摘要：随着人工智能产业的爆发，Ai芯片的需求未来五年有较大的增长率，在生产晶圆芯片的过程中，为了实现提升晶圆芯片的产能和良品率控制，引入机器视觉技术对晶圆芯片的缺陷检测进行了研究，提出了一种基于Halcon的晶圆芯片缺陷检测方法。包括硬件和软件两大部分，硬件部分包括工业相机和光源，软件部分包括Halcon相机标定，傅里叶变换从空域到频域的变换、缺陷提取、阈值分割、连通域分析、噪声过滤、计算结果。通过此方法对芯片表面可能存在的2种缺陷类型（裂纹、脏污）样品芯片进行测试，实验结果表明：针对裂纹的缺陷检测准确率高达98%，针对脏污的缺陷检测准确率高达97%，同时此方法的检测响应速度快，稳定性高，对于芯片表面的微小变化和光线干扰的抗干扰能力强，是一种可行的晶圆芯片缺陷检测方法。

　　关键词：机器视觉；Halcon；缺陷检测；晶圆芯片

　　0引言

　　自2020年以来，新能源汽车行业应国家碳中和目标战略发展要求得到飞速的发展，曾在2021—2022年之间形成了汽车芯片极度短缺的局面。除此之外，2023年以来，随着ChatGPT的横空出世，人工智能行业持续火爆，对Ai芯片的需求大大增加，对晶圆芯片的检测需求亦大大增加，因此在生产晶圆芯片的过程中，为了提升晶圆芯片的产能和良率控制，对于晶圆芯片检测需求亦大大的增加。

　　近年来，研究人员提出了许多基于不同平台的缺陷检测算法，如形态学处理、边缘检测、图像分割等，并对这些算法不断完善和优化，使得不同目标缺陷检测的准确率和效率得到了大幅提升，使芯片缺陷检测算法不断完善。例如林忠晨等提出了一种旋转目标芯片表面缺陷检测的方法，基于Rotated FCOS网络，通过引入旋转框的方式实现芯片表面引脚缺陷检测，该方法能够高效地检测不同摆放位置地引脚芯片位置，比基于正常矩形框的目标检测准确率高。杨桂华等针对芯片表面印刷字符的检测，基于Halcon视觉软件开发平台研发了一套芯片字符识别系统，其算法单张图片检测时间为42 ms，完整字符与缺陷字符的分割准确率均为100%，字符识别率达到99.5%。何钢等针对复杂纹理芯片表面缺陷检测困难的问题，提出一种基于改进Frangi滤波的芯片表面缺陷检测算法，改进算法能够有效增强芯片表面各类缺陷，平均检测率达到97.3%，较原算法提升46%。与同类检测算法相比，改进算法在弱划痕检测方面优势明显，划痕检测率达到90%。林辉等提出一种基于Halcon的异形零件尺寸精密测量方案，采用本方法测量比高精度三坐标测量机精度要高，异形零件的齿高、外槽宽度和外槽深度的精度达到±0.04 mm，测量外槽角度和圆孔角度的精度达到±0.03°。

　　本文提出了一种基于Halcon的晶圆芯片表面缺陷检测方法，首先进行相机标定实现相机成像平面到三维世界的映射，图像采集部分使用高分辨率摄像机拍摄芯片表面图像，选用Halcon软件进行处理。通过傅里叶变换、缺陷提取、阈值分割、连通域分析、噪声过滤、等步骤计算出裂纹、脏污的数量，最后针对芯片表面可能存在的二种缺陷类型（裂纹、脏污）样品晶圆芯片进行测试。

　　1机器视觉系统设计

　　检测系统由硬件和软件两大部分够成。硬件部分选用MV-CE120-10GC（海康威视1200万工业相机（彩色））、镜头为WWT230-02-192（靶面2/3"，放大倍率0.2工业镜头）、光源为CST-HRS116-W（白色环型光源）、光源控制器1个。测量装置如图1所示。软件部分选择德国的工业视觉软件Hal⁃con进行图像处理。

