面向退化显微边缘统一建模的自适应边缘响应(Adaptive Edge-Response)亚像素定位方法——用于微视觉对准(Microscopic Vision-Based Alignment)测量

《Sensors》：A Low-Cost Vision–GPS Framework for the Unified Mapping of Vertical and Horizontal Road Assets Using Deep Learning

　　

微观视觉对准(Microscopic Vision-Based Alignment)中的微观尺度对准测量依赖亚像素边缘–中心估算的重复性，其精度主要受边缘响应中亚像素边缘中心估计稳定性的影响。然而在实际显微成像中，离焦(Defocus)与污染(Contamination)会导致边缘展宽及伪梯度峰值(Pseudo-Gradient Peak)，使常规方法难以准确估算对准标记(Alignment Mark)的边缘中心。针对此问题，研究人员提出一种自适应边缘响应建模(Adaptive Edge-Response Modeling)方法。首先，通过结合梯度峰值与边缘过渡区斜率构造幅度函数，实现响应幅度的自适应调节并抑制其与其它参数的耦合。在此基础上，该方法克服了Sigmoid模型仅适用于单边缘拟合的局限，实现了对实际多边缘混合键合(Hybrid Bonding)对准标记的统一建模，并抑制边缘伪峰与梯度突变干扰，从而提高亚像素拟合与定位精度。实验结果表明，相比常规方法，所提方法在退化显微成像条件下将亚像素边缘定位的重复性提高了约52%，满足高精度微观视觉对准的要求。

论文解读：面向退化显微边缘统一建模的自适应边缘响应亚像素定位方法用于微视觉对准测量

《Sensors》刊载的该研究针对先进半导体封装中晶圆键合(Wafer Bonding)、芯片互连等工艺所需的高精度微视觉对准(Microscopic Vision-Based Alignment)系统，指出随着对准精度要求迈向纳米级，传统基于理想阶跃边缘假设的亚像素边缘测量模型已无法适应离焦、污染、表面反射不均等引起的成像退化(Imaging Degradation)。常规参数化边缘模型（如Sigmoid、高斯模糊边缘模型）存在幅度(Amplitude, A)、斜率(k)与边缘中心(x₀)间的参数耦合(Parameter Coupling)，局部异常响应或噪声诱发的伪梯度峰值(Pseudo-Gradient Peak)会使估计的边缘中心发生偏移，降低测量的重复性(Repeatability, 通常以3σ表示)。为此，研究人员重新将退化显微边缘下的亚像素边缘测量问题表述为退化边缘响应表征问题，提出一种自适应边缘响应建模方法：引入由局部梯度峰值与边缘过渡区斜率共同约束的自适应响应幅度(A_i= 4G_i/k_i)，解除A与x₀的强耦合；并将单边缘Sigmoid过渡模型扩展为多边缘叠加的光学响应模型，以统一描述含多对称边缘的实际混合键合对准标记。实验采用CMOS工业相机(2448×2048, 像素尺寸3.45 μm)、20×/40×物镜、630 nm反射窄带光源及纳米级位移台(±3 nm重复性)搭建显微对准成像系统，分别对仿真退化边缘（高斯模糊σ=0~10、叠加局部强度扰动模拟污染、引入局部缺口模拟缺陷）和真实晶圆级混合键合对准标记图像（标准、离焦、污染、缺陷）进行重复采集与亚像素边缘定位，以3σ作为重复性评价指标。

主要关键技术方法：

研究人员从显微对准标记ROI沿边缘法线方向提取一维灰度剖面I(x)，用中心差分计算离散梯度G(x)，以基于中位数绝对偏差(Median Absolute Deviation, MAD, 系数ξ=1~5, 1.4826换算高斯标准差)的自适应阈值筛选候选梯度峰值并施加最小间距约束识别真实边缘集；对第i个真边缘取局部三点的二次插值估算亚像素梯度峰值G_i，按A_i=4G_i/k_i构造自适应响应幅度代入Sigmoid型单边缘模型I_i(x)=A_i/(1+e^-k_i(x-x_0i))+B，再叠加N个已知结构的边缘构建多边缘过渡响应模型I_total(x)=ΣI_i(x)+B_bg，在含完整过渡区与两侧稳定灰度平台的拟合区间内优化求解各边缘亚像素中心x_0i。

