一种基于晶圆缺陷特征群的缺陷分类方法技术

一种基于晶圆缺陷特征群的缺陷分类方法，它涉及一种缺陷分类方法

【技术实现步骤摘要】
一种基于晶圆缺陷特征群的缺陷分类方法


[0001]本专利技术涉及一种缺陷分类方法，属于图像处理

。

技术介绍

[0002]传统的小样本分类算法，如
SVM
分类器
、
随机森林等方法，大都是直接将样本图像本身作为训练器的学习材料，通过从二维图像中获取对应的特征来实现缺陷分类，这种方法本身是适用面很广的，但是也同样会存在问题，直接将缺陷图像作为训练样本会存在一些问题
。
首先是不同的缺陷类型必然会存在尺度不同问题，在截取缺陷时，为了避免边缘背景信息的干扰，一般只会将缺陷本身截取出来，相比于外来脏污的小尺寸缺陷图像，烧蚀等缺陷的尺寸会明显更大，哪怕是对于相同类型的缺陷，其尺度区别同样很大，而不同尺寸的图像会使得
SVM
分类器难以捕捉到图像的局部特征，会显著的影响分类效果
。
其次由于截取的缺陷图由许多像素信息构成，而这些像素信息中并不是所有的像素信息都对分类有帮助，这些信息可能不仅不会提高分类器的能力，反而会导致特征冗余，影响分类器的性能，当两个不同类型的缺陷形态上较为相似时，直接截取的这两个缺陷二维图像可能携带着相似的像素信息，这些相似的像素信息会导致分类器的性能下降
。
第三个原因是直接用二维缺陷图像作为训练样本，会使训练出来的分类器的适应性较差，也即是只能适应某几类特殊的缺陷纹理方向
、
形态，而难以适应其他的一些情况，但是实际在训练晶圆缺陷分类，提供的缺陷图像训练样本只能是小样本的，也即是训练集中包含的各个种类的缺陷数量并不会太多，正常情况下只会存在有限的数种或是数十种形态的缺陷样本，这显然不能囊括每一个类型缺陷的所有存在形式，这就导致当一个纹理方向不同的缺陷图像输入分类器时，它很可能无法准确的对其进行归类
。

