CN118014988B - 一种砷化镓衬底晶片缺陷智能检测方法 - Google Patents
一种砷化镓衬底晶片缺陷智能检测方法 Download PDFInfo
- Publication number
- CN118014988B CN118014988B CN202410362154.9A CN202410362154A CN118014988B CN 118014988 B CN118014988 B CN 118014988B CN 202410362154 A CN202410362154 A CN 202410362154A CN 118014988 B CN118014988 B CN 118014988B
- Authority
- CN
- China
- Prior art keywords
- defect area
- edge
- defect
- obtaining
- epitaxial layer
- 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 252
- 239000000758 substrate Substances 0.000 title claims abstract description 89
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 title claims abstract description 63
- 229910001218 Gallium arsenide Inorganic materials 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000002950 deficient Effects 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 2
- 235000012431 wafers Nutrition 0.000 description 59
- 238000000034 method Methods 0.000 description 18
- 230000001788 irregular Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000013078 crystal Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000927 vapour-phase epitaxy Methods 0.000 description 1
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种砷化镓衬底晶片缺陷智能检测方法,该方法包括:采集砷化镓衬底晶片图像和外延层图像;根据砷化镓衬底晶片图像获得边缘线、非直线边缘线和邻域非直线边缘密度;根据邻域非直线边缘密度获得缺陷区域;根据外延层图像获得外延层缺陷区域;获得外延层缺陷区域对应的缺陷区域,结合非直线边缘线获得综合畸变指数;根据各缺陷区域的边缘线的曲率获得螺旋曲率变化系数;根据缺陷区域中像素点之间的灰度值差异获得平均灰度变化量;根据综合畸变指数、平均灰度变化量和螺旋曲率变化系数获得曲率灰度变化密度指数;根据曲率灰度变化密度指数获得螺旋状位错缺陷区域,提高砷化镓衬底晶片缺陷的检测精度。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种砷化镓衬底晶片缺陷智能检测方法。
背景技术
GaAs砷化镓材料在半导体领域具有重要应用,作为一种优质衬底晶片,被广泛应用于光电子器件和微电子器件的制造中。然而,在生产过程中,砷化镓衬底晶片上常常存在各种缺陷,这些缺陷会直接影响器件的性能和稳定性。因此,设计一种高效准确的智能检测方法对砷化镓衬底晶片上的缺陷进行分析具有重要意义。
砷化镓衬底晶片中常见的螺旋状位错缺陷对器件性能产生严重影响,然而其微小尺度和复杂形态使得难以准确检测和定位,容易导致漏检和误检。此外,螺旋状位错缺陷在晶片中的分布较为离散,增加了检测的难度。因此,针对这一特定类型的缺陷,需要开发一种智能化的检测方法,能够实现对螺旋状位错缺陷的快速、准确检测和定位,提高对螺旋状位错缺陷的检测准确性和稳定性,成为当前研究亟需解决的关键问题之一。
发明内容
为了解决上述技术问题,本发明提供一种砷化镓衬底晶片缺陷智能检测方法,以解决现有的问题。
