CN115829903A - 一种掩模缺陷检测方法及装置、计算机设备、存储介质 - Google Patents
一种掩模缺陷检测方法及装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN115829903A CN115829903A CN202111089147.9A CN202111089147A CN115829903A CN 115829903 A CN115829903 A CN 115829903A CN 202111089147 A CN202111089147 A CN 202111089147A CN 115829903 A CN115829903 A CN 115829903A
- Authority
- CN
- China
- Prior art keywords
- image
- mask
- defect
- area
- candidate target
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 207
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 87
- 238000003709 image segmentation Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000000295 complement effect Effects 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 35
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000007888 film coating Substances 0.000 description 1
- 238000009501 film coating Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开一种掩模缺陷检测方法及装置、计算机设备、存储介质，其中缺陷检测方法包括如下的步骤。获取待检测掩模的第一图像，对第一图像进行预处理，以得到第二图像，且第二图像的分辨率小于第一图像的分辨率；对第二图像进行感兴趣区域提取处理，以确定疑似缺陷区域；对疑似缺陷区域进行图像分割处理，以确定候选目标区域；然后根据候选目标区域的灰度值确定待检测掩模上存在的缺陷。本发明基于掩模空间像进行图像处理，无需训练大量数据，在所需数据量较小的前提下实现掩模缺陷检测和掩模缺陷位置确定。本发明具有检出率高、检测速度快、位置偏差小、检测精度高及鲁棒性好等突出优点。
Description
技术领域
本发明涉及掩模缺陷检测技术领域，更为具体来说，本发明能够提供一种掩模缺陷检测方法及装置、计算机设备、存储介质。
背景技术
目前，极紫外光刻是公认最具有发展前景的光刻技术，极紫外光刻中零缺陷掩模的制造是极紫外光刻技术的主要挑战之一。只要改变线宽10％以上的掩模缺陷都属于是可转移到硅片上的缺陷，可见掩模缺陷严重影响最终硅片光刻的良率。常规的掩模缺陷检测方法主要包括相位恢复算法和基于神经网络的掩模缺陷检测算法，但是相位恢复算法存在无法确定缺陷位置的问题，而基于神经网络的掩模缺陷检测算法存在难以获取大量原始训练数据导致检测结果不准确的问题。
发明内容
为解决现有掩模缺陷检测方法存在的无法实现缺陷定位或缺陷检测结果不准确的问题，本发明能够提供一种掩模缺陷检测方法及装置、计算机设备、存储介质，以达到可靠、准确地检测和定位掩模缺陷等技术目的。
为实现上述技术目的，本发明提供了一种掩模缺陷检测方法，该方法包括但不限于如下的一个或多个步骤。
获取待检测掩模的第一图像。
对所述第一图像进行预处理，以得到第二图像，且第二图像的分辨率小于第一图像的分辨率。
对所述第二图像进行感兴趣区域提取处理，以确定疑似缺陷区域。
对所述疑似缺陷区域进行图像分割处理，以确定候选目标区域。
根据所述候选目标区域的灰度值确定所述待检测掩模上存在的缺陷。
进一步地，所述获取待检测掩模的第一图像包括：
通过光源照射所述待检测掩模表面，以产生第一光线。
控制所述第一光线经过波带片，以得到第二光线。
通过电荷耦合器件接收所述第二光线，以获取所述第一图像。
进一步地，所述对所述第一图像进行预处理包括：
对所述第一图像进行均值滤波处理，以得到均值滤波后的图像。
通过对所述均值滤波后的图像进行高斯金字塔下采样处理方式得到所述第二图像。
进一步地，所述对所述第二图像进行感兴趣区域提取处理包括：
基于所述第二图像中像素的灰度值生成背景灰度集。
根据像素的灰度值是否属于背景灰度集对所述第二图像进行二值化处理，得到当前二值化图像。
对所述当前二值化图像中的连通区域作外接矩形处理。
