CN112767398B - 晶圆缺陷的检测方法及装置 - Google Patents
晶圆缺陷的检测方法及装置 Download PDFInfo
- Publication number
- CN112767398B CN112767398B CN202110370351.1A CN202110370351A CN112767398B CN 112767398 B CN112767398 B CN 112767398B CN 202110370351 A CN202110370351 A CN 202110370351A CN 112767398 B CN112767398 B CN 112767398B
- Authority
- CN
- China
- Prior art keywords
- image
- wafer
- defect
- detected
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000001514 detection method Methods 0.000 claims abstract description 115
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 239000000758 substrate Substances 0.000 claims description 60
- 238000010586 diagram Methods 0.000 claims description 34
- 238000005530 etching Methods 0.000 claims description 27
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 238000003331 infrared imaging Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 8
- 229910052736 halogen Inorganic materials 0.000 claims description 8
- 150000002367 halogens Chemical class 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000005498 polishing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 30
- 238000013507 mapping Methods 0.000 abstract description 8
- 230000006872 improvement Effects 0.000 abstract description 7
- 235000012431 wafers Nutrition 0.000 description 120
- 238000003860 storage Methods 0.000 description 18
- 239000010410 layer Substances 0.000 description 11
- 239000004065 semiconductor Substances 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000002085 persistent effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本申请是关于一种晶圆缺陷的检测方法及装置。该方法包括：通过模板匹配算法识别出待测晶圆上不同缺陷形态所对应的图像区域，从而根据不同图像区域的检测图像进行特征参数的提取，提取出的特征参数可以可靠表征待测晶圆，对提取出的特征参数进行阈值判断，根据判断结果得到待测晶圆的缺陷检测结果。本申请提供的方案，能够识别出缺陷类型，并根据映射关系推算出晶圆生产制程中的站点异常，从而为晶圆制程提供指导性的改善建议。
Description
技术领域
本申请涉及计算机视觉技术领域，尤其涉及晶圆缺陷的检测方法及装置。
背景技术
全球半导体市场中，95%以上的半导体器件和99%以上的集成电路都采用高纯晶圆片制作。晶圆片上刻蚀出数以百万计的晶体管，这些晶体管比人的头发要细小上百倍，所以，晶圆检测中对于精度的要求很高。而作为半导体器件的核心零件，晶圆的质量好坏对于半导体器件能否正常工作起着决定性的作用，因此，对晶圆片进行缺陷检查对于半导体的生产有着重要作用，寻求一种高效准确的晶圆缺陷检测方法是半导体行业的热点话题。
目前，晶圆内部缺陷一般是通过电性能的测试来进行判别的，该方法只能对晶圆进行是否存在缺陷的检测，而不能针对不同的缺陷类型进行检测，因此无法直观地体现出晶圆制程中黄光、蚀刻或切割等站点的制程问题，对晶圆生产过程无法产生指导性的改善建议，同时与光学检测方法相比，也不具备高效和低成本优势。
而公告号为CN505153093A的专利文件公开了一种利用待测晶圆的图像和模板图像的残差图进行待测晶圆的缺陷检测的方法，但是该方案存在以下缺陷：
1、该方案利用整个晶圆灰度图像与模板图像进行缺陷判定，大于灰度残差阈值的区域即被判定为缺陷，并没有对缺陷类型进行区分；
2、该方案仅靠灰度特征进行缺陷检测，检测结果的可靠性低。
发明内容
为克服相关技术中存在的问题，本申请提供一种晶圆缺陷的检测方法，该方法能够高效准确地检测出晶圆的缺陷类型。
本申请第一方面提供一种晶圆缺陷的检测方法，包括：
采集待测晶圆的红外图像；
利用模板匹配算法对所述红外图像进行定位，得到目标形态图像；所述目标形态图像包括：牛顿环图；
对所述目标形态图像进行预处理，得到目标检测图像；所述目标检测图像包括：去噪牛顿环骨架图；
基于所述目标检测图像提取得到检测特征参数；所述检测特征参数包括：牛顿环层数；
基于所述检测特征参数进行阈值判断，得到所述待测晶圆的缺陷类型。
在一种实施方式中，当所述目标形态图像为牛顿环图时，所述对所述目标形态图像进行预处理，得到目标检测图像，包括：
利用拉普拉斯算子对所述牛顿环图进行处理，提取得到牛顿环特征图；
利用骨架提取算法对所述牛顿环特征图进行骨架提取，得到牛顿环骨架图；
