法律状态公告日
法律状态信息
法律状态
2019-08-06
授权
授权
2018-07-31
实质审查的生效 IPC(主分类):G06T7/62 申请日:20180115
实质审查的生效
2018-07-06
公开
公开
技术领域
本发明属于计算机技术领域,更进一步涉及集成电路和计算机分布式数据处理技术领域中的一种基于分布式处理框架Hadoop的大规模集成电路版图图像线网的开路关键面积提取方法。本发明应用分布式文件系统HDFS(Hadoop Distributed File System)对输入位图版图进行分布式的存储及应用映射-化简(MapReduce)架构对位图版图中的线网进行开路关键面积提取操作,可用于高效率地提取大规模位图版图中线网的开路关键面积。
背景技术
集成电路制造过程中出现的随机缺陷会引起电路的开路故障,从而降低集成电路芯片的成品率。开路关键面积是指集成电路中容易因随机缺陷而产生电路开路故障的关键区域面积,如果在这些区域出现随机缺陷,电路就必然会出现开路故障。开路关键面积是对随机缺陷导致的版图开路故障的一个量化,因此开路关键面积的分布和大小对提高芯片成品率有着至关重要的作用。基于图像处理技术的开路关键面积提取方法是以可能出现的随机缺陷为结构元素,利用数学形态学的方法计算集成电路版图图像的开路关键面积,但是运算时间复杂度大,效率低,不能适用于大规模集成电路的开路关键面积提取。
浙江大学在其拥有的专利技术“一种快速提取版图关键面积的方法”(专利申请号201010108651.4,授权公告号101789048B)中公开了一种提取版图关键面积方法。该方法的实现步骤是,1.提取版图信息,对集成电路版图的基本图形单元进行分类;2.建立分块有序多级索引表;3.利用分块有序多级索引表来分层遍历版图树;4.提取出所有与缺陷多边形重合的图形;5.计算出版图关键面积。该方法存在不足之处是,建立多级分块有序索引表需要大量的内存空间和运算量,随着版图规模的增大,该方法很耗机器内存和CPU等资源,需要硬件配置很高的计算机才能稳定提取。
王乐在其发表的论文“基于图像处理技术的开路关键面积提取”(2012年,西安电子科技大学硕士论文)中提出了一种提取版图开路关键面积的方法。该方法的基本思想是读入含有版图线网信息的位图,通过数学形态学中细化运算获取线网拓扑路径曲线;借助于数学形态学中击中击不中变换识别线网边界上的拓扑路径的线端,获取线网流向轴,进而提取线网流向边。对线网流向边进行膨胀运算并对膨胀结果进行叠加;基于数学形态学的集合运算提取叠加后的重叠区域,计算开路关键区域的面积,即开路关键面积。该方法存在的不足之处是,缺陷中心对应的线网位置以版图线网的一个网格为单位做膨胀过程中的重复运算,随着集成电路线网规模的扩大,开路关键面积提取工作效率不高。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于分布式处理框架Hadoop的集成电路版图开路关键面积提取方法,该方法可以提高大规模集成电路版图中线网的开路关键面积提取的效率,解决在单机串行提取开路关键面积时效率低的问题。
实现本发明目的的具体步骤如下:
(1)读取集成电路的版图图像:
(1a)读取标准文件图像BMP格式的待提取开路关键面积的集成电路版图中的全部版图图像;
(1b)将读取的每一幅版图图像保存为自定义的格式X_Y_Z.bmp;
(2)上传集成电路的版图图像至分布式处理框架Hadoop:
(2a)使用分布式处理框架Hadoop集群的启动命令start-all.sh,启动分布式处理框架Hadoop集群;
(2b)将读取的全部集成电路的版图图像,上传到分布式文件系统HDFS中;
(3)在分布式处理框架Hadoop下分块存储集成电路的版图图像:
(3a)分布式文件系统HDFS对上传到该系统中的版图图像进行分块;
(3b)在分布式处理框架Hadoop集群的各个数据节点中平均地存储分块后的版图图像;
(4)将分布式处理框架Hadoop数据节点的版图图像分片:
(4a)从分布式处理框架Hadoop集群中随机选取一个数据节点,使用组合文件输入格式CombineFileInputFormat,将所选取的数据节点中的版图图像划分成分片大小为64M的组合分片CombineFileSplit图像数据集;
(4b)从组合分片CombineFileSplit图像数据集中,随机选取一个组合分片;
(5)转换版图图像为映射类Map的输入键值对key1/value1:
(5a)通过分布式处理框架Hadoop的路径信息函数getPath,得到所选取的组合分片中版图图像的路径信息;
(5b)利用图像处理库JavaCV中的图像像素数据转换函数cvDecodeImage,将路径信息中对应的版图图像转换为分布式处理框架Hadoop中图像类型ImageWritable的图像数据,将路径信息中版图图像的文件名,作为映射类Map中键值对的键key1,将版图图像的数据作为键key1对应的value1;
(6)对版图图像进行预处理:
(6a)将键key1对应的value1转换为图像处理库JavaCV图像格式IplImage中的版图图像数据;
(6b)利用灰度值计算公式,计算IplImage格式的版图图像中每个像素点的灰度值,将计算后所有像素点的灰度值,组成灰度化后的版图图像;
(6c)使用最大类间方差法,计算灰度化后版图图像的全局阈值;
(6d)利用二值计算公式,计算每个灰度化后版图图像像素点的二值,将计算的所有像素点的二值,组成二值化后的版图图像;
(7)提取版图图像线网边缘:
(7a)采用图像边缘检测方法,对二值化后的版图图像进行边缘检测,得到版图图像中线网边缘;
(7b)从版图图像中的线网边缘的列坐标开始依次顺序编号,得到连通区域及线网边缘的总数;
(8)提取版图图像线网的水平方向边缘和竖直方向边缘:
分别定义一个1×3的元素值全为1的矩阵和一个3×1的元素值全为1的矩阵,以1×3的元素值全为1的矩阵为结构元素,对当前编号线网的边缘进行腐蚀操作,得到当前编号线网的水平方向边缘,以3×1的元素值全为1的矩阵为结构元素,对当前编号线网的边缘进行腐蚀操作,得到当前编号线网的竖直方向边缘;
(9)对版图图像线网边缘进行膨胀操作:
(9a)按照能够造成集成电路版图线网开路的缺陷在矩阵上的转换规则,定义一个缺陷矩阵DD1×D2,其中,D1表示缺陷矩阵的行,D2表示缺陷矩阵的列;
(9b)分别定义一个水平方向边缘图像矩阵和竖直方向边缘图像矩阵,并按照线网边缘的编号顺序,依次提取线网的水平方向边缘与竖直方向边缘,分别存储于水平方向边缘图像矩阵和竖直方向边缘图像矩阵中,将当前编号线网两条水平方向边缘图像矩阵的首元素的横坐标相减,将差值作为当前编号线网水平方向边缘的最小距离;将当前编号线网两条竖直方向边缘图像矩阵的首元素的横坐标相减,将差值作为当前编号线网竖直方向边缘的最小距离;
(9c)判断当前编号线网水平方向边缘的最小距离是否大于缺陷矩阵行的总数,若是,则执行步骤(9e),否则,执行步骤(9d);
(9d)以缺陷矩阵为结构元素,对当前编号线网的水平方向边缘进行数学形态学的膨胀操作;
(9e)判断当前编号线网的竖直方向边缘的最小距离是否大于缺陷的列的总数,若是,则执行步骤(9g),否则,执行步骤(9f);
(9f)以缺陷矩阵为结构元素,对当前编号的线网竖直边缘进行数学形态学的膨胀操作;
(9g)将当前编号线网水平方向边缘膨胀后的图像像素值与当前编号线网竖直方向边缘膨胀后的像素值对应相加;
(9h)定义一个图像处理矩阵格式cvMat的图像存储矩阵,存储当前编号线网水平方向边缘膨胀后的图像像素值与当前编号线网竖直方向边缘膨胀后的像素值对应相加的结果;
(10)判断当前线网边缘的编号是否与线网边缘的总数相等,若是,则执行步骤(10),否则,将线网边缘的编号加1后执行步骤(8);
(11)计算开路关键面积:
计算存放线网边缘膨胀结果的图像存储矩阵中像素值大于1的区域的面积,作为开路关键面积;
(12)判断当前组合分片中的版图图像是否已全部提取开路关键面积,若是,则执行步骤(13),否则,执行步骤(5);
