CN114798479A - 一种裸片的筛选方法、装置、设备及存储介质 - Google Patents
一种裸片的筛选方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114798479A CN114798479A CN202210232772.2A CN202210232772A CN114798479A CN 114798479 A CN114798479 A CN 114798479A CN 202210232772 A CN202210232772 A CN 202210232772A CN 114798479 A CN114798479 A CN 114798479A
- Authority
- CN
- China
- Prior art keywords
- image
- wafer
- bare chip
- screened
- die
- 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
Links
- 238000012216 screening Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000013473 artificial intelligence Methods 0.000 claims description 13
- 238000005286 illumination Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 18
- 239000004065 semiconductor Substances 0.000 abstract description 3
- 235000012431 wafers Nutrition 0.000 description 105
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000011176 pooling Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
- B07C5/362—Separating or distributor mechanisms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67271—Sorting devices
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
- B07C2501/0063—Using robots
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Robotics (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明涉及半导体技术领域,公开了一种裸片的筛选方法、装置、设备及存储介质。所述筛选方法包括:获取待筛选晶圆中的第一图像,其中,第一图像为待筛选晶圆中的裸片分布图像;基于所述第一图像,建立坐标系,并根据坐标系获取待筛选晶圆中各裸片的坐标值;基于各坐标值,获取待筛选晶圆中的第二图像,其中,第二图像为待筛选晶圆中的裸片图像;对第二图像进行识别,并判断第二图像是否为外形完整的裸片图像,得到判断结果;根据判断结果,确定第二图像对应的裸片是否完整,并对裸片进行筛选操作。实现了裸片筛选的智能化,提高筛选效率、提高筛选准确率以及提高不良品的利用率。
Description
技术领域
本发明涉及半导体技术领域,尤其涉及一种裸片的筛选方法、装置、设备及存储介质。
背景技术
在半导体制造领域中,由于晶圆本身的晶体缺陷、形状限制、切割等操作带来的机械损伤等,使得到的部分裸片在外形上也会出现不同的缺陷或损伤,因此,需要筛选出不良品的裸片,提高裸片的良品率。晶圆处理工序和晶圆针测工序主要是进行封装前的裸片生产,在晶圆处理工序中,通过外延-氧化-CVD-溅射-光刻-刻蚀-离子注入等作业操作以在晶圆上完成数层电路,并通过切割晶圆形成多个裸片(Die);晶圆针测工序则是不同种类或规格的产品在一个晶圆上生长的情况,利用针测器对每个裸片检测其电气特性,根据不同的电气特性进行裸片的分类。目前对裸片进行分类,基本都是利用员工进行目视检查,挑出晶圆中带有正常裸片,弃用剩余的缺陷裸片。
发明内容
本发明的主要目的在于提供一种裸片的筛选方法、装置、设备及存储介质,旨在解决利用人工进行裸片筛选而耗费大量的人力和时间导致效率低、且不良品的利用率低的技术问题。
为实现上述目的,本发明第一方面提供一种裸片的筛选方法,所述筛选方法包括:
获取待筛选晶圆中的第一图像,其中,所述第一图像为所述待筛选晶圆中的裸片分布图像;
基于所述第一图像,建立坐标系,并根据所述坐标系获取所述待筛选晶圆中各裸片的坐标值;
基于各所述坐标值,获取所述待筛选晶圆中的第二图像,其中,所述第二图像为所述待筛选晶圆中的裸片图像;
对所述第二图像进行图像识别,并判断所述第二图像是否为外形完整的裸片图像,得到判断结果;
根据所述判断结果,确定所述第二图像对应的裸片是否完整,并对所述裸片进行筛选操作。
可选的,在本发明第一方面的第一种实现方式中,在所述基于各所述坐标值,获取所述待筛选晶圆中的第二图像,其中,所述第二图像为所述待筛选晶圆中的裸片图像的步骤包括:
基于各所述坐标值,控制拍摄装置拍摄所述待筛选晶圆中对应所述坐标值的裸片的图像,得到所述裸片图像。
可选的,在本发明第一方面的第二种实现方式中,在所述基于各所述坐标值,获取所述待筛选晶圆中的第二图像,其中,所述第二图像为所述待筛选晶圆中的裸片图像的步骤包括:
按照预设分割规则,将所述第一图像分割成多个所述第二图像;