研究结果：

3.2. Evaluation Metrics

研究人员定义对同一对准标记在相同条件下重复采集获得S组测量结果，计算标准差σ及对齐测量重复性3σ(3倍标准差)。仿真混合键合对准标记组含30个样本，真实标记实验含10个样本，以3σ值越小表示亚像素边缘估算稳定性越高。退化边缘通过理想阶跃边缘经高斯滤波(模糊)、叠加局部强度扰动(污染)及引入局部缺口(缺陷)模拟。

3.3. Validation Using Simulated Microscopic Degraded Edge Responses

在理想、模糊、缺陷及污染边缘的仿真测试中，NCC(Normalized Cross-Correlation)、高斯拟合法、二阶导数拟合法及矩方法(Moment Method)受局部强度波动与梯度峰值变化影响出现不同程度估算偏移；所提方法表现出更高精度与抗干扰稳定性。标准边缘下各对照方法3σ重复性误差为0.021~0.024像素，所提方法约为0.018像素，提升约16.67%~33.27%；模糊、污染及缺陷边缘下优势更显著。随高斯模糊强度增大各方法3σ误差均上升，但NCC与高斯法增长明显，最大模糊强度下所提方法误差约为NCC和高斯法的一半，验证了自适应边缘响应建模对模糊退化边缘的中心估算稳定性。

3.4. Real Microscopic Mark Measurement Experiment

真实显微图像中，标准条件下所提方法3σ误差为13.0 nm，低于对照方法的16~21.0 nm，平均误差较常规方法降低约30%。离焦、污染及缺陷图像中对照方法误差升至20~35.0 nm，所提方法保持在约14 nm（污染14.0 nm，缺陷14.4 nm），较NCC和高斯法降低约55%~60%。离焦距离由0 μm增至0.9 μm时，常规方法误差在>0.5 μm后显著上升，所提方法维持较低误差且增长平缓，表明方法具较好离焦鲁棒性。噪声抑制系数ξ在3.5~5时预测幅度归一化方差趋近稳定(~0.026)，有效抑制噪声干扰。单次亚像素对准测量处理时间<90 ms，满足高精度键合对准系统的实时性要求。去除自适应幅度约束的消融实验显示模型误差增大，验证该约束对提升边缘中心估算稳定性的有效性。

讨论与结论翻译：

研究人员指出，本文提出的自适应边缘响应建模方法通过将边缘响应幅度转化为受局部梯度峰值和过渡区斜率约束的自适应项，降低了传统参数化边缘模型中幅度、斜率与边缘中心的参数耦合，并在退化显微成像条件下提高了边缘中心估算的稳定性。实验表明该方法可有效抑制离焦、污染及缺陷引起的边缘展宽、伪梯度峰值及局部异常响应的干扰，在标准图像中误差约达13.0 nm，在离焦、污染及缺陷图像中约保持14.2 nm。消融实验进一步证实自适应幅度约束对提升边缘中心估算稳定性的贡献。总体而言，该方法提升了退化边缘条件下微视觉对准测量的重复性与稳定性，适用于高精度对准、精密检测及微/纳米尺度视觉测量应用。当前实验限于典型退化条件、有限样本类型与实际工况，且当边缘梯度响应极弱或实际边缘响应严重偏离所假设阶跃型响应时定位精度可能下降。未来工作将扩展至不同材料、多种对准标记结构及更复杂退化场景，并进一步提升算法计算效率以助益工业在线检测集成。