微管缺陷检测方法、装置、设备、存储介质和程序产品

1.本技术涉及半导体技术领域，特别是涉及一种微管缺陷检测方法、装置、设备、存储介质和程序产品。


背景技术：

2.随着对半导体晶圆研究的不断深入和对工艺的不断改进，半导体晶圆的单晶质量有了很大提高，但是高密度的缺陷仍然是影响半导体晶圆的单晶质量的最主要因素，例如，螺位错、刃位错、基晶面位错及微管缺陷。微管缺陷不但会影响半导体晶圆的单晶质量，而目会严重的制约半导体晶圆的性能，导致器件反向偏压失效，直至击穿，使后续器件性能严重下降。因此，必须精确的检测出半导体晶圆中微管缺陷的存在位置。
3.现有技术往往采取湿法腐蚀、偏光测试或酸碱指示法进行半导体晶圆微管缺陷的检测，但是现有技术对缺陷的检测都是通过显微镜下目检的方式，检测过程依赖于检测人员的主观性，检测精度低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高检测精度的微管缺陷检测方法、装置、设备、存储介质和程序产品。
5.第一方面，本技术提供了一种微管缺陷检测方法，该方法包括：
6.获取待测半导体晶圆的待检测图像；
7.对待检测图像进行滤波处理，得到滤波处理后的第一检测图像；
8.对第一检测图像进行自适应阈值处理，得到目标检测图像；
9.根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷。
10.在其中一个实施例中，对第一检测图像进行自适应阈值处理，得到目标检测图像，包括：
11.对第一检测图像进行正自适应阈值处理，得到正二值化图像；
12.对第一检测图像进行负自适应阈值处理，得到负二值化图像；
13.根据目标二值化图像，得到目标检测图像，其中，目标二值化图像包括正二值化图像和负二值化图像中的至少一个图像。
14.在其中一个实施例中，根据目标二值化图像，得到目标检测图像，包括：
15.若目标二值化图像为正二值化图像，则将正二值化图像作为第二检测图像；
16.若目标二值化图像为负二值化图像，则将负二值化图像作为第三检测图像；
17.若目标二值化图像包括正二值化图像和负二值化图像，则将正二值化图像和负二值化图像进行叠加处理，得到第四检测图像；
18.其中，所述目标检测图像包括所述第二检测图像、所述第三检测图像以及所述第四检测图像中的至少一个检测图像。
19.在其中一个实施例中，根据目标检测图像以及预设的分类算法，确定待测半导体
晶圆的微管缺陷，包括：
20.获取目标检测图像的连通域的特征属性信息；
21.根据目标检测图像的连通域的特征属性信息以及分类算法，确定待测半导体晶圆的微管缺陷。
22.在其中一个实施例中，根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷，还包括：
23.对目标检测图像进行膨胀腐蚀处理，得到目标检测图像对应的特征图；
24.获取特征图的连通域的特征属性信息；
25.根据特征图的连通域的特征属性信息以及分类算法，确定半导体晶圆的微管缺陷。
26.在其中一个实施例中，对待检测图像进行滤波处理，得到滤波处理后的第一检测图像，包括：
27.对待检测图像进行灰度处理，得到待检测图像的灰度图像；
28.对灰度图像进行滤波处理，得到滤波处理后的第一检测图像。
29.第二方面，本技术还提供了一种微管缺陷检测装置，该装置包括：
30.获取模块，用于获取待测半导体晶圆的待检测图像；
31.第一处理模块，用于对待检测图像进行滤波处理，得到滤波处理后的第一检测图像；
32.第二处理模块，用于对第一检测图像进行自适应阈值处理，得到目标检测图像；
33.确定模块，用于根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷。
34.第三方面，本技术还提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
35.获取待测半导体晶圆的待检测图像；
36.对待检测图像进行滤波处理，得到滤波处理后的第一检测图像；
37.对第一检测图像进行自适应阈值处理，得到目标检测图像；
38.根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷。
39.第四方面，本技术还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
40.获取待测半导体晶圆的待检测图像；
41.对待检测图像进行滤波处理，得到滤波处理后的第一检测图像；
42.对第一检测图像进行自适应阈值处理，得到目标检测图像；
