CN117094909A - 一种纳米压印晶圆图像采集处理方法 - Google Patents

一种纳米压印晶圆图像采集处理方法 Download PDF

Info

Publication number
CN117094909A
CN117094909A CN202311114562.4A CN202311114562A CN117094909A CN 117094909 A CN117094909 A CN 117094909A CN 202311114562 A CN202311114562 A CN 202311114562A CN 117094909 A CN117094909 A CN 117094909A
Authority
CN
China
Prior art keywords
pixel value
pixel
image
value
sub
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.)
Granted
Application number
CN202311114562.4A
Other languages
English (en)
Other versions
CN117094909B (zh
Inventor
冀然
于洪超
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.)
Germanlitho Co ltd
Original Assignee
Germanlitho 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 Germanlitho Co ltd filed Critical Germanlitho Co ltd
Priority to CN202311114562.4A priority Critical patent/CN117094909B/zh
Publication of CN117094909A publication Critical patent/CN117094909A/zh
Application granted granted Critical
Publication of CN117094909B publication Critical patent/CN117094909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/0002—Lithographic processes using patterning methods other than those involving the exposure to radiation, e.g. by stamping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种纳米压印晶圆图像采集处理方法，属于图像处理技术领域，本发明中分别对标准纳米压印晶圆图像和采集的纳米压印晶圆图像进行切分，分别得到各标准图像子块和各采集图像子块，从而实现对两图像的分块，方便进行同区域对比，均采用特征提取通道进行特征提取，分别得到第二特征数据和第一特征数据，通过第二特征数据和第一特征数据的比较，得到每个采集图像子块的噪声分布程度，对对应的采集图像子块进行去噪处理，得到去噪纳米压印晶圆图像，解决了现有图像去噪处理方法均会造成图像边缘不清楚，增加图像的模糊程度的问题。

