CN116864409A - 一种基于cuda加速的高精度晶圆表面缺陷实时检测方法 - Google Patents

一种基于cuda加速的高精度晶圆表面缺陷实时检测方法 Download PDF

Info

Publication number
CN116864409A
CN116864409A CN202310765827.0A CN202310765827A CN116864409A CN 116864409 A CN116864409 A CN 116864409A CN 202310765827 A CN202310765827 A CN 202310765827A CN 116864409 A CN116864409 A CN 116864409A
Authority
CN
China
Prior art keywords
image
wafer
defect
wafer surface
partial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310765827.0A
Other languages
English (en)
Inventor
曹彦鹏
叶楠
朱皇品
陈皓天
冯子璇
杨将新
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202310765827.0A priority Critical patent/CN116864409A/zh
Publication of CN116864409A publication Critical patent/CN116864409A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/26—Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—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)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法。方法包括：使用图像采集平台扫描采集待检测晶圆的局部表面图像，输入图形处理器GPU中进行缺陷检测，获得缺陷信息并提取缺陷图；重复直至完整图像采集扫描完成；进行图像拼接，将缺陷图绘制在晶圆完整拼接图像上，获得待检测晶圆的表面的所有缺陷的全局位置以及缺陷信息，实现晶圆表面缺陷的可视化和实时检测。本发明方法能够实现高效的晶圆表面缺陷检测，在拍摄晶圆表面图像的同时，进行实时的缺陷检测，对局部晶圆表面图像进行缺陷检测时间小于拍摄图像的时间，效率大大优于现有算法，且检测精度能够达到工业需求。

