CN116579907B - 晶圆图像获取方法、装置、设备及可读存储介质 - Google Patents

晶圆图像获取方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN116579907B
CN116579907B CN202310823825.2A CN202310823825A CN116579907B CN 116579907 B CN116579907 B CN 116579907B CN 202310823825 A CN202310823825 A CN 202310823825A CN 116579907 B CN116579907 B CN 116579907B
Authority
CN
China
Prior art keywords
region
wafer
image
sparse
dense
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.)
Active
Application number
CN202310823825.2A
Other languages
English (en)
Other versions
CN116579907A (zh
Inventor
孙杰
张国栋
杨义禄
李波
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.)
Wuhan Zhongdao Optoelectronic Equipment Co ltd
Original Assignee
Wuhan Zhongdao Optoelectronic Equipment 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 Wuhan Zhongdao Optoelectronic Equipment Co ltd filed Critical Wuhan Zhongdao Optoelectronic Equipment Co ltd
Priority to CN202310823825.2A priority Critical patent/CN116579907B/zh
Publication of CN116579907A publication Critical patent/CN116579907A/zh
Application granted granted Critical
Publication of CN116579907B publication Critical patent/CN116579907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0007—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/67—Focus control based on electronic image sensor signals
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biochemistry (AREA)
  • Signal Processing (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本发明提供一种晶圆图像获取方法、装置、设备及可读存储介质。该方法包括：确定晶圆模板图像包含的各个晶粒图像中每个密集区域和每个稀疏区域；确定每个密集区域和每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标；基于每个密集区域的第一预设对焦点间距、每个稀疏区域的第二预设对焦点间距以及边界拐点坐标得到多个对焦点坐标；基于每个对焦点坐标获取晶圆图像。通过本发明，确定晶圆模板图像中的密集区域和稀疏区域，并确定每个密集区域和每个稀疏区域的对焦点坐标，成像设备在每个对焦点坐标处进行一次对焦，进而提高采集到的整个晶圆图像的清晰度，解决了目前采集到的整个晶圆图像的清晰度较低的问题。

Description

晶圆图像获取方法、装置、设备及可读存储介质
技术领域
本发明涉及晶圆检测技术领域，尤其涉及一种晶圆图像获取方法、装置、设备及可读存储介质。
背景技术
在使用相机对晶圆进行拍照时，需要精确的控制相机到晶圆表面的位置，但由于制程差异晶圆不同位置的表面并不在同一水平面上，即晶圆内部每个晶粒的高度存在轻微差异，超高精度检测时就需要相机不断的调整对焦距离。目前传统AOI成像***使用定焦拍照，这使得相机无法准确根据每个晶粒的高度调整对焦距离，导致拍摄的整个晶圆图像的清晰度较低。因此亟需一种提高相机采集到的晶圆图像清晰度的技术方案。
发明内容
本发明的主要目的在于提供一种晶圆图像获取方法、装置、设备及可读存储介质，旨在解决目前采集到的整个晶圆图像的清晰度较低的问题。
