【技术实现步骤摘要】
本专利技术涉及晶圆缺陷检测，更具体的说是涉及基于机器视觉的半导体晶圆缺陷检测方法及系统。
技术介绍
1、随着半导体行业的发展，半导体晶圆的生产制造需求与日俱增，但是在半导体晶圆的生产制备过程中，不可避免的会出现质量缺陷问题，因此工厂不得不借助显微镜等工具来人工观察产品。
2、例如公告号为cn114160450a的中国专利技术专利提供了一种半导体晶圆检测系统及其检测方法，该专利技术通过显微系统对晶圆进行检测，但由人工通过显微系统进行检测时容易出现误判或检测速度慢等问题，因此现有技术存在不足。
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的在于提供一种基于机器视觉的半导体晶圆缺陷检测方法及系统，通过机器视觉产品将半导体晶圆转换成图像信号，传送给专用的图像处理设备，并进一步对图像进行处理，实现对半导体晶圆缺陷的检测。
2、为实现上述目的，本专利技术提供了如下技术方案：
3、本专利技术提供一种基于机器视觉的半导体晶圆缺陷检测方法，包括：
4、获取待检测的半导体晶圆图像；
5、基于所述晶圆图像提取晶粒图像；
6、基于所述晶粒图像和预设图像，得到存在缺陷的具体位置，所述预设图像为没有缺陷的晶粒图像；
7、根据所述存在缺陷的具体位置，确定所述缺陷的形态特征；
8、根据所述缺陷的形态特征，确定所述缺陷的类型。
9、作为本专利技术的进一步改进，所述基于所述晶圆图像提取晶粒图像，包括
10、将所述晶圆图像与高斯核卷积得到高斯金字塔，并将所述高斯金字塔的相邻层相减得到高斯差分金字塔；
11、将所述高斯差分金字塔内的每个像素点与其相邻的所有像素点进行对比，确定极值点；
12、利用泰勒公式将所述高斯差分金字塔在所述极值点展开，并计算所述极值点的偏移量，将所述偏移量小于预设值的所述极值点作为特征点；
13、根据所述特征点构造特征向量，并将所述特征向量与预设特征向量进行匹配，得到所述晶粒图像，所述预设特征向量根据所述预设图像计算得到。
14、作为本专利技术的进一步改进，根据所述特征点构造特征向量，包括：
15、以所述特征点为中心，选取预设半径内的圆形区域，所述圆形区域位于晶粒所在区域的内部；
16、将所述圆形区域划分为m个圆环区域，m为大于1的正整数；
17、将所述圆形区域分为n个区间，每个所述区间的角度相同，得到m×n个子区域，n为大于1的正整数；
18、在每个所述子区域内，计算每个像素点的幅值，并将所述每个像素点的幅值进行加权得到所述子区域的特征值；
19、将每个所述子区域的所述特征值进行组合，得到所述特征点的所述特征向量。
20、作为本专利技术的进一步改进，所述幅值的计算公式具体为：其中(x,y)为所述像素点的坐标，σ为尺度空间因子，和分别为在水平和垂直方向的差分，其中和分别为所述高斯金字塔沿水平方向和垂直方向的一阶差分。
21、作为本专利技术的进一步改进，所述基于所述晶粒图像和预设图像，得到存在缺陷的具体位置，包括：
22、将所述晶粒图像分解为光照反映模型，并将所述光照反映模型进行对数变换；
23、将所述对数变换的结果进行傅里叶变换，并进行频域滤波；
24、将所述频域滤波的结果转化为空间域，得到目标图像；
25、根据所述目标图像和所述预设图像，得到存在缺陷的具体位置。
26、作为本专利技术的进一步改进，根据所述目标图像和所述预设图像，得到存在缺陷的具体位置，包括：
27、将所述目标图像与所述预设图像转化为灰度图像，得到灰度目标图像与灰度预设图像；
28、将所述灰度目标图像与灰度预设图像做差，得到两幅图像的差值；
29、根据所述差值，确定所述缺陷的具体位置。
30、作为本专利技术的进一步改进，根据所述差值，确定所述缺陷的具体位置，包括：
31、若所述差值为负数，将所述负数与预设阈值进行比较；
32、若所述负数大于等于预设阈值，将所述负数取绝对值，若所述负数小于预设阈值，将所述负数置零，得到更新后的差值；
33、根据所述更新后的差值，确定所述缺陷的具体位置。
34、作为本专利技术的进一步改进，根据所述缺陷的形态特征，确定所述缺陷的类型，包括：
35、根据所述缺陷的灰度熵确定所述缺陷的复杂程度和纹理信息；
36、根据所述缺陷的轮廓尺寸计算所述缺陷的类矩度；
37、根据所述缺陷的面积和轮廓长度计算所述缺陷的完整度；
