MEMS芯片缺陷检测

硅晶区域检测是衡量MEMS（Micro-Electro-Mechanical Systems，微机电系统）光谱芯片质量的重要评价指标之一，硅晶区域半径是MEMS光谱芯片检验环节中重要的评估参数。
传统技术中，对于硅晶区域半径的检测方法主要是通过图像采集器在红外光源下获取图片，然后人工观察硅晶区域，评价其质量。以这种方式进行检测不但效率低下，同时也存在人为检测标准不一致，视觉疲劳等现象，造成出厂产品质量的波动。

提出一种MEMS光谱芯片干涉环圆度检测方法：通过红外光、显微图像采集器获取红色光源下的具有干涉环的芯片图像，然后利用深度学习算法检测内圈边缘线，计算其初始圆心及半径，然后以获得的圆心坐标为圆心，以硅晶区域半径为半径，对干涉环图像进行极坐标转换，截取内圈边缘线到硅晶区域半径区域为ROI区域对干涉环进行分析，对ROI区域进行滤波处理，然后对ROI区域进行对比度增强，采用自动阈值分割算法对干涉环区域进行分割获得干涉环分割区域，计算该区域灰度极小值，构成干涉环拟合线，计算拟合线的横坐标偏离度即可得到干涉环是否为标准圆，依据干涉环圆度即可得出芯片是否存在缺陷。采用了深度学习及传统算法融合并通过该发明中装置检测光谱芯片干涉环是否标准，相对传统图像处理算法及直接深度学习算法，其鲁棒性更高，准确性更高，该方法能够集成至自动化设备中，直接对芯片进行评估，有效降低人直观评估所带来的误差，并且极大节省人力成本及实现产线自动化。