【技術實現步驟摘要】
本專利技術屬于半導體，具體涉及一種硅片表面缺陷識別和分類方法、系統(tǒng)、設備及介質。
技術介紹
1、硅片表面缺陷檢測是半導體行業(yè)產業(yè)線中十分重要的環(huán)節(jié)，特別是針對半導體級的拋光片的缺陷檢測，對進入后續(xù)工藝階段有較大影響。
2、目前各個半導體廠家對半導體級的硅片缺陷檢測的方法大多數是借助機器視覺輔助，找出有表面灰度值異常的硅片，靠人工復檢缺陷類型來診斷硅片是否是良品。也有借助傳統(tǒng)圖像算法對硅片進行灰度分析，進行缺陷特征的形態(tài)學分析并判定缺陷類型后，獲取缺陷樣本圖像，再借助cnn分類網絡將缺陷分類為崩邊、臟污和劃傷。
3、通過cnn分類網絡進行缺陷分類的方法雖借助深度學習對樣本進行了分類，但是經過對大量硅片生產廠家的需求調研發(fā)現，cnn網絡對硅片缺陷的分類不夠精準，存在誤分，將缺陷只分為崩邊、臟污和劃傷三種類型，大大增加了硅片的報廢率，降低了硅片產能，影響經濟效益。
技術實現思路
1、為了解決傳統(tǒng)圖像處理對硅片缺陷的分類不夠精準的問題。本專利技術提供了一種硅片表面缺陷識別和分類方法、系統(tǒng)、設備及介質。
2、為了實現上述目的，本專利技術提供如下技術方案：
3、一種硅片表面缺陷識別和分類方法，包括以下步驟：
4、獲取硅片的正反面圖像和硅片的邊緣圖像；
5、將硅片的正反面圖像和硅片的邊緣圖像輸入深度學習分類模型，輸出硅片的表面缺陷類型；所述硅片的表面缺陷類型按照危害程度分為崩邊、裂紋、劃傷、臟污和淺線痕；
6、所
7、優(yōu)選地，所述劃傷根據劃傷深度不同分為淺劃傷和深劃傷，劃傷的線條形狀為筆直點畫線或者間歇性淡紋的為淺劃傷，劃傷的線條形狀為黑色筆直的為深劃傷。
8、優(yōu)選地，在將硅片的正反面圖像和硅片的邊緣圖像輸入深度學習分類模型之前，還包括構建訓練集，通過訓練集對深度學習分類模型進行訓練，其中訓練集的獲取包括：
9、掃描硅片正反面，獲取存在表面缺陷的硅片圖像與正常的硅片圖像，將所述存在表面缺陷的硅片圖像分為多個區(qū)域塊，分別在多個區(qū)域塊中獲取設定尺寸的缺陷區(qū)域圖像作為圖像一。
10、獲取具有邊緣缺陷的硅片的側面圖像，并將硅片的側面圖像按照設定尺寸剪裁作為圖像二。
11、對正常的硅片圖像、圖像一和圖像二進行灰度處理，得到正常的硅片圖像的灰度區(qū)間，設定灰度閾值范圍；從圖像一中獲取灰度值超出灰度閾值范圍的多個缺陷樣本，多個所述缺陷樣本作為訓練集。
12、優(yōu)選地，所述灰度處理通過二值化方法，具體包括以下步驟：
13、獲取正常的硅片圖像、圖像一和圖像二的直方圖，將像素點按照灰度級范圍分成不同的bin，并統(tǒng)計每個bin中的像素點數量。
14、歸一化直方圖，使每個bin中的像素點數量除以總的像素點數量。
15、迭代計算不同灰度級像素所占圖像的比例和平均灰度。
16、計算前景像素和背景像素的方差，選擇使得方差最大的閾值，作為全局閾值。
17、優(yōu)選地，所述從圖像一中獲取灰度值超出灰度閾值范圍的多個缺陷樣本，具體包括：
18、對所述圖像一進行均值濾波處理，對濾波后圖像進行邊緣檢測，并通過regiongrowing函數將圖像分割成多個區(qū)域regions，依據灰度均值對所述多個區(qū)域regions進行篩選，提取出滿足條件的圖像區(qū)域；
19、對于所得到的圖像區(qū)域，通過形態(tài)學分析方法對圖像進行特征提取，運用腐蝕操作進一步平滑區(qū)域邊緣，通過膨脹將未連接的區(qū)域進行合并從而恢復因腐蝕而丟失的部分區(qū)域，通過開運算和閉運算提取缺陷的特征，獲得一個連通域，對連通域進行特征計算和篩選，去除非缺陷的區(qū)域，剩下的連通域中以重心為中心截取固定尺寸圖像作為缺陷樣本。
20、優(yōu)選地，所述resnet34基準網絡包括34個卷積層組成，包括16個基本塊，殘差塊由兩個3×3卷積層和一個跳躍連接。
21、優(yōu)選地，所述改進后的unet語義分割模型將損失函數設置為dice+bce復合損失函數。
22、本專利技術還提供一種硅片表面缺陷識別和分類的系統(tǒng)，包括：
23、圖像獲取模塊，用于獲取硅片的正反面圖像和硅片的邊緣圖像。
24、深度學習模塊，用于建立深度學習分類模型包括改進后的resnet34網絡和改進后的unet語義分割模型；所述改進后的resnet34網絡用于處理硅片的正反面圖像，所述改進后的resnet34網絡包括resnet34基準網絡，用深度dw卷積和gs卷積替換resnet34基準網絡中傳統(tǒng)卷積部分，在resnet34基準網絡中引入ema注意力機制；所述改進后的unet語義分割模型包括unet語義分割基準模型，在unet語義分割基準模型中加上殘差連接和cbam注意力機制。