对所述牛顿环骨架图进行异常轮廓线的剔除，得到去噪牛顿环骨架图。
在一种实施方式中，所述基于所述目标检测图像提取得到检测特征参数，包括：
计算出所述去噪牛顿环骨架图中各个轮廓线的中心点数据，得到中心点数据集合；
利用k-means聚类算法对所述中心点数据集合进行分类，得到N个簇；所述N为正整数；
计算簇P中的所有中心点数据的均值作为所述牛顿环的中心点数据；所述簇P为所述N个簇中，数据量最多的簇；
以所述牛顿环的中心点为原点建立平面坐标系，计算牛顿环与坐标系横轴正半轴的最大交点数作为牛顿环层数。
在一种实施方式中，所述基于所述检测特征参数进行阈值判断，得到所述待测晶圆的缺陷类型，包括：
判断所述牛顿环层数是否大于或等于牛顿环阈值，若是，则判定所述待测晶圆的缺陷类型为键合缺陷，所述键合缺陷对应的站点异常为所述待测晶圆的制程中抛光站点异常。
在一种实施方式中，所述目标形态图像还包括：边角图像；
所述目标检测图像还包括：边角锐化图；
当所述目标形态图像为边角图像时，所述对所述目标形态图像进行预处理，得到目标检测图像，包括：
对所述边角图像进行锐化处理，得到边角锐化图。
在一种实施方式中，所述检测特征参数还包括：平均灰度差；
所述基于所述目标检测图像提取得到检测特征参数，包括：
读取所述边角锐化图的遍历线位置信息；
根据所述遍历线位置信息计算得到A区域图像的平均灰度值a；所述A区域为遍历线与图像边缘形成的三角形区域；
根据所述遍历线位置信息计算得到B区域图像的平均灰度值b；所述B区域为遍历线与图像边缘形成的梯形区域；
基于所述平均灰度值a和b计算得到平均灰度差。
在一种实施方式中，所述基于所述检测特征参数进行阈值判断，得到所述待测晶圆的缺陷类型，包括：
判断所述平均灰度差是否大于灰度差阈值，若是，则判定所述待测晶圆的缺陷类型为崩角缺陷，所述崩角缺陷对应的站点异常为所述待测晶圆的制程中切割站点异常；
若否，则重新读取所述边角锐化图的遍历线位置信息直至满足遍历条件；所述遍历条件包括：所述平均灰度差大于灰度差阈值或所述遍历线位置信息与所述边角锐化图的图像边缘位置信息重合。
在一种实施方式中，所述目标形态图像，还包括：底材图像；
所述目标检测图像，还包括：底材灰阶图；
当所述目标形态图像为底材图像时，所述对所述目标形态图像进行预处理，得到目标检测图像，包括：
从标准图像库中调取得到标准底材图像；
基于所述标准底材图像对所述底材图像进行灰度调整，得到底材灰阶图。
在一种实施方式中，所述检测特征参数，还包括：最大像素差；
所述基于所述目标检测图像提取得到检测特征参数，包括：
对所述底材灰阶图中的各个像素点与所述标准底材图像进行像素比较，得到各个像素点的像素差；
计算出所述各个像素点的像素差中的最大值，作为最大像素差。
在一种实施方式中，所述对所述底材灰阶图中的各个像素点与所述标准底材图像进行像素比较中，一个像素点的像素比较，包括：
读取所述底材灰阶图中所述像素点的像素值m；
读取所述标准底材图像中所述像素点位置的像素值n；
计算所述m与所述n的差值的绝对值。
在一种实施方式中，所述基于所述检测特征参数进行阈值判断，得到所述待测晶圆的缺陷类型，包括：
判断所述最大像素差是否大于或等于灰阶阈值，若是，则判定所述待测晶圆的缺陷类型为蚀刻缺陷，所述蚀刻缺陷对应的站点异常为所述待测晶圆的制程中蚀刻站点异常。
本申请第二方面提供一种晶圆缺陷的检测装置，包括：
卤素灯、红外滤波片、红外镜头、红外成像模块和图像处理模块；
所述卤素灯用于提供检测光源；
所述红外滤波片用于对所述检测光源进行滤波，得到单一波长的红外光；
所述红外镜头用来接收待测晶圆反射的光线，并将反射光传递至所述红外成像模块；
所述红外成像模块用于接收所述红外镜头的光线，并生成待测晶圆的红外图像；
所述图像处理模块包括：处理器以及存储器；存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果：
本方案通过模板匹配算法识别出待测晶圆上不同缺陷形态所对应的图像区域，从而根据不同图像区域的检测图像进行特征参数的提取，提取出的特征参数可以可靠表征待测晶圆，因此采用该特征参数进行缺陷判定时，可以得到准确的缺陷检测结果；并且，因为缺陷形态、图像区域和特征参数三者存在唯一的映射关系，所以根据特征参数进行阈值判定不仅能够判断出待测晶圆是否存在缺陷，还可以识别出缺陷类型，并根据映射关系推算出晶圆生产制程中的站点异常，从而为晶圆制程提供指导性的改善建议。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请实施例示出的晶圆缺陷的检测方法的第一流程示意图；
图2是本申请实施例示出的晶圆缺陷的检测方法的第二流程示意图；
图3是本申请实施例示出的晶圆缺陷的检测方法的第三流程示意图；
图4是本申请实施例示出的晶圆缺陷的检测方法的第四流程示意图；
图5是本申请实施例示出的晶圆缺陷的检测装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，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。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
现有的晶圆缺陷的检测方法只能对晶圆是否存在缺陷进行检测，而不能针对不同的缺陷类型进行检测，因此无法直观地体现出晶圆制程中黄光、蚀刻或切割等站点的制程问题，对晶圆生产过程无法产生指导性的改善建议。
实施例一
针对上述问题，本申请实施例提供一种晶圆缺陷的检测方法，能够高效准确地检测出晶圆的缺陷类型。
以下结合附图详细描述本申请实施例的技术方案。
图1是本申请实施例示出的晶圆缺陷的检测方法的第一流程示意图。
参见图1，所述晶圆缺陷的检测方法，包括：
101、采集待测晶圆的红外图像；
在本申请实施例中，利用1100nm的滤波片对卤素灯反射的光线进行滤波，得到1100nm的红外光，利用红外成像模块和红外镜头对1100nm外红光照射下的待测晶圆进行红外图像的采集。
102、利用模板匹配算法对所述红外图像进行定位，得到目标形态图像；
在本申请实施例中，所述目标形态图像包括：牛顿环图。在实际应用过程中，所述目标形态图像还可以包括：边角图像和底材图像中的至少一种。即实际应用过程中，可以对待测晶圆的红外图像利用模板匹配算法定位得到牛顿环图，或牛顿环图和边角图像，或牛顿环图和底材图像，或牛顿环图、边角图像和底材图像。