本发明的一种砷化镓衬底晶片缺陷智能检测方法采用如下技术方案:
本发明一个实施例提供了一种砷化镓衬底晶片缺陷智能检测方法,该方法包括以下步骤:
采集砷化镓衬底晶片图像和外延层图像;
根据砷化镓衬底晶片图像获得各边缘线和各直线型边缘线;获取非直线边缘线,根据各边缘线的邻域内直线型边缘线和非直线边缘线的数量,获得邻域非直线边缘密度;根据邻域非直线边缘密度获得缺陷区域;对外延层图像采用与缺陷区域相同的获取方式,获得外延层缺陷区域;根据外延层缺陷区域中的各像素点到所有缺陷区域的像素点之间的欧氏距离获得各外延层缺陷区域对应的缺陷区域;根据各缺陷区域与各缺陷区域对应的外延层缺陷区域中的非直线边缘线获得各缺陷区域的综合畸变指数;根据缺陷区域的各边缘线上所有像素点的曲率获得螺旋曲率变化系数;根据缺陷区域中所有相邻的像素点之间的灰度值差异获得平均灰度变化量;综合各缺陷区域的综合畸变指数、平均灰度变化量和螺旋曲率变化系数获得各缺陷区域的曲率灰度变化密度指数;
根据曲率灰度变化密度指数获得螺旋状位错缺陷区域。
进一步,所述根据砷化镓衬底晶片图像获得各边缘线和各直线型边缘线,包括:
对砷化镓衬底晶片图像采用Canny边缘检测算法,获得边缘图像;对边缘图像中的所有边缘线采用霍夫变换进行检测,获得各直线型边缘线。
进一步,所述获取非直线边缘线,根据各边缘线的邻域内直线型边缘线和非直线边缘线的数量,获得邻域非直线边缘密度,包括:
统计边缘图像中各边缘线上的像素点个数,获取所有边缘线上的像素点个数的均值;将边缘图像中除所有直线型边缘线之外的边缘线,记为非直线边缘线;
对边缘图像中的各边缘线,以边缘线的中心像素点为圆心,以所述均值为半径,获取边缘线的邻域;统计边缘线的邻域内的所有非直线边缘线上的像素点数量,记为非直线像素总值;统计边缘线的邻域内的所有非直线边缘线的条数;统计边缘线的邻域内的所有像素点的数量,记为邻域像素总值;获取所述非直线像素总值与所述邻域像素总值的比值;获取以自然常数为底数,以所述比值为指数的指数函数;将所述指数函数的计算结果与所述条数的乘积作为边缘线的邻域非直线边缘密度。
进一步,所述根据邻域非直线边缘密度获得缺陷区域,包括:
计算所有边缘线的邻域非直线边缘密度的上四分位数,将邻域非直线边缘密度大于所述上四分位数的边缘线,记为缺陷区域边缘线;
在边缘图像中标记缺陷区域边缘线,对标记后的边缘图像采用连通域分析算法获得各连通域,将各连通域对应在砷化镓衬底晶片图像上的区域,记为各缺陷区域。
进一步,所述根据外延层缺陷区域中的各像素点到所有缺陷区域的像素点之间的欧氏距离获得各外延层缺陷区域对应的缺陷区域,包括:
对于各外延层缺陷区域,计算外延层缺陷区域中的各像素点到所有缺陷区域的像素点之间的欧氏距离;将所有缺陷区域中所述欧氏距离最小的像素点,作为外延层缺陷区域中的各像素点的对应点;统计各缺陷区域中所述对应点的数量,将所述对应点的数量最多的缺陷区域作为外延层缺陷区域对应的缺陷区域。
进一步,所述根据各缺陷区域与各缺陷区域对应的外延层缺陷区域中的非直线边缘线获得各缺陷区域的综合畸变指数,包括:
对于各缺陷区域,统计缺陷区域中非直线边缘线的条数,记为缺陷边缘数;统计缺陷区域中边缘线的条数,记为边缘总数;获取缺陷边缘数与边缘总数的比值,记为第一比值;统计缺陷区域对应的外延层缺陷区域中非直线边缘线的条数,记为对应缺陷边缘数;统计缺陷区域对应的外延层缺陷区域中边缘线的条数,记为对应边缘总数;获取对应缺陷边缘数与对应边缘总数的比值,记为第二比值;获取第一比值与第二比值的差值,记为第一差值;计算缺陷区域对应的外延层缺陷区域中像素点的数量与缺陷区域中像素点的数量的差值,记为第二差值;将第一差值与第二差值的乘积作为缺陷区域的综合畸变指数。
进一步,所述根据缺陷区域的各边缘线上所有像素点的曲率获得螺旋曲率变化系数,包括:
对于缺陷区域中的各边缘线,将边缘线的两个端点中,横坐标与纵坐标之和最小的端点作为起始点;从起始点开始,将边缘线上的所有点按照拓扑顺序依次排列,构成有序点集;将有序点集中各点的曲率所组成的序列,记为曲率序列;计算曲率序列的一阶差分序列,记为边缘线的曲率趋势序列;
若所述曲率趋势序列中的第个元素大于或等于零,则所述第/>个元素的阈值函数值为1;反之,则所述第/>个元素的阈值函数值为-1;
计算所述曲率趋势序列中所有元素的阈值函数值的均值;获取所述均值的绝对值;计算所述绝对值的向下取整值;将缺陷区域中包含的所有边缘线的所述向下取整值的和值,作为缺陷区域的螺旋曲率变化系数。
进一步,所述根据缺陷区域中所有相邻的像素点之间的灰度值差异获得平均灰度变化量,包括:
