【技术实现步骤摘要】
本专利技术涉及搬运机械手技术的领域，更具体地说，本专利技术涉及基于机器学习的晶圆搬运机械手自动控制方法及系统。
技术介绍
1、现有技术如：公开号为cn116277037a的中国专利公开了一种晶圆搬运机械手控制系统及方法，涉及晶圆搬运机械手智能控制
，通过预先收集晶圆搬运机械手搬运晶圆的历史训练数据集合，基于历史训练数据集合，训练出预测晶圆搬运机械手吸盘负压的机器学习模型，晶圆搬运机械手在搬运晶圆前，晶圆搬运机械手实时获取晶圆图像和生产数据，在晶圆搬运机械手的控制后台，基于晶圆图像获取晶圆的几何中心位置和重心位置，基于生产数据、机器学习模型、晶圆的几何中心位置和重心位置，为晶圆搬运机械手预先生成负压变化曲线；避免了在晶圆搬运机械手移动过程中，因速度变化导致晶圆因负压过小脱落或因负压太大被挤压变形。
2、现有技术中依然存在以下问题：
3、1、对于非均匀质量分布晶圆，没有判断待搬运晶圆的质量分布情况，导致搬运机械手无法选择适合的吸附区域，影响搬运稳定性和效率；
4、2、现有技术没有考虑到晶圆类型（晶圆类型如均匀质量分布晶圆和非均匀质量分布晶）的差异对负压曲线的影响，导致搬运过程中的风险无法有效降低；
5、鉴于此，本专利技术提出了基于机器学习的晶圆搬运机械手自动控制方法及系统以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，为实现上述目的，本专利技术提供如下技术方案：
2、基于机器学习的晶圆搬运机械手自动控制方
3、采集待搬运晶圆的晶圆图像；
4、对晶圆图像进行预处理；
5、提取预处理后的晶圆图像的轮廓；
6、将提取到的晶圆图像的轮廓添加到预处理后的晶圆图像中，将得到的晶圆图像标记为边界晶圆图像；
7、计算经过边界晶圆图像圆心的分界线两侧对应的像素块像素值之和差值的绝对值，并标记为差异像素值；
8、根据差异像素值判定晶圆类型，晶圆类型包括均匀质量分布晶圆或非均匀质量分布晶圆；
9、根据均匀质量分布晶圆和非均匀质量分布晶圆选择机械手吸附区域；
10、将差异像素值以及晶圆类型，输入到预构建的负压曲线适配模型中，获得与均匀质量分布晶圆和非均匀质量分布晶圆搬运过程相对应的负压曲线。
11、进一步地，对所述晶圆图像进行预处理的方法包括：
12、步骤s101、使用平均法，将晶圆图像转化为晶圆灰度图像；
13、步骤s102、使用中值滤波法，对晶圆图像噪声，进行平滑处理。
14、进一步地，提取预处理后的晶圆图像的轮廓的方法包括；
15、将预处理后的晶圆图像进行边缘检测；
16、对边缘检测后的晶圆图像进行二值化处理，将像素值高于预设像素阈值的点设置为白色，低于预设像素阈值的点设置为黑色；
17、采用掏空内部点的方法进行轮廓提取，若晶圆图像中目标像素为黑色，且与它相邻的8个像素点均为黑色，则将目标像素点删除，即将目标像素设为白色，遍历除去边界的每一个像素，得到只包含边缘信息的图像，即晶圆图像的轮廓。
18、进一步地，确定所述分界线的方法包括：
19、以机械手执行末端进入待吸附晶圆方向画一条经过边界晶圆图像圆心的分界线。
20、进一步地，通过差异像素值判定晶圆是否为均匀质量分布晶圆或非均匀质量分布晶圆的方法包括：
21、将差异像素值与预设像素误差阈值比对分析，若差异像素值小于预设像素误差阈值，则晶圆判定为均匀质量分布晶圆；若差异像素值大于或等于预设像素误差阈值，则晶圆判定为非均匀质量分布晶圆。
22、进一步地，根据均匀质量分布晶圆和非均匀质量分布晶圆选择机械手吸附区域的方法包括：
23、若晶圆为均匀质量分布晶圆，则选择分界线为吸附区域；若晶圆为非均匀质量分布晶圆，将分界线向像素值之和大的一侧平移一个单位位移量，选择平移后分界线为吸附区域。
24、进一步地，所述负压曲线适配模型的训练方法包括：
25、收集样本数据集，样本数据集包括晶圆特征数据，以及晶圆特征数据对应搬运过程中的负压值集合，所述晶圆特征数据包括晶圆类型与晶圆类型对应的差异像素值；
26、在对负压曲线适配模型训练前，对均匀质量分布晶圆、非均匀质量分布晶圆以及搬运过程中的负压值集合分别进行数值标注，将晶圆特征数据作为负压曲线适配模型的输入，将负压值集合的数值标注作为负压曲线适配模型的输出；将样本数据划分为训练集与测试集，使用训练集对负压曲线适配模型进行训练，得到初始负压曲线适配模型，使用测试集对初始负压曲线适配模型进行测试，以获得满足预设准确度最终的负压曲线适配模型。
27、进一步地，所述晶圆图像由设置在机械手执行末端的高清摄像机获取，且高清摄像机安装位置不会对机械手执行末端吸附晶圆造成干涉。
28、基于机器学习的晶圆搬运机械手自动控制系统，实施所述的基于机器学习的晶圆搬运机械手自动控制方法，包括：
29、晶圆图像采集模块，用于采集待搬运晶圆的晶圆图像;
30、晶圆图像预处理模块，用于对晶圆图像进行预处理;
31、轮廓提取模块,提取预处理后的晶圆图像的轮廓；