需要说明的是，针对得到的不同的目标形态图像，可以进行待测晶圆不同类型缺陷的检测，因此，在实际应用过程中，可以依据实际生产需求对模板匹配的过程进行调整，从而得到不同的目标形态图像，以满足不同的晶圆检测需求，例如，可以通过模板匹配算法定位得到牛顿环图和边角图像，以用于进行待测晶圆的键合缺陷检测和崩角检测。
可以理解的是，上述对于目标形态图像的描述仅是本申请实施例中的一个示例，不应该作为对本发明的限定。
103、对所述目标形态图像进行预处理，得到目标检测图像；
在本申请实施例中，所述目标检测图像包括：去噪牛顿环骨架图；所述去噪牛顿环骨架图为基于牛顿环图进行预处理后得到的目标检测图像。
在实际应用过程中，所述目标检测图像还可以包括：边角锐化图和底材灰阶图中的至少一种；所述边角锐化图和底材灰阶图分别为基于边角图像和底材图像进行预处理后得到的目标检测图像。
在本申请实施例中，所述预处理的过程可以包括：锐化处理、灰度校正和噪点剔除中的一种或多种。
需要说明的是，上述对于目标检测图像和预处理的描述仅是一种示例，不必作为对本发明的限定。
104、基于所述目标检测图像提取得到检测特征参数；
在本申请实施例中，所述检测特征参数包括：牛顿环层数；所述牛顿环层数为基于去噪牛顿环骨架图提取得到检测特征参数。
在实际应用过程中，所述检测特征参数还可以包括：平均灰度差和最大像素差中的至少一种；所述平均灰度差和最大像素差分别为基于边角锐化图和底材灰阶图提取得到检测特征参数。
需要说明的是，上述对于检测特征参数的描述仅是一种示例，不必作为对本发明的限定。
105、基于所述检测特征参数进行阈值判断，得到所述待测晶圆的缺陷类型。
在本申请实施例中，将所述牛顿环层数与牛顿环阈值进行比较，根据比较结果可以得到所述待测晶圆的键合缺陷检测结果。由于键合缺陷与晶圆生产制程中抛光站点异常存在映射关系，因此，当判定所述待测晶圆存在键合缺陷时，即可得到所述待测晶圆的制程中抛光站点异常的结果。
进一步地，将所述平均灰度差与灰度差阈值进行比较，根据比较结果可以得到所述待测晶圆的崩角缺陷检测结果，并通过映射关系推导出所述待测晶圆的制程中切割站点是否存在异常；将所述最大像素差与灰阶阈值进行比较，根据比较结果可以得到所述待测晶圆的蚀刻缺陷检测结果，并通过映射关系推导出所述待测晶圆的制程中蚀刻站点是否存在异常。
需要说明的是，本方案基于牛顿环层数能够进行所述待测晶圆的键合缺陷检测，基于平均灰度差能够进行所述待测晶圆的崩角缺陷检测，基于最大像素差能够进行所述待测晶圆的蚀刻缺陷检测。在实际应用过程中，可以仅进行键合缺陷检测，根据实际需求，还可以进行包含多种缺陷类型检测在内的多重检测，例如，键合缺陷和崩角缺陷的双重检测，或键合缺陷和蚀刻缺陷的双重检测，或键合缺陷、崩角缺陷以及蚀刻缺陷的三重检测。
需要说明的是，采用多重检测方案时，本申请实施例对于各类型缺陷检测的时序并没有严格的要求，以键合缺陷和崩角缺陷的双重检测为例，在实际应用过程中，可以按照先键合缺陷检测，再崩角缺陷检测的顺序进行检测，或按照先崩角缺陷检测，再崩角缺陷检测的顺序进行检测，或两种缺陷检测同步进行。
可以理解的是，各个缺陷类型的检测顺序不应该作为对本发明的限定。
本申请实施例提供了一种晶圆缺陷的检测方法。通过模板匹配算法识别出待测晶圆上不同缺陷形态所对应的图像区域，从而根据不同图像区域的检测图像进行特征参数的提取，提取出的特征参数可以可靠表征待测晶圆，因此采用该特征参数进行缺陷判定时，可以得到准确的缺陷检测结果；并且，因为缺陷形态、图像区域和特征参数三者存在唯一的映射关系，所以根据特征参数进行阈值判定不仅能够判断出待测晶圆是否存在缺陷，还可以识别出缺陷类型，并根据映射关系推算出晶圆生产制程中的站点异常，从而为晶圆制程提供指导性的改善建议。
实施例二
与实施例一相对应的，本申请实施例提供了当所述目标形态图像为牛顿环图时晶圆缺陷的检测方法。
图2为本申请实施例示出的晶圆缺陷的检测方法的第二流程示意图。
参见图2，当所述目标形态图像为牛顿环图时，所述晶圆缺陷的检测方法，包括：
201、采集待测晶圆的红外图像；
在本申请实施例中，步骤201的具体内容与上述实施例一中步骤101一致，此处不再赘述。
202、利用模板匹配算法对所述红外图像进行定位，得到牛顿环图；
具体的：
从模板库中调用牛顿环模板；
基于所述牛顿环模板对所述红外图像进行模板匹配，定位得到牛顿环图。
在本申请实施例中，基于所述牛顿环模板对所述红外图像进行模板匹配的具体过程为：读取所述牛顿环模板中的模板特征向量，循环计算所述红外图像中各个特征向量和模板特征向量之间的距离，比较所有的距离值，用最小距离法找出所述红外图像中距离值最小的图像区域，得到所述牛顿环图。
需要说明的是，上述对于模板匹配过程的描述仅是本申请实施例中的一种示例，不应该作为对本发明的限定。
203、对所述牛顿环图进行预处理，得到去噪牛顿环骨架图；
具体的：
利用拉普拉斯算子对所述牛顿环图进行处理，提取得到牛顿环特征图；
利用骨架提取算法对所述牛顿环特征图进行骨架提取，得到牛顿环骨架图；
对所述牛顿环骨架图进行异常轮廓线的剔除，得到去噪牛顿环骨架图。
在本申请实施例中，采用拉普拉斯算子对所述牛顿环图进行处理后，所述牛顿环图中灰度突变的区域得到增强，灰度缓慢变化的区域被减弱，从而得到灰度反差增强的牛顿环特征图。
需要说明的是，在实际应用过程中，还可以采用其他算子对所述牛顿环图进行灰度反差增强，以得到所述牛顿环特征图，例如，Canny算子或高斯-拉普拉斯算子。
可以理解的是，上述对于特征提取的描述仅是本申请实施例中的一种示例，不应该作为对本发明的限定。
在本申请实施例中，所述骨架提取算法包括：Zhangand-Suen的图像骨架提取算法。
需要说明的是，本申请实施例对采用的骨架提取算法并没有严格的限定，在实际应用过程中可以依据实际需求采用不同的骨架提取算法，即上述对于骨架提取算法的描述不应该作为对本发明的限定。
在本申请实施例中，所述对牛顿环骨架图进行异常轮廓线的剔除的过程为：计算牛顿环骨架图中每条轮廓线的长度和曲率，将长度短于长度阈值或曲率超过曲率阈值的轮廓线视作异常的轮廓线，并对异常的轮廓线进行剔除，从而得到去噪牛顿环骨架图。
在本申请实施例中，所述长度阈值为50；所述曲率阈值为0.1。
