CN114359250B - 确定晶圆缺陷形状的方法、装置、电子设备和存储介质 - Google Patents

确定晶圆缺陷形状的方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114359250B
CN114359250B CN202210023404.7A CN202210023404A CN114359250B CN 114359250 B CN114359250 B CN 114359250B CN 202210023404 A CN202210023404 A CN 202210023404A CN 114359250 B CN114359250 B CN 114359250B
Authority
CN
China
Prior art keywords
picture
defect
target
wafer
shape
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
Application number
CN202210023404.7A
Other languages
English (en)
Other versions
CN114359250A (zh
Inventor
李钢江
张悠慧
金松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Saimet Information Group Co ltd
Semi Tech Shanghai Co ltd
Original Assignee
Shanghai Saimeite Software Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Saimeite Software Technology Co ltd filed Critical Shanghai Saimeite Software Technology Co ltd
Publication of CN114359250A publication Critical patent/CN114359250A/zh
Application granted granted Critical
Publication of CN114359250B publication Critical patent/CN114359250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Multimedia (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)

Abstract

本申请提供了一种确定晶圆缺陷形状的方法、装置、电子设备和存储介质，其中，该方法包括：针对每种规格的目标晶圆图片，将目标晶圆图片与该规格下的标准晶圆图片进行比对，获取目标晶圆图片中每个缺陷点所在的坐标位置；根据每个坐标位置，按照预设缩放比将每个缺陷点投射到目标规格的待分类图片中；确定待分类图片中任意相邻两点之间的距离小于预设距离的目标点；确定由目标点构成的区域的形状，以将所述形状确定为目标晶圆的缺陷形状。本申请实施例通过上述方法，能够自动确定每个晶圆的缺陷形状，提高确定晶圆缺陷形状的效率。

