IC芯片光学微观形貌检测中的图像处理技术研究

摘要

目前工业领域中对微小尺寸的集成电路芯片(简称IC芯片)的检测精度和检测速度等要求越来越高,传统的人工抽检和目检检测方法难以或根本无法达到实际生产过程中对集成电路芯片的高速度以及高精度的检测要求。本文针对提高微小尺寸集成电路芯片检测精度和检测速度的目的,对计算机视觉检测理论、数字图像处理技术及关键难点进行了深入的分析和研究,针对生产过程中的集成电路芯片微观形貌检测提出了一系列新的视觉检测和图像处理方法,并运用编程实验具体验证了新方法的可行性和可靠性。 本文首先分析了基于视觉检测的理论与实践意义；介绍了计算机视觉检测关键技术的研究现状及其趋势；指出了在芯片制造领域进行计算机视觉检测的必要性和重要性；并分析了计算机视觉检测目前主要存在的问题和今后的发展趋势。 针对IC芯片检测与计算机视觉系统的应用实际,本文系统介绍了机器视觉以及图像处理的基本概念和理论,对项目进行的来源、背景以及具体实现过程和方法进行了较为详细的阐述,并对本文的研究目的,研究方法和技术路线等总体内容框架进行了讨论。之后针对IC图像检测过程,提出了一系列图像检测准备过程中的关键技术。 在图像拼接领域,针对IC芯片表面形貌图像的拼接问题,提出了基于分层八邻域方向预测算子模板搜索图像拼接方法。通过建立分层八邻域方向预测算子模板,对获得的芯片显微图像的重叠部分进行匹配点快速搜索,实现了IC芯片精密显微图像的拼接,使芯片的形貌和缺陷等细节能够得到很好的展现。 其次在图像放大领域,论述芯片图像检测中图像放大的必要性之后,并在系统研究图像放大技术基础上,结合自由曲面拟合以及造型技术方面的有关原理,提出一种新的基于NURBS自由曲面插值的图像像素插值放大的方法,并将其应用于计算机芯片图像检测的实践当中。通过获取IC图像的边缘与关键部位控制点,建立了NURBS自由曲面,并以该曲面作为基准进行图像的内部插值,从而获得放大的IC芯片图像。理论研究与实践效果证明,此方法技术可行,结果清晰,实现起来具有一定的特点和优势。 在图像分割领域,在深入分析了图像分割方法的基础之上,提出了基于Mahalobnosis空间距离的图像分割算法,通过决定彩色图像的最大类间方差以及Mahalanobis距离分割阈值,对图像像素进行归类与对赋予相应灰度值,从而实现了彩色图像的多阈值分割,完成图像彩色区域的清晰划分。并且通过编程进行了图像分割实现,证明其具有算法简单,运行高效的特点,能获取复杂图像的清晰,高质量的分割结果。在图像融合领域,通过深入分析图像小波分析原理后,在引入多尺度小波分析的基础上,提出了基于小波系数矩阵二阶矩和多尺度小波分析的图像融合算法。通过对图像中各个部分进行多阶次小波分析,本文中建立小波系数矩阵二阶矩以标识对应相关部分的图像信息的清晰度,并通过图像信息熵以标识图像信息量。通过特定选择组合机制进行小波逆向分析与图像重建,从而可获得符合信息处理要求的清晰图像。 在对人工神经网络以及BP网络进行详细分析基础上,针对计算机芯片制造中的缺陷检测要求,提出了基于Mahalanobis距离与BP人工神经网络的小波图像识别技术。在对IC芯片图像进行二维小波分析后,通过Mahalanobis距离在图像的低频小波系数的矩阵上进行目标缺陷的区域搜索与位置标定,而后根据待定目标缺陷像素分布特征建立特征参数向量,建立BP网络对目标图元进行模式识别。实验证明此方法能够有效地对IC图像进行目标缺陷的位置标定与模式识别,获得准确的缺陷识别结果。 对小波理论在芯片表面平面度的图像检测方面进行了研究,针对计算机芯片检测,提出了基于小波能量熵与二维Zernike矩的芯片表面微观不平度图像检测技术。通过对获得的芯片显微图像表面进行小波能量熵与二维Zernike矩的一系列技术处理,实现了芯片精密显微图像的表面质量检测,使芯片的形貌和缺陷等细节能够得到很好的等级表征与分类。 在详细阐述了图像处理中的常见像素细分方法的基础上,针对图像处理中NURBS曲面以及像素细分检测等技术问题进行了深入研究,提出了基于NURBS曲面与小波能量分布的芯片图像像素细分检测技术。由于采用基于NURBS曲面插值放大以及小波能量分布差分算子进行像素细分的细分与标定,具有迅速精密、技术简单与检测效率高等优点。经编程实现,获得了精确反映图像边缘的拟合方程以及清晰稳定的芯片像素细分边缘图像,之后可根据图像边缘信息完成芯片图像的边缘检测全过程。 最后对提出的图像处理新方法都经过编程予以实现,对获得的IC图像进行一系列的图像技术处理,最终完成了IC芯片图像处理全过程,并为后续的检测工作提供了良好的基础。

