本发明涉及一种晶圆表面缺陷检测技术，特别是涉及一种晶圆表面缺陷检测方法、装置及计算机设备。
背景技术：
1、集成电路晶圆是半导体工业的基础，它直接决定了芯片及电子元器件的质量和性能。晶圆的生产和制造极其复杂，多达上百个工艺步骤，每一个流程的处理都可能导致表面缺陷的产生。任由有缺陷的晶圆继续参与芯片后续的制造流程，不仅会制造出性能和质量都有所缺失的芯片，而且会无意义的浪费人力和物力。提升和改进生产工艺技术固然能降低缺陷的发生概率，却无法完全避免，并且随着边际效用的叠加，这种方式所带来的成本将会十分巨大。因此，在晶圆生产和制造的每一步流程中进行相应的检测，对提高芯片及电子元器件的质量和可靠性尤为关键。
2、现有检测手段多是基于人眼视觉进行目检，检测依据主要依赖于经验判断，这种方式在检测效率和可靠性方面具有明显的劣势。此外，随着图像处理和深度学习理论的发展，也衍生出了一些基于机器视觉的自动化检测方案。然而传统图像处理检测算法需要大量的先验知识，且通常只针对单一类型的晶圆进行检测，其泛化和通用能力较为有限。基于深度学习的检测算法和模型在泛化能力上具有突出的优点，但又需要大量的样本进行训练，其计算量和数据量又对硬件设备和成本提出了很高的要求，限制了该种方案在实际检测场景中的应用和部署。
技术实现思路
1、本发明的目的在于提供一种晶圆表面缺陷检测方法、装置及计算机设备，本发明提出了一种新的检测晶圆表面缺陷的方案，对于现有人工检测效率低下、可靠性差，深度学习检测算法计算量和数据量过大的问题都有极大的改善。在自动化检测的基础上，着重于提高检测结果的准确性，并大幅降低了检测过程中计算开销和硬件成本。
2、在本发明的第一方面，本发明提供了一种晶圆表面缺陷检测方法，所述方法包括：
3、获取目标图像和参考图像；所述参考图像为无缺陷的晶圆表面图像，所述目标图像为待检测缺陷的晶圆表面图像；
4、提取所述目标图像的图像特征；所述图像特征包括灰度共生矩阵特征、直方图统计特征、图像互相关特征、傅里叶谱互相关特征、hu不变矩特征以及低频集中特征；所述图像互相关特征和所述傅里叶谱互相关特征基于所述参考图像确定；
5、将所述目标图像的图像特征输入到预先训练好的机器学习模型中，对所述图像特征进行缺陷检测处理，输出所述目标图像的缺陷检测结果。
6、在本发明的第二方面，本发明还提供了一种晶圆表面缺陷检测装置，所述装置包括：
7、获取模块，获取目标图像和参考图像；所述参考图像为无缺陷的晶圆表面图像，所述目标图像为待检测缺陷的晶圆表面图像；
8、提取模块，提取所述目标图像的图像特征；所述图像特征包括灰度共生矩阵特征、直方图统计特征、图像互相关特征、傅里叶谱互相关特征、hu不变矩特征以及低频集中特征；所述图像互相关特征和所述傅里叶谱互相关特征基于所述参考图像确定；
9、预测模块，将所述目标图像的图像特征输入到预先训练好的机器学习模型中，对所述图像特征进行缺陷检测处理，输出所述目标图像的缺陷检测结果。
10、在本发明第三方面，本发明提出了一种计算机设备，所述装置包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如本发明第一方面所述的晶圆表面缺陷检测方法的步骤。
11、本发明为一种晶圆表面缺陷检测方法、装置及计算机设备。本申请实施例针对晶圆表面缺陷的检测，提供了一种具有高检测准确率和低计算开销的方法。该方法由晶圆图像采集、特征点计算、分类模型训练与测试数据验证三个部分组成，本实施例将分类模型训练和测试数据验证均视可为缺陷检测过程。
12、其核心在于使用特定的模式对晶圆表面图像进行特征提取，从而将整个图像的上百个乃至上千个像素信息集中为具有高度代表性的8个特征点。这8个特征点的计算结果来自于样本图像的多种特征分析，主要包括：灰度共生矩阵、直方图统计、图像互相关、傅里叶谱互相关、hu不变矩以及低频集中特征。特征点的计算实际上是对晶圆图图像特征信息的高度集中和加速提取。此外由于缺陷在晶圆图像上的分布具有稀疏性的特性，特征点的计算过程也实现了对整幅图像的数据降维，从而过滤了大量冗余数据，实现有效信息的提取。
13、本发明的有益效果：
14、本发明提出了一种晶圆表面缺陷检测方法、装置及计算机设备，本发明不再依赖于人眼观察的传统检测模式，立足于机器视觉的研究方向，具有高度自动化，高可靠性，准确率高和效率高的特点。本发明使用多种图像特征分析的方法对晶圆表面图像进行计算，整合形成8个特征点，实现了对样本图像特征的集中和提取，将整幅图像多达上百个乃至上千个的像素点信息大幅减少至8个独立的特征数据点，从而极大的避免了现有深度学习和机器学习的检测方案需要的极大计算量和数据量的难点。该方法在不降低检测结果准确性的基础上，大幅优化了实际检测过程中的硬件开销和部署难度。并且该方法中的特征提取过程适用于多种机器学习模型，在多种机器学习模型的测试中都表现出了良好的检测性能，具备广泛的应用前景和高度的泛化能力。
1.一种晶圆表面缺陷检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的晶圆表面缺陷检测方法，其特征在于，所述图像互相关特征为目标图像与参考图像之间的皮尔逊相关系数。
3.根据权利要求1所述的晶圆表面缺陷检测方法，其特征在于，所述傅里叶谱互相关特征为目标图像傅里叶频谱图与参考图像傅里叶频谱图之间的皮尔逊相关系数。
4.根据权利要求1所述的晶圆表面缺陷检测方法，其特征在于，所述hu不变矩特征包括第一不变矩特征，第二不变矩特征。
5.根据权利要求1所述的晶圆表面缺陷检测方法，其特征在于，所述低频集中特征包括目标图像的频率域两坐标轴上，中心点到一次波峰之间的全部频率分量。
6.根据权利要求5所述的晶圆表面缺陷检测方法，其特征在于，所述低频集中特征的计算公式表示为：
7.一种晶圆表面缺陷检测装置，其特征在于，所述装置包括：
8.一种计算机设备，其特征在于，所述装置包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至6任一所述的晶圆表面缺陷检测方法的步骤。