提取外接矩形面积大于预设值的外界矩形区域，作为所述第二图像的疑似缺陷区域。
进一步地，该方法还包括：
对所述第二图像进行灰度反转处理，以生成补集图像。
确定所述补集图像的疑似缺陷区域。
进一步地，所述对所述疑似缺陷区域进行图像分割处理包括：
通过分水岭边缘检测的方式分别生成所述第二图像的疑似缺陷区域的第一分割线和所述所述补集图像的疑似缺陷区域的第二分割线。
利用所述第一分割线将第二图像的疑似缺陷区域分割为多个候选目标区域，以及利用所述第二分割线将补集图像的疑似缺陷区域分割为多个候选目标区域。
进一步地，所述根据所述候选目标区域的灰度值确定所述待检测掩模上存在的缺陷包括：
确定每个候选目标区域灰度最大值与灰度最小值的灰度差值。
根据第二图像中所有候选目标区域的灰度差值对第二图像进行二值化处理，得到第一目标二值化图像；并根据补集图像中所有候选目标区域的灰度差值对补集图像进行二值化处理，得到第二目标二值化图像。
连接所述第一目标二值化图像中的相邻候选目标区域，得到第一连通区域；以及连接所述第二目标二值化图像中的相邻候选目标区域，得到第二连通区域。
根据第二图像中的第一连通区域的灰度值和背景灰度值确定所述待检测掩模上的凸起缺陷，以及根据补集图像中的第二连通区域的灰度值和背景灰度值确定所述待检测掩模上的凹坑缺陷。
为实现上述的技术目的，本发明还能够提供一种掩模缺陷检测装置，该检测装置包括但不限于图像获取模块、图像处理模块、区域提取模块、图像分割模块以及缺陷判断模块。
图像获取模块，用于获取待检测掩模的第一图像。
图像处理模块，用于对所述第一图像进行预处理，以得到第二图像，且第二图像的分辨率小于第一图像的分辨率。
区域提取模块，用于对所述第二图像进行感兴趣区域提取处理，以确定疑似缺陷区域。
图像分割模块，用于对所述疑似缺陷区域进行图像分割处理，以确定候选目标区域。
缺陷判断模块，用于根据所述候选目标区域的灰度值确定所述待检测掩模上存在的缺陷。
为实现上述的技术目的，本发明还能够提供一种计算机设备，计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，计算机可读指令被所述处理器执行时，使得所述处理器执行本发明任一实施例中所述掩模缺陷检测方法的步骤。
为实现上述的技术目的，本发明还可具体提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行本发明任一实施例中所述掩模缺陷检测方法的步骤。
本发明的有益效果为：相比于现有技术存在的对掩模缺陷无法定位或所需训练数据量较大等技术问题，本发明基于掩模空间像进行图像处理，无需训练大量数据，在所需数据量较小的前提下实现掩模缺陷检测和掩模缺陷位置确定，从而为掩模缺陷的修复或者补偿提供了可靠、准确且充足的数据支持。本发明还具有检出率较高、检测速度快、位置偏差小、检测精度高以及鲁棒性好等突出优点。本发明能够得到误差很小的缺陷位置和尺寸信息，更利于对掩模缺陷的修复和补偿。经过大量实验表明，本发明能够对半高峰宽80nm以下的小尺寸缺陷达到非常高的缺陷检出率，而且尺寸平均误差小于5％。
附图说明
图1示出了本发明一个或多个实施例中的掩模缺陷检测方法的流程示意图。
图2示出了本发明一个或多个实施例中的极紫外掩模缺陷检测方法的详细流程示意图。
图3示出了本发明一个或多个实施例中的基于波带片的极紫外掩模缺陷检测***结构示意图。
图4示出了本发明一个或多个实施例中的待检测掩模的第一图像的示意图。
图5示出了本发明一个或多个实施例中的掩模典型凸起缺陷空间像的图像示意图。
图6示出了本发明一个或多个实施例中的掩模典型凹坑缺陷空间像的图像示意图。
图7示出了本发明一个或多个实施例中的极紫外掩模相位缺陷高斯模型示意图(H表示峰值高度，W表示半高峰宽)。
图8示出了本发明一个或多个实施例中的分水岭边缘检测算法原理示意图。
图9示出了本发明一个或多个实施例中的输出的凸起缺陷标记(实心标记)和凹坑缺陷标记(空心标记)的示意图。
具体实施方式
下面结合说明书附图对本发明具体提供的一种掩模缺陷检测方法及装置、计算机设备、存储介质进行详细的解释和说明。
如图1所示，并可结合图2至图9，本发明一个或多个实施例可提供一种掩模缺陷检测方法。该掩模可为极紫外(EUV，Extreme Ultra-Violet)掩模，极紫外掩模自下而上由基底、多层膜、吸收层组成，极紫外掩模的缺陷一般位于多层膜底部或基底上，由于实际多层膜的镀膜在高水平工艺的沉积作用下，基底存在的缺陷以及镀膜期间产生的缺陷会使得之后镀制的膜层近似呈高斯形态变形和生长，如图7所示，其中H表示峰值高度，W表示半高峰宽。极紫外掩模缺陷一般为相位型缺陷，相位型缺陷是指由基底上的凸起、凹陷以及沉积过程中掉落的颗粒引起的影响多层膜反射光的振幅与相位的多层膜变形。
如图1、2所示，本发明中的掩模缺陷检测方法可包括但不限于如下一个或多个步骤，具体说明如下。