Description

一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法
技术领域
本发明涉及了一种缺陷实时检测方法，属于半导体技术领域，具体涉及一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法。
背景技术
半导体元器件是重要的电子元器件，在通信***、光伏发电、消费电子等领域应用广泛。晶圆是半导体芯片生产的重要原材料，随着半导体行业及其下游产业的蓬勃发展，硅晶圆中晶体管的集成率大幅度增加，任何微观尺度缺陷可能导致整个芯片的功能失效。
因此，在制造过程中需要在关键环节后及时进行晶圆缺陷检测，对出现的缺陷进行分类和分析，实现生产过程中的实时反馈，有利于保证产品良率。为了保证实际的生产效率，缺陷检测流程需要具有一定的实时性和较高的精度，以保证生产流程的顺利推进。
目前，大部分企业选择的缺陷检测方法是人工目检法，其检测时间长，检测效率远不能达到工业生产的需求。同时，人工检测的结果与检测人员的主观判断有关，检测精度较低。
从研究角度而言，目前广泛使用的是基于CPU的传统缺陷检测算法和基于机器学***台硬件条件要求较高。基于CPU的传统缺陷检测算法计算量较小，复杂度较低，但其检测时间依然不能达到实时检测的需求。
发明内容
为了解决背景技术中存在的问题，本发明所提供一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法。
本发明采用的技术方案是：
本发明基于CUDA加速的高精度晶圆表面缺陷实时检测方法包括如下步骤：
1)使用图像采集平台扫描采集待检测晶圆的表面图像，每次扫描均采集一张局部晶圆表面图像，图像采集平台将每次采集的局部晶圆表面图像输入外部计算机的图形处理器GPU中进行缺陷检测，检测完成后获得局部晶圆表面图像的缺陷信息并提取缺陷图；同时图像采集平台继续扫描采集下一张局部晶圆表面图像。
2)重复步骤1)直至图像采集平台将完整的晶圆表面图像采集扫描完成。
3)将各张采集的局部晶圆表面图像进行图像拼接获得晶圆完整拼接图像，根据各张局部晶圆表面图像的缺陷信息将各张局部晶圆表面图像的缺陷图绘制在晶圆完整拼接图像上，获得待检测晶圆的表面的所有缺陷的全局位置以及缺陷信息，最终输出缺陷列表和缺陷图，实现晶圆表面缺陷的可视化和实时检测。
统一计算设备架构CUDA是图像处理器GPU上的通用计算开发的并行计算平台和编程接口。本发明借助CUDA，充分利用GPU的并行运算特性，实现图像处理加速。
所述的步骤1)中，图像采集平台包括第一平面运动模组、线阵扫描相机、LED光源、晶圆承片台、第二平面运动模组和机械平台，第二平面运动模组水平安装在机械平台上，晶圆承片台水平滑动安装在第二平面运动模组上，待检测晶圆水平放置在晶圆承片台上，第一平面运动模组水平布置在晶圆承片台的正上方，第一平面运动模组的长度方向垂直于第二平面运动模组，线阵扫描相机滑动安装在第一平面运动模组上，线阵扫描相机的光学镜头向下正对待检测晶圆的表面，LED光源布置在线阵扫描相机的光学镜头上并朝向待检测晶圆的表面。
使用图像采集平台扫描采集待检测晶圆的表面图像时，线阵扫描相机沿第一平面运动模组的长度方向移动，通过晶圆承片台沿第二平面运动模组的长度方向移动带动待检测晶圆移动，使得图像采集平台呈S型扫描，扫描待检测晶圆的表面所在的矩形区域，将矩形区域沿自身其中一条边的长度方向依次均匀划分为若干长方形条状区域并顺序编号，图像采集平台按照编号顺序依次扫描待检测晶圆的长方形条状区域进而采集局部晶圆表面图像，每相邻的两张局部晶圆表面图像的扫描方向相反并且在扫描时均有重叠区域。
所述的步骤1)中，图像采集平台将每次采集的局部晶圆表面图像输入外部计算机的图形处理器GPU中进行缺陷检测，针对每张局部晶圆表面图像，具体如下：
步骤1.1)制作局部晶圆表面图像的动态掩膜图。
步骤1.2)对局部晶圆表面图像进行动态阈值分割获得动态阈值分割图，根据动态阈值分割图和动态掩膜图获得局部晶圆表面图像的缺陷图。
步骤1.3)提取缺陷图的缺陷特征，获得局部晶圆表面图像的缺陷信息。
所述的步骤1.1)中，制作局部晶圆表面图像的动态掩膜图，具体如下：
步骤1.1.1)首先加载晶圆参数，包括局部晶圆表面图像的图像尺寸、图像总数、扫描模式等参数，扫描模式即S型扫描，检查图像加载状态和尺寸大小，确定成功加载正确图像。当局部晶圆表面图像的编号为偶数时，则以局部晶圆表面图像的中心为旋转中心，沿局部晶圆表面图像的短边翻转一百八十度后进行预处理，当局部晶圆表面图像的编号为奇数时，则直接进行预处理；预处理具体为首先将局部晶圆表面图像输入外部计算机的图形处理器GPU中，局部晶圆表面图像在图形处理器GPU中以一维数组形式保存，选择二维线程将一维数组图像中的各个像素点坐标与二维数组图像中的各个像素点坐标一一对应，计算二维线程与对应像素点坐标的映射关系；然后将一维数组图像进行高斯滤波去除图像噪声完成预处理获得预处理图像。
步骤1.1.2)对预处理图像进行二值化处理获得二值化图像，以便于下一步对图像进行轮廓寻找；然后基于二值化图像寻找晶圆轮廓进而提取出晶圆边缘轮廓。
步骤1.1.3)图形处理器GPU基于晶圆边缘轮廓并行计算绘制动态掩膜图。
动态掩膜图是指局部晶圆图像中晶圆区域图像，掩膜形状与晶圆区域形状相同，掩膜像素值为255，其中不包含缺陷信息，只包含晶圆形状信息。
所述的步骤1.1.1)中，局部晶圆表面图像的图像信息包括各个像素点的像素值及坐标，局部晶圆表面图像以自身右上角的顶点为原点，沿自身的短边方向为x轴正方向，沿自身的长边方向为y轴正方向，建立自身的图像坐标系，各个局部晶圆表面图像的图像坐标系的x轴位于同一直线上并且x轴正方向相同，各个局部晶圆表面图像的图像坐标系的y轴平行于局部晶圆表面图像的扫描方向并且y轴正方向与第一张局部晶圆表面图像的扫描方向相同。
所述的步骤1.1.2)中，基于二值化图像寻找晶圆轮廓进而提取出晶圆边缘轮廓，具体为首先将局部晶圆表面图像分为三类，将第一张扫描的局部晶圆表面图像分为第一类晶圆图像，将最后一张扫描的局部晶圆表面图像分为第二类晶圆图像，将第一张和最后一张之间扫描的各张局部晶圆表面图像分为第三类晶圆图像。