第一方面，本发明提供一种晶圆图像获取方法，所述晶圆图像获取方法包括：
确定晶圆模板图像包含的各个晶粒图像中每个密集区域和每个稀疏区域；
确定每个密集区域和每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标；
基于每个密集区域的第一预设对焦点间距、每个稀疏区域的第二预设对焦点间距以及边界拐点坐标得到多个对焦点坐标；
基于每个对焦点坐标获取晶圆图像。
可选的，所述确定晶圆模板图像包含的各个晶粒图像中每个密集区域和每个稀疏区域的步骤包括：
将晶圆模板图像包含的各个晶粒图像划分成若干区域；
计算各个区域的灰度共生矩阵熵；
将大于预设值的灰度共生矩阵熵对应的区域标记为密集区域，将小于或等于预设值的灰度共生矩阵熵对应的区域标记为稀疏区域。
可选的，所述确定每个密集区域和每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标的步骤，包括：
获取每个密集区域和每个稀疏区域在第一坐标系的第一边界拐点坐标，其中，所述第一坐标系以晶粒图像的任一点为原点；
确定第一坐标系与第二坐标系的映射关系，其中，第二坐标系以晶圆模板图像的任一点为原点；
根据第一边界拐点坐标以及映射关系，确定每个密集区域和每个稀疏区域在第二坐标系中的边界拐点坐标。
可选的，所述获取每个密集区域和每个稀疏区域在第一坐标系的第一边界拐点坐标的步骤，包括：
通过角点检测算法获取每个密集区域和每个稀疏区域在第一坐标系的第一边界拐点坐标。
可选的，所述基于每个密集区域的第一预设对焦点间距、每个稀疏区域的第一预设对焦点间距以及边界拐点坐标得到多个对焦点坐标的步骤，包括：
基于边界拐点坐标确定每个密集区域的位置和尺寸以及每个稀疏区域的位置和尺寸；
基于每个密集区域的位置和尺寸以及第一预设对焦点间距确定每个密集区域的对焦点坐标，基于每个稀疏区域的位置和尺寸以及第二预设对焦点间距确定每个稀疏区域的对焦点坐标，得到多个对焦点坐标，其中，第一预设对焦点间距小于第二预设对焦点间距。
可选的，所述基于每个对焦点坐标获取晶圆图像的步骤，包括：
通过成像设备的自动对焦传感器获取每个对焦点坐标处与成像设备之间的实际高度；
计算所述实际高度与理论高度之间的高度差；
基于所述高度差调整成像设备在垂直方向上的位置；
通过调整垂直方向上的位置后的成像设备获取晶圆图像。
第二方面，本发明还提供一种晶圆图像获取装置，所述晶圆图像获取装置包括：
第一确定模块，用于确定晶圆模板图像包含的各个晶粒图像中每个密集区域和每个稀疏区域；
第二确定模块，用于确定每个密集区域和每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标；
计算模块，用于基于每个密集区域的第一预设对焦点间距、每个稀疏区域的第二预设对焦点间距以及边界拐点坐标得到多个对焦点坐标；
图像获取模块，用于基于每个对焦点坐标获取晶圆图像。
可选的，所述第一确定模块，用于：
将晶圆模板图像包含的各个晶粒图像划分成若干区域；
计算各个区域的灰度共生矩阵熵；
将大于预设值的灰度共生矩阵熵对应的区域标记为密集区域，将小于或等于预设值的灰度共生矩阵熵对应的区域标记为稀疏区域。
第三方面，本发明还提供一种晶圆图像获取设备，所述晶圆图像获取设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的晶圆图像获取程序，其中所述晶圆图像获取程序被所述处理器执行时，实现如上所述的晶圆图像获取方法的步骤。
第四方面，本发明还提供一种可读存储介质，所述可读存储介质上存储有晶圆图像获取程序，其中所述晶圆图像获取程序被处理器执行时，实现如上所述的晶圆图像获取方法的步骤。
本发明中，确定晶圆模板图像包含的各个晶粒图像中每个密集区域和每个稀疏区域；确定每个密集区域和每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标；基于每个密集区域的第一预设对焦点间距、每个稀疏区域的第二预设对焦点间距以及边界拐点坐标得到多个对焦点坐标；基于每个对焦点坐标获取晶圆图像。通过本发明，确定晶圆模板图像中的密集区域和稀疏区域，并确定每个密集区域和每个稀疏区域的对焦点坐标，成像设备在每个对焦点坐标处进行一次对焦，进而提高采集到的整个晶圆图像的清晰度，解决了目前采集到的整个晶圆图像的清晰度较低的问题。
附图说明
图1为本发明晶圆图像获取方法一实施例的流程示意图；
图2为本发明晶圆图像获取方法密集区域W的示意图；
图3为图1中步骤S10的细化流程示意图；
图4为图1中步骤S40的细化流程示意图；
图5为本发明晶圆图像获取装置一实施例的功能模块示意图；
图6为本发明实施例方案中涉及的晶圆图像获取设备的硬件结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
第一方面，本发明实施例提供了一种晶圆图像获取方法。
一实施例中，参照图1，图1为本发明晶圆图像获取方法第一实施例的流程示意图。如图1所示，晶圆图像获取方法，包括：