Description

确定晶圆缺陷形状的方法、装置、电子设备和存储介质
技术领域
本申请涉及晶圆制造技术领域，具体而言，涉及一种确定晶圆缺陷形状的方法、装置、电子设备和存储介质。
背景技术
晶圆是指制作硅半导体电路所用的硅晶片，其原始材料是硅。高纯度的多晶硅溶解后掺入硅晶体晶种，然后慢慢拉出，形成圆柱形的单晶硅。硅晶棒在经过研磨，抛光，切片后，形成硅晶圆片，也就是晶圆。晶圆的主要加工方式为片加工和批加工，即同时加工一片或多片晶圆。
在进行晶圆制造时，晶圆加工设备的生产良率越高，晶圆在加工过程中的缺陷越少，材料损耗也就越小，而提高生产良率最关键的技术在于如何确定加工后晶圆的缺陷形状，从而能够根据缺陷形状确定造成该晶圆缺陷的原因。发明人在研究中发现，现有技术中无法对加工后晶圆的缺陷形状进行自动识别，需要人工进行抽样检测。
发明内容
有鉴于此，本申请实施例提供了一种确定晶圆缺陷形状的方法、装置、电子设备和存储介质，以自动确定每个晶圆的缺陷形状，提高确定晶圆缺陷形状的效率。
第一方面，本申请实施例提供了一种确定晶圆缺陷形状的方法，所述方法包括：
针对每种规格的目标晶圆图片，将所述目标晶圆图片与该规格下的标准晶圆图片进行比对，获取所述目标晶圆图片中每个缺陷点所在的坐标位置；所述标准晶圆图片为不包含所述缺陷点的图片；
根据每个所述坐标位置，按照预设缩放比将每个所述缺陷点投射到目标规格的待分类图片中；所述待分类图片中的缺陷点与投射点一一对应；
确定所述待分类图片中任意相邻两点之间的距离小于预设距离的目标点；
确定由所述目标点构成的区域的形状，以将所述形状确定为所述目标晶圆的缺陷形状。
在一个可行的实施方案中，在将所述形状确定为所述目标晶圆的缺陷形状之后，所述方法还包括：
为所述缺陷形状所在的目标图片标记用于表示所述缺陷形状的图形形状的至少一个图形标签；
获取与所述至少一个图形标签表示的图形形状相同的至少一个预设缺陷结果；
将所述目标图片与所述至少一个预设缺陷结果进行比对，得到与所述目标图片的相似度最高的目标缺陷结果；
将所述目标缺陷结果确定为所述待分类图片的分类结果。
在一个可行的实施方案中，在将所述目标缺陷结果确定为所述待分类图片的分类结果之后，所述方法还包括：
针对每个待分类图片，根据为所述待分类图片确定的目标缺陷结果，确定造成所述目标缺陷结果的至少一个原因；
确定预设时段内每个所述原因出现的次数；
根据每个所述原因出现的次数，对至少一个所述原因进行排序，以得到在所述预设时段内包含所述排序和至少一个所述原因的问题清单。
在一个可行的实施方案中，在得到所述预设时段内的问题清单之后，所述方法还包括：
将包含所述问题清单的数据发送到显示终端，以通过所述显示终端显示所述问题清单。
在一个可行的实施方案中，将所述目标晶圆图片与该规格下的标准晶圆图片进行比对，获取所述目标晶圆图片中每个缺陷点所在的坐标位置，包括：
分别获取所述目标晶圆图片、所述标准晶圆图片的第一灰度值图像、第二灰度值图像；
针对每个相同位置，确定所述第一灰度值图像中与所述第二灰度值图像中灰度值的差值大于预设差值的目标点；
将所述目标点确定为所述缺陷点。
第二方面，本申请实施例还提供了一种确定晶圆缺陷形状的装置，所述装置包括：
第一比对单元，用于针对每种规格的目标晶圆图片，将所述目标晶圆图片与该规格下的标准晶圆图片进行比对，获取所述目标晶圆图片中每个缺陷点所在的坐标位置；所述标准晶圆图片为不包含所述缺陷点的图片；
投射单元，用于根据每个所述坐标位置，按照预设缩放比将每个所述缺陷点投射到目标规格的待分类图片中；所述待分类图片中的缺陷点与投射点一一对应；
计算单元，用于确定所述待分类图片中任意相邻两点之间的距离小于预设距离的目标点；
第一确定单元，用于确定由所述目标点构成的区域的形状，以将所述形状确定为所述目标晶圆的缺陷形状。
在一个可行的实施方案中，所述装置还包括：
标记单元，用于在将所述形状确定为所述目标晶圆的缺陷形状之后，为所述缺陷形状所在的目标图片标记用于表示所述缺陷形状的图形形状的至少一个图形标签；
获取单元，用于获取与所述至少一个图形标签表示的图形形状相同的至少一个预设缺陷结果；
第一比对单元，用于将所述目标图片与所述至少一个预设缺陷结果进行比对，得到与所述目标图片的相似度最高的目标缺陷结果；
第二确定单元，用于将所述目标缺陷结果确定为所述待分类图片的分类结果。
在一个可行的实施方案中，所述装置还包括：
第三确定单元，用于在将所述目标缺陷结果确定为所述待分类图片的分类结果之后，针对每个待分类图片，根据为所述待分类图片确定的目标缺陷结果，确定造成所述目标缺陷结果的至少一个原因；
第四确定单元，用于确定预设时段内每个所述原因出现的次数；
排序单元，用于根据每个所述原因出现的次数，对至少一个所述原因进行排序，以得到在所述预设时段内包含所述排序和至少一个所述原因的问题清单。
