本发明公开了一种晶圆背损伤缺陷的自动识别方法，包括以下步骤：S1、获取在电子显微镜下拍摄的晶圆背损伤缺陷的原始图像；S2、利用缺陷识别算法对原始图像进行缺陷识别，输出识别结果，识别结果包括：在原始图像中用十字符号标记缺陷位置以及缺陷的数量；S3、对输出的识别结果进行分析与修正，若识别结果的准确率不符合预期，则调整缺陷识别算法中的阈值后再重复步骤S2；若识别结果的准确率符合预期，但仍存在未被识别出的缺陷或过度识别的缺陷，则采用手动添加或删除十字符号的方式进行修正；S4、导出最终的晶圆背损伤缺陷识别结果。本发明不仅可以提高计数的准确率，还能够提高计数的工作效率。
1.一种晶圆背损伤缺陷的自动识别方法，其特征在于，包括以下步骤：S1、获取在电子显微镜下拍摄的晶圆背损伤缺陷的原始图像；
S2、利用缺陷识别算法对所述原始图像进行缺陷识别，输出识别结果，所述识别结果包括：在所述原始图像中用十字符号标记缺陷位置以及缺陷的数量；
S3、对输出的识别结果进行分析与修正，若识别结果的准确率不符合预期，则调整所述缺陷识别算法中的阈值后再重复步骤S2；若识别结果的准确率符合预期，但仍存在未被识别出的缺陷或过度识别的缺陷，则采用手动添加或删除十字符号的方式进行修正；
S21、对所述原始图像进行预处理，得到预处理图像；
S22、采用粗提取的方式从所述预处理图像中提取出第一目标区域；
S23、提取出所述第一目标区域中的噪声区域，再将所述第一目标区域减去噪声区域得到第二目标区域；
S25、对所述第二目标区域进行去噪后，提取出感兴趣区域，并将所述感兴趣区域转换为单像素级别的骨架区域；
S26、将所述骨架区域分割为不同梯度的骨架关节区域，并将属于同一类的骨架关节区域进行合并；
S27、将合并后的骨架关节区域拟合成线段，遍历所有的拟合线段，统计缺陷的数量并计算出十字符号的标记坐标。
2.如权利要求1所述的晶圆背损伤缺陷的自动识别方法，其特征在于，步骤S27中，遍历所有的拟合线段，统计缺陷的数量，包括：根据线段两端点的坐标计算出线段的长度LineLength；
其中，(xb，yb)表示拟合线段的第一个端点的坐标，(xe，ye)表示拟合线段的第二个端点的坐标；
设置标准线段的最短长度阈值为ShortestLengthThreshold和最长长度阈值为LongestLengthThreshold；
若LineLength＜ShortestLengthThreshold，则认为该线段为无效线段，忽略不计；
若ShortestLengthThreshold≤LineLength＜LongestLengthThreshold，则缺陷标记数量CountCross=CountCross+1；
若LineLength≥LongestLengthThreshold，则表明该线段存在至少两个线段首尾相连的情况，需要进行拆分计数。
3.如权利要求2所述的晶圆背损伤缺陷的自动识别方法，其特征在于，所述拆分计数包括：计算拟合线段所需的标记点数量Count：
其中，real()函数表示返回参数的实部，ceil()函数表示向上取整；
则缺陷标记数量CountCross=CountCross+Count。
4.如权利要求3所述的晶圆背损伤缺陷的自动识别方法，其特征在于，步骤S27中，计算出十字符号的标记坐标，包括：当拟合线段的长度属于ShortestLengthThreshold≤LineLength＜LongestLengthThreshold时，则标记坐标的行坐标为RowCross=0.5*(xe+xb)，标记坐标的列坐标为ColCross=0.5*(ye+yb)。
5.如权利要求3所述的晶圆背损伤缺陷的自动识别方法，其特征在于，步骤S27中，计算出十字符号的标记坐标，包括：当拟合线段的长度属于LineLength≥LongestLengthThreshold时，先计算拟合线段两个端点之间的行间距xe‑xb和列间距ye‑yb；
再根据标记点数量Count计算出标记坐标的行坐标偏移量∆Row=(1/real(Count))*(xe‑xb)，以及列坐标偏移量∆Col=(1/real(Count))*(ye‑yb)，则该拟合线段上第i+1个标记坐标的行坐标为：
RowCross=xb+0.5*(2*real(i)+1)*∆Row；
ColCross=yb+0.5*(2*real(i)+1)*∆Col；