首先，获取待检测掩模的第一图像，本发明实施例具体能够通过基于波带片的***工作光源获取该掩模空间像。
如图3所示，本发明实施例中获取待检测掩模的第一图像包括：通过光源经过照明***之后照射本发明的待检测掩模表面，以产生第一光线，其中照明***可包括反射镜等照明器件。然后控制第一光线经过波带片，以得到第二光线。再通过电荷耦合器件(CCD，Charge-coupled Device)接收第二光线，以获取第一图像，第一图像为带有掩模缺陷特征的图像。本发明基于波带片的光源***具有分辨率较高的优点，可直接得到掩模的空间强度像，即获取本发明第一图像，本实施例第一图像可为设定分辨率2nm的实时图像，进而用于对其处理得到缺陷信息，效果非常理想。
如图4所示，本发明实施例示出了极紫外掩模空间像的示意图，即本发明一些实施例获取的第一图像的示意图。极紫外掩模相位型缺陷可包括凸起和凹坑两种，这两种缺陷在空间像上的强度分布有所不同。
如图5所示，本实施例示出了极紫外掩模的典型凸起白板相位缺陷的空间像示意图。凸起相位缺陷具有缺陷强度呈中心弱、边缘强的特征。
如图6所示，本实施例示出了极紫外掩模的典型凹坑白板相位缺陷的空间像示意图。凹坑相位缺陷具有缺陷强度呈中心强、边缘弱的特征。
另外，凸起缺陷和凹坑缺陷这两种类型的缺陷边缘外振荡强度与缺陷中心的距离成正相关，而且由于光子数量在时间上的分布不均导致呈泊松分布的散粒噪声。
其次，对第一图像进行预处理，以得到第二图像。本发明实施例通过预处理方式降低了第一图像的分辨率，第二图像的分辨率小于第一图像的分辨率，具体说明如下。
如图2所示，本发明实施例对第一图像进行预处理包括：对第一图像进行均值滤波处理，具体可为圆盘均值滤波，以降低甚至滤除呈泊松分布的散粒噪声，得到均值滤波后的图像。通过对均值滤波后的图像进行高斯金字塔下采样处理方式得到第二图像。本发明实施例圆盘均值滤波可使用半径为5的圆形卷积核；高斯金字塔下采样处理过程使用高斯内核卷积以及将所有偶数行和偶数列去除，得到的第二图像只有采样前的四分之一。本发明能够从掩模缺陷的空间像特征出发，通过圆盘均值滤波和图像高斯金字塔方法降低图像散粒噪声对后续图像处理的影响，从而降低本发明对噪声的敏感性，并能够明显地减少后续数据的处理量，进而提高缺陷检测效果。
再次，对第二图像进行感兴趣区域提取处理，以确定疑似缺陷区域；本发明通过该方式减少了后续无缺陷背景区域的冗余操作，针对疑似缺陷区域进行处理，明显提高了数据处理的效率。
如图2所示，本发明从掩模缺陷的空间像特征出发，利用背景和缺陷区域灰度波动的差异筛选出感兴趣区域，即疑似缺陷区域。本发明实施例对第二图像进行感兴趣区域提取处理包括如下过程。
(1)基于第二图像中像素的灰度值生成背景灰度集，并根据像素的灰度值是否属于背景灰度集对第二图像进行二值化处理，得到当前二值化图像；本发明实施例中通过第二图像中像素的灰度值作灰度直方图统计，根据灰度值统计结果将占像素总数10％以上的灰度值作为背景灰度值，并通过背景灰度值构建背景灰度集Pbg。然后通过如下公式实现根据像素的灰度值是否属于背景灰度集对第二图像进行二值化处理，以去除背景灰度像素。
其中，p(x,y)表示二值化后像素灰度值，s(x,y)表示第二图像中的像素灰度值。
(2)对当前二值化图像中的连通区域作外接矩形处理，并提取外接矩形面积大于预设值M的外界矩形区域，以去除小面积的外接矩形，并作为第二图像的疑似缺陷区域，其中预设值M可根据实际情况进行设定。
如图2所示，本发明提供的缺陷检测方法还可包括：对第二图像进行灰度反转处理，所有灰度值G转换为255－G，以生成补集图像，本发明实施例可通过上述方式确定补集图像的疑似缺陷区域。应当理解的是，本发明实施例生成补集图像的疑似缺陷区域的过程与生成第二图像的疑似缺陷区域的过程相同，本实施例将不再进行赘述。
然后，对疑似缺陷区域进行图像分割处理，以确定候选目标区域。本发明包括对第二图像的疑似缺陷区域进行图像分割处理和对补集图像的疑似缺陷区域进行图像分割处理。
如图2、8所示，本发明从掩模缺陷的空间像特征出发，使用分水岭算法对图像进行区域分割。具体地，本发明实施例中对疑似缺陷区域进行图像分割处理包括：通过分水岭边缘检测的方式分别生成第二图像的疑似缺陷区域的第一分割线和补集图像的疑似缺陷区域的第二分割线；分别对第二图像和补集图像进行处理，具体可利用第一分割线将第二图像的疑似缺陷区域分割为多个候选目标区域，并利用第二分割线将补集图像的疑似缺陷区域分割为多个候选目标区域；其中，候选目标区域是对第二图像和补集图像分别分割后形成的子区域。