步骤S10，确定晶圆模板图像包含的各个晶粒图像中每个密集区域和每个稀疏区域；
本实施例中，通过灰度共生矩阵法获取晶圆模板图像包含的各个晶粒图像的复杂程度，确定晶圆模板图像包含的各个晶粒图像中每个密集区域和每个稀疏区域。其中，灰度共生矩阵法(GLCM， Gray-level co-occurrence matrix)，是通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征。
进一步地，一实施例中，参照图3，图3为图1中步骤S10的细化流程示意图。如图3所示，步骤S10，包括：
步骤S101，将晶圆模板图像包含的各个晶粒图像划分成若干区域；
步骤S102，计算各个区域的灰度共生矩阵熵；
步骤S103，将大于预设值的灰度共生矩阵熵对应的区域标记为密集区域，将小于或等于预设值的灰度共生矩阵熵对应的区域标记为稀疏区域。
本实施例中，将晶圆模板图像包含的各个晶粒图像等分成若干区域，计算各个区域的灰度共生矩阵熵，其中，灰度共生矩阵熵是图像包含信息量的随机性度量，表现了图像的复杂程度，当共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大。因此熵值表示矩阵中元素的分散程度，也表示图像纹理的复杂程度，熵值越大，图像越复杂。因此，将熵值大于预设值的灰度共生矩阵熵对应的各个区域标记为密集区域，将小于或等于预设值的灰度共生矩阵熵对应的各个区域标记为稀疏区域，即可确定晶圆模板图像包含的各个晶粒图像中的每个密集区域和每个稀疏区域。
步骤S20，确定每个密集区域和每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标；
本实施例中，确定各个晶粒图像中每个密集区域和每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标。具体地，参照图2，图2为本发明晶圆图像获取方法密集区域W的示意图，如图2所示，密集区域W的边界拐点坐标即为A点坐标、B点坐标、C点坐标以及D点坐标。容易想到的是，每个密集区域和每个稀疏区域还可以是其他形状，在此不做限定。
进一步地，一实施例中，步骤S20，包括：
获取每个密集区域和每个稀疏区域在第一坐标系的第一边界拐点坐标，其中，所述第一坐标系以晶粒图像的任一点为原点；
确定第一坐标系与第二坐标系的映射关系，其中，第二坐标系以晶圆模板图像的任一点为原点；
根据第一边界拐点坐标以及映射关系，确定每个密集区域和每个稀疏区域在第二坐标系中的边界拐点坐标。
本实施例中，继续参照图2，优选地，第一坐标系以晶粒图像的中心点为原点，通过角点检测算法获取密集区域在第一坐标系的第一边界拐点坐标。具体地，点A在第一坐标系中的坐标为（-0.01，-0.005），点B在第一坐标系中的坐标为（-0.01，0.005），点C在第一坐标系中的坐标为（0.01，0.005），点D在第一坐标系中的坐标为（0.01，-0.005）。以此类推，即可获取各个晶粒图像中每个密集区域和每个稀疏区域在第一坐标系的第一边界拐点坐标。
根据晶粒图像的尺寸和晶粒图像之间的间距确定第一坐标系与第二坐标系之间的映射关系。具体地，继续参照图2，优选地，第二坐标系的原点O2为晶圆模板图像的中心点，以晶粒图像的尺寸长为0.02mm，宽为0.01mm，晶粒图像之间的间距为0.01mm为例，晶圆模板图像包含的各个晶粒图像在晶圆模板图像中呈对称分布，因此在根据晶粒图像的尺寸和晶粒图像之间的间距确定第一坐标系与第二坐标系之间的映射关系时，因为晶粒图像之间的间距为0.01mm，所以图2中点D在第二坐标系中的坐标即为（-0.005，0.005），再通过基础数学计算，可得第一坐标系的原点O1在第二坐标系下的坐标为（-0.015，0.01）。
根据第一边界拐点坐标以及映射关系，确定密集区域在第二坐标系的第二边界拐点坐标。具体地，点A在第二坐标系中的坐标为（-0.025，0.005），点B在第二坐标系中的坐标为（-0.025，0.015），点C在第二坐标系中的坐标为（-0.005，0.015），点D在第二坐标系中的坐标为（-0.005，0.005）。以此类推，根据第一边界拐点坐标以及映射关系，即可确定每个密集区域和每个稀疏区域在第二坐标系中的边界拐点坐标。
进一步地，一实施例中，所述获取每个密集区域和每个稀疏区域在第一坐标系的第一边界拐点坐标的步骤，包括：
通过角点检测算法获取每个密集区域和每个稀疏区域在第一坐标系的第一边界拐点坐标。
本实施例中，角点是很容易在图像中定位的局部特征，角点的价值在于它是两条边缘线的接合点，是一种二维特征，可以被精确地检测。角点检测算法基本思想是使用一个固定窗口（取某个像素的一个邻域窗口）在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么认为该窗口中存在角点。因此通过角点检测算法即可获取每个密集区域和每个稀疏区域在第一坐标系的第一边界拐点坐标。