Description

一种纳米压印晶圆图像采集处理方法
技术领域
本发明涉及图像处理技术领域，本发明提供了一种纳米压印晶圆图像采集处理方法。
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。由此可知，纳米压印胶所喷涂的位置决定芯片所有线路和器件的质量，因此，现有常采用机器视觉检测纳米压印光刻过程中的缺陷，确保纳米压印过程中所形成电路的质量。但是在图像采集过程中，存在大量噪声，噪声会干扰纳米压印晶圆图像的质量，从而导致缺陷检测精度不高。
现有图像去噪处理方法包括：均值去噪、中值去噪和高斯去噪等，但是，现有图像去噪处理方法均会造成图像边缘不清楚，增加图像的模糊程度，不利于缺陷检测。
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检测方法解决了现有图像去噪处理方法均会造成图像边缘不清楚，增加图像的模糊程度的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种纳米压印晶圆图像采集处理方法，包括以下步骤：
S1、分别对标准纳米压印晶圆图像和采集的纳米压印晶圆图像进行切分，得到各标准图像子块和各采集图像子块；
S2、采用第一特征提取通道对标准图像子块进行特征提取，得到第一特征数据；
S3、采用第二特征提取通道对采集图像子块进行特征提取，得到第二特征数据；
S4、根据第二特征数据和第一特征数据，得到噪声分布程度；
S5、根据每个采集图像子块对应的噪声分布程度，对采集的纳米压印晶圆图像进行去噪处理，得到去噪纳米压印晶圆图像。
进一步地，所述S2和S3中第一特征提取通道和第二特征提取通道结构相同，均包括：第一卷积层、第二卷积层、第一最大池化层、第二最大池化层、第一平均池化层、第二平均池化层、第一Concat层和第二Concat层；
所述第一卷积层的输入端作为第一特征提取通道或第二特征提取通道的输入端，其输出端分别与第一最大池化层的输入端和第一平均池化层的输入端连接；所述第一Concat层的输入端分别与第一最大池化层的输出端和第一平均池化层的输出端连接，其输出端与第二卷积层的输入端连接；所述第二卷积层的输出端分别与第二最大池化层的输入端和第二平均池化层的输入端连接；所述第二Concat层的输入端分别与第二最大池化层的输出端和第二平均池化层的输出端连接，其输出端作为第一特征提取通道或第二特征提取通道的输出端。
上述进一步地方案的有益效果为：本发明中采用了两次最大池化层和平均池化层，实现最大的程度削减数据量，同时保留数据特征，在标准图像子块和采集图像子块均进行了相同的特征提取通道处理后，其不同之处可通过最大池化层和平均池化层处理后的数据表征出来。
进一步地，所述S4包括以下分步骤：
S41、将第二特征数据和第一特征数据进行按位相减，得到差值序列；
S42、根据差值序列，计算噪声分布程度。
上述进一步地方案的有益效果为：本发明中将第二特征数据和第一特征数据按相同位置进行相减，从而得到每个位置的差值，构建为差值序列，根据差值序列的情况，计算出噪声分布程度。
进一步地，所述S42中计算噪声分布程度的公式为：
，其中，/>为噪声分布程度，/>为均值权重，为最大值权重，xi为差值序列中第i个差值，max{xi}为取最大值，N为差值序列中差值的数量，| |为绝对值运算。
上述进一步地方案的有益效果为：本发明中取差值序列中的差值绝对值的均值，以及最大值的差值绝对值的情况，表征差值序列中差值的整体分布情况，从而表征出采集图像子块上噪声的分布情况。
进一步地，所述S5包括以下分步骤：
S51、根据每个采集图像子块对应的噪声分布程度，对相同位置的采集图像子块进行去噪处理，得到去噪图像子块；
S52、将去噪图像子块进行拼接，得到去噪纳米压印晶圆图像。
上述进一步地方案的有益效果为：本发明中根据采集图像子块对应的噪声分布程度，对相同位置的采集图像子块进行去噪处理，从而实现根据不同的噪声情况进行分区去噪，提高去噪精度。
进一步地，所述S51包括以下分步骤：
S511、找到采集图像子块上的异常像素点；
S512、将异常像素点的像素值、邻近区域像素点的像素值和对应采集图像子块的噪声分布程度输入像素值预测模型中，得到异常像素点的预测像素值；
S513、采用异常像素点的预测像素值替换异常像素点原本的像素值，得到去噪图像子块。
上述进一步地方案的有益效果为：本发明中先找到采集图像子块上的异常像素点，避免将所有像素点进行去噪，若将所有像素点进行去噪，则容易造成图像边缘不清晰，增加图像的模糊程度，以及对非噪声点进行去噪的问题。本发明中根据异常像素点的像素值、以及异常像素点的邻近区域像素点的像素值，以及该采集图像子块的噪声分布程度，预测出异常像素点的真实像素值，提高去噪精度。