(13)判断当前选取的数据节点中的组合分片是否已全部提取开路关键面积,若是,则执行步骤(14),否则,执行步骤(4);
(14)通过分布式处理框架Hadoop输出开路关键面积:
将路径信息中版图图像的文件名作为映射类Map输出键值对的键key2,将提取的开路关键面积作为文本类型Text的键key2对应的value2;
(15)设置分布式处理框架Hadoop的化简类Reduce:
(15a)汇总全部数据节点中的映射类Map的输出键值对key2/value2;
(15b)将键key2输出到已设置输出路径的固定文件夹中;
(15c)将计算所得的开路关键面积以键值对key2/value2中的value2,输出到分布式文件系统HDFS的开路关键面积文件夹中;
(16)提交提取开路关键面积的任务:
(16a)初始化分布式处理框架Hadoop集群中数据节点的任务Job;
(16b)将提取开路关键面积的任务提交到分布式处理框架Hadoop集群中。
本发明与现有的技术相比具有以下优点:
第1,由于本发明在分布式处理框架Hadoop下分块存储集成电路的版图图像,将分布式处理框架Hadoop数据节点的版图图像分片,转换版图图像为映射类Map的输入键值对key1/value1,将路径信息中版图图像的文件名,作为映射类Map中键值对的键key1,将版图图像的数据作为键key1对应的value1,计算开路关键面积,克服了现有技术很耗机器内存和CPU等资源,需要硬件配置很高的计算机才能稳定提取开路关键面积的问题,使得本发明具有使用多个普通的硬件计算机搭建的分布式处理框架分布式处理框架Hadoop集群,就能完成大规模集成电路线网的开路关键面积提取工作的优点。
第2,由于本发明提取版图图像线网的水平方向边缘和竖直方向边缘,判断当前编号线网水平方向边缘的最小距离是否大于缺陷矩阵行的总数,判断当前编号线网的竖直方向边缘的最小距离是否大于缺陷的列的总数,以缺陷矩阵为结构元素,对当前编号的线网水平方向边缘进行数学形态学的膨胀操作,对当前编号的线网竖直方向边缘进行数学形态学的膨胀操作,克服了现有技术中随着集成电路线网规模的扩大,开路关键面积提取工作效率不高的问题,使得本发明提高了提取大规模集成电路线网开路关键面积的效率。
附图说明
图1为本发明的流程图。
图2为本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,对本发明的具体实施步骤做进一步的描述。
步骤1,读取集成电路的版图图像。
读入标准文件图像BMP格式的待提取短路关键面积的集成电路版图中的全部版图图像。
将读入的每一幅版图图像保存为自定义的格式X_Y_Z.bmp。
按照版图的层数自上而下地选取每一层的版图图像,用自定义格式X_Y_Z.bmp中的X来表示,将每一层的版图图像按照自左至右的顺序分为多张像素值大小为900*900的标准文件图像格式BMP图像,用Y来表示每一幅900*900的标准文件图像格式BMP图像在集成电路版图图像中所在位置的起始行的值,用Z来表示每一幅900*900的标准文件图像格式BMP图像在集成电路版图图像中所在位置的起始列的值。
步骤2,上传集成电路的版图图像至分布式处理框架Hadoop。
使用分布式处理框架Hadoop集群的启动命令start-all.sh,启动分布式处理框架Hadoop集群。
将读入的全部集成电路的版图图像,上传到分布式文件系统HDFS中。
步骤3,在分布式处理框架Hadoop下分块存储集成电路的版图图像。
分布式文件系统HDFS对上传到该系统中的版图图像进行分块。
在分布式处理框架Hadoop集群的各个数据节点中平均地存储分块后的版图图像。
步骤4,对分布式处理框架Hadoop中每个数据节点的版图图像进行分片。
从分布式处理框架Hadoop集群中随机选取一个数据节点,使用组合文件输入格式CombineFileInputFormat,将所选取的数据节点中的版图图像划分成分片大小为64M的组合分片CombineFileSplit图像数据集。