将缺陷区域中的任一像素点记为待分析像素点,计算待分析像素点的灰度值与待分析像素点的八邻域内各像素点的灰度值的差值绝对值;获取待分析像素点的所有所述差值绝对值的均值;将缺陷区域中所有像素点的所述均值的均值作为缺陷区域的平均灰度变化量。
进一步,所述综合各缺陷区域的综合畸变指数、平均灰度变化量和螺旋曲率变化系数获得各缺陷区域的曲率灰度变化密度指数,包括:
计算各缺陷区域的综合畸变指数、平均灰度变化量和螺旋曲率变化系数的乘积;获取以自然常数为底数,以所述乘积的相反数为指数的指数函数;将数字1与所述指数函数的计算结果的差值作为各缺陷区域的曲率灰度变化密度指数。
进一步,所述根据曲率灰度变化密度指数获得螺旋状位错缺陷区域,包括:将曲率灰度变化密度指数大于预设缺陷阈值的缺陷区域,作为螺旋状位错缺陷区域。
本发明至少具有如下有益效果:
本发明通过分析砷化镓衬底晶片的螺旋状位错缺陷的形态特点,首先分析了砷化镓衬底晶片正常区域的结构相对均匀、连续且边缘清晰的特征,根据边缘图像中边缘线周围的非直线边缘线数量和长度,计算邻域非直线边缘密度,确定缺陷区域的边缘线,进而得到缺陷区域,反映了缺陷区域的边缘线邻域内边缘线密度较大且不规则的特征;然后根据衬底晶片外延生长的缺陷演进过程的特征,结合衬底晶片上缺陷区域和对应的外延层上缺陷区域中非直线边缘线数量和缺陷区域的大小,计算综合畸变指数,反映了畸变程度;最后,再结合衬底晶片上缺陷区域的灰度变化和曲率变化,计算曲率灰度变化密度指数,根据螺旋状位错缺陷的外延生长特征、灰度特征、曲率变化特征,更好地描述螺旋状位错缺陷复杂的形态,使得对于螺旋状位错缺陷的检测更加准确,提高砷化镓衬底晶片缺陷的检测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明提供的一种砷化镓衬底晶片缺陷智能检测方法的步骤流程图;
图2为综合畸变指数的获取流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种砷化镓衬底晶片缺陷智能检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种砷化镓衬底晶片缺陷智能检测方法的具体方案。
本发明一个实施例提供的一种砷化镓衬底晶片缺陷智能检测方法,具体的,提供了如下的一种砷化镓衬底晶片缺陷智能检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集砷化镓衬底晶片图像和砷化镓衬底晶片的外延层图像,并进行预处理。
利用SEM扫描电子显微镜采集砷化镓衬底晶片,获得原始的砷化镓衬底晶片图像;然后再利用SEM观察同一个砷化镓衬底晶片的外延层,获得原始的外延层图像。分别将原始的砷化镓衬底晶片图像和原始的外延层图像作为输入,利用中值滤波技术,得到预处理后的砷化镓衬底晶片图像和预处理后的外延层图像/>。中值滤波为公知技术,具体过程不再赘述。
步骤S002,根据砷化镓衬底晶片图像和外延层图像计算邻域非直线边缘密度;根据衬底晶片上和对应的外延层上缺陷区域中非直线边缘线数量和缺陷区域的大小,计算综合畸变指数;结合衬底晶片上缺陷区域的灰度变化和曲率变化,计算曲率灰度变化密度指数。
以砷化镓衬底晶片图像为输入,采用Canny边缘检测,获得砷化镓衬底晶片的边缘图像/>。再以砷化镓衬底晶片的边缘图像/>为输入,采用霍夫变换,输出直线型边缘线。对外延层图像/>作相同的处理,得到外延层直线型边缘线。Canny边缘检测和霍夫变换作为公知技术,具体过程不再赘述。
在砷化镓衬底晶片上,由于正常区域的结构相对均匀、连续且边缘清晰,从而在正常区域的边缘线大都呈现规则的直线或者检测不到明显的边缘曲线,所以在砷化镓衬底晶片的边缘图像中处于正常区域的边缘线周围邻域内边缘线的密度通常会相对较小且大都是直线;由于缺陷可能导致晶体结构的变化、断裂或错位,从而在缺陷区域的边缘曲线往往不规则且情况更复杂,可能会表现为曲线、断裂线、尖锐边缘等,所以在砷化镓衬底晶片的边缘图像/>中处于缺陷区域的边缘线周围邻域内边缘线的密度通常会相对较大且大都是不规则的曲线。
在砷化镓衬底晶片的边缘图像中,计算每条边缘线的邻域非直线边缘密度。将边缘图像/>中,除所有直线型边缘线之外的边缘线记为非直线边缘线。在每条边缘线的/>邻域内,统计所有非直线边缘线,/>邻域是指以边缘线的中心为圆心,/>为半径构成的邻域。本实施例中/>等于边缘图像/>中所有边缘线上像素点个数的均值。以边缘图像/>中的边缘线/>为例,计算邻域非直线边缘密度:
其中是边缘线/>的邻域非直线边缘密度;/>是边缘线/>的/>邻域内所有非直线边缘线上的像素点数量,记为非直线像素总值;/>是边缘线/>的/>邻域内像素点的个数,记为邻域像素总值;/>是边缘线/>的/>邻域内非直线的边缘线条数;/>是以自然常数e为底的指数函数。
如果边缘线是正常区域的边缘线,则边缘/>周围大都是直线,从而非直线边缘线数量更少,即/>相对较小,且周围邻域内边缘线的密度较小,从而非直线的边缘线密度也更小,即/>也相对较小;如果边缘线/>是缺陷区域的边缘线,则边缘线/>周围大都是不规则的曲线,即/>相对较大,且周围邻域内边缘线的密度较大,从而非直线的边缘线密度也更大,即/>也相对较大。从而,边缘线/>的邻域非直线边缘密度/>越小,则边缘线/>越可能是正常区域的边缘线;邻域非直线边缘密度/>越大,则边缘线/>越可能是位于缺陷区域的边缘线。
由于在一个砷化镓衬底晶片上,通常缺陷区域应该较小,即边缘线大都应该是正常区域的,从而计算边缘图像中所有边缘线的邻域非直线边缘密度,并取这些邻域非直线边缘密度的上四分位数/>,将邻域非直线边缘密度大于上四分位数/>的边缘线,标记为缺陷区域边缘线,上四分位数的计算为公知技术,不再赘述。
在边缘图像中标记缺陷区域边缘线,以标记出所有缺陷区域边缘线的边缘图像为输入,采用连通域分析技术,获得缺陷区域边缘线构成的连通域信息,在砷化镓衬底晶片图像/>中根据连通域信息,标记出缺陷区域。连通域分析技术作为公知技术,具体过程不再赘述。
对于外延层,同样按照上述处理过程,获得外延层图像中的外延层缺陷区域。对于外延层图像/>中的各外延层缺陷区域的像素点,计算该像素点到砷化镓衬底晶片图像/>中所有缺陷区域的像素点之间的欧氏距离,并将所有缺陷区域中与该像素点之间的欧氏距离最小的像素点作为该像素点的对应点,从而获取外延层上每个外延层缺陷区域对应的缺陷区域。获取方式如下,统计各缺陷区域中的外延层缺陷区域/>内的像素点的对应点数量,将对应点数量最多的缺陷区域作为外延层缺陷区域/>对应的缺陷区域/>。需要注意的是,由于在衬底晶片外延生长的缺陷演进过程中,衬底晶片上的缺陷会逐渐迁移、聚集等,从而导致外延层的一个外延层缺陷区域可能是由衬底晶片上多个缺陷区域聚集而成,从而使得外延层上的某个外延层缺陷区域可能对应衬底晶片上的多个缺陷区域。
如果衬底晶片上的缺陷区域与外延层上的某个缺陷区域对应,由于气相外延的同质外延生长过程实际上是衬底晶格的延续过程,衬底晶片质量的好坏直接反映到外延层中,且在外延生长的缺陷演进过程中,衬底晶片上的缺陷会逐渐迁移、聚集等,从而使得衬底晶片的缺陷密度应该是大于外延层的缺陷密度,且衬底晶片上缺陷的尺寸是小于外延层上缺陷的尺寸。因此,根据缺陷区域与缺陷区域对应的外延层缺陷区域内边缘线的对应关系获取综合畸变指数,获取的具体流程如图2所示。
以衬底晶片上的缺陷区域为例,如果衬底晶片上的缺陷区域/>与外延层上的某个缺陷区域对应,则假设衬底晶片上的缺陷区域/>对应外延层缺陷区域/>,计算综合畸变指数:
其中是缺陷区域/>的综合畸变指数;/>是缺陷区域/>中非直线边缘线的条数,记为缺陷边缘数;/>是缺陷区域/>中边缘线的条数,记为边缘总数;/>是与缺陷区域/>对应的外延层缺陷区域/>中非直线边缘线的条数,记为对应缺陷边缘数;/>是外延层上的缺陷区域/>中边缘线的条数,记为对应边缘总数;/>是外延层缺陷区域/>中像素点的个数;/>是缺陷区域/>中像素点的个数。
如果衬底晶片上的缺陷区域不与任何一个外延层上的外延层缺陷区域对应,则。如果衬底晶片上的缺陷区域/>与外延层上的缺陷区域/>对应,则衬底晶片上的缺陷区域/>中非直线边缘线的数量占比应该是大于外延层上的缺陷区域/>中的,即/>,其次,衬底晶片上缺陷的尺寸是小于外延层上缺陷的尺寸,从而衬底晶片上缺陷区域/>中像素点的个数也是小于对应的外延层上缺陷区域/>中像素点的个数,即/>,从而如果衬底晶片上的缺陷区域/>与外延层缺陷区域/>对应,则缺陷区域/>的综合畸变指数/>,且越大,说明缺陷区域/>的畸变越严重。如果衬底晶片上的缺陷区域/>不与任何一个外延层上的缺陷区域对应,由于/>,从而/>,又因为/>,所以/>,从而如果衬底晶片上的缺陷区域/>不与任何一个外延层上的缺陷区域对应,则缺陷区域/>的综合畸变指数/>的。