如图8所示，本发明实施例分水岭边缘检测原理如下：将待处理灰度图视为一个拓扑表面，以模拟自下而上的“泛洪”过程，当不同的聚水盆将要汇合时，在交汇处标记为脊线(分割线)，水将拓扑表面完全淹没后，闭合脊线构成分水岭(所有分割线)。本发明的分水岭边缘检测非常适用缺陷空间像特征的处理。具体地，假设浸没过程中某一时刻存在R个聚水盆地，分别为M1，M2，…，MR，非聚水盆地区域为N，该时刻之后继续浸没，水域扩展至非聚水盆地区域，每一次浸没之后可根据如下方式完成聚水盆地M和非聚水盆地区域N的更新：1)当N范围内某一像素被淹没，八邻域内存在且仅存在聚水盆地Mi内像素时，将其标记为Mi区域；2)当N范围内某一像素被淹没，而八邻域内仍是非聚水盆地区域N时，则将其标记为新的聚水盆地MR+1；3)当N范围内某一像素被淹没，八邻域内存在多个聚水盆地范围内像素时，将其标记为分水岭；4)更新完成后，继续浸没下一个灰度级，完成下一次更新，直至浸没最大灰度值的更新完成。
最后，根据候选目标区域的灰度值确定待检测掩模上存在的缺陷；本发明实施例具体根据候选目标区域灰度最大值与灰度最小值的差值确定待检测掩模上存在的缺陷。
如图2所示，本发明实施例根据候选目标区域的灰度值确定待检测掩模上存在的缺陷可包括如下的步骤。
(1)标记出各候选目标区域，确定每个候选目标区域灰度最大值与灰度最小值的灰度差值ΔP。
ΔP＝Pmax-Pmin
其中，ΔP表示灰度差值，Pmax表示当前候选目标区域灰度最大值，Pmin表示当前候选目标区域灰度最小值。
(2)根据第二图像中所有候选目标区域的灰度差值对第二图像进行二值化处理，得到第一目标二值化图像；并根据补集图像中所有候选目标区域的灰度差值对补集图像进行二值化处理，得到第二目标二值化图像。对于第二图像或补集图像，本实施例将各候选区域标记映射为ΔP的集合，并确定全局阈值T，即本发明根据灰度差值集合确定用于进行二值化处理的全局阈值T，通过二值化处理实现对候选目标区域的初筛。
(3)本实施例连接第一目标二值化图像中的相邻候选目标区域，并得到第一连通区域；以及连接第二目标二值化图像中的相邻候选目标区域，并得到第二连通区域；可通过闭运算的方式进行相邻候选目标区域的连接。
(4)根据第二图像中的第一连通区域的灰度值和背景灰度值确定待检测掩模上的凸起缺陷，以及根据补集图像中的第二连通区域的灰度值和背景灰度值确定待检测掩模上的凹坑缺陷；具体判断方式如下。
其中，L表示缺陷判断结果，Gmax表示连通区域内灰度最大值，Gmin表示连通区域内灰度最小值，P1表示背景区域中背景灰度最大值，P0表示背景区域中背景灰度最小值。
可见本发明能够在第二图像中完整分割凸起缺陷，在补集图像中完整分割凹坑缺陷，并可将第二图像中检出的非凸起区域块置零和将补集图像中检出的非凹坑区域块置零。对于保留下来的区域块，每个区域块由一个或多个子区域组成，每个子区域都对应如上的灰度差值ΔP；本发明实施例还包括：保留每个区域块中灰度差值ΔP最大的候选目标区域，即上述的子区域，并将该候选目标区域作为目标缺陷区域，可见本发明实现了对掩模缺陷的精准识别和定位，本实施例根据目标缺陷区域的类型、尺寸及位置进行缺陷图像标记，如图9所示，然后进行输出标记后的图像和相关缺陷信息。
本发明选取5张尺寸为1455×1455的空间像，缺陷峰值宽度1.5nm，半高峰宽20至80nm，个数、尺寸、位置各不相同，仅基于分水岭的算法为算法1，本发明图像金字塔与分水岭结合算法为算法2，比较结果如下。
基于上述验证结果，检出结果显示本发明结合了图像金字塔和分水岭的算法对于缺陷检测结果更为理想，检出率更高，且尺寸误差更低，缺陷检出类型正确，输出位置与缺陷位置偏差非常小。从上表中可以看出，在半高峰宽80nm以下缺陷中，该算法对缺陷的检出率可达到100％，尺寸均方根误差均在5％以下，达到了较高的检测精度。
本发明实施例结合了分水岭边缘检测算法和图像金字塔，能够进一步提高缺陷检出率。本发明具体通过图像金字塔提高了缺陷检测算法的鲁棒性，降低了对噪声的敏感度，实现对半高峰宽80nm以下的小尺寸缺陷具有较好的检测效果，并可运用到基于波带片的极紫外掩模缺陷检测***中，其能够适用于多种基于空间像成像原理的极紫外掩模缺陷检测装置。
与掩模缺陷检测方法基于同一发明构思，本发明实施例还可提供一种掩模缺陷检测装置，该装置包括但不限于图像获取模块、图像处理模块、区域提取模块、图像分割模块以及缺陷判断模块。
图像获取模块用于获取待检测掩模的第一图像。
本发明实施例中的第一图像可通过如下的方式得到：通过光源照射待检测掩模表面，以产生第一光线；控制第一光线经过波带片，以得到第二光线；通过电荷耦合器件接收第二光线，以获取第一图像。
图像处理模块用于对第一图像进行预处理，以得到第二图像，且第二图像的分辨率小于第一图像的分辨率。
可选地，图像处理模块具体用于对第一图像进行均值滤波处理，以得到均值滤波后的图像；以及用于通过对均值滤波后的图像进行高斯金字塔下采样处理方式得到第二图像。
区域提取模块用于对第二图像进行感兴趣区域提取处理，以确定疑似缺陷区域。