在一个可行的实施方案中，所述装置还包括：
发送单元，用于在得到所述预设时段内的问题清单之后，将包含所述问题清单的数据发送到显示终端，以通过所述显示终端显示所述问题清单。
在一个可行的实施方案中，所述第一比对单元用于：
分别获取所述目标晶圆图片、所述标准晶圆图片的第一灰度值图像、第二灰度值图像；
针对每个相同位置，确定所述第一灰度值图像中与所述第二灰度值图像中灰度值的差值大于预设差值的目标点；
将所述目标点确定为所述缺陷点。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第一方面中任一项所述的方法的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面中任一项所述的方法的步骤。
本申请实施例提供的一种确定晶圆缺陷形状的方法、装置、电子设备和存储介质，通过针对每种规格的目标晶圆图片，将所述目标晶圆图片与该规格下的标准晶圆图片进行比对，获取所述目标晶圆图片中每个缺陷点所在的坐标位置；根据每个所述坐标位置，按照预设缩放比将每个所述缺陷点投射到目标规格的待分类图片中；确定所述待分类图片中任意相邻两点之间的距离小于预设距离的目标点；确定由所述目标点构成的区域的形状，以将所述形状确定为所述目标晶圆的缺陷形状。与现有技术中人工抽样检测的方案相比，本申请实施例提供的方法能够自动识别晶圆的缺陷形状。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种确定晶圆缺陷形状的方法的流程图。
图2示出了本申请实施例所提供的一种确定分类结果的方法的流程图。
图3示出了本申请实施例所提供的一种确定晶圆缺陷形状的装置的结构示意图。
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要提前说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
需要提前说明的是，本申请实施例涉及到的装置或电子设备等可以执行在单个服务器上，也可以执行在服务器组。服务器组可以是集中式的，也可以是分布式的。在一些实施例中，服务器相对于终端，可以是本地的，也可以是远程的。例如，服务器可以经由网络访问存储在服务请求方终端、服务提供方终端、或数据库、或其任意组合中的信息和/或数据。作为另一示例，服务器可以直接连接到服务请求方终端、服务提供方终端和数据库中至少一个，以访问存储的信息和/或数据。在一些实施例中，服务器可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。
图1示出了本申请实施例所提供的一种确定晶圆缺陷形状的方法的流程图，如图1所示，所述方法包括以下步骤：
步骤101，针对每种规格的目标晶圆图片，将所述目标晶圆图片与该规格下的标准晶圆图片进行比对，获取所述目标晶圆图片中每个缺陷点所在的坐标位置；所述标准晶圆图片为不包含所述缺陷点的图片。
具体的，在芯片制造的过程中，在晶圆加工完成后，通常要对晶圆进行分析，确定在加工过程中是否对晶圆造成损坏，以及该晶圆的加工结果是否符合预期要求。晶圆的大小取决于生产需求，每个晶圆的大小未必是相同的，因此得到的晶圆图片的大小也不是固定的。根据拍摄得到的晶圆图片的大小，确定晶圆的规格。目标晶圆图片为待识别的晶圆的图片。标准晶圆图片是预先设置的无任何加工缺陷的标准晶圆的图片，针对每种规格的目标晶圆图片，为其设置与该目标晶圆图片规格相同的标准晶圆图片。
通过将目标晶圆图片与无缺陷的标准晶圆图片进行比对，能够识别出目标晶圆图片中与该标准晶圆图片不同的点的坐标位置，将每个点确定为该目标晶圆图片中的缺陷点。
步骤102，根据每个所述坐标位置，按照预设缩放比将每个所述缺陷点投射到目标规格的待分类图片中；所述待分类图片中的缺陷点与投射点一一对应。
具体的，预设缩放比是根据目标晶圆图片与待分类图片的规格的比值确定的，目标规格是预设的；投射点是每个缺陷点在待分类图片中对应的点；每个投射点在所述待分类图片中的位置与所述投射点对应的缺陷点在所述目标晶圆图片中的位置相同。将目标晶圆图片中的每个缺陷点，按照预设缩放比，投射到目标规格的待分类图片中。在申请实施例中，所述待分类图片是由背景底色和与所述背景底色不同的投射点构成的，以突出显示每个缺陷点对应的投射点。
步骤103，确定所述待分类图片中任意相邻两点之间的距离小于预设距离的目标点。
具体的，在根据步骤103得到包含每个缺陷点对应的投射点的待分类图片之后，在所述待分类图片中，计算每两个相邻投射点之间的第一距离。从计算出来的每个第一距离中筛选出数值小于或等于预设距离的第二距离；将每个第二距离对应的投射点，作为目标点。预设距离可以根据实际情况进行调整，本申请实施例不对预设距离的设置方式进行限制。
