CN113222967A - 晶圆的检测方法及*** - Google Patents
晶圆的检测方法及*** Download PDFInfo
- Publication number
- CN113222967A CN113222967A CN202110592570.4A CN202110592570A CN113222967A CN 113222967 A CN113222967 A CN 113222967A CN 202110592570 A CN202110592570 A CN 202110592570A CN 113222967 A CN113222967 A CN 113222967A
- Authority
- CN
- China
- Prior art keywords
- wafer
- image
- defect
- feature
- detection parameters
- 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.)
- Pending
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提供了一种晶圆检测方法,包括:利用参考图像建立缺陷模型,其中参考图像包含晶圆的缺陷信息;根据缺陷模型设定晶圆的图像的特征检测参数;根据特征检测参数对参考图像的缺陷类型进行检测,以训练缺陷模型;利用训练后的缺陷模型对晶圆的图像特征进行检测。通过上述方法可对晶圆进行全部检测,能够确认晶圆是否存在缺陷以及晶圆的缺陷类型,能够在一定程度上提高生产良率,降低人工成本。
Description
技术领域
本申请涉及半导体领域,更具体地,涉及一种晶圆的缺陷检测方法及***。
背景技术
随着存储器的发展,对存储器的集成程度的要求越来越高,因此晶圆的特征尺寸不断减小,晶圆表面的缺陷已经成为影响良率的主要障碍,因此对于晶圆表面缺陷的质量管控尤为重要。目前,晶圆表面缺陷基本都是通过扫描机台来进行检测分类,及时发现严重的缺陷,以避免晶圆流向后续的制程。扫描机台发现缺陷的晶圆需要工程师需要对缺陷进一步分析并定位原因。
由于当前扫描机台在数量和检测效率上存在有很大的限制,每组只能抽样检测其中的2-3片晶圆,这样会导致大量的晶圆无法及时得到检测,导致异常晶圆流向后续的制程,影响存储器整体的良率,生产成本高。而且晶圆的缺陷需要工程师进行进一步分类,需要大量的人力投入。
发明内容
本申请提供了一种可至少部分解决现有技术中存在的上述问题的晶圆的检测方法及***。
根据本申请的一个方面,提供一种晶圆的检测方法,所述方法可包括:利用参考图像建立缺陷模型,其中所述参考图像包含所述晶圆的缺陷信息;根据所述缺陷模型设定所述晶圆的图像的特征检测参数;根据所述特征检测参数对所述参考图像的缺陷类型进行检测,以训练所述缺陷模型;以及利用训练后的所述缺陷模型对所述晶圆的图像特征进行检测。
在本申请一个实施方式中,所述方法还可包括:根据对所述晶圆的图像特征进行检测的结果更新所述特征检测参数,以根据所更新的特征检测参数更新所述缺陷模型。
在本申请一个实施方式中,所述晶圆的图像可为经过特征提取后的晶圆图像。
在本申请一个实施方式中,对所述晶圆的图像进行特征提取的步骤,可包括:以所述晶圆的图像中的缺陷特征为前景,非缺陷特征为背景,对所述晶圆的图像进行二值化处理;以及对经过二值化处理后的所述晶圆的图像进行特征提取。
在本申请一个实施方式中,对经过二值化处理后的所述晶圆的图像进行特征提取可包括:在经过二值化处理后的所述晶圆的图像中提取所述晶圆的图像的位置特征、形状特征与颜色特征的至少之一。
在本申请一个实施方式中,所述缺陷类型可包括晶圆表面冗余物、晶圆自身缺陷与机械损伤。
在本申请一个实施方式中,根据所述缺陷模型设定所述晶圆的图像的特征检测参数可包括:将所述缺陷模型为所述晶圆的图像设定的的特征检测参数与特征提取后的所述晶圆的图像的特征检测参数进行对比;以及根据对比结果判定所述缺陷特征的类型,并根据所述缺陷特征的类型进行分类;输出分类结果。
在本申请一个实施方式中,所述特征检测参数可包括所述检测晶圆的图像的位置特征参数,形状特征参数、颜色特征参数的至少之一。
本申请另一方面提供了一种晶圆的检测装置可包括:模型建立模块,被配置为利用参考图像建立缺陷模型,其中所述参考图像包含所述晶圆的缺陷信息;检测参数设定模块,被配置为根据所述缺陷模型设定所述晶圆的图像的特征检测参数;训练模块,被配置为根据所述特征检测参数对所述参考图像的缺陷类型进行检测,以训练所述缺陷模型;以及检测模块,被配置为利用训练后的所述缺陷模型对所述晶圆的图像特征进行检测。例如,所述缺陷类型包括晶圆表面冗余物、晶圆自身缺陷与机械损伤。
在一个实施方式中,所述检测装置还可包括:更新模块,被配置为根据对所述晶圆的图像特征进行检测的结果更新所述特征检测参数,以根据所更新的特征检测参数更新所述缺陷模型。所述晶圆的图像可为经过特征提取后的晶圆图像。