43.根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷。
44.第五方面，本技术还提供了一种计算机程序产品，计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
45.获取待测半导体晶圆的待检测图像；
46.对待检测图像进行滤波处理，得到滤波处理后的第一检测图像；
47.对第一检测图像进行自适应阈值处理，得到目标检测图像；
48.根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷。
49.上述微管缺陷检测方法、装置、设备、存储介质和程序产品，通过获取待测半导体晶圆的待检测图像，对待检测图像进行滤波处理，得到滤波处理后的第一检测图像，进一步对第一检测图像进行自适应阈值处理，得到目标检测图像，从而根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷。本方法在获取待测半导体晶圆的待检测图像后，采用图像处理算法，对待检测图像进行分析处理，从而识别待测半导体晶圆的微管缺陷，替代传统的人工利用显微镜目检的识别方式，提高了半导体晶圆的微管缺陷准确率和检测效率，降低检测成本。而且，在对半导体晶圆的微管缺陷的微管缺陷进行检测时，不会对半导体晶圆造成二次破坏。
附图说明
50.图1为一个实施例中微管缺陷检测方法的应用环境图；
51.图2为一个实施例中微管缺陷检测方法的流程示意图；
52.图3为一个实施例中确定目标检测图像的流程示意图；
53.图4为一个实施例中正二值化图像的示意图；
54.图5为一个实施例中负二值化图像的示意图；
55.图6为一个实施例中联合二值化图像的示意图；
56.图7为一个实施例中确定待测半导体晶圆的微管缺陷的流程示意图；
57.图8为另一个实施例中确定待测半导体晶圆的微管缺陷的流程示意图；
58.图9为一个实施例中微管缺陷的抓取结果示意图；
59.图10为一个实施例中碳化硅晶圆上的检测结果示意图；
60.图11为一个实施例中确定第一检测图像的流程示意图；
61.图12为一个实施例中待检测图像的灰度图像；
62.图13为一个实施例中第一检测图像的示意图；
63.图14为一个实施例中微管缺陷检测装置的结构框图；
64.图15为一个实施例中计算机设备的内部结构图。
具体实施方式
65.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
66.本技术实施例提供的微管缺陷检测方法，可以应用于如图1所示的应用环境中。该应用环境包括计算机设备1、相机成像装置2、检偏器3、样品移动台4、起偏器5、透射光源6、控制器7。样品移动台4采用中间镂空的结构，待测晶圆放置在样品移动台4中间镂空的部分，控制器7与样品移动台4电连接，控制样品移动台4在空间方向上的移动，相机成像装置2对待测半导体晶圆进行拍摄，将拍摄好的图片上传至计算机设备1，计算机设备1获取待检测图像，对待检测图像进行分析处理，定待测半导体晶圆的微管缺陷。本技术并不限于此系统，可以具有多种形式。
67.半导体晶圆是一种重要的基底材料，常用于微纳器件的加工。例如，碳化硅半导体材料是自第一代元素半导体材料和第二代化合物半导体材料之后发展起来的第三代宽带
隙半导体材料，碳化硅半导体材料由于具有较宽的禁带宽度、高热导率、高临界击穿电场、高饱和电子迁移率等特点，可以实现更好的电子浓度和运动控制，更适合于制作高温、高频、抗辐射的大功率电子器件，在光电子和微电子领域具有重要的应用价值，从而广泛应用于石油、化学、汽车、航空、航天、通信、武器等行业。
68.目前，制备碳化硅晶片的主要方法包括物理气相传输法、液相法等，随着对碳化硅研究的不断深入和对工艺的不断改进，碳化硅的单晶质量有了很大提高，但是高密度的缺陷仍然是影响碳化硅单晶质量的最主要因素。
69.碳化硅晶锭及晶圆中包含多种缺陷，例如4h-sic晶体或衬底中的缺陷通常包括螺位错、刃位错、基晶面位错及微管缺陷。螺位错、刃位错及微管属于贯穿型缺陷，其中微管是一种柏氏矢量和伯格斯矢量较大的贯穿型螺位错，微管沿c轴的生长能从衬底贯穿到外延层，是4h-sic功率器件中危害性最大对的一种缺陷。在实际的晶体生长中，生产工艺中的气体组分、温度场分布、压强以及所用原料纯度等都会影响微管的生成和增殖。微管缺陷不但会影响sic单晶的质量，而目会严重的制约碳化硅器件性能，导致器件反向偏压失效，直至击穿，使后续器件性能严重下降。因此，必须精确的检测出半导体晶圆中微管缺陷的存在位置。
