本发明涉及半导体制造，尤其涉及一种基于图像处理的晶圆缺损识别方法及系统。
背景技术：
1、随着半导体行业的快速发展，晶圆作为集成电路制造的核心材料，其表面质量的检测变得尤为重要。在晶圆生产过程中，由于机械应力、化学腐蚀或物理损伤等原因，晶圆表面可能会出现破损，这些破损如果不被及时发现和处理，将严重影响芯片的性能和产量。在晶圆传输过程中，机械手需要将晶圆托起，从前道工序转移到下道工序。当晶圆存在破损时，机械手将不完整的晶圆传输到下道工序容易造成停机检查甚至设备故障，降低生产效率。
2、现有技术存在通过模型识别、图像处理等技术对晶圆表面是否存在缺损进行识别和检测的方法，然而，在实际检测中发现，对于晶圆缺陷识别来说，由于晶圆所处环境各不相同，曝光条件较为复杂，且晶圆表面非常光滑，会对光线产生镜面反射，影响图像的均匀性；晶圆表面的缺陷类型多样，包括划痕、凹坑、裂纹、破损等，这些缺陷的大小和形状各异，对光线的反射特性也不同，因此现场拍摄图像的光线强度对晶圆缺陷的识别有较大影响，拍摄的光线强弱不同，得到的晶圆图像所包含的信息细节不同，当光线强度过强或较弱时，可能会存在过曝光或欠曝光的情况，导致晶圆图像细节丢失或细节不明显、噪声增加，从而导致基于清晰度不同的晶圆图像采用同种方法进行缺损识别和检测时，获得的识别结果精度不足，且效率低下。
3、因此，亟需一种基于图像处理的晶圆缺损识别方法及系统，能够提高晶圆缺损的识别准确度，同时兼顾识别效率。
技术实现思路
1、为了解决上述技术问题，本发明提供了一种基于图像处理的晶圆缺损识别方法及系统，能够提高晶圆缺损的识别准确度，同时兼顾识别效率。
2、本发明提供了一种基于图像处理的晶圆缺损识别方法，包括如下步骤：
3、s1、将待测晶圆传输到线扫相机视野下，通过线扫相机对待测晶圆进行扫描，得到待测晶圆的线扫图像；
4、s2、对待测晶圆的线扫图像进行预处理；
5、s3、将预处理后的线扫图像输入图像分类模型，得到线扫图像所属类别；其中，线扫图像所属类别包括光照过强、光照过弱和光照正常；
6、s4、基于线扫图像所属类别，对线扫图像进行边缘提取，得到线扫图像中的所有边缘；
7、s5、判断边缘数量是否大于1；若所述边缘数量大于1，则该待测晶圆为缺损晶圆；否则，进入s6；
8、s6、基于线扫图像所属类别，根据提取的边缘进行圆拟合，得到拟合圆；
9、s7、计算拟合圆的面积与预设面积之间的面积差值；若面积差值小于预设阈值，则待测晶圆为合格晶圆，若面积差值大于等于预设阈值，则待测晶圆为缺损晶圆。
10、进一步的，s4，对线扫图像进行边缘提取，得到线扫图像中的所有边缘包括：
11、s41、当线扫图像所属类别为光照过高或光照正常时，采用链码跟踪算法对线扫图像进行边缘提取，得到线扫图像中的所有边缘；
12、s42、当线扫图像所属类别为光照过弱时，采用canny边缘检测算法对线扫图像进行边缘提取，得到线扫图像中的所有边缘。
13、进一步的，s6，基于所述线扫图像所属类别，根据所述边缘进行圆拟合，得到拟合圆：
14、s61、当线扫图像所属类别为光照过高或光照过弱时，采用ransac算法进行圆拟合，得到拟合圆；
15、s62、当线扫图像所属类别为光照正常时，采用最小二乘法进行圆拟合，得到拟合圆。
16、进一步的，s3中，将预处理后的线扫图像输入图像分类模型，其中，图像分类模型采用卷积神经网络模型。
17、进一步的，卷积神经网络模型包括：
18、输入层，用于接收线扫图像；
19、卷积层，用于提取线扫图像的图像特征；
20、池化层，用于降采样；
21、全连接层，用于将卷积层和池化层提取的局部特征进行整合，形成全局特征；
22、输出层，输出层包含三个神经元，分别对应光照过强、光照过弱和光照正常三个类别，用于输出线扫图像所属类别的分类结果；
23、激活函数使用softmax函数。