对于第一类晶圆图像，沿y轴的正方向对第一类晶圆图像的每一行进行遍历，沿x轴的正方向对第一类晶圆图像的每一行的各个像素点进行遍历，直至遍历到每一行中的第一个像素值大于动态阈值th的像素点作为晶圆边缘像素点；对于第二类晶圆图像，沿y轴的正方向对第二类晶圆图像的每一行进行遍历，沿x轴的负方向对第二类晶圆图像的每一行的各个像素点进行遍历，直至遍历到每一行中的第一个像素值大于动态阈值th的像素点作为晶圆边缘像素点；对于第三类晶圆图像，沿x轴的正方向对第三类晶圆图像的每一列进行遍历，分别沿y轴的正方向和负方向对第一类晶圆图像的每一列的各个像素点进行遍历，直至沿y轴的正方向和负方向分别遍历到每一列中的第一个像素值大于动态阈值th的像素点作为晶圆边缘像素点，根据晶圆图像的预设边缘轮廓采样间隔in获取第一类和第二类晶圆图像的晶圆边缘像素点的纵坐标以及第三类晶圆图像的晶圆边缘像素点的横坐标并构建为晶圆边缘轮廓集，从而提取出晶圆边缘轮廓。
该算法提高了轮廓检测算法的并行性，可通过多个GPU线程同时寻找晶圆边缘像素点，每个线程寻找一行或者一列的晶圆边缘像素点。
所述的步骤1.1.3)中，图形处理器GPU基于晶圆边缘轮廓并行计算绘制动态掩膜图，具体为分别针对三类晶圆图像进行并行计算，具体如下：
针对第一类和第二类晶圆图像的晶圆边缘像素点，计算晶圆边缘像素点的横坐标：
其中，in为预设边缘轮廓采样间隔；edy为动态掩膜图中第y行的晶圆边缘像素点的横坐标；xla为动态掩膜图中第y行前一采样行la1对应的横坐标值，xne为动态掩膜图中第y行后一采样行ne1对应的横坐标值。
针对第二类晶圆图像分别沿y轴正方向和负方向遍历得到的晶圆边缘像素点，计算晶圆边缘像素点的纵坐标：
其中，edupx为动态掩膜图中第x列沿y轴正方向遍历得到的晶圆边缘像素点的纵坐标；eddox为动态掩膜图中第x列沿y轴负方向遍历得到的晶圆边缘像素点的纵坐标；和分别为动态掩膜图中第x列前一采样列la2和动态掩膜图中第x列后一采样列ne2对应的晶圆上边缘像素点的横坐标值，/>和/>分别为动态掩膜图中第x列前一采样列la2和动态掩膜图中第x列后一采样列ne2对应的晶圆下边缘像素点的横坐标值。
获得三类晶圆图像的各个晶圆边缘像素点的坐标后绘制获得动态掩膜图。
所述的步骤1.2)中，对局部晶圆表面图像进行动态阈值分割获得动态阈值分割图，根据动态阈值分割图和动态掩膜图获得局部晶圆表面图像的缺陷图，具体如下：
步骤1.2.1)使用灰度直方图计算函数计算局部晶圆表面图像中的各个像素点的像素点数量-灰度直方图，像素点数量-灰度直方图中包括左右两个高峰，灰度直方图有以下两个特征：第一，灰度直方图有左右两个高峰，左侧高峰为图像背景区域，右侧高峰为晶圆表面正常区域；第二，晶圆表面缺陷像素点的像素值分布在两高峰以外区域，其像素点数量极少，在灰度直方图中的纵坐标均接近于0。根据以上两个特征，用于划分缺陷和背景区域的动态阈值应位于双峰之间，并且满足两个条件：第一，不能大于右高峰横坐标的最小值，避免将正常区域误检为缺陷区域；第二，尽量靠近右高峰，避免将缺陷区域的像素点误检为正常区域。
步骤1.2.2)基于像素点数量-灰度直方图计算获得动态阈值th：获得像素点数量-灰度直方图中的右高峰最高点横坐标，然后向左遍历，若像素点数量-灰度直方图的纵坐标值小于局部晶圆表面图像中的总像素点数量的千分之一，则认为已经离开右高峰区域，从而得到右高峰区域横坐标的最小值；将右高峰区域横坐标的最小值减5作为动态阈值th，利用动态阈值th对局部晶圆表面图像进行二值化操作，获得动态阈值分割图。
步骤1.2.3)根据动态阈值分割图和动态掩膜图，计算包含局部晶圆表面图像的所有缺陷信息的缺陷图。
将动态阈值分割图和动态掩膜图进行按位与操作，然后依次进行腐蚀运算和膨胀运算，获得包含局部晶圆表面图像的所有缺陷信息的缺陷图。
明场照明情况下，晶圆表面收到的光源激励效果可能不同，且不同生产环节后的晶圆表面质量不同，不同晶圆图像的亮度存在差异。根据图像具体条件动态计算阈值并进行动态阈值分割，可以得到完整的晶圆二值化图像，保证所有背景区域以及缺陷区域像素点的像素值均为255，其余正常区域像素点的像素值均为0。
所述的步骤1.3)中，提取缺陷图的缺陷特征，获得局部晶圆表面图像的缺陷信息，具体如下：
步骤1.3.1)缺陷图由多个像素值为255的初始缺陷组成，根据像素值提取出缺陷图中的各个初始缺陷的轮廓。
步骤1.3.2)遍历各个初始缺陷的轮廓，计算每个初始缺陷的轮廓的面积，将面积位于预设缺陷面积下限和预设缺陷面积上限之间的各个初始缺陷的轮廓作为实际缺陷轮廓。
步骤1.3.3)针对缺陷图中的每个实际缺陷轮廓，将实际缺陷轮廓使用自身的最小外接矩形进行框选，获取最小外接矩形的宽和高以及左上角顶点和中心点的坐标作为矩形参数，获取实际缺陷的几何统计信息和像素统计信息作为缺陷参数，矩形参数和缺陷参数共同作为局部晶圆表面图像的缺陷信息。
所述的步骤3)中，将各张采集的局部晶圆表面图像进行图像拼接获得晶圆完整拼接图像，具体如下：
步骤3.1)图像压缩：根据预设图像压缩率k对局部晶圆表面图像进行图像压缩获得局部晶圆压缩图像，同时获得局部晶圆压缩图像的尺寸。
对晶圆表面图像原图进行拼接，会消耗计算设备大量内存，并且实际生产过程中对拼接图像没有那么高的分辨率需求，故根据预设的图像压缩率，对原图进行压缩，可以减少内存消耗，减少运算量，加快运行速度。
步骤3.2)图像翻转：当局部晶圆压缩图像的编号为偶数时，则以局部晶圆压缩图像的中心为旋转中心，沿局部晶圆压缩图像的短边翻转一百八十度，当局部晶圆压缩图像的编号为奇数时，则不进行翻转。
步骤3.3)图像拼接：
步骤3.3.1)对局部晶圆压缩图像进行二值化处理获得二值化压缩图像，保存完整的晶圆边缘信息；按照编号顺序依次遍历每张二值化压缩图像，将第i+1张二值化压缩图像作为左图，第i张二值化压缩图像作为右图。
