【技术实现步骤摘要】
本申请涉及半导体芯片检测，具体而言，涉及一种晶粒坐标排序方法及系统。
技术介绍
1、在工业生产过程中，受制作工艺水平的高低影响，晶圆、封装和pcb等表面会出现诸如异物、芯片缺失、划伤、斑点等缺陷，这些缺陷会严重影响了电子芯片的质量和寿命，也给芯片制造商带来了巨大的经济损失。
2、在芯片检测过程中，因为相机需要拍摄全部小料的局部细节，所以就会出现多次拍摄同一个芯片的情况。如果算法不能兼容相机多次拍摄过程中出现晶粒相邻间距宽窄不一、个别或者局部小料缺失及歪斜等极端情况，就会导致最后可视化环节中出现小料排序错乱，即小料排序坐标和实际图片的小料不对应等情况。
3、为节省人力成本和提高生成效率，必须使用计算机视觉的方式来代替人工进行质检和排序。目前市面上现有的晶粒排序方案存在诸多不足：
4、1、晶粒排列情况繁多复杂，如相邻晶粒缺失、整行整列缺失、贯穿性区域缺失、相邻两行或两列晶粒宽度大于正常晶粒宽度间距等。特别是针对晶圆晶粒尺寸微小，拍摄轨迹多变的情况，如果没有准确无误的排序方式，则需要人工借助显微镜进行观察。每一张圆片或者方片上的晶粒数量都在几十万级以上，此种情况下，人工检测效率低、而且极易出现错误的情况，很难保证准确和高效等；
5、2、只在主机上进行计算的效率较低，当主机上其他计算负载较高时，而且是串行计算，很难满足实际产线的需求。
技术实现思路
1、本申请的目的在于提供一种晶粒坐标排序方法及系统，通过八邻域方式对晶粒进行排序，以提高晶粒排
2、本申请提供了一种晶圆晶粒排列检测方法，包括以下步骤：
3、按照预设扫描轨迹拍摄整张待测料片，进行图像采集，得到一系列局部含小料的拍摄图像；并将含小料的拍摄图像进行分发；
4、根据预设模板，对分发后的含小料的拍摄图像进行小料定位和缺陷检测，然后根据缺陷检测结果，按照缺陷类型对含小料的拍摄图像进行分选；
5、根据分选结果以及预设扫描轨迹，采用八邻域方式对晶粒进行排序，并输出排序结果。
6、可选地，所述预设扫描轨迹为z字型扫描轨迹或s型扫描轨迹。
7、可选地，所述预设模板为基于opencv的形状模板；
8、所述基于opencv的形状模板的生成包括以下步骤：
9、通过canny算法得到边缘图像，基于轮廓发现得到所有的轮廓点集；
10、基于sobel梯度算子计算轮廓点集中的每个点的x轴方向算子、y轴方向算子和梯度；
11、基于每个点的x轴方向算子、y轴方向算子和梯度生成预设模板信息。
12、可选地，所述根据预设模板，对分发后的含小料的拍摄图像进行小料定位和缺陷检测，然后根据缺陷检测结果，按照缺陷类型对含小料的拍摄图像进行分选，具体为：
13、根据预设模板，对拍摄图像进行匹配，定位出每个芯片的位置，得到各芯片中每颗晶粒的坐标位置；
14、根据晶粒坐标位置，和预设模板初始坐标位置生成一个仿射转换矩阵；
15、将预先设置的检测区域基于仿射转换矩阵进行仿射变换，然后将仿射变换之后的区域所对应的图像范围当作小料区域；
16、把对应的小料区域单独切割出来，并将其作为分选图像；
17、将分选图像输入训练好的分选模型进行缺陷检测，然后按照缺陷类型进行分选，并输出分选结果。
18、可选地，所述分选模型为基于深度学习算法的分选模型，所述分选模型的训练包括以下步骤：
19、收集超过预设张数的含小料的拍摄图像的数据，确定缺陷类型；
20、然后通过aoi算法或ai算法对小料图片的数据进行分选，得到经过标注后的训练数据；
21、利用训练数据对基于深度学习算法的分选模型进行训练。
22、可选地，所述根据分选结果以及预设扫描轨迹，采用八邻域方式对晶粒进行排序，并输出排序结果，具体包括：
23、根据预设扫描轨迹，按行/列输入经分选后的含小料的拍摄图像检测后的所有坐标点集；
24、判断是否遍历完所有行/列；
25、若是，则将每行/列含小料的拍摄图像上全部小料按上下的方式拼接，得到全局的label坐标；
26、若否，则继续遍历剩下的行/列数据，并判断针对行数据中的单张图进行/列遍历，判断是否遍历完单张含小料的拍摄图像；
27、若是，则将同一行/列内的单张含小料的拍摄图像上所有小料按八邻域的方式进行排序；
28、若否，则继续遍历单张含小料的拍摄图像，然后再采用八邻域方式对晶粒进行排序，得到单张含小料的拍摄图像上局部的label数据。第二方面，本申请还提供了一种晶粒坐标排序系统，该系统包括：图像采集模块、检测模块、排序模块；
