一种基于统计量迭代的晶圆黄金图生成方法技术

一种基于统计量迭代的晶圆黄金图生成方法，它涉及一种晶圆黄金图生成方法

【技术实现步骤摘要】
一种基于统计量迭代的晶圆黄金图生成方法


[0001]本专利技术涉及一种晶圆黄金图生成方法，属于图像处理

。

技术介绍

[0002]图形化晶圆缺陷检测方法目前的实现方法主要分为两类，一类是大样本情况下的采用深度学习的方法来一站式实现晶圆缺陷的检测与分类，比如采用
Mask RCNN
目标检测网络
、YOLO
网络等方式直接实现晶圆缺陷的定位与类型识别，这类方法通常还会引入残差网络
、
注意力机制
、
自编码器等方法来提高网络的性能与泛用性
。
这类基于深度学习的晶圆缺陷检测方法一般都需要海量数据集来保证网络模型的性能，也有一些深度学习网络结合了元学习
、
迁移学习的思路，将在其他晶圆数据集上训练的模型进行微调后应用于晶圆缺陷检测任务中，但是这类方法同样需要大量带标签晶圆数据集支持
。
另一类方法是小样本情况下采用图像处理的方法来将晶圆缺陷检测任务分解为几个子任务，分站式解决晶圆缺陷检测的任务，这类方法一般可以分为三个步骤来实现
。
首先是对图像进行的一系列包括滤波
、
图像增强等在内的预处理步骤，这一步的目的是将待检测的晶圆进行适当的图像处理以使其符合缺陷检测的要求
。
如采用明场晶圆图像进行缺陷检测时，一般会采用同态滤波
、Retinex
滤波等方法来滤除光照影响，也有采用深度学习的方法来搭建一个自适应滤波器
。
>对于通常的晶圆缺陷检测任务，通常还需要一副无缺陷的晶圆黄金图模板图，一般会用多幅晶圆图像合成一副无缺陷的图，也有采用风格迁移的方法将晶圆设计图转换为现实风格的晶圆黄金图，不过这类方法仅适用于有晶圆设计图的情况
。
其次是晶圆缺陷的识别定位
。
有采用深度学习方法来学习晶圆黄金图与待检测图之间可以容忍的变化程度，以此来识别超过可容忍变化程度的位置，该类方法同样需要大量带标签的晶圆数据集
。
而采用传统图像差分等方法来识别缺陷同样存在鲁棒性低的问题，特别是在图像结构边缘的位置存在的横向误差会极大的降低缺陷识别的难度
。
还有一些基于稀疏光流的缺陷检测方法，可以较好的容忍横向误差，但是这种方法要求缺陷具有明显的角点结构
。
对于晶圆缺陷的分类问题，可以通过设置各类特征阈值的方式来对不同缺陷进行分类，但是这种方法更适用于裸片晶圆之类具有单一背景的晶圆，对于复杂背景下的分类精度较低
。
采用卷积网络对晶圆缺陷进行特征提取后根据特征进行分类的方法也应用较多，在有大量数据作为训练样本的情况下具有较高的准确性和泛用性
。
也有采用机器学习的方式来将晶圆图像放在不同维度进行分类，这些方法可以在小样本的情况下具有较好的分类能力，但是其特征提取能力通常并不强
。
传统的基于空域形态学处理的方法对待检测晶圆进行了尺寸分析，然而该方法的计算结果容易受到划痕
、
光照不均匀等因素的影响，鲁棒性不高
。