在一个实施方式中,所述检测装置还可包括:特征提取模块,被配置为:以所述晶圆的图像中的缺陷特征为前景,非缺陷特征为背景,对所述晶圆的图像进行二值化处理;以及对经过二值化处理后的所述晶圆的图像进行特征提取。可选地,所述特征提取模块被配置为在经过二值化处理后的所述晶圆的图像中提取所述晶圆的图像缺陷区域的位置特征、形状特征与颜色特征的至少之一。
在一个实施方式中,所述检测模块可被配置为:将所述缺陷模型为所述晶圆的图像设定的特征检测参数与特征提取后的所述晶圆的图像的特征检测参数进行对比;以及根据对比结果判定所述缺陷特征的类型,并根据所述缺陷特征的类型进行分类,输出分类结果。
可选地,所述特征检测参数可包括所述晶圆的图像缺陷区域的位置特征参数,形状特征参数、颜色特征参数的至少之一。
本申请又一方面提供了一种晶圆的检测设备,所述设备可包括:存储器,用于存储程序指令;以及处理器,用于与所述存储器通信以执行所述程序指令,从而实现上述任一项所述的方法。
本申请再一方面提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述任一项所述的方法。
根据本申请一实施方式的晶圆的检测方法及设备,可对晶圆全部进行缺陷特征检测,避免有缺陷的晶圆流向后续制程,可以在一定程度上提高存储器的整体良率。而且通过建立的缺陷模型可对缺陷进行识别分类,提高了晶圆的检测效率,节约了人力投入。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述,本申请的其它特征、目的和优点将会变得更明显。其中:
图1为根据本申请实施方式的晶圆检测方法的流程示意图;
图2为根据本申请实施方式的晶圆图像检测的流程示意图;
图3为根据本申请实施方式的经过图像增强处理后的晶圆图像示意图;
图4为根据本申请实施方式的晶圆图像进行二值化处理后的示意图;
图5为根据本申请实施方式的特征筛选后的晶圆图像示意图;
图6为根据本申请实施方式的晶圆检测装置的方框示意图;以及
图7是根据本申请实施方式的用来实现本申请实施例的用于晶圆检测设备的框图。
具体实施方式
为了更好地理解本申请,将参考附图对本申请的各个方面做出更详细的说明。应理解,这些详细说明只是对本申请的示例性实施方式的描述,而非以任何方式限制本申请的范围。在说明书全文中,相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
在附图中,为了便于说明,已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的,用语“大致”、“大约”以及类似的用语用作表近似的用语,而不用作表程度的用语,并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外,在本申请中,各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序,除非有明确其它限定或者能够从上下文推导出的除外。
还应理解的是,诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述,其表示存在所陈述的特征、元件和/或部件,但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外,当诸如“...中的至少一个”的表述出现在所列特征的列表之后时,其修饰整列特征,而非仅仅修饰列表中的单独元件。此外,当描述本申请的实施方式时,使用“可”表示“本申请的一个或多个实施方式”。并且,用语“示例性的”旨在指代示例或举例说明。
除非另外限定,否则本文中使用的所有措辞(包括工程术语和科技术语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是,除非本申请中有明确的说明,否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义,而不应以理想化或过于形式化的意义解释。
需要说明的是,在不冲突的情况下,本申请中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本申请。
图1为根据本申请一实施方式的晶圆检测方法的流程示意图。如图1所示,本申请提供一种晶圆检测方法1000,包括:
步骤S110:利用参考图像建立缺陷模型,其中参考图像包含晶圆的缺陷信息;
步骤S120:根据缺陷模型设定晶圆的图像的特征检测参数;
步骤S130:根据特征检测参数对参考图像的缺陷类型进行检测,以训练缺陷模型;
步骤S140:利用训练后的缺陷模型对晶圆的图像特征进行检测。
下面将结合图2至图5详细说明上述制备方法1000的各个步骤的具体工艺。
步骤S110:利用参考图像建立缺陷模型,其中参考图像包含晶圆的缺陷信息;
通过对有缺陷的晶圆进行图像扫描作为参考图像,通过工程师对参考图像缺陷进行分类确认后,利用参考图像建立缺陷模型,确认晶圆检测所用的算法,本申请以形态分析法为例进行说明。形态分析法主要是对常见的晶圆缺陷设定一定的规则,晶圆的缺陷类型与其规则一一对应,通过对待检测的晶圆的图像缺陷类型判定符合哪种缺陷规则,即划分为对应的晶圆缺陷类型。
