半导体材料SEM图像的识别与量化

摘要

半导体材料的制备主要由制备系统与监控系统两大基本要素构成，监控系统主要负责材料制备过程的监测控制，对于制备工艺的改进与意见反馈有重要作用。扫描电子显微镜（SEM）是常用的半导体制备监测设备，对半导体生长材料样品的拍摄成像可以反映材料的微观表征结构。 本文针对半导体微观结构图像的特征，为了拓展传统人工定性分析的范畴，利用图像处理方式对半导体SEM图像进行更进一步的定性分析以及定量分析，以期实现半导体生长的实时智能监控。本研究系统地梳理出适用于半导体微观结构处理的流程，在图像对比度调整、伪图干扰消除、图像分割、优化成像、定量分析等方面做了大量的测试工作，主要分为三个阶段：图像增强、图像分割及细节优化、目标对象的量化统计。 论文首先论述半导体SEM图像的增强的方法。主要包括基于模糊集理论的增强方法，伪彩色增强方法以及应用形态学高帽变换的增强方法。在伪彩色增强实验中，对比了传统彩虹编码与改进的编码方式的增强效果，证实了改进的伪彩色编码更具优越性。然后论述了半导体SEM图像的分割过程。列举了两种实用的分割算法，第一种是聚类分析领域的K-均值聚类分割算法，第二种是最大类间方差（Ostu）分割法，并在此基础上引入遗传算法（GA）寻找最大方差阈值的最优解，该算法无论是半导体识别鲁棒性还是半导体形态保留的完整性相较于K-均值聚类分割算法都有显著的增强，对于复杂度较高的半导体微观图像，更推荐Ostu与GA结合的图像分割算法。最后，在分割好的二值图像基础上，对半导体个数进行量化统计，重点研究了两种不同类型的SEM图像的量化算法，第一种是含有气流伪图干扰的纳米硅SEM图像，引入形态学去伪操作然后进行统计，第二种是密集型分布的ZnO纳米棒阵列SEM图像，引入角点检测算法进行统计，对这两种半导体图像分别提出了适合的量化算法流程。本文给出了以上研究内容的算法步骤以及仿真结果，量化部分通过代码设计，在大量实验测试结果下，以人工计数作为参照，准确率可达到97%以上，能够满足实际的统计要求。

目录

第一个书签之前

OLE_LINK3

OLE_LINK7

OLE_LINK1

OLE_LINK2

OLE_LINK8

OLE_LINK11