基于各所述坐标值,获取对应所述坐标值的第二图像。
可选的,在本发明第一方面的第三种实现方式中,在所述对所述第二图像进行图像识别,并判断所述第二图像是否为外形完整的裸片图像,得到判断结果之前,还包括:
将所述第二图像输入预置人工智能模型。
可选的,在本发明第一方面的第四种实现方式中,所述判断结果包括:
所述第二图像为外形完整的裸片图像;或,所述第二图像为外形不完整的裸片图像。
可选的,在本发明第一方面的第五种实现方式中,所述根据所述判断结果,确定所述第二图像对应的裸片是否完整,并对所述裸片进行筛选操作包括:
若所述第二图像为外形完整的裸片图像,则确定所述第二图像对应的裸片完整,并将所述裸片放置于第一区域;
若所述第二图像为外形不完整的裸片图像,则确定所述第二图像对应的裸片不完整,并对所述裸片进行标记。
可选的,在本发明第一方面的第六种实现方式中,所述基于所述第一图像,建立坐标系的步骤,包括:通过将所述待筛选晶圆的圆心作为坐标系的原点,并沿所述待筛选晶圆的平面的水平方向与垂直方向建立二维坐标系。
可选的,在本发明第一方面的第七种实现方式中,在所述基于所述第一图像,建立坐标系,并根据所述坐标系获取所述待筛选晶圆中各裸片的坐标值之后,还包括:
基于所述坐标系和所述第一图像,将所述待筛选晶圆从所述原点到外侧依次划分为中心区域和外沿区域。
可选的,在本发明第一方面的第八种实现方式中,在所述基于所述坐标系和所述第一图像,将所述待筛选晶圆从所述原点到外侧依次划分为中心区域和外沿区域之后,还包括:
基于各所述坐标值,判断所述待筛选晶圆中的各所述裸片的所处区域;
若所述裸片位于所述中心区域,且所述裸片已被标记,则将所述裸片的多个相邻裸片进行标记;
若所述裸片位于所述外沿区域,则将所述裸片进行标记。
可选的,在本发明第一方面的第九种实现方式中,在所述若所述裸片位于所述外沿区域,则将所述裸片进行标记之后,还包括:
获取所述待筛选晶圆中的第三图像,其中,所述第三图像为已被标记的所述裸片的电路图像;
对所述第三图像进行图像识别,并判断所述第三图像是否为合格的电路图像;
若所述第三图像为合格的电路图像,则将所述裸片放置至第二区域;
若所述第三图像为不合格的电路图像,则将所述裸片放置于第三区域。
本发明第二方面提供了一种裸片的筛选装置,所述筛选装置包括:
第一获取模块,用于获取待筛选晶圆中的第一图像,其中,所述第一图像为所述待筛选晶圆中的裸片分布图像;
建立模块,用于基于所述第一图像,建立坐标系,并根据所述坐标系获取所述待筛选晶圆中各裸片的坐标值;
第二获取模块,用于基于各所述坐标值,获取所述待筛选晶圆中的第二图像,其中,所述第二图像为所述待筛选晶圆中的裸片图像;
第一识别模块,用于对所述第二图像进行图像识别,并判断所述第二图像是否为外形完整的裸片图像,得到判断结果;
筛选模块,用于根据所述判断结果,确定所述第二图像对应的裸片是否完整,并对所述裸片进行筛选操作。
可选的,在本发明第二方面的第一种实现方式中,所述筛选裸片装置还包括:
照明模块,用于照明所需拍摄的裸片。
可选的,在本发明第二方面的第二种实现方式中,在所述基于各所述坐标值,获取所述待筛选晶圆中的第二图像,其中,所述第二图像为所述待筛选晶圆中的裸片图像的步骤包括:
拍摄单元,用于基于各所述坐标值,控制拍摄装置拍摄所述待筛选晶圆中对应所述坐标值的裸片的图像,得到所述裸片图像。
可选的,在本发明第二方面的第三种实现方式中,在所述基于各所述坐标值,获取所述待筛选晶圆中的第二图像,其中,所述第二图像为所述待筛选晶圆中的裸片图像的步骤包括:
分割单元,用于按照预设分割规则,将所述第一图像分割成多个所述第二图像;
第一获取单元,用于基于各所述坐标值,获取对应所述坐标值的第二图像。
可选的,在本发明第二方面的第四种实现方式中,在所述对所述第二图像进行图像识别,并判断所述第二图像是否为外形完整的裸片图像,得到判断结果之前,还包括:
输入模块,用于将所述第二图像输入预置人工智能模型。
可选的,在本发明第二方面的第五种实现方式中,所述判断结果包括:
所述第二图像为外形完整的裸片图像;或,所述第二图像为外形不完整的裸片图像。
可选的,在本发明第二方面的第六种实现方式中,所述根据所述判断结果,确定所述第二图像对应的裸片是否完整,并对所述裸片进行筛选操作包括:
第一确定单元,用于若所述第二图像为外形完整的裸片图像,则确定所述第二图像对应的裸片完整,并将所述裸片放置于第一区域;
标记单元,用于若所述第二图像为外形不完整的裸片图像,则确定所述第二图像对应的裸片不完整,并对所述裸片进行标记。
可选的,在本发明第二方面的第七种实现方式中,所述基于所述第一图像,建立坐标系的步骤,包括:建立单元,用于通过将所述待筛选晶圆的圆心作为坐标系的原点,并沿所述待筛选晶圆的平面的水平方向与垂直方向建立二维坐标系。
可选的,在本发明第二方面的第八种实现方式中,在所述基于所述第一图像,建立坐标系,并根据所述坐标系获取所述待筛选晶圆中各裸片的坐标值之后,还包括:
划分模块,用于基于所述坐标系和所述第一图像,将所述待筛选晶圆从所述原点到外侧依次划分为中心区域和外沿区域。
可选的,在本发明第二方面的第九种实现方式中,在所述基于所述坐标系和所述第一图像,将所述待筛选晶圆从所述原点到外侧依次划分为中心区域和外沿区域之后,还包括:
判断模块,用于基于各所述坐标值,判断所述待筛选晶圆中的各所述裸片的所处区域;
第一标记模块,用于若所述裸片位于所述中心区域,且所述裸片已被标记,则将所述裸片的多个相邻裸片进行标记;
第二标记模块,用于若所述裸片位于所述外沿区域,则将所述裸片进行标记。
可选的,在本发明第二方面的第十种实现方式中,在所述若所述裸片位于所述外沿区域,则将所述裸片进行标记之后,还包括:
第三获取模块,用于获取所述待筛选晶圆中的第三图像,其中,所述第三图像为已被标记的所述裸片的电路图像;
