CN116912242B - 一种纳米压印晶圆缺陷定位方法 - Google Patents
一种纳米压印晶圆缺陷定位方法 Download PDFInfo
- Publication number
- CN116912242B CN116912242B CN202311168100.0A CN202311168100A CN116912242B CN 116912242 B CN116912242 B CN 116912242B CN 202311168100 A CN202311168100 A CN 202311168100A CN 116912242 B CN116912242 B CN 116912242B
- Authority
- CN
- China
- Prior art keywords
- real
- time
- area
- wafer
- subarea
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005507 spraying Methods 0.000 claims abstract description 149
- 238000012216 screening Methods 0.000 claims abstract description 10
- 235000012431 wafers Nutrition 0.000 claims description 167
- 230000002159 abnormal effect Effects 0.000 claims description 65
- 239000003292 glue Substances 0.000 claims description 31
- 238000005520 cutting process Methods 0.000 claims description 12
- 239000007921 spray Substances 0.000 claims description 11
- 230000009191 jumping Effects 0.000 claims description 3
- 239000013078 crystal Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001127 nanoimprint lithography Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种纳米压印晶圆缺陷定位方法,属于图像处理技术领域,本发明中取多张标准图像,计算出各张标准图像之间喷涂区域误差阈值和晶圆区域误差阈值,再将实时图像与任一标准图像进行比较,得到实时喷涂区域差值和实时晶圆区域差值,通过喷涂区域误差阈值和晶圆区域误差阈值先筛选出存在缺陷的实时图像的喷涂区域和存在缺陷的实时图像的晶圆区域,即喷涂区域误差阈值和晶圆区域误差阈值是用于初步筛选出存在缺陷的实时图像,再通过对实时图像的喷涂区域、晶圆区域和标准图像的喷涂区域、晶圆区域进行切分,实现分区对比,从而找到缺陷位置,实现更广范围的缺陷检测和定位。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种纳米压印晶圆缺陷定位方法。
背景技术
纳米压印光刻使用纳米压印技术,将液滴状的纳米压印胶喷涂在晶圆上将要压印电子回路图形的位置。纳米压印胶喷涂的位置决定了电子回路图形的形状,决定芯片的性能。纳米压印过程中无法通过人眼进行缺陷的定位,因此,常借助机器视觉检测纳米压印光刻过程中的缺陷。现有针对图像的缺陷检测方法常采用神经网络,但是神经网络需要大量的样本来进行训练,训练过程中存在多少类型的缺陷,神经网络只能识别出相应类型的缺陷,缺陷类型识别有限。
发明内容
针对现有技术中的上述不足,本发明提供的一种纳米压印晶圆缺陷定位方法解决了现有基于神经网络的图像缺陷识别技术,存在缺陷类型识别有限的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种纳米压印晶圆缺陷定位方法,包括以下步骤:
S1、采集正常情况下不同晶圆被喷涂纳米压印胶后的图像,得到多张标准图像;
S2、根据多张标准图像,分别计算喷涂区域误差阈值和晶圆区域误差阈值;
S3、将实时图像与标准图像进行比较,得到实时喷涂区域差值和实时晶圆区域差值,其中,实时图像为纳米压印过程中晶圆被喷涂纳米压印胶后的图像;