　　2晶圆芯片缺陷检测原理

　　晶圆芯片检测是指在芯片表面或电路结构中检测其是否出现异质情况，比如颗粒污染、表面划痕、开短路等对芯片工艺性能具有不良影响的特征性结构缺陷。

　　本文研究的算法主要针对裂纹和脏污，晶圆芯片缺陷检测的基本流程：首先通过Halcon软件对相机进行标定，获取工业相机内外参数，实现高精度测量、矫正镜头畸变的目的。相机采集晶圆芯片图像后根据缺陷类型的不同分为两种处理方式：对于裂纹将彩色图像进行灰度处理、生成一个高斯滤波器、傅里叶变换（空间域与频域转换）、提取感兴趣的缺陷部分、阈值分割、区域连通分析、过滤噪声、计算结果。对于脏污缺陷则将图像分为RGB三个方向的分量、对B方向的分量的图像进行阈值分割、数学形态学运算、区域连通分析、特征提取、计算结果。基于Halcon软件进行晶圆芯片的裂纹和脏污检测的流程如图2~3所示。

　　3晶圆芯片裂纹检测

　　3.1图像灰度处理

　　首先需要把工业相机拍摄的彩色图像转化为灰度图像，在Halcon中用rgb1_to_gray算子把RGB图像转化为单通道的灰度图像。

　　3.2傅里叶变换

　　傅里叶变换可将空间域中复杂的卷积运算转化为频率域中简单的乘积运算；另外对于某些在空间域中难于处理或处理起来比较复杂的问题，利用傅里叶变换把用空间域表示的图像映射到频率域，再利用频域滤波或频域分析方法对其进行处理和分析，然后再把其在频域中处理和分析的结果变换回空间域，从而可达到简化处理和分析的目的；某些只能在频率域处理的特定应用需求，比如在频率域进行图像特征提取、数据压缩、纹理分析、水印嵌入等。在图像处理中，由于图像是二维的，所以通常应用二维离散的傅里叶变换，其公式如下：

　　本文首先在Halcon中用gen_gauss_filter代码生成一个高斯滤波器，然后对之前得到的灰度图像用rft_generic算子进行傅里叶正变换；再用convol_fft算子使用之前创建的高斯滤波器作为卷积核，对傅里叶图像做卷积；再用rft_generic算子做傅里叶逆变换。

　　3.3差影法提取边缘

　　差影法是一种在图像处理和计算机视觉领域中用于增强图像对比度的技术，特别是在处理低对比度图像时非常有用。这种方法的核心思想是通过计算图像的局部区域之间的差异来增强图像的边缘和细节，从而使得图像中的重要特征更加突出。

　　本文在Halcon中用sub_image算子做图像的减法运算，用晶圆芯片的灰度图像减去之前傅里叶逆变换的结果，再用derivate_gauss算子将图像与高斯函数的导数进行卷积，并计算由此推导出的各种特征。之后用mean_image算子进行平滑滤波，最后用invert_image算子进行图像的反色处理。成功提取出边缘。

　　3.4阈值分割

　　阈值分割是数字图像处理中一种基本且广泛应用的技术，用于将灰度图像转换为二值图像。这种方法的核心思想是选择一个阈值来区分图像中的前景和背景，即物体和非物体。阈值分割通过将图像中的像素分为两类（通常是黑色和白色）来简化图像，使得分析和处理更加容易。其公示为：

　　阈值分割的方法有很多种，例如：双峰法阈值分割、迭代法阈值分割、大津法阈值分割、判别分析法阈值分割、一维最大熵法阈值分割等。

　　在晶圆芯片的灰度图像中，若裂纹区域与背景之间的灰度对比度比较强时，图像分割的阈值T选取较为容易。本文采用大津法阈值分割裂纹，在Halcon中用threshold算子来做阈值分割，经过对图像的灰度直方图的分析，采用大津法选用的裂纹检测阈值范围-0.512 0~-0.284 6。在范围之内的所有像素被选中，将裂纹分割出来，从而获得最佳结果。