进一步地，所述S511中采集图像子块上的像素点满足以下条件公式时，该像素点为异常像素点，其中，条件公式为：
，其中，f(x,y)为(x,y)处像素点的像素值，f(x,y+1)为(x,y+1)处像素点的像素值，f(x,y-1)为(x,y-1)处像素点的像素值，f(x+1,y)为(x+1,y)处像素点的像素值，f(x-1,y)为(x-1,y)处像素点的像素值，| |为绝对值运算，fth为异常阈值，x为像素点的横坐标，y为像素点的纵坐标。
上述进一步地方案的有益效果为：本发明中取异常像素点的邻近区域中的四个像素点，通过该四个像素点的像素平均值体现该范围内整体的像素值情况，若中心像素点的像素值与周边像素值差距过大，则该点为异常像素点。
进一步地，所述S512中像素值预测模型为：
，其中，/>为第k个异常像素点的预测像素值，/>为sigmoid激活函数，/>为噪声分布程度，fk为第k个异常像素点原本的像素值，fk,j为第k个异常像素点邻近区域内第j个像素点的像素值，M为邻近区域内的像素点的数量，θ为修正系数，/>为偏移系数。
上述进一步地方案的有益效果为：本发明中先通过噪声分布程度对异常像素点原本的像素值进行了去噪，再通过修正系数和偏移系数对去噪过程进行进一步的修正，从而提高预测精度。
进一步地，所述修正系数θ和偏移系数的具体值通过训练得到，将获取的异常像素点的像素值、邻近区域像素点的像素值和对应采集图像子块的噪声分布程度构建为训练样本，采用训练样本对像素值预测模型进行训练，直到像素值预测模型输出的预测像素值与标注的真实像素值的差值的绝对值小于误差阈值时，结束训练；
训练像素值预测模型的损失函数为：
，其中，Ln为第n次训练的损失函数，/>为第n次训练的像素值预测模型输出的预测像素值，e为自然常数，fn为第n次训练对应的标注的真实像素值，ln为对数函数。
上述进一步地方案的有益效果为：本发明中采用指数函数增强预测像素值与标注的真实像素值的距离，再采用对数函数计算出预测像素值与标注的真实像素值的比值情况，通过比值情况体现两者之间的差距，从而最大程度的表征出两者的真实差距，提高像素值预测模型的预测精度。
本发明的有益效果为：本发明中分别对标准纳米压印晶圆图像和采集的纳米压印晶圆图像进行切分，分别得到各标准图像子块和各采集图像子块，从而实现对两图像的分块，方便进行同区域对比，均采用特征提取通道进行特征提取，分别得到第二特征数据和第一特征数据，通过第二特征数据和第一特征数据的比较，得到每个采集图像子块的噪声分布程度，对对应的采集图像子块进行去噪处理，得到去噪纳米压印晶圆图像，解决了现有图像去噪处理方法均会造成图像边缘不清楚，增加图像的模糊程度的问题。
附图说明
图1为一种纳米压印晶圆图像采集处理方法的流程图；
图2为第一特征提取通道和第二特征提取通道的结构示意图。
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，一种纳米压印晶圆图像采集处理方法，包括以下步骤：
S1、分别对标准纳米压印晶圆图像和采集的纳米压印晶圆图像进行切分，得到各标准图像子块和各采集图像子块；
在本发明中，标准纳米压印晶圆图像为对采集的纳米压印晶圆图像进行人工去噪后得到的图像。
S2、采用第一特征提取通道对标准图像子块进行特征提取，得到第一特征数据；
S3、采用第二特征提取通道对采集图像子块进行特征提取，得到第二特征数据；
如图2所示，所述S2和S3中第一特征提取通道和第二特征提取通道结构相同，均包括：第一卷积层、第二卷积层、第一最大池化层、第二最大池化层、第一平均池化层、第二平均池化层、第一Concat层和第二Concat层；
所述第一卷积层的输入端作为第一特征提取通道或第二特征提取通道的输入端，其输出端分别与第一最大池化层的输入端和第一平均池化层的输入端连接；所述第一Concat层的输入端分别与第一最大池化层的输出端和第一平均池化层的输出端连接，其输出端与第二卷积层的输入端连接；所述第二卷积层的输出端分别与第二最大池化层的输入端和第二平均池化层的输入端连接；所述第二Concat层的输入端分别与第二最大池化层的输出端和第二平均池化层的输出端连接，其输出端作为第一特征提取通道或第二特征提取通道的输出端。
本发明中采用了两次最大池化层和平均池化层，实现最大的程度削减数据量，同时保留数据特征，在标准图像子块和采集图像子块均进行了相同的特征提取通道处理后，其不同之处可通过最大池化层和平均池化层处理后的数据表征出来。