6.如权利要求1所述的晶圆背损伤缺陷的自动识别方法，其特征在于，得到十字符号的标记坐标后，将十字符号标记在所述原始图像中对应的位置，所述十字符号采用与所述原始图像底色有明显色差的颜色。
7.如权利要求1所述的晶圆背损伤缺陷的自动识别方法，其特征在于，步骤S26具体包括：对所述骨架区域做黑帽运算获得粘连骨架的拐点区域；
对获得的拐点区域做膨胀运算，再将原始骨架区域和膨胀后的拐点区域做减法运算，即可将所有的粘连骨架分割为梯度各异的骨架关节区域；
计算每个骨架关节区域的梯度值，按照梯度值近似原则将不同梯度的骨架关节区域进行分类；
将属于同一类的骨架关节区域绘制到新的图像中，将新生成的图像与膨胀后的拐点区域做加法运算，即可将同一类的骨架关节区域进行合并。
8.如权利要求1所述的晶圆背损伤缺陷的自动识别方法，其特征在于，步骤S27中，将合并后的骨架关节区域拟合成线段，包括：将合并后的骨架关节区域的外轮廓的坐标点作为输入参数，采用最小二乘法拟合出直线F，再利用OpenCV中拟合轮廓矩形的函数拟合出外轮廓的矩形X，利用所述矩形X对所述直线F进行约束，以得到骨架关节区域的拟合线段。
9.如权利要求1所述的晶圆背损伤缺陷的自动识别方法，其特征在于，步骤S21中，对所述原始图像进行预处理，包括：对所述原始图像进行灰度化处理转换成灰度图像；
计算所述灰度图像的灰度直方图，提取出最大灰度值GrayMax和最小灰度值GrayMin；
使用Canny算子对增强后的灰度图像进行锐化处理，得到预处理图像。
晶圆背损伤缺陷的自动识别方法
技术领域
[0001] 本发明涉及晶圆缺陷检测计数领域，具体涉及一种晶圆背损伤缺陷的自动识别方法。
背景技术
[0002] 在晶圆加工制造过程中，晶圆背损伤是其中必不可少的一道工序。背损伤主要是通过喷砂法在晶圆背面进行机械性损伤制造缺陷，形成软损伤层，使硅片具有吸杂能力。在后续的热循环工艺中，当温度达到一定值时，如Fe/Ni/Cr/Zn等会降低载流子寿命的金属原子就会在内部运动，一旦这些金属原子在晶圆背面遇到软损伤层，就会被引诱并本能地从内部移动到软损伤层，从而达到吸杂的目的。
[0003] 在实际生产过程中，通常会通过对晶圆背损伤缺陷的密度（即缺陷的数量）做检测，从而判断晶圆的吸杂能力是否达标。目前主要通过人工计数的方式完成计数工作。但是，由于晶圆背损伤缺陷在晶圆背面分布位置是随机的，并且存在缺陷粘连的情况，人工计数不但无法保证计数结果的准确率，而且计数效率也不高。
发明内容
[0004] 本发明要解决的技术问题是：晶圆背损伤缺陷采用人工计数的方式，存在准确率低、效率低的技术问题。为此，本发明提供一种晶圆背损伤缺陷的自动识别方法，不仅可以提高计数的准确率，还能够提高计数的工作效率。
[0005] 本发明解决其技术问题所采用的技术方案是：一种晶圆背损伤缺陷的自动识别方法，包括以下步骤：
[0006] S1、获取在电子显微镜下拍摄的晶圆背损伤缺陷的原始图像；
[0007] S2、利用缺陷识别算法对所述原始图像进行缺陷识别，输出识别结果，所述识别结果包括：在所述原始图像中用十字符号标记缺陷位置以及缺陷的数量；
[0008] S3、对输出的识别结果进行分析与修正，若识别结果的准确率不符合预期，则调整所述缺陷识别算法中的阈值后再重复步骤S2；若识别结果的准确率符合预期，但仍存在未被识别出的缺陷或过度识别的缺陷，则采用手动添加或删除十字符号的方式进行修正；
[0009] S4、导出最终的晶圆背损伤缺陷识别结果。
[0010] 进一步的，所述缺陷识别算法包括：
[0011] S21、对所述原始图像进行预处理，得到预处理图像；
[0012] S22、采用粗提取的方式从所述预处理图像中提取出第一目标区域；
[0013] S23、提取出所述第一目标区域中的噪声区域，再将所述第一目标区域减去噪声区域得到第二目标区域；
[0014] S25、对所述第二目标区域进行去噪后，提取出感兴趣区域，并将所述感兴趣区域转换为单像素级别的骨架区域；
[0015] S26、将所述骨架区域分割为不同梯度的骨架关节区域，并将属于同一类的骨架关节区域进行合并；
[0016] S27、将合并后的骨架关节区域拟合成线段，遍历所有的拟合线段，统计缺陷的数量并计算出十字符号的标记坐标。
[0017] 进一步的，步骤S27中，遍历所有的拟合线段，统计缺陷的数量，包括：