需要说明的是，上述的长度阈值与曲率阈值的取值均是本申请实施例中的一种示例，在实际应用过程中可以进行调整，即上述长度阈值与曲率阈值的取值不必作为对本发明的限定。
204、基于所述去噪牛顿环骨架图提取得到牛顿环层数；
具体的：
计算出所述去噪牛顿环骨架图中各个轮廓线的中心点数据，得到中心点数据集合；
利用k-means聚类算法对所述中心点数据集合进行分类，得到N个簇；所述N为正整数；
计算簇P中的所有中心点数据的均值作为所述牛顿环的中心点数据；所述簇P为所述N个簇中，数据量最多的簇；
以所述牛顿环的中心点为原点建立平面坐标系，计算牛顿环与坐标系横轴正半轴的最大交点数作为牛顿环层数。
在本申请实施例中，对中心点数据集合进行分类所采用的分类算法可以依照实际情况进行调整，例如，还可以使用最大类间方差法对中心点数据集合进行分类。
可以理解的是，上述对聚类算法的描述仅是本申请实施例中的一个示例，不应该作为对本发明的限定。
在本申请实施例中，以所述牛顿环的中心点为原点建立平面坐标系时，平面坐标系的横轴正半轴为由所述牛顿环的中心点指向任一轮廓线上的任一轮廓点的射线，通过计算所有轮廓线与横轴正半轴的最大交点数即可得到所述去噪牛顿环骨架图中的牛顿环层数。
需要说明的是，上述对于牛顿环层数获取过程描述仅是本申请实施例中给出的一个示例，不应该作为对本发明的限定。
205、对所述牛顿环层数进行阈值判断，得到缺陷检测结果。
具体的：
判断所述牛顿环层数是否大于或等于牛顿环阈值，若是，则判定所述待测晶圆的缺陷类型为键合缺陷，所述键合缺陷对应的站点异常为所述待测晶圆的制程中抛光站点异常；
若否，则判定所述待测晶圆无键合缺陷，所述待测晶圆的制程中抛光站点无异常。
在本申请实施例中，所述牛顿环阈值为4。需要说明的是，在实际应用中，可以依据实际情况对所述牛顿环阈值的取值进行调整，即上述牛顿环阈值的取值不必作为对本发明的限定。
本申请实施例示出了一种晶圆缺陷的检测方法，该方法能够实现对待测晶圆的键合缺陷检测。通过对牛顿环图进行特征提取和骨架提取，得到牛顿环骨架图，并对牛顿环骨架图中的轮廓线利用长度和曲率进行异常轮廓线的剔除，从而得到可以精确表征待测晶圆牛顿环图像的去噪牛顿环骨架图，消除了噪点和背景像素对缺陷判定的干扰，提高了检测的准确度和可靠性；通过将计算得到的牛顿环层数与牛顿环阈值进行比较，得到待测晶圆键合缺陷的检测结果，判别过程简单客观，因此，本申请实施例示出的技术方案可以准确地针对晶圆键合缺陷进行检测，进而为晶圆制程中的工艺改善提供指导。
实施例三
与实施例一相对应的，本申请实施例提供了当所述目标形态图像为边角图像时晶圆缺陷的检测方法。
图3为本申请实施例示出的晶圆缺陷的检测方法的第三流程示意图。
参见图3，当所述目标形态图像为边角图像时，所述晶圆缺陷的检测方法，包括：
301、采集待测晶圆的红外图像；
在本申请实施例中，步骤301与上述实施例一中的步骤101一致，此处不再赘述。
302、利用模板匹配算法对所述红外图像进行定位，得到边角图像；
具体的：
从模板库中调用边角模板；
基于所述边角模板对所述红外图像进行模板匹配，定位得到边角图像。
303、对所述边角图像进行预处理，得到边角锐化图；
具体的：
对所述边角图像进行锐化处理，得到边角锐化图。
在本申请实施例中，所述锐化处理采用的方法并不唯一，可以依据实际情况采用不同的算法，例如，梯度法、高通滤波或掩模匹配法。
可以理解的是，上述对于锐化处理的描述仅是本申请实施例中的一个示例，不应该作为对本发明的限定。
304、基于所述边角锐化图提取得到平均灰度差；
具体的：
读取所述边角锐化图的遍历线位置信息；
根据所述遍历线位置信息计算得到A区域图像的平均灰度值a；所述A区域为遍历线与图像边缘形成的三角形区域；
根据所述遍历线位置信息计算得到B区域图像的平均灰度值b；所述B区域为遍历线与图像边缘形成的梯形区域；
基于所述平均灰度值a和b计算得到平均灰度差。
在本申请实施例中，所述边角图像为所述待测晶圆红外图像的四角处，形状为等腰直角三角形的区域图像。所述边角图像锐化处理后得到边角锐化图。所述遍历线与所述等腰直角三角形的斜边平行，其运动方向垂直于所述等腰直角三角形的斜边，从直角处向斜边平移进行遍历。
在本申请实施例中，将所述平均灰度值a减去平均灰度值b，得到的差值取绝对值，得到所述平均灰度差。
305、对所述平均灰度差进行阈值判断，得到缺陷检测结果。
具体的：
判断所述平均灰度差是否大于灰度差阈值，若是，则判定所述待测晶圆的缺陷类型为崩角缺陷，所述崩角缺陷对应的站点异常为所述待测晶圆的制程中切割站点异常；
若否，则重新读取所述边角锐化图的遍历线位置信息直至满足遍历条件；所述遍历条件包括：所述平均灰度差大于灰度差阈值或所述遍历线位置信息与所述边角锐化图的图像边缘位置信息重合。
在本申请实施例中，所述灰度差阈值的取值范围为15至25，本申请实施例中的灰度差阈值优选值为20。
需要说明的是，在实际应用过程中，可以依据实际检测需求对上述灰度差阈值的取值进行调整，即上述灰度差阈值的取值不应该构成对本发明的限定。
在本申请实施例中，所述遍历条件可以理解为以下两种：
当计算得到的平均灰度差大于灰度差阈值时，遍历结束，遍历线不再移动，此时判定所述待测晶圆的缺陷类型为崩角缺陷，所述崩角缺陷对应的站点异常为所述待测晶圆的制程中切割站点异常；
或
当遍历线移动至所述等腰直角三角形的斜边时，遍历结束，此时判定所述待测晶圆无崩角缺陷，所述待测晶圆的制程中切割站点无异常。
本申请实施例给出了一种晶圆缺陷的检测方法，该方法能够实现对待测晶圆的崩角缺陷检测。通过遍历线的移动将边角区域进行分割，对分割后形成的两个检测区域的平均灰度值进行实时检测，进而对整个边角区域进行了全面的崩角检测，保证了检测结果的准确性；通过阈值判断检测待测晶圆是否存在崩角缺陷，判断过程简单快速。
实施例四
与实施例一相对应的，本申请实施例提供了当所述目标形态图像为底材图像时晶圆缺陷的检测方法。
图4为本申请实施例示出的晶圆缺陷的检测方法的第四流程示意图。
参见图4，当所述目标形态图像为底材图像时，所述晶圆缺陷的检测方法，包括：
401、采集待测晶圆的红外图像；
在本申请实施例中，步骤401与上述实施例一中的步骤101一致，此处不再赘述。
402、利用模板匹配算法对所述红外图像进行定位，得到底材图像；
具体的：
从模板库中调用底材模板；