晶圆的缺陷类型很多,可能是晶圆本身的缺陷,也可能是后续的工艺生产造成的晶圆缺陷。晶圆的缺陷类型可包括晶圆表面冗余物、晶圆自身缺陷与机械损伤。
晶圆表面的冗余物种类比较多,小到几十纳米的微小颗粒,大到几百微米的灰尘,以及前一个工艺留下的表面残留物。对晶圆的处理工艺可包括刻蚀,平坦化以及清洗等工艺步骤,每一个步骤都可能在晶圆表面留下微小颗粒或者在晶圆表面留下残留物;灰尘主要来自于晶圆的生产加工过程、空气纯净度未到达标准等。晶圆表面的冗余物可能导致在光刻时会遮挡光线,造成集成电路结构上的缺陷,从而进一步影响晶圆的电学性能。
晶圆自身缺陷可包括滑移线缺陷和堆垛层错。滑移线缺陷主要是由晶体生长时的加热不均造成的,通常产生在晶圆的***边缘处,形成水平的细小直线;堆垛层错主要是由于晶体结构中密排面的正常堆垛顺序遭到了破坏,导致晶圆自身缺陷。
机械损伤一般指晶圆表面因为抛光或者切片造成的划痕,一般是由化学机械研磨(CMP)或晶圆夹取造成的。机械损伤造成的晶圆缺陷一般是由于机械的操作不当或者晶圆夹取过程中造成的,通常会影响晶圆电路的连通性,是比较严重地缺陷。
在本申请中以晶圆表面冗余物、晶圆自身缺陷与机械损伤为例进行说明,然而本领域技术人员可以理解的是晶圆缺陷也可包含其他形式的缺陷,在此不做过多赘述。
步骤S120:根据缺陷模型设定晶圆的图像的特征检测参数;
通过对不同的缺陷特征进行限定,限定的特征需要尽可能的将各种晶圆缺陷区分开来。缺陷特征的限定应该满足:不同缺陷类型之间的特征要有一定的差距,同一缺陷类型的特征应具有相似性。特征参数可包括晶圆的图像缺陷区域的位置特征参数,形状特征参数、颜色特征参数的至少之一。例如,晶圆表面的冗余物在晶圆上留下的痕迹一般可拟合为类椭圆;晶圆自身的缺陷中的滑移线缺陷一般产生于晶圆***的边沿,且为细小的直线,通过对此类型缺陷的位置特征参数与形状特征参数进行限定即可;机械损伤在晶圆上留下的痕迹一般为曲线,可以通过此类型缺陷的形状特征参数进行限定即可。
步骤S130:通过对参考图像的缺陷类型进行检测,以训练缺陷模型;
将晶圆的不同缺陷类型分别作为一个数据集,例如,晶圆表面冗余物数据集、晶圆自身缺陷数据集与机械损伤数据集,每个数据集里都包含有对应的缺陷晶圆的图像,将每个数据集的图像输入到缺陷模型,通过对模型的输出结果对其对应的特征参数进行调整,使得缺陷模型得到进一步优化。通过对缺陷模型进行反复的迭代训练,不断调整和优化晶圆图像的特征检测参数,使训练后的缺陷模型对缺陷类型的分类的正确率更高,分类所用的时间更短。
步骤S140:利用训练后的缺陷模型对晶圆的图像特征进行检测。
图2为根据本申请一实施方式的晶圆图像检测的流程示意图。如图2所示,利用训练后的缺陷模型对晶圆的图像特征进行检测可包括:
步骤1401:将缺陷模型为晶圆图像设定的的特征检测参数与特征提取后的晶圆图像的特征检测参数进行对比;
步骤1402:根据对比结果判定缺陷特征的类型,并根据缺陷特征的类型进行分类,输出分类结果。
在申请的一个实施方式中,对晶圆图像进行特征提取可包括:以晶圆图像中的缺陷特征为前景,非缺陷特征为背景,对晶圆图像进行二值化处理;以及对经过二值化处理后的晶圆图像进行特征提取。
首先对待检测的晶圆进行扫描,获取待检测晶圆的图像。待检测晶圆可以为经过任意工艺步骤后的晶圆,通过图像采集装置获得晶圆的图像,其中图像采集装置可为摄像机、晶圆检测***(wafer inspect system,简称WIS)自带拍摄设备等。
图3为根据本申请一实施方式的经过图像增强处理后的晶圆图像示意图。在对晶圆的图像经过图像处理之前还可包括对晶圆的图像进行图像增强处理。在机台对晶圆进行扫描时,由于受到外界环境及光线的影响,在一定程度上会影响扫描结果,因此可对晶圆的图像进行图像做增强处理,例如增加图像的对比度,以使缺陷信息更为清晰,更有利于识别晶圆图像中包含的缺陷信息。图像增强的方法可包括:灰度变换法和直方图调整法。然而本领域技术人员可以理解的是图像增强的方法不限于此。
图4为根据本申请一实施方式的晶圆图像进行二值化处理后的示意图。如图4所示,将经过图像增强处理的晶圆图像进行二值化处理,其中,晶圆的图像中的缺陷特征为前景,非缺陷特征为背景,即将扫描的晶圆图像中的缺陷部分设置为1,即白色;将扫描的晶圆图像中的非缺陷部分设置为0,即黑色。经过二值化处理之后的晶圆图像包含特征检测参数中的颜色特征参数,在缺陷特征的识别过程中,白色区域即为缺陷区域,可快速区分晶圆是否存在缺陷。
图5为根据本申请一实施方式的特征筛选后的晶圆图像示意图。经过二值化后的图像,可先进行降噪处理,在一个实施方式中可通过去掉白色区域周围的白色过小或者过大的区域。白色过小的区域可能是由于图像处理中由噪点引起的,白色过大的区域可能是由于晶圆检测***异常或者环境对***的影响造成的。在另一个实施方式中可通过对二值化后的图像进行膨胀或者腐蚀的处理。对二值化后的图像先腐蚀后膨胀可消除小的噪点,在细小处分离白色区域和平滑白色区域边界;对二值化后的图像先膨胀后腐蚀可填充白色区域内细小的空洞,连接邻近的白色区域和平滑白色区域边界。通过对晶圆图像的去噪处理,晶圆图像上的干扰信息会得到一定的减少,有利于后续进行晶圆图像中缺陷区域的特征提取。