第二识别模块,用于对所述第三图像进行图像识别,并判断所述第三图像是否为合格的电路图像;
第一放置模块,用于若所述第三图像为合格的电路图像,则将所述裸片放置至第二区域;
第二放置模块,用于若所述第三图像为不合格的电路图像,则将所述裸片放置于第三区域。
本发明第三方面提供了一种电子设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述电子设备执行上述的筛选方法。
本发明第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的筛选方法。
本发明提供的技术方案中,通过获取待筛选晶圆中的裸片分布图像,并以该晶圆的圆心为坐标系的原点,沿当前水平与垂直方向建立二维坐标系,从而得到位于该晶圆中的各裸片的坐标值,根据坐标值,控制拍摄模块拍摄对应裸片图像,并将该裸片图像输入预置人工智能模型进行图像识别,得到该裸片图像为外形完整的裸片图像或为外形不完整的裸片图像,当该裸片图像为外形完整的裸片图像时,则控制夹持模块夹取该裸片并将该裸片放置良品托盘中,全程进行智能筛选,提高裸片筛选的效率;当该裸片图像为外形不完整的裸片图像时,则对该裸片进行标记并将该裸片留在远处,以便后续根据裸片电路图像进一步筛选出合格的产品,提高不良品的利用率。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本发明实施例中裸片的筛选方法的第一个实施例示意图;
图2为本发明实施例中待筛选晶圆中的裸片分布示意图;
图3为本发明实施例中已经建立坐标系并划分区域的裸片分布示意图;
图4为本发明实施例中裸片的筛选方法的第二个实施例示意图;
图5为本发明实施例中晶圆中外形不完整的裸片分布示意图;
图6为本发明实施例中晶圆中标记裸片的相邻裸片分布示意图;
图7为本发明实施例中裸片的筛选装置的第一个实施例示意图;
图8为本发明实施例中裸片的筛选装置的第二个实施例示意图;
图9为本发明实施例中裸片的电子设备的一个实施例示意图。
具体实施方式
本发明的主要目的在于提供一种筛选方法、装置、设备及存储介质,旨在解决利用人工进行裸片筛选而耗费大量的人力和时间,且效率低的技术问题。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1-图3,本发明实施例中裸片的筛选方法的一个实施例包括:
101、获取待筛选晶圆中的第一图像,其中,所述第一图像为所述待筛选晶圆中的裸片分布图像10;
本实施例中,因同一批次生产的晶圆的大小相同,因此,在批量筛选前,首先通过拍摄设备拍摄待筛选晶圆中的裸片分布图像10,并将所述裸片分布图像10上传至上位机,上位机根据所述裸片分布图像10检索预置图像库,并匹配与所述裸片图像中的裸片形状相同的标准图像,在后续的图像识别过程中以该标准图像为识别的标准,其中,通过外延-氧化-CVD-溅射-光刻-刻蚀-离子注入等作业操作以在晶圆上完成数层电路,并通过切割晶圆形成多个裸片(Die),本实施例中的待筛选晶圆是已经完成电路并被切割后的,且晶圆还保持被切割前的分布,因此,所述第一图像即为晶圆已经完成电路并被切割后形成多个裸片,并保留原晶圆切割前的多个裸片分布图像。
102、基于所述第一图像,建立坐标系,并根据所述坐标系获取所述待筛选晶圆中各裸片的坐标值;
本实施例中,上位机在获取所述裸片分布图像10上以晶圆的圆心作为坐标系的原点,沿当前水平与垂直方向建立二维坐标系,因此,得到位于该晶圆中各裸片的对应坐标值。
103、基于各所述坐标值,获取所述待筛选晶圆中的第二图像,其中,所述第二图像为所述待筛选晶圆中的裸片图像;
本实施例中,上位机根据所述坐标值,控制拍摄设备重新对焦并调整焦点位置拍摄对应裸片的图像,可以获得更清楚的图像,提高图像识别的准确性,拍摄设备将拍摄的裸片图像上传至上位机。
104、对所述第二图像进行识别,并判断所述第二图像是否为外形完整的裸片图像,得到判断结果;
本实施例中,上位机通过将所述裸片图像输入预置人工智能模型中进行图像识别,其中,图像识别具体为将所述裸片图像输入卷积神经网络并在输入层进行去均值、归一化和PCA/SVD降维操作等预处理,将图像的原始特征归纳到相近领域,以保证原始特征中不同特征具有相同的量纲,输入层输出图像向量;假设输入层输出了一张38×38的图像,并在卷积层中进行大小为5×5像素和步长为1像素的卷积操作和偏置操作,再激活函数,便可以得到32张34×3像素的特征图;将第一卷积层输出的32张34×3像素的特征图输入第一池化层,并对输入特征图进行最大池化操作,池化块的大小为2×2像素,步长为1像素,得到32张17×17像素的特征图;将池化层输出的32张17×17像素的特征图输入第二卷积层,并对输入特征图进行大小为5×5像素和步长为1像素的卷积和偏置操作,再激活函数,得到64张13×13像素大小的特征图;将池化层输出的32张17×17像素的特征图输入第二卷积层,并对输入特征图进行大小为5×5像素和步长为1像素的卷积和偏置操作,再激活函数,得到64张13×13像素大小的特征图;将第二卷积层输出的64张13×13像素的特征图输入第二池化层,并对输入特征图进行最大池化操作,池化块的大小为2×2像素,步长为1像素,得到64张分辨率为7×7像素的特征图;利用激活函数激活输入第一全连接层的第二池化层输出的64张分辨率为7×7像素的特征图中的每个像素点,得到激活后的特征图的像素点的值,将激活后的特征图以列的顺序排列层1维向量,得到1×3136维的特征向量;然后将得到1×3136维的特征向量输入第二全连接层,构成一神经网络,输出1×500维的特征向量;在输出层中,根据预设计算规则,对1×500维的特征向量进行计算,并将计算结果输入Softmax分类器,得到分类结果并输出,因此,得到所述裸片图像为外形完整的裸片图像或为外形不完整的裸片图像,进行智能的图像识别,提高识别的准确度和效力,避免人工用眼和经验对裸片进行外形识别的低效率和因主观判断错误导致大量裸片的浪费。