S4、根据第二特征数据和第一特征数据，得到噪声分布程度；
所述S4包括以下分步骤：
S41、将第二特征数据和第一特征数据进行按位相减，得到差值序列；
S42、根据差值序列，计算噪声分布程度。
本发明中将第二特征数据和第一特征数据按相同位置进行相减，从而得到每个位置的差值，构建为差值序列，根据差值序列的情况，计算出噪声分布程度。
所述S42中计算噪声分布程度的公式为：
，其中，/>为噪声分布程度，/>为均值权重，为最大值权重，xi为差值序列中第i个差值，max{xi}为取最大值，N为差值序列中差值的数量，| |为绝对值运算。
本发明中取差值序列中的差值绝对值的均值，以及最大值的差值绝对值的情况，表征差值序列中差值的整体分布情况，从而表征出采集图像子块上噪声的分布情况。
S5、根据每个采集图像子块对应的噪声分布程度，对采集的纳米压印晶圆图像进行去噪处理，得到去噪纳米压印晶圆图像。
所述S5包括以下分步骤：
S51、根据每个采集图像子块对应的噪声分布程度，对相同位置的采集图像子块进行去噪处理，得到去噪图像子块；
S52、将去噪图像子块进行拼接，得到去噪纳米压印晶圆图像。
本发明中根据采集图像子块对应的噪声分布程度，对相同位置的采集图像子块进行去噪处理，从而实现根据不同的噪声情况进行分区去噪，提高去噪精度。
所述S51包括以下分步骤：
S511、找到采集图像子块上的异常像素点；
S512、将异常像素点的像素值、邻近区域像素点的像素值和对应采集图像子块的噪声分布程度输入像素值预测模型中，得到异常像素点的预测像素值；
S513、采用异常像素点的预测像素值替换异常像素点原本的像素值，得到去噪图像子块。
本发明中先找到采集图像子块上的异常像素点，避免将所有像素点进行去噪，若将所有像素点进行去噪，则容易造成图像边缘不清晰，增加图像的模糊程度，以及对非噪声点进行去噪的问题。本发明中根据异常像素点的像素值、以及异常像素点的邻近区域像素点的像素值，以及该采集图像子块的噪声分布程度，预测出异常像素点的真实像素值，提高去噪精度。
所述S511中采集图像子块上的像素点满足以下条件公式时，该像素点为异常像素点，其中，条件公式为：
，其中，f(x,y)为(x,y)处像素点的像素值，f(x,y+1)为(x,y+1)处像素点的像素值，f(x,y-1)为(x,y-1)处像素点的像素值，f(x+1,y)为(x+1,y)处像素点的像素值，f(x-1,y)为(x-1,y)处像素点的像素值，| |为绝对值运算，fth为异常阈值，x为像素点的横坐标，y为像素点的纵坐标。
本发明中取异常像素点的邻近区域中的四个像素点，通过该四个像素点的像素平均值体现该范围内整体的像素值情况，若中心像素点的像素值与周边像素值差距过大，则该点为异常像素点。
所述S512中像素值预测模型为：
，其中，/>为第k个异常像素点的预测像素值，/>为sigmoid激活函数，/>为噪声分布程度，fk为第k个异常像素点原本的像素值，fk,j为第k个异常像素点邻近区域内第j个像素点的像素值，M为邻近区域内的像素点的数量，θ为修正系数，/>为偏移系数。
本发明中先通过噪声分布程度对异常像素点原本的像素值进行了去噪，再通过修正系数和偏移系数对去噪过程进行进一步的修正，从而提高预测精度。
所述修正系数θ和偏移系数的具体值通过训练得到，将获取的异常像素点的像素值、邻近区域像素点的像素值和对应采集图像子块的噪声分布程度构建为训练样本，采用训练样本对像素值预测模型进行训练，直到像素值预测模型输出的预测像素值与标注的真实像素值的差值的绝对值小于误差阈值时，结束训练；
训练像素值预测模型的损失函数为：
，其中，Ln为第n次训练的损失函数，/>为第n次训练的像素值预测模型输出的预测像素值，e为自然常数，fn为第n次训练对应的标注的真实像素值，ln为对数函数。
本发明中采用指数函数增强预测像素值与标注的真实像素值的距离，再采用对数函数计算出预测像素值与标注的真实像素值的比值情况，通过比值情况体现两者之间的差距，从而最大程度的表征出两者的真实差距，提高像素值预测模型的预测精度。
本发明中分别对标准纳米压印晶圆图像和采集的纳米压印晶圆图像进行切分，分别得到各标准图像子块和各采集图像子块，从而实现对两图像的分块，方便进行同区域对比，均采用特征提取通道进行特征提取，分别得到第二特征数据和第一特征数据，通过第二特征数据和第一特征数据的比较，得到每个采集图像子块的噪声分布程度，对对应的采集图像子块进行去噪处理，得到去噪纳米压印晶圆图像，解决了现有图像去噪处理方法均会造成图像边缘不清楚，增加图像的模糊程度的问题。