螺旋状位错缺陷会导致晶片畸变、局部应力集中和非均匀生长等问题,从而在通常情况下会对外延层产生影响,即衬底晶片上的螺旋状位错缺陷区域通常会成为外延层上某个缺陷区域的对应缺陷区域之一。其次,由于螺旋状位错缺陷的特征之一是位错线周围区域的原子排列发生变化导致畸变产生,从而使得在螺旋状位错缺陷区域内像素点的灰度值变化频繁且差异明显,此外非直线的边缘线密度较大。最后,通常情况下在砷化镓衬底晶片中螺旋状位错的位错线是沿着特定的方向呈现出螺旋线形状延伸,且螺旋半径是逐渐增大或逐渐减小的,而螺旋半径的大小会影响位错线上各点曲率的大小,即沿着位错线,相邻点曲率的变化趋势是一致的。
然后对缺陷区域的每一条边缘线,以缺陷区域/>中的边缘线/>为例,将边缘线/>的两个端点中,横坐标与纵坐标之和最小的端点作为起始点,将边缘线/>上的所有点按照拓扑顺序依次排列构成有序点集,将该有序点集中各点的曲率所组成的序列记为曲率序列,再计算曲率序列的一阶差分序列,记作边缘线/>的曲率趋势序列/>。一阶差分序列为公知技术,具体过程不再赘述。计算缺陷区域/>的曲率灰度变化密度指数:
其中,是缺陷区域/>的曲率灰度变化密度指数,/>是缺陷区域/>的综合畸变指数,是缺陷区域/>的平均灰度变化量,用于衡量缺陷区域/>中灰度值变化的平均差异,/>是缺陷区域/>的螺旋曲率变化系数,通过曲率变化来判断缺陷区域/>中是否有螺旋状的边缘线以及数量的多少,/>是缺陷区域/>中像素点/>的灰度值,/>是像素点/>所取的8邻域中第/>个像素点的灰度值,/>是像素点/>的8邻域中像素点的个数,/>是缺陷区域/>中像素点的个数,/>是缺陷区域/>中边缘线的条数,/>是缺陷区域/>中的边缘线/>的曲率趋势序列/>中元素的数量,是阈值函数,括号内的变量大于等于0,则函数值为1,否则函数值为-1,/>是曲率趋势序列/>中的第/>个元素,/>是向下取整函数,/>为以自然常数e为底数的指数函数。
如果边缘线是螺旋状的边缘线,则以边缘线/>的任意一个端点为起点沿着边缘线,曲率是逐渐减小或逐渐增大的,即变化具有单调性时,/>为1,向下取整也为1;如果边缘线/>是非螺旋状的边缘线,则以边缘线/>的任意一个端点为起点沿着边缘线/>,曲率的变化是无规则的,从而曲率趋势序列/>中所有元素的符号也是无规则的,即/>,向下取整则为0。
如果缺陷区域是螺旋状位错缺陷区域,则缺陷区域/>与外延层上某个缺陷区域对应,且缺陷区域/>中非直线的边缘线密度较大,所以综合畸变指数/>,且/>中/>较大,从而/>且较大;缺陷区域中灰度值差异较大,从而缺陷区域内平均灰度变化量较大,即/>较大;缺陷区域中存在螺旋状的边缘线,即/>,且/>越大,说明螺旋状的边缘线条数越多,是螺旋状位错缺陷区域的概率越大;从而如果缺陷区域/>是螺旋状位错缺陷区域,则该区域的曲率灰度变化密度指数/>,且/>越大,越可能是螺旋状位错缺陷区域。
步骤S003,根据曲率灰度变化密度指数获得螺旋状位错缺陷区域,完成对砷化镓衬底晶片的螺旋状位错缺陷的检测。
计算所有缺陷区域的曲率灰度变化密度指数,设置缺陷阈值,将曲率灰度变化密度指数大于缺陷阈值的缺陷区域,作为螺旋状位错缺陷区域。至此,完成对砷化镓衬底晶片的螺旋状位错缺陷的检测。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种砷化镓衬底晶片缺陷智能检测方法,其特征在于,该方法包括以下步骤:
采集砷化镓衬底晶片图像和外延层图像;
根据砷化镓衬底晶片图像获得各边缘线和各直线型边缘线;获取非直线边缘线,根据各边缘线的邻域内直线型边缘线和非直线边缘线的数量,获得邻域非直线边缘密度;根据邻域非直线边缘密度获得缺陷区域;对外延层图像采用与缺陷区域相同的获取方式,获得外延层缺陷区域;根据外延层缺陷区域中的各像素点到所有缺陷区域的像素点之间的欧氏距离获得各外延层缺陷区域对应的缺陷区域;根据各缺陷区域与各缺陷区域对应的外延层缺陷区域中的非直线边缘线获得各缺陷区域的综合畸变指数;根据缺陷区域的各边缘线上所有像素点的曲率获得螺旋曲率变化系数;根据缺陷区域中所有相邻的像素点之间的灰度值差异获得平均灰度变化量;综合各缺陷区域的综合畸变指数、平均灰度变化量和螺旋曲率变化系数获得各缺陷区域的曲率灰度变化密度指数;
根据曲率灰度变化密度指数获得螺旋状位错缺陷区域;
所述根据各缺陷区域与各缺陷区域对应的外延层缺陷区域中的非直线边缘线获得各缺陷区域的综合畸变指数,包括:
对于各缺陷区域,统计缺陷区域中非直线边缘线的条数,记为缺陷边缘数;统计缺陷区域中边缘线的条数,记为边缘总数;获取缺陷边缘数与边缘总数的比值,记为第一比值;统计缺陷区域对应的外延层缺陷区域中非直线边缘线的条数,记为对应缺陷边缘数;统计缺陷区域对应的外延层缺陷区域中边缘线的条数,记为对应边缘总数;获取对应缺陷边缘数与对应边缘总数的比值,记为第二比值;获取第一比值与第二比值的差值,记为第一差值;计算缺陷区域对应的外延层缺陷区域中像素点的数量与缺陷区域中像素点的数量的差值,记为第二差值;将第一差值与第二差值的乘积作为缺陷区域的综合畸变指数;