105、根据所述判断结果,确定所述第二图像对应的裸片是否完整,并对所述裸片进行筛选操作;
本实施例中,当所述裸片图像为外形完整的裸片图像时,上位机控制夹持模块夹取所述裸片,并将所述裸片移动至良品托盘中,实现裸片的智能筛选,提高效率,降低企业生产成本,其中,夹持模块可以具体为机械手、夹持器和抓取夹等,对裸片进行抓取。当所述裸片图像为外形不完整的裸片图像时,上位机控制夹持模块对所述裸片进行标记,然后将被标记后的裸片留在原处,以便后续根据裸片电路图像进一步筛选出合格的产品,提高不良品的利用率。
本发明实施例中,通过获取待筛选晶圆中的裸片分布图像10,并以该晶圆的圆心为坐标系的原点,沿当前水平与垂直方向建立二维坐标系,从而得到位于该晶圆中的各裸片的坐标值,根据坐标值,控制拍摄模块拍摄对应裸片图像,并将该裸片图像输入预置人工智能模型进行图像识别,得到该裸片图像为外形完整的裸片图像或为外形不完整的裸片图像,当该裸片图像为外形完整的裸片图像时,则控制夹持模块夹取该裸片并将该裸片放置良品托盘中,全程进行智能筛选,提高裸片筛选的效率;当该裸片图像为外形不完整的裸片图像时,则对该裸片进行标记并将该裸片留在远处,以便后续根据裸片电路图像进一步筛选出合格的产品,提高不良品的利用率。
请参阅图4-图6,本发明实施例中裸片的筛选方法的第二个实施例包括:
201、获取待筛选晶圆中的第一图像,其中,所述第一图像为所述待筛选晶圆中的裸片分布图像10;
本实施例中,上述步骤201的说明参照第一实施例,本实施例不再进行赘述。
202、通过将所述待筛选晶圆的圆心作为坐标系的原点,并沿所述待筛选晶圆的平面的水平方向与垂直方向建立二维坐标系,并根据所述坐标系获取所述待筛选晶圆中各裸片的坐标值;
本实施例中,因为同一批次的晶圆大小是相同的,因此可以通过将所述待筛选晶圆的圆心作为坐标系的原点,沿当前水平方向与垂直方向建立二维坐标系,用于定位同一批次晶圆,进而定位位于晶圆中各裸片的位置,以便拍摄装置根据坐标值准确拍摄对应裸片图像。
203、基于各所述坐标值,控制拍摄装置拍摄所述待筛选晶圆中对应所述坐标值的裸片的图像,得到所述裸片图像;
本实施例中,所述拍摄装置可以为全自动中心聚焦摄像头或高清摄像头,提高拍摄图像的清晰度,有利于预置人工智能模型进行更为准确的图像识别;上位机根据所述坐标值,控制拍摄设备重新对焦并调整焦点位置拍摄对应裸片的图像,可以获得更清楚的图像,提高图像识别的准确性,拍摄设备将拍摄的裸片图像上传至上位机。
可选的,在一实施例中,在步骤203之后,还包括:基于所述坐标系和所述第一图像,将所述待筛选晶圆从所述原点到外侧依次划分为中心区域12和外沿区域11;
基于各所述坐标值,判断所述待筛选晶圆中的各所述裸片的所处区域;
若所述裸片位于所述中心区域12,且所述裸片已被标记,则将所述裸片的多个相邻裸片16进行标记;
若所述裸片位于所述外沿区域11,则将所述裸片进行标记。
在本实施例中,上位机根据所述坐标系,将所述裸片分布图像10从坐标系的原点到外侧依次划分为中心区域12和外沿区域11,同时,通过取所述待筛选晶圆的最大行列数的固定比值确定两区域的边界,当然也可以是人为直接划定,其中,具体划分的区域大小视晶圆的尺寸和裸片的大小而定。根据各所述裸片的对应所述坐标值,判断所述待筛选晶圆中的各所述裸片的所处区域,当所述裸片位于所述中心区域12,且所述裸片已被标记,则将所述裸片的多个相邻裸片16进行标记;当所述裸片位于所述外沿区域11,则将所述裸片进行标记,对裸片进行标记有利于后续提高筛选裸片的效率。同时,因为中心区域12包括了绝大多数的完整裸片,所以先对位于所述中心区域12内的裸片进行筛选,待位于所述中心区域12内的裸片筛选完后,再对位于所述外沿区域11内的裸片进行筛选。按区域筛选,提高筛选效率。
可选的,在一实施例中,在步骤203之后,还包括的“若所述裸片位于所述外沿区域11,则将所述裸片进行标记”之后,还包括:
获取所述待筛选晶圆中的第三图像,其中,所述第三图像为已被标记的所述裸片15的电路图像;
对所述第三图像进行图像识别,并判断所述第三图像是否为合格的电路图像;
若所述第三图像为合格的电路图像,则将所述裸片放置至第二区域;
若所述第三图像为不合格的电路图像,则将所述裸片放置于第三区域。
具体的,因为中心区域12中的裸片外形不完整通常是物理损坏,因此,会波及该外形不完整的裸片周围的其它裸片。故上位机对裸片外形图像进行识别后,对外形不完整的裸片做标记,并在坐标系中获取与外形不完整裸片的相邻裸片16,并通过对该相邻裸片16进行电路图像的识别,进一步筛选出合格的裸片。在拍摄设备拍摄裸片图像之前,使用照明模块照射需要拍摄的裸片,使得裸片表面的图像信息更加清楚地被拍摄设备获取,不仅可以利用光源反射裸片的具体形状,还能够利用光源反射裸片上的电路,拍摄清楚的外形图像和电路图像,其中,所述照明模块包括带有该光束焦距的凹凸透镜或改变光路方向的平面镜。
本实施例中,所述第三图像为已被标记的所述裸片15的电路图像,第二区域为次良品托盘,第三区域为不良品托盘;上位机分别获取与标记的所述裸片15相邻的多个裸片的坐标值,并根据获取坐标值控制拍摄设备拍摄各相邻裸片16的电路图像,得到多个相邻裸片16的电路图像;将多个已被标记的所述裸片15的电路图像输入预置人工智能模型进行图像识别,得到所述第三图像为合格的电路图像或为不合格的电路图像。当为合格的电路图像时,上位机控制夹取模块夹取所述相邻裸片16并放置于次良品托盘中;有利于企业将该次良品托盘中的裸片应用到符合要求的生产中,提高裸片的不良品的利用率。当为不合格的电路图像时,上位机控制夹取模块夹取所述相邻裸片16并放置于不良品托盘中,完成筛选。
可选的,在另一实施例中,还包括:按照预设分割规则,将所述第一图像分割成多个所述第二图像;