S4、在实时喷涂区域差值大于喷涂区域误差阈值时,分别对实时图像的喷涂区域和标准图像的喷涂区域进行切分,得到多个实时喷涂子区和多个标准喷涂子区;
S5、将同区域的实时喷涂子区与标准喷涂子区进行比较,筛选出异常实时喷涂子区,从异常实时喷涂子区中找到缺陷位置;
S6、在实时晶圆区域差值大于晶圆区域误差阈值时,分别对实时图像的晶圆区域和标准图像的晶圆区域进行切分,得到多个实时晶圆子区和多个标准晶圆子区;
S7、将同区域的实时晶圆子区和标准晶圆子区进行比较,筛选出异常实时晶圆子区,从异常实时晶圆子区中找到缺陷位置。
本发明的有益效果为:本发明中取多张标准图像,计算出各张标准图像之间喷涂区域误差阈值和晶圆区域误差阈值,再将实时图像与任一标准图像进行比较,得到实时喷涂区域差值和实时晶圆区域差值,通过喷涂区域误差阈值和晶圆区域误差阈值先筛选出存在缺陷的实时图像的喷涂区域和存在缺陷的实时图像的晶圆区域,即喷涂区域误差阈值和晶圆区域误差阈值是用于初步筛选出存在缺陷的实时图像,再通过对实时图像的喷涂区域、晶圆区域和标准图像的喷涂区域、晶圆区域进行切分,实现分区对比,从而找到缺陷位置,实现更广范围的缺陷检测和定位。
进一步地,所述S2包括以下分步骤:
S21、取标准图像上纳米压印胶的像素点的像素值作为纳米压印胶颜色值;
S22、计算标准图像上其他像素点的像素值与纳米压印胶颜色值的相似度;
S23、将标准图像上相似度大于第一相似阈值的像素点归为喷涂区域,小于等于第一相似阈值的像素点归为晶圆区域;
S24、以一张标准图像的喷涂区域作为参考喷涂区域,以一张标准图像的晶圆区域作为参考晶圆区域;
S25、将其他每张标准图像的喷涂区域与参考喷涂区域进行相同位置像素值相减,得到喷涂区域误差阈值;
S26、将其他每张标准图像的晶圆区域与参考晶圆区域进行相同位置像素值相减,得到晶圆区域误差阈值。
上述进一步地方案的有益效果为:本发明中取标准图像上纳米压印胶的像素点的像素值作为纳米压印胶颜色值,从而计算出其他像素点的像素值与纳米压印胶颜色值的相似度,根据相似度的大小,实现对标准图像的分区,得到喷涂区域和晶圆区域,以其中一个喷涂区域和晶圆区域作为参考,计算其他几个喷涂区域与参考喷涂区域之间的误差情况,得到喷涂区域误差阈值,晶圆区域相同的处理方式。
进一步地,所述S25中得到喷涂区域误差阈值的公式为:
,/>,其中,sth为喷涂区域误差阈值,fk,j为第k张标准图像的喷涂区域上第j个位置点上的像素值,fo,j为参考喷涂区域上第j个位置点的像素值,M为正整数,| |为绝对值运算,max为取最大值,M1为标准图像的喷涂区域上像素点的数量,M2为参考喷涂区域上像素点的数量,j为第一类喷涂区域上位置点的编号,K为其他标准图像的数量,k为标准图像的编号。
进一步地,所述S26中得到晶圆区域误差阈值的公式为:
,/>,其中,wth为晶圆区域误差阈值,pk,i为第k张标准图像的晶圆区域上第i个位置点上的像素值,po,i为参考晶圆区域上第i个位置点上的像素值,N为正整数,N1为标准图像的晶圆区域上像素点数量,N2为参考晶圆区域上像素点数量,max为取最大值,| |为绝对值运算,i为第一类晶圆区域上位置点的编号,K为其他标准图像的数量,k为标准图像的编号。
上述进一步地方案的有益效果为:本发明在计算喷涂区域误差阈值时,将其他标准图像的喷涂区域与参考喷涂区域在同一个位置点处进行相减,根据同一个位置点处像素值差值,从而确定出每张标准图像的喷涂区域与参考喷涂区域的平均像素值差值,即喷涂区域误差阈值,估计出正常情况下各个图像的误差范围,晶圆区域相同的处理方式。
进一步地,所述S3包括以下分步骤:
S31、取标准图像上纳米压印胶的像素点的像素值作为纳米压印胶颜色值;
S32、计算实时图像上各个像素点的像素值与纳米压印胶颜色值的相似度;
S33、将实时图像上相似度大于第二相似阈值的像素点归为喷涂区域,小于等于第二相似阈值的像素点归为晶圆区域;
S34、将实时图像的喷涂区域与标准图像的喷涂区域进行相同位置像素值相减,得到实时喷涂区域差值;
S35、将实时图像上晶圆区域与标准图像的晶圆区域进行相同位置像素值相减,得到实时晶圆区域差值。
上述进一步地方案的有益效果为:本发明中根据标准图像上纳米压印胶颜色值,实现对实时图像的分区,得到喷涂区域和晶圆区域,再将实时图像的喷涂区域、晶圆区域与任一标准图像的喷涂区域、晶圆区域进行同位置比较,从而确定出实时喷涂区域差值和实时晶圆区域差值。
进一步地,所述S34中得到实时喷涂区域差值的公式为:
,/>,其中,st为实时喷涂区域差值,fm为实时图像的喷涂区域上第m个位置点的像素值,fo,m为标准图像的喷涂区域上第m个位置点的像素值,max为取最大值,/>为正整数,E为实时图像的喷涂区域上像素点的数量,M1为标准图像的喷涂区域上像素点的数量,| |为绝对值运算,m为第二类喷涂区域上位置点的编号。