步骤S30，基于每个密集区域的第一预设对焦点间距、每个稀疏区域的第二预设对焦点间距以及边界拐点坐标得到多个对焦点坐标；
本实施例中，获取每个密集区域的对焦点之间的第一预设距离，即第一预设对焦点间距。获取每个稀疏区域的对焦点之间的第二预设距离，即第二预设对焦点间距。基于每个密集区域的第一预设对焦点间距、每个稀疏区域的第二预设对焦点间距以及每个密集区域和每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标，得到多个对焦点坐标。
进一步地，一实施例中，步骤S30，包括：
基于边界拐点坐标确定每个密集区域的位置和尺寸以及每个稀疏区域的位置和尺寸；
基于每个密集区域的位置和尺寸以及第一预设对焦点间距确定每个密集区域的对焦点坐标，基于每个稀疏区域的位置和尺寸以及第二预设对焦点间距确定每个稀疏区域的对焦点坐标，得到多个对焦点坐标，其中，第一预设对焦点间距小于第二预设对焦点间距。
本实施例中，基于每个密集区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标确定每个密集区域的位置和尺寸，基于每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标确定每个稀疏区域的位置和尺寸。
基于每个密集区域的位置和尺寸以及第一预设对焦点间距确定每个密集区域的对焦点坐标。具体地，以第一预设对焦点间距为0.01mm，密集区域的长为0.05mm，宽为0.025mm为例，在密集区域，以任一点的坐标作为密集区域的第一个对焦点坐标，然后每间隔0.01mm确定下一个对焦点坐标。基于每个稀疏区域的位置和尺寸以及第二预设对焦点间距确定每个稀疏区域的对焦点坐标。具体地，以第一预设对焦点间距为0.01mm，稀疏区域的长为0.05mm，宽为0.025mm为例，在稀疏区域，以任一点的坐标作为稀疏区域的第一个对焦点坐标，然后每间隔0.01mm确定下一个对焦点坐标。以此类推，得到每个密集区域的多个对焦点坐标和每个稀疏区域的多个对焦点坐标。
步骤S40，基于每个对焦点坐标获取晶圆图像。
本实施例中，在每个密集区域的多个对焦点坐标处和每个稀疏区域的多个对焦点坐标处进行一次对焦，即通过改变透镜与成像面的距离，提高拍摄物成像的清晰度，经过多次“变焦”拍摄，即可获取到清晰度较高的晶圆图像。
进一步地，一实施例中，参照图4，图4为图1中步骤S40的细化流程示意图。如图4所示，步骤S40，包括：
步骤S401，通过成像设备的自动对焦传感器获取每个对焦点坐标处与成像设备之间的实际高度；
步骤S402，计算所述实际高度与理论高度之间的高度差；
步骤S403，基于所述高度差调整成像设备在垂直方向上的位置；
步骤S404，通过调整垂直方向上的位置后的成像设备获取晶圆图像。
本实施例中，晶圆制造需要经过多次曝光和显影，复杂纹理处曝光和显影次数多，简单纹理处曝光和显影次数少，不同纹理处其高度并不完全相同，因此移动成像设备，在移动成像设备的过程中通过成像设备的自动对焦传感器获取每个对焦点坐标处与成像设备之间的实际高度，计算实际高度与理论高度之间的高度差，基于高度差调整成像设备在垂直方向上的位置，使得成像设备与每个对焦点坐标处之间的高度等于理想高度。通过调整垂直方向上的位置后的成像设备对晶圆进行多次拍摄，得到清晰度较高的整个晶圆图像。本实施例中，确定晶圆模板图像包含的各个晶粒图像中每个密集区域和每个稀疏区域；确定每个密集区域和每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标；基于每个密集区域的第一预设对焦点间距、每个稀疏区域的第二预设对焦点间距以及边界拐点坐标得到多个对焦点坐标；获取每个对焦点坐标处对应的晶圆图像。通过本实施例，确定晶圆模板图像中的密集区域和稀疏区域，并确定每个密集区域和每个稀疏区域的对焦点坐标，成像设备在每个对焦点坐标处进行一次对焦，进而提高采集到的整个晶圆图像的清晰度，解决了目前采集到的整个晶圆图像的清晰度较低的问题。
第二方面，本发明实施例还提供一种晶圆图像获取装置。
一实施例中，参照图5，图5为本发明晶圆图像获取装置一实施例的功能模块示意图。如图5所示，晶圆图像获取装置，包括：
第一确定模块10，用于确定晶圆模板图像包含的各个晶粒图像中每个密集区域和每个稀疏区域；
第二确定模块20，用于确定每个密集区域和每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标；
计算模块30，用于基于每个密集区域的第一预设对焦点间距、每个稀疏区域的第二预设对焦点间距以及边界拐点坐标得到多个对焦点坐标；
图像获取模块40，用于基于每个对焦点坐标获取晶圆图像。
进一步地，一实施例中，第一确定模块10，具体用于：
将晶圆模板图像包含的各个晶粒图像划分成若干区域；
计算各个区域的灰度共生矩阵熵；
将大于预设值的灰度共生矩阵熵对应的区域标记为密集区域，将小于或等于预设值的灰度共生矩阵熵对应的区域标记为稀疏区域。
进一步地，一实施例中，第二确定模块20，具体用于：