步骤3.3.2)根据二值化压缩图像上的晶圆区域中的各个像素点，获得晶圆区域中的每一列像素点所在的线段的长度作为弦长；提取左图中的最右边的n个弦长，然后自右图的最左边的弦长开始遍历，直至右图中的连续n个弦长依次和左图的中的最右边的n个弦长之间的差值小于预设差值上限，则判定右图中的连续n个弦长和左图的中的最右边的n个弦长所在的区域互为重复区域，进而获得每两张相邻的二值化压缩图像之间的x轴方向上的重叠宽度Δx和y轴方向上的高度错位Δy。
由于机械误差等因素干扰，相邻晶圆图像之间的重叠部分宽度不是固定的，并且可能产生高度错位，无法用固定重叠宽度进行图像拼接，故需动态计算局部图像在拼接图中的位置。
步骤3.3.3)创建一个宽度为n×width，高度为height的基础图像，其中，n为待检测晶圆(5)扫描得到的图像的总数，width为二值化压缩图像的宽度，height为二值化压缩图像的高度，将其中所有像素点的像素值初始化为0；以基础图像的右上角为原点，将第一张二值化压缩图像的右上角相对于基础图像的绝对坐标初始化为0，同时根据每两张相邻的二值化压缩图像之间的x轴方向上的重叠宽度Δx和y轴方向上的高度错位Δy，依次计算其它各张二值化压缩图像在基础图像中的绝对坐标，将各张二值化压缩图像依次拼接至基础图像上，将各个重叠区域根据预设权重值进行加权融合获得初步拼接图像；根据像素点映射关系，将局部晶圆压缩图像中的像素点逐一拷贝至初步拼接图像中获得中间拼接图像。
步骤3.4)亮度均衡化：
步骤3.4.1)计算局部晶圆压缩图像中的各个像素点的像素值大于动态阈值th的像素点的总数co和像素值的总和sum，进而计算获得所有像素值大于动态阈值th的像素点的亮度均值av。
步骤3.4.2)计算局部晶圆压缩图像中的各个像素点的每列像素值大于动态阈值th的像素点的总数co'x和像素值总和sum'x，进而计算获得局部晶圆压缩图像中的各个像素点的所有每列像素值大于动态阈值th的像素点的亮度均值av'x。
针对局部晶圆压缩图像中的每个像素点及其在中间拼接图像中对应的像素点，获得中间拼接图像中对应的每个像素点的新像素值进而替换原始的像素值，新像素值具体如下：
其中，vanew为中间拼接图像中的像素点的新像素值；va为中间拼接图像中的像素点的原始的像素值，即逐一拷贝至初步拼接图像中的局部晶圆压缩图像中的像素点的像素值。
中间拼接图像中的各个像素点的新像素值替换完成后，最终获得晶圆完整拼接图像。
由于光照不均匀等因素，拼接图像上亮度不均匀，对拼接图进行亮度均衡化处理以去除可能存在明暗交际的条纹。
所述的步骤3)中，根据各张局部晶圆表面图像的缺陷信息进行缺陷坐标转换，缺陷信息中包括缺陷定位信息，具体为相对于单张未经压缩的局部晶圆表面图像的相对坐标，根据局部晶圆表面图像在晶圆完整拼接图像中的位置和图像压缩率，计算获得各个实际缺陷轮廓的中心点的坐标转化为其在晶圆完整拼接图像中的全局坐标，然后根据矩形参数和缺陷参数将各个实际缺陷轮廓及其最小外接矩形绘制在晶圆完整拼接图像上，最终得到完整的待检测晶圆中的所有缺陷的全局位置以及缺陷的图像和参数信息，实现晶圆缺陷的实时检测和可视化显示。
本发明的有益效果是：
本发明能够实现高效的晶圆表面缺陷检测。在机械硬件拍摄晶圆表面图像的同时，算法进行实时的缺陷检测，算法对局部晶圆表面图像进行缺陷检测时间小于机械硬件拍摄局部晶圆表面图像的时间，算法效率大大优于现有其他算法，且检测精度能够达到工业需求。
附图说明
图1为本发明方法的整体流程图；
图2为本发明晶圆表面缺陷采集平台基本结构示意图；
图3为本发明晶圆表面采集S型路线图；
图4为本发明晶圆局部图像分类图；
图5为本发明晶圆表面图像灰度直方图；
图6为本发明晶圆表面缺陷检测结果示意图；
图中：1、第一平面运动模组，2、线阵扫描相机，3、光学镜头，4、LED光源，5、待检测晶圆，6、晶圆承片台，7、第二平面运动模组，8、机械平台。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
如图1所示，本发明基于CUDA加速的高精度晶圆表面缺陷实时检测方法包括如下步骤：
1)使用图像采集平台扫描采集待检测晶圆5的表面图像，每次扫描均采集一张局部晶圆表面图像，图像采集平台将每次采集的局部晶圆表面图像输入外部计算机的图形处理器GPU中进行缺陷检测，检测完成后获得局部晶圆表面图像的缺陷信息并提取缺陷图；同时图像采集平台继续扫描采集下一张局部晶圆表面图像。
步骤1)中，图像采集平台包括第一平面运动模组1、线阵扫描相机2、LED光源4、晶圆承片台6、第二平面运动模组7和机械平台8，第二平面运动模组7水平安装在机械平台8上，晶圆承片台6水平滑动安装在第二平面运动模组7上，待检测晶圆5水平放置在晶圆承片台6上，第一平面运动模组1水平布置在晶圆承片台6的正上方，第一平面运动模组1的长度方向垂直于第二平面运动模组7，线阵扫描相机2滑动安装在第一平面运动模组1上，线阵扫描相机2的光学镜头3向下正对待检测晶圆5的表面，LED光源4布置在线阵扫描相机2的光学镜头3上并朝向待检测晶圆5的表面。
使用图像采集平台扫描采集待检测晶圆5的表面图像时，线阵扫描相机2沿第一平面运动模组1的长度方向移动，通过晶圆承片台6沿第二平面运动模组7的长度方向移动带动待检测晶圆5移动，使得图像采集平台呈S型扫描，扫描待检测晶圆5的表面所在的矩形区域，将矩形区域沿自身其中一条边的长度方向依次均匀划分为若干长方形条状区域并顺序编号，图像采集平台按照编号顺序依次扫描待检测晶圆5的长方形条状区域进而采集局部晶圆表面图像，每相邻的两张局部晶圆表面图像的扫描方向相反并且在扫描时均有重叠区域。
步骤1)中，图像采集平台将每次采集的局部晶圆表面图像输入外部计算机的图形处理器GPU中进行缺陷检测，针对每张局部晶圆表面图像，具体如下：
步骤1.1)制作局部晶圆表面图像的动态掩膜图。
步骤1.1)中，制作局部晶圆表面图像的动态掩膜图，具体如下：
步骤1.1.1)首先加载晶圆参数，包括局部晶圆表面图像的图像尺寸、图像总数、扫描模式等参数，扫描模式即S型扫描，检查图像加载状态和尺寸大小，确定成功加载正确图像。当局部晶圆表面图像的编号为偶数时，则以局部晶圆表面图像的中心为旋转中心，沿局部晶圆表面图像的短边翻转一百八十度后进行预处理，当局部晶圆表面图像的编号为奇数时，则直接进行预处理；预处理具体为首先将局部晶圆表面图像输入外部计算机的图形处理器GPU中，局部晶圆表面图像在图形处理器GPU中以一维数组形式保存，选择二维线程将一维数组图像中的各个像素点坐标与二维数组图像中的各个像素点坐标一一对应，计算二维线程与对应像素点坐标的映射关系；然后将一维数组图像进行高斯滤波去除图像噪声完成预处理获得预处理图像。