基于各所述坐标值,获取对应所述坐标值的第二图像;
本实施例中,上位机根据预设分割规则将所述待筛选晶圆中的裸片分布图分割成单个裸片图像,然后根据之前获取的多个裸片的所述坐标值,提取对应所述坐标值的裸片图像。该预设分割规则可以是直接设定好所需第二图像的图像尺寸进行第一图像的分割,又或者是根据第一图像内的相邻裸片之间的分界进行切割。
204、对所述第二图像进行识别,并判断所述第二图像是否为外形完整的裸片图像,得到判断结果;
本实施例中,上述步骤204的说明参照第一实施例,本实施例不再进行赘述。
可选的,在一实施例中,在步骤204之前还包括:
将所述第二图像输入预置人工智能模型;
本实施例中,预置人工智能模型的建立方式包括但不仅仅局限于,通过CNN卷积神经网络模型对大量的带有信息标记(包括外形完整的裸片图像、外形不完整的裸片图像)的裸片图像库的图像进行训练,建立图像模型;上位机通过将所述裸片图像输入预置人工智能模型中进行图像识别,判断所述裸片图像的外形是否为完整的图像,进行智能的图像识别,提高识别的准确度和效力,避免人工用眼和经验对裸片进行外形识别的低效率和因主观判断错误导致大量裸片的浪费。
205、若所述第二图像为外形完整的裸片图像,则确定所述第二图像对应的裸片完整,并将所述裸片放置于第一区域;
本实施例中,第一区域为良品托盘,所述第二图像为裸片图像,当所述裸片图像为外形完整的裸片图像时,上位机控制夹持模块夹取所述裸片,并将所述裸片移动至良品托盘中,实现裸片的智能筛选,提高效率,降低企业生产成本,其中,夹持模块可以具体为机械手、夹持器和抓取夹等,对裸片进行抓取。
206、若所述第二图像为外形不完整的裸片13图像,则确定所述第二图像对应的裸片不完整,并对所述裸片进行标记;
本实施例中,当所述裸片图像为外形不完整的裸片图像时,上位机控制夹持模块对所述裸片进行标记,然后将被标记后的裸片留在原处,以便后续根据裸片电路图像进一步筛选出合格的产品,提高不良品的利用率。
本实施例中,常规类型的裸片的电路被破坏时,会因无法实现正常的功能而报废,但是闪存类型(NandFlash、NorFlash等)的裸片不同。闪存裸片中可以有多个面(Plane),面中又会有多个块(Block),块又是由多个页组成,其底层是位线WL(WordLine)和字线BL(BitLine)交叉形成的数据存储单元,整个裸片可以是多个存储单元的组合。因此当闪存类型的裸片的电路出现破损时,可能仅是部分位线和字线的损坏,即部分存储单元损坏,而其余的存储单元还处于完好的状态,因此外形不完整的裸片13存在回收的可能性。因此,在通过对中心区域和外沿区域的裸片进行外形筛选一遍后,再通过识别裸片的电路图像对外形不完整的裸片13进行筛选,进一步挑出合格的裸片,并控制夹取模块将所述裸片夹取至次良品托盘中。提高裸片不良品的利用率。
本实施例中,通过采用拍摄设备拍摄裸片图像,并对裸片图像进行图像识别,使裸片筛选智能化;并通过在获取待筛选晶圆中的裸片分布图像10上建立坐标系,以便后续对裸片定位和进行区域划分,首先对包含绝大部分外形完整的裸片的中心区域12进行裸片筛选完毕后,再对多数是外形不完整的外沿区域11进行筛选,提高筛选效率;然后再通过对筛选后已被标记的所述裸片15进行一遍筛选,筛选出电路符合要求的裸片,提高裸片不良品的利用率。
上面对本发明实施例中裸片的筛选方法进行了描述,下面对本发明实施例中裸片的筛选装置进行描述,请参阅图7,本发明实施例中裸片的筛选装置装置第一个实施例包括:
第一获取模块301,用于获取待筛选晶圆中的第一图像,其中,所述第一图像为所述待筛选晶圆中的裸片分布图像10;
建立模块302,用于基于所述第一图像,建立坐标系,并根据所述坐标系获取所述待筛选晶圆中各裸片的坐标值;
第二获取模块303,用于基于各所述坐标值,获取所述待筛选晶圆中的第二图像,其中,所述第二图像为所述待筛选晶圆中的裸片图像;
第一识别模块304,用于对所述第二图像进行图像识别,并判断所述第二图像是否为外形完整的裸片图像,得到判断结果;
筛选模块305,用于根据所述判断结果,确定所述第二图像对应的裸片是否完整,并对所述裸片进行筛选操作。
本实施例中,通过获取待筛选晶圆中的裸片分布图像10,并以该晶圆的圆心为坐标系的原点,沿当前水平与垂直方向建立二维坐标系,从而得到位于该晶圆中的各裸片的坐标值,根据坐标值,控制拍摄模块拍摄对应裸片图像,并将该裸片图像输入预置人工智能模型进行图像识别,得到该裸片图像为外形完整的裸片图像或为外形不完整的裸片图像,当该裸片图像为外形完整的裸片图像时,则控制夹持模块夹取该裸片并将该裸片放置良品托盘中,全程进行智能筛选,提高裸片筛选的效率;当该裸片图像为外形不完整的裸片图像时,则对该裸片进行标记并将该裸片留在远处,以便后续根据裸片电路图像进一步筛选出合格的产品,提高不良品的利用率。
请参阅图8,本发明实施例中裸片的筛选装置的第二个实施例包括:
第一获取模块301,用于获取待筛选晶圆中的第一图像,其中,所述第一图像为所述待筛选晶圆中的裸片分布图像10;
建立模块302,用于基于所述第一图像,建立坐标系,并根据所述坐标系获取所述待筛选晶圆中各裸片的坐标值;
第二获取模块303,用于基于各所述坐标值,获取所述待筛选晶圆中的第二图像,其中,所述第二图像为所述待筛选晶圆中的裸片图像;
第一识别模块304,用于对所述第二图像进行图像识别,并判断所述第二图像是否为外形完整的裸片图像,得到判断结果;
筛选模块305,用于根据所述判断结果,确定所述第二图像对应的裸片是否完整,并对所述裸片进行筛选操作;
照明模块306,用于照明所需拍摄的裸片;
输入模块307,用于将所述第二图像输入预置人工智能模型;
划分模块308,用于基于所述坐标系和所述第一图像,将所述待筛选晶圆从所述原点到外侧依次划分为中心区域12和外沿区域11;