进一步地,所述S35中得到实时晶圆区域差值的公式为:
,/>,其中,wt为实时晶圆区域差值,pn为实时图像的晶圆区域上第n个位置点的像素值,po,n为标准图像的晶圆区域上第n个位置点的像素值,max为取最大值,/>为正整数,Y为实时图像的晶圆区域上像素点的数量,N1为标准图像的晶圆区域上像素点数量,| |为绝对值运算,n为第二类晶圆区域上位置点的编号。
进一步地,所述S5和S7中找到缺陷位置的方法过程相同,将实时喷涂子区和实时晶圆子区均命名为实时子区,将标准喷涂子区和标准晶圆子区均命名为标准子区,S5或S7中找到缺陷位置的方法具体包括:
A1、根据同区域的实时子区与标准子区的像素点数量差值和位置坐标差值,计算实时子区的异常值;
A2、在异常值大于异常阈值时,实时子区标记为异常实时子区,其中,在S5中,异常实时子区为异常实时喷涂子区,在S7中,异常实时子区为异常实时晶圆子区;
A3、从异常实时子区中找到缺陷位置。
上述进一步地方案的有益效果为:本发明将存在缺陷的实时图像的喷涂区域和晶圆区域进行切分,得到实时子区,根据同区域的像素点数量差值和位置坐标差值,计算出一个实时子区的异常值,评估其异常程度,找到异常实时子区。
进一步地,所述A1中计算实时子区的异常值的公式为:
,其中,ab为实时子区的异常值,ntu为像素点数量差值,Ntu为标准子区的像素点数量,x1,c为实时子区上第c个像素点的横坐标,y1,c为实时子区上第c个像素点的纵坐标,c为实时子区和标准子区像素点的编号,x2,c为标准子区上第c个像素点的横坐标,y2,c为标准子区上第c个像素点的纵坐标,C1为实时子区上像素点的数量,C2为标准子区上像素点的数量,| |为绝对值运算。
上述进一步地方案的有益效果为:本发明通过像素点数量差值,以及位置坐标差值最大程度的表征出实时子区的异常程度。
进一步地,所述A3包括以下分步骤:
A31、设置扩展窗口,扩展窗口的大小为,r为遍历次数,r的初值为0;
A32、将扩展窗口分别放置在异常实时子区和标准子区的中心区域,计算出当前扩展窗口下的异常实时子区和标准子区之间的像素点数量差距;
A33、将r自加1,并跳转至A32,直到扩展窗口大于异常实时子区或标准子区,结束遍历;
A34、找到像素点数量差距大于数量差距阈值时对应的遍历次数h,异常实时子区上缺陷的位置在第h次遍历时对应的扩展窗口上新增的范围,h为大于1的整数。
上述进一步地方案的有益效果为:本发明设定的扩展窗口根据遍历次数不同,其大小在不断变化,通过每次遍历时扩展窗口下的异常实时子区与标准子区之间的像素点数量差距,从而体现出在异常实时子区上和在标准子区上扩展窗口所在区域之间的差距,由于本发明中对图像进行了喷涂区域和晶圆区域的分区,在喷涂区域中均是像素值相似的像素点,通过喷涂区域上像素点的变化则可将缺陷位置找到,晶圆区域同理,设定变化阈值,找到的差距大的地方为所需要的缺陷位置。
本发明中通过喷涂区域误差阈值和晶圆区域误差阈值,先筛选出存在缺陷的实时图像,减少后续过程处理的数据量,通过异常阈值再次筛选出异常实时子区,再次减少后续过程处理的数据量。
附图说明
图1为一种纳米压印晶圆缺陷定位方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种纳米压印晶圆缺陷定位方法,包括以下步骤:
S1、采集标准图像:采集正常情况下不同晶圆被喷涂纳米压印胶后的图像,得到多张标准图像;
S2、计算误差阈值:根据多张标准图像,分别计算喷涂区域误差阈值和晶圆区域误差阈值;
S3、对比实时图像和标准图像:将实时图像与标准图像进行比较,得到实时喷涂区域差值和实时晶圆区域差值,其中,实时图像为纳米压印过程中晶圆被喷涂纳米压印胶后的图像;
S4、切分喷涂区域:在实时喷涂区域差值大于喷涂区域误差阈值时,分别对实时图像的喷涂区域和标准图像的喷涂区域进行切分,得到多个实时喷涂子区和多个标准喷涂子区;
S5、筛选异常实时喷涂子区:将同区域的实时喷涂子区与标准喷涂子区进行比较,筛选出异常实时喷涂子区,从异常实时喷涂子区中找到缺陷位置;
S6、切分晶圆区域:在实时晶圆区域差值大于晶圆区域误差阈值时,分别对实时图像的晶圆区域和标准图像的晶圆区域进行切分,得到多个实时晶圆子区和多个标准晶圆子区;
S7、筛选出异常实时晶圆子区:将同区域的实时晶圆子区和标准晶圆子区进行比较,筛选出异常实时晶圆子区,从异常实时晶圆子区中找到缺陷位置。
在本发明中,拍摄标准图像和实时图像的相机为同一个相机,拍摄参数相同,位置角度均相同。