Claims (9)

1.一种纳米压印晶圆图像采集处理方法，其特征在于，包括以下步骤：
S1、分别对标准纳米压印晶圆图像和采集的纳米压印晶圆图像进行切分，得到各标准图像子块和各采集图像子块；
S2、采用第一特征提取通道对标准图像子块进行特征提取，得到第一特征数据；
S3、采用第二特征提取通道对采集图像子块进行特征提取，得到第二特征数据；
S4、根据第二特征数据和第一特征数据，得到噪声分布程度；
S5、根据每个采集图像子块对应的噪声分布程度，对采集的纳米压印晶圆图像进行去噪处理，得到去噪纳米压印晶圆图像。
2.根据权利要求1所述的纳米压印晶圆图像采集处理方法，其特征在于，所述S2和S3中第一特征提取通道和第二特征提取通道结构相同，均包括：第一卷积层、第二卷积层、第一最大池化层、第二最大池化层、第一平均池化层、第二平均池化层、第一Concat层和第二Concat层；
所述第一卷积层的输入端作为第一特征提取通道或第二特征提取通道的输入端，其输出端分别与第一最大池化层的输入端和第一平均池化层的输入端连接；所述第一Concat层的输入端分别与第一最大池化层的输出端和第一平均池化层的输出端连接，其输出端与第二卷积层的输入端连接；所述第二卷积层的输出端分别与第二最大池化层的输入端和第二平均池化层的输入端连接；所述第二Concat层的输入端分别与第二最大池化层的输出端和第二平均池化层的输出端连接，其输出端作为第一特征提取通道或第二特征提取通道的输出端。
3.根据权利要求1所述的纳米压印晶圆图像采集处理方法，其特征在于，所述S4包括以下分步骤：
S41、将第二特征数据和第一特征数据进行按位相减，得到差值序列；
S42、根据差值序列，计算噪声分布程度。
4.根据权利要求3所述的纳米压印晶圆图像采集处理方法，其特征在于，所述S42中计算噪声分布程度的公式为：
，其中，/>为噪声分布程度，/>为均值权重，/>为最大值权重，xi为差值序列中第i个差值，max{xi}为取最大值，N为差值序列中差值的数量，| |为绝对值运算。
5.根据权利要求1所述的纳米压印晶圆图像采集处理方法，其特征在于，所述S5包括以下分步骤：
S51、根据每个采集图像子块对应的噪声分布程度，对相同位置的采集图像子块进行去噪处理，得到去噪图像子块；
S52、将去噪图像子块进行拼接，得到去噪纳米压印晶圆图像。
6.根据权利要求5所述的纳米压印晶圆图像采集处理方法，其特征在于，所述S51包括以下分步骤：
S511、找到采集图像子块上的异常像素点；
S512、将异常像素点的像素值、邻近区域像素点的像素值和对应采集图像子块的噪声分布程度输入像素值预测模型中，得到异常像素点的预测像素值；
S513、采用异常像素点的预测像素值替换异常像素点原本的像素值，得到去噪图像子块。
7.根据权利要求6所述的纳米压印晶圆图像采集处理方法，其特征在于，所述S511中采集图像子块上的像素点满足以下条件公式时，该像素点为异常像素点，其中，条件公式为：
，其中，f(x,y)为(x,y)处像素点的像素值，f(x,y+1)为(x,y+1)处像素点的像素值，f(x,y-1)为(x,y-1)处像素点的像素值，f(x+1,y)为(x+1,y)处像素点的像素值，f(x-1,y)为(x-1,y)处像素点的像素值，| |为绝对值运算，fth为异常阈值，x为像素点的横坐标，y为像素点的纵坐标。
8.根据权利要求6所述的纳米压印晶圆图像采集处理方法，其特征在于，所述S512中像素值预测模型为：
，其中，/>为第k个异常像素点的预测像素值，/>为sigmoid激活函数，/>为噪声分布程度，fk为第k个异常像素点原本的像素值，fk,j为第k个异常像素点邻近区域内第j个像素点的像素值，M为邻近区域内的像素点的数量，θ为修正系数，/>为偏移系数。
9.根据权利要求8所述的纳米压印晶圆图像采集处理方法，其特征在于，所述修正系数θ和偏移系数的具体值通过训练得到，将获取的异常像素点的像素值、邻近区域像素点的像素值和对应采集图像子块的噪声分布程度构建为训练样本，采用训练样本对像素值预测模型进行训练，直到像素值预测模型输出的预测像素值与标注的真实像素值的差值的绝对值小于误差阈值时，结束训练；
训练像素值预测模型的损失函数为：
，其中，Ln为第n次训练的损失函数，/>为第n次训练的像素值预测模型输出的预测像素值，e为自然常数，fn为第n次训练对应的标注的真实像素值，ln为对数函数。
CN202311114562.4A 2023-08-31 2023-08-31 一种纳米压印晶圆图像采集处理方法 Active CN117094909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311114562.4A CN117094909B (zh) 2023-08-31 2023-08-31 一种纳米压印晶圆图像采集处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311114562.4A CN117094909B (zh) 2023-08-31 2023-08-31 一种纳米压印晶圆图像采集处理方法