步骤1.1.1)中，局部晶圆表面图像的图像信息包括各个像素点的像素值及坐标，局部晶圆表面图像以自身右上角的顶点为原点，沿自身的短边方向为x轴正方向，沿自身的长边方向为y轴正方向，建立自身的图像坐标系，各个局部晶圆表面图像的图像坐标系的x轴位于同一直线上并且x轴正方向相同，各个局部晶圆表面图像的图像坐标系的y轴平行于局部晶圆表面图像的扫描方向并且y轴正方向与第一张局部晶圆表面图像的扫描方向相同；
步骤1.1.2)对预处理图像进行二值化处理获得二值化图像，以便于下一步对图像进行轮廓寻找；然后基于二值化图像寻找晶圆轮廓进而提取出晶圆边缘轮廓。
步骤1.1.2)中，基于二值化图像寻找晶圆轮廓进而提取出晶圆边缘轮廓，具体为首先将局部晶圆表面图像分为三类，将第一张扫描的局部晶圆表面图像分为第一类晶圆图像，将最后一张扫描的局部晶圆表面图像分为第二类晶圆图像，将第一张和最后一张之间扫描的各张局部晶圆表面图像分为第三类晶圆图像。
对于第一类晶圆图像，沿y轴的正方向对第一类晶圆图像的每一行进行遍历，沿x轴的正方向对第一类晶圆图像的每一行的各个像素点进行遍历，直至遍历到每一行中的第一个像素值大于动态阈值th的像素点作为晶圆边缘像素点；对于第二类晶圆图像，沿y轴的正方向对第二类晶圆图像的每一行进行遍历，沿x轴的负方向对第二类晶圆图像的每一行的各个像素点进行遍历，直至遍历到每一行中的第一个像素值大于动态阈值th的像素点作为晶圆边缘像素点；对于第三类晶圆图像，沿x轴的正方向对第三类晶圆图像的每一列进行遍历，分别沿y轴的正方向和负方向对第一类晶圆图像的每一列的各个像素点进行遍历，直至沿y轴的正方向和负方向分别遍历到每一列中的第一个像素值大于动态阈值th的像素点作为晶圆边缘像素点，根据晶圆图像的预设边缘轮廓采样间隔in获取第一类和第二类晶圆图像的晶圆边缘像素点的纵坐标以及第三类晶圆图像的晶圆边缘像素点的横坐标并构建为晶圆边缘轮廓集，从而提取出晶圆边缘轮廓。
该算法提高了轮廓检测算法的并行性，可通过多个GPU线程同时寻找晶圆边缘像素点，每个线程寻找一行或者一列的晶圆边缘像素点。
步骤1.1.3)图形处理器GPU基于晶圆边缘轮廓并行计算绘制动态掩膜图。
步骤1.1.3)中，图形处理器GPU基于晶圆边缘轮廓并行计算绘制动态掩膜图，具体为分别针对三类晶圆图像进行并行计算，具体如下：
针对第一类和第二类晶圆图像的晶圆边缘像素点，计算晶圆边缘像素点的横坐标：
其中，in为预设边缘轮廓采样间隔；edy为动态掩膜图中第y行的晶圆边缘像素点的横坐标；xla为动态掩膜图中第y行前一采样行la1对应的横坐标值，xne为动态掩膜图中第y行后一采样行ne1对应的横坐标值。
针对第二类晶圆图像分别沿y轴正方向和负方向遍历得到的晶圆边缘像素点，计算晶圆边缘像素点的纵坐标：
其中，edupx为动态掩膜图中第x列沿y轴正方向遍历得到的晶圆边缘像素点的纵坐标；eddox为动态掩膜图中第x列沿y轴负方向遍历得到的晶圆边缘像素点的纵坐标；upla2和upne2分别为动态掩膜图中第x列前一采样列la2和动态掩膜图中第x列后一采样列ne2对应的晶圆上边缘像素点的横坐标值，dola2和done2分别为动态掩膜图中第x列前一采样列la2和动态掩膜图中第x列后一采样列ne2对应的晶圆下边缘像素点的横坐标值。
获得三类晶圆图像的各个晶圆边缘像素点的坐标后绘制获得动态掩膜图。
动态掩膜图是指局部晶圆图像中晶圆区域图像，掩膜形状与晶圆区域形状相同，掩膜像素值为255，其中不包含缺陷信息，只包含晶圆形状信息。
步骤1.2)对局部晶圆表面图像进行动态阈值分割获得动态阈值分割图，根据动态阈值分割图和动态掩膜图获得局部晶圆表面图像的缺陷图。
步骤1.2)中，对局部晶圆表面图像进行动态阈值分割获得动态阈值分割图，根据动态阈值分割图和动态掩膜图获得局部晶圆表面图像的缺陷图，具体如下：
步骤1.2.1)使用灰度直方图计算函数计算局部晶圆表面图像中的各个像素点的像素点数量-灰度直方图，像素点数量-灰度直方图中包括左右两个高峰，灰度直方图有以下两个特征：第一，灰度直方图有左右两个高峰，左侧高峰为图像背景区域，右侧高峰为晶圆表面正常区域；第二，晶圆表面缺陷像素点的像素值分布在两高峰以外区域，其像素点数量极少，在灰度直方图中的纵坐标均接近于0。根据以上两个特征，用于划分缺陷和背景区域的动态阈值应位于双峰之间，并且满足两个条件：第一，不能大于右高峰横坐标的最小值，避免将正常区域误检为缺陷区域；第二，尽量靠近右高峰，避免将缺陷区域的像素点误检为正常区域。
步骤1.2.2)基于像素点数量-灰度直方图计算获得动态阈值th：获得像素点数量-灰度直方图中的右高峰最高点横坐标，然后向左遍历，若像素点数量-灰度直方图的纵坐标值小于局部晶圆表面图像中的总像素点数量的千分之一，则认为已经离开右高峰区域，从而得到右高峰区域横坐标的最小值；将右高峰区域横坐标的最小值减5作为动态阈值th，利用动态阈值th对局部晶圆表面图像进行二值化操作，获得动态阈值分割图。
步骤1.2.3)根据动态阈值分割图和动态掩膜图，计算包含局部晶圆表面图像的所有缺陷信息的缺陷图。
将动态阈值分割图和动态掩膜图进行按位与操作，然后依次进行腐蚀运算和膨胀运算，获得包含局部晶圆表面图像的所有缺陷信息的缺陷图。
对缺陷图进行腐蚀运算即对缺陷图进行形态学处理，以消除细小的孤立点干扰和噪声并且平滑缺陷边缘。对缺陷图进行膨胀运算，以消除前一步腐蚀运算对缺陷造成的缩小影响，连接同一个缺陷中没有相连的各个部分，消除缺陷中可能存在的小孔或裂纹。
明场照明情况下，晶圆表面收到的光源激励效果可能不同，且不同生产环节后的晶圆表面质量不同，不同晶圆图像的亮度存在差异。根据图像具体条件动态计算阈值并进行动态阈值分割，可以得到完整的晶圆二值化图像，保证所有背景区域以及缺陷区域像素点的像素值均为255，其余正常区域像素点的像素值均为0。
