CN116678898B - 一种通用化的晶片缺陷检测方法、***、设备及介质 - Google Patents

一种通用化的晶片缺陷检测方法、***、设备及介质 Download PDF

Info

Publication number
CN116678898B
CN116678898B CN202310936863.9A CN202310936863A CN116678898B CN 116678898 B CN116678898 B CN 116678898B CN 202310936863 A CN202310936863 A CN 202310936863A CN 116678898 B CN116678898 B CN 116678898B
Authority
CN
China
Prior art keywords
wafer
defect
positioning
image
module
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
CN202310936863.9A
Other languages
English (en)
Other versions
CN116678898A (zh
Inventor
张振
滕振德
程克林
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.)
Suzhou Hexin Technology Co ltd
Original Assignee
Suzhou Hexin 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 Suzhou Hexin Technology Co ltd filed Critical Suzhou Hexin Technology Co ltd
Priority to CN202310936863.9A priority Critical patent/CN116678898B/zh
Publication of CN116678898A publication Critical patent/CN116678898A/zh
Application granted granted Critical
Publication of CN116678898B publication Critical patent/CN116678898B/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
    • G01N21/9505—Wafer internal defects, e.g. microcracks
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8835—Adjustable illumination, e.g. software adjustable screen
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种通用化的晶片缺陷检测方法、***、设备及介质，所述方法包括以下步骤：配置多色光源模块，设置第一光源投射策略；设置晶片检测范围，配置模板匹配算法；获取多种类缺陷样本，基于多种类缺陷样本训练定位算法模型和分割算法模型；基于多色光源模块和第一光源投射策略获取第一晶片灰色图像和第二晶片彩色图像；基于晶片检测范围、模板匹配算法和第一晶片灰色图像进行晶片定位，得到定位信息；基于定位算法模型、分割算法模型和定位信息对第二晶片彩色图像进行缺陷检测，得到缺陷分割图；基于缺陷基准属性参数与缺陷分割图分析晶片达标情况；本发明能够对不同类型晶片的不同缺陷进行通用且智能化的高效精准检测。