获取每个密集区域和每个稀疏区域在第一坐标系的第一边界拐点坐标，其中，所述第一坐标系以晶粒图像的任一点为原点；
确定第一坐标系与第二坐标系的映射关系，其中，第二坐标系以晶圆模板图像的任一点为原点；
根据第一边界拐点坐标以及映射关系，确定每个密集区域和每个稀疏区域在第二坐标系中的边界拐点坐标。
进一步地，一实施例中，第二确定模块20，还用于：
通过角点检测算法获取每个密集区域和每个稀疏区域在第一坐标系的第一边界拐点坐标。
进一步地，一实施例中，计算模块30，用于：
基于边界拐点坐标确定每个密集区域的位置和尺寸以及每个稀疏区域的位置和尺寸；
基于每个密集区域的位置和尺寸以及第一预设对焦点间距确定每个密集区域的对焦点坐标，基于每个稀疏区域的位置和尺寸以及第二预设对焦点间距确定每个稀疏区域的对焦点坐标，得到多个对焦点坐标，其中，第一预设对焦点间距小于第二预设对焦点间距。
进一步地，一实施例中，图像获取模块40，用于：
通过成像设备的自动对焦传感器获取每个对焦点坐标处与成像设备之间的实际高度；
计算所述实际高度与理论高度之间的高度差；
基于所述高度差调整成像设备在垂直方向上的位置；
通过调整垂直方向上的位置后的成像设备获取晶圆图像。
其中，上述晶圆图像获取装置中各个模块的功能实现与上述晶圆图像获取方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
第三方面，本发明实施例提供一种晶圆图像获取设备，该晶圆图像获取设备可以是个人计算机（personal computer，PC）、笔记本电脑、服务器等具有数据处理功能的设备。
参照图6，图6为本发明实施例方案中涉及的晶圆图像获取设备的硬件结构示意图。本发明实施例中，晶圆图像获取设备可以包括处理器1001（例如中央处理器CentralProcessing Unit，CPU），通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard）；网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真WIreless-FIdelity，WI-FI接口）；存储器1005可以是高速随机存取存储器（random access memory，RAM），也可以是稳定的存储器（non-volatile memory），例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图6中示出的硬件结构并不构成对本发明的限定，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。
继续参照图6，图6中作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及晶圆图像获取程序。其中，处理器1001可以调用存储器1005中存储的晶圆图像获取程序，并执行本发明实施例提供的晶圆图像获取方法。
第四方面，本发明实施例还提供一种可读存储介质。
本发明可读存储介质上存储有晶圆图像获取程序，其中所述晶圆图像获取程序被处理器执行时，实现如上述的晶圆图像获取方法的步骤。
其中，晶圆图像获取程序被执行时所实现的方法可参照本发明晶圆图像获取方法的各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种晶圆图像获取方法，其特征在于，所述晶圆图像获取方法包括：
确定晶圆模板图像包含的各个晶粒图像中每个密集区域和每个稀疏区域；
确定每个密集区域和每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标；
基于每个密集区域的第一预设对焦点间距、每个稀疏区域的第二预设对焦点间距以及边界拐点坐标得到多个对焦点坐标；
基于每个对焦点坐标获取晶圆图像；
所述确定晶圆模板图像包含的各个晶粒图像中每个密集区域和每个稀疏区域的步骤包括：
将晶圆模板图像包含的各个晶粒图像划分成若干区域；
计算各个区域的灰度共生矩阵熵；
将大于预设值的灰度共生矩阵熵对应的区域标记为密集区域，将小于或等于预设值的灰度共生矩阵熵对应的区域标记为稀疏区域。
2.如权利要求1所述的晶圆图像获取方法，其特征在于，所述确定每个密集区域和每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标的步骤，包括：
获取每个密集区域和每个稀疏区域在第一坐标系的第一边界拐点坐标，其中，所述第一坐标系以晶粒图像的任一点为原点；
确定第一坐标系与第二坐标系的映射关系，其中，第二坐标系以晶圆模板图像的任一点为原点；
根据第一边界拐点坐标以及映射关系，确定每个密集区域和每个稀疏区域在第二坐标系中的边界拐点坐标。
3.如权利要求2所述的晶圆图像获取方法，其特征在于，所述获取每个密集区域和每个稀疏区域在第一坐标系的第一边界拐点坐标的步骤，包括：
通过角点检测算法获取每个密集区域和每个稀疏区域在第一坐标系的第一边界拐点坐标。
