一种光刻图像轮廓的提取方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111968142A(43)申请公布日2020.11.20(21)申请号202010706848.1(22)申请日2020.07.21(71)申请人上海集成电路研发中心有限公司地址201210上海市浦东新区张江高斯路497号(72)发明人周涛时雪龙燕燕李立人李琛(74)专利代理机构上海天辰知识产权代理事务所(特殊普通合伙)31275代理人吴世华陶金龙(51)Int.Cl.G06T7/13(2017.01)G06T7/187(2017.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图3页(54)发明名称一种光刻图像轮廓的提取方法(57)摘要一种光刻图像轮廓提取方法，其包括获取光刻图像，采用梯度幅值进行非极大值抑制的方式对所述光刻图像轮廓进行粗提取处理；得到第一光刻图像轮廓C；根据所述光刻图像的先验信息对粗提取的所述第一光刻图像轮廓进行精细化提取处理，得到所述第二光刻图像轮廓Ceff。因此，本发明基于光刻图案的自有特征，正对性设计相关算法，完成图像缺陷的抑制，从而得到正确的图像轮廓，并基于上述方法完成轮廓提取神经网络训练数据集准备，保证了神经网络训练数据集的质量进而提升网络推断的准确性。CN111968142ACN111968142A权利要求书1/2页1.一种光刻图像轮廓提取方法，其特征在于，所述方法包括如下步骤：步骤S11：获取光刻图像，采用梯度幅值进行非极大值抑制的方式对所述光刻图像轮廓进行粗提取处理；得到第一光刻图像轮廓C；步骤S12：根据所述光刻图像的先验信息对粗提取的所述第一光刻图像轮廓进行精细化提取处理，得到所述第二光刻图像轮廓Ceff。2.根据权利要求1所述的方法，其特征在于，所述光刻图像的先验信息为第一先验信息、第二先验信息和第三先验信息；其中，第一先验信息：背景区域像素值低，边缘量测通常为背景和阴影；第二先验信息：若为阴影，各部分图像联系为背景-阴影-图案，在阴影和背景间出现伪边缘；若为底层图案，联系为背景-阴影-背景；第三先验信息：伪边缘长度有限，远低于图案边缘长度，且与边缘不相连。3.根据权利要求2所述的方法，其特征在于，所述步骤S12具体包括：步骤S121：结合所述第一先验信息和第二先验信息，计算所述第一光刻图像轮廓C中邻域像素均值M；步骤S122：对所述第一光刻图像轮廓C中每一个像素的邻域像素进行均值M的计算，并将所述邻域像素均值M与阈值T进行比较，若所述邻域像素均值M大于等于阈值T，所述像素为有效边缘像素并保留其像素值，反之则置所述像素的像素值为零，最终根据所述第一光刻图像轮廓C的每一个像素得到第一中间光刻图像轮廓Ceff12；步骤S123：再结合所述第三先验信息，对所述第一中间光刻图像轮廓Ceff12中的边缘点进行8链接分量长度阈值处理，得到第二中间光刻图像轮廓Ceff13，然后，以所述第二中间光刻图像轮廓Ceff13为种子，基于所述第二中间光刻图像轮廓Ceff13进行8链接得到所述第二光刻图像轮廓Ceff。4.根据权利要求3所述的方法，其特征在于，还包括：步骤124：检测所述第二光刻图像轮廓Ceff的断裂处，并修复所述第二光刻图像轮廓Ceff的断裂处。5.一种光刻图像轮廓提取方法，其特征在于，包括：步骤S21：获取多个获取光刻图像；步骤S22：采用权利要求1-4任意一个所述的光刻图像轮廓的提取方法，逐一提取所述多个获取光刻图像的轮廓，形成训练用轮廓数据集；步骤S23：基于所述训练用轮廓数据集，用全分辨卷积深度神经网络学习图像轮廓特征。6.根据权利要求5所述的方法，其特征在于，采用下采样技术增加视场宽度，所述步骤S23具体包括如下步骤：步骤S231：采用可逆下采样方法将所述训练用轮廓数据集中的轮廓原图拆分成多个子图，并以所述多个轮廓子图作为神经网络特征学习输入；步骤S232：将所述多个轮廓子图输入所述全分辨卷积深度神经网络的全分辨非线性映射层，用于学习图像轮廓特征，并输出所述轮廓子图；步骤S233：通过下采样逆变换将所述多个轮廓子图融合成全分辨率轮廓图像。7.根据权利要求6所述的方法，其特征在于，所述全分辨非线性映射层包括三类运算；2CN111968142A权利要求书2/2页第一类运算为卷积Conv，第二类运算为批量标准化BN，第三类运算为修正线性激活函数ReLU。8.根据权利要求7所述的方法，其特征在于，所述全分辨非线性映射层包括K个循环单元，所述循环单元包括三层，第一层采用Conv+ReLU模式，第二层采用Conv+BN+ReLU模式，第三层采用纯Conv模式，以实现从图像到轮廓的映射功能，实现轮廓子图的输出，其中K为正整数。9.根据权利要求6所述的方法，其特征在于，