对晶圆图像的白色区域(即缺陷区域)进行识别并对其特征进行提取,提取的特征包括晶圆图像缺陷区域的位置特征,形状特征、颜色特征的至少之一。例如晶圆检测***可记录缺陷区域中心的横纵坐标、缺陷区域的边沿、缺陷的数量等特征参数。
通过对晶圆图像的缺陷区域的特征参数与晶圆缺陷模型中设定的晶圆图像的特征检测参数进行对比分析,可判断晶圆图像缺陷特征的类型。晶圆检测***可根据晶圆图像不同的缺陷类型,对其对应的晶圆进行分类,并输出晶圆图像的分类结果。
在本申请的一个实施方式中,还可根据对晶圆图像特征进行检测的结果更新特征检测参数,以根据所更新的特征检测参数更新缺陷模型。晶圆检测***需要对大量的晶圆图像进行缺陷检测,可能会遇到新的缺陷类型或者晶圆图像缺陷类型的数据集无法完全包含的情况,需要在后期的检测中及时对建立的缺陷模型进行更新,可更新缺陷模型中的晶圆缺陷类型或者更新每个晶圆缺陷类型的数据集,有利于检测更多的缺陷类型和在一定程度上提高检测的正确率。
根据本申请一实施方式,通过晶圆的缺陷模型对晶圆进行全部检测,能够确认晶圆是否存在缺陷以及晶圆的缺陷类型,能够在一定程度上提高生产良率,降低人工成本。
图6为根据本申请实施方式的晶圆检测装置的方框示意图。如图6所示,根据该实施方式的晶圆的检测装置600可包括模型建立模块601、检测参数设定模块602、训练模块603和检测模块604。
模型建立模块601被配置为利用参考图像建立缺陷模型,其中参考图像包含晶圆的缺陷信息。检测参数设定模块602被配置为根据缺陷模型设定晶圆的图像的特征检测参数。训练模块603被配置为根据特征检测参数对参考图像的缺陷类型进行检测,以训练缺陷模型。检测模块604被配置为利用训练后的缺陷模型对晶圆的图像特征进行检测。例如,上述的缺陷类型包括晶圆表面冗余物、晶圆自身缺陷与机械损伤。
检测装置604还可包括更新模块606,其被配置为根据对晶圆的图像特征进行检测的结果更新所述特征检测参数,以根据所更新的特征检测参数更新缺陷模型。晶圆的图像为经过特征提取后的晶圆图像。
如图6所示,检测装置600还可包括特征提取模块605,其被配置为:以晶圆的图像中的缺陷特征为前景,非缺陷特征为背景,对晶圆的图像进行二值化处理;以及对经过二值化处理后的所述晶圆的图像进行特征提取。在一个实施方式中,特征提取模块605进一步被配置为在经过二值化处理后的晶圆的图像中提取晶圆的图像缺陷区域的位置特征、形状特征与颜色特征的至少之一。
检测模块604还可被配置为:将缺陷模型为晶圆的图像设定的特征检测参数与特征提取后的晶圆的图像的特征检测参数进行对比;以及根据对比结果判定缺陷特征的类型,并根据缺陷特征的类型进行分类,输出分类结果。可选地,上述的特征检测参数可包括晶圆的图像缺陷区域的位置特征参数,形状特征参数、颜色特征参数的至少之一。
根据本申请的实施例,本申请还提供了一种晶圆的检测设备和一种可读存储介质。
如图7所示,是根据本申请实施方式的用于晶圆的检测设备的框图。该设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该晶圆的检测设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的晶圆的检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用于晶圆的检测方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用于晶圆检测的方法。
存储器702可以包括存储程序区和存储数据区,其中存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据用于控制质量的电子设备的使用所创建的数据等。此外,存储器702可包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至用于晶圆的检测设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于晶圆的检测设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与用于控制质量的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以为分布式***的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式***的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
如上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是,以上所述仅为本发明的具体实施方式,并不用于限制本发明。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