24、进一步的，s3中，图像分类模型通过如下方法训练获得：
25、s3.1、数据收集：获取不同光照条件下的线扫图像；
26、s3.2、数据标注：为每张线扫图像标注其光线强度，光线强度分为光照过强、光照过弱和光照正常三类；
27、s3.3、数据预处理：对每张线扫图像进行标准化处理以及数据增强处理，得到数据集；
28、s3.4、模型训练：根据数据集对卷积神经网络模型进行训练，得到图像分类模型。
29、进一步的，s2中，对待测晶圆的线扫图像进行预处理，其中，预处理包括：光线矫正、图像增强和去噪处理。
30、本发明还提供了一种基于图像处理的晶圆缺损识别系统，用于执行上述任一项所述的一种基于图像处理的晶圆缺损识别方法，系统包括以下模块：
31、图像获取模块，用于将待测晶圆传输到线扫相机视野下，通过线扫相机对待测晶圆进行扫描，得到待测晶圆的线扫图像；
32、预处理模块，与图像获取模块连接，用于对待测晶圆的线扫图像进行预处理；
33、分类模块，与预处理模块连接，用于将预处理后的线扫图像输入图像分类模型，得到线扫图像所属类别；其中，线扫图像所属类别包括光照过强、光照过弱和光照正常；
34、边缘提取模块，与分类模块连接，用于对线扫图像进行边缘提取，得到线扫图像中的所有边缘；以及判断边缘数量是否大于1；若所述边缘数量大于1，则该待测晶圆为缺损晶圆；否则，继续进行晶圆缺损识别；
35、圆拟合模块，与边缘提取模块和分类模块连接，用于根据线扫图像进行圆拟合，得到拟合圆；以及计算拟合圆的面积与预设面积之间的面积差值；
36、判断模块，与圆拟合模块连接，用于判断拟合圆的面积与预设面积之间的面积差值是否小于预设阈值；若面积差值小于预设阈值，则待测晶圆为合格晶圆，若面积差值大于等于预设阈值，则待测晶圆为缺损晶圆。
37、本发明实施例具有以下技术效果：
38、通过图像分类模型判断晶圆图像的光照强度，并根据晶圆图像的不同的光照强度采用不同的轮廓提取算法，减少了噪点的影响，避免由于光线过强或过弱造成过曝光或欠曝光，从而导致缺损细节丢失或其他类型缺陷被识别为缺损，提高了识别精度和识别效率，根据晶圆图像的不同的光照强度采用不同的圆拟合算法，减少了噪点或信息缺失等造成的异常值的影响，提高了拟合准确度和拟合效率，进一步提高了晶圆缺损的识别准确度；此外，通过轮廓数量判断晶圆表面是否存在缺损，通过拟合圆面积判断晶圆边缘是否存在严重缺损，通过该方法能够更全面地识别晶圆是否存在缺损，进一步提高了晶圆缺损的识别准确度。
1.一种基于图像处理的晶圆缺损识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于图像处理的晶圆缺损识别方法，其特征在于，所述s4，基于所述线扫图像所属类别，对所述线扫图像进行边缘提取，得到所述线扫图像中的所有边缘包括：
3.根据权利要求1所述的一种基于图像处理的晶圆缺损识别方法，其特征在于，所述s6，基于所述线扫图像所属类别，根据所述边缘进行圆拟合，得到拟合圆：
4.根据权利要求1所述的一种基于图像处理的晶圆缺损识别方法，其特征在于，所述s3中，将预处理后的所述线扫图像输入图像分类模型，其中，所述图像分类模型采用卷积神经网络模型。
5.根据权利要求4所述的一种基于图像处理的晶圆缺损识别方法，其特征在于，所述卷积神经网络模型包括：
6.根据权利要求5所述的一种基于图像处理的晶圆缺损识别方法，其特征在于，所述s3中，所述图像分类模型通过如下方法训练获得：
7.根据权利要求1所述的一种基于图像处理的晶圆缺损识别方法，其特征在于，所述s2，对待测晶圆的线扫图像进行预处理，其中，所述预处理包括：光线矫正、图像增强和去噪处理。
8.一种基于图像处理的晶圆缺损识别系统，用于执行上述权利要求1-7任一项所述的一种基于图像处理的晶圆缺损识别方法，其特征在于，所述系统包括：