70.要识别半导体晶圆的微管缺陷，现有技术往往采取湿法腐蚀、偏光测试或酸碱指示法。腐蚀方法是通过采用熔融碱作为腐蚀剂，对晶片表面进行腐蚀。微管缺陷的形成区域由于具有比其他区域更高的应变能，更易受到侵蚀。经过腐蚀后，因为腐蚀速度的各向异性，微管缺陷位置会因为腐蚀速率更高从而形成独特的具有六边形结构的腐蚀坑。
71.酸碱指示法是在待检测晶片的两侧涂覆不同的溶液，一溶液为酸或碱溶液，另一溶液为相对应的酸碱指示剂。将其置于真空状态下，若晶片中存在贯穿型缺陷，则两侧的溶液渗透相遇会发生色变，通过观察色变的位置判断晶片中缺陷位置。
72.偏光测试方法观察微管形态。具有各向异性的晶体具有双折射率以及偏光性质，由于微管处存在的晶格畸变引起晶格结构不均匀，导致光在微管处的偏振方向与传播方向与正常晶体结构处不同，从而能够在偏光显微镜下看到此处会有高亮的星状光斑，一般肉眼判断是否是微管。
73.但是现有的技术主要在于不论是腐蚀法还是非腐蚀法，对微管缺陷的检测都是通过显微镜下目检的方式，检测过程受到检测人员细心程度、熟练程度的影响，易出现漏检和错检，检测成本高，检测精度低，检测过程缓慢。且腐蚀法会对半导体晶片造成一定的破坏与损伤，使微管坑洞扩大，导致晶片上可用区域进一步减小。因此，本技术提出了一种微管缺陷检测方法、装置、设备、存储介质和程序产品解决上述现有技术存在的问题。
74.在一个实施例中，如图2所示，提供了一种微管缺陷检测方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
75.s201，获取待测半导体晶圆的待检测图像。
76.在本实施例中，将待测半导体晶圆放置在样品移动台上，通过相机成像装置拍摄待测半导体晶圆的待检测图像，计算机设备实时获取待检测图像。也可以在相机成像装置拍摄待测半导体晶圆的待检测图像后，计算机设备一次性获取待测半导体晶圆的待检测图像。
77.s202，对待检测图像进行滤波处理，得到滤波处理后的第一检测图像。
78.在本实施例中，可以对待检测图像进行高斯滤波处理，将待检测图像与预设的算子核进行卷积处理，得到滤波处理后的第一检测图像。也可以采用双边滤波算法对待检测图像进行处理，得到得到滤波处理后的第一检测图像。
79.进一步地，还可以先将待检测图像进行灰度处理，得到待检测图像的灰度图像，再对灰度图像进行高斯滤波处理等，得到滤波处理后的第一检测图像。
80.s203，对第一检测图像进行自适应阈值处理，得到目标检测图像。
81.自适应阈值根据第一检测图像不同区域亮度分布，计算第一检测图像的局部阈值，对于第一检测图像的不同区域，能够自适应计算不同的阈值。对于任意一个像素值，选择其周围的的八邻域或四邻域，计算该区域的均值、中值、高斯加权平均等作为该区域的阈值。
82.在本实施例中，根据第一检测图像上的每一个小区域计算与其对应的阈值，不同区域采用的是不同的阈值，在第一区域中，将所有大于该第一阈值的像素值设置为255，小于该第一阈值的像素值设置为0。在第一检测图像的第二区域中，将第二区域中所有大于第二阈值的像素值设置为255，小于第二阈值的像素值设置为0，直至将第一检测图像中的所有像素点全部转化完成，得到目标检测图像。
83.在本实施例中，还可以将大于该第一阈值的像素值设置为0，小于该第一阈值的像素值设置为255。
84.s204，根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷。
85.可选的，预设的分类算法可以是神经网络，例如，卷积神经网络、深度置信网络等，也可以是支持向量机、决策树、逻辑森林等。本技术实施例对此不做限制。
86.在本实施例中，可以对目标检测图像进行特征提取，将检测到的特征输入到预设的分类算法中，例如，可以采用主成分分析法提取目标检测图像的特征信息，将特征信息输入到支持向量机中，确定待测半导体晶圆的微管缺陷。也可以对目标检测图像进一步处理，丰富图像信息，再对处理后的图像进行特征提取，将提取到的特征信息输入到预设的分类算法中，确定待测半导体晶圆的微管缺陷。
87.上述微管缺陷检测方法中，通过获取待测半导体晶圆的待检测图像，对待检测图像进行滤波处理，得到滤波处理后的第一检测图像，进一步对第一检测图像进行自适应阈值处理，得到目标检测图像，从而根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷。本方法在获取待测半导体晶圆的待检测图像后，采用图像处理算法，对待检测图像进行分析处理，从而识别待测半导体晶圆的微管缺陷，替代传统的人工利用显微镜目检的识别方式，提高了半导体晶圆的微管缺陷准确率和检测效率，降低检测成本。而且，在对半导体晶圆的微管缺陷的微管缺陷进行检测时，不会对半导体晶圆造成二次破坏。