可选地，区域提取模块可具体用于基于第二图像中像素的灰度值生成背景灰度集，以及用于根据像素的灰度值是否属于背景灰度集对第二图像进行二值化处理，得到当前二值化图像。区域提取模块还用于对当前二值化图像中的连通区域作外接矩形处理，并用于提取外接矩形面积大于预设值的外界矩形区域，作为第二图像的疑似缺陷区域。
可选地，本发明实施例的缺陷检测装置还可包括图像生成模块，图像生成模块能够用于对第二图像进行灰度反转处理，以生成补集图像。区域提取模块还用于确定补集图像的疑似缺陷区域。
图像分割模块用于对疑似缺陷区域进行图像分割处理，以确定候选目标区域。
可选地，图像分割模块用于通过分水岭边缘检测的方式分别生成第二图像的疑似缺陷区域的第一分割线和补集图像的疑似缺陷区域的第二分割线；以及用于利用第一分割线将第二图像的疑似缺陷区域分割为多个候选目标区域，以及利用第二分割线将补集图像的疑似缺陷区域分割为多个候选目标区域。
缺陷判断模块可用于根据候选目标区域的灰度值确定待检测掩模上存在的缺陷。
可选地，缺陷判断模块用于确定每个候选目标区域灰度最大值与灰度最小值的灰度差值，且用于根据第二图像中所有候选目标区域的灰度差值对第二图像进行二值化处理，得到第一目标二值化图像；以及用于根据补集图像中所有候选目标区域的灰度差值对补集图像进行二值化处理，得到第二目标二值化图像。缺陷判断模块能够用于连接第一目标二值化图像中的相邻候选目标区域，得到第一连通区域；以及可用于连接第二目标二值化图像中的相邻候选目标区域，得到第二连通区域。缺陷判断模块用于根据第二图像中的第一连通区域的灰度值和背景灰度值确定待检测掩模上的凸起缺陷，以及根据补集图像中的第二连通区域的灰度值和背景灰度值确定待检测掩模上的凹坑缺陷。
与缺陷检测方法基于同一发明构思，本发明实施例提供了一种计算机设备，该计算机设备可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，使得处理器执行本发明任一实施例中的掩模缺陷检测方法的步骤。该掩模缺陷检测方法包括如下的步骤：首先，获取待检测掩模的第一图像。可选地，本发明实施例获取待检测掩模的第一图像包括：通过光源照射待检测掩模表面，以产生第一光线。控制第一光线经过波带片，以得到第二光线。通过电荷耦合器件接收第二光线，以获取第一图像。其次，对第一图像进行预处理，以得到第二图像，且第二图像的分辨率小于第一图像的分辨率。可选地，本发明实施例对第一图像进行预处理包括：对第一图像进行均值滤波处理，以得到均值滤波后的图像。通过对均值滤波后的图像进行高斯金字塔下采样处理方式得到第二图像。再次，对第二图像进行感兴趣区域提取处理，以确定疑似缺陷区域。可选地，本发明实施例对第二图像进行感兴趣区域提取处理能够包括：基于第二图像中像素的灰度值生成背景灰度集，根据像素的灰度值是否属于背景灰度集对第二图像进行二值化处理，得到当前二值化图像。对当前二值化图像中的连通区域作外接矩形处理，提取外接矩形面积大于预设值的外界矩形区域，作为第二图像的疑似缺陷区域。可选地，本发明提供的缺陷检测方法还包括：对第二图像进行灰度反转处理，以生成补集图像，并通过上述方式确定补集图像的疑似缺陷区域。然后，对疑似缺陷区域进行图像分割处理，以确定候选目标区域。可选地，本发明实施例对疑似缺陷区域进行图像分割处理包括：通过分水岭边缘检测的方式分别生成第二图像的疑似缺陷区域的第一分割线和补集图像的疑似缺陷区域的第二分割线；然后利用第一分割线将第二图像的疑似缺陷区域分割为多个候选目标区域，以及利用第二分割线将补集图像的疑似缺陷区域分割为多个候选目标区域。最后，根据候选目标区域的灰度值确定待检测掩模上存在的缺陷。可选地，本发明实施例根据候选目标区域的灰度值确定待检测掩模上存在的缺陷包括：确定每个候选目标区域灰度最大值与灰度最小值的灰度差值，根据第二图像中所有候选目标区域的灰度差值对第二图像进行二值化处理，得到第一目标二值化图像；并根据补集图像中所有候选目标区域的灰度差值对补集图像进行二值化处理，得到第二目标二值化图像。连接第一目标二值化图像中的相邻候选目标区域，得到第一连通区域；以及连接第二目标二值化图像中的相邻候选目标区域，得到第二连通区域。根据第二图像中的第一连通区域的灰度值和背景灰度值确定待检测掩模上的凸起缺陷，以及根据补集图像中的第二连通区域的灰度值和背景灰度值确定待检测掩模上的凹坑缺陷。