[0018] 根据线段两端点的坐标计算出线段的长度LineLength；
[0019]
[0020] 其中，(xb，yb)表示拟合线段的第一个端点的坐标，(xe，ye)表示拟合线段的第二个端点的坐标；
[0021] 设置标准线段的最短长度阈值为ShortestLengthThreshold和最长长度阈值为LongestLengthThreshold；
[0022] 若LineLength＜ShortestLengthThreshold，则认为该线段为无效线段，忽略不计；
[0023] 若ShortestLengthThreshold≤LineLength＜LongestLengthThreshold，则缺陷标记数量CountCross=CountCross+1；
[0024] 若LineLength≥LongestLengthThreshold，则表明该线段存在至少两个线段首尾相连的情况，需要进行拆分计数。
[0025] 进一步的，所述拆分计数包括：
[0026] 计算拟合线段所需的标记点数量Count：
[0027]
[0028] 其中，real()函数表示返回参数的实部，ceil()函数表示向上取整；
[0029] 则缺陷标记数量CountCross=CountCross+Count。
[0030] 进一步的，步骤S27中，计算出十字符号的标记坐标，包括：
[0031] 当拟合线段的长度属于ShortestLengthThreshold≤LineLength＜LongestLengthThreshold时，则
[0032] 标记坐标的行坐标为RowCross=0.5*(xe+xb)，
[0033] 标记坐标的列坐标为ColCross=0.5*(ye+yb)。
[0034] 进一步的，步骤S27中，计算出十字符号的标记坐标，包括：
[0035] 当拟合线段的长度属于LineLength≥LongestLengthThreshold时，[0036] 先计算拟合线段两个端点之间的行间距xe‑xb和列间距ye‑yb；
[0037] 再根据标记点数量Count计算出标记坐标的行坐标偏移量∆ Row=(1/real(Count))*(xe‑xb)，以及列坐标偏移量∆Col=(1/real(Count))*(ye‑yb)，则[0038] 该拟合线段上第i+1个标记坐标的行坐标为：
[0039] RowCross=xb+0.5*(2*real(i)+1)*∆Row；
[0040] 该拟合线段上第i+1个标记坐标的列坐标为：
[0041] ColCross=yb+0.5*(2*real(i)+1)*∆Col；
[0042] 其中，i表示标记坐标的数量，初始值为0。
[0043] 进一步的，得到十字符号的标记坐标后，将十字符号标记在所述原始图像中对应的位置，所述十字符号采用与所述原始图像底色有明显色差的颜色。
[0044] 进一步的，步骤S26具体包括：
[0045] 对所述骨架区域做黑帽运算获得粘连骨架的拐点区域；
[0046] 对获得的拐点区域做膨胀运算，再将原始骨架区域和膨胀后的拐点区域做减法运算，即可将所有的粘连骨架分割为梯度各异的骨架关节区域；
[0047] 计算每个骨架关节区域的梯度值，按照梯度值近似原则将不同梯度的骨架关节区域进行分类；
[0048] 将属于同一类的骨架关节区域绘制到新的图像中，将新生成的图像与膨胀后的拐点区域做加法运算，即可将同一类的骨架关节区域进行合并。
[0049] 进一步的，步骤S27中，将合并后的骨架关节区域拟合成线段，包括：
[0050] 将合并后的骨架关节区域的外轮廓的坐标点作为输入参数，采用最小二乘法拟合出直线F，再利用OpenCV中拟合轮廓矩形的函数拟合出外轮廓的矩形X，利用所述矩形X对所述直线F进行约束，以得到骨架关节区域的拟合线段。
[0051] 进一步的，步骤S21中，对所述原始图像进行预处理，包括：
[0052] 对所述原始图像进行灰度化处理转换成灰度图像；
[0053] 计算所述灰度图像的灰度直方图，提取出最大灰度值GrayMax和最小灰度值GrayMin；
[0054] 对所述灰度图像进行对比度增强处理；
[0055] 使用Canny算子对增强后的灰度图像进行锐化处理，得到预处理图像。