所述根据缺陷区域的各边缘线上所有像素点的曲率获得螺旋曲率变化系数,包括:
对于缺陷区域中的各边缘线,将边缘线的两个端点中,横坐标与纵坐标之和最小的端点作为起始点;从起始点开始,将边缘线上的所有点按照拓扑顺序依次排列,构成有序点集;将有序点集中各点的曲率所组成的序列,记为曲率序列;计算曲率序列的一阶差分序列,记为边缘线的曲率趋势序列;
若所述曲率趋势序列中的第个元素大于或等于零,则所述第/>个元素的阈值函数值为1;反之,则所述第/>个元素的阈值函数值为-1;
计算所述曲率趋势序列中所有元素的阈值函数值的均值;获取所述均值的绝对值;计算所述绝对值的向下取整值;将缺陷区域中包含的所有边缘线的所述向下取整值的和值,作为缺陷区域的螺旋曲率变化系数。
2.如权利要求1所述的一种砷化镓衬底晶片缺陷智能检测方法,其特征在于,所述根据砷化镓衬底晶片图像获得各边缘线和各直线型边缘线,包括:
对砷化镓衬底晶片图像采用Canny边缘检测算法,获得边缘图像;对边缘图像中的所有边缘线采用霍夫变换进行检测,获得各直线型边缘线。
3.如权利要求2所述的一种砷化镓衬底晶片缺陷智能检测方法,其特征在于,所述获取非直线边缘线,根据各边缘线的邻域内直线型边缘线和非直线边缘线的数量,获得邻域非直线边缘密度,包括:
统计边缘图像中各边缘线上的像素点个数,获取所有边缘线上的像素点个数的均值;将边缘图像中除所有直线型边缘线之外的边缘线,记为非直线边缘线;
对边缘图像中的各边缘线,以边缘线的中心像素点为圆心,以所述均值为半径,获取边缘线的邻域;统计边缘线的邻域内的所有非直线边缘线上的像素点数量,记为非直线像素总值;统计边缘线的邻域内的所有非直线边缘线的条数;统计边缘线的邻域内的所有像素点的数量,记为邻域像素总值;获取所述非直线像素总值与所述邻域像素总值的比值;获取以自然常数为底数,以所述比值为指数的指数函数;将所述指数函数的计算结果与所述条数的乘积作为边缘线的邻域非直线边缘密度。
4.如权利要求2所述的一种砷化镓衬底晶片缺陷智能检测方法,其特征在于,所述根据邻域非直线边缘密度获得缺陷区域,包括:
计算所有边缘线的邻域非直线边缘密度的上四分位数,将邻域非直线边缘密度大于所述上四分位数的边缘线,记为缺陷区域边缘线;
在边缘图像中标记缺陷区域边缘线,对标记后的边缘图像采用连通域分析算法获得各连通域,将各连通域对应在砷化镓衬底晶片图像上的区域,记为各缺陷区域。
5.如权利要求1所述的一种砷化镓衬底晶片缺陷智能检测方法,其特征在于,所述根据外延层缺陷区域中的各像素点到所有缺陷区域的像素点之间的欧氏距离获得各外延层缺陷区域对应的缺陷区域,包括:
对于各外延层缺陷区域,计算外延层缺陷区域中的各像素点到所有缺陷区域的像素点之间的欧氏距离;将所有缺陷区域中所述欧氏距离最小的像素点,作为外延层缺陷区域中的各像素点的对应点;统计各缺陷区域中所述对应点的数量,将所述对应点的数量最多的缺陷区域作为外延层缺陷区域对应的缺陷区域。
6.如权利要求1所述的一种砷化镓衬底晶片缺陷智能检测方法,其特征在于,所述根据缺陷区域中所有相邻的像素点之间的灰度值差异获得平均灰度变化量,包括:
将缺陷区域中的任一像素点记为待分析像素点,计算待分析像素点的灰度值与待分析像素点的八邻域内各像素点的灰度值的差值绝对值;获取待分析像素点的所有所述差值绝对值的均值;将缺陷区域中所有像素点的所述均值的均值作为缺陷区域的平均灰度变化量。
7.如权利要求1所述的一种砷化镓衬底晶片缺陷智能检测方法,其特征在于,所述综合各缺陷区域的综合畸变指数、平均灰度变化量和螺旋曲率变化系数获得各缺陷区域的曲率灰度变化密度指数,包括:
计算各缺陷区域的综合畸变指数、平均灰度变化量和螺旋曲率变化系数的乘积;获取以自然常数为底数,以所述乘积的相反数为指数的指数函数;将数字1与所述指数函数的计算结果的差值作为各缺陷区域的曲率灰度变化密度指数。