　　3.5特征提取

　　阈值分割后，利用算子connection对图像进行BLOB分析，计算区域的连通性，得到分离的多个疑似裂纹，此时可进一步根据面积区域特征和角度区域特征利用算子select_shape筛选出晶圆芯片的裂纹。常用的区域特征包括区域的面积、区域的重心、区域的几何矩、区域的角度、区域的圆度、次半径等效椭圆、区域的紧密度、区域的矩形度、区域的周长等。其中，区域的面积是最简单直观的区域特征，其特征值就是区域内像素点的总数；区域的角度就是指区域和X轴的夹角。本文选择区域的面积和区域的角度2个特征去提取裂纹，前者从面积上确定裂纹，后者区分晶圆芯片本身的横纹。

　　3.6计算结果

　　在特征提取的结果上利用算子court_obj计算特征数量。并且用if else语句设置无裂纹与有裂纹数的文字输出逻辑。其结果如图4所示。

　　4晶圆芯片脏污检测

　　4.1分解RGB图像

　　图像的通道是图像的组成像素的描述方式。如果图像全部由灰色的点组成，只需要用一个灰度值就可以表示这个点的颜色，那么这个图像就是单通道的。如果这个点有彩色信息，那么描述这个点需要用到R、G、B三个通道，即用红色分量的颜色数量、绿色分量的颜色数量、蓝色分量的颜色数量共同描述这个点的颜色。因此，这样的彩色点组成的图像就具有3个通道。由于每个像素由红、绿、蓝3个字节组成，每个字节8 bit，有0~255种不同的亮度值，那么RGB图像就有1 670万种以上的颜色。

　　本文在Halcon中用decompose3算子分解RGB图像成3个通道上的灰度图像，由于本实验检测的是脏污，通过对比R、G、B三通道的灰度图像发现B分量的灰度图像中的脏污与背景的差异最大，故选择B分量的灰度图像进行BLOB分析，提取脏污。

　　4.2阈值分割

　　本文选用大津法阈值分割脏污，在Halcon中用threshold算子来做阈值分割，经过对图像的灰度直方图的分析，选用的脏污检测阈值范围30~79，在范围之内的所有像素被选中，将脏污分割出来，从而获得最佳结果。

　　4.3数学形态学运算

　　数学形态学的核心思想是通过一系列基本的形态学操作来提取和分析图像的结构信息。这些操作包括腐蚀、膨胀、开运算、闭运算、骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、Top-hat变换和颗粒分析等[15]。开运算是先进行腐蚀后进行膨胀的操作，用于去除小的物体或细节，平滑物体边界，并断开狭窄的连接。闭运算是先进行膨胀后进行腐蚀的操作，用于填充小的空洞或断裂，平滑边界，并保持物体的整体形状。

　　本文选择先用开运算对图像消除离散点和“毛刺”，然后闭运算填充目标内的孔洞的图像的预处理方法。在Halcon中分别用opening_circle和closing_circle算子来实现开运算和闭运算。

　　4.4特征提取

　　本文利用算子connection计算区域的连通性，得到分离的多个疑似脏污，此时可进一步根据面积区域特征和次半径等效椭圆特征利用算子select_shape筛选出晶圆芯片的脏污。

　　4.5计算结果

　　在特征提取的结果上利用算子court_obj计算特征数量。并且用if else语句设置无脏污与有脏污数的文字输出逻辑。其结果如图5所示。

　　5实验结果与分析

　　本文采用了100只具有不同类型缺陷的芯片样本，对于每一类缺陷，分别采用了Halcon系统进行检测，并记录了检测结果，由于芯片裂纹和脏污比较明显，可用人眼分辨，可通过人工复查的方式对样品的缺陷的真实值进行检查，并与本技术进行对比。从表1可以看出，在裂纹检测实验中，Halcon系统表现出色，准确率高达98%。系统能够检测到微小的裂纹，并将其与芯片表面的其他缺陷区分开来。在脏污检测实验中，系统准确率也很高，达到了97%。同时此方法的检测响应速度很快，平均每张图用时40 ms，对比其他软件例如OpenCV或MATLAB要快。