[0056] 本发明的有益效果是，本方法可以自动识别出晶圆背面的缺陷数量和缺陷位置，在15秒以内就可以完成计数、识别，不仅提高了识别的准确率，还提高了计数的工作效率。
附图说明
[0057] 下面结合附图和实施例对本发明进一步说明。
[0058] 图1是本发明的自动识别方法的流程图。
[0059] 图2是本发明的原始图像（缺陷形态为棍棒状）的示意图。
[0060] 图3是本发明粗体取的第一目标区域的示意图。
[0061] 图4是本发明经过二次提取后的第二目标区域的示意图。
[0062] 图5是本发明的骨架关节区域的示意图。
[0063] 图6是本发明的第一类关节的示意图。
[0064] 图7是本发明的第二类关节的示意图。
[0065] 图8是本发明的重组后的第一类关节的示意图。
[0066] 图9是本发明的重组后的第二类关节的示意图。
[0067] 图10是本发明的识别结果的局部示意图。
[0068] 图11是本发明的首尾粘连的拟合线段的坐标计算示意图。
具体实施方式
[0069] 现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
[0070] 在本发明的描述中，需要理解的是，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0071] 如图1至图11所示，本发明的晶圆背损伤缺陷的自动识别方法，包括以下步骤：S1、获取在电子显微镜下拍摄的晶圆背损伤缺陷的原始图像；S2、利用缺陷识别算法对原始图像进行缺陷识别，输出识别结果，识别结果包括：在原始图像中用十字符号标记缺陷位置以及缺陷的数量；S3、对输出的识别结果进行分析与修正，若识别结果的准确率不符合预期，则调整缺陷识别算法中的阈值后再重复步骤S2；若识别结果的准确率符合预期，但仍存在未被识别出的缺陷或过度识别的缺陷，则采用手动添加或删除十字符号的方式进行修正；S4、导出最终的晶圆背损伤缺陷识别结果。
[0072] 与现有人工计数方式（一张晶圆背损伤至少需要4分钟）相比，本方法通过缺陷识别算法可以自动识别出晶圆背面的缺陷数量和缺陷位置，在15秒以内就可以完成计数、识别，不仅提高了识别的准确率，还提高了计数的工作效率。
[0073] 需要说明的是，同一类型的晶圆，背损伤缺陷的形态是相同的。背损伤缺陷的形态可以是棍棒形、米粒形、圆形、梯形等等。对于不同的缺陷形态，均可以通过缺陷识别算法进行识别，不过，针对不同缺陷形态，算法中预设的相关阈值的取值有所不同。
[0074] 例如，以棍棒形缺陷为例，本发明的缺陷识别算法包括：
[0075] S21、对原始图像进行预处理，得到预处理图像。
[0076] 例如，预处理包括：对原始图像进行灰度化处理转换成灰度图像。计算灰度图像的灰度直方图，从直方图中提取出最大灰度值GrayMax和最小灰度值GrayMin。对灰度图像进行对比度增强处理：遍历灰度图像中的每个像素的灰度值，采用Gray’=Gray*Mult+Add对每个像素的灰度值进行线性缩放处理，来增强图像的对比度，其中，Gray’表示对灰度图像中的像素线性缩放后的灰度值，Gray表示灰度图像中的像素的原始灰度值，Mult表示线性缩放的倍数因子，Add表示线性缩放的加法因子，Mult=255/(GrayMax‑GrayMin)，Add=‑1*GrayMin*255/(GrayMax‑GrayMin)。然后，使用Canny算子对增强后的灰度图像进行锐化处理，以补偿图像的轮廓以及增强图像的边缘和灰度骤变的部分，使得图像变得更清晰，得到预处理图像。
[0077] S22、采用粗提取的方式从预处理图像中提取出第一目标区域。
[0078] 得到预处理图像后，对预处理图像取反并进行全局阈值化处理，先粗略提取出灰度值在[255‑GrayMax+GrayThreshold，255]区间内的图像区域作为第一目标区域，GrayThreshold为算法中预设的阈值，例如设为80。
[0079] S23、提取出第一目标区域中的噪声区域，再将第一目标区域减去噪声区域得到第二目标区域。
[0080] 计算第一目标区域的灰度值均值Mean和方差Deviation，对第一目标区域进行阈值化处理，提取出灰度值处于[10，Mean‑MultiFactor*Deviation]区间内的粘连夹缝为噪声区域，然后，将第一目标区域和噪声区域做减法运算即可获得更精确的目标区域（即第二目标区域）。MultiFactor为算法中预设的阈值，例如设为2。