步骤1.3)提取缺陷图的缺陷特征，获得局部晶圆表面图像的缺陷信息。
步骤1.3)中，提取缺陷图的缺陷特征，获得局部晶圆表面图像的缺陷信息，具体如下：
步骤1.3.1)缺陷图由多个像素值为255的初始缺陷组成，根据像素值提取出缺陷图中的各个初始缺陷的轮廓。
步骤1.3.2)遍历各个初始缺陷的轮廓，计算每个初始缺陷的轮廓的面积，将面积位于预设缺陷面积下限和预设缺陷面积上限之间的各个初始缺陷的轮廓作为实际缺陷轮廓。
步骤1.3.3)针对缺陷图中的每个实际缺陷轮廓，将实际缺陷轮廓使用自身的最小外接矩形进行框选，获取最小外接矩形的宽和高以及左上角顶点和中心点的坐标作为矩形参数，获取实际缺陷轮廓的周长、圆度和紧致度以及实际缺陷轮廓内的灰度最大值、最小值、平均灰度和灰度标准差作为缺陷参数，矩形参数和缺陷参数共同作为局部晶圆表面图像的缺陷信息。
2)重复步骤1)直至图像采集平台将完整的晶圆表面图像采集扫描完成。
3)将各张采集的局部晶圆表面图像进行图像拼接获得晶圆完整拼接图像，根据各张局部晶圆表面图像的缺陷信息将各张局部晶圆表面图像的缺陷图绘制在晶圆完整拼接图像上，获得待检测晶圆5的表面的所有缺陷的全局位置以及缺陷信息，最终输出缺陷列表和缺陷图，实现晶圆表面缺陷的可视化和实时检测。
统一计算设备架构CUDA是图像处理器GPU上的通用计算开发的并行计算平台和编程接口。本发明借助CUDA，充分利用GPU的并行运算特性，实现图像处理加速。
步骤3)中，将各张采集的局部晶圆表面图像进行图像拼接获得晶圆完整拼接图像，具体如下：
步骤3.1)图像压缩：根据预设图像压缩率k对局部晶圆表面图像进行图像压缩获得局部晶圆压缩图像，同时获得局部晶圆压缩图像的尺寸。
对晶圆表面图像原图进行拼接，会消耗计算设备大量内存，并且实际生产过程中对拼接图像没有那么高的分辨率需求，故根据预设的图像压缩率，对原图进行压缩，可以减少内存消耗，减少运算量，加快运行速度。
步骤3.2)图像翻转：当局部晶圆压缩图像的编号为偶数时，则以局部晶圆压缩图像的中心为旋转中心，沿局部晶圆压缩图像的短边翻转一百八十度，当局部晶圆压缩图像的编号为奇数时，则不进行翻转。
步骤3.3)图像拼接：
步骤3.3.1)对局部晶圆压缩图像进行二值化处理获得二值化压缩图像，保存完整的晶圆边缘信息；按照编号顺序依次遍历每张二值化压缩图像，将第i+1张二值化压缩图像作为左图，第i张二值化压缩图像作为右图。
步骤3.3.2)根据二值化压缩图像上的晶圆区域中的各个像素点，获得晶圆区域中的每一列像素点所在的线段的长度作为弦长；提取左图中的最右边的n个弦长，然后自右图的最左边的弦长开始遍历，直至右图中的连续n个弦长依次和左图的中的最右边的n个弦长之间的差值小于预设差值上限，则判定右图中的连续n个弦长和左图的中的最右边的n个弦长所在的区域互为重复区域，进而获得每两张相邻的二值化压缩图像之间的x轴方向上的重叠宽度Δx和y轴方向上的高度错位Δy。
由于机械误差等因素干扰，相邻晶圆图像之间的重叠部分宽度不是固定的，并且可能产生高度错位，无法用固定重叠宽度进行图像拼接，故需动态计算局部图像在拼接图中的位置。
步骤3.3.3)创建一个宽度为n×width，高度为height的基础图像，其中，n为待检测晶圆5扫描得到的图像的总数，width为二值化压缩图像的宽度，height为二值化压缩图像的高度，将其中所有像素点的像素值初始化为0；以基础图像的右上角为原点，将第一张二值化压缩图像的右上角相对于基础图像的绝对坐标初始化为0，同时根据每两张相邻的二值化压缩图像之间的x轴方向上的重叠宽度Δx和y轴方向上的高度错位Δy，依次计算其它各张二值化压缩图像在基础图像中的绝对坐标，将各张二值化压缩图像依次拼接至基础图像上，将各个重叠区域根据预设权重值进行加权融合获得初步拼接图像；根据像素点映射关系，将局部晶圆压缩图像中的像素点逐一拷贝至初步拼接图像中获得中间拼接图像。
步骤3.4)亮度均衡化：
步骤3.4.1)计算局部晶圆压缩图像中的各个像素点的像素值大于动态阈值th的像素点的总数co和像素值的总和sum，进而计算获得所有像素值大于动态阈值th的像素点的亮度均值av。
步骤3.4.2)计算局部晶圆压缩图像中的各个像素点的每列像素值大于动态阈值th的像素点的总数co'x和像素值总和sum'x，进而计算获得局部晶圆压缩图像中的各个像素点的所有每列像素值大于动态阈值th的像素点的亮度均值av'x。
针对局部晶圆压缩图像中的每个像素点及其在中间拼接图像中对应的像素点，获得中间拼接图像中对应的每个像素点的新像素值进而替换原始的像素值，新像素值具体如下：
其中，vanew为中间拼接图像中的像素点的新像素值；va为中间拼接图像中的像素点的原始的像素值，即逐一拷贝至初步拼接图像中的局部晶圆压缩图像中的像素点的像素值。
中间拼接图像中的各个像素点的新像素值替换完成后，最终获得晶圆完整拼接图像。
由于光照不均匀等因素，拼接图像上亮度不均匀，对拼接图进行亮度均衡化处理以去除可能存在明暗交际的条纹。
步骤3)中，根据各张局部晶圆表面图像的缺陷信息进行缺陷坐标转换，缺陷信息中包括缺陷定位信息，具体为相对于单张未经压缩的局部晶圆表面图像的相对坐标，根据局部晶圆表面图像在晶圆完整拼接图像中的位置和图像压缩率，计算获得各个实际缺陷轮廓的中心点的坐标转化为其在晶圆完整拼接图像中的全局坐标，然后根据矩形参数和缺陷参数将各个实际缺陷轮廓及其最小外接矩形绘制在晶圆完整拼接图像上，最终得到完整的待检测晶圆5中的所有缺陷的全局位置以及缺陷的图像和参数信息，实现晶圆缺陷的实时检测和可视化显示。
表1晶圆图像检测耗时及本流程加速效果
如表1所示，对于12寸晶圆，共需要扫描6次以完整覆盖晶圆区域，将获得6张局部晶圆表面图像。单张局部晶圆表面图像的总像素值为1.5×109，检测时间为1210.55ms，相较于常用的基于CPU的检测算法，达到6.88的加速比。完成单张局部晶圆表面图像的拍摄所需的硬件移动和扫描时间约为2000ms，本流程检测时间小于单张局部图像拍摄时间，对于单张局部图的检测流程，能够在硬件拍摄下一张局部图的过程中完成，具有实时性，硬件拍摄能够连续进行，不会因为检测未完成而长期处于等待状态。