目录

文摘

英文文摘

声明

第一章绪论

1.1机器视觉检测的目的以及研究意义

1.2研究课题来源

1.3图像的基本概念

1.4数字图像处理应用

1.5本课题研究内容

1.6本章小结

第二章机器视觉与图像处理

2.1机器视觉

2.2机器视觉系统的主要结构

2.2.1 CCD相机

2.2.2镜头

2.2.3光源

2.3图像放大采集系统构成及工作原理

2.4机器视觉应用与图像处理技术研究现状

2.4.1机器视觉应用

2.4.2图像采集

2.4.3图像拼接

2.4.4图像分割

2.4.5图像频域分析

2.4.6图像特征识别

2.4.7图像放大

2.4.8图像形态学

2.4.9研究现状小结

2.5本章小结

第三章芯片检测相关图像处理技术

3.1基于分层八邻域方向预测算子模板搜索的图像拼接技术

3.1.1图像拼接技术概述

3.1.2基于分层八邻域方向预测算子模板搜索图像拼接方法

3.1.3基于方向预测算子遍历的图像拼接实验

3.1.4与普通图像拼接算法效果比较

3.1.5小结

3.2基于NURBS自由曲面插值的图像像素插值放大方法

3.2.1图像插值放大技术概述

3.2.2基于NURBS曲面的图像放大技术

3.2.3图像插值放大实验

3.2.4与普通插值放大算法效果比较

3.2.5小结

3.3基于Mahalanobis空间距离的彩色图像分割算法

3.3.1图像分割技术概述

3.3.2基于Mahalanobis空间距离的彩色图像分割算法

3.3.3基于类间方差法与Mahalanobis距离的彩色图像分割实验

3.3.4与普通图像分割算法效果比较

3.3.5小结

3.4基于小波分解二阶矩的图像融合技术

3.4.1图像融合技术概述

3.4.2小波分析技术概述

3.4.3基于小波二阶矩的图像融合技术

3.4.4图像融合实验

3.4.5与普通图像融合算法效果比较

3.4.6小结

3.5本章小结

第四章基于Mahalanobis距离与BP网络小波图像识别技术

4.1神经网络与模式识别技术概述

4.1.1神经网络技术概述

4.1.2模式识别技术概述

4.2 Mahalanobis距离区域搜索

4.3 BP人工神经网络进行图像识别

4.4图像识别算法实现步骤

4.5图像识别实验

4.6与其他距离度量方法识别比较

4.7本章小结

第五章基于小波能量熵与二维Zernike矩的微观不平度检测

5.1芯片表面不平度检测的重要性与必要性

5.2基于小波能量熵与Zernike矩的芯片不平度检测理论

5.2.1图像二维小波变换的数学表达

5.2.2基于小波变换的图像能量熵

5.2.3旋转不变性小波Zernike矩

5.2.4实物样本不平度检测

5.3芯片不平度检测算法实现步骤

5.4表面平面度图像检测实验

5.5本章小结

第六章基于NURBS曲面与小波能量分布像素细分检测技术

6.1像素细分的可行性

6.2亚像素定位的基本理论

6.3基于NURBS曲面与小波能量分布像素细分检测技术

6.3.1基于NURBS曲面图像插值放大

6.3.2小波能量分布算子

6.3.3边缘直线拟合与距离确定

6.4图像像素细分检测实验

6.5与普通亚像素矩检测方法的精度对比

6.6本章小结

第七章图像检测实例与数据处理

7.1计算机视觉检测的准备工作

7.1.1检测系统功能需求

7.1.2计算机视觉检测系统结构

7.1.3图像采集照明方案

7.1.4摄像机标定

7.1.5开发语言简介与界面设计

7.2图像拼接实验

7.3图像放大实验

7.4图像分割实验

7.5图像融合实验

7.6图像识别实验

7.7表面平面度图像检测实验

7.8图像像素细分检测实验

7.9精度分析

7.9.1图像检测误差种类与来源

7.9.2采取的相关措施

7.10本章小结

结论与展望

本文的主要研究成果

论文工作所取得的创新性研究成果

未来工作展望

参考文献

攻读博士学位期间取得的研究成果

致谢