4.如权利要求1所述的晶圆图像获取方法，其特征在于，所述基于每个密集区域的第一预设对焦点间距、每个稀疏区域的第一预设对焦点间距以及边界拐点坐标得到多个对焦点坐标的步骤，包括：
基于边界拐点坐标确定每个密集区域的位置和尺寸以及每个稀疏区域的位置和尺寸；
基于每个密集区域的位置和尺寸以及第一预设对焦点间距确定每个密集区域的对焦点坐标，基于每个稀疏区域的位置和尺寸以及第二预设对焦点间距确定每个稀疏区域的对焦点坐标，得到多个对焦点坐标，其中，第一预设对焦点间距小于第二预设对焦点间距。
5.如权利要求1所述的晶圆图像获取方法，其特征在于，所述基于每个对焦点坐标获取晶圆图像的步骤，包括：
通过成像设备的自动对焦传感器获取每个对焦点坐标处与成像设备之间的实际高度；
计算所述实际高度与理论高度之间的高度差；
基于所述高度差调整成像设备在垂直方向上的位置；
通过调整垂直方向上的位置后的成像设备获取晶圆图像。
6.一种晶圆图像获取装置，其特征在于，所述晶圆图像获取装置包括：
第一确定模块，用于确定晶圆模板图像包含的各个晶粒图像中每个密集区域和每个稀疏区域；
第二确定模块，用于确定每个密集区域和每个稀疏区域在以晶圆模板图像的任一点为原点的坐标系中的边界拐点坐标；
计算模块，用于基于每个密集区域的第一预设对焦点间距、每个稀疏区域的第二预设对焦点间距以及边界拐点坐标得到多个对焦点坐标；
图像获取模块，用于基于每个对焦点坐标获取晶圆图像；
所述第一确定模块，用于：
将晶圆模板图像包含的各个晶粒图像划分成若干区域；
计算各个区域的灰度共生矩阵熵；
将大于预设值的灰度共生矩阵熵对应的区域标记为密集区域，将小于或等于预设值的灰度共生矩阵熵对应的区域标记为稀疏区域。
7.一种晶圆图像获取设备，其特征在于，所述晶圆图像获取设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的晶圆图像获取程序，其中所述晶圆图像获取程序被所述处理器执行时，实现如权利要求1至5中任一项所述的晶圆图像获取方法的步骤。
8.一种可读存储介质，其特征在于，所述可读存储介质上存储有晶圆图像获取程序，其中所述晶圆图像获取程序被处理器执行时，实现如权利要求1至5中任一项所述的晶圆图像获取方法的步骤。
CN202310823825.2A 2023-07-06 2023-07-06 晶圆图像获取方法、装置、设备及可读存储介质 Active CN116579907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310823825.2A CN116579907B (zh) 2023-07-06 2023-07-06 晶圆图像获取方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310823825.2A CN116579907B (zh) 2023-07-06 2023-07-06 晶圆图像获取方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN116579907A CN116579907A (zh) 2023-08-11
CN116579907B true CN116579907B (zh) 2023-09-22

Family

ID=87539940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310823825.2A Active CN116579907B (zh) 2023-07-06 2023-07-06 晶圆图像获取方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN116579907B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013239447A (ja) * 2013-07-03 2013-11-28 Hitachi High-Technologies Corp 走査荷電粒子顕微鏡装置を用いたパターン撮像方法
US10324046B1 (en) * 2009-06-03 2019-06-18 Kla-Tencor Corp. Methods and systems for monitoring a non-defect related characteristic of a patterned wafer
CN112508045A (zh) * 2019-09-16 2021-03-16 英特尔公司 非主导集群的迭代式监督识别
CN115456977A (zh) * 2022-09-01 2022-12-09 武汉精立电子技术有限公司 一种晶圆缺陷检测方法、***及存储介质
CN115598934A (zh) * 2022-10-18 2023-01-13 深圳晶源信息技术有限公司（Cn） 一种光刻模型构建方法、预测sraf图形曝光成像的方法和程序产品