在本发明中喷涂纳米压印胶的区域属于同一种区域,多张标准图像和实时图像属于流水线上不同晶圆被喷涂纳米压印胶后的图像,标准图像为不存在缺陷的样本图像,实时图像为在流水线上实时采集的图像。
所述S2包括以下分步骤:
S21、取标准图像上纳米压印胶的像素点的像素值作为纳米压印胶颜色值;
S22、计算标准图像上其他像素点的像素值与纳米压印胶颜色值的相似度;
S23、将标准图像上相似度大于第一相似阈值的像素点归为喷涂区域,小于等于第一相似阈值的像素点归为晶圆区域;
S24、以一张标准图像的喷涂区域作为参考喷涂区域,以一张标准图像的晶圆区域作为参考晶圆区域;
S25、将其他每张标准图像的喷涂区域与参考喷涂区域进行相同位置像素值相减,得到喷涂区域误差阈值;
S26、将其他每张标准图像的晶圆区域与参考晶圆区域进行相同位置像素值相减,得到晶圆区域误差阈值。
所述S25中得到喷涂区域误差阈值的公式为:
,/>,其中,sth为喷涂区域误差阈值,fk,j为第k张标准图像的喷涂区域上第j个位置点上的像素值,fo,j为参考喷涂区域上第j个位置点的像素值,M为正整数,| |为绝对值运算,max为取最大值,M1为标准图像的喷涂区域上像素点的数量,M2为参考喷涂区域上像素点的数量;在同一个位置点上,标准图像的喷涂区域上存在像素值,则将参考喷涂区域无像素值处的像素值设为0;在同一个位置点上,参考喷涂区域存在像素值,则将标准图像的喷涂区域无像素值处的像素值设为0,j为第一类喷涂区域上位置点的编号,K为其他标准图像的数量,k为标准图像的编号。
由于在同一个位置点上,标准图像的喷涂区域与参考喷涂区域可能存在像素点分布不同,因此,本发明将不存在像素点处的像素值设为0,从而最大程度的表征两个区域之间的差距。
所述S26中得到晶圆区域误差阈值的公式为:
,/>,其中,wth为晶圆区域误差阈值,pk,i为第k张标准图像的晶圆区域上第i个位置点上的像素值,po,i为参考晶圆区域上第i个位置点上的像素值,N为正整数,N1为标准图像的晶圆区域上像素点数量,N2为参考晶圆区域上像素点数量,max为取最大值,| |为绝对值运算;在同一个位置点上,标准图像的晶圆区域存在像素值,则将参考晶圆区域无像素值处的像素值设为0;在同一个位置点上,参考晶圆区域存在像素值,则将标准图像的晶圆区域无像素值处的像素值设为0,i为第一类晶圆区域上位置点的编号,K为其他标准图像的数量,k为标准图像的编号。
所述S3包括以下分步骤:
S31、取标准图像上纳米压印胶的像素点的像素值作为纳米压印胶颜色值;
S32、计算实时图像上各个像素点的像素值与纳米压印胶颜色值的相似度;
S33、将实时图像上相似度大于第二相似阈值的像素点归为喷涂区域,小于等于第二相似阈值的像素点归为晶圆区域;
S34、将实时图像的喷涂区域与标准图像的喷涂区域进行相同位置像素值相减,得到实时喷涂区域差值;
S35、将实时图像上晶圆区域与标准图像的晶圆区域进行相同位置像素值相减,得到实时晶圆区域差值。
所述S34中得到实时喷涂区域差值的公式为:
,/>,其中,st为实时喷涂区域差值,fm为实时图像的喷涂区域上第m个位置点的像素值,fo,m为标准图像的喷涂区域上第m个位置点的像素值,max为取最大值,/>为正整数,E为实时图像的喷涂区域上像素点的数量,M1为标准图像的喷涂区域上像素点的数量,| |为绝对值运算;在同一个位置点上,实时图像的喷涂区域存在像素值,则将标准图像的喷涂区域无像素值处的像素值设为0;在同一个位置点上,标准图像的喷涂区域存在像素值,则将实时图像的喷涂区域无像素值处的像素值设为0,m为第二类喷涂区域上位置点的编号。
所述S35中得到实时晶圆区域差值的公式为:
,/>,其中,wt为实时晶圆区域差值,pn为实时图像的晶圆区域上第n个位置点的像素值,po,n为标准图像的晶圆区域上第n个位置点的像素值,max为取最大值,/>为正整数,Y为实时图像的晶圆区域上像素点的数量,N1为标准图像的晶圆区域上像素点数量,| |为绝对值运算;在同一个位置点上,实时图像的晶圆区域存在像素值,则将标准图像的晶圆区域无像素值处的像素值设为0;在同一个位置点上,标准图像的晶圆区域存在像素值,则将实时图像的晶圆区域无像素值处的像素值设为0,n为第二类晶圆区域上位置点的编号。
在S4和S6中进行切分时,实时图像的喷涂区域和标准图像的喷涂区域采用相同切分方式,实时图像的晶圆区域和标准图像的晶圆区域采用相同切分方式,保障各个区域对应。
在本实施例中,切分时,可采用等分的方式,将区域切分成多个面积相同的子区。