Claims (18)
1.一种晶圆的检测方法,其特征在于,所述方法包括:
利用参考图像建立缺陷模型,其中所述参考图像包含所述晶圆的缺陷信息;
根据所述缺陷模型设定所述晶圆的图像的特征检测参数;
根据所述特征检测参数对所述参考图像的缺陷类型进行检测,以训练所述缺陷模型;以及
利用训练后的所述缺陷模型对所述晶圆的图像特征进行检测。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据对所述晶圆的图像特征进行检测的结果更新所述特征检测参数,以根据所更新的特征检测参数更新所述缺陷模型。
3.根据权利要求1所述的方法,其特征在于,所述晶圆的图像为经过特征提取后的晶圆图像。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:对所述晶圆的图像进行特征提取的步骤,包括:
以所述晶圆的图像中的缺陷特征为前景,非缺陷特征为背景,对所述晶圆的图像进行二值化处理;以及
对经过二值化处理后的所述晶圆的图像进行特征提取。
5.根据权利要求4所述的方法,其特征在于,对经过二值化处理后的所述晶圆的图像进行特征提取包括:
在经过二值化处理后的所述晶圆的图像中提取所述晶圆的图像缺陷区域的位置特征、形状特征与颜色特征的至少之一。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述缺陷类型包括晶圆表面冗余物、晶圆自身缺陷与机械损伤。
7.根据权利要求6所述的方法,其特征在于,利用训练后的所述缺陷模型对所述晶圆的图像特征进行检测包括:
将所述缺陷模型为所述晶圆的图像设定的特征检测参数与特征提取后的所述晶圆的图像的特征检测参数进行对比;以及
根据对比结果判定所述缺陷特征的类型,并根据所述缺陷特征的类型进行分类,输出分类结果。
8.根据权利要求7所述的方法,其特征在于,所述特征检测参数包括所述晶圆的图像缺陷区域的位置特征参数,形状特征参数、颜色特征参数的至少之一。
9.一种晶圆的检测设备,其特征在于,包括:
存储器,用于存储程序指令;以及
处理器,用于与所述存储器通信以执行所述程序指令,从而实现如权利要求1至8中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
11.一种晶圆的检测装置,其特征在于,包括:
模型建立模块,被配置为利用参考图像建立缺陷模型,其中所述参考图像包含所述晶圆的缺陷信息;
检测参数设定模块,被配置为根据所述缺陷模型设定所述晶圆的图像的特征检测参数;
训练模块,被配置为根据所述特征检测参数对所述参考图像的缺陷类型进行检测,以训练所述缺陷模型;以及
检测模块,被配置为利用训练后的所述缺陷模型对所述晶圆的图像特征进行检测。
12.根据权利要求11所述的检测装置,其特征在于,所述检测装置还包括:
更新模块,被配置为根据对所述晶圆的图像特征进行检测的结果更新所述特征检测参数,以根据所更新的特征检测参数更新所述缺陷模型。
13.根据权利要求11所述的检测装置,其特征在于,所述晶圆的图像为经过特征提取后的晶圆图像。
14.根据权利要求13所述的检测装置,其特征在于,所述检测装置还包括:
特征提取模块,被配置为:以所述晶圆的图像中的缺陷特征为前景,非缺陷特征为背景,对所述晶圆的图像进行二值化处理;以及对经过二值化处理后的所述晶圆的图像进行特征提取。
15.根据权利要求14所述的检测装置,其特征在于,所述特征提取模块被配置为在经过二值化处理后的所述晶圆的图像中提取所述晶圆的图像缺陷区域的位置特征、形状特征与颜色特征的至少之一。
16.根据权利要求11-15中任一项所述的检测装置,其特征在于,所述缺陷类型包括晶圆表面冗余物、晶圆自身缺陷与机械损伤。
17.根据权利要求16所述的检测装置,其特征在于,所述检测模块被配置为:将所述缺陷模型为所述晶圆的图像设定的特征检测参数与特征提取后的所述晶圆的图像的特征检测参数进行对比;以及根据对比结果判定所述缺陷特征的类型,并根据所述缺陷特征的类型进行分类,输出分类结果。
18.根据权利要求17所述的检测装置,其特征在于,所述特征检测参数包括所述晶圆的图像缺陷区域的位置特征参数,形状特征参数、颜色特征参数的至少之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110592570.4A CN113222967A (zh) | 2021-05-28 | 2021-05-28 | 晶圆的检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110592570.4A CN113222967A (zh) | 2021-05-28 | 2021-05-28 | 晶圆的检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113222967A true CN113222967A (zh) | 2021-08-06 |