从组合分片CombineFileSplit图像数据集中,随机选取一个组合分片。
步骤5,转换版图图像为映射函数Map的输入键值对key1/value1。
通过分布式处理框架Hadoop的路径信息函数getPath,得到所选取的组合分片中版图图像的路径信息。
利用图像处理库JavaCV中的图像像素数据转换函数cvDecodeImage,将路径信息中对应的版图图像转换为分布式处理框架Hadoop中图像类型ImageWritable的图像数据,将路径信息中版图图像的文件名作为键key1,将版图图像的数据作为键key1对应的value1。
步骤6,对版图图像进行预处理。
将键key1对应的value1转换为图像处理库JavaCV图像格式IplImage中的版图图像数据。
利用灰度值计算公式,计算IplImage格式的版图图像中每个像素点的灰度值,将计算后所有像素点的灰度值,组成灰度化后的版图图像。
灰度值计算公式如下:
Li=0.299×Ri+0.587×Gi+0.114×Bi
其中,Li表示版图图像中第i个像素点的灰度值,Ri表示版图图像中的第i个像素点的红色分量,Gi表示版图图像中的第i个像素点的绿色分量,Bi表示版图图像中的第i个像素点的蓝色分量。
使用最大类间方差法,计算灰度化后版图图像的全局阈值。具体步骤如下:
第1步,从灰度化后版图图像中,任选一个未被使用过的像素点的灰度值作为参考灰度值。
第2步,将灰度值大于参考灰度值的灰度化后版图图像的像素点,作为前景像素点;将灰度值小于参考灰度值的灰度化后版图图像的像素点,作为背景像素点。
第3步,将背景像素点在灰度化后版图图像的所有像素点中所占的比例,作为背景像素点比例;将前景像素点在灰度化后版图图像的所有像素点中所占的比例,作为前景像素点比例。
第4步,将背景像素点灰度均值,作为背景平均灰度;将前景像素点灰度均值,作为前景平均灰度。
第5步,按照下式,计算灰度化后版图图像的前景和背景之间的类间方差值。
g=ω0×ω1×(μ0-μ1)2
其中,g表示版图图像的前景和背景之间的类间方差值,ω0表示背景像素点比例,ω1表示前景像素点比例,μ0表示背景平均灰度,μ1表示前景平均灰度。
第6步,判断版图图像中的未被使用过的像素点中是否还存在灰度与已使用过的所有参考灰度值都不同的像素点,若是,则执行本步骤的第1步,否则,执行本步骤的第7步。
第7步,将类间方差中最大的类间方差所使用的参考灰度值,作为灰度化后版图图像的全局阈值。
利用二值计算公式,计算每个灰度化后版图图像像素点的二值,将计算的所有像素点的二值,组成二值化后的版图图像。
二值计算公式如下:
其中,BWi表示灰度化后版图图像中第i个像素点的二值,Li表示灰度化后版图图像中第i个像素点的灰度值,T表示灰度化后版图图像的全局阈值。
步骤7,提取图像线网边缘。
第1步,采用图像边缘检测方法,对二值化后的版图图像进行边缘检测,得到版图图像中线网的边缘。
以3*3的全1矩阵为结构元素,对二值化版图图像进行数学形态学腐蚀操作,得到腐蚀后的版图图像,用二值化版图图像减去腐蚀后的版图图像对应像素点处像素值,二值化版图图像的边缘由相减后的像素点组成。
第2步,对从版图图像中的线网边缘的列坐标开始依次顺序编号,得到连通区域及线网边缘的总数。由于版图中的线网都是彼此独立的,因此可以根据求连通域求得线网的条数并对线网进行标记,一个连通域区域就是一个闭合线网的区域,因此针对不同的线网,线网的像素值与对线网的标记值是一致的,连通域的数目就是所求图像上线网的数目。
步骤8,提取版图图像线网的水平方向边缘和竖直方向边缘,定义一个1×3的元素值全为1的矩阵和一个3×1的元素值全为1的矩阵,分别以此矩阵为结构元素,对当前编号线网的边缘进行腐蚀操作,分别得到当前编号线网的水平方向边缘和竖直方向边缘,并把当前编号线网的水平边缘存储在和原版图图像矩阵大小一样的矩阵result1中,把当前编号线网的竖直边缘存储在和原版图图像存储矩阵大小一样的矩阵result2中。