Description

一种通用化的晶片缺陷检测方法、***、设备及介质
技术领域
本发明涉及机器视觉技术领域，具体的，本发明应用于工业检测领域，特别是涉及一种通用化的晶片缺陷检测方法、***、设备及介质。
背景技术
晶片，是LED最主要的原物料之一，其属于LED的发光部件，也是最核心的部分，晶片的好坏将直接决定LED的性能。
在晶片生产过程中，需要进行异物、拉胶等缺陷的质量检测；现有的检测方式包括：人工质检或采用传统机器视觉算法进行检测，对于这两种方式，存在如下弊端：
第一方面，对于人工质检的方式，其检测精准度虽然较高，但是检测效率较低，受人为干扰因素大，同时需要较高的人力成本；
第二方面，对于传统机器视觉算法，其无法适用于不同类别的晶片缺陷检测，由于晶片种类繁多，晶片表面特征复杂，同一种缺陷在不同种类的晶片上的外观差异较大，针对于此情况，传统机器视觉算法只能检测出部分缺陷，若要针对不同类别的晶片进行检测，则需要设计不同的算法，故传统机器视觉算法的通用性和检测鲁棒性差；再者，传统机器视觉算法对于噪声数据的敏感度较高，在图片质量较差时，传统机器视觉算法的识别效果较差，导致其识别精准度较低；故目前在使用传统机器视觉算法进行缺陷检测时，仍需配合大量的人工质检方式进行辅助检测；
综上所述，现有的晶片缺陷检测方法无法同时兼顾较佳的通用性、检测效率、检测精准度和检测成本。
发明内容
本发明的目的在于，针对现有技术中的上述问题，提供一种通用化的晶片缺陷检测方法、***、设备及介质，进而解决现有技术中的晶片缺陷检测方法无法同时兼顾较佳的通用性、检测效率、检测精准度和检测成本的问题。
为解决上述技术问题，本发明的具体技术方案如下：
一方面，本发明提供一种通用化的晶片缺陷检测方法，包括以下步骤：
S100、配置步骤：
S110、配置多色光源模块，设置第一光源投射策略；设置晶片检测范围，配置模板匹配算法；获取多种类缺陷样本，基于所述多种类缺陷样本训练定位算法模型和分割算法模型；设置缺陷基准属性参数；
S200、晶片定位步骤：
S210、基于所述多色光源模块和所述第一光源投射策略获取第一晶片灰色图像和第二晶片彩色图像；基于所述晶片检测范围、所述模板匹配算法和所述第一晶片灰色图像进行晶片定位，得到定位信息；
S300、缺陷检测步骤：
S310、基于所述定位算法模型、所述分割算法模型和所述定位信息对所述第二晶片彩色图像进行缺陷检测，得到缺陷分割图；基于所述缺陷基准属性参数与所述缺陷分割图分析晶片达标情况。
作为一种改进的方案，所述基于所述定位算法模型、所述分割算法模型和所述定位信息对所述第二晶片彩色图像进行缺陷检测，得到缺陷分割图，包括：
根据所述定位信息对所述第二晶片彩色图像中的待检测晶片进行定位；
采用所述分割算法模型，对所述第二晶片彩色图像中定位的所述待检测晶片进行缺陷检测，得到标识有缺陷位置信息和尺寸信息的初始分割图；所述初始分割图中包括分割的缺陷区域和非缺陷区域；
采用所述定位算法模型，定位所述初始分割图中的非检测区域；将所述非检测区域中的所述缺陷区域进行移除处理；令进行所述移除处理后的所述初始分割图作为所述缺陷分割图。
作为一种改进的方案，所述基于所述缺陷基准属性参数与所述缺陷分割图分析晶片达标情况，包括：
根据所述缺陷分割图中的所述缺陷位置信息和所述尺寸信息，计算所述缺陷分割图中所述缺陷区域的缺陷属性参数；
比对所述缺陷属性参数与所述缺陷基准属性参数；
根据所述缺陷属性参数与所述缺陷基准属性参数的比对结果，判断所述晶片达标情况。
作为一种改进的方案，所述第一光源投射策略，包括：
控制所述多色光源模块向检测位置的待检测晶片输出第一颜色光，捕捉所述待检测晶片在所述第一颜色光下的第一图像作为所述第一晶片灰色图像；
控制所述多色光源模块向检测位置的待检测晶片依次输出第二颜色光、第三颜色光和第四颜色光；捕捉所述待检测晶片分别在所述第二颜色光、所述第三颜色光和所述第四颜色光下的第二图像、第三图像和第四图像；将所述第二图像、所述第三图像和所述第四图像进行合成，得到所述第二晶片彩色图像。
作为一种改进的方案，所述基于所述晶片检测范围、所述模板匹配算法和所述第一晶片灰色图像进行晶片定位，得到定位信息，包括：
对所述第一晶片灰色图像中对应所述晶片检测范围内的图像进行裁剪，得到裁剪图像；
调用所述模板匹配算法对所述裁剪图像进行标志点匹配，得到标志点图像；
确定所述标志点图像在所述裁剪图像中的坐标信息；
将所述坐标信息作为所述定位信息。
作为一种改进的方案，所述基于所述多种类缺陷样本训练定位算法模型和分割算法模型，包括：
采用所述多种类缺陷样本训练初始定位模型和初始分割模型；
测试训练的所述初始定位模型的第一识别率，根据所述第一识别率计算所述初始定位模型的第一平均准确率；
测试训练的所述分割算法模型的第二识别率，根据所述第二识别率计算所述初始分割模型的第二平均准确率；
选用所述第一平均准确率最高的所述初始定位模型作为所述定位算法模型；
选用所述第二平均准确率最高的所述初始分割模型作为所述分割算法模型。