Family
ID=77099067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110592570.4A Pending CN113222967A (zh) | 2021-05-28 | 2021-05-28 | 晶圆的检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222967A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166171A (zh) * | 2022-02-14 | 2022-03-11 | 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 |
CN114613705A (zh) * | 2022-05-10 | 2022-06-10 | 深圳市众望丽华微电子材料有限公司 | 一种半导体元器件加工的控制方法、***及介质 |
WO2023065548A1 (zh) * | 2021-10-21 | 2023-04-27 | 东方晶源微电子科技(北京)有限公司 | 缺陷分类方法和装置、设备及存储介质 |
CN117455897A (zh) * | 2023-11-30 | 2024-01-26 | 魅杰光电科技(上海)有限公司 | 一种晶圆划痕检测方法、装置、设备及存储介质 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008550A (zh) * | 2014-06-05 | 2014-08-27 | 深圳市大族激光科技股份有限公司 | 晶圆表面缺陷特征分析方法、***、分类方法和*** |
CN108765389A (zh) * | 2018-05-18 | 2018-11-06 | 浙江大学 | 一种微观晶圆表面缺陷图像检测方法 |
CN109596638A (zh) * | 2018-10-26 | 2019-04-09 | 中国科学院光电研究院 | 有图形晶圆及掩模版的缺陷检测方法及装置 |
CN109977808A (zh) * | 2019-03-11 | 2019-07-05 | 北京工业大学 | 一种晶圆表面缺陷模式检测与分析方法 |
CN110717881A (zh) * | 2018-07-12 | 2020-01-21 | 长鑫存储技术有限公司 | 晶圆缺陷识别方法、装置、存储介质和终端设备 |
CN110766660A (zh) * | 2019-09-25 | 2020-02-07 | 上海众壹云计算科技有限公司 | 基于融合深度学习模型的集成电路缺陷图像识别分类*** |
CN111179261A (zh) * | 2019-12-31 | 2020-05-19 | 深圳市太赫兹科技创新研究院 | 缺陷检测方法、***、终端设备及存储介质 |
CN111693534A (zh) * | 2020-06-12 | 2020-09-22 | 北京百度网讯科技有限公司 | 表面缺陷的检测方法、模型训练方法、装置、设备和介质 |
CN111696077A (zh) * | 2020-05-11 | 2020-09-22 | 余姚市浙江大学机器人研究中心 | 一种基于WaferDet网络的晶圆缺陷检测方法 |
CN111738322A (zh) * | 2020-06-12 | 2020-10-02 | 北京百度网讯科技有限公司 | 一种物品表面缺陷的检测方法、装置、设备和介质 |
CN111768381A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 零部件缺陷检测方法、装置及电子设备 |
CN111833306A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 缺陷检测方法和用于缺陷检测的模型训练方法 |
CN111833303A (zh) * | 2020-06-05 | 2020-10-27 | 北京百度网讯科技有限公司 | 产品的检测方法、装置、电子设备及存储介质 |
CN112017986A (zh) * | 2020-10-21 | 2020-12-01 | 季华实验室 | 半导体产品缺陷检测方法、装置、电子设备及存储介质 |
CN112102226A (zh) * | 2019-05-29 | 2020-12-18 | 三星Sds 株式会社 | 数据处理方法、图案检测方法及晶圆缺陷图案检测方法 |
CN112200806A (zh) * | 2020-12-03 | 2021-01-08 | 晶芯成(北京)科技有限公司 | 一种晶圆的缺陷分析方法和*** |
CN112529873A (zh) * | 2020-12-09 | 2021-03-19 | 深圳市芯汇群微电子技术有限公司 | 一种基于art神经网络的晶圆缺陷检测方法 |