38、根据所述复杂程度和纹理信息、所述类矩度和所述完整度，确定所述缺陷的类型。
39、作为本专利技术的进一步改进，所述灰度熵的计算公式具体为：gary_entropy＝-∑(p(i)×log2(p(i)))，其中i为所述缺陷的灰度值，p(i)为灰度值i的归一化频率。
40、本专利技术提供一种基于机器视觉的半导体晶圆缺陷检测系统，包括：
41、采集模块：用于获取待检测的半导体晶圆图像；
42、匹配模块：用于在所述晶圆图像中提取晶粒图像；
43、定位模块：用于基于所述晶粒图像和预设图像，得到存在缺陷的具体位置，所述预设图像为没有缺陷的晶粒图像；
44、分类模块：用于根据所述存在缺陷的具体位置，确定所述缺陷的形态特征，并根据所述缺陷的形态特征，确定所述缺陷的类型。
45、本专利技术通过机器视觉产品获取半导体晶圆的图像，从晶圆图像中提取晶粒图像，并对晶粒图像进行图像处理，基于图像处理的结果实现对晶圆缺陷的检测，即使用机器代替人眼来做测量和判断，提高了检测效率，弥补了人工检测方法的不足。
本文档来自技高网...【技术保护点】
1.基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，所述基于所述晶圆图像提取晶粒图像，包括：
3.根据权利要求2所述的基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，根据所述特征点构造特征向量，包括：
4.根据权利要求3所述的基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，所述幅值的计算公式具体为：其中(x,y)为所述像素点的坐标，σ为尺度空间因子，和分别为在水平和垂直方向的差分，其中和分别为所述高斯金字塔沿水平方向和垂直方向的一阶差分。
5.根据权利要求1所述的基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，所述基于所述晶粒图像和预设图像，得到存在缺陷的具体位置，包括：
6.根据权利要求5所述的基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，根据所述目标图像和所述预设图像，得到存在缺陷的具体位置，包括：
7.根据权利要求6所述的基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，根据所述差值，确定所述缺陷的具体位置，包
8.根据权利要求1所述的基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，根据所述缺陷的形态特征，确定所述缺陷的类型，包括：
9.根据权利要求8所述的基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，所述灰度熵的计算公式具体为：gary_entropy＝-∑(P(i)×log2(P(i)))，其中i为所述缺陷的灰度值，P(i)为灰度值i的归一化频率。
10.基于机器视觉的半导体晶圆缺陷检测系统，其特征在于，包括：
...【技术特征摘要】
1.基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，所述基于所述晶圆图像提取晶粒图像，包括：
3.根据权利要求2所述的基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，根据所述特征点构造特征向量，包括：
4.根据权利要求3所述的基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，所述幅值的计算公式具体为：其中(x,y)为所述像素点的坐标，σ为尺度空间因子，和分别为在水平和垂直方向的差分，其中和分别为所述高斯金字塔沿水平方向和垂直方向的一阶差分。
5.根据权利要求1所述的基于机器视觉的半导体晶圆缺陷检测方法，其特征在于，所述基于所述晶粒图像和预设图像，得到存在缺陷的具体位置，包括：
<...【专利技术属性】
技术研发人员：惠洁，李硕硕，张永帅，胡浩，顾云龙，
申请(专利权)人：视拓苏州工业自动化有限公司，
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。