Publications (2)

Publication Number Publication Date
CN117094909A true CN117094909A (zh) 2023-11-21
CN117094909B CN117094909B (zh) 2024-04-02

Family

ID=88780104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311114562.4A Active CN117094909B (zh) 2023-08-31 2023-08-31 一种纳米压印晶圆图像采集处理方法

Country Status (1)

Country Link
CN (1) CN117094909B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117372431A (zh) * 2023-12-07 2024-01-09 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检测方法
CN117423113A (zh) * 2023-12-18 2024-01-19 青岛华正信息技术股份有限公司 一种档案ocr图像自适应去噪方法
CN117495722A (zh) * 2023-12-25 2024-02-02 青岛天仁微纳科技有限责任公司 一种纳米压印光刻的图像处理方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110187902A1 (en) * 2010-01-29 2011-08-04 Adams Jr James E Denoising cfa images using weighted pixel differences
CN105069758A (zh) * 2015-08-21 2015-11-18 武汉大学 一种基于鲁棒低秩张量的高光谱图像去噪方法
CN109754376A (zh) * 2018-12-28 2019-05-14 深圳美图创新科技有限公司 图像去噪方法及装置
CN112508810A (zh) * 2020-11-30 2021-03-16 上海云从汇临人工智能科技有限公司 非局部均值盲图像去噪方法、***及装置
CN114049342A (zh) * 2021-11-19 2022-02-15 上海集成电路装备材料产业创新中心有限公司 一种去噪模型生成方法、***、设备及介质
CN114697574A (zh) * 2020-12-30 2022-07-01 菲力尔商业***公司 异常像素检测***和方法
CN115063413A (zh) * 2022-08-04 2022-09-16 宁波鑫芯微电子科技有限公司 一种超大规模晶圆异常数据的特征提取方法
CN115829883A (zh) * 2023-02-16 2023-03-21 汶上县恒安钢结构有限公司 一种异性金属结构件表面图像去噪方法
CN116152079A (zh) * 2022-09-06 2023-05-23 马上消费金融股份有限公司 图像处理方法及图像处理模型训练方法
CN116188325A (zh) * 2023-03-31 2023-05-30 东北大学 一种基于深度学习和图像颜色空间特性的图像去噪方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110187902A1 (en) * 2010-01-29 2011-08-04 Adams Jr James E Denoising cfa images using weighted pixel differences
CN105069758A (zh) * 2015-08-21 2015-11-18 武汉大学 一种基于鲁棒低秩张量的高光谱图像去噪方法
CN109754376A (zh) * 2018-12-28 2019-05-14 深圳美图创新科技有限公司 图像去噪方法及装置
CN112508810A (zh) * 2020-11-30 2021-03-16 上海云从汇临人工智能科技有限公司 非局部均值盲图像去噪方法、***及装置
CN114697574A (zh) * 2020-12-30 2022-07-01 菲力尔商业***公司 异常像素检测***和方法
CN114049342A (zh) * 2021-11-19 2022-02-15 上海集成电路装备材料产业创新中心有限公司 一种去噪模型生成方法、***、设备及介质
CN115063413A (zh) * 2022-08-04 2022-09-16 宁波鑫芯微电子科技有限公司 一种超大规模晶圆异常数据的特征提取方法
CN116152079A (zh) * 2022-09-06 2023-05-23 马上消费金融股份有限公司 图像处理方法及图像处理模型训练方法
CN115829883A (zh) * 2023-02-16 2023-03-21 汶上县恒安钢结构有限公司 一种异性金属结构件表面图像去噪方法
CN116188325A (zh) * 2023-03-31 2023-05-30 东北大学 一种基于深度学习和图像颜色空间特性的图像去噪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHAOMING KONG 等: "Color Image and Multispectral Image Denoising Using Block Diagonal Representation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 28, no. 9, pages 4247 - 4259, XP011733024, DOI: 10.1109/TIP.2019.2907478 *
兰红 等: "面向全景拼接的图像配准技术研究及应用", 《计算机工程与科学》, vol. 38, no. 2, pages 317 - 324 *
李杭 等: "基于噪声方差估计的伪造图像盲检测方法", 《计算机应用研究》, vol. 34, no. 1, pages 314 - 316 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117372431A (zh) * 2023-12-07 2024-01-09 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检测方法
CN117372431B (zh) * 2023-12-07 2024-02-20 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检测方法
CN117423113A (zh) * 2023-12-18 2024-01-19 青岛华正信息技术股份有限公司 一种档案ocr图像自适应去噪方法
CN117423113B (zh) * 2023-12-18 2024-03-05 青岛华正信息技术股份有限公司 一种档案ocr图像自适应去噪方法
CN117495722A (zh) * 2023-12-25 2024-02-02 青岛天仁微纳科技有限责任公司 一种纳米压印光刻的图像处理方法
CN117495722B (zh) * 2023-12-25 2024-03-29 青岛天仁微纳科技有限责任公司 一种纳米压印光刻的图像处理方法