88.图3为一个实施例中确定目标检测图像的流程示意图，如图3所示，本技术实施例涉及的是如何对第一检测图像进行自适应阈值处理，得到目标检测图像的一种可能的实现方式，包括以下步骤：
89.s301，对第一检测图像进行正自适应阈值处理，得到正二值化图像。
90.在本实施例中，正自适应阈值处理是根据上述自适应阈值处理得到每个区域的阈值，将该区域大于该阈值的像素值设置为255，小于该阈值的像素值设置为0。如图4所示，图4为将第一检测图像进行正自适应阈值处理，得到的正二值化图像。
91.s302，对第一检测图像进行负自适应阈值处理，得到负二值化图像。
92.在本实施例中，负自适应阈值处理是根据上述自适应阈值处理得到每个区域的阈值，将该区域大于该阈值的像素值设置为0，小于该阈值的像素值设置为255。如图5所示，图5为将第一检测图像进行负自适应阈值处理，得到的负二值化图像。
93.在本实施例中，采用正自适应阈值处理和负自适应阈值处理，可以更好的利用第一检测图像的明暗、形态等信息，将半导体晶圆的微管的亮、暗位置、纹理、大小、形状等信息完整地记录下来。
94.需要说明的是，在确定正二值化图像和负二值化图像时，对第一检测图像进行自适应阈值处理时，每个区域的大小、阈值大小可以不一样。
95.s303，根据目标二值化图像，得到目标检测图像，其中，目标二值化图像包括正二值化图像和负二值化图像中的至少一个图像。
96.在本实施例中，根据目标二值化图像，得到目标检测图像，目标二值化图像包括正二值化图像和负二值化图像中的至少一个图像。当目标二值化图像不同时，可以得到不同的目标检测图像。
97.具体地，目标二值化图像可以分为以下三种情况：若目标二值化图像为正二值化图像，则将正二值化图像作为第二检测图像；若目标二值化图像为负二值化图像，则将负二值化图像作为第三检测图像；若目标二值化图像包括正二值化图像和负二值化图像，则将正二值化图像和负二值化图像进行叠加处理，得到第四检测图像。如图6所示，图6为将正二值化图像和负二值化图像进行叠加处理，得到的联合二值化图像。
98.在本实施例中，可以直接将正二值化图像和负二值化图像的像素信息进行叠加处理，得到叠加处理后的联合二值化图像，在本实施例中，可以直接将正二值化图像、负二值化图像以及叠加处理后的联合二值化图像的任意一种作为目标检测图像，也可以任意两种检测图像组合作为目标检测图像，或者三种检测图像同时作为目标检测图像。
99.本技术实施例中，分别对第一检测图像进行正自适应阈值处理、负自适应阈值处理得到正二值化图像和负二值化图像，根据正二值化图像和负二值化图像得到联合二值化图像，可以将任意一种图像和任意组合的图像作为目标检测图像，提供了多种选择方式。
100.图7为一个实施例中确定待测半导体晶圆的微管缺陷的流程示意图，如图7所示，本技术实施例涉及的是如何根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷的一种可能的实现方式，包括以下步骤：
101.s701，获取目标检测图像的连通域的特征属性信息。
102.其中，连通域一般是指图像中具有相同像素值且位置相邻的像素点组成的图像区域。如上述图4至图6所示，连通域为目标检测图像中的白色部分。
103.可选的，特征属性信息可以包括面积、填充率、离心率等属性信息，本技术实施例对此不做限制。
104.在本实施例中，可以直接计算目标检测图像的连通域的面积、填充率等特征信息。还可以根据目标检测图像的坐标信息，定位待检测图像的亮度等信息。
105.s702，根据目标检测图像的连通域的特征属性信息以及分类算法，确定待测半导体晶圆的微管缺陷。
106.在本实施例中，可以将上述s701获取的目标检测图像的连通域的特征属性信息输
入到分类算法，限定分类算法感兴趣的参数范围，即可实现微管缺陷的抓取和定位。判定结束后，还可以将微管缺陷的坐标、外接矩形框等信息显示在计算机设备上，便于后续分析研究。
107.本技术实施例中，通过获取目标检测图像的连通域的特征属性信息，根据目标检测图像的连通域的特征属性信息以及分类算法，确定待测半导体晶圆的微管缺陷。本方法中计算机设备通过获取连通域的特征属性信息，对连通域的特征属性信息进行分类，从而识别微管缺陷，节省了大量的人力，提高了检测速度。
108.图8为另一个实施例中确定待测半导体晶圆的微管缺陷的流程示意图，如图8所示，本技术实施例涉及的是如何根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷的另一种可能的实现方式，包括以下步骤：
109.s801，对目标检测图像进行膨胀腐蚀处理，得到目标检测图像对应的特征图。