[0081] 需要说明的是，步骤S22中的粗提取，主要是根据灰度阈值提取出所有的缺陷区域，并删除了背景区域，但是，这种方式提取出的缺陷区域有可能会漏提取，如果直接计数的话，结果不准确，特别是对于那些并行粘连缺陷的夹缝区域会存在噪声。如图3所示的矩形框内的夹缝区域就是未被剔除的噪声。因此，需要进行步骤S23的二次提取，计算第一目标区域的灰度均值和方差，利用均值和方差值来提取并剔除并行粘连缺陷的夹缝区域噪声，剔除夹缝中噪声区域后的图像如图4所示。经过以上两次提取操作，可以实现对目标区域更加精准化的提取。
[0082] S25、对第二目标区域进行去噪后，提取出感兴趣区域，并将感兴趣区域转换为单像素级别的骨架区域。
[0083] 根据面积特征，去除第二目标区域中的其他噪声信息，然后提取出第二目标区域中面积大于AreaThreshold的区域作为感兴趣区域，AreaThreshold为算法中预设的阈值，例如可设为200。然后，将感兴趣区域转换为单像素级别的骨架区域。
[0084] S26、将骨架区域分割为不同梯度的骨架关节区域，并将属于同一类的骨架关节区域进行合并。
[0085] 具体包括：对骨架区域做黑帽运算获得粘连骨架的拐点区域。对获得的拐点区域做膨胀运算，再将原始骨架区域和膨胀后的拐点区域做减法运算，即可将所有的粘连骨架分割为梯度各异的骨架关节区域。计算每个骨架关节区域的梯度值，按照梯度值近似原则将不同梯度的骨架关节区域进行分类。将属于同一类的骨架关节区域绘制到新的图像中，将新生成的图像与膨胀后的拐点区域做加法运算，即可将同一类的骨架关节区域进行合并。也就是说，经过该步骤的处理，不仅可以将粘连骨架进行分割，还会把方向相近、距离相近的骨架关节区域进行合并。
[0086] 梯度值近似原则是指将梯度值与设定梯度值相近（例如差值小于0.1内）的骨架关节归属于同一类。例如，将粘连骨架按照拐点区域分割完成后生成的关节图像如图5所示，以图像左上角为坐标原点，原点右侧是x轴正方向，原点下方是y轴正方向，图中所有的关节可以被分类为如图6和图7所示的两类。一类梯度值均近似接近于1（1为设定梯度值），另一类的梯度小于零的所有关节的梯度值均近似接近于‑1（‑1为设定梯度值）。按照梯度值接近于1的规则在图像中将方向从左上到右下的关节认为是第一类关节，按照梯度值接近于‑1的规则在图像中将方向从左下到右上方向的关节认为是第二类关节。
[0087] 需要说明的是，如图6和图7所示，步骤S26的目的就是为了将骨架区域中不同梯度的关节部分分割完成后，将骨架区域中被过度分割的关节部分重新连接。先进行分割、分类是想要将骨架中梯度不同的关节分割开，但是它会将骨架中不需要被分割的关节过度分割，所以将分类后的骨架关节分别按照提取的关节区域再次进行合并，合并后分别如图8和图9所示。经过该操作后，图8、图9比图6、图7的距离相近的关节的连通性更强，有利于后续对其拟合线段的计数。
[0088] S27、将合并后的骨架关节区域拟合成线段，遍历所有的拟合线段，统计缺陷的数量并计算出十字符号的标记坐标。
[0089] 将合并后的骨架关节区域的外轮廓的坐标点作为输入参数，采用最小二乘法拟合出直线F，再利用OpenCV中拟合轮廓矩形的函数拟合出外轮廓的矩形X，利用矩形X对直线F进行约束，以得到骨架关节区域的拟合线段。
[0090] 将骨架关节区域拟合成线段后，可以将形状不规则、长短不一致，并且存在粘连缺陷的分割、计数问题转换为对线段的分割、计数问题，统计起来更加方便、快捷。
[0091] 遍历所有的拟合线段，根据线段两端点的坐标计算出线段的长度，其中，(xb，yb)表示拟合线段的第一个端点的坐标，
(xe，ye)表示拟合线段的第二个端点的坐标。设置标准线段的最短长度阈值为ShortestLengthThreshold和最长长度阈值为LongestLengthThreshold，例如，ShortestLengthThreshold设为20，LongestLengthThreshold设为80。若LineLength＜ShortestLengthThreshold，则认为该线段为无效线段，忽略不计（即不参与计数）。若ShortestLengthThreshold≤LineLength＜LongestLengthThreshold，则缺陷标记数量CountCross=CountCross+1，即，缺陷标记数量加一，CountCross的初始值为0。