基于所述底材模板对所述红外图像进行模板匹配，定位得到底材图像。
403、对所述底材图像进行预处理，得到底材灰阶图；
具体的：
从标准图像库中调取得到标准底材图像；
基于所述标准底材图像对所述底材图像进行灰度调整，得到底材灰阶图。
在本申请实施例中，所述基于所述标准底材图像对所述底材图像进行灰度调整的目的为将所述底材图像进行灰度矫正，使得所述底材图像的灰度系数与所述标准底材图像一致。
需要说明的是，本申请实施例对于灰度矫正采用的算法并没有严格的限制，能够使所述底材图像的灰度系数与所述标准底材图像一致的算法均适用于本方案，即上述对于灰度矫正的描述仅是本申请实施例中的一个示例，不应该作为对本发明的限定。
404、基于所述底材灰阶图提取得到最大像素差；
具体的：
对所述底材灰阶图中的各个像素点与所述标准底材图像进行像素比较，得到各个像素点的像素差；
计算出所述各个像素点的像素差中的最大值，作为最大像素差。
在本申请实施例中，以像素点p(x,y)为例，可以根据以下像素差求取过程得到该像素点的像素差：
读取所述底材灰阶图中所述像素点p(x,y)的像素值m；
读取所述标准底材图像中位置(x,y)的像素点的像素值n；
计算所述m与所述n的差值的绝对值，作为所述像素点p(x,y)的像素差。
在本申请实施例中，需要对底材灰阶图中的每一个像素点执行上述像素差求取过程，得到所述底材灰阶图中所有像素点的像素差集合，然后在得到的像素差集合中选取最大值作为所述底材灰阶图的最大像素差。
需要说明的是，上述对于像素差的描述仅是本申请实施例中的一个示例，不应该作为对本发明的限定。
405、对所述最大像素差进行阈值判断，得到缺陷检测结果。
具体的：
判断所述最大像素差是否大于或等于灰阶阈值，若是，则判定所述待测晶圆的缺陷类型为蚀刻缺陷，所述蚀刻缺陷对应的站点异常为所述待测晶圆的制程中蚀刻站点异常；
若否，则判定所述待测晶圆无蚀刻缺陷，所述待测晶圆的制程中蚀刻站点无异常。
在本申请实施例中，所述灰阶阈值的取值范围为25至35，本申请实施例优选取值为30。
需要说明的是，在实际应用中，所述灰阶阈值的取值可以根据实际需要进行调整，即上述对于灰阶阈值的描述不应该作为对本发明的限定。
在另一种实施方式中，对于每一个像素点，可以采用所述m与所述n的差值作为该像素点的像素差，在所有像素点的像素差中，取最小值和最大值，并判断所述最小值和最大值是否均位于-30至30的阈值范围内，若是，则判定所述待测晶圆无蚀刻缺陷，所述待测晶圆的制程中蚀刻站点无异常；否则判定所述待测晶圆的缺陷类型为蚀刻缺陷，所述蚀刻缺陷对应的站点异常为所述待测晶圆的制程中蚀刻站点异常。
需要说明的是，上述对于蚀刻缺陷的检测是本申请实施例示出的一种可选方案，不必构成对本发明的限定。
本申请实施例提供了一种蚀刻缺陷检测的方法，通过对底材图像中各个像素点与标准底材图像的像素差进行阈值判断，得到待测晶圆蚀刻缺陷的检测结果，由于对每个像素点都进行了像素差的计算，因此，检测结果的准确度得到了保证；同时，在进行像素差的计算之前，对采集到的图像进行了灰度矫正，消除了光源照射条件不同导致的模板与待测图像间的灰度差异，从而排除了非蚀刻缺陷造成的像素差，提升了检测的可靠性。
实施例五
与前述应用功能实现方法实施例相对应，本申请还提供了一种晶圆缺陷的检测装置及相应的实施例。
图5是本申请实施例示出的晶圆缺陷的检测装置的结构示意图。
参见图5，所述晶圆缺陷的检测装置，包括：
卤素灯501、红外滤波片502、红外镜头503、红外成像模块504和图像处理模块505；
所述卤素灯501用于提供检测光源；
所述红外滤波片502用于对所述检测光源进行滤波，得到单一波长的红外光；
所述红外镜头503用来接收待测晶圆506反射的光线，并将反射光传递至所述红外成像模块504；
所述红外成像模块504用于接收所述红外镜头的光线，并生成待测晶圆506的红外图像；
所述图像处理505模块包括：处理器5051以及存储器5052；存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
优选的，本申请实施例采用1100nm的滤波片对卤素灯反射的光线进行滤波，得到1100nm的红外光。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
处理器5051可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器5052可以包括各种类型的存储单元，例如***内存、只读存储器（ROM），和永久存储装置。其中，ROM可以存储处理器5051或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置（例如磁或光盘、闪存）作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备（例如软盘、光驱）。***内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。***内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器5052可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片（DRAM，SRAM，SDRAM，闪存，可编程只读存储器），磁盘和/或光盘也可以采用。在一些实施方式中，存储器5052可以包括可读和/或写的可移除的存储设备，例如激光唱片（CD）、只读数字多功能光盘（例如DVD-ROM，双层DVD-ROM）、只读蓝光光盘、超密度光盘、闪存卡（例如SD卡、min SD卡、Micro-SD卡等等）、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器5052上存储有可执行代码，当可执行代码被处理器5051处理时，可以使处理器5051执行上文述及的方法中的部分或全部。