步骤104，确定由所述目标点构成的区域的形状，以将所述形状确定为所述目标晶圆的缺陷形状。
具体的，由所述目标点构成的区域中覆盖步骤103中确定出来的每个目标点。在确定出该区域后，根据算法描绘出该区域的轮廓，从而根据该轮廓的形状，确定由所述目标点构成的区域的形状。本申请实施例不对描绘区域轮廓的方式进行限制，可以是根据算法确定出该区域最外层的每个目标点，并按照顺序依次连接该区域最外层的每个目标点，也可以是在确定出该区域之后，根据边缘提取算法提取出该区域的边缘轮廓，从而得到该区域的形状。在确定出该区域的形状之后，将该形状确定为目标晶圆图片对应的目标晶圆的缺陷形状。
本申请实施例提供的一种确定晶圆缺陷形状的方法，通过针对每种规格的目标晶圆图片，将所述目标晶圆图片与该规格下的标准晶圆图片进行比对，获取所述目标晶圆图片中每个缺陷点所在的坐标位置；根据每个所述坐标位置，按照预设缩放比将每个所述缺陷点投射到目标规格的待分类图片中；确定所述待分类图片中任意相邻两点之间的距离小于预设距离的目标点；确定由所述目标点构成的区域的形状，以将所述形状确定为所述目标晶圆的缺陷形状。与现有技术中人工抽样检测的方案相比，本申请实施例提供的方法能够自动确定每个晶圆的缺陷形状，提高确定晶圆缺陷形状的效率。
在一个可行的实施方案中，图2示出了本申请实施例所提供的一种确定分类结果的方法的流程图，如图2所示，在执行步骤104确定由所述目标点构成的区域的形状，以将所述形状确定为所述目标晶圆的缺陷形状之后，所述方法还包括以下步骤：
步骤201，为所述缺陷形状所在的目标图片标记用于表示所述缺陷形状的图形形状的至少一个图形标签。
具体的，通过图形分析、图形识别等方法，确定缺陷形状的图形形状，并为所述缺陷形状所在的目标图片标记至少一个图形标签。图形标签包括：圆形、线形、不规则形、无定义形，所述目标图片是只包含目标点的图片。
步骤202，获取与所述至少一个图形标签表示的图形形状相同的至少一个预设缺陷结果；
预设缺陷结果是预先存储的包含有标准缺陷形状的图片，每个预设缺陷结果都标记有用于表示该预设缺陷结果的图形形状的图形标签。在根据步骤201为所述缺陷形状标记了至少一个图形标签之后，根据为每个预设缺陷结果标记的图形标签，确定与该缺陷形状具有相同图形标签的预设缺陷结果。
在本申请实施例中，列举了十种缺陷结果，分别为：缺陷点集中在所述目标晶圆的圆心区域的第一缺陷结果；缺陷点集中在所述目标晶圆的圆心外部成圆环状的第二缺陷结果；缺陷点集中在所述目标晶圆边缘的某个不规则区域的第三缺陷结果；缺陷点集中在所述目标晶圆的边缘轮廓上的第四缺陷结果；缺陷点集中在所述目标晶圆内部某个不规则区域的第五缺陷结果；缺陷点均匀分布在所述晶圆的每个区域上的第六缺陷结果；缺陷点集中占据了所述目标晶圆大部分区域的第七缺陷结果；缺陷点在所述目标晶圆内部成线状的第八缺陷结果；缺陷点无明显特征的第九缺陷结果以及没有明显缺陷点的第十缺陷结果。
其中，分别为第一缺陷结果、第二缺陷结果、第四缺陷结果、第六缺陷结果标记图形标签为“圆形”的图形标签；分别为第三缺陷结果、第五缺陷结果、第七缺陷结果标记为“不规则形”的图形标签；为第八缺陷结果标记为“线形”的图形标签；为第九缺陷结果和第十缺陷结果标记“无定义形”的图形标签。
例1，当该待分类图片中目标点构成的区域的形状经步骤201识别为线形之后，为该待分类图片标记为“线形”的图形标签。则在十种缺陷结果中获取图形标签为“线形”的缺陷结果，得到第八缺陷结果。
步骤203，将所述目标图片与所述至少一个预设缺陷结果进行比对，得到与所述目标图片的相似度最高的目标缺陷结果。
具体的，可以通过预先训练的相似度模型，分析包含所述缺陷形状的目标图片与所述预设缺陷结果之间的相似度，根据相似度模型得到与包含所述缺陷形状的目标图片相似度最高的目标缺陷结果。
相似度模型是通过以下方式训练得到的：
通过包含预设数量的训练图谱的数据集对神经网络模型进行迭代训练，以根据训练结果与真实结果之间的第一差值，调整所述神经网络模型的学习率；所述真实结果是预先为所述训练图谱标注的，所述训练结果是所述神经网络模型对所述训练图谱的标记结果；所述数据集包括训练集、测试集；所述训练图谱为包含所述缺陷形状的目标图片；
当所述神经网络模型基于调整之后的学习率得到的训练结果与所述真实结果之间的第二差值小于或等于预设阈值时，将所述调整之后的学习率作为所述神经网络模型的预设学习率；
通过所述测试集测试所述神经网络模型在所述调整之后的学习率下的准确率；
若所述准确率处于第一预设区间，则将基于所述调整之后的学习率的神经网络模型作为所述相似度模型。
步骤204，将所述目标缺陷结果确定为所述待分类图片的分类结果。