所述S5和S7中找到缺陷位置的方法过程相同,将实时喷涂子区和实时晶圆子区均命名为实时子区,将标准喷涂子区和标准晶圆子区均命名为标准子区,S5或S7中找到缺陷位置的方法具体包括:
A1、根据同区域的实时子区与标准子区的像素点数量差值和位置坐标差值,计算实时子区的异常值;
A2、在异常值大于异常阈值时,实时子区标记为异常实时子区,其中,在S5中,异常实时子区为异常实时喷涂子区,在S7中,异常实时子区为异常实时晶圆子区;
A3、从异常实时子区中找到缺陷位置。
所述A1中计算实时子区的异常值的公式为:
,其中,ab为实时子区的异常值,ntu为像素点数量差值,Ntu为标准子区的像素点数量,x1,c为实时子区上第c个像素点的横坐标,y1,c为实时子区上第c个像素点的纵坐标,c为实时子区和标准子区像素点的编号,x2,c为标准子区上第c个像素点的横坐标,y2,c为标准子区上第c个像素点的纵坐标,C1为实时子区上像素点的数量,C2为标准子区上像素点的数量,| |为绝对值运算。
所述A3包括以下分步骤:
A31、设置扩展窗口,扩展窗口的大小为,r为遍历次数,r的初值为0;
A32、将扩展窗口分别放置在异常实时子区和标准子区的中心区域,计算出当前扩展窗口下的异常实时子区和标准子区之间的像素点数量差距;
A33、将r自加1,并跳转至A32,直到扩展窗口大于异常实时子区或标准子区,结束遍历;
A34、找到像素点数量差距大于数量差距阈值时对应的遍历次数h,异常实时子区上缺陷的位置在第h次遍历时对应的扩展窗口上新增的范围,h为大于1的整数。
更具体的,在像素点数量差距较小时,可先标记为非异常范围,在某次遍历时,像素点数量差距大于数量差距阈值时,则扩展窗口新增的范围为,该处为异常区域。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种纳米压印晶圆缺陷定位方法,其特征在于,包括以下步骤:
S1、采集正常情况下不同晶圆被喷涂纳米压印胶后的图像,得到多张标准图像;
S2、根据多张标准图像,分别计算喷涂区域误差阈值和晶圆区域误差阈值;
S3、将实时图像与标准图像进行比较,得到实时喷涂区域差值和实时晶圆区域差值,其中,实时图像为纳米压印过程中晶圆被喷涂纳米压印胶后的图像;
S4、在实时喷涂区域差值大于喷涂区域误差阈值时,分别对实时图像的喷涂区域和标准图像的喷涂区域进行切分,得到多个实时喷涂子区和多个标准喷涂子区;
S5、将同区域的实时喷涂子区与标准喷涂子区进行比较,筛选出异常实时喷涂子区,从异常实时喷涂子区中找到缺陷位置;
S6、在实时晶圆区域差值大于晶圆区域误差阈值时,分别对实时图像的晶圆区域和标准图像的晶圆区域进行切分,得到多个实时晶圆子区和多个标准晶圆子区;
S7、将同区域的实时晶圆子区和标准晶圆子区进行比较,筛选出异常实时晶圆子区,从异常实时晶圆子区中找到缺陷位置;
所述S2包括以下分步骤:
S21、取标准图像上纳米压印胶的像素点的像素值作为纳米压印胶颜色值;
S22、计算标准图像上其他像素点的像素值与纳米压印胶颜色值的相似度;
S23、将标准图像上相似度大于第一相似阈值的像素点归为喷涂区域,小于等于第一相似阈值的像素点归为晶圆区域;
S24、以一张标准图像的喷涂区域作为参考喷涂区域,以一张标准图像的晶圆区域作为参考晶圆区域;
S25、将其他每张标准图像的喷涂区域与参考喷涂区域进行相同位置像素值相减,得到喷涂区域误差阈值;
S26、将其他每张标准图像的晶圆区域与参考晶圆区域进行相同位置像素值相减,得到晶圆区域误差阈值;
所述S25中得到喷涂区域误差阈值的公式为:
,
,
其中,sth为喷涂区域误差阈值,fk,j为第k张标准图像的喷涂区域上第j个位置点上的像素值,fo,j为参考喷涂区域上第j个位置点的像素值,M为正整数,| |为绝对值运算,max为取最大值,M1为标准图像的喷涂区域上像素点的数量,M2为参考喷涂区域上像素点的数量,j为第一类喷涂区域上位置点的编号,K为其他标准图像的数量,k为标准图像的编号;
所述S26中得到晶圆区域误差阈值的公式为:
,
,
其中,wth为晶圆区域误差阈值,pk,i为第k张标准图像的晶圆区域上第i个位置点上的像素值,po,i为参考晶圆区域上第i个位置点上的像素值,N为正整数,N1为标准图像的晶圆区域上像素点数量,N2为参考晶圆区域上像素点数量,max为取最大值,| |为绝对值运算,i为第一类晶圆区域上位置点的编号,K为其他标准图像的数量,k为标准图像的编号。
2.根据权利要求1所述的纳米压印晶圆缺陷定位方法,其特征在于,所述S3包括以下分步骤:
S31、取标准图像上纳米压印胶的像素点的像素值作为纳米压印胶颜色值;
S32、计算实时图像上各个像素点的像素值与纳米压印胶颜色值的相似度;