判断模块309,用于基于各所述坐标值,判断所述待筛选晶圆中的各所述裸片的所处区域;
第一标记模块310,用于若所述裸片位于所述中心区域12,且所述裸片已被标记,则将所述裸片的多个相邻裸片16进行标记;
第二标记模块311,用于若所述裸片位于所述外沿区域11,则将所述裸片进行标记;
第三获取模块312,用于获取所述待筛选晶圆中的第三图像,其中,所述第三图像为已被标记的所述裸片15的电路图像;
第二识别模块313,用于对所述第三图像进行图像识别,并判断所述第三图像是否为合格的电路图像;
第一放置模块314,用于若所述第三图像为合格的电路图像,则将所述裸片放置至第二区域;
第二放置模块315,用于若所述第三图像为不合格的电路图像,则将所述裸片放置于第三区域。
可选的,在一实施例中,所述第二获取模块303包括:
分割单元,用于按照预设分割规则,将所述第一图像分割成多个所述第二图像;
第一获取单元,用于基于各所述坐标值,获取对应所述坐标值的第二图像。
可选的,在一实施例中,所述筛选模块305包括:
第一确定单元,用于若所述第二图像为外形完整的裸片图像,则确定所述第二图像对应的裸片完整,并将所述裸片放置于第一区域;
标记单元,用于若所述第二图像为外形不完整的裸片13图像,则确定所述第二图像对应的裸片不完整,并对所述裸片进行标记。
可选的,在一实施例中,所述建立模块302包括:
建立单元,用于通过将所述待筛选晶圆的圆心作为坐标系的原点,并沿所述待筛选晶圆的平面的水平方向与垂直方向建立二维坐标系。
所述判断结果包括:所述第二图像为外形完整的裸片图像;或,所述第二图像为外形不完整的裸片13图像。
在本实施例中,在拍摄设备拍摄裸片图像之前,使用照明模块照射需要拍摄的裸片,使得裸片表面的图像信息更加清楚地被拍摄设备获取,不仅可以利用光源反射裸片的具体形状,还能够利用光源反射裸片上的电路,拍摄清楚的外形图像和电路图像,并对裸片图像进行图像识别,使裸片筛选智能化;并通过在获取待筛选晶圆中的裸片分布图像10上建立坐标系,以便后续对裸片定位和进行区域划分,首先对包含绝大部分外形完整的裸片的中心区域12进行裸片筛选完毕后,再对多数是外形不完整的外沿区域11进行筛选,提高筛选效率;然后再通过对筛选后已被标记的所述裸片15进行一遍筛选,筛选出电路符合要求的裸片,提高裸片不良品的利用率。
上面图7和图8从模块化功能实体的角度对本发明实施例中的裸片的筛选装置进行详细描述,下面从硬件处理的角度对本发明实施例中裸片的电子设备进行详细描述。
图9是本发明实施例提供的一种裸片的电子设备的结构示意图,该电子设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对电子设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在电子设备500上执行存储介质530中的一系列指令操作。
电子设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作***531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图9示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种裸片的电子设备,所述电子设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述筛选方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述筛选方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (14)
1.一种裸片的筛选方法,其特征在于,所述筛选方法包括:
获取待筛选晶圆中的第一图像,其中,所述第一图像为所述待筛选晶圆中的裸片分布图像;
基于所述第一图像,建立坐标系,并根据所述坐标系获取所述待筛选晶圆中各裸片的坐标值;
基于各所述坐标值,获取所述待筛选晶圆中的第二图像,其中,所述第二图像为所述待筛选晶圆中的裸片图像;
对所述第二图像进行图像识别,并判断所述第二图像是否为外形完整的裸片图像,得到判断结果;
根据所述判断结果,确定所述第二图像对应的裸片是否完整,并对所述裸片进行筛选操作。
2.根据权利要求1所述的筛选方法,其特征在于,在所述基于各所述坐标值,获取所述待筛选晶圆中的第二图像,其中,所述第二图像为所述待筛选晶圆中的裸片图像的步骤包括:
基于各所述坐标值,控制拍摄装置拍摄所述待筛选晶圆中对应所述坐标值的裸片的图像,得到所述裸片图像。
3.根据权利要求1所述的筛选方法,其特征在于,在所述基于各所述坐标值,获取所述待筛选晶圆中的第二图像,其中,所述第二图像为所述待筛选晶圆中的裸片图像的步骤包括:
按照预设分割规则,将所述第一图像分割成多个所述第二图像;
基于各所述坐标值,获取对应所述坐标值的第二图像。
4.根据权利要求1所述的筛选方法,其特征在于,在所述对所述第二图像进行图像识别,并判断所述第二图像是否为外形完整的裸片图像,得到判断结果之前,还包括:
将所述第二图像输入预置人工智能模型。
5.根据权利要求1所述的筛选方法,其特征在于,所述判断结果包括:
所述第二图像为外形完整的裸片图像;或,所述第二图像为外形不完整的裸片图像。
6.根据权利要求5所述的筛选方法,其特征在于,所述根据所述判断结果,确定所述第二图像对应的裸片是否完整,并对所述裸片进行筛选操作包括:
若所述第二图像为外形完整的裸片图像,则确定所述第二图像对应的裸片完整,并将所述裸片放置于第一区域;
若所述第二图像为外形不完整的裸片图像,则确定所述第二图像对应的裸片不完整,并对所述裸片进行标记。