在本申请实施例中，得到相似度最高的目标缺陷结果之后还可以进行二次校验，判断该目标缺陷结果与包含所述缺陷形状的目标图片的相似度数值是否超过预设的最低相似度阈值，若目标缺陷结果与待分类图片的相似度数值未超过预设的最低相似度阈值，则该目标缺陷结果是该待分类图片的次选缺陷结果。具体校验方式为：
若所述目标缺陷结果与包含所述缺陷形状的目标图片的相似度数值小于预设最低相似度，则将所述目标缺陷结果作为所述缺陷形状的次选缺陷结果；
获取预设缺陷结果中除所述次选缺陷结果之外的其他缺陷结果；
计算每个所述其他缺陷结果与包含所述缺陷形状的目标图片的第二相似度；
将所述第二相似度中数值最高的第二相似度对应的预设缺陷结果作为第二目标缺陷结果；
若所述第二目标缺陷结果对应的第二相似度大于或等于所述预设最低相似度，则将所述第二目标缺陷结果确定为所述待分类图片的分类结果；
若所述第二目标缺陷结果对应的第二相似度小于所述预设最低相似度，则将所述第二目标缺陷结果与所述次选缺陷结果中相似度值高的缺陷结果确定为所述待分类图片的分类结果。
例2，基于例1提供的内容，提供另一个可行的实施例，在获取到图形标签均为“线形”的第八缺陷结果和待分类图片之后，使用上述相似度模型对包含所述缺陷形状的目标图片和第八缺陷结果的标准图片进行相似度分析，得到包含所述缺陷形状的目标图片和第八缺陷结果的相似度数值，由于图形标签均为“线形”的预设缺陷结果只有第八缺陷结果，则确定该第八缺陷结果为与所述待分类图片的目标缺陷结果。对该第八缺陷结果进行校验，如果第八缺陷结果与所述包含所述缺陷形状的目标图片的相似度数值低于所述预设最低相似度，说明可能是图形标签标记错误导致的判断错误，则将第八缺陷结果作为次选缺陷结果。依次将包含所述缺陷形状的目标图片与十个缺陷结果中除第八缺陷结果之外的其他缺陷结果进行相似度计算。得到包含所述缺陷形状的目标图片与十个缺陷结果中每个预设缺陷结果的相似度排名，将相似度最高的预设缺陷结果作为第二目标缺陷结果。
在一个可行的实施方案中，在执行完步骤204将所述目标缺陷结果确定为所述待分类图片的分类结果之后，所述方法还包括以下步骤：
步骤210，针对每个待分类图片，根据为所述待分类图片确定的目标缺陷结果，确定造成所述目标缺陷结果的至少一个原因。
具体的，根据步骤202中介绍的十种缺陷结果，为每种缺陷结果预设至少一个造成该缺陷结果的原因，在根据步骤204确定出该待分类图片的目标缺陷结果之后，根据为该目标缺陷结果预设的至少一个原因，确定该待分类图片对应的缺陷原因。
例3，若待分类图片中的缺陷形状为“线形”，得到与该缺陷形状相似度匹配的预设缺陷结果为“第八缺陷结果”，则将该第八缺陷结果作为该待分类图片对应的目标缺陷结果，假设为“第八缺陷结果”预设的原因为“划伤”，则该待分类图片对应的缺陷原因为“划伤”。若该“第八缺陷结果”还对应其他原因，例如“磨损”、“碰撞”，则该待分类图片的缺陷原因为“划伤”、“磨损”、“碰撞”。在本申请实施例中，还可以为每个缺陷原因确定具体造成该缺陷原因的具体设备、器件、设备参数，以便于直接定位问题部件。
步骤211，确定预设时段内每个所述原因出现的次数。
具体的，预设时段可以根据实际情况和实际需求进行设置、调整和修改，预设时段内的设置范围内应至少能够确定出一个目标晶圆的缺陷形状，预设时间段越长，得到的目标晶圆的缺陷形状的结果也就越多，统计也就越准确，但是为了确保生产加工中的精确度，应该将预设时段设置在一个合理的范围内，以便于及时根据目标晶圆的缺陷形状调整加工设备的参数、加工模式等，减少缺陷的造成。
步骤212，根据每个所述原因出现的次数，对至少一个所述原因进行排序，以得到在所述预设时段内包含所述排序和至少一个所述原因的问题清单。
具体的，在根据步骤212确定出预设时段内每种原因出现的次数之后，针对每个原因进行排序，得到包含每个原因、每个原因的序号和每个原因出现次数的问题清单。
在一个可行的实施方案中，在根据步骤212得到所述预设时段内的问题清单之后，所述方法还包括以下步骤：
将包含所述问题清单的数据发送到显示终端，以通过所述显示终端显示所述问题清单。
具体的，通过将包含所述问题清单的数据发送到显示终端，以便用户在显示终端能够实时获取到造成晶圆缺陷的原因，根据问题清单修改设备参数、调整加工方式，提高晶圆生产的良率。
在一个可行的实施方案中，在执行步骤101时，所述方法包括以下步骤：
步骤220，分别获取所述目标晶圆图片、所述标准晶圆图片的第一灰度值图像、第二灰度值图像。
具体的，将目标晶圆图片和标准晶圆图片进行灰度化处理，得到目标晶圆图片的第一灰度值图像，标准晶圆图片的第二灰度值图像。
步骤221，针对每个相同位置，确定所述第一灰度值图像中与所述第二灰度值图像中灰度值的差值大于预设差值的目标点。