110.在本实施例中，膨胀是将像素添加到目标检测图像中的对象的感知边界，扩张放大目标检测图像中的明亮白色区域。腐蚀是沿着物体边界移除像素并缩小物体的大小。通过膨胀腐蚀两个操作，将部分断裂的连通域连接起来，使特征更加准确和完整，以增强重要的对象特征。
111.s802，获取特征图的连通域的特征属性信息。
112.在本实施例中，获取特征图的连通域的特征属性信息，具体看参见上述s701，本技术在此不做赘述。
113.s803，根据特征图的连通域的特征属性信息以及分类算法，确定半导体晶圆的微管缺陷。
114.在本实施例中，根据特征图的连通域的特征属性信息以及分类算法，确定半导体晶圆的微管缺陷，具体实现方式可参见上述s702，本技术在此不做赘述。
115.图9为一个实施例中微管缺陷的抓取结果示意图，图10为一个实施例中碳化硅晶圆上的检测结果示意图，如图9-10所示，碳化硅晶圆微管抓取率可以达到95％，碳化硅晶圆的微管缺陷检测的准确率可以达到95％。
116.本技术实施例中，通过对目标检测图像进行膨胀腐蚀处理，得到目标检测图像对应的特征图，获取特征图的连通域的特征属性信息，从而根据特征图的连通域的特征属性信息以及分类算法，确定半导体晶圆的微管缺陷。本方法对目标检测图像进行膨胀腐蚀处理，可以丰富图像信息，使得目标检测图像的连通域信息更加完整，获取的连通域的属性信息更加精确，提高了微管缺陷检测的准确率。
117.图11为一个实施例中确定第一检测图像的流程示意图，如图11所示，本技术实施例涉及的是如何根据待检测图像得到第一检测图像的一种可能的实现方式，包括以下步骤：
118.s1101，对待检测图像进行灰度处理，得到待检测图像的灰度图像。
119.在本实施例中，待检测图像为rgb图像，可以将rgb图像采用浮点算法或整数算法进行灰度处理，得到待检测图像的灰度图像。也可以采用平均值算法，将rgb图像的三个通道的亮度值进行累加，求取平均值得到待检测图像的灰度图像。如图12所示，图12为待检测图像的灰度图像。
120.s1102，对灰度图像进行滤波处理，得到滤波处理后的第一检测图像。
121.在本实施例中，可以采用中值滤波、均值滤波、高斯滤波等方法，对上述s1101得到的灰度图像进行处理，得到滤波处理后的第一检测图像。如图13所示，是对待检测图像的灰度图像采用高斯滤波处理后的第一检测图像。
122.本技术实施例中，通过对待检测图像进行灰度处理，得到待检测图像的灰度图像，从而对灰度图像进行滤波处理，得到滤波处理后的第一检测图像。本方法中对待检测图像进行滤波处理，可以对待检测图像进行模糊化，剔除待检测图像中的干扰信息。
123.应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
124.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的微管缺陷检测方法的微管缺陷检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个微管缺陷检测装置实施例中的具体限定可以参见上文中对于微管缺陷检测方法的限定，在此不再赘述。
125.在一个实施例中，如图14所示，提供了一种微管缺陷检测装置，包括：获取模块11、第一处理模块12、第二处理模块13和确定模块14，其中：
126.获取模块11，用于获取待测半导体晶圆的待检测图像；
127.第一处理模块12，用于对待检测图像进行滤波处理，得到滤波处理后的第一检测图像；
128.第二处理模块13，用于对第一检测图像进行自适应阈值处理，得到第二检测图像；
129.确定模块14，用于根据第二检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷。
130.在一个实施例中，第二处理模块，包括：
131.第一处理单元，用于对第一检测图像进行正自适应阈值处理，得到正二值化图像；
132.第二处理单元，用于对第一检测图像进行负自适应阈值处理，得到负二值化图像；
133.第一确定单元，用于根据目标二值化图像，得到目标检测图像，其中，目标二值化图像包括正二值化图像和负二值化图像中的至少一个图像。
134.在一个实施例中，第一确定单元还用于若目标二值化图像为正二值化图像，则将正二值化图像作为第二检测图像；若目标二值化图像为负二值化图像，则将负二值化图像作为第三检测图像；若目标二值化图像包括正二值化图像和负二值化图像，则将正二值化图像和负二值化图像进行叠加处理，得到第四检测图像；其中，目标检测图像包括第二检测图像、第三检测图像以及第四检测图像中的至少一个检测图像。