S33、将实时图像上相似度大于第二相似阈值的像素点归为喷涂区域,小于等于第二相似阈值的像素点归为晶圆区域;
S34、将实时图像的喷涂区域与标准图像的喷涂区域进行相同位置像素值相减,得到实时喷涂区域差值;
S35、将实时图像上晶圆区域与标准图像的晶圆区域进行相同位置像素值相减,得到实时晶圆区域差值。
3.根据权利要求2所述的纳米压印晶圆缺陷定位方法,其特征在于,所述S34中得到实时喷涂区域差值的公式为:
,
,
其中,st为实时喷涂区域差值,fm为实时图像的喷涂区域上第m个位置点的像素值,fo,m为标准图像的喷涂区域上第m个位置点的像素值,max为取最大值,为正整数,E为实时图像的喷涂区域上像素点的数量,M1为标准图像的喷涂区域上像素点的数量,| |为绝对值运算,m为第二类喷涂区域上位置点的编号。
4.根据权利要求2所述的纳米压印晶圆缺陷定位方法,其特征在于,所述S35中得到实时晶圆区域差值的公式为:
,
,
其中,wt为实时晶圆区域差值,pn为实时图像的晶圆区域上第n个位置点的像素值,po,n为标准图像的晶圆区域上第n个位置点的像素值,max为取最大值,为正整数,Y为实时图像的晶圆区域上像素点的数量,N1为标准图像的晶圆区域上像素点数量,| |为绝对值运算,n为第二类晶圆区域上位置点的编号。
5.根据权利要求1所述的纳米压印晶圆缺陷定位方法,其特征在于,所述S5和S7中找到缺陷位置的方法过程相同,将实时喷涂子区和实时晶圆子区均命名为实时子区,将标准喷涂子区和标准晶圆子区均命名为标准子区,S5或S7中找到缺陷位置的方法具体包括:
A1、根据同区域的实时子区与标准子区的像素点数量差值和位置坐标差值,计算实时子区的异常值;
A2、在异常值大于异常阈值时,实时子区标记为异常实时子区,其中,在S5中,异常实时子区为异常实时喷涂子区,在S7中,异常实时子区为异常实时晶圆子区;
A3、从异常实时子区中找到缺陷位置。
6.根据权利要求5所述的纳米压印晶圆缺陷定位方法,其特征在于,所述A1中计算实时子区的异常值的公式为:
,
其中,ab为实时子区的异常值,ntu为像素点数量差值,Ntu为标准子区的像素点数量,x1,c为实时子区上第c个像素点的横坐标,y1,c为实时子区上第c个像素点的纵坐标,c为实时子区和标准子区像素点的编号,x2,c为标准子区上第c个像素点的横坐标,y2,c为标准子区上第c个像素点的纵坐标,C1为实时子区上像素点的数量,C2为标准子区上像素点的数量,| |为绝对值运算。
7.根据权利要求5所述的纳米压印晶圆缺陷定位方法,其特征在于,所述A3包括以下分步骤:
A31、设置扩展窗口,扩展窗口的大小为,r为遍历次数,r的初值为0;
A32、将扩展窗口分别放置在异常实时子区和标准子区的中心区域,计算出当前扩展窗口下的异常实时子区和标准子区之间的像素点数量差距;
A33、将r自加1,并跳转至A32,直到扩展窗口大于异常实时子区或标准子区,结束遍历;
A34、找到像素点数量差距大于数量差距阈值时对应的遍历次数h,异常实时子区上缺陷的位置在第h次遍历时对应的扩展窗口上新增的范围,h为大于1的整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168100.0A CN116912242B (zh) | 2023-09-12 | 2023-09-12 | 一种纳米压印晶圆缺陷定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168100.0A CN116912242B (zh) | 2023-09-12 | 2023-09-12 | 一种纳米压印晶圆缺陷定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912242A CN116912242A (zh) | 2023-10-20 |
CN116912242B true CN116912242B (zh) | 2023-12-15 |
Family