具体的，目标晶圆图片和标准晶圆图片的规格是相同的，针对第一灰度值图像和第二灰度值图像中的每个相同的位置，计算两个图像中该位置灰度值的差值，针对每个差值，若所述差值大于预设差值，则认为在该位置的像素点为目标点；或者可以将目标数量个像素点构成的点作为一个可视点，若第一灰度值图像和第二灰度值图像中所述可视点中差值大于预设差值的像素点的数量超过一定比例，则确定该可视点为目标点。
步骤222，将所述目标点确定为所述缺陷点。
图3示出了本申请实施例所提供的一种确定晶圆缺陷形状的装置的结构示意图，如图3所示，所述装置包括：第一比对单元301，投射单元302，计算单元303，第一确定单元304。
第一比对单元301，用于针对每种规格的目标晶圆图片，将所述目标晶圆图片与该规格下的标准晶圆图片进行比对，获取所述目标晶圆图片中每个缺陷点所在的坐标位置；所述标准晶圆图片为不包含所述缺陷点的图片。
投射单元302，用于根据每个所述坐标位置，按照预设缩放比将每个所述缺陷点投射到目标规格的待分类图片中；所述待分类图片中的缺陷点与投射点一一对应。
计算单元303，用于确定所述待分类图片中任意相邻两点之间的距离小于预设距离的目标点。
第一确定单元304，用于确定由所述目标点构成的区域的形状，以将所述形状确定为所述目标晶圆的缺陷形状。
在一个可行的实施方案中，所述装置还包括：
标记单元，用于在将所述形状确定为所述目标晶圆的缺陷形状之后，为所述缺陷形状所在的目标图片标记用于表示所述缺陷形状的图形形状的至少一个图形标签。
获取单元，用于获取与所述至少一个图形标签表示的图形形状相同的至少一个预设缺陷结果。
第一比对单元，用于将所述目标图片与所述至少一个预设缺陷结果进行比对，得到与所述目标图片的相似度最高的目标缺陷结果。
第二确定单元，用于将所述目标缺陷结果确定为所述待分类图片的分类结果。
在一个可行的实施方案中，所述装置还包括：
第三确定单元，用于在将所述目标缺陷结果确定为所述待分类图片的分类结果之后，针对每个待分类图片，根据为所述待分类图片确定的目标缺陷结果，确定造成所述目标缺陷结果的至少一个原因。
第四确定单元，用于确定预设时段内每个所述原因出现的次数。
排序单元，用于根据每个所述原因出现的次数，对至少一个所述原因进行排序，以得到在所述预设时段内包含所述排序和至少一个所述原因的问题清单。
在一个可行的实施方案中，所述装置还包括：
发送单元，用于在得到所述预设时段内的问题清单之后，将包含所述问题清单的数据发送到显示终端，以通过所述显示终端显示所述问题清单。
在一个可行的实施方案中，所述第一比对单元用于：
分别获取所述目标晶圆图片、所述标准晶圆图片的第一灰度值图像、第二灰度值图像。
针对每个相同位置，确定所述第一灰度值图像中与所述第二灰度值图像中灰度值的差值大于预设差值的目标点。
将所述目标点确定为所述缺陷点。
本申请实施例提供的一种确定晶圆缺陷形状的装置，通过针对每种规格的目标晶圆图片，将所述目标晶圆图片与该规格下的标准晶圆图片进行比对，获取所述目标晶圆图片中每个缺陷点所在的坐标位置；根据每个所述坐标位置，按照预设缩放比将每个所述缺陷点投射到目标规格的待分类图片中；确定所述待分类图片中任意相邻两点之间的距离小于预设距离的目标点；确定由所述目标点构成的区域的形状，以将所述形状确定为所述目标晶圆的缺陷形状。与现有技术中人工抽样检测的方案相比，本申请实施例提供的装置能够自动识别晶圆的缺陷形状。
图4示出了本申请实施例所提供的一种电子设备的结构示意图，包括：处理器401、存储介质402和总线403，所述存储介质402存储有所述处理器401可执行的机器可读指令，当电子设备运行如实施例中的一种确定晶圆缺陷形状的方法时，所述处理器401与所述存储介质402之间通过总线403通信，所述处理器401执行所述机器可读指令，以执行如实施例中的步骤。
在实施例中，所述存储介质402还可以执行其它机器可读指令，以执行如实施例中其它所述的方法，关于具体执行的方法步骤和原理参见实施例的说明，在此不再详细赘述。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行，以执行如实施例中的步骤。
在本申请实施例中，该计算机程序被处理器运行时还可以执行其它机器可读指令，以执行如实施例中其它所述的方法，关于具体执行的方法步骤和原理参见实施例的说明，在此不再详细赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种确定晶圆缺陷形状的方法，其特征在于，所述方法包括：
针对每种规格的目标晶圆图片，将所述目标晶圆图片与该规格下的标准晶圆图片进行比对，获取所述目标晶圆图片中每个缺陷点所在的坐标位置；所述标准晶圆图片为不包含所述缺陷点的图片；