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022040228A1 (en) * 2020-08-17 2022-02-24 Tokyo Electron Limited Method of pattern alignment for field stitching

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10324046B1 (en) * 2009-06-03 2019-06-18 Kla-Tencor Corp. Methods and systems for monitoring a non-defect related characteristic of a patterned wafer
JP2013239447A (ja) * 2013-07-03 2013-11-28 Hitachi High-Technologies Corp 走査荷電粒子顕微鏡装置を用いたパターン撮像方法
CN112508045A (zh) * 2019-09-16 2021-03-16 英特尔公司 非主导集群的迭代式监督识别
CN115456977A (zh) * 2022-09-01 2022-12-09 武汉精立电子技术有限公司 一种晶圆缺陷检测方法、***及存储介质
CN115598934A (zh) * 2022-10-18 2023-01-13 深圳晶源信息技术有限公司（Cn） 一种光刻模型构建方法、预测sraf图形曝光成像的方法和程序产品

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于图像配准的晶圆表面缺陷检测;***;《仪器仪表与分析监测》;第1-4页 *

Also Published As

Publication number Publication date
CN116579907A (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN110717942B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
JP5075757B2 (ja) 画像処理装置、画像処理プログラム、画像処理方法、および電子機器
CN110996082B (zh) 投影调节方法、装置、投影仪及可读存储介质
CN110519585B (zh) 一种应用于图像采集设备的成像校准方法及装置
CN108074237B (zh) 图像清晰度检测方法、装置、存储介质及电子设备
CN106954054B (zh) 一种图像矫正方法、装置及投影仪
CN109661815A (zh) 存在相机阵列的显著强度变化的情况下的鲁棒视差估计
US20160005158A1 (en) Image processing device and image processing method
CN111179184B (zh) 基于随机抽样一致性的鱼眼图像有效区域提取方法
US9319666B1 (en) Detecting control points for camera calibration
US20060204091A1 (en) System and method for analyzing and processing two-dimensional images
CN116579907B (zh) 晶圆图像获取方法、装置、设备及可读存储介质
JP2018009927A (ja) 画像処理装置、画像処理方法及びプログラム
CN117671031A (zh) 双目相机标定方法、装置、设备及存储介质
CN112785651B (zh) 用于确定相对位姿参数的方法和装置
JP5446285B2 (ja) 画像処理装置及び画像処理方法
CN115760653B (zh) 图像校正方法、装置、设备及可读存储介质
CN114913241A (zh) 一种结构光3d相机标定方法及装置
CN114674276A (zh) 测距方法、机器视觉***及存储介质
JP2022123391A (ja) 情報処理装置、情報処理方法、及びプログラム
CN114091168A (zh) 色调校正***和色调校正方法
RU2351091C2 (ru) Способ автоматического определения и коррекции радиальной дисторсии на цифровом изображении
CN116758171B (zh) 成像***位姿矫正方法、装置、设备及可读存储介质
CN117115275B (zh) 畸变参数的确定方法、装置和计算机设备
JP7527532B1 (ja) 画像点群データ処理装置、画像点群データ処理方法、及び画像点群データ処理プログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant