息。
本发明实施例中，由于芯片在加工制造的过程中，其表面会存在一些编码、标注标识等字符信息，这也会后续的缺陷检测等造成影响，所以本实施例中的预处理在于剔除芯片图像中的字符信息，避免后续造成缺陷识别或检测不准确的问题发生。
S300，对所得芯片图像进行图像增强处理得到样本数据集，并对样本数据集内的芯片图像进行缺陷标注。
本发明实施例中，对图像增强处理的方式不做具体限定，但是图像增强处理的目的在于增大弱缺陷相对于芯片表面的对比度，这样在后续的检测中，芯片表面的缺陷可以更方便的被提取或者识别检测出来。
本发明实施例中，对字符填充后的芯片图像依次使用均值滤波和直方图均衡化，来对图像进行增强，以增大弱缺陷相对于芯片表面的对比度。
S400，对样本数据集内的芯片图像进行处理，将所述样本数据集分为训练集、测试集和验证集，以所述样本数据集训练UNet神经网络，得到训练好的语义分割缺陷检测模型。
具体的来说，使用训练集训练语义分割缺陷检测模型的权重参数，使用验证集调整语义分割缺陷检测模型的超参数并对语义分割缺陷检测模型的能力进行初步评估，使用测试集评估语义分割缺陷检测模型的泛化能力。
本发明实施例中，对样本数据集内的芯片图像进行处理的方式包括对比度调整及滤波进行数据扩增，然后将数据分为得到训练集、测试集和验证集，UNet神经网络的分割效果远优于其他网络，与传统的全卷积神经网络相比，Unet神经网络进行了改进，通过层与层之间更强的联系，加上上采样和下卷积，实现特征的充分提取，所以可以使用更少的训练样本得到准确的分割，本发明实施例中使用的卷积层的尺寸为3×3，最大池化层尺寸为2×2。
S500，对剔除字符信息的芯片图像的Lab通道进行超像素分割。
本发明实施例中，超像素分割指的是将数字图像细分为多个图像子区域(像素的集合)(也被称作超像素)的过程。超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息，在实际应用时，窗口半径ε设置为10，超像素数目K设置为300。
S600，通过超像素分割结果对语义分割缺陷检测模型进行融合处理。
本发明实施例中，融合处理的目的在于根据超像素分割结果进一步的对语义分割缺陷检测模型输出的语义分割结果进行调整，有效提升对弱缺陷分割精度，提升缺陷检测效果。
作为本发明一个优选的实施例，所述获取芯片表面图像，对所得图像进行分割以提取出芯片图像的步骤，具体包括：
S101，将芯片水平放置，使芯片的正面朝上。
在实际应用时，将芯片放置在托盘的水平面上，保证芯片的正面朝上，优选的，托盘以及图像采集时，应在暗室中进行，托盘尺寸为20cm×30cm。
S102，使用环形光源进行打光，采用彩色相机和定焦镜头在暗室中对芯片进行图像采集，获得芯片表面图像。
S103，对所得图像进行分割，将芯片图像从芯片表面图像的背景中提取出来。
本发明实施例中，以OSTU自动阈值分割的方法，将芯片从背景中提取出来，去除背景色等对后续图像处理、分析的干扰。
作为本发明另一个优选的实施例，所述对所述芯片图像进行预处理，以剔除芯片图像中的字符信息的步骤，具体包括：
S201，获取芯片图像。
本发明实施例中，芯片图像指的是从芯片表面图像的背景中提取出来的图像。
S202，检测芯片表面是否存在字符。
S203，当所述芯片表面存在字符时，对字符所在区域使用非缺陷区域的颜色进行填充，以剔除芯片图像中的字符信息。
本发明实施例中，对字符区域的填充使用芯片表面非缺陷区域的颜色信息进行填充，目的在于避免颜色对后续检测的影响，此处，优选使用芯片表面图像的背景区域像素值对芯片字符区域进行填充，从而消除芯片字符对语义分割的影响。
作为本发明另一个优选的实施例，所述对剔除字符信息的芯片图像的Lab通道进行超像素分割的步骤，具体包括：
S502，估计局部密度：以五维向量Pi＝[li，ai，bi，xi，yi]T表示芯片图像中标号为i的像素，以Pi和Pj的二范数描述像素i和j的特征距离dij，具体的：
Figure BDA0003190288520000061
Pi和Pj的空间距离为：
Figure BDA0003190288520000071
S502，在与像素i的空间距离小于ε的区域计算像素i的局部密度ρi：
Figure BDA0003190288520000072
S503，然后判定：若像素i在距离ε内有密度大于其自身的局部极大密度像素，则将像素i归属于该极大密度像素所在的聚类,否则将像素i创建为一个新的单独聚类，进而将一幅图像分割为以局部极大密度像素为中心的多个聚类，该极大密度像素为聚类中心；
将一个聚类中的局部极大密度像素作为待选超像素的种子，为每个聚类中心像素定义索引λi，它是密度ρi和该像素点到与其距离最近的大密度像素的距离δi的乘积，即：
λi＝ρiδi
S504，然后根据需要选取索引最大的前K个像素作为超像素的种子，将其余各聚类与距离其最近的超像素种子所在的聚类合并；
S505，将同一个超像素种子所在聚类中的所有像素赋予相同的标号作为超像素的分割。
作为本发明另一个优选的实施例，所述通过超像素分割结果对语义分割缺陷检测模型进行融合处理的步骤，具体包括：
S601，分别统计每个超像素中属于各语义类别的像素数目；
S602，选择像素总数最多的语义类别并将其赋给该超像素。
本发明实施例中，由于超像素是位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域，使用超像素调整语义分割结果可以改善语义分割对边界像素分类不准确的问题，提高缺陷边缘细节的分割精确度。
请参阅图3，本发明实施例的另一目的在于提供一种芯片表面缺陷检测模型建立***，包括：
图像获取模块100：用于获取芯片表面图像，对所得图像进行分割以提取出芯片图像；
图像预处理模块200：用于对所述芯片图像进行预处理，以剔除芯片图像中的字符信息；
缺陷标注模块300：用于对所得芯片图像进行图像增强处理得到样本数据集，并对样本数据集内的芯片图像进行缺陷标注；
模型训练模块400：用于对样本数据集内的芯片图像进行处理，将所述样本数据集分为训练集、测试集和验证集，以所述样本数据集训练UNet神经网络，得到训练好的语义分割缺陷检测模型；
超像素分割模块500：用于对剔除字符信息的芯片图像的Lab通道进行超像素分割；
模型融合模块600：用于通过超像素分割结果对语义分割缺陷检测模型进行融合处理。
具体的，首先获取多张芯片表面图像，对所得图像依次进行分割以提取出芯片图像，然后对所述芯片图像进行预处理，以剔除芯片图像中的字符信息，再对所得芯片图像进行图像增强处理得到样本数据集，并对样本数据集内的芯片图像进行缺陷标注，然后对样本数据集内的芯片图像进行处理，将所述样本数据集分为训练集、测试集和验证集，以所述样本数据集训练UNet神经网络，得到训练好的语义分割缺陷检测模型，对剔除字符信息的芯片图像的Lab通道进行超像素分割，通过超像素分割结果对语义分割缺陷检测模型进行融合处理。
本领域技术人员在考虑说明书及实施例处的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (7)