CN112700406A (zh) * | 2020-12-09 | 2021-04-23 | 深圳市芯汇群微电子技术有限公司 | 一种基于卷积神经网络的晶圆缺陷检测方法 |
CN112767398A (zh) * | 2021-04-07 | 2021-05-07 | 惠州高视科技有限公司 | 晶圆缺陷的检测方法及装置 |
CN112819799A (zh) * | 2021-02-09 | 2021-05-18 | 上海众壹云计算科技有限公司 | 目标缺陷检测方法及装置、***、电子设备和存储介质 |
CN113095438A (zh) * | 2021-04-30 | 2021-07-09 | 上海众壹云计算科技有限公司 | 晶圆缺陷分类方法及其装置、***、电子设备和存储介质 |
-
2021
- 2021-05-28 CN CN202110592570.4A patent/CN113222967A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008550A (zh) * | 2014-06-05 | 2014-08-27 | 深圳市大族激光科技股份有限公司 | 晶圆表面缺陷特征分析方法、***、分类方法和*** |
CN108765389A (zh) * | 2018-05-18 | 2018-11-06 | 浙江大学 | 一种微观晶圆表面缺陷图像检测方法 |
CN110717881A (zh) * | 2018-07-12 | 2020-01-21 | 长鑫存储技术有限公司 | 晶圆缺陷识别方法、装置、存储介质和终端设备 |
CN109596638A (zh) * | 2018-10-26 | 2019-04-09 | 中国科学院光电研究院 | 有图形晶圆及掩模版的缺陷检测方法及装置 |
CN109977808A (zh) * | 2019-03-11 | 2019-07-05 | 北京工业大学 | 一种晶圆表面缺陷模式检测与分析方法 |
CN112102226A (zh) * | 2019-05-29 | 2020-12-18 | 三星Sds 株式会社 | 数据处理方法、图案检测方法及晶圆缺陷图案检测方法 |
CN110766660A (zh) * | 2019-09-25 | 2020-02-07 | 上海众壹云计算科技有限公司 | 基于融合深度学习模型的集成电路缺陷图像识别分类*** |
CN111179261A (zh) * | 2019-12-31 | 2020-05-19 | 深圳市太赫兹科技创新研究院 | 缺陷检测方法、***、终端设备及存储介质 |
CN111696077A (zh) * | 2020-05-11 | 2020-09-22 | 余姚市浙江大学机器人研究中心 | 一种基于WaferDet网络的晶圆缺陷检测方法 |
CN111833303A (zh) * | 2020-06-05 | 2020-10-27 | 北京百度网讯科技有限公司 | 产品的检测方法、装置、电子设备及存储介质 |
CN111738322A (zh) * | 2020-06-12 | 2020-10-02 | 北京百度网讯科技有限公司 | 一种物品表面缺陷的检测方法、装置、设备和介质 |
CN111693534A (zh) * | 2020-06-12 | 2020-09-22 | 北京百度网讯科技有限公司 | 表面缺陷的检测方法、模型训练方法、装置、设备和介质 |
CN111833306A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 缺陷检测方法和用于缺陷检测的模型训练方法 |
CN111768381A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 零部件缺陷检测方法、装置及电子设备 |
CN112017986A (zh) * | 2020-10-21 | 2020-12-01 | 季华实验室 | 半导体产品缺陷检测方法、装置、电子设备及存储介质 |
CN112200806A (zh) * | 2020-12-03 | 2021-01-08 | 晶芯成(北京)科技有限公司 | 一种晶圆的缺陷分析方法和*** |
CN112529873A (zh) * | 2020-12-09 | 2021-03-19 | 深圳市芯汇群微电子技术有限公司 | 一种基于art神经网络的晶圆缺陷检测方法 |
CN112700406A (zh) * | 2020-12-09 | 2021-04-23 | 深圳市芯汇群微电子技术有限公司 | 一种基于卷积神经网络的晶圆缺陷检测方法 |
CN112819799A (zh) * | 2021-02-09 | 2021-05-18 | 上海众壹云计算科技有限公司 | 目标缺陷检测方法及装置、***、电子设备和存储介质 |
CN112767398A (zh) * | 2021-04-07 | 2021-05-07 | 惠州高视科技有限公司 | 晶圆缺陷的检测方法及装置 |
