一种图形化晶圆缺陷检测方法技术

本发明专利技术公开的一种基于自适应多尺度光流检测的图形化晶圆缺陷检测方法，先输入图像，将原始晶圆图像集经过自适应多尺度图像滤波后的图像集生成无缺陷模板图，并对待检测图和模板图进行超分辨处理后进行光流检测，最后对光流检测后获得的光流幅值结果进行二值化处理，二值化后的结果作为晶圆缺陷检测结果，输出缺陷位置，实现缺陷的识别

【技术实现步骤摘要】
一种图形化晶圆缺陷检测方法


[0001]本专利技术属于数据处理
，尤其涉及一种基于自适应多尺度光流检测的晶圆缺陷检测方法
。

技术介绍

[0002]随着集成电路制造技术的迅速发展，晶圆的特征尺寸逐渐缩小，导致微小缺陷的增多
。
晶圆表面的缺陷已成为影响产量的主要难题
。
因此，对缺陷进行研究变得越来越重要，研究结果可用于改善工艺和提高产品的良率，同时也能增强芯片的可靠性
。
[0003]然而，目前的技术一般采用肉眼检测或是将模板图与待检测图进行差分的方式来检测晶圆缺陷，存在检测效果不佳和效率低下等问题
。
[0004]因此，采用更加具有鲁棒性和准确性的图形化晶圆缺陷检测算法提升检测效率和可靠性具有不可或缺的必要性和重要性
。

