System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及基于阵列分布信息引导的晶圆晶粒检测方法,属于数字图像处理。
技术介绍
1、晶圆作为高精密电子产品,对生产质量把控十分严格,在晶圆生产的不同工艺流程之间会产生各种缺陷,需要及时对晶粒进行电气测试和外观检查。在晶圆缺陷检测之前需要对晶粒进行测试分选工作,不仅可以有效指导晶圆检测流程,提升检测的速度,节约检测成本,还可以帮助工程师跟踪生产,提升良品率。晶圆图像具有以下3个特点:1、晶圆呈现的结构十分复杂且表面形貌多样;2、晶粒阵列化密集排布;3、晶圆图像分辨率高但晶粒很小。这些特点严重影响晶粒检测,因此对晶圆图像中的晶粒进行检测具有挑战性且意义重大,对半导体检测行业具有较高的研究应用价值。
2、早期针对晶圆图像的晶粒检测,传统机器视觉方法一般提取晶圆表面几何特征来间接检测晶粒。“xu s, cheng z, gao y, et al. visual wafer dies counting usinggeometrical characteristics [j]. iet image processing, 2014, 8(5): 280-8.”使用ransac算法以及“chang h-t, pan r-j, peng h-w. number determination ofsuccessfully packaged dies per wafer based on machine vision [j]. machines,2015, 3(2): 72-92.”使用灰度投影法来获取晶切割线的行列信息,间接对晶粒进
3、近年来深度学习具有强大的特征提取和非线性拟合能力,同时端到端的算法相比于传统方法复杂的算子组合具有更好的稳健性和拓展性,在检测等相关领域逐渐应用起来。随着vit在视觉领域的成功运用,自注意力机制相比于cnn结构更能关注图像的全局上下文信息,有助于神经网络对整体图像结构单元的理解和建模。近年来目标检测网络发展迅速,它可以直接定位出目标的位置并进行分类。凭借着算法不断发展以及硬件性能的提升,“ren s, he k, girshick r, et al. faster r-cnn: towards real-time objectdetection with region proposal networks [j]. advances in neural informationprocessing systems, 2015, 28.”和“redmon j, divvala s, girshick r, et al. youonly look once: unified, real-time object detection; proceedings of theproceedings of the ieee conference on computer vision and patternrecognition, f, 2016 [c].”系列网络都可以很好的对自然图像上的一般目标进行精确定位和识别。晶圆图像具有分辨率较高和目标密集排布且尺寸较小的特性,使用深度学习进行定位检测,卷积运算十分耗时且计算量大,同时晶粒检测属于小目标检测,下采样运算导致特征提取效果较差。这些问题会导致检测速度慢且精度不佳,因此这种目标检测算法在晶圆图像中表现不佳。
技术实现思路
1、为了提升密集目标场景下晶粒检测的速度和精度,本专利技术提供了基于阵列分布信息引导的晶圆晶粒检测方法。
2、首先,提出了基于四方向搜索匹配重索引算法的晶粒定位算法,能够最大程度的定位晶圆图像中的所有晶粒;其次针对晶粒相似目标分类困难的问题,通过使用设计的基于transformer组图孪生网络的晶粒图像分类算法,使用改进的resnet作为共享特征提取网络,来提取9张相邻晶粒的局部特征,利用多头自注意力机制增强结构性信息,提升分类精度。通过定位加分类的方法,提升定位检测精度,有效完成大规模晶圆的晶粒检测任务,具体技术方案如下:
3、步骤1:采集待检测晶圆图像,并进行预处理,对图像进行矫正,获得阵列结构特征参数;
4、步骤2:基于所述阵列结构特征参数对晶圆图像进行四方向搜索匹配,对晶粒进行目标定位;
5、步骤3:采用基于组图孪生卷积transformer的分类网络对定位后的晶粒进行目标分类,得到最终的检测结果。
6、可选的,所述步骤1包括:
7、步骤11:图像旋转校正;
8、采用傅里叶变换对阵列目标图像进行频域变换,得到频域特征图后计算图像偏转角度,对原图像进行旋转;
9、步骤12:计算阵列结构特征参数;
10、所述阵列结构特征参数包括:水平和垂直匹配步距、模板图像 a和 b、四方向搜索匹配区域尺寸 h× w。
11、可选的,所述步骤2包括:
12、步骤21:在晶圆图像的中心区域随机裁剪获得晶圆的局部图像,同时对整本文档来自技高网...
【技术保护点】
1.一种基于阵列分布信息引导的晶圆晶粒检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的晶圆晶粒检测方法,其特征在于,所述步骤3包括:
3.根据权利要求1所述的晶圆晶粒检测方法,其特征在于,所述步骤1采用面阵灰度相机采集晶圆图像。
4.根据权利要求1所述的晶圆晶粒检测方法,其特征在于,所述晶粒的类型包括:背景、阴影墨点、部分阴影墨点、正常、墨点、破损、破损墨点。
5.根据权利要求1所述的晶圆晶粒检测方法,其特征在于,所述基于组图孪生卷积Transformer的分类网络的训练过程包括:
6.根据权利要求5所述的晶圆晶粒检测方法,其特征在于,所述训练集和测试集按照7:3的比例进行划分。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现根据权利要求1至6中任一项所述的晶圆晶粒检测方法。
【技术特征摘要】
1.一种基于阵列分布信息引导的晶圆晶粒检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的晶圆晶粒检测方法,其特征在于,所述步骤3包括:
3.根据权利要求1所述的晶圆晶粒检测方法,其特征在于,所述步骤1采用面阵灰度相机采集晶圆图像。
4.根据权利要求1所述的晶圆晶粒检测方法,其特征在于,所述晶粒的类型包括:背景、阴影墨点、部分阴影墨点、正常、墨点、破损、破损墨点。
【专利技术属性】
技术研发人员:肖上,吴静静,安聪颖,李天贺,
申请(专利权)人:无锡九霄科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。