Claims (10)

1.一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法，其特征在于：方法包括如下步骤：
1)使用图像采集平台扫描采集待检测晶圆(5)的表面图像，每次扫描均采集一张局部晶圆表面图像，图像采集平台将每次采集的局部晶圆表面图像输入外部计算机的图形处理器GPU中进行缺陷检测，检测完成后获得局部晶圆表面图像的缺陷信息并提取缺陷图；同时图像采集平台继续扫描采集下一张局部晶圆表面图像；
2)重复步骤1)直至图像采集平台将完整的晶圆表面图像采集扫描完成；
3)将各张采集的局部晶圆表面图像进行图像拼接获得晶圆完整拼接图像，根据各张局部晶圆表面图像的缺陷信息将各张局部晶圆表面图像的缺陷图绘制在晶圆完整拼接图像上，获得待检测晶圆(5)的表面的所有缺陷的全局位置以及缺陷信息，实现晶圆表面缺陷的可视化和实时检测。
2.根据权利要求1所述的一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法，其特征在于：所述的步骤1)中，图像采集平台包括第一平面运动模组(1)、线阵扫描相机(2)、LED光源(4)、晶圆承片台(6)、第二平面运动模组(7)和机械平台(8)，第二平面运动模组(7)水平安装在机械平台(8)上，晶圆承片台(6)水平滑动安装在第二平面运动模组(7)上，待检测晶圆(5)水平放置在晶圆承片台(6)上，第一平面运动模组(1)水平布置在晶圆承片台(6)的正上方，第一平面运动模组(1)的长度方向垂直于第二平面运动模组(7)，线阵扫描相机(2)滑动安装在第一平面运动模组(1)上，线阵扫描相机(2)的光学镜头(3)向下正对待检测晶圆(5)的表面，LED光源(4)布置在线阵扫描相机(2)的光学镜头(3)上并朝向待检测晶圆(5)的表面；
使用图像采集平台扫描采集待检测晶圆(5)的表面图像时，线阵扫描相机(2)沿第一平面运动模组(1)的长度方向移动，通过晶圆承片台(6)沿第二平面运动模组(7)的长度方向移动带动待检测晶圆(5)移动，使得图像采集平台呈S型扫描，扫描待检测晶圆(5)的表面所在的矩形区域，将矩形区域沿自身其中一条边的长度方向依次均匀划分为若干长方形条状区域并顺序编号，图像采集平台按照编号顺序依次扫描待检测晶圆(5)的长方形条状区域进而采集局部晶圆表面图像，每相邻的两张局部晶圆表面图像的扫描方向相反并且在扫描时均有重叠区域。
3.根据权利要求1所述的一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法，其特征在于：所述的步骤1)中，图像采集平台将每次采集的局部晶圆表面图像输入外部计算机的图形处理器GPU中进行缺陷检测，针对每张局部晶圆表面图像，具体如下：
步骤1.1)制作局部晶圆表面图像的动态掩膜图；
步骤1.2)对局部晶圆表面图像进行动态阈值分割获得动态阈值分割图，根据动态阈值分割图和动态掩膜图获得局部晶圆表面图像的缺陷图；
步骤1.3)提取缺陷图的缺陷特征，获得局部晶圆表面图像的缺陷信息。
4.根据权利要求3所述的一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法，其特征在于：
所述的步骤1.1)中，制作局部晶圆表面图像的动态掩膜图，具体如下：
步骤1.1.1)当局部晶圆表面图像的编号为偶数时，则以局部晶圆表面图像的中心为旋转中心，沿局部晶圆表面图像的短边翻转一百八十度后进行预处理，当局部晶圆表面图像的编号为奇数时，则直接进行预处理；预处理具体为首先将局部晶圆表面图像输入外部计算机的图形处理器GPU中，局部晶圆表面图像在图形处理器GPU中以一维数组形式保存，选择二维线程将一维数组图像中的各个像素点坐标与二维数组图像中的各个像素点坐标一一对应，计算二维线程与对应像素点坐标的映射关系；然后将一维数组图像进行高斯滤波去除图像噪声完成预处理获得预处理图像；
步骤1.1.2)对预处理图像进行二值化处理获得二值化图像，然后基于二值化图像寻找晶圆轮廓进而提取出晶圆边缘轮廓；
步骤1.1.3)图形处理器GPU基于晶圆边缘轮廓并行计算绘制动态掩膜图。
5.根据权利要求4所述的一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法，其特征在于：所述的步骤1.1.1)中，局部晶圆表面图像的图像信息包括各个像素点的像素值及坐标，局部晶圆表面图像以自身右上角的顶点为原点，沿自身的短边方向为x轴正方向，沿自身的长边方向为y轴正方向，建立自身的图像坐标系，各个局部晶圆表面图像的图像坐标系的x轴位于同一直线上并且x轴正方向相同，各个局部晶圆表面图像的图像坐标系的y轴平行于局部晶圆表面图像的扫描方向并且y轴正方向与第一张局部晶圆表面图像的扫描方向相同；
所述的步骤1.1.2)中，基于二值化图像寻找晶圆轮廓进而提取出晶圆边缘轮廓，具体为首先将局部晶圆表面图像分为三类，将第一张扫描的局部晶圆表面图像分为第一类晶圆图像，将最后一张扫描的局部晶圆表面图像分为第二类晶圆图像，将第一张和最后一张之间扫描的各张局部晶圆表面图像分为第三类晶圆图像；
对于第一类晶圆图像，沿y轴的正方向对第一类晶圆图像的每一行进行遍历，沿x轴的正方向对第一类晶圆图像的每一行的各个像素点进行遍历，直至遍历到每一行中的第一个像素值大于动态阈值th的像素点作为晶圆边缘像素点；对于第二类晶圆图像，沿y轴的正方向对第二类晶圆图像的每一行进行遍历，沿x轴的负方向对第二类晶圆图像的每一行的各个像素点进行遍历，直至遍历到每一行中的第一个像素值大于动态阈值th的像素点作为晶圆边缘像素点；对于第三类晶圆图像，沿x轴的正方向对第三类晶圆图像的每一列进行遍历，分别沿y轴的正方向和负方向对第一类晶圆图像的每一列的各个像素点进行遍历，直至沿y轴的正方向和负方向分别遍历到每一列中的第一个像素值大于动态阈值th的像素点作为晶圆边缘像素点，根据晶圆图像的预设边缘轮廓采样间隔in获取第一类和第二类晶圆图像的晶圆边缘像素点的纵坐标以及第三类晶圆图像的晶圆边缘像素点的横坐标并构建为晶圆边缘轮廓集，从而提取出晶圆边缘轮廓。
6.根据权利要求5所述的一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法，其特征在于：所述的步骤1.1.3)中，图形处理器GPU基于晶圆边缘轮廓并行计算绘制动态掩膜图，具体为分别针对三类晶圆图像进行并行计算，具体如下：
针对第一类和第二类晶圆图像的晶圆边缘像素点，计算晶圆边缘像素点的横坐标：
其中，in为预设边缘轮廓采样间隔；edy为动态掩膜图中第y行的晶圆边缘像素点的横坐标；xla为动态掩膜图中第y行前一采样行la1对应的横坐标值，xne为动态掩膜图中第y行后一采样行ne1对应的横坐标值；
针对第二类晶圆图像分别沿y轴正方向和负方向遍历得到的晶圆边缘像素点，计算晶圆边缘像素点的纵坐标：
其中，edupx为动态掩膜图中第x列沿y轴正方向遍历得到的晶圆边缘像素点的纵坐标；eddox为动态掩膜图中第x列沿y轴负方向遍历得到的晶圆边缘像素点的纵坐标；和/>分别为动态掩膜图中第x列前一采样列la2和动态掩膜图中第x列后一采样列ne2对应的晶圆上边缘像素点的横坐标值，/>和/>分别为动态掩膜图中第x列前一采样列la2和动态掩膜图中第x列后一采样列ne2对应的晶圆下边缘像素点的横坐标值；
获得三类晶圆图像的各个晶圆边缘像素点的坐标后绘制获得动态掩膜图。
7.根据权利要求3所述的一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法，其特征在于：所述的步骤1.2)中，对局部晶圆表面图像进行动态阈值分割获得动态阈值分割图，根据动态阈值分割图和动态掩膜图获得局部晶圆表面图像的缺陷图，具体如下：
步骤1.2.1)计算局部晶圆表面图像的像素点数量-灰度直方图，像素点数量-灰度直方图中包括左右两个高峰；
步骤1.2.2)基于像素点数量-灰度直方图计算获得动态阈值th：获得像素点数量-灰度直方图的右高峰区域横坐标最小值，取右高峰区域横坐标的最小值减5作为动态阈值th，利用动态阈值th对局部晶圆表面图像进行二值化操作，获得动态阈值分割图；
步骤1.2.3)根据动态阈值分割图和动态掩膜图，计算包含局部晶圆表面图像的所有缺陷信息的缺陷图。
8.根据权利要求3所述的一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法，其特征在于：所述的步骤1.3)中，提取缺陷图的缺陷特征，获得局部晶圆表面图像的缺陷信息，具体如下：
步骤1.3.1)缺陷图由多个像素值为255的初始缺陷组成，根据像素值提取出缺陷图中的各个初始缺陷的轮廓；
步骤1.3.2)遍历各个初始缺陷的轮廓，计算每个初始缺陷的轮廓的面积，将面积位于预设缺陷面积下限和预设缺陷面积上限之间的各个初始缺陷的轮廓作为实际缺陷轮廓；
步骤1.3.3)针对缺陷图中的每个实际缺陷轮廓，将实际缺陷轮廓使用自身的最小外接矩形进行框选，获取最小外接矩形的宽和高以及左上角顶点和中心点的坐标作为矩形参数，获取实际缺陷的几何统计信息和像素统计信息作为缺陷参数，矩形参数和缺陷参数共同作为局部晶圆表面图像的缺陷信息。
9.根据权利要求1所述的一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法，其特征在于：所述的步骤3)中，将各张采集的局部晶圆表面图像进行图像拼接获得晶圆完整拼接图像，具体如下：
步骤3.1)图像压缩：根据预设图像压缩率k对局部晶圆表面图像进行图像压缩获得局部晶圆压缩图像，同时获得局部晶圆压缩图像的尺寸；
步骤3.2)图像翻转：当局部晶圆压缩图像的编号为偶数时，则以局部晶圆压缩图像的中心为旋转中心，沿局部晶圆压缩图像的短边翻转一百八十度，当局部晶圆压缩图像的编号为奇数时，则不进行翻转；
步骤3.3)图像拼接：
步骤3.3.1)对局部晶圆压缩图像进行二值化处理获得二值化压缩图像；按照编号顺序依次遍历每张二值化压缩图像，将第i+1张二值化压缩图像作为左图，第i张二值化压缩图像作为右图；
步骤3.3.2)根据二值化压缩图像上的晶圆区域中的各个像素点，获得晶圆区域中的每一列像素点所在的线段的长度作为弦长；提取左图中的最右边的n个弦长，然后自右图的最左边的弦长开始遍历，直至右图中的连续n个弦长依次和左图的中的最右边的n个弦长之间的差值小于预设差值上限，则判定右图中的连续n个弦长和左图的中的最右边的n个弦长所在的区域互为重复区域，进而获得每两张相邻的二值化压缩图像之间的x轴方向上的重叠宽度Δx和y轴方向上的高度错位Δy；
步骤3.3.3)创建一个宽度为n×width，高度为height的基础图像，其中，n为待检测晶圆(5)扫描得到的图像的总数，width为二值化压缩图像的宽度，height为二值化压缩图像的高度，将其中所有像素点的像素值初始化为0；以基础图像的右上角为原点，将第一张二值化压缩图像的右上角相对于基础图像的绝对坐标初始化为0，同时根据每两张相邻的二值化压缩图像之间的x轴方向上的重叠宽度Δx和y轴方向上的高度错位Δy，依次计算其它各张二值化压缩图像在基础图像中的绝对坐标，将各张二值化压缩图像依次拼接至基础图像上，将各个重叠区域根据预设权重值进行加权融合获得初步拼接图像；根据像素点映射关系，将局部晶圆压缩图像中的像素点逐一拷贝至初步拼接图像中获得中间拼接图像；
步骤3.4)亮度均衡化：
步骤3.4.1)计算局部晶圆压缩图像中的各个像素点的像素值大于动态阈值th的像素点的总数co和像素值的总和sum，进而计算获得所有像素值大于动态阈值th的像素点的亮度均值av；
步骤3.4.2)计算局部晶圆压缩图像中的各个像素点的每列像素值大于动态阈值th的像素点的总数co'x和像素值总和sum'x，进而计算获得局部晶圆压缩图像中的各个像素点的所有每列像素值大于动态阈值th的像素点的亮度均值av'x；
针对局部晶圆压缩图像中的每个像素点及其在中间拼接图像中对应的像素点，获得中间拼接图像中对应的每个像素点的新像素值进而替换原始的像素值，新像素值具体如下：
其中，vanew为中间拼接图像中的像素点的新像素值；va为中间拼接图像中的像素点的原始的像素值；
中间拼接图像中的各个像素点的新像素值替换完成后，最终获得晶圆完整拼接图像。
10.根据权利要求8所述的一种基于CUDA加速的高精度晶圆表面缺陷实时检测方法，其特征在于：所述的步骤3)中，根据各张局部晶圆表面图像的缺陷信息进行缺陷坐标转换，缺陷信息中包括缺陷定位信息，具体为相对于单张未经压缩的局部晶圆表面图像的相对坐标，根据局部晶圆表面图像在晶圆完整拼接图像中的位置和图像压缩率，计算获得各个实际缺陷轮廓的中心点的坐标转化为其在晶圆完整拼接图像中的全局坐标，然后根据矩形参数和缺陷参数将各个实际缺陷轮廓及其最小外接矩形绘制在晶圆完整拼接图像上，最终得到完整的待检测晶圆(5)中的所有缺陷的全局位置以及缺陷的图像和参数信息，实现晶圆缺陷的实时检测和可视化显示。
CN202310765827.0A 2023-06-27 2023-06-27 一种基于cuda加速的高精度晶圆表面缺陷实时检测方法 Pending CN116864409A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310765827.0A CN116864409A (zh) 2023-06-27 2023-06-27 一种基于cuda加速的高精度晶圆表面缺陷实时检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310765827.0A CN116864409A (zh) 2023-06-27 2023-06-27 一种基于cuda加速的高精度晶圆表面缺陷实时检测方法