ID=88356822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311168100.0A Active CN116912242B (zh) | 2023-09-12 | 2023-09-12 | 一种纳米压印晶圆缺陷定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912242B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252878B (zh) * | 2023-11-17 | 2024-02-02 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像缺陷检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020085995A (ko) * | 2001-05-10 | 2002-11-18 | 삼성전자 주식회사 | 명도 보정 및 선택적 결함 검출 방법 및 이를 기록한 기록매체 |
JP2004038885A (ja) * | 2002-07-08 | 2004-02-05 | Adoin Kenkyusho:Kk | 画像特徴学習型欠陥検出方法、欠陥検出装置及び欠陥検出プログラム |
CN102967607A (zh) * | 2012-11-28 | 2013-03-13 | 上海华力微电子有限公司 | 通过在不同芯片区域采集光信号的缺陷检测方法 |
KR20130049358A (ko) * | 2011-11-04 | 2013-05-14 | (주)오로스 테크놀로지 | 반도체용 웨이퍼 결함 검사방법 |
CN106971955A (zh) * | 2017-05-18 | 2017-07-21 | 上海华力微电子有限公司 | 晶圆缺陷的检测方法 |
CN111553897A (zh) * | 2020-04-27 | 2020-08-18 | 上海果纳半导体技术有限公司 | 晶圆缺陷检测设备 |
CN112991332A (zh) * | 2021-04-21 | 2021-06-18 | 视睿(杭州)信息科技有限公司 | 一种晶圆缺陷的多晶不良检测方法、装置 |
CN115035122A (zh) * | 2022-08-12 | 2022-09-09 | 宁波鑫芯微电子科技有限公司 | 基于人工智能的集成电路晶圆表面缺陷检测方法 |
CN115100199A (zh) * | 2022-08-24 | 2022-09-23 | 宁波鑫芯微电子科技有限公司 | 一种晶圆低纹理缺陷的检测方法 |
WO2023279558A1 (zh) * | 2021-07-09 | 2023-01-12 | 长鑫存储技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
CN116203036A (zh) * | 2021-12-01 | 2023-06-02 | 先进半导体材料(深圳)有限公司 | 引线框架的瑕疵检测方法及基于标准引线框架的检测模板 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4095860B2 (ja) * | 2002-08-12 | 2008-06-04 | 株式会社日立ハイテクノロジーズ | 欠陥検査方法及びその装置 |
CN116416190A (zh) * | 2021-12-31 | 2023-07-11 | 鸿海精密工业股份有限公司 | 瑕疵检测方法及装置、电子设备及存储介质 |
-
2023
- 2023-09-12 CN CN202311168100.0A patent/CN116912242B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020085995A (ko) * | 2001-05-10 | 2002-11-18 | 삼성전자 주식회사 | 명도 보정 및 선택적 결함 검출 방법 및 이를 기록한 기록매체 |
JP2004038885A (ja) * | 2002-07-08 | 2004-02-05 | Adoin Kenkyusho:Kk | 画像特徴学習型欠陥検出方法、欠陥検出装置及び欠陥検出プログラム |
KR20130049358A (ko) * | 2011-11-04 | 2013-05-14 | (주)오로스 테크놀로지 | 반도체용 웨이퍼 결함 검사방법 |
CN102967607A (zh) * | 2012-11-28 | 2013-03-13 | 上海华力微电子有限公司 | 通过在不同芯片区域采集光信号的缺陷检测方法 |
CN106971955A (zh) * | 2017-05-18 | 2017-07-21 | 上海华力微电子有限公司 | 晶圆缺陷的检测方法 |
CN111553897A (zh) * | 2020-04-27 | 2020-08-18 | 上海果纳半导体技术有限公司 | 晶圆缺陷检测设备 |