1.一种芯片表面缺陷检测模型建立方法，其特征在于，包括以下步骤：
获取多张芯片表面图像，对所得图像依次进行分割以提取出芯片图像；
对所述芯片图像进行预处理，以剔除芯片图像中的字符信息；
对所得芯片图像进行图像增强处理得到样本数据集，并对样本数据集内的芯片图像进行缺陷标注；
对样本数据集内的芯片图像进行处理，以所述样本数据集训练UNet神经网络，得到训练好的语义分割缺陷检测模型；
对剔除字符信息的芯片图像的Lab通道进行超像素分割；
通过超像素分割结果对语义分割缺陷检测模型进行融合处理。
2.根据权利要求1所述的芯片表面缺陷检测模型建立方法，其特征在于，所述获取芯片表面图像，对所得图像进行分割以提取出芯片图像的步骤，具体包括：
将芯片水平放置，使芯片的正面朝上；
使用环形光源进行打光，采用彩色相机和定焦镜头在暗室中对芯片进行图像采集，获得芯片表面图像；
对所得图像进行分割，将芯片图像从芯片表面图像的背景中提取出来。
3.根据权利要求1所述的芯片表面缺陷检测模型建立方法，其特征在于，所述对所述芯片图像进行预处理，以剔除芯片图像中的字符信息的步骤，具体包括：
获取芯片图像；
检测芯片表面是否存在字符；
当所述芯片表面存在字符时，对字符所在区域使用非缺陷区域的颜色进行填充，以剔除芯片图像中的字符信息。
4.根据权利要求1所述的芯片表面缺陷检测模型建立方法，其特征在于，所述对样本数据集内的芯片图像进行处理，将所述样本数据集分为训练集、测试集和验证集，以所述样本数据集训练UNet神经网络，得到训练好的语义分割缺陷检测模型的步骤中，所述处理至少包括对比度调整以及滤波进行数据扩增。
5.根据权利要求1所述的芯片表面缺陷检测模型建立方法，其特征在于，所述对剔除字符信息的芯片图像的Lab通道进行超像素分割的步骤，具体包括：
估计局部密度：以五维向量Pi＝[li，ai，bi，xi，yi]T表示芯片图像中标号为i的像素，以Pi和Pj的二范数描述像素i和j的特征距离dij，具体的：
Figure FDA0003190288510000021
Pi和Pj的空间距离为：
Figure FDA0003190288510000022
在与像素i的空间距离小于ε的区域计算像素i的局部密度ρi：
Figure FDA0003190288510000023
然后判定：若像素i在距离ε内有密度大于其自身的局部极大密度像素，则将像素i归属于该极大密度像素所在的聚类,否则将像素i创建为一个新的单独聚类，进而将一幅图像分割为以局部极大密度像素为中心的多个聚类，该极大密度像素为聚类中心；
将一个聚类中的局部极大密度像素作为待选超像素的种子，为每个聚类中心像素定义索引λi，它是密度ρi和该像素点到与其距离最近的大密度像素的距离δi的乘积，即：
λi＝ρiδi
然后根据需要选取索引最大的前K个像素作为超像素的种子，将其余各聚类与距离其最近的超像素种子所在的聚类合并；
将同一个超像素种子所在聚类中的所有像素赋予相同的标号作为超像素的分割。
6.根据权利要求1所述的芯片表面缺陷检测模型建立方法，其特征在于，所述通过超像素分割结果对语义分割缺陷检测模型进行融合处理的步骤，具体包括：
分别统计每个超像素中属于各语义类别的像素数目；
选择像素总数最多的语义类别并将其赋给该超像素。
7.一种芯片表面缺陷检测模型建立***，其特征在于，包括：
图像获取模块：用于获取芯片表面图像，对所得图像进行分割以提取出芯片图像；
图像预处理模块：用于对所述芯片图像进行预处理，以剔除芯片图像中的字符信息；
缺陷标注模块：用于对所得芯片图像进行图像增强处理得到样本数据集，并对样本数据集内的芯片图像进行缺陷标注；
模型训练模块：用于对样本数据集内的芯片图像进行处理，将所述样本数据集分为训练集、测试集和验证集，以所述样本数据集训练UNet神经网络，得到训练好的语义分割缺陷检测模型；
超像素分割模块：用于对剔除字符信息的芯片图像的Lab通道进行超像素分割；
模型融合模块：用于通过超像素分割结果对语义分割缺陷检测模型进行融合处理。
CN202110875101.3A 2021-07-30 2021-07-30 一种芯片表面缺陷检测模型建立方法和*** Pending CN113554638A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110875101.3A CN113554638A (zh) 2021-07-30 2021-07-30 一种芯片表面缺陷检测模型建立方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110875101.3A CN113554638A (zh) 2021-07-30 2021-07-30 一种芯片表面缺陷检测模型建立方法和***