Publications (1)

Publication Number Publication Date
CN116864409A true CN116864409A (zh) 2023-10-10

Family

ID=88227825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310765827.0A Pending CN116864409A (zh) 2023-06-27 2023-06-27 一种基于cuda加速的高精度晶圆表面缺陷实时检测方法

Country Status (1)

Country Link
CN (1) CN116864409A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117218109A (zh) * 2023-10-16 2023-12-12 北京卓视智通科技有限责任公司 车辆侧向拼接图像完整度检测方法、***、设备和介质
CN117372421A (zh) * 2023-12-04 2024-01-09 深圳市壹倍科技有限公司 晶圆缺陷定位方法、装置、定位设备及晶圆缺陷定位***
CN117607166A (zh) * 2023-11-24 2024-02-27 长沙湘鸿仪器机械有限公司 一种漆包线表面缺陷在线监测***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117218109A (zh) * 2023-10-16 2023-12-12 北京卓视智通科技有限责任公司 车辆侧向拼接图像完整度检测方法、***、设备和介质
CN117607166A (zh) * 2023-11-24 2024-02-27 长沙湘鸿仪器机械有限公司 一种漆包线表面缺陷在线监测***
CN117372421A (zh) * 2023-12-04 2024-01-09 深圳市壹倍科技有限公司 晶圆缺陷定位方法、装置、定位设备及晶圆缺陷定位***
CN117372421B (zh) * 2023-12-04 2024-04-05 深圳市壹倍科技有限公司 晶圆缺陷定位方法、装置、定位设备及晶圆缺陷定位***

Similar Documents

Publication Publication Date Title
CN116864409A (zh) 一种基于cuda加速的高精度晶圆表面缺陷实时检测方法
CN111179225B (zh) 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN109839385B (zh) 一种自适应的pcb板缺陷视觉定位检测及分类***
CN111539935A (zh) 一种基于机器视觉的电缆表面缺陷在线检测方法
JP5806786B1 (ja) 画像認識装置
CN114910480B (zh) 一种基于机器视觉的晶圆表面缺陷检测方法
CN110443791B (zh) 一种基于深度学习网络的工件检测方法及其检测装置
CN111523540A (zh) 基于深度学习的金属表面缺陷检测方法
US20210035305A1 (en) Image-based classification system
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN112014407A (zh) 一种集成电路晶圆表面缺陷检测的方法
CN115170475A (zh) 一种基于深度学习方法的无纺布缺陷检测方法
CN112489042A (zh) 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法
CN115311282A (zh) 基于图像增强的晶圆缺陷检测方法
CN115775236A (zh) 基于多尺度特征融合的表面微小缺陷视觉检测方法及***
CN114897881A (zh) 一种基于边缘特征的晶粒缺陷检测方法
Talu et al. CNN-based fabric defect detection system on loom fabric inspection
CN113538323A (zh) 基于深度学习的缺陷检测方法和***
CN115330768B (zh) 一种太阳能电池板质量分级方法
CN111210419A (zh) 基于人类视觉特性的微型磁瓦表面缺陷检测方法
CN115184362A (zh) 一种基于结构光投影的快速缺陷检测方法
TWI802873B (zh) 透明基板薄膜的瑕疵檢測方法及其系統
CN114486916A (zh) 基于机器视觉的手机玻璃盖板缺陷检测方法
CN114813748A (zh) 一种基于机器视觉的钢表面缺陷检测方法及***
Xie et al. Defect detection of printed circuit board based on small target recognition network

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