Also Published As

Publication number Publication date
CN117094909B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN117094909B (zh) 一种纳米压印晶圆图像采集处理方法
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
CN111383209B (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN115035122B (zh) 基于人工智能的集成电路晶圆表面缺陷检测方法
CN106097256B (zh) 一种基于图像盲去模糊的视频图像模糊度检测方法
CN111738342A (zh) 一种受电弓异物检测方法、存储介质及计算机设备
CN110598613B (zh) 一种高速公路团雾监测方法
CN116630813B (zh) 一种公路路面施工质量智能检测***
CN115311282B (zh) 基于图像增强的晶圆缺陷检测方法
CN112669301B (zh) 一种高铁底板脱漆故障检测方法
CN113888536B (zh) 一种基于计算机视觉的印刷品重影检测方法及***
CN106204617A (zh) 基于残差图像直方图循环移位的自适应图像二值化方法
CN113920096A (zh) 一种集成电路金属封装缺陷检测方法
CN115439494A (zh) 用于喷雾机质检的喷雾图像处理方法
CN116779465B (zh) 一种纳米压印晶圆缺陷检测方法
CN116660286A (zh) 基于图像分割的线束剥头测量与缺陷检测方法及***
CN112014407A (zh) 一种集成电路晶圆表面缺陷检测的方法
CN107247967B (zh) 一种基于r-cnn的车窗年检标检测方法
Yu et al. SEM image quality enhancement: an unsupervised deep learning approach
CN117152129B (zh) 一种电池盖板的表面缺陷视觉检测方法及***
Wu et al. Research on crack detection algorithm of asphalt pavement
CN117252818A (zh) 基于改进YOLOv5的PCB缺陷检测方法
Vignesh et al. Performance and Analysis of Edge detection using FPGA Implementation
CN114004812A (zh) 采用引导滤波与神经网络模型的螺纹孔检测方法及***
CN113269687A (zh) 一种基于参数优化的非局部平均红外图像去噪方法

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