根据每个所述坐标位置，按照预设缩放比将每个所述缺陷点投射到目标规格的待分类图片中；所述待分类图片中的缺陷点与投射点一一对应；
确定所述待分类图片中任意相邻两点之间的距离小于预设距离的目标点；
确定由所述目标点构成的区域的形状，以将所述形状确定为所述目标晶圆的缺陷形状；
其中，确定所述待分类图片中任意相邻两点之间的距离小于预设距离的目标点的步骤包括：
计算每两个相邻投射点之间的第一距离；
从计算出来的每个第一距离中筛选出数值小于或等于预设距离的第二距离；
将每个第二距离对应的投射点作为目标点。
2.根据权利要求1所述的方法，其特征在于，在将所述形状确定为所述目标晶圆的缺陷形状之后，所述方法还包括：
为所述缺陷形状所在的目标图片标记用于表示所述缺陷形状的图形形状的至少一个图形标签；
获取与所述至少一个图形标签表示的图形形状相同的至少一个预设缺陷结果；
将所述目标图片与所述至少一个预设缺陷结果进行比对，得到与所述目标图片的相似度最高的目标缺陷结果；
将所述目标缺陷结果确定为所述待分类图片的分类结果。
3.根据权利要求2所述的方法，其特征在于，在将所述目标缺陷结果确定为所述待分类图片的分类结果之后，所述方法还包括：
针对每个待分类图片，根据为所述待分类图片确定的目标缺陷结果，确定造成所述目标缺陷结果的至少一个原因；
确定预设时段内每个所述原因出现的次数；
根据每个所述原因出现的次数，对至少一个所述原因进行排序，以得到在所述预设时段内包含所述排序和至少一个所述原因的问题清单。
4.根据权利要求3所述的方法，其特征在于，在得到所述预设时段内的问题清单之后，所述方法还包括：
将包含所述问题清单的数据发送到显示终端，以通过所述显示终端显示所述问题清单。
5.根据权利要求1所述的方法，其特征在于，将所述目标晶圆图片与该规格下的标准晶圆图片进行比对，获取所述目标晶圆图片中每个缺陷点所在的坐标位置，包括：
分别获取所述目标晶圆图片的第一灰度值图像和所述标准晶圆图片的第二灰度值图像；
针对每个相同位置，确定所述第一灰度值图像中与所述第二灰度值图像中灰度值的差值大于预设差值的目标点；
将所述目标点确定为所述缺陷点。
6.一种确定晶圆缺陷形状的装置，其特征在于，所述装置包括：
第一比对单元，用于针对每种规格的目标晶圆图片，将所述目标晶圆图片与该规格下的标准晶圆图片进行比对，获取所述目标晶圆图片中每个缺陷点所在的坐标位置；所述标准晶圆图片为不包含所述缺陷点的图片；
投射单元，用于根据每个所述坐标位置，按照预设缩放比将每个所述缺陷点投射到目标规格的待分类图片中；所述待分类图片中的缺陷点与投射点一一对应；
计算单元，用于确定所述待分类图片中任意相邻两点之间的距离小于预设距离的目标点；
第一确定单元，用于确定由所述目标点构成的区域的形状，以将所述形状确定为所述目标晶圆的缺陷形状；
其中，确定所述待分类图片中任意相邻两点之间的距离小于预设距离的目标点的步骤包括：
计算每两个相邻投射点之间的第一距离；
从计算出来的每个第一距离中筛选出数值小于或等于预设距离的第二距离；
将每个第二距离对应的投射点作为目标点。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
标记单元，用于在将所述形状确定为所述目标晶圆的缺陷形状之后，为所述缺陷形状所在的目标图片标记用于表示所述缺陷形状的图形形状的至少一个图形标签；
获取单元，用于获取与所述至少一个图形标签表示的图形形状相同的至少一个预设缺陷结果；
第一比对单元，用于将所述目标图片与所述至少一个预设缺陷结果进行比对，得到与所述目标图片的相似度最高的目标缺陷结果；
第二确定单元，用于将所述目标缺陷结果确定为所述待分类图片的分类结果。
8.根据权利要求6所述的装置，其特征在于，所述第一比对单元用于：
分别获取所述目标晶圆图片的第一灰度值图像和所述标准晶圆图片的第二灰度值图像；
针对每个相同位置，确定所述第一灰度值图像中与所述第二灰度值图像中灰度值的差值大于预设差值的目标点；
将所述目标点确定为所述缺陷点。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至5中任一项所述确定晶圆缺陷形状的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至5中任一项所述确定晶圆缺陷形状的方法的步骤。
CN202210023404.7A 2021-12-29 2022-01-10 确定晶圆缺陷形状的方法、装置、电子设备和存储介质 Active CN114359250B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111640273 2021-12-29
CN2021116402739 2021-12-29