上文中已经参考附图详细描述了本申请的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本申请所必须的。另外，可以理解，本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减， 本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本申请还可以实施为一种非暂时性机器可读存储介质（或计算机可读存储介质、或机器可读存储介质），其上存储有可执行代码（或计算机程序、或计算机指令代码），当所述可执行代码（或计算机程序、或计算机指令代码）被电子设备（或电子设备、服务器等）的处理器执行时，使所述处理器执行根据本申请的上述方法的各个步骤的部分或全部。
本领域技术人员还将明白的是，结合这里的申请所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本申请的多个实施例的***和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种晶圆缺陷的检测方法，其特征在于，包括：
采集待测晶圆的红外图像；
利用模板匹配算法对所述红外图像进行定位，得到目标形态图像；所述目标形态图像包括：牛顿环图；
对所述目标形态图像进行预处理，得到目标检测图像；所述目标检测图像包括：去噪牛顿环骨架图；
基于所述目标检测图像提取得到检测特征参数；所述检测特征参数包括：牛顿环层数；
基于所述检测特征参数进行阈值判断，得到所述待测晶圆的缺陷类型；
当所述目标形态图像为牛顿环图时，所述对所述目标形态图像进行预处理，得到目标检测图像，包括：
利用拉普拉斯算子对所述牛顿环图进行处理，提取得到牛顿环特征图；
利用骨架提取算法对所述牛顿环特征图进行骨架提取，得到牛顿环骨架图；
对所述牛顿环骨架图进行异常轮廓线的剔除，得到去噪牛顿环骨架图；
所述基于所述目标检测图像提取得到检测特征参数，包括：
计算出所述去噪牛顿环骨架图中各个轮廓线的中心点数据，得到中心点数据集合；
利用k-means聚类算法对所述中心点数据集合进行分类，得到N个簇；所述N为正整数；
计算簇P中的所有中心点数据的均值作为所述牛顿环的中心点数据；所述簇P为所述N个簇中，数据量最多的簇；
以所述牛顿环的中心点为原点建立平面坐标系，计算牛顿环与坐标系横轴正半轴的最大交点数作为牛顿环层数。
2.根据权利要求1所述的晶圆缺陷的检测方法，其特征在于，所述基于所述检测特征参数进行阈值判断，得到所述待测晶圆的缺陷类型，包括：
判断所述牛顿环层数是否大于或等于牛顿环阈值，若是，则判定所述待测晶圆的缺陷类型为键合缺陷，所述键合缺陷对应的站点异常为所述待测晶圆的制程中抛光站点异常。
3.根据权利要求1所述的晶圆缺陷的检测方法，其特征在于，
所述目标形态图像还包括：边角图像；
所述目标检测图像还包括：边角锐化图；
当所述目标形态图像为边角图像时，所述对所述目标形态图像进行预处理，得到目标检测图像，包括：
对所述边角图像进行锐化处理，得到边角锐化图。
4.根据权利要求3所述的晶圆缺陷的检测方法，其特征在于，
所述检测特征参数还包括：平均灰度差；
所述基于所述目标检测图像提取得到检测特征参数，包括：
读取所述边角锐化图的遍历线位置信息；
根据所述遍历线位置信息计算得到A区域图像的平均灰度值a；所述A区域为遍历线与图像边缘形成的三角形区域；
根据所述遍历线位置信息计算得到B区域图像的平均灰度值b；所述B区域为遍历线与图像边缘形成的梯形区域；
基于所述平均灰度值a和b计算得到平均灰度差。
5.根据权利要求4所述的晶圆缺陷的检测方法，其特征在于，所述基于所述检测特征参数进行阈值判断，得到所述待测晶圆的缺陷类型，包括：
判断所述平均灰度差是否大于灰度差阈值，若是，则判定所述待测晶圆的缺陷类型为崩角缺陷，所述崩角缺陷对应的站点异常为所述待测晶圆的制程中切割站点异常；
若否，则重新读取所述边角锐化图的遍历线位置信息直至满足遍历条件；所述遍历条件包括：所述平均灰度差大于灰度差阈值或所述遍历线位置信息与所述边角锐化图的图像边缘位置信息重合。
6.根据权利要求1所述的晶圆缺陷的检测方法，其特征在于，
所述目标形态图像，还包括：底材图像；
所述目标检测图像，还包括：底材灰阶图；
当所述目标形态图像为底材图像时，所述对所述目标形态图像进行预处理，得到目标检测图像，包括：
从标准图像库中调取得到标准底材图像；
基于所述标准底材图像对所述底材图像进行灰度调整，得到底材灰阶图。
7.根据权利要求6所述的晶圆缺陷的检测方法，其特征在于，
所述检测特征参数，还包括：最大像素差；
所述基于所述目标检测图像提取得到检测特征参数，包括：
对所述底材灰阶图中的各个像素点与所述标准底材图像进行像素比较，得到各个像素点的像素差；
计算出所述各个像素点的像素差中的最大值，作为最大像素差。
8.根据权利要求7所述的晶圆缺陷的检测方法，其特征在于，所述对所述底材灰阶图中的各个像素点与所述标准底材图像进行像素比较中，一个像素点的像素比较，包括：
读取所述底材灰阶图中所述像素点的像素值m；
读取所述标准底材图像中所述像素点位置的像素值n；
计算所述m与所述n的差值的绝对值。
9.根据权利要求7所述的晶圆缺陷的检测方法，其特征在于，所述基于所述检测特征参数进行阈值判断，得到所述待测晶圆的缺陷类型，包括：
判断所述最大像素差是否大于或等于灰阶阈值，若是，则判定所述待测晶圆的缺陷类型为蚀刻缺陷，所述蚀刻缺陷对应的站点异常为所述待测晶圆的制程中蚀刻站点异常。
10.一种晶圆缺陷的检测装置，其特征在于，包括：
卤素灯、红外滤波片、红外镜头、红外成像模块和图像处理模块；
所述卤素灯用于提供检测光源；
所述红外滤波片用于对所述检测光源进行滤波，得到单一波长的红外光；
所述红外镜头用来接收待测晶圆反射的光线，并将反射光传递至所述红外成像模块；
所述红外成像模块用于接收所述红外镜头的光线，并生成待测晶圆的红外图像；
所述图像处理模块包括：处理器以及存储器；存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110370351.1A CN112767398B (zh) | 2021-04-07 | 2021-04-07 | 晶圆缺陷的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110370351.1A CN112767398B (zh) | 2021-04-07 | 2021-04-07 | 晶圆缺陷的检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112767398A CN112767398A (zh) | 2021-05-07 |