作为一种改进的方案，所述获取多种类缺陷样本，包括：
捕捉若干晶片类型的晶片图像数据以及若干缺陷类型的缺陷图像数据；
按照缺陷类型对若干所述晶片图像数据以及若干所述缺陷图像数据进行分类；令分类后的若干所述晶片图像数据以及若干所述缺陷图像数据作为所述多种类缺陷样本。
另一方面，本发明还提供一种通用化的晶片缺陷检测***，包括：
配置模块、晶片定位模块和缺陷检测模块；
所述配置模块，用于配置多色光源模块，设置第一光源投射策略；所述配置模块还用于设置晶片检测范围，配置模板匹配算法；所述配置模块还用于获取多种类缺陷样本，并基于所述多种类缺陷样本训练定位算法模型和分割算法模型；所述配置模块还用于设置缺陷基准属性参数；
所述晶片定位模块，用于根据所述多色光源模块和所述第一光源投射策略获取第一晶片灰色图像和第二晶片彩色图像；所述晶片定位模块基于所述晶片检测范围、所述模板匹配算法和所述第一晶片灰色图像进行晶片定位，得到定位信息；
所述缺陷检测模块，用于根据所述定位算法模型、所述分割算法模型和所述定位信息对所述第二晶片彩色图像进行缺陷检测，得到缺陷分割图；所述缺陷检测模块基于所述缺陷基准属性参数与所述缺陷分割图分析晶片达标情况。
另一方面，本发明还提供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计算机程序，所述计算机程序被处理器执行时实现所述通用化的晶片缺陷检测方法的步骤。
另一方面，本发明还提供一种计算机设备，所述计算机设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；其中：
所述存储器，用于存放计算机程序；
所述处理器，用于通过运行所述存储器上所存放的程序来执行所述通用化的晶片缺陷检测方法的步骤。
本发明技术方案的有益效果是：
本发明所述的通用化的晶片缺陷检测方法，可以实现基于光源颜色调整的方式，实现晶片的RGB彩色图像和灰色图像同步拍摄和监测，节省了设备资源和检测成本。
本发明所述的通用化的晶片缺陷检测方法，可以实现采用传统机器视觉算法配合基于人工智能的分割算法和定位算法，对不同类型晶片的不同缺陷进行通用化且智能化的精准检测，并能够实现晶片上检测区域和非检测区域的划分，降低误判概率，提升检测准确度。
本发明所述的通用化的晶片缺陷检测方法，无需针对不同类型晶片设计不同算法，鲁棒性和通用性极强，且具有较高的识别效率。
本发明所述的通用化的晶片缺陷检测***，可以通过配置模块、晶片定位模块和缺陷检测模块的相互配合，进而实现本发明所述的通用化的晶片缺陷检测方法。
本发明所述的计算机可读存储介质，可以实现引导配置模块、晶片定位模块和缺陷检测模块进行配合，进而实现本发明所述的通用化的晶片缺陷检测方法，且本发明所述的计算机可读存储介质还有效提高所述通用化的晶片缺陷检测方法的可操作性。
本发明所述的计算机设备，可以实现存储并执行所述计算机可读存储介质，进而实现本发明所述的通用化的晶片缺陷检测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例1所述通用化的晶片缺陷检测方法的流程示意图；
图2是本发明实施例1所述通用化的晶片缺陷检测方法的详细流程示意图；
图3是本发明实施例1所述通用化的晶片缺陷检测方法的逻辑原理示意图；
图4是本发明实施例1所述通用化的晶片缺陷检测方法中所述缺陷检测步骤的逻辑原理示意图；
图5是本发明实施例1所述通用化的晶片缺陷检测方法中所述分割算法模型的结构示意图；
图6是本发明实施例1所述通用化的晶片缺陷检测方法中所述定位算法模型的结构示意图；
图7是本发明实施例2所述通用化的晶片缺陷检测***的架构示意图；
图8是本发明实施例4所述计算机设备的结构示意图；
附图中的标记说明如下：
1501、处理器；1502、通信接口；1503、存储器；1504、通信总线。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
在本发明的描述中，需要说明的是，本发明所描述的实施例是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、装置、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。
需要说明的是，本方法的主要原理为，采用传统机械视觉算法进行晶片定位，采用人工智能算法进行晶片表面异物、拉胶等缺陷的检测，基于这两种算法的配合，实现晶片表面缺陷的自动检测，且能够适用于不同类型晶片以及不同类型缺陷的检测，通用性较强，具有较高的鲁棒性以及识别准确率。
实施例1
本实施例提供一种通用化的晶片缺陷检测方法，如图1~图6所示，包括以下步骤：