7.根据权利要求6所述的筛选方法,其特征在于,所述基于所述第一图像,建立坐标系的步骤,包括:通过将所述待筛选晶圆的圆心作为坐标系的原点,并沿所述待筛选晶圆的平面的水平方向与垂直方向建立二维坐标系。
8.根据权利要求7所述的筛选方法,其特征在于,在所述基于所述第一图像,建立坐标系,并根据所述坐标系获取所述待筛选晶圆中各裸片的坐标值之后,还包括:
基于所述坐标系和所述第一图像,将所述待筛选晶圆从所述原点到外侧依次划分为中心区域和外沿区域。
9.根据权利要求8所述的筛选方法,其特征在于,在所述基于所述坐标系和所述第一图像,将所述待筛选晶圆从所述原点到外侧依次划分为中心区域和外沿区域之后,还包括:
基于各所述坐标值,判断所述待筛选晶圆中的各所述裸片的所处区域;
若所述裸片位于所述中心区域,且所述裸片已被标记,则将所述裸片的多个相邻裸片进行标记;
若所述裸片位于所述外沿区域,则将所述裸片进行标记。
10.根据权利要求9所述的筛选方法,其特征在于,在所述若所述裸片位于所述外沿区域,则将所述裸片进行标记之后,还包括:
获取所述待筛选晶圆中的第三图像,其中,所述第三图像为已被标记的所述裸片的电路图像;
对所述第三图像进行图像识别,并判断所述第三图像是否为合格的电路图像;
若所述第三图像为合格的电路图像,则将所述裸片放置至第二区域;
若所述第三图像为不合格的电路图像,则将所述裸片放置于第三区域。
11.一种裸片的筛选装置,其特征在于,所述筛选装置包括:
第一获取模块,用于获取待筛选晶圆中的第一图像,其中,所述第一图像为所述待筛选晶圆中的裸片分布图像;
建立模块,用于基于所述第一图像,建立坐标系,并根据所述坐标系获取所述待筛选晶圆中各裸片的坐标值;
第二获取模块,用于基于各所述坐标值,获取所述待筛选晶圆中的第二图像,其中,所述第二图像为所述待筛选晶圆中的裸片图像;
识别模块,用于对所述第二图像进行图像识别,并判断所述第二图像是否为外形完整的裸片图像,得到判断结果;
筛选模块,用于根据所述判断结果,确定所述第二图像对应的裸片是否完整,并对所述裸片进行筛选操作。
12.根据权利要求7所述的筛选装置,其特征在于,所述筛选装置还包括:
照明模块,用于照明所需拍摄的裸片。
13.一种电子设备,其特征在于,所述电子设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述电子设备执行如权利要求1-10中任一项所述的筛选方法。
14.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-10中任一项所述的筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210232772.2A CN114798479A (zh) | 2022-03-09 | 2022-03-09 | 一种裸片的筛选方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210232772.2A CN114798479A (zh) | 2022-03-09 | 2022-03-09 | 一种裸片的筛选方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114798479A true CN114798479A (zh) | 2022-07-29 |
Family
ID=82528568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210232772.2A Pending CN114798479A (zh) | 2022-03-09 | 2022-03-09 | 一种裸片的筛选方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114798479A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115642098A (zh) * | 2022-09-14 | 2023-01-24 | 深圳源明杰科技股份有限公司 | 芯片安装定位方法、装置、设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003258008A (ja) * | 2002-03-01 | 2003-09-12 | Matsushita Electric Ind Co Ltd | 電子部品のピックアップ方法 |
KR20160052198A (ko) * | 2014-11-04 | 2016-05-12 | 세메스 주식회사 | 다이들의 위치 정보를 획득하는 방법 |
CN106098567A (zh) * | 2011-03-09 | 2016-11-09 | 富士机械制造株式会社 | 电子零件安装装置 |
CN107863303A (zh) * | 2017-11-02 | 2018-03-30 | 德淮半导体有限公司 | 缺陷检测方法 |
CN110024085A (zh) * | 2017-01-06 | 2019-07-16 | 株式会社富士 | 镜面裸片图像识别*** |
WO2019163108A1 (ja) * | 2018-02-23 | 2019-08-29 | ヤマハ発動機株式会社 | ダイピックアップ方法及び装置 |
CN112038254A (zh) * | 2019-05-15 | 2020-12-04 | 天津科技大学 | 基于机器视觉技术的晶圆自动检测与标记装置及设计方法 |
CN113436133A (zh) * | 2020-03-23 | 2021-09-24 | 长鑫存储技术有限公司 | 晶圆量测方法、装置及计算机可读存储介质 |
-
2022