32、轮廓添加模块,将提取到的晶圆图像的轮廓添加到预处理后的晶圆图像中，将得到的晶圆图像标记为边界晶圆图像；
33、像素值计算模块,计算经过边界晶圆图像圆心的分界线两侧对应的像素块像素值之和差值的绝对值，并标记为差异像素值；
34、晶圆类型分析模块,根据差异像素值判定晶圆类型，晶圆类型包括均匀质量分布晶圆或非均匀质量分布晶圆；
35、吸附区域选择模块,根据均匀质量分布晶圆和非均匀质量分布晶圆选择机械手吸附区域；
36、负压曲线自适应模块,将差异像素值以及晶圆类型，输入到预构建的负压曲线适配模型中，获得与均匀质量分布晶圆和非均匀质量分布晶圆搬运过程相对应的负压曲线。
37、一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于机器学习的晶圆搬运机械手自动控制方法。
38、一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于机器学习的晶圆搬运机械手自动控制方法。
39、本专利技术基于机器学习的晶圆搬运机械手自动控制方法及系统技术效果和优点：
40、本实施例通过对晶圆类型的分析，判定待搬运的晶圆为均匀质量分布晶圆或非均匀质量分布晶圆，若为均匀质量分布晶圆，则搬运机械手选择经过边界晶圆图像圆心的分界线作为吸附区域，若为非均匀质量分布晶圆，则将分界线向像素值之和大的一侧平移一个单位位移量，搬运机械手选择平移后分界线为吸附区域，从而降低因晶圆质心偏离几何中心带来搬运不稳定的因素，进而使得机械手更加本文档来自技高网...
【技术保护点】
1.基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，对所述晶圆图像进行预处理的方法包括：
3.根据权利要求1所述的基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，提取预处理后的晶圆图像的轮廓的方法包括；
4.根据权利要求1所述的基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，确定所述分界线的方法包括：
5.根据权利要求1所述的基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，通过差异像素值判定晶圆是否为均匀质量分布晶圆或非均匀质量分布晶圆的方法包括：
6.根据权利要求1所述的基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，根据均匀质量分布晶圆和非均匀质量分布晶圆选择机械手吸附区域的方法包括：
7.根据权利要求1所述的基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，所述负压曲线适配模型的训练方法包括：
8.根据权利要求1所述的基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，所
9.基于机器学习的晶圆搬运机械手自动控制系统，实施权利要求1-8任一项所述的基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，包括：
10.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述的基于机器学习的晶圆搬运机械手自动控制方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8任一项所述的基于机器学习的晶圆搬运机械手自动控制方法。
...【技术特征摘要】
1.基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，对所述晶圆图像进行预处理的方法包括：
3.根据权利要求1所述的基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，提取预处理后的晶圆图像的轮廓的方法包括；
4.根据权利要求1所述的基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，确定所述分界线的方法包括：
5.根据权利要求1所述的基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，通过差异像素值判定晶圆是否为均匀质量分布晶圆或非均匀质量分布晶圆的方法包括：
6.根据权利要求1所述的基于机器学习的晶圆搬运机械手自动控制方法，其特征在于，根据均匀质量分布晶圆和非均匀质量分布晶圆选择机械手吸附区域的方法包括：
7.根据权利要求1所述的基于机器学习的晶圆搬运机...
【专利技术属性】
技术研发人员：林坚，王彭，吴国明，王栋梁，
申请(专利权)人：泓浒苏州半导体科技有限公司，
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。