29、所述图像采集模块用来按照预设扫描轨迹拍摄整张待测料片，进行图像采集，得到一系列局部含小料的拍摄图像；并将含小料的拍摄图像进行分发并将含小料的拍摄图像进行分发到检测模块；
30、所述检测模块用来根据预设模板，对分发后的含小料的拍摄图像进行定位小料和缺陷检测，然后根据缺陷检测结果，按照缺陷类型对含小料的拍摄图像进行分选；
31、所述排序模块用来接收分选结果，并根据分选结果以及预设扫描轨迹，采用八邻域方式对晶粒进行坐标排序，并输出排序结果。
32、可选地，所述系统还包括可视化显示模块，所述可视化显示模块将排序结果进行显示。
33、可选地，所述预设扫描轨迹为z字型扫描轨迹或s型扫描轨迹；
34、所述预设模板为基于opencv的形状模板；
35、所述基于opencv的形状模板的生成包括以下步骤：
36、通过canny算法得到边缘图像，基于轮廓发现得到所有的轮廓点集；
37、基于sobel梯度算子计算轮廓点集中的每个点的x轴方向算子、y轴方向算子和梯度；
38、基于每个点的x轴方向算子、y轴方向算子和梯度生成预设模板信息；
39、所述检测模块具体执行以下步骤：
40、根据预设模板，对拍摄图像进行匹配，定位出每个芯片的位置，得到各芯片中每颗晶粒的坐标位置；
41、根据晶粒坐标位置，和预设模板初始坐标位置生成一个仿射转换矩阵；
42、将预先设置的检测区域基于仿射转换矩阵进行仿射变换，然后将仿射变换之后的区域所对应的图像范围当作小料区域；
43、把对应的小料区域单独切割出来，并将其作为分选图像；
44、将分选图像输入训练好的分选模块进行缺陷检测，然后按照缺陷类型进行分选，并输出分选结果；
45、所述分选模型为基于深度学习算法的分选模型，所述分选模型的训练包括以下步骤：
46、收集超过预设张数的含小料的拍摄图像的数据，确定缺陷类型；
47、然后通过aoi算法或ai算法对小料图片的数据进行分选，得到经过标注后的训练数据；本文档来自技高网...
【技术保护点】
1.一种晶粒坐标排序方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种晶粒坐标排序方法，其特征在于，所述预设扫描轨迹为Z字型扫描轨迹或S型扫描轨迹。
3.根据权利要求2所述的一种晶粒坐标排序方法，其特征在于，所述预设模板为基于OpenCV的形状模板；
4.根据权利要求3所述的一种晶粒坐标排序方法，其特征在于，所述根据预设模板，对分发后的含小料的拍摄图像进行小料定位和缺陷检测，然后根据缺陷检测结果，按照缺陷类型对含小料的拍摄图像进行分选，具体为：
5.根据权利要求4所述的一种晶粒坐标排序方法，其特征在于，所述分选模型为基于深度学习算法的分选模型，所述分选模型的训练包括以下步骤：
6.根据权利要求5所述的一种晶粒坐标排序方法，其特征在于，所述根据分选结果以及预设扫描轨迹，采用八邻域方式对晶粒进行排序，并输出排序结果，具体包括：
7.一种晶粒坐标排序系统，其特征在于，该系统包括：图像采集模块、检测模块、排序模块；
8.根据权利要求7所述的一种晶粒坐标排序系统，其特征在于，所述系统还包
9.根据权利要求8所述的一种晶粒坐标排序系统，其特征在于，所述预设扫描轨迹为Z字型扫描轨迹或S型扫描轨迹；
10.根据权利要求9所述的一种晶粒坐标排序系统，其特征在于，所述排序模块具体执行以下步骤：
...【技术特征摘要】
1.一种晶粒坐标排序方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种晶粒坐标排序方法，其特征在于，所述预设扫描轨迹为z字型扫描轨迹或s型扫描轨迹。
3.根据权利要求2所述的一种晶粒坐标排序方法，其特征在于，所述预设模板为基于opencv的形状模板；
4.根据权利要求3所述的一种晶粒坐标排序方法，其特征在于，所述根据预设模板，对分发后的含小料的拍摄图像进行小料定位和缺陷检测，然后根据缺陷检测结果，按照缺陷类型对含小料的拍摄图像进行分选，具体为：
5.根据权利要求4所述的一种晶粒坐标排序方法，其特征在于，所述分选模型为基于深度学习算法的分选模型，所述分选模型的训练包...
【专利技术属性】
技术研发人员：单书畅，别晓辉，李智勇，别伟成，
申请(专利权)人：视睿杭州信息科技有限公司，
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。