135.在一个实施例中，确定模块，包括：
136.第一获取单元，用于获取目标检测图像的连通域的特征属性信息；
137.第二确定单元，用于根据目标检测图像的连通域的特征属性信息以及分类算法，确定待测半导体晶圆的微管缺陷。
138.在一个实施例中，确定模块，还包括：
139.第三确定单元，用于对目标检测图像进行膨胀腐蚀处理，得到目标检测图像对应的特征图；
140.第二获取单元，用于获取特征图的连通域的特征属性信息；
141.第四确定单元，用于根据特征图的连通域的特征属性信息以及分类算法，确定半导体晶圆的微管缺陷。
142.在一个实施例中，第一处理模块，包括：
143.第五确定单元，用于对待检测图像进行灰度处理，得到待检测图像的灰度图像；
144.第六确定单元，用于对灰度图像进行滤波处理，得到滤波处理后的第一检测图像。
145.上述微管缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
146.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种微管缺陷检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
147.本领域技术人员可以理解，图15中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
148.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
149.获取待测半导体晶圆的待检测图像；
150.对待检测图像进行滤波处理，得到滤波处理后的第一检测图像；
151.对第一检测图像进行自适应阈值处理，得到目标检测图像；
152.根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷。
153.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
154.对第一检测图像进行正自适应阈值处理，得到正二值化图像；
155.对第一检测图像进行负自适应阈值处理，得到负二值化图像；
156.根据目标二值化图像，得到目标检测图像，其中，目标二值化图像包括正二值化图像和负二值化图像中的至少一个图像。
157.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
158.若目标二值化图像为正二值化图像，则将正二值化图像作为第二检测图像；
159.若目标二值化图像为负二值化图像，则将负二值化图像作为第三检测图像；
160.若目标二值化图像包括正二值化图像和负二值化图像，则将正二值化图像和负二值化图像进行叠加处理，得到第四检测图像；
161.其中，目标检测图像包括第二检测图像、第三检测图像以及第四检测图像中的至少一个检测图像。
162.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
163.获取目标检测图像的连通域的特征属性信息；
164.根据第二检测图像的连通域的特征属性信息以及分类算法，确定待测半导体晶圆的微管缺陷。
165.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
166.对目标检测图像进行膨胀腐蚀处理，得到目标检测图像对应的特征图；
167.获取特征图的连通域的特征属性信息；
168.根据特征图的连通域的特征属性信息以及分类算法，确定半导体晶圆的微管缺陷。
169.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
170.对待检测图像进行灰度处理，得到待检测图像的灰度图像；
171.对灰度图像进行滤波处理，得到滤波处理后的第一检测图像。
172.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
173.获取待测半导体晶圆的待检测图像；
174.对待检测图像进行滤波处理，得到滤波处理后的第一检测图像；
175.对第一检测图像进行自适应阈值处理，得到目标检测图像；
176.根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷。
177.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
178.对第一检测图像进行正自适应阈值处理，得到正二值化图像；
179.对第一检测图像进行负自适应阈值处理，得到负二值化图像；