步骤一：在实际应用中，在晶片电路板的生产线上，通过传送带将料盘传送到指定的检测位置，料盘中放置有需要进行检测的晶片电路板；晶片电路板到位，并将光源设置为白光，完成检测前的初始化操作；晶片电路板的生产线中会预配置单独且可调节的光源模块（即多色光源模块），初始状态下，将光源的点亮颜色设置为白光（即第一颜色光），之后开启传送带将载有晶片的料盘传送至指定的检测位置，当料盘传送到指定位置后，即可发送对应信号触发光源打开白光，以供独立的图像捕捉设备（相机）进行拍照；
步骤二：白光光源打开后，即可触发图像捕捉设备的拍照信号，进而对料盘上的晶片电路板进行拍照，并采集到灰色的图像Image1；
步骤三：得到灰色图像后，调节光源颜色，并在每次调节颜色后，都对料盘上的晶片电路板进行拍照；调节颜色时，依次按照R（红，即第二颜色光）、G（绿，即第三颜色光）、B（蓝，即第四颜色光）的顺序控制光源依次投射三种单色光；在每次投射的单色光源打开情况下，触发图像捕捉设备进行拍照，分别得到晶片电路板在三种不同颜色光源下所拍摄的灰色图像（即第二图像、第三图像和第四图像）；
步骤四：将以上三种不同颜色下的灰色图像进行图像合成，最终合成为彩色图像Image2；
步骤五：在本实施方式中，基于传统机器视觉算法和步骤二中的图像Image1，进行晶片的定位；
作为优选的实施方式，在本步骤中：
第一，预先设置晶片Mark（标志点）的检测范围（即晶片检测范围），以及Mark检测所采用的模板匹配算法的相关参数；其中，Mark属于晶片中的基准标识点，常用于进行晶片的定位；通常情况下，设置边缘信息明显（如圆形、方形等）的Mark点所在的区域为本方法中的检测区域（范围）；
第二，检测过程中，根据预设的检测范围从图像Image1中进行对应位置图像的裁剪；之后采用模板匹配算法从裁剪得到的图像中识别出Mark点的准确位置（坐标信息）；根据得到的Mark点的坐标，即可实现整个晶片的定位；其中，模板匹配算法采用基于像素的模板匹配算法（模板匹配NCC算法）或基于形状（shape）的模板匹配算法；模板匹配算法的原理为，预设模板图像（例如Mark点图像），将该模板图像与本方法中裁剪的图像上进行遍历，进而遍历出与模板图像相匹配的目标图像；根据裁剪图像的像素即可定位该目标图像在裁剪图像中的坐标信息，由于目标图像与模板图像匹配，故根据模板图像的尺寸大小和方向，即可得知目标图像的尺寸大小和方向；
第三，由于拍摄具有晶片的图像中，晶片的位置不是相对固定的，故针对每次检测，都需要通过Image1中得到的Mark点坐标进行晶片定位，对晶片进行定位后，进行后续针对晶片处的缺陷检测。
步骤六：在本实施方式中，基于人工智能算法和彩色图像Image2进行晶片电路板中缺陷（异物、拉胶等）的检测；
作为优选的实施方式，在本步骤中：
第一，预先通过相机捕捉不同类型的晶片以及不同外观（类型）缺陷的图像数据；对于这些图像数据，按照缺陷种类的不同进行对应分类；最终得到不同种类的缺陷图片样本（即多种类缺陷样本），在样本收集过程中，尽可能的保证每个种类的缺陷图片数量是相对均衡的；
第二，采用收集的缺陷图片样本，分别训练基于人工智能的定位算法模型以及分割算法模型；训练过程中，根据测试的效果调整训练参数，以迭代模型；
第三，将训练的定位算法模型（即初始定位模型）和分割算法模型（即初始分割模型）分别进行测试，每次测试时，都会得到对应模型的识别率；本方法中，根据每次得到的识别率，计算模型识别率的平均值作为平均准确率；选定平均准确率最高的模型作为最终缺陷检测所用的模型；
其中，如图5所示，本申请的分割算法模型为在基于深度学习的分割算法基础上，结合芯片检测的具体要求进行了自主设计，该分割算法模型包括：编码部分和解码部分，分割算法模型用于对晶片图像进行缺陷检测，生成对应的缺陷分割图，分割图中分割出晶片缺陷和非缺陷部分；
编码部分中，使用不同卷积核大小和步长的卷积模块与下采样模块搭建了基本块C1、C2、C3、C4；下采样模块根据输入图像的大小调整参数，进而保证后续特征融合网络的尺寸一致性；作为一种优选的方式，C1、C2、C3、C4的卷积核大小可分别设置为3、5、7、11等，此参数不作为唯一的实施方式，根据测试的准确率进行优化修改；
编码部分中，会对于检测过程中基本块C1、C2、C3、C4等部分提取出的特征进行拼接，并对拼接后的特征使用卷积核大小为1的卷积层进行进一步的特征提取，得到特征F1；
解码部分中，会对于编码部分提取到的特征F1进行上采样处理，之后采用卷积层进行特征提取，得到对应的特征图F2；之后对特征图F2再次进行上采样处理，并保证采样后尺寸与输入图像尺寸一致，然后使用卷积层计算，可得到特征图F3；计算出特征图F3中每个像素点对应位置概率最大缺陷类别的编号argmax；使用argmax计算最终的分割图Mark1；
其中，如图6所示，定位算法模型为基于深度学习算法的目标检测模型；定位算法模型的网络结构主要有基础特征提取模块、深层特征提取模块和结果预测模块等；
基础特征提取模块，主要用于提取分割图中的浅层特征，由3个相同结构的卷积模块（CBL）组成；其中，每个卷积模块有卷积层（Conv）、批归一化层（BN）和激活层（LeakyRelu）等部分组成；卷积层进行卷积核大小为3，步长为2的卷积计算；具体的，上述浅层特征是指，一些细粒度的信息，包含更多的像素点的信息，例如图像的一些表面颜色、纹理、边缘、棱角、等具体特征信息，浅层网络提取的特征和输入比较近，且浅层网络的感受野较小，感受野重叠区域也较小，所以网络能够捕获更多细节；