Publications (1)

Publication Number Publication Date
CN113554638A true CN113554638A (zh) 2021-10-26

Family

ID=78133474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110875101.3A Pending CN113554638A (zh) 2021-07-30 2021-07-30 一种芯片表面缺陷检测模型建立方法和***

Country Status (1)

Country Link
CN (1) CN113554638A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902765A (zh) * 2021-12-10 2022-01-07 聚时科技(江苏)有限公司 基于全景分割的半导体自动分区方法
CN114580454A (zh) * 2022-02-24 2022-06-03 发明之家(北京)科技有限公司 一种芯片外观不良识别方法和***
CN114841981A (zh) * 2022-05-20 2022-08-02 烟台中科网络技术研究所 基于分割网络的零件缺陷检测与字符识别方法及装置
CN116953486A (zh) * 2023-09-18 2023-10-27 深圳华海达科技有限公司 一种芯片测试治具及芯片检测方法
CN117746077A (zh) * 2024-02-20 2024-03-22 深圳超盈智能科技有限公司 一种芯片缺陷的检测方法、装置、设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2980754A1 (en) * 2014-07-28 2016-02-03 Thomson Licensing Method and apparatus for generating temporally consistent superpixels
CN107424159A (zh) * 2017-07-28 2017-12-01 西安电子科技大学 基于超像素边缘和全卷积网络的图像语义分割方法
CN107609601A (zh) * 2017-09-28 2018-01-19 北京计算机技术及应用研究所 一种基于多层卷积神经网络的舰船目标识别方法
US10042048B1 (en) * 2014-02-20 2018-08-07 National Technology & Engineering Solutions Of Sandia, Llc Superpixels for improved structure and terrain classification using multiple synthetic aperture radar image products
CN108629783A (zh) * 2018-05-02 2018-10-09 山东师范大学 基于图像特征密度峰值搜索的图像分割方法、***及介质
CN108982508A (zh) * 2018-05-23 2018-12-11 江苏农林职业技术学院 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法
CN112184730A (zh) * 2020-09-24 2021-01-05 南京晓庄学院 一种改进的基于超像素的多光谱图像分割方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10042048B1 (en) * 2014-02-20 2018-08-07 National Technology & Engineering Solutions Of Sandia, Llc Superpixels for improved structure and terrain classification using multiple synthetic aperture radar image products
EP2980754A1 (en) * 2014-07-28 2016-02-03 Thomson Licensing Method and apparatus for generating temporally consistent superpixels
CN107424159A (zh) * 2017-07-28 2017-12-01 西安电子科技大学 基于超像素边缘和全卷积网络的图像语义分割方法
CN107609601A (zh) * 2017-09-28 2018-01-19 北京计算机技术及应用研究所 一种基于多层卷积神经网络的舰船目标识别方法
CN108629783A (zh) * 2018-05-02 2018-10-09 山东师范大学 基于图像特征密度峰值搜索的图像分割方法、***及介质
CN108982508A (zh) * 2018-05-23 2018-12-11 江苏农林职业技术学院 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法
CN112184730A (zh) * 2020-09-24 2021-01-05 南京晓庄学院 一种改进的基于超像素的多光谱图像分割方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902765A (zh) * 2021-12-10 2022-01-07 聚时科技(江苏)有限公司 基于全景分割的半导体自动分区方法
CN113902765B (zh) * 2021-12-10 2022-04-12 聚时科技(江苏)有限公司 基于全景分割的半导体自动分区方法
CN114580454A (zh) * 2022-02-24 2022-06-03 发明之家(北京)科技有限公司 一种芯片外观不良识别方法和***
CN114580454B (zh) * 2022-02-24 2022-10-11 发明之家(北京)科技有限公司 一种芯片外观不良识别方法和***
CN114841981A (zh) * 2022-05-20 2022-08-02 烟台中科网络技术研究所 基于分割网络的零件缺陷检测与字符识别方法及装置
CN116953486A (zh) * 2023-09-18 2023-10-27 深圳华海达科技有限公司 一种芯片测试治具及芯片检测方法
CN116953486B (zh) * 2023-09-18 2023-12-05 深圳华海达科技有限公司 一种芯片测试治具及芯片检测方法
CN117746077A (zh) * 2024-02-20 2024-03-22 深圳超盈智能科技有限公司 一种芯片缺陷的检测方法、装置、设备和存储介质
CN117746077B (zh) * 2024-02-20 2024-05-10 深圳超盈智能科技有限公司 一种芯片缺陷的检测方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN113554638A (zh) 一种芯片表面缺陷检测模型建立方法和***
US11669971B2 (en) Colony contrast gathering
CN107665492B (zh) 基于深度网络的结直肠全景数字病理图像组织分割方法
CN107016413B (zh) 一种基于深度学习算法的烟叶在线分级方法
CN113723573B (zh) 基于自适应比例学习的肿瘤组织病理分类***及方法
CN109684922B (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN110927171A (zh) 一种基于机器视觉的轴承滚子倒角面缺陷检测方法
CN107328776A (zh) 一种免疫层析试纸卡的快速检测方法
CN114663346A (zh) 一种基于改进YOLOv5网络的带钢表面缺陷检测方法
CN115082451B (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
CN111310756A (zh) 一种基于深度学习的损伤玉米颗粒检测和分类方法
CN109087330A (zh) 一种基于由粗到精图像分割的运动目标检测方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN113420614A (zh) 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN113610035A (zh) 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法
CN110458019B (zh) 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法
CN116205876A (zh) 基于多尺度标准化流的无监督笔记本外观缺陷检测方法
CN111915634A (zh) 一种基于融合策略的目标物体边缘检测方法与***
CN115830514B (zh) 一种适用于带弯曲河道的全河段表面流速计算方法及***
US20210334514A1 (en) System and method for monitoring bacterial growth of bacterial colonies and predicting colony biomass
CN116645351A (zh) 一种复杂场景的缺陷在线检测方法及***
CN116205879A (zh) 一种基于无人机图像及深度学习的小麦倒伏面积估算方法
CN115965613A (zh) 基于空洞卷积的跨层连接的施工场景人群计数方法
CN112686105B (zh) 一种基于视频图像多特征融合的雾浓度等级识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211026

RJ01 Rejection of invention patent application after publication