| CN112767398B true CN112767398B (zh) | 2021-08-06 |
Family
ID=75691166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110370351.1A Active CN112767398B (zh) | 2021-04-07 | 2021-04-07 | 晶圆缺陷的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112767398B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222967A (zh) * | 2021-05-28 | 2021-08-06 | 长江存储科技有限责任公司 | 晶圆的检测方法及*** |
| CN113674272B (zh) * | 2021-09-06 | 2024-03-15 | 上海集成电路装备材料产业创新中心有限公司 | 图像检测方法与装置 |
| CN114166171B (zh) * | 2022-02-14 | 2022-09-27 | 西安奕斯伟材料科技有限公司 | 晶体缺陷的检测方法与检测装置 |
| CN114372983B (zh) * | 2022-03-22 | 2022-05-24 | 武汉市富甸科技发展有限公司 | 一种基于图像处理的屏蔽盒涂装质量检测方法及*** |
| CN115049621A (zh) * | 2022-06-17 | 2022-09-13 | 清华大学 | 微管缺陷检测方法、装置、设备、存储介质和程序产品 |
| CN115063413B (zh) * | 2022-08-04 | 2022-11-11 | 宁波鑫芯微电子科技有限公司 | 一种超大规模晶圆异常数据的特征提取方法 |
| CN115290663B (zh) * | 2022-09-30 | 2022-12-30 | 南通艾美瑞智能制造有限公司 | 基于光学检测的Mini LED晶圆外观缺陷检测方法 |
| CN115360116B (zh) * | 2022-10-21 | 2023-01-31 | 合肥晶合集成电路股份有限公司 | 一种晶圆的缺陷检测方法及*** |
| CN115619783B (zh) * | 2022-12-15 | 2023-04-11 | 中科慧远视觉技术(北京)有限公司 | 产品加工缺陷的检测方法及装置、存储介质、终端 |
| CN116609370B (zh) * | 2023-04-13 | 2024-07-05 | 深圳市埃芯半导体科技有限公司 | 晶圆量测方法和电子设备 |
| CN117523343B (zh) * | 2024-01-08 | 2024-03-26 | 信熙缘(江苏)智能科技有限公司 | 晶圆背损伤梯形缺陷的自动识别方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104900553A (zh) * | 2014-03-07 | 2015-09-09 | 中芯国际集成电路制造(上海)有限公司 | 晶圆缺陷检测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5132982B2 (ja) * | 2007-05-02 | 2013-01-30 | 株式会社日立ハイテクノロジーズ | パターン欠陥検査装置および方法 |
| CN106206350B (zh) * | 2016-08-08 | 2019-04-30 | 武汉新芯集成电路制造有限公司 | 一种晶圆产品上任意位置的键合程度测试方法及*** |
| CN106247967A (zh) * | 2016-08-18 | 2016-12-21 | 京东方科技集团股份有限公司 | 一种基板翘曲量的测量装置及方法 |
| CN106092158B (zh) * | 2016-08-19 | 2018-08-21 | 北京理工大学 | 物理参数估计方法、装置和电子设备 |
| CN108364879B (zh) * | 2017-01-26 | 2020-07-24 | 中芯国际集成电路制造(上海)有限公司 | 一种半导体器件的缺陷扫描方法及扫描装置 |
| CN112466766B (zh) * | 2019-09-09 | 2022-03-01 | 长鑫存储技术有限公司 | 不良涂层类型缺陷的检测方法、装置、设备和存储介质 |
-
2021
- 2021-04-07 CN CN202110370351.1A patent/CN112767398B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104900553A (zh) * | 2014-03-07 | 2015-09-09 | 中芯国际集成电路制造(上海)有限公司 | 晶圆缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| Complementary Incentives of Yield and Reliability;Lieyi Sheng et al;《IEEE》;20191231;第1-4页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112767398A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112767398B (zh) | 晶圆缺陷的检测方法及装置 | |
| JP6618478B2 (ja) | 射影画像を用いた自動インライン検査及び計測 | |
| US10330608B2 (en) | Systems and methods for wafer surface feature detection, classification and quantification with wafer geometry metrology tools | |
| US8831334B2 (en) | Segmentation for wafer inspection | |