深层特征提取模块，主要用于提取分割图中的深层语义信息（深层特征），由2个结构相同的残差卷积模块（Res）组成；其中，每个残差卷积模块有卷积层（Conv）、批归一化层（BN）、激活层（LeakyRelu）和残差连接层（Add）等部分组成，卷积层进行卷积核大小为3，步长为2的卷积计算；基于残差连接的过程，更利于深层特征提取过程中深层语义信息的传递；具体的，由于深层网络提取的特征距离输出较近，深层网络的感受野增加，感受野之间重叠区域增加，图像信息进行压缩，获取的是图像整体性的一些信息；上述深层语义信息是指图像的一些粗粒度信息，属于更加抽象的信息；
结果预测模块，用于从深层语义信息中提取出位置、类别等信息，实现分割图中非检测区域的位置结果预测；结果预测模块由2个卷积层组成，第一个卷积层卷积核大小为3，第二个卷积层卷积核大小为1；
综上所述，在最终检测过程中，采用选定的分割算法模型对Image2进行缺陷检测，得到具有缺陷及非缺陷分割图Mark1（即初始分割图）；该Mark1中，标识有对应缺陷的具***置及大小等信息；之后采用定位算法检测定位出图像中的非检测区域；将非检测区域中的一些误判区域进行排除（通常情况下，分割算法模型不会出现误判，此步骤主要用于进一步提高和保证检测精确度），生成最终的结果图Mark2（即缺陷分割图）。
步骤七：最终根据晶片的位置以及缺陷的部位，判断晶片是否达标/符合生产要求；
作为优选的实施方式，在本步骤中：
第一，预设晶片电路板中缺陷面积和/或长度相关的基准标准（即缺陷基准属性参数）；
第二，对于Mark2中的缺陷部分，根据其中的标识信息，进行面积和/或长度条件（即缺陷属性参数）的综合计算，并与基准标准进行比对；根据比对结果判断晶片电路板为良品还是不良品；例如：预设缺陷的面积标准；在Mark2中的缺陷部分，进行面积和的计算，面积和达到该面积标准时，判断晶片电路板为不良品，未达标；面积和未达到该面积标准时，判断晶片电路板为良品，且达标；以上即为本方法的全部流程，基于此实现对于不同类型晶片及缺陷的通用化、高精度检测。
实施例2
本实施例基于与实施例1中所述的一种通用化的晶片缺陷检测方法相同的发明构思，提供一种通用化的晶片缺陷检测***，如图7所示，包括：配置模块、晶片定位模块和缺陷检测模块；
所述配置模块，用于配置多色光源模块，设置第一光源投射策略；所述配置模块还用于设置晶片检测范围，配置模板匹配算法；所述配置模块还用于获取多种类缺陷样本，并基于所述多种类缺陷样本训练定位算法模型和分割算法模型；所述配置模块还用于设置缺陷基准属性参数；
所述配置模块，至少包括：光源控制子模块、相机控制子模块、图像合成子模块、模型训练子模块和样本分类子模块；
作为优选的实施方式，所述第一光源投射策略，包括：所述光源控制子模块控制所述多色光源模块向检测位置的待检测晶片输出第一颜色光，所述光源控制子模块捕捉所述待检测晶片在所述第一颜色光下的第一图像作为所述第一晶片灰色图像；所述光源控制子模块控制所述多色光源模块向检测位置的待检测晶片依次输出第二颜色光、第三颜色光和第四颜色光；所述光源控制子模块捕捉所述待检测晶片分别在所述第二颜色光、所述第三颜色光和所述第四颜色光下的第二图像、第三图像和第四图像；所述图像合成子模块将所述第二图像、所述第三图像和所述第四图像进行合成，得到所述第二晶片彩色图像。
作为优选的实施方式，所述基于所述多种类缺陷样本训练定位算法模型和分割算法模型，包括：所述模型训练子模块采用所述多种类缺陷样本训练初始定位模型和初始分割模型；所述模型训练子模块测试训练的所述初始定位模型的第一识别率，所述模型训练子模块根据所述第一识别率计算所述初始定位模型的第一平均准确率；所述模型训练子模块测试训练的所述分割算法模型的第二识别率，所述模型训练子模块根据所述第二识别率计算所述初始分割模型的第二平均准确率；所述模型训练子模块选用所述第一平均准确率最高的所述初始定位模型作为所述定位算法模型；所述模型训练子模块选用所述第二平均准确率最高的所述初始分割模型作为所述分割算法模型。
作为优选的实施方式，所述获取多种类缺陷样本，包括：所述样本分类子模块捕捉若干晶片类型的晶片图像数据以及若干缺陷类型的缺陷图像数据；所述样本分类子模块按照缺陷类型对若干所述晶片图像数据以及若干所述缺陷图像数据进行分类；所述样本分类子模块令分类后的若干所述晶片图像数据以及若干所述缺陷图像数据作为所述多种类缺陷样本。
所述晶片定位模块，用于根据所述多色光源模块和所述第一光源投射策略获取第一晶片灰色图像和第二晶片彩色图像；所述晶片定位模块基于所述晶片检测范围、所述模板匹配算法和所述第一晶片灰色图像进行晶片定位，得到定位信息；
所述晶片定位模块，包括：图像裁剪子模块、模板匹配子模块和信息确认子模块；