Publications (2)

Publication Number Publication Date
CN114359250A CN114359250A (zh) 2022-04-15
CN114359250B true CN114359250B (zh) 2023-04-18

Family

ID=81109788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210023404.7A Active CN114359250B (zh) 2021-12-29 2022-01-10 确定晶圆缺陷形状的方法、装置、电子设备和存储介质

Country Status (2)

Country Link
US (1) US20230206423A1 (zh)
CN (1) CN114359250B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116559183B (zh) * 2023-07-11 2023-11-03 钛玛科（北京）工业科技有限公司 一种提高缺陷判定效率的方法及***

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103674965B (zh) * 2013-12-06 2017-06-06 大族激光科技产业集团股份有限公司 一种晶圆外观缺陷的分类以及检测方法
CN108648168A (zh) * 2018-03-15 2018-10-12 北京京仪仪器仪表研究总院有限公司 Ic晶圆表面缺陷检测方法
JP6922860B2 (ja) * 2018-07-09 2021-08-18 株式会社Sumco シリコンウェーハの検査方法、検査装置、製造方法
CN110261270B (zh) * 2019-07-18 2023-02-21 西安奕斯伟材料科技有限公司 一种硅片缺陷的分析方法及装置

Also Published As

Publication number Publication date
CN114359250A (zh) 2022-04-15
US20230206423A1 (en) 2023-06-29

Similar Documents

Publication Publication Date Title
EP3483833B1 (en) Data generation apparatus, data generation method, and data generation program
CN109612999B (zh) 用于晶圆图分析的***和方法
CN112424826A (zh) 基于机器学习的图案分组方法
CN108520514B (zh) 基于计算机视觉的印刷电路板电子元器一致性检测方法
US20200334446A1 (en) Methods and systems for defect inspection and review
CN111652098B (zh) 产品表面缺陷检测方法及装置
CN112053318A (zh) 基于深度学习的二维pcb缺陷实时自动检测与分类装置
CN114049565B (zh) 基于遥感影像和dem数据的地质灾害判识方法和装置
CN116051551B (zh) 基于图像处理的显示屏缺陷检测方法及相关装置
US9747518B2 (en) Automatic calibration sample selection for die-to-database photomask inspection
CN114359250B (zh) 确定晶圆缺陷形状的方法、装置、电子设备和存储介质
JPH10209230A (ja) 不良解析装置およびその方法
CN114494780A (zh) 基于特征对比的半监督工业缺陷检测方法及***
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN106815830A (zh) 图像的缺陷检测方法
CN111598854A (zh) 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法
CN116523922B (zh) 一种轴承表面缺陷识别方法
CN113421223A (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN116258908A (zh) 一种基于无人机遥感影像数据的地灾预测评估分类方法
CN110533657A (zh) 一种液晶屏外观检测方法
CN113139932B (zh) 一种基于集成学习的深度学习缺陷图像识别方法及***
CN115063385A (zh) 一种用于晶圆检测的机器视觉方法
TWI402928B (zh) 智慧型缺陷篩選及取樣方法
CN111724352B (zh) 一种基于核密度估计的贴片led瑕疵标注方法
CN115713501B (zh) 适用于摄