| US20130202188A1 (en) | Defect inspection method, defect inspection apparatus, program product and output unit | |
| US9171364B2 (en) | Wafer inspection using free-form care areas | |
| JP5225297B2 (ja) | ウエハー上に形成されたダイに於けるアレイ領域の認識方法、ならびに係る方法の設定方法 | |
| US9230318B2 (en) | Analysis of the digital image of the external surface of a tyre and processing of false measurement points | |
| US20140185919A1 (en) | Detecting Defects on a Wafer | |
| US20080205745A1 (en) | Methods for accurate identification of an edge of a care area for an array area formed on a wafer and methods for binning defects detected in an array area formed on a wafer | |
| CN112701060B (zh) | 半导体芯片焊线的检测方法及装置 | |
| CN112767399B (zh) | 半导体焊线缺陷检测方法、电子设备及存储介质 | |
| CN112734756B (zh) | 基于光度立体视觉的检测方法及*** | |
| US10074551B2 (en) | Position detection apparatus, position detection method, information processing program, and storage medium | |
| CN115375629A (zh) | 一种lcd屏幕中线缺陷检测及缺陷信息提取方法 | |
| WO2014103617A1 (ja) | 位置合せ装置、欠陥検査装置、位置合せ方法、及び制御プログラム | |
| CN112213314B (zh) | 晶圆侧面缺陷的检测方法和检测*** | |
| JP2006266943A (ja) | 欠陥検査装置及び欠陥検査方法 | |
| CN116958058A (zh) | 镜头脏污检测方法、装置及图像检测设备 | |
| CN113628212B (zh) | 不良偏光片识别方法、电子设备和存储介质 | |
| JP2000321038A (ja) | パターン欠陥検出方法 | |
| CN118298203A (zh) | 一种缺陷聚类方法、***和设备 | |
| JP2001357401A (ja) | 画像処理方法 | |
| CN115507761A (zh) | 内螺纹小径测量方法及装置 | |
| KR20150085707A (ko) | 하드디스크 허브의 검사 영역 추출 방법 및 이를 이용한 하드디스크 허브 검사 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 215163 rooms 101, 102, 901 and 902, floor 1, building 11, 198 Jialingjiang Road, high tech Zone, Suzhou City, Jiangsu Province Applicant after: Gaoshi Technology (Suzhou) Co.,Ltd. Address before: 516000 west side of the fourth floor, building CD, science and technology entrepreneurship center, No.2, South Huatai Road, Huinan hi tech Industrial Park, huiao Avenue, Huicheng District, Huizhou City, Guangdong Province Applicant before: HUIZHOU GOVION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210507 Assignee: Suzhou Gaoshi Semiconductor Technology Co.,Ltd. Assignor: Gaoshi Technology (Suzhou) Co.,Ltd. Contract record no.: X2021990000430 Denomination of invention: Wafer defect detection method and device License type: Common License Record date: 20210722 |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 215129 Rooms 101, 102, 901, 902, Floor 9, Building 11, No. 198, Jialing River Road, High tech Zone, Suzhou City, Jiangsu Province Patentee after: Gaoshi Technology (Suzhou) Co.,Ltd. Address before: 215163 rooms 101, 102, 901 and 902, floor 1, building 11, 198 Jialingjiang Road, high tech Zone, Suzhou City, Jiangsu Province Patentee before: Gaoshi Technology (Suzhou) Co.,Ltd. |