与缺陷检测方法基于同一发明构思，本发明实施例还可提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行本发明任一实施例中掩模缺陷检测方法的步骤。该掩模缺陷检测方法包括如下的步骤：首先，获取待检测掩模的第一图像。可选地，本发明实施例获取待检测掩模的第一图像包括：通过光源照射待检测掩模表面，以产生第一光线。控制第一光线经过波带片，以得到第二光线。通过电荷耦合器件接收第二光线，以获取第一图像。其次，对第一图像进行预处理，以得到第二图像，且第二图像的分辨率小于第一图像的分辨率。可选地，本发明实施例对第一图像进行预处理包括：对第一图像进行均值滤波处理，以得到均值滤波后的图像。通过对均值滤波后的图像进行高斯金字塔下采样处理方式得到第二图像。再次，对第二图像进行感兴趣区域提取处理，以确定疑似缺陷区域。可选地，本发明实施例对第二图像进行感兴趣区域提取处理能够包括：基于第二图像中像素的灰度值生成背景灰度集，根据像素的灰度值是否属于背景灰度集对第二图像进行二值化处理，得到当前二值化图像。对当前二值化图像中的连通区域作外接矩形处理，提取外接矩形面积大于预设值的外界矩形区域，作为第二图像的疑似缺陷区域。可选地，本发明提供的缺陷检测方法还包括：对第二图像进行灰度反转处理，以生成补集图像，并通过上述方式确定补集图像的疑似缺陷区域。然后，对疑似缺陷区域进行图像分割处理，以确定候选目标区域。可选地，本发明实施例对疑似缺陷区域进行图像分割处理包括：通过分水岭边缘检测的方式分别生成第二图像的疑似缺陷区域的第一分割线和补集图像的疑似缺陷区域的第二分割线；然后利用第一分割线将第二图像的疑似缺陷区域分割为多个候选目标区域，以及利用第二分割线将补集图像的疑似缺陷区域分割为多个候选目标区域。最后，根据候选目标区域的灰度值确定待检测掩模上存在的缺陷。可选地，本发明实施例根据候选目标区域的灰度值确定待检测掩模上存在的缺陷包括：确定每个候选目标区域灰度最大值与灰度最小值的灰度差值，根据第二图像中所有候选目标区域的灰度差值对第二图像进行二值化处理，得到第一目标二值化图像；并根据补集图像中所有候选目标区域的灰度差值对补集图像进行二值化处理，得到第二目标二值化图像。连接第一目标二值化图像中的相邻候选目标区域，得到第一连通区域；以及连接第二目标二值化图像中的相邻候选目标区域，得到第二连通区域。根据第二图像中的第一连通区域的灰度值和背景灰度值确定待检测掩模上的凸起缺陷，以及根据补集图像中的第二连通区域的灰度值和背景灰度值确定待检测掩模上的凹坑缺陷。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读存储介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读存储介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读存储介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM，Random Access Memory)，只读存储器(ROM，Read-Only Memory)，可擦除可编辑只读存储器(EPROM，Erasable Programmable Read-Only Memory，或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM，Compact Disc Read-Only Memory)。另外，计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA，Programmable Gate Array)，现场可编程门阵列(FPGA，Field Programmable Gate Array)等。
在本说明书的描述中，参考术语“本实施例”、“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明实质内容上所作的任何修改、等同替换和简单改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种掩模缺陷检测方法，其特征在于，包括：
获取待检测掩模的第一图像；
对所述第一图像进行预处理，以得到第二图像，且第二图像的分辨率小于第一图像的分辨率；
对所述第二图像进行感兴趣区域提取处理，以确定疑似缺陷区域；
对所述疑似缺陷区域进行图像分割处理，以确定候选目标区域；
根据所述候选目标区域的灰度值确定所述待检测掩模上存在的缺陷。
2.根据权利要求1所述的掩模缺陷检测方法，其特征在于，所述获取待检测掩模的第一图像包括：
通过光源照射所述待检测掩模表面，以产生第一光线；
控制所述第一光线经过波带片，以得到第二光线；
通过电荷耦合器件接收所述第二光线，以获取所述第一图像。
3.根据权利要求1所述的掩模缺陷检测方法，其特征在于，所述对所述第一图像进行预处理包括：
对所述第一图像进行均值滤波处理，以得到均值滤波后的图像；
通过对所述均值滤波后的图像进行高斯金字塔下采样处理方式得到所述第二图像。
4.根据权利要求1所述的掩模缺陷检测方法，其特征在于，所述对所述第二图像进行感兴趣区域提取处理包括：
基于所述第二图像中像素的灰度值生成背景灰度集；
根据像素的灰度值是否属于背景灰度集对所述第二图像进行二值化处理，得到当前二值化图像；
对所述当前二值化图像中的连通区域作外接矩形处理；
提取外接矩形面积大于预设值的外界矩形区域，作为所述第二图像的疑似缺陷区域。