[0092] 若LineLength≥LongestLengthThreshold，则表明该线段存在至少两个线段首尾相连的情况，需要进行拆分计数。也就是说，当拟合线段的长度达到或超过最长长度阈值时，表明该拟合线段存在至少有两个线段首尾相连的情况，如果直接将计数加一是不准确的，需要将拟合线段进行分割计数。拆分计数包括：计算拟合线段所需的标记点数量Count：，其中，real()
函数表示返回参数的实部，ceil()函数表示向上取整；则缺陷标记数量CountCross=CountCross+Count。例如，LineLength=200，LongestLengthThreshold=80，那么，Count=3，表明该拟合线段可以拆分成三个线段。然后，在正常线段的基础上，再加上3即为标记点的总数。例如，ShortestLengthThreshold≤LineLength＜LongestLengthThreshold的线段统计出来有100个，即CountCross=100，Count=3，那么最终得到的标记点数量为103个。本方法能够自动识别拟合线段粘连的情况，并对粘连线段进行分割计数，不仅能够提高计数的准确率，还能提高计数效率，方便快捷。
[0093] 统计完线段的数量（即缺陷的数量）后，就可以计算各个标记点的坐标位置。标记坐标的计算也分为两种情况：正常的拟合线段的标记坐标和首尾粘连的拟合线段的标记坐标。
[0094] 当拟合线段的长度属于ShortestLengthThreshold≤LineLength＜LongestLengthThreshold时，则，标记坐标的行坐标为RowCross=0.5*(xe+xb)，标记坐标的列坐标为ColCross=0.5*(ye+yb)。也就是说，正常的拟合线段的标记坐标为拟合线段的中点坐标。
[0095] 当拟合线段的长度属于LineLength≥LongestLengthThreshold时，先计算拟合线段两个端点之间的行间距xe‑xb和列间距ye‑yb。再根据标记点数量Count计算出标记坐标的行坐标偏移量∆Row=(1/real(Count))*(xe‑xb)，以及列坐标偏移量∆Col=(1/real(Count))*(ye‑yb)，则，该拟合线段上第i+1个标记坐标的行坐标为：RowCross=xb+0.5*(2*real(i)+1)*∆Row；该拟合线段上第i+1个标记坐标的列坐标为：ColCross=yb+0.5*(2*real(i)+1)*∆Col；其中，i表示标记坐标的数量，初始值为0。由此，可以得到首尾粘连的拟合线段中的所有的标记坐标。
[0096] 得到十字符号的所有标记坐标后，将十字符号标记在原始图像中对应的位置，十字符号采用与原始图像底色有明显色差的颜色。例如，图像的背景底色为灰色，那么十字符号的颜色可以采用显眼的绿色，这样，当识别结果导出的时候，工作人员可以清楚地看到缺陷所在的位置。
[0097] 本方法的缺陷识别算法输出识别结果后，工作人员可以对识别结果进行分析和修正。例如，预期的准确率为95%以上，如果识别结果（包括统计的数量以及标记的位置）的准确率较低未达到预期，那么可以微调缺陷识别算法中的相关阈值后，重新执行缺陷识别算法，从全局角度提高算法的识别的精度。如果准确率达到预期，但是存在少量的未识别出来的缺陷或者过度识别的缺陷，则可以采用手动修正的方式进行修改。对于少量未被标记出来的缺陷，可以手动添加十字符号。对于过度识别的缺陷（即同一缺陷被重复标记），则可以手动删除重复标记，从局部角度进一步提高识别精度。保存修正后的识别结果并输出。
[0098] 综上所述，本方法基于缺陷识别算法能够自动统计晶圆背损伤缺陷的数量并在图像上进行标记，有效解决了在实际生产过程中，由于人工计数方法导致的对晶圆背损伤缺陷计数结果不准确、计数效率不高的问题。对任意一张晶圆背损伤缺陷的识别，本方法在15秒以内就可以完成计数，并且准确率比人工计数方法要高很多，还能提高计数效率。
[0099] 以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要如权利要求范围来确定其技术性范围。