作为优选的实施方式，所述基于所述晶片检测范围、所述模板匹配算法和所述第一晶片灰色图像进行晶片定位，得到定位信息，包括：所述图像裁剪子模块对所述第一晶片灰色图像中对应所述晶片检测范围内的图像进行裁剪，得到裁剪图像；所述模板匹配子模块调用所述模板匹配算法对所述裁剪图像进行标志点匹配，得到标志点图像；所述信息确认子模块确定所述标志点图像在所述裁剪图像中的坐标信息；所述信息确认子模块将所述坐标信息作为所述定位信息。
所述缺陷检测模块，用于根据所述定位算法模型、所述分割算法模型和所述定位信息对所述第二晶片彩色图像进行缺陷检测，得到缺陷分割图；所述缺陷检测模块基于所述缺陷基准属性参数与所述缺陷分割图分析晶片达标情况；
所述缺陷检测模块，包括：检测处理子模块和参数对比子模块；
作为优选的实施方式，所述基于所述定位算法模型、所述分割算法模型和所述定位信息对所述第二晶片彩色图像进行缺陷检测，得到缺陷分割图，包括：所述检测处理子模块根据所述定位信息对所述第二晶片彩色图像中的待检测晶片进行定位；所述检测处理子模块采用所述分割算法模型，对所述第二晶片彩色图像中定位的所述待检测晶片进行缺陷检测，得到标识有缺陷位置信息和尺寸信息的初始分割图；所述初始分割图中包括分割的缺陷区域和非缺陷区域；所述检测处理子模块采用所述定位算法模型，定位所述初始分割图中的非检测区域；所述检测处理子模块将所述非检测区域中的所述缺陷区域进行移除处理；所述检测处理子模块令进行所述移除处理后的所述初始分割图作为所述缺陷分割图。
作为优选的实施方式，所述基于所述缺陷基准属性参数与所述缺陷分割图分析晶片达标情况，包括：所述参数对比子模块根据所述缺陷分割图中的所述缺陷位置信息和所述尺寸信息，计算所述缺陷分割图中所述缺陷区域的缺陷属性参数；所述参数对比子模块比对所述缺陷属性参数与所述缺陷基准属性参数；所述参数对比子模块根据所述缺陷属性参数与所述缺陷基准属性参数的比对结果，判断所述晶片达标情况。
实施例3
本实施例提供一种计算机可读存储介质，包括：
所述存储介质用于储存将上述实施例1所述的通用化的晶片缺陷检测方法实现所用的计算机软件指令，其包含用于执行上述为所述通用化的晶片缺陷检测方法所设置的程序；具体的，该可执行程序可以内置在实施例2所述的通用化的晶片缺陷检测***中，这样，通用化的晶片缺陷检测***就可以通过执行内置的可执行程序实现所述实施例1所述的通用化的晶片缺陷检测方法。
此外，本实施例具有的计算机可读存储介质可以采用一个或多个可读存储介质的任意组合，其中，可读存储介质包括电、光、电磁、红外线或半导体的***、装置或器件，或者以上任意组合。
实施例4
本实施例提供一种电子设备，如图8所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。
存储器1503，用于存放计算机程序；
处理器1501，用于执行存储器1503上所存放的计算机程序时，实现上述实施例1中所述通用化的晶片缺陷检测方法的步骤。
作为本发明的一种实施方式，上述终端提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
作为本发明的一种实施方式，通信接口用于上述终端与其他设备之间的通信。
作为本发明的一种实施方式，存储器可以包括随机存取存储器(Random AccessMemory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
作为本发明的一种实施方式，上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
区别于现有技术，采用本申请一种通用化的晶片缺陷检测方法、***、设备及介质，可以采用传统机器视觉算法配合基于人工智能的分割算法和定位算法，对不同类型晶片的不同缺陷进行通用化且智能化的精准检测，并能够实现晶片上检测区域和非检测区域的划分，降低误判概率，提升检测准确度。
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，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。
在本文所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
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，本文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)执行本文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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例，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 (9)