CN112991332A (zh) * | 2021-04-21 | 2021-06-18 | 视睿(杭州)信息科技有限公司 | 一种晶圆缺陷的多晶不良检测方法、装置 |
WO2023279558A1 (zh) * | 2021-07-09 | 2023-01-12 | 长鑫存储技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
CN116203036A (zh) * | 2021-12-01 | 2023-06-02 | 先进半导体材料(深圳)有限公司 | 引线框架的瑕疵检测方法及基于标准引线框架的检测模板 |
CN115035122A (zh) * | 2022-08-12 | 2022-09-09 | 宁波鑫芯微电子科技有限公司 | 基于人工智能的集成电路晶圆表面缺陷检测方法 |
CN115100199A (zh) * | 2022-08-24 | 2022-09-23 | 宁波鑫芯微电子科技有限公司 | 一种晶圆低纹理缺陷的检测方法 |
Non-Patent Citations (1)
Title |
---|
钢球表面缺陷的图像差分检测算法;王义文;屈冠彤;刘献礼;付鹏强;李博;;计算机辅助设计与图形学学报(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116912242A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116912242B (zh) | 一种纳米压印晶圆缺陷定位方法 | |
Alvarez et al. | Illuminant-invariant model-based road segmentation | |
CN109670462B (zh) | 基于定位信息的航空器跨全景持续跟踪方法 | |
TW202239281A (zh) | 電子基板缺陷偵測 | |
CN110555377A (zh) | 一种基于鱼眼相机俯视拍摄的行人检测与跟踪方法 | |
CN101888479A (zh) | 检测和跟踪目标图像的方法及装置 | |
CN109102013B (zh) | 一种适于隧道环境特性的改进freak特征点匹配稳像方法 | |
Wu et al. | A new approach to video-based traffic surveillance using fuzzy hybrid information inference mechanism | |
CN112417937B (zh) | 一种基于时间序列的变电站视频目标检测方法 | |
CN105894020B (zh) | 基于高斯模型的特定目标候选框生成方法 | |
CN107194310A (zh) | 基于场景变化分类和在线局部特征匹配的刚体目标跟踪方法 | |
CN107247967B (zh) | 一种基于r-cnn的车窗年检标检测方法 | |
CN111753693A (zh) | 一种静态场景下目标检测方法 | |
CN116779465A (zh) | 一种纳米压印晶圆缺陷检测方法 | |
CN109509368A (zh) | 一种基于车顶模型的停车行为算法 | |
CN109299672A (zh) | 自适应调节阈值和算法结构的停车事件检测***及方法 | |
CN102592125A (zh) | 基于标准差特征的运动目标检测方法 | |
CN114581447B (zh) | 一种基于机器视觉的运输皮带跑偏识别方法和装置 | |
CN112446851A (zh) | 一种基于高速脉冲式图像传感器的端点检测算法 | |
CN109815812A (zh) | 一种基于水平边缘信息累积的车辆下底边定位方法 | |
CN102163328A (zh) | 用于交通视频图像中眩光的检测和消除方法 | |
CN112070048B (zh) | 基于RDSNet的车辆属性识别方法 | |
CN111398290B (zh) | 一种适用于狭缝式涂布的涂布液珠缺陷识别方法 | |
CN104240268A (zh) | 一种基于流形学习与稀疏表示的行人跟踪方法 | |
Yu et al. | A Video-Based Method for Traffic Flow Detection of Multi-lane Road |
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 |