技术实现思路

[0003]本专利技术为解决当一个纹理方向不同的缺陷图像输入分类器时，分类器很可能无法准确的对其进行归类的问题，进而提出一种基于晶圆缺陷特征群的缺陷分类方法
。
[0004]本专利技术为解决上述问题采取的技术方案是：本专利技术所述方法是建立晶圆缺陷特征群，所述晶圆缺陷特征群包括晶圆缺陷的形状结构特征和灰度纹理特征两个大类特征
。
[0005]进一步的，所述晶圆缺陷的形状结构特征包括缺陷面积
、
缺陷轮廓长度
、
完整度
、
轮廓游离度
、
距离均值
、
距离方差
、
孔洞数
、
圆度
、
凸状度和矩形度
。
[0006]进一步的，缺陷面积：缺陷面积参数用来衡量晶圆缺陷在水平空间上所占的分量，其数值指代晶圆缺陷经过二值化后被划分为缺陷区域的像素数量；
[0007]缺陷轮廓长度：缺陷轮廓长度参数同样是用来衡量晶圆在水平空间上存量的参数，其数值指代晶圆缺陷经过二值化后被划分为缺陷区域的边界像素数量；
[0008]完整度：完整度参数用来衡量晶圆缺陷区域的类圆度，也即是该区域的轮廓与标准圆形的相似度，其计算公式如下：
[0009]roundness
＝4π
×
area/perimeter2。
[0010]轮廓游离度：轮廓游离度参数也是用来衡量晶圆缺陷区域的形态，其数值指代的是包裹晶圆缺陷区域的最小椭圆轮廓的长短轴之间的尺度关系，其计算公式如下：
[0011][0012]其中，
b
表示包裹晶圆缺陷区域的最小椭圆轮廓的短轴，
a
表示包裹晶圆缺陷区域的最小椭圆轮廓的长轴，其取值范围为0～1，数值越接近0说明该椭圆轮廓的长短轴越相似，数值越接近1说明该椭圆轮廓的长短轴差异越大；
[0013]距离均值：距离均值参数用来表示晶圆缺陷区域中各个位置距离缺陷中心的距离的均值，其计算公式如下所示：
[0014]distance_mean
＝
∑(||p
‑
p
i
||)/area
，
[0015]其中，
p
表示中心区域中心像素，
p
i
表示缺陷内的像素；
[0016]距离方差：距离方差参数用来表示晶圆缺陷区域中各个位置距离缺陷中心的距离的方差，其计算公式如下所示：
[0017][0018]其中，
p
表示中心区域中心像素，
p
i
表示缺陷内的像素；
[0019]孔洞数：孔洞数参数用来表示晶圆缺陷区域内的孔洞数量，该项特征参数可以反映缺陷的结构类型；
[0020]圆度：圆度参数也是用来衡量晶圆缺陷区域的类圆度，其计算公式如下：
[0021]circularity
＝4×
area/(max_dist2×
π
)
，
[0022]其中，
max_dist
表示物体轮廓上任意两点之间的最大距离；
[0023]凸状度：凸状度参数用来衡量形状几何特性的，用于描述轮廓相对于其凸包的复杂程度；它定义为缺陷的二维水平面积与三维面积之比；其计算公式如下：
[0024]convexity
＝
area/convex_area
，
[0025]其中，
convex_area
表示凸包的三维面积，凸状度的值介于0和1之间，当缺陷区域的凸状度值接近1时，表示轮廓的灰度的起伏比较小，即缺陷区域是个较为平坦的凸包状；当凸状度值接近0时，表示轮廓的灰度的起伏比较大，即缺陷区域是个较为陡峭的凸包状；
[0026]矩形度：矩形度参数用来衡量晶圆缺陷区域的类矩度，也即是缺陷轮廓和矩形的相似度，其计算公式如下：
[0027]rectangularity
＝
area/rectangularity_area
，
[0028]其中，
rectangularity_area
表示包裹晶圆缺陷区域的最小矩形轮廓尺寸，其取值范围为0～
1。
[0029]进一步的，所述灰度纹理特征包括灰度面积
、
灰度极小值
、
灰度极大值
、
灰度均值
、
灰度方差
、
灰度熵
、
灰度模糊熵和灰度各向异性
。
[0030]进一步的，灰度面积：灰度面积参数表示缺陷区域的所有像素灰度和，其计算公式如下所示：
[0031]gray_area
＝
∑g(r,c)
，
[0032]其中，
g(r,c)
表示缺陷轮廓内区域
(r,c)
位置处的灰度值；
[0033]灰度极小值：灰度极小值参数表示缺陷区域内所有像素中灰度值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于晶圆缺陷特征群的缺陷分类方法，其特征在于：所述一种基于晶圆缺陷特征群的缺陷分类方法是建立晶圆缺陷特征群，所述晶圆缺陷特征群包括晶圆缺陷的形状结构特征和灰度纹理特征两个大类特征
。2.
根据权利要求1所述的一种基于晶圆缺陷特征群的缺陷分类方法，其特征在于：所述晶圆缺陷的形状结构特征包括缺陷面积
、
缺陷轮廓长度
、
完整度
、
轮廓游离度
、
距离均值
、
距离方差
、
孔洞数
、
圆度
、
凸状度和矩形度
。3.
根据权利要求2所述的一种基于晶圆缺陷特征群的缺陷分类方法，其特征在于：缺陷面积：缺陷面积参数用来衡量晶圆缺陷在水平空间上所占的分量，其数值指代晶圆缺陷经过二值化后被划分为缺陷区域的像素数量；缺陷轮廓长度：缺陷轮廓长度参数同样是用来衡量晶圆在水平空间上存量的参数，其数值指代晶圆缺陷经过二值化后被划分为缺陷区域的边界像素数量；完整度：完整度参数用来衡量晶圆缺陷区域的类圆度，也即是该区域的轮廓与标准圆形的相似度，其计算公式如下：
roundness
＝4π
×
area/perimeter2。
轮廓游离度：轮廓游离度参数也是用来衡量晶圆缺陷区域的形态，其数值指代的是包裹晶圆缺陷区域的最小椭圆轮廓的长短轴之间的尺度关系，其计算公式如下：其中，
b
表示包裹晶圆缺陷区域的最小椭圆轮廓的短轴，
a
表示包裹晶圆缺陷区域的最小椭圆轮廓的长轴，其取值范围为0～1，数值越接近0说明该椭圆轮廓的长短轴越相似，数值越接近1说明该椭圆轮廓的长短轴差异越大；距离均值：距离均值参数用来表示晶圆缺陷区域中各个位置距离缺陷中心的距离的均值，其计算公式如下所示：
distance_mean
＝
∑(||p
‑
p
i
||)/area
，其中，
p
表示中心区域中心像素，
p
i
表示缺陷内的像素；距离方差：距离方差参数用来表示晶圆缺陷区域中各个位置距离缺陷中心的距离的方差，其计算公式如下所示：其中，
p
表示中心区域中心像素，
p
i
表示缺陷内的像素；孔洞数：孔洞数参数用来表示晶圆缺陷区域内的孔洞数量，该项特征参数可以反映缺陷的结构类型；圆度：圆度参数也是用来衡量晶圆缺陷区域的类圆度，其计算公式如下：
circularity
＝4×
area/(max_dist2×
π
)
，其中，
max_dist
表示物体轮廓上任意两点之间的最大距离；凸状度：凸状度参数用来衡量形状几何特性的，用于描述轮廓相对于其凸包的复杂程度；它定义为缺陷的二维水平面积与三维面积之比；其计算公式如下：
convexity
＝
area/con...

【专利技术属性】
技术研发人员：刘俭，刘辰光，由小玉，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：