　　6结束语

　　本文介绍了基于Halcon的晶圆芯片的缺陷检测技术，首先通过Halcon软件对相机进行标定，获取工业相机内外参数，实现高精度测量、矫正镜头畸变的目的。其次相机采集晶圆芯片图像后根据缺陷类型的不同分为二种处理方式、对于裂纹将彩色图像进行灰度处理、生成一个高斯滤波器、傅里叶变换（空间域与频域转换）、提取感兴趣的缺陷部分、阈值分割、区域连通分析、过滤噪声、计算结果。对于脏污则将图像分为RGB三个方向的分量，对B方向的分量的图像进行开运算、闭运算、区域连通分析、特征提取、计算结果。对于晶圆芯片裂纹的检测Halcon系统表现出色，准确率高达98%。系统能够检测到微小的裂纹，并将其与芯片表面的其他缺陷细节区分开来。在脏污检测实验中，系统准确率也很高，达到了97%。同时此方法的检测响应速度很快，对比其他软件例如OpenCV或MATLAB要快。该方法能够有效地检测芯片表面的裂纹和脏污，并且具有良好的鲁棒性和实用性。为芯片制造业提供了一种高效、自动化的缺陷检测方法，有助于提高芯片质量和生产效率。

　   参考文献：

　　[1]李强.集成电路芯片制造技术与工艺分析[J].数字技术与应用,2023,41(12):46-48.

　　[2]林忠晨,傅贤君,连博博,等.基于旋转目标芯片表面缺陷检测方法的研究[J].电脑知识与技术,2023,19(33):18-20.

　　[3]杨桂华,唐卫卫,戴志诚,等.基于机器视觉的芯片字符识别系统[J].电子测量技术,2022,45(5):105-110.

　　[4]何钢,朱峰,邹华涛,等.基于改进Frangi滤波的芯片表面缺陷检测算法[J/OL].计算机集成制造系统,1-14[2024-11-18].

　　[5]林辉,刘栩宇.基于机器视觉的异形零件尺寸精密测量方法[J].机电工程技术,2024,53(8):183-185,214.

　　[6]吴小菲.半导体生产过程虚拟量测与过程监控研究[D].杭州:浙江大学,2021.

　　[7]黄文文,彭小红,李丽圆,等.相机标定方法及进展研究综述[J].激光与光电子学进展,2023,60(16):9-19.

　　[8]周向荣,张鑫,宋微微,等.基于机器视觉的饮料瓶盖检测剔除系统[J].轻工机械,2022,40(4):57-61.

　　[9]李小菁.基于机器视觉的小型零件尺寸测量系统[J].自动化与信息工程,2023,44(2):11-15.

　　[10]张飞,刘珩,杨洁,等.基于相机RGB值的光谱反射率重建方法研究[J].兵器装备工程学报,2024,45(2):284-290.

　　[11]孙刘杰,刘倩倩,庞茂然.基于傅里叶卷积和多特征调制的图像修复网络[J].包装工程,2023,44(21):286-293.

　　[12]刘光宇,王帅,曹禹,等.几种经典阈值分割方法在图像处理中的应用研究[J].黄冈职业技术学院学报,2022,24(4):99-103.

　　[13]王聪,李恒,薛晓军,等.基于OTSU分割和融合的非均匀光照水下图像增强[J].光电子·激光,2022,33(1):30-36.

　　[14]张耿,张超,米科峰,等.一种改进的一维最大熵星图分割算法[J].测绘通报,2020(10):53-57.

　　[15]张晓妮.基于数学形态学的设备图像边缘检测方法研究[J].自动化与仪器仪表,2023(12):81-84.