180.根据目标二值化图像，得到目标检测图像，其中，目标二值化图像包括正二值化图像和负二值化图像中的至少一个图像。
181.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
182.若目标二值化图像为正二值化图像，则将正二值化图像作为第二检测图像；
183.若目标二值化图像为负二值化图像，则将负二值化图像作为第三检测图像；
184.若目标二值化图像包括正二值化图像和负二值化图像，则将正二值化图像和负二值化图像进行叠加处理，得到第四检测图像；
185.其中，目标检测图像包括第二检测图像、第三检测图像以及第四检测图像中的至少一个检测图像。
186.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
187.获取目标检测图像的连通域的特征属性信息；
188.根据目标检测图像的连通域的特征属性信息以及分类算法，确定待测半导体晶圆的微管缺陷。
189.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
190.对目标检测图像进行膨胀腐蚀处理，得到目标检测图像对应的特征图；
191.获取特征图的连通域的特征属性信息；
192.根据特征图的连通域的特征属性信息以及分类算法，确定半导体晶圆的微管缺陷。
193.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
194.对待检测图像进行灰度处理，得到待检测图像的灰度图像；
195.对灰度图像进行滤波处理，得到滤波处理后的第一检测图像。
196.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
197.获取待测半导体晶圆的待检测图像；
198.对待检测图像进行滤波处理，得到滤波处理后的第一检测图像；
199.对第一检测图像进行自适应阈值处理，得到目标检测图像；
200.根据目标检测图像以及预设的分类算法，确定待测半导体晶圆的微管缺陷。
201.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
202.对第一检测图像进行正自适应阈值处理，得到正二值化图像；
203.对第一检测图像进行负自适应阈值处理，得到负二值化图像；
204.根据目标二值化图像，得到目标检测图像，其中，目标二值化图像包括正二值化图像和负二值化图像中的至少一个图像。
205.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
206.若目标二值化图像为正二值化图像，则将正二值化图像作为第二检测图像；
207.若目标二值化图像为负二值化图像，则将负二值化图像作为第三检测图像；
208.若目标二值化图像包括正二值化图像和负二值化图像，则将正二值化图像和负二值化图像进行叠加处理，得到第四检测图像；
209.其中，目标检测图像包括第二检测图像、第三检测图像以及第四检测图像中的至少一个检测图像。
210.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
211.获取目标检测图像的连通域的特征属性信息；
212.根据目标检测图像的连通域的特征属性信息以及分类算法，确定待测半导体晶圆的微管缺陷。
213.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
214.对目标检测图像进行膨胀腐蚀处理，得到目标检测图像对应的特征图；
215.获取特征图的连通域的特征属性信息；
216.根据特征图的连通域的特征属性信息以及分类算法，确定半导体晶圆的微管缺陷。
217.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
218.对待检测图像进行灰度处理，得到待检测图像的灰度图像；
219.对灰度图像进行滤波处理，得到滤波处理后的第一检测图像。
220.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户
授权或者经过各方充分授权的信息和数据。
221.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
222.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
223.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。