8.如权利要求1所述的一种砷化镓衬底晶片缺陷智能检测方法,其特征在于,所述根据曲率灰度变化密度指数获得螺旋状位错缺陷区域,包括:将曲率灰度变化密度指数大于预设缺陷阈值的缺陷区域,作为螺旋状位错缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410362154.9A CN118014988B (zh) | 2024-03-28 | 2024-03-28 | 一种砷化镓衬底晶片缺陷智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410362154.9A CN118014988B (zh) | 2024-03-28 | 2024-03-28 | 一种砷化镓衬底晶片缺陷智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118014988A CN118014988A (zh) | 2024-05-10 |
CN118014988B true CN118014988B (zh) | 2024-06-07 |
Family
ID=90948715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410362154.9A Active CN118014988B (zh) | 2024-03-28 | 2024-03-28 | 一种砷化镓衬底晶片缺陷智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118014988B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022169237A (ja) * | 2021-04-27 | 2022-11-09 | キヤノン株式会社 | 画像形成装置 |
CN115330680A (zh) * | 2022-07-07 | 2022-11-11 | 武汉科技大学 | 基于缺陷特征和相似性度量的激光熔覆工艺参数确定方法 |
CN115661572A (zh) * | 2022-10-21 | 2023-01-31 | 华中科技大学 | 铸件缺陷识别模型训练方法、缺陷识别方法、装置及*** |
CN116168039A (zh) * | 2023-04-26 | 2023-05-26 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
CN116452873A (zh) * | 2023-04-13 | 2023-07-18 | 华中科技大学 | 一种基于多维特征分析的气孔与低密度夹杂分类方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
CN116758083A (zh) * | 2023-08-21 | 2023-09-15 | 浙江莫克智造有限公司 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
CN117451744A (zh) * | 2023-12-20 | 2024-01-26 | 东莞市钜欣电子有限公司 | 红外透镜的缺陷检测方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10143370B2 (en) * | 2014-06-19 | 2018-12-04 | Novartis Ag | Ophthalmic imaging system with automatic retinal feature detection |
US10163733B2 (en) * | 2016-05-31 | 2018-12-25 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method of extracting defects |
CN111340752A (zh) * | 2019-12-04 | 2020-06-26 | 京东方科技集团股份有限公司 | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 |
-
2024
- 2024-03-28 CN CN202410362154.9A patent/CN118014988B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022169237A (ja) * | 2021-04-27 | 2022-11-09 | キヤノン株式会社 | 画像形成装置 |
CN115330680A (zh) * | 2022-07-07 | 2022-11-11 | 武汉科技大学 | 基于缺陷特征和相似性度量的激光熔覆工艺参数确定方法 |