步骤9,对版图图像线网边缘进行膨胀操作。
第1步,按照能够造成集成电路版图线网开路的缺陷在矩阵上的转换规则,定义一个缺陷矩阵DD1×D2,其中,D1表示缺陷矩阵的行,D2表示缺陷矩阵的列,D(i,j)=0或1,0≤i<D1,0≤j<D2,如果缺陷覆盖矩阵中坐标为i,j的点,该坐标点的值D(i,j)=1,否则D(i,j)=0,真实缺陷由D(i,j)=1的坐标点组成,对于随机缺陷D(XC,YC),XC,YC是形心,XC=Mx/A,YC=My/A,其中,Mx,My为缺陷对X轴和Y轴的一阶矩,A为缺陷的面积。
第2步,分别定义一个水平方向边缘图像矩阵和竖直方向边缘图像矩阵,并按照线网边缘的编号顺序,依次提取线网的水平方向边缘与竖直方向边缘,分别存储于水平方向边缘图像矩阵和竖直方向边缘图像矩阵中,将当前编号线网两条水平方向边缘图像矩阵的首元素的横坐标相减,将差值作为当前编号线网水平方向边缘的最小距离;将当前编号线网两条竖直方向边缘图像矩阵的首元素的横坐标相减,将差值作为当前编号线网竖直方向边缘的最小距离。
第3步,判断当前编号线网水平方向边缘的最小距离是否大于缺陷矩阵行的总数,若是,则执行本步骤的第5步,否则,执行本步骤的第4步。
第4步,以缺陷为结构元素,对当前编号的线网水平边缘进行数学形态学的膨胀操作。
第5步,判断当前编号线网水平方向边缘的最小距离是否大于缺陷矩阵列的总数,若是,则执行步骤7,否则,执行本步骤的第6步。
第6步,以缺陷为结构元素,对当前编号的线网竖直边缘进行数学形态学的膨胀操作。
第7步,将当前编号线网水平方向边缘膨胀后的图像像素值与当前编号线网竖直方向边缘膨胀后的像素值对应相加。
第8步,定义一个图像处理矩阵格式cvMat的图像存储矩阵,存储当前编号线网水平方向边缘膨胀后的图像像素值与当前编号线网竖直方向边缘膨胀后的像素值对应相加的结果。
步骤10,判断当前线网边缘的编号是否与线网边缘的总数相等,若是,则执行步骤11,否则,将线网边缘的编号加1后执行步骤7。
步骤11,计算开路关键面积,计算存放线网边缘膨胀结果的图像存储矩阵中像素值大于1的区域的面积为开路关键面积。
根据数学形态学膨胀运算及线网开路关键面积的定义,在某特定IC工艺流程中,将丢失物缺陷(Defect)标记为D(XC,YC),其中真实缺陷的形心和结构元素的原点位置均为XC,YC;线网(Net)标记为Ni;线网流向轴两侧的线网流向边(Net>1,NE2...NEn,真实缺陷D(XC,YC)对单个导电线网的流向边进行膨胀运算结果DAi(膨胀区域在版图矩阵中对应像素取值为1)如下:
DAi=DILATE(NEi,XC,YC)i=1,2…n
两侧的线网流向边膨胀后的交集表示如下:
DA(i,j)=DAi∩DAj>
在版图矩阵中,将线网N的流向边NEi膨胀后的结果DAi(i=1,2,3,…n)进行叠加,叠加结果区域记为D,则D表示如下:
叠加区域D中像素取值大于2的区域即开路关键区域。开路关键区域(即膨胀交集区域)的面积即为开路关键面积。
步骤12,判断当前组合分片中的版图图像是否已全部处理完,若是,则执行步骤13,否则,执行步骤5。
步骤13,判断当前选取的数据节点中的组合分片是否已全部处理完,若是,则执行步骤14,否则,执行步骤4;
步骤14,通过分布式处理框架Hadoop输出开路关键面积,将路径信息中版图图像的文件名作为Map函数输出键值对key2/value2中的键key2,将提取的短路关键面积作为文本Text类型的键key2的值value2。
步骤15,设置分布式处理框架Hadoop的化简类Reduce。
汇总全部数据节点中的Map函数输出键值对key2/value2。
将键key2输出到已设置输出路径的固定文件夹中,键key2是指Text类型的输入路径信息中的文件名称。
将计算所得的短路关键面积以键值对key2/value2的与键key2相对应值value2,输出到分布式文件系统HDFS的短路关键面积文件夹中。
步骤16,提交提取开路关键面积的任务。
初始化分布式处理框架Hadoop集群中数据节点的任务Job。