CN113095438A (zh) * | 2021-04-30 | 2021-07-09 | 上海众壹云计算科技有限公司 | 晶圆缺陷分类方法及其装置、***、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
刘明明: "基于Gabor与区域卷积神经网络的晶圆表面多尺度缺陷检测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
邡鑫: "基于CNN的晶圆SEM图像缺陷检测与分类研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023065548A1 (zh) * | 2021-10-21 | 2023-04-27 | 东方晶源微电子科技(北京)有限公司 | 缺陷分类方法和装置、设备及存储介质 |
CN114166171A (zh) * | 2022-02-14 | 2022-03-11 | 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 |
TWI799352B (zh) * | 2022-02-14 | 2023-04-11 | 大陸商西安奕斯偉材料科技有限公司 | 晶體缺陷的檢測方法與檢測裝置 |
CN114613705A (zh) * | 2022-05-10 | 2022-06-10 | 深圳市众望丽华微电子材料有限公司 | 一种半导体元器件加工的控制方法、***及介质 |
CN114613705B (zh) * | 2022-05-10 | 2022-09-06 | 深圳市众望丽华微电子材料有限公司 | 一种半导体元器件加工的控制方法、***及介质 |
CN117455897A (zh) * | 2023-11-30 | 2024-01-26 | 魅杰光电科技(上海)有限公司 | 一种晶圆划痕检测方法、装置、设备及存储介质 |
CN117455897B (zh) * | 2023-11-30 | 2024-04-30 | 魅杰光电科技(上海)有限公司 | 一种晶圆划痕检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113222967A (zh) | 晶圆的检测方法及*** | |
CN111693534B (zh) | 表面缺陷的检测方法、模型训练方法、装置、设备和介质 | |
US20230386021A1 (en) | Pattern grouping method based on machine learning | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN113095438B (zh) | 晶圆缺陷分类方法及其装置、***、电子设备和存储介质 | |
CN111784663B (zh) | 零部件的检测方法、装置、电子设备及存储介质 | |
CN114092387B (zh) | 生成可用于检查半导体样本的训练数据 | |
US11686689B2 (en) | Automatic optimization of an examination recipe | |
KR20220012217A (ko) | 반도체 시편에서의 결함들의 기계 학습 기반 분류 | |
CN113538392B (zh) | 晶圆的检测方法、设备及存储介质 | |
JP2014178229A (ja) | 教師データ作成方法、画像分類方法および画像分類装置 | |
Yeh et al. | A wavelet-based approach in detecting visual defects on semiconductor wafer dies | |
CN113538376B (zh) | 存储阵列的缺陷定位方法、装置、设备及可读存储介质 | |
KR102685359B1 (ko) | 시편들을 검사하는 방법 및 그의 시스템 | |
CN111583225B (zh) | 缺陷检测方法、装置及存储介质 | |
JP2004296592A (ja) | 欠陥分類装置、欠陥分類方法およびプログラム | |
JP2013205320A (ja) | 検査条件決定方法、検査方法および検査装置 | |
KR20180027637A (ko) | 범위 기반 실시간 스캐닝 전자 현미경 비시각적 비너 | |
CN113947561B (zh) | 半导体样本的图像分割 | |
WO2023194764A1 (en) | System and method for evaluating voids and particles in solids | |
CN114881999A (zh) | 基于少量数据的绝缘子缺陷样本生成方法、***、设备和计算机可读存储介质 |
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 |