CN115661572A (zh) * | 2022-10-21 | 2023-01-31 | 华中科技大学 | 铸件缺陷识别模型训练方法、缺陷识别方法、装置及*** |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116452873A (zh) * | 2023-04-13 | 2023-07-18 | 华中科技大学 | 一种基于多维特征分析的气孔与低密度夹杂分类方法 |
CN116168039A (zh) * | 2023-04-26 | 2023-05-26 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
CN116758083A (zh) * | 2023-08-21 | 2023-09-15 | 浙江莫克智造有限公司 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
CN117451744A (zh) * | 2023-12-20 | 2024-01-26 | 东莞市钜欣电子有限公司 | 红外透镜的缺陷检测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
孙正 ; 张晓光 ; 张燕超 ; .基于小波分析的X射线焊接图像中缺陷提取方法.矿山机械.2007,(04),正文全文. * |
谈绍熙 ; 黄茜 ; .一种在铸件缺陷识别中的区域分形分割方法.中国图象图形学报.2008,(05),正文全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN118014988A (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及*** | |
CN116577351B (zh) | 基于图像数据的液晶玻璃基板偏光片质量检测方法 | |
CN109658381B (zh) | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
Li et al. | Automatic saw-mark detection in multicrystalline solar wafer images | |
CN115937216B (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
CN116934740A (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
CN110111301A (zh) | 基于频域变换的金属氧化表面缺陷视觉检测方法 | |
CN116416252B (zh) | 一种勃姆石生产工艺废水沉降图像检测方法 | |
CN116030052B (zh) | 电脑显示板层压工序蚀刻质量检测方法 | |
CN112070788B (zh) | 基于分块梯度分割的快速统计形变孪晶的图像处理方法 | |
CN116188468A (zh) | 一种hdmi线缆传输分拣智能控制*** | |
CN117745724B (zh) | 基于视觉分析的石材打磨加工缺陷区域分割方法 | |
CN118014988B (zh) | 一种砷化镓衬底晶片缺陷智能检测方法 | |
CN117689574B (zh) | 一种用于肿瘤射频消融诊疗定位的医疗影像处理方法 | |
CN117058143B (zh) | 一种电路板引脚智能检测方法及*** | |
CN114565607A (zh) | 基于神经网络的织物缺陷图像分割方法 | |
CN117541582A (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN116485787B (zh) | 一种数据线成型外模外观缺陷检测方法 | |
CN116385446A (zh) | 一种用于勃姆石生产的晶体杂质检测方法 | |
CN115272163A (zh) | 一种基于深度学习的透射电镜薄膜样品相分布分析方法 | |
CN113763359A (zh) | 一种金属近表面缺陷检测用智能检测与感知*** | |
CN113034403A (zh) | 医学影像数据通过高斯滤波进行降噪的工作方法 |
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 |