5.根据权利要求4所述的掩模缺陷检测方法，其特征在于，还包括：
对所述第二图像进行灰度反转处理，以生成补集图像；
确定所述补集图像的疑似缺陷区域。
6.根据权利要求5所述的掩模缺陷检测方法，其特征在于，所述对所述疑似缺陷区域进行图像分割处理包括：
通过分水岭边缘检测的方式分别生成所述第二图像的疑似缺陷区域的第一分割线和所述所述补集图像的疑似缺陷区域的第二分割线；
利用所述第一分割线将第二图像的疑似缺陷区域分割为多个候选目标区域，以及利用所述第二分割线将补集图像的疑似缺陷区域分割为多个候选目标区域。
7.根据权利要求6所述的掩模缺陷检测方法，其特征在于，所述根据所述候选目标区域的灰度值确定所述待检测掩模上存在的缺陷包括：
确定每个候选目标区域灰度最大值与灰度最小值的灰度差值；
根据第二图像中所有候选目标区域的灰度差值对第二图像进行二值化处理，得到第一目标二值化图像；并根据补集图像中所有候选目标区域的灰度差值对补集图像进行二值化处理，得到第二目标二值化图像；
连接所述第一目标二值化图像中的相邻候选目标区域，得到第一连通区域；以及连接所述第二目标二值化图像中的相邻候选目标区域，得到第二连通区域；
根据第二图像中的第一连通区域的灰度值和背景灰度值确定所述待检测掩模上的凸起缺陷，以及根据补集图像中的第二连通区域的灰度值和背景灰度值确定所述待检测掩模上的凹坑缺陷。
8.一种掩模缺陷检测装置，其特征在于，包括：
图像获取模块，用于获取待检测掩模的第一图像；
图像处理模块，用于对所述第一图像进行预处理，以得到第二图像，且第二图像的分辨率小于第一图像的分辨率；
区域提取模块，用于对所述第二图像进行感兴趣区域提取处理，以确定疑似缺陷区域；
图像分割模块，用于对所述疑似缺陷区域进行图像分割处理，以确定候选目标区域；
缺陷判断模块，用于根据所述候选目标区域的灰度值确定所述待检测掩模上存在的缺陷。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述掩模缺陷检测方法的步骤。
10.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至7中任一项权利要求所述掩模缺陷检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111089147.9A CN115829903A (zh) | 2021-09-16 | 2021-09-16 | 一种掩模缺陷检测方法及装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111089147.9A CN115829903A (zh) | 2021-09-16 | 2021-09-16 | 一种掩模缺陷检测方法及装置、计算机设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115829903A true CN115829903A (zh) | 2023-03-21 |
Family
ID=85515814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111089147.9A Pending CN115829903A (zh) | 2021-09-16 | 2021-09-16 | 一种掩模缺陷检测方法及装置、计算机设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115829903A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309553A (zh) * | 2023-05-12 | 2023-06-23 | 东莞市希锐自动化科技股份有限公司 | 一种非平面电镀五金件电镀缺陷检测方法 |
| CN116433666A (zh) * | 2023-06-14 | 2023-07-14 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、***、电子设备及存储介质 |
| CN117808796A (zh) * | 2024-02-23 | 2024-04-02 | 陕西长空齿轮有限责任公司 | 一种基于计算机视觉的齿轮表面损伤检测方法 |
| CN117974601A (zh) * | 2024-02-01 | 2024-05-03 | 广东工业大学 | 基于模板匹配的硅片表面缺陷检测方法及*** |
-
2021
- 2021-09-16 CN CN202111089147.9A patent/CN115829903A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309553A (zh) * | 2023-05-12 | 2023-06-23 | 东莞市希锐自动化科技股份有限公司 | 一种非平面电镀五金件电镀缺陷检测方法 |