25、分類識別模塊，用于將硅片的正反面圖像和硅片的邊緣圖像輸入深度學習分類模型，輸出硅片的表面缺陷類型。
26、本專利技術還提供一種計算機設備，包括存儲器、處理器及存儲在存儲器上的計算機程序，所述處理器執(zhí)行所述計算機程序以實現所述一種硅片表面缺陷識別和分類方法中所述的步驟。
27、本專利技術還提供一種計算機可讀存儲介質，所述存儲介質上存儲有計算機程序，其特征在于，該計算機程序被處理器加載時，能夠執(zhí)行所述一種硅片表面缺陷識別和分類方法中所述的步驟。
28、本專利技術提供的一種硅片表面缺陷識別和分類方法、系統(tǒng)、設備及介質具有以下有益效果：
29、本專利技術提出一種硅片表面缺陷的識別和分類方法，將獲取的硅片的正反面圖像和硅片的邊緣圖像分別輸入改進后的resnet34網絡和改進后的unet語義分割模型，改進后的resnet34網絡中用深度dw卷積和gs卷積替換，減少了模型參數量和計算量，并加入ema注意力機制提升模型性能；在unet語義分割基準模型中加上殘差連接和cbam注意力機制，得到改進后的unet語義分割模型。輸入圖像經過模型處理后，輸出硅片的表面缺陷類型。硅片缺陷按照危害程度分為崩邊、裂紋、劃傷、臟污、淺線痕五種類型。對于微小缺陷經過后續(xù)工藝處理后恢復為良品的小缺陷硅片，進而降低硅片報廢率，提高企業(yè)產能和效益。
本文檔來自技高網...【技術保護點】
1.一種硅片表面缺陷識別和分類方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種硅片表面缺陷識別和分類方法，其特征在于，所述劃傷根據劃傷深度不同分為淺劃傷和深劃傷，劃傷的線條形狀為筆直點畫線或者間歇性淡紋的為淺劃傷，劃傷的線條形狀為黑色筆直的為深劃傷。
3.根據權利要求1所述的一種硅片表面缺陷識別和分類方法，其特征在于，在將硅片的正反面圖像和硅片的邊緣圖像輸入深度學習分類模型之前，還包括構建訓練集，通過訓練集對深度學習分類模型進行訓練，其中訓練集的獲取包括：
4.根據權利要求3所述的一種硅片表面缺陷識別和分類方法，其特征在于，所述灰度處理通過二值化方法，具體包括以下步驟：
5.根據權利要求3所述的一種硅片表面缺陷識別和分類方法，其特征在于，所述從圖像一中獲取灰度值超出灰度閾值范圍的多個缺陷樣本，具體包括：
6.根據權利要求1所述的一種硅片表面缺陷識別和分類方法，其特征在于，所述ResNet34基準網絡包括34個卷積層組成，包括16個基本塊，殘差塊由兩個3×3卷積層和一個跳躍連接。
7.根據權利要求
8.一種硅片表面缺陷識別和分類的系統(tǒng)，其特征在于，包括：
9.一種計算機設備，包括存儲器、處理器及存儲在存儲器上的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序以實現權利要求1至7任一項所述方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器加載時，能夠執(zhí)行權利要求1至7任一項所述方法的步驟。
...【技術特征摘要】
1.一種硅片表面缺陷識別和分類方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種硅片表面缺陷識別和分類方法，其特征在于，所述劃傷根據劃傷深度不同分為淺劃傷和深劃傷，劃傷的線條形狀為筆直點畫線或者間歇性淡紋的為淺劃傷，劃傷的線條形狀為黑色筆直的為深劃傷。
3.根據權利要求1所述的一種硅片表面缺陷識別和分類方法，其特征在于，在將硅片的正反面圖像和硅片的邊緣圖像輸入深度學習分類模型之前，還包括構建訓練集，通過訓練集對深度學習分類模型進行訓練，其中訓練集的獲取包括：
4.根據權利要求3所述的一種硅片表面缺陷識別和分類方法，其特征在于，所述灰度處理通過二值化方法，具體包括以下步驟：
5.根據權利要求3所述的一種硅片表面缺陷識別和分類方法，其特征在于，所述從圖像一中獲取灰度值超出灰度閾值范圍的多個...
【專利技術屬性】
技術研發(fā)人員：焦尚彬，楊威，吳晨巖，焦汀洋，薛兵，王宇翔，賈元成，
申請(專利權)人：西安理工大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。