技术实现思路

[0003]本专利技术为解决传统的基于空域形态学处理的方法对待检测晶圆进行了尺寸分析，然而该方法的计算结果容易受到划痕
、
光照不均匀等因素的影响，鲁棒性不高的问题，进而提出一种基于统计量迭代的晶圆黄金图生成方法
。
[0004]本专利技术为解决上述问题采取的技术方案是：本专利技术的步骤包括：
[0005]步骤
1、
对晶粒形态进行分析；
[0006]步骤
2、
采用自适应多尺度滤波的方法来实现光照的统一化；
[0007]步骤
3、
对图像序列进行基于特征的配准来实现图像对齐，并采用统计量迭代的方法去除图像序列中的奇异点；
[0008]步骤
4、
生成无缺陷的晶圆黄金图
。
[0009]进一步的，步骤1中采用基于频域分析的晶粒形态分析方法对晶粒形态进行分析，其具体步骤为：
[0010]步骤
101、
对晶圆进行频域交换，并进行二维傅里叶变换；
[0011][0012]其中，
f(x,y)
表示输入图像在
(x,y)
处的灰度值，
F(u,v)
表示其频域在
(u,v)
处的值，
M
表示输入图像的宽度，
N
表示输入图像的高度；
[0013]步骤
102、
即对步骤
101
中的图像进行如下变换：
[0014][0015]其中，
F
′
(u,v)
表示移动后的频域在
(u,v)
处的值
。
[0016]进一步的，步骤2中采用自适应多尺度滤波的方法来实现光照统一化的具体步骤为：
[0017]步骤
201、
对原始二维灰度晶圆图像
I(x,y)
进行多尺度分解，将原本
M
×
N
尺寸的图像分解为
M
×
N、2M
×
2N、1.5M
×
1.5N
三个尺度；
[0018]步骤
202、
对每个尺度的晶圆图像进行频域转化，先对每个尺度的图像取自然对数：
[0019]I
log
(x,y)
＝
log(I(x,y)+1)
，
[0020]将对数变换后的晶圆图像进行离散傅里叶变换，得到：
[0021][0022]将图像进行离散傅里叶变换后，将低频分量移动至图像中心，对尺寸为
M
×
N
的图像，其低频成分移至中心后为：
[0023]I
dft_shift
(u,v)
＝
I
dft
(u
‑
M/2,v
‑
n/2)
；
[0024]步骤
203、
设计每个尺度图像的自适应滤波器，在每个尺度的频域图像
F(u,v)
中，使用局部自适应的窗口对低频成分进行处理，对每个尺度的图像，根据其频域图计算其它的能量分布，其总能量
E
为：
[0025][0026]对于频域图像中的能量进行升序排列，计算其累积能量：
[0027][0028]其中
E
sorted
表示能量的降序排列，
C(i)
表示在降序排列能量从0到
i
的累积能量，当累积能量达到总能量的
90
％时，以该位置的频率值
D0作为该尺度图像的自适应截止频率，以该频率构造高斯滤波器：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于统计量迭代的晶圆黄金图生成方法，其特征在于：所述一种基于统计量迭代的晶圆黄金图生成方法的步骤包括：步骤
1、
对晶粒形态进行分析；步骤
2、
采用自适应多尺度滤波的方法来实现光照的统一化；步骤
3、
对图像序列进行基于特征的配准来实现图像对齐，并采用统计量迭代的方法去除图像序列中的奇异点；步骤
4、
生成无缺陷的晶圆黄金图
。2.
根据权利要求1所述的一种基于统计量迭代的晶圆黄金图生成方法，其特征在于：步骤1中采用基于频域分析的晶粒形态分析方法对晶粒形态进行分析，其具体步骤为：步骤
101、
对晶圆进行频域交换，并进行二维傅里叶变换；其中，
f(x,y)
表示输入图像在
(x,y)
处的灰度值，
F(u,v)
表示其频域在
(u,v)
处的值，
M
表示输入图像的宽度，
N
表示输入图像的高度；步骤
102、
即对步骤
101
中的图像进行如下变换：其中，
F
′
(u,v)
表示移动后的频域在
(u,v)
处的值
。3.
根据权利要求1所述的一种基于统计量迭代的晶圆黄金图生成方法，其特征在于：步骤2中采用自适应多尺度滤波的方法来实现光照统一化的具体步骤为：步骤
201、
对原始二维灰度晶圆图像
I(x,y)
进行多尺度分解，将原本
M
×
N
尺寸的图像分解为
M
×
N、2M
×
2N、1.5M
×
1.5N
三个尺度；步骤
202、
对每个尺度的晶圆图像进行频域转化，先对每个尺度的图像取自然对数：
I
log
(x,y)
＝
log(I(x,y)+1)
，将对数变换后的晶圆图像进行离散傅里叶变换，得到：将图像进行离散傅里叶变换后，将低频分量移动至图像中心，对尺寸为
M
×
N
的图像，其低频成分移至中心后为：
I
dft_shift
(u,v)
＝
I
dft
(u
‑
M/2,v
‑
n/2)
；步骤
203、
设计每个尺度图像的自适应滤波器，在每个尺度的频域图像
F(u,v)
中，使用局部自适应的窗口对低频成分进行处理，对每个尺度的图像，根据其频域图计算其它的能量分布，其总能量
E
为：对于频域图像中的能量进行升序排列，计算其累积能量：
其中
E
sorted
表示能量的降序排列，
C(i)
表示在降序排列能量从0到
i
的累积能量，当累积能量达到总能量的
90
％时，以该位置的频率值
D0作为该尺度图像的自适应截止频率，以该频率构造高斯滤波器：根据上述滤波器将各尺度的频域图像进行滤波：
I
filtered_dft_shift
(u,v)
＝
I
dft_shift
(u,v)
·
H(u,v)
，将滤波后的图像进行逆频移操作：
I
filtered_dft
(u,v)
＝
I
filtered_dft_shift
(M
‑
u+1,N
‑
v+1)
，对逆频移后的频域图像进行二维逆离散傅里叶变换：对逆傅里叶变换后的图像执行逆对数变换，得到各个尺寸自适应滤波后的图像：步骤
204、
将所有尺度经过自适应滤波...

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