| CN116433666A (zh) * | 2023-06-14 | 2023-07-14 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、***、电子设备及存储介质 |
| CN116433666B (zh) * | 2023-06-14 | 2023-08-15 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、***、电子设备及存储介质 |
| CN117974601A (zh) * | 2024-02-01 | 2024-05-03 | 广东工业大学 | 基于模板匹配的硅片表面缺陷检测方法及*** |
| CN117808796A (zh) * | 2024-02-23 | 2024-04-02 | 陕西长空齿轮有限责任公司 | 一种基于计算机视觉的齿轮表面损伤检测方法 |
| CN117808796B (zh) * | 2024-02-23 | 2024-05-28 | 陕西长空齿轮有限责任公司 | 一种基于计算机视觉的齿轮表面损伤检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115829903A (zh) | 一种掩模缺陷检测方法及装置、计算机设备、存储介质 | |
| CN109978839A (zh) | 晶圆低纹理缺陷的检测方法 | |
| CN109829903B (zh) | 一种基于卷积去噪自编码器的芯片表面缺陷检测方法 | |
| CN101464418B (zh) | 缺陷检测方法以及缺陷检测装置 | |
| US9092847B2 (en) | Detection of thin lines for selective sensitivity during reticle inspection using processed images | |
| JP5225297B2 (ja) | ウエハー上に形成されたダイに於けるアレイ領域の認識方法、ならびに係る方法の設定方法 | |
| CN108596166A (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
| US20060269122A1 (en) | Position detection apparatus and exposure apparatus | |
| KR20010062513A (ko) | 패턴 검사 방법 및 패턴 검사 장치 | |
| KR101947843B1 (ko) | 검사 장치를 이용한 윤곽 기반 결함 검출 | |
| US9846929B2 (en) | Fast density estimation method for defect inspection application | |
| JP2001133418A (ja) | 形状特徴に基づく欠陥検出の方法及び装置 | |
| JP2001509618A (ja) | マスクレスの半導体及び液晶ディスプレイ検査方法及び装置 | |
| JPH11132959A (ja) | 欠陥検査方法および装置 | |
| US9829787B2 (en) | Defect inspecting method, sorting method, and producing method for photomask blank | |
| CN115170669A (zh) | 基于边缘特征点集配准的识别定位方法及***、存储介质 | |
| CN108802051B (zh) | 一种柔性ic基板直线线路气泡及折痕缺陷检测***及方法 | |
| CN109035219A (zh) | 基于bp神经网络的fics金手指缺陷检测***及检测方法 | |
| KR102646209B1 (ko) | 이미지 분석 기반 조립질 혼합 토사 입자의 형상 특성 분석 장치 및 방법 | |
| CN113781415A (zh) | 一种x射线图像的缺陷检测方法、装置、设备及介质 | |
| CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| JP4432575B2 (ja) | パターン画像判定方法 | |
| CN111325724A (zh) | 隧道裂纹区域检测方法和装置 | |
| JP4532640B2 (ja) | 位置検出装置及びそれを用いた露光装置 |
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 |