创建一个配置对象configuration,使用配置对象configuration设置单个节点输入分片最小值为64M,设置单个机架输入分片最小值为64M,设置输入分片最大值为64M。用配置对象configuration创建并初始化任务Job,并为任务Job指定执行地址以及映射函数Map和化简函数Reduce的文件路径。
将任务job提交到分布式处理框架Hadoop集群中。
本发明的效果可以通过下述仿真实验得到验证。
1.仿真条件:
本发明的仿真是在搭建的分布式处理框架Hadoop集群上进行的。分布式处理框架Hadoop集群包含3个节点:1个主机节点Master和2个从机节点Slaver1、Slaver2,并通过局域网连接三个节点。
软件环境如下:
Linux环境:CentOS 6.5。
JDK版本:1.7_80。
Hadoop版本:Hadoop 1.2.1。
Eclipse版本:Eclipse Release 4.3.0。
JavaCV版本:JavaCV 1.1
节点的IP地址及硬件配置如下:
表1 Hadoop集群中节点的IP地址及硬件配置表
表1中的Master是分布式处理框架Hadoop集群中的主机节点,Slaver1、Slaver2是分布式处理框架Hadoop集群中的从节点,IP地址表示计算机的网络地址,硬件配置是计算机的处理器CPU的型号。
2.仿真内容:
本发明的仿真实验是采用本发明的方法与现有技术的两种方法,即数学形态学提取开路关键面积方法与基于图像处理技术的开路关键面积提取方法,分别对集成电路版图图像提取开路关键面积,并比较其提取时间。
3.仿真实验结果:
本发明分别选取7组版图图像,7个版图图像中线网的数目分别是3696条、4990条、6216条、6577条、12816条、23505条、30824条,输出7个版图图像所对应的开路关键面积。采用本发明的方法和现有技术即基于图像处理技术的开路关键面积提取方法,分别对7个版图图像提取开路关键面积,得到如图2所示的提取时间对比图。
图2中的横坐标表示输入的版图图像中版图线网的条数,物理单位为条,纵坐标表示短路关键面积的提取时间,物理单位为秒s。图2中以圆圈标示的实线表示用现有技术基于图像处理的开路关键面积提取方法,在不同数目的版图图像线网下提取开路关键面积所用时间的曲线,以十字标示的实线表示采用本发明的开路关键面积提取方法,在不同数目的版图图像线网下,提取开路关键面积所用时间的曲线。
比较图2中本发明的方法和现有技术提取开路关键面积方法的提取时间曲线可得:(1)随着线网数目的增大,提取开路关键面积所需的时间逐渐增多。(2)当输入版图线网的数量相同时,比较在同一缺陷大小下的两种方法时间曲线的纵坐标,基于图像处理的开路关键面积提取方法所用的时间远大于在Hadoop集群下提取开路关键面积方法所用时间,而且在对大规模集成电路线网提取开路关键面积时,随着版图线网数目的增加,曲线线性增长越缓慢,说明优越性越突出,因此本发明的Hadoop集群下的开路关键面积提取算法效率高且能适用于大规模集成电路版图网。
本发明的仿真结果表明:本发明是基于Hadoop的集成电路短路关键面积提取,采用分布式处理系统对大量集成电路版图图像进行并行的开路关键面积提取,提高了提取集成电路开路路关键面积的效率。
机译: 该文件描述了用于执行仓库分区并进一步监视分区仓库的设备和相应方法。该设备包括电路,该电路基于工作空间的面积将工作空间划分为多个区域,以及要在工作空间中部署的许多运输车辆和许多物品架子。基于布置在工作空间外部的第一类型的站的位置来确定工作空间内的每个区域的位置。设备为每个区域确定该区域的一个区域,并接收指示其中一个区域中发生事件的信号。此外,该设备确定指示该区域中的工作空间的操作是否可以继续的发生的事件的关键度,并且基于所确定的关键度在某个时间开始操作。
机译: 半导体集成电路的版图设计方法,版图设计装置以及版图设计程序
机译: 计算机集成电路设计版图支持的方法及计算机集成电路设计版图的装置