1.一种通用化的晶片缺陷检测方法，其特征在于，包括以下步骤：
配置步骤：
配置多色光源模块，设置第一光源投射策略；
设置晶片检测范围，配置模板匹配算法；
获取多种类缺陷样本，基于所述多种类缺陷样本训练定位算法模型和分割算法模型；
设置缺陷基准属性参数；
晶片定位步骤：
基于所述多色光源模块和所述第一光源投射策略获取第一晶片灰色图像和第二晶片彩色图像；
基于所述晶片检测范围、所述模板匹配算法和所述第一晶片灰色图像进行晶片定位，得到定位信息；
缺陷检测步骤：
基于所述定位算法模型、所述分割算法模型和所述定位信息对所述第二晶片彩色图像进行缺陷检测，得到缺陷分割图；
基于所述缺陷基准属性参数与所述缺陷分割图分析晶片达标情况；
所述基于所述定位算法模型、所述分割算法模型和所述定位信息对所述第二晶片彩色图像进行缺陷检测，得到缺陷分割图，包括：根据所述定位信息对所述第二晶片彩色图像中的待检测晶片进行定位；采用所述分割算法模型，对所述第二晶片彩色图像中定位的所述待检测晶片进行缺陷检测，得到标识有缺陷位置信息和尺寸信息的初始分割图；所述初始分割图中包括分割的缺陷区域和非缺陷区域；采用所述定位算法模型，定位所述初始分割图中的非检测区域；将所述非检测区域中的所述缺陷区域进行移除处理；令进行所述移除处理后的所述初始分割图作为所述缺陷分割图；
所述分割算法模型包括：编码部分和解码部分，编码部分中，使用不同卷积核大小和步长的卷积模块与下采样模块搭建了基本块C1、C2、C3、C4；C1、C2、C3、C4的卷积核大小分别设置为3、5、7、11；编码部分中，对检测过程中基本块C1、C2、C3、C4提取出的特征进行拼接，并对拼接后的特征使用卷积核大小为1的卷积层进行特征提取，得到特征F1；解码部分中，对特征F1进行上采样处理，之后采用卷积层进行特征提取，得到特征图F2；对特征图F2进行上采样处理，然后使用卷积层计算，得到特征图F3；特征图F3中每个像素点对应位置概率最大缺陷类别的编号argmax；使用argmax计算分割图Mark1；
所述定位算法模型的网络结构有基础特征提取模块、深层特征提取模块和结果预测模块；基础特征提取模块提取分割图中的浅层特征，浅层特征指细粒度的信息；深层特征提取模块提取分割图中的深层语义信息，深层语义信息指图像的粗粒度信息；结果预测模块从深层语义信息中提取出位置、类别信息，进而对分割图中非检测区域的位置结果进行预测。
2.根据权利要求1所述的一种通用化的晶片缺陷检测方法，其特征在于：
所述基于所述缺陷基准属性参数与所述缺陷分割图分析晶片达标情况，包括：
根据所述缺陷分割图中的所述缺陷位置信息和所述尺寸信息，计算所述缺陷分割图中所述缺陷区域的缺陷属性参数；
比对所述缺陷属性参数与所述缺陷基准属性参数；
根据所述缺陷属性参数与所述缺陷基准属性参数的比对结果，判断所述晶片达标情况。
3.根据权利要求1所述的一种通用化的晶片缺陷检测方法，其特征在于：
所述第一光源投射策略，包括：
控制所述多色光源模块向检测位置的待检测晶片输出第一颜色光，捕捉所述待检测晶片在所述第一颜色光下的第一图像作为所述第一晶片灰色图像；
控制所述多色光源模块向检测位置的待检测晶片依次输出第二颜色光、第三颜色光和第四颜色光；捕捉所述待检测晶片分别在所述第二颜色光、所述第三颜色光和所述第四颜色光下的第二图像、第三图像和第四图像；将所述第二图像、所述第三图像和所述第四图像进行合成，得到所述第二晶片彩色图像。
4.根据权利要求1所述的一种通用化的晶片缺陷检测方法，其特征在于：
所述基于所述晶片检测范围、所述模板匹配算法和所述第一晶片灰色图像进行晶片定位，得到定位信息，包括：
对所述第一晶片灰色图像中对应所述晶片检测范围内的图像进行裁剪，得到裁剪图像；
调用所述模板匹配算法对所述裁剪图像进行标志点匹配，得到标志点图像；
确定所述标志点图像在所述裁剪图像中的坐标信息；
将所述坐标信息作为所述定位信息。
5.根据权利要求1所述的一种通用化的晶片缺陷检测方法，其特征在于：
所述基于所述多种类缺陷样本训练定位算法模型和分割算法模型，包括：
采用所述多种类缺陷样本训练初始定位模型和初始分割模型；
测试训练的所述初始定位模型的第一识别率，根据所述第一识别率计算所述初始定位模型的第一平均准确率；
测试训练的所述分割算法模型的第二识别率，根据所述第二识别率计算所述初始分割模型的第二平均准确率；
选用所述第一平均准确率最高的所述初始定位模型作为所述定位算法模型；
选用所述第二平均准确率最高的所述初始分割模型作为所述分割算法模型。
6.根据权利要求1所述的一种通用化的晶片缺陷检测方法，其特征在于：
所述获取多种类缺陷样本，包括：
捕捉若干晶片类型的晶片图像数据以及若干缺陷类型的缺陷图像数据；
按照缺陷类型对若干所述晶片图像数据以及若干所述缺陷图像数据进行分类；令分类后的若干所述晶片图像数据以及若干所述缺陷图像数据作为所述多种类缺陷样本。
7.一种通用化的晶片缺陷检测***，其特征在于，包括：配置模块、晶片定位模块和缺陷检测模块；
所述配置模块，用于配置多色光源模块，设置第一光源投射策略；所述配置模块还用于设置晶片检测范围，配置模板匹配算法；所述配置模块还用于获取多种类缺陷样本，并基于所述多种类缺陷样本训练定位算法模型和分割算法模型；所述配置模块还用于设置缺陷基准属性参数；
所述晶片定位模块，用于根据所述多色光源模块和所述第一光源投射策略获取第一晶片灰色图像和第二晶片彩色图像；所述晶片定位模块基于所述晶片检测范围、所述模板匹配算法和所述第一晶片灰色图像进行晶片定位，得到定位信息；
所述缺陷检测模块，用于根据所述定位算法模型、所述分割算法模型和所述定位信息对所述第二晶片彩色图像进行缺陷检测，得到缺陷分割图；所述缺陷检测模块基于所述缺陷基准属性参数与所述缺陷分割图分析晶片达标情况；所述缺陷检测模块根据所述定位信息对所述第二晶片彩色图像中的待检测晶片进行定位；所述缺陷检测模块采用所述分割算法模型，对所述第二晶片彩色图像中定位的所述待检测晶片进行缺陷检测，得到标识有缺陷位置信息和尺寸信息的初始分割图；所述初始分割图中包括分割的缺陷区域和非缺陷区域；所述缺陷检测模块采用所述定位算法模型，定位所述初始分割图中的非检测区域；所述缺陷检测模块将所述非检测区域中的所述缺陷区域进行移除处理；所述缺陷检测模块令进行所述移除处理后的所述初始分割图作为所述缺陷分割图；
所述分割算法模型，包括：编码部分和解码部分；所述编码部分中，使用不同卷积核大小和步长的卷积模块与下采样模块搭建了基本块C1、C2、C3、C4；C1、C2、C3、C4的卷积核大小分别设置为3、5、7、11；所述编码部分中，对检测过程中基本块C1、C2、C3、C4提取出的特征进行拼接，并对拼接后的特征使用卷积核大小为1的卷积层进行特征提取，得到特征F1；所述解码部分中，对特征F1进行上采样处理，之后采用卷积层进行特征提取，得到特征图F2；对特征图F2进行上采样处理，然后使用卷积层计算，得到特征图F3；特征图F3中每个像素点对应位置概率最大缺陷类别的编号argmax；使用argmax计算分割图Mark1；
所述定位算法模型的网络结构，包括：基础特征提取模块、深层特征提取模块和结果预测模块；所述基础特征提取模块提取分割图中的浅层特征，浅层特征指细粒度的信息；所述深层特征提取模块提取分割图中的深层语义信息，深层语义信息指图像的粗粒度信息；所述结果预测模块从深层语义信息中提取出位置、类别信息，进而对分割图中非检测区域的位置结果进行预测。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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权利要求1~6中任一项所述通用化的晶片缺陷检测方法的步骤。
9.一种计算机设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；其中：
所述存储器，用于存放计算机程序；
所述处理器，用于通过运行所述存储器上所存放的程序来执行权利要求1~6中任一项所述通用化的晶片缺陷检测方法的步骤。
CN202310936863.9A 2023-07-28 2023-07-28 一种通用化的晶片缺陷检测方法、***、设备及介质 Active CN116678898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310936863.9A CN116678898B (zh) 2023-07-28 2023-07-28 一种通用化的晶片缺陷检测方法、***、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310936863.9A CN116678898B (zh) 2023-07-28 2023-07-28 一种通用化的晶片缺陷检测方法、***、设备及介质

