随着半导体行业的迅速发展,半导体晶圆的生产制造需求与日俱增,但是在生产过程中难免会导致晶圆出现各种缺陷,进而影响半导体芯片产品的品质。对于晶圆的质量检测尤为重要,人工检测容易出现误判和速度慢等问题,所以引入基于机器视觉的晶圆表面检测方法成为热点。因此,本文针对基于机器视觉的晶圆表面缺陷检测算法进行研究。为了提取分割晶圆中成千上万个晶粒,本文利用基于灰度的模板匹配算法来匹配晶粒。其中缺陷会使得晶粒的边缘可能出现断裂,但是对于晶粒图像的全局灰度信息影响不大,因此在晶粒分割中基于灰度的模板匹配提取晶粒的准确性优于基于轮廓的模板匹配算法。为了进一步降低晶粒提取时间,对模板匹配结果进行非极大值抑制,提升多目标匹配晶粒的效率。对于噪声问题,在晶粒提取分割后,避免晶粒中含有的复杂噪声被误检为缺陷。本文采用自适应的中值滤波和小波变换融合算法对晶粒图像中噪声进行去噪处理,提升缺陷检测的精度。对于图像中的全局脉冲噪声,自适应的中值滤波在去除噪声时,能较完整的保存图像边缘等细节信息。为了去除图像中轮廓边缘的混叠噪声,小波变换算法更加注重图像细节对细节噪声去噪效果较好。为了突出缺陷,对滤波后的图像进行图像增强,使得缺陷的轮廓和边缘变得明显。对于滤波和增强后的图像,提出一种改进的差影运算缺陷检测算法。在差影运算的模板选择上,每一张晶圆图像都采用静态法来生成模板。针对缺陷检测的速度问题,采用高斯金字塔对模板和待检测图像下采样,保留图像的特征信息的同时减少像素数量,进而降低差影运算在两幅图像的对应像素做差的计算量,降低算法处理时间,提升检测速度。为了验证本文的基于机器视觉晶圆表面缺陷检测算法对于晶圆缺陷检测的准确性和速度。由于晶圆的高精密性,本文实验的硬件平台借助于课题组自主设计的晶圆检测台架采集晶圆局部图像。通过本文基于机器视觉晶圆表面缺陷检测算法实验表明,对于分割后的单个晶粒缺陷检测的准确性97.08%,检测分割后单晶粒的时间在100ms以内。单个晶粒检测准确性和速度均符合实际工业要求。