- 2022-03-09 CN CN202210232772.2A patent/CN114798479A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003258008A (ja) * | 2002-03-01 | 2003-09-12 | Matsushita Electric Ind Co Ltd | 電子部品のピックアップ方法 |
CN106098567A (zh) * | 2011-03-09 | 2016-11-09 | 富士机械制造株式会社 | 电子零件安装装置 |
KR20160052198A (ko) * | 2014-11-04 | 2016-05-12 | 세메스 주식회사 | 다이들의 위치 정보를 획득하는 방법 |
CN110024085A (zh) * | 2017-01-06 | 2019-07-16 | 株式会社富士 | 镜面裸片图像识别*** |
CN107863303A (zh) * | 2017-11-02 | 2018-03-30 | 德淮半导体有限公司 | 缺陷检测方法 |
WO2019163108A1 (ja) * | 2018-02-23 | 2019-08-29 | ヤマハ発動機株式会社 | ダイピックアップ方法及び装置 |
CN112038254A (zh) * | 2019-05-15 | 2020-12-04 | 天津科技大学 | 基于机器视觉技术的晶圆自动检测与标记装置及设计方法 |
CN113436133A (zh) * | 2020-03-23 | 2021-09-24 | 长鑫存储技术有限公司 | 晶圆量测方法、装置及计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115642098A (zh) * | 2022-09-14 | 2023-01-24 | 深圳源明杰科技股份有限公司 | 芯片安装定位方法、装置、设备及可读存储介质 |
CN115642098B (zh) * | 2022-09-14 | 2023-12-26 | 深圳源明杰科技股份有限公司 | 芯片安装定位方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102235581B1 (ko) | 이미지 합성을 위한 컨볼루션 신경망 기반의 모드 선택 및 결함 분류 | |
US9652843B2 (en) | Machine learning method and apparatus for inspecting reticles | |
US9464992B2 (en) | Automated wafer defect inspection system and a process of performing such inspection | |
KR100598787B1 (ko) | 다이렉트 프로브 센싱을 위한 개선된 방법 및 장치 | |
CN110766660A (zh) | 基于融合深度学习模型的集成电路缺陷图像识别分类*** | |
CN109919908B (zh) | 发光二极管芯片缺陷检测的方法和装置 | |
CN113627457A (zh) | 基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和*** | |
CN109003918B (zh) | 一种芯片主动遍历匹配方法 | |
JP6472447B2 (ja) | フォトマスク欠陥性における変化の監視 | |
JPS62269279A (ja) | パタ−ン認識システム | |
TWI648766B (zh) | 用於晶粒對資料庫光罩檢查之自動校準樣本選擇 | |
CN113222982A (zh) | 基于改进的yolo网络的晶圆表面缺陷检测方法及*** | |
US20020042153A1 (en) | Method for determining the internal orientation of a wafer | |
CN114798479A (zh) | 一种裸片的筛选方法、装置、设备及存储介质 | |
CN112703589B (zh) | 用于掩埋缺陷的特性化的***及方法 | |
Klco et al. | Automated detection of soldering splashes using YOLOv5 algorithm | |
US20240103076A1 (en) | Deep learning-based mlcc stacked alignment inspection system and method | |
US20080152211A1 (en) | Rotating prism component inspection system | |
Sweeney et al. | Deep learning for semiconductor defect classification | |
CN115360133A (zh) | 一种半导体设备多级自动晶圆对准方法和半导体设备 | |
TW202211340A (zh) | 用於三維晶圓結構之分級增強缺陷偵測方法 | |
KR20220027674A (ko) | 딥러닝 기반의 반도체 디바이스 상태 분류를 위한 장치 및 방법 | |
CN110838107A (zh) | 变角度光学视频智能检测3c透明构件缺陷的方法及装置 | |
CN109919907A (zh) | 发光二极管外延片缺陷检测的方法和装置 | |
CN116612007B (zh) | 一种光学元件表面子孔径拼接方法及装置 |
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 |