Publications (2)

Publication Number Publication Date
CN116678898A CN116678898A (zh) 2023-09-01
CN116678898B true CN116678898B (zh) 2023-10-24

Family

ID=87782217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310936863.9A Active CN116678898B (zh) 2023-07-28 2023-07-28 一种通用化的晶片缺陷检测方法、***、设备及介质

Country Status (1)

Country Link
CN (1) CN116678898B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005217325A (ja) * 2004-01-30 2005-08-11 Nikon Corp 基準パターン決定方法とその装置、位置検出方法とその装置、及び、露光方法とその装置
JP2008076320A (ja) * 2006-09-25 2008-04-03 Kirin Techno-System Co Ltd 表面検査装置
CN109752392A (zh) * 2018-12-24 2019-05-14 苏州江奥光电科技有限公司 一种pcb板缺陷类型检测***和方法
CN112419260A (zh) * 2020-11-19 2021-02-26 深圳虹星智能有限公司 一种pcb文字区域缺陷检测方法
CN115619787A (zh) * 2022-12-19 2023-01-17 苏州赫芯科技有限公司 一种uv胶缺陷检测方法、***、设备及介质
CN116258666A (zh) * 2022-09-09 2023-06-13 武汉精立电子技术有限公司 一种晶圆检测Mark点定位方法及应用

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005217325A (ja) * 2004-01-30 2005-08-11 Nikon Corp 基準パターン決定方法とその装置、位置検出方法とその装置、及び、露光方法とその装置
JP2008076320A (ja) * 2006-09-25 2008-04-03 Kirin Techno-System Co Ltd 表面検査装置
CN109752392A (zh) * 2018-12-24 2019-05-14 苏州江奥光电科技有限公司 一种pcb板缺陷类型检测***和方法
CN112419260A (zh) * 2020-11-19 2021-02-26 深圳虹星智能有限公司 一种pcb文字区域缺陷检测方法
CN116258666A (zh) * 2022-09-09 2023-06-13 武汉精立电子技术有限公司 一种晶圆检测Mark点定位方法及应用
CN115619787A (zh) * 2022-12-19 2023-01-17 苏州赫芯科技有限公司 一种uv胶缺陷检测方法、***、设备及介质

Also Published As

Publication number Publication date
CN116678898A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN109829914B (zh) 检测产品缺陷的方法和装置
CN111951237B (zh) 外观视觉检测方法
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN111325713A (zh) 基于神经网络的木材缺陷检测方法、***及存储介质
US11830174B2 (en) Defect inspecting device, defect inspecting method, and storage medium
EP1703465B1 (en) Color-based inspection of printed circuit boards
CN107895362B (zh) 一种微型接线端子质量检测的机器视觉方法
CN111160301B (zh) 基于机器视觉的隧道病害目标智能识别及提取方法
KR102168724B1 (ko) 이미지 검사를 이용한 이상 판별 방법 및 장치
CN112150460B (zh) 检测方法、检测***、设备和介质
CN113096098A (zh) 基于深度学习的铸件外观缺陷检测方法
CN110261391A (zh) 一种led芯片外观检测***及方法
CN112347887A (zh) 一种物体检测方法、物体检测装置及电子设备
US10726535B2 (en) Automatically generating image datasets for use in image recognition and detection
CN115619787B (zh) 一种uv胶缺陷检测方法、***、设备及介质
CN111739003B (zh) 一种用于外观检测的机器视觉方法
CN112634203A (zh) 图像检测方法、电子设备及计算机可读存储介质
CN110596118A (zh) 印刷图案检测方法及印刷图案检测装置
CN111724375B (zh) 一种屏幕检测方法及***
CN113533372A (zh) 一种纸张缺陷检测方法、***、装置及计算机存储介质
CN116678898B (zh) 一种通用化的晶片缺陷检测方法、***、设备及介质
CN110274911B (zh) 图像处理***、图像处理装置、存储介质
CN115861259A (zh) 一种基于模板匹配的引线框架表面缺陷检测方法及装置
CN115343313A (zh) 基于人工智能的视觉识别方法
KR20190119801A (ko) 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법

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