技术实现思路

[0005]针对晶圆缺陷检测中存在复杂背景情况下的图形化晶圆缺陷检测问题，本专利技术提供了一种基于自适应多尺度光流检测的图形化晶圆缺陷检测方法，以解决复杂背景下图形化晶圆缺陷检测精度低
、
鲁棒性差的问题
。
[0006]本专利技术解决其技术问题所采用的技术方案是：一种图形化晶圆缺陷检测方法，包括如下步骤：
[0007]S1
，采集图形化晶圆中各个
Die
中的图像：在显微系统下对一片图形化晶圆中规则排列的各个
Die
进行拍照采集；
[0008]S2
，构建多个数据集：对各个
Die
中处于相同位置的图像进行提取，将同一个位置处的图像作为一组数据集；
[0009]S3
，将每组数据集中的图像都进行超分辨处理，即多尺度分解；
[0010]S4
，对超分辨处理之后的各个尺度的图像分别进行对应的自适应滤波：
[0011]S41
，对各个尺度的图像进行频域转化：先对图像取对数，然后将对数变换后的图像进行离散傅里叶变换，并将低频分量移动到图像中心；
[0012]S42
，设计各尺度图像的自适应滤波器，对于上一步中频域转化的图像，通过如下自适应滤波器计算每幅图的总能量
E
为：
[0013][0014]其中
M
，
N
是图像尺寸，
I
是对图像进行频域转化处理后将低频分量移至中心后的结果；
[0015]S43
，对频域中的能量按降序进行排列，通过如下公式计算其累积能量：
[0016][0017]其中
E
sorted
表示能量的降序排列，当累积能量达到总能量设定的某个阈值，以该位置处的频率
i
作为该尺度图像的自适应截止频率
f
；
[0018]S44
，根据自适应截止频率
f
对各尺度图像进行滤波，并将滤波后的各尺度图像降采样后进行加权融合；
[0019]S5
，对每组数据中经过多尺度自适应滤波的图像各个位置处的像素进行奇异点剔除，合成模板图；
[0020]S6
，对模板图和待检测图分别插值来实现尺度扩展；
[0021]S7
，对尺度扩展的各对模板图和待检测图进行光流检测；
[0022]S8
，对上一步中光流检测后获得的光流幅值结果进行二值化处理，二值化后的结果作为晶圆缺陷检测结果，输出缺陷位置，实现缺陷的识别
。
[0023]进一步，所述的步骤
S3
是采用双线性插值的方式对图像的尺度进行扩展
。
[0024]进一步，所述的步骤
S3
是将图像的尺度由
M
×
N
分别扩展至
1.5M
×
1.5N
和
2M
×
2N
，所述的步骤
S44
中降采样后图像尺度为
M
×
N。
[0025]更进一步，所述的步骤
S5
是根据设置的阈值
σ
(r,c)
将偏离均值超过一定距离的点剔除：
[0026][0027]将离散点即离群值
f
i
(r,c)
剔除后，用剩下的像素点合成无缺陷模板图
。
[0028]更进一步，所述的步骤
S7
采用
Farneback
稠密光流来计算两幅图之间的光流检测结果，并舍弃光流检测结果的方向，仅保留幅值信息
。
[0029]本专利技术的有益效果是：
[0030]本专利技术将原始晶圆图像集经过自适应多尺度图像滤波后的图像集生成无缺陷模板图，并对待检测图和模板图进行超分辨处理后进行光流检测，使得用于缺陷检测的信息可以更加全面
。
相比于现有方法，本方法在对复杂背景情况下的图形化晶圆缺陷检测任务中，对于横向误差具有更高的鲁棒性，提升了图形化晶圆缺陷检测的准确性和对横向误差的鲁棒性
。
附图说明
[0031]图1是本专利技术检测方法流程图；
[0032]图2是本专利技术实施例的待检测图；
[0033]图3是本专利技术实施例的合成模板图；
[0034]图4是本专利技术实施例的缺陷检测结果图
。
具体实施方式
[0035]以下结合具体实例和附图对本专利技术的实施方式进行进一步阐述
。
[0036]本专利技术设计了基于自适应多尺度光流检测的图形化晶圆缺陷检测方法，引入自适
应多尺度光流缺陷检测方法，将原始晶圆图像集在多尺度上进行缺陷检测，从而提高晶圆缺陷检测的准确性
。
[0037]参照图1所示，本专利技术公开的一种图形化晶圆缺陷检测方法，包括如下步骤
。
[0038]S1
，采集图形化晶圆中各个
Die
中的图像：在显微系统下对一片图形化晶圆中规则排列的各个
Die
进行拍照采集
。
[0039]S2
，构建多个数据集：对各个
Die
中处于相同位置的图像进行提取，将同一个位置处的图像作为一组数据集
。
[0040]S3
，将每组数据集中的图像都进行超分辨处理
。
具体是采用双线性插值的方式将其尺度进行扩展，例如由
M
×
N
扩展至
1.5M
×
1.5N
和
2M
×
2N
；
[0041]S4
，对超分辨处理之后的各个尺度的图像分别进行对应的自适应滤波，滤波步骤如下：
[0042]S41
，对各个尺度的图像进行频域转化：先对图像取对数，然后将对数变换后的图像进行离散傅里叶变换，并将低频分量移动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种图形化晶圆缺陷检测方法，其特征在于：包括如下步骤
S1
，在显微系统下对一片图形化晶圆中规则排列的各个
Die
进行拍照采集；
S2
，对各个
Die
中处于相同位置的图像进行提取，将同一个位置处的图像作为一组数据集；
S3
，将每组数据集中的图像都进行超分辨处理；
S4
，对超分辨处理之后的图像分别进行对应的自适应滤波：
S41
，先对图像取对数，然后将对数变换后的图像进行离散傅里叶变换，并将低频分量移动到图像中心；
S42
，对频域转化的图像，通过如下自适应滤波器计算每幅图的总能量
E
：其中
M
，
N
是图像尺寸，
I
是对图像进行频域转化后将低频分量移至中心后的结果；
S43
，对频域中的能量按降序进行排列，通过如下公式计算其累积能量：其中
E
sorted
表示能量的降序排列，当累积能量达到总能量设定的阈值，以该位置处的频率
i
作为该尺度图像的自适应截止频率
f
；
S44
，根据自适应截止频率
f
对各尺度图像进行滤波，并将滤波后的各尺度图像降采样后进行加权融合；
S5
，对经过自适应滤波的图像各个位置处的像素进行奇异点剔除，合成模板图；
S6
，对模板图和待检测图分别插值来实现尺度扩...

【专利技术属性】
技术研发人员：豆嘉鑫，王南，王康，董力文，
申请(专利权)人：武汉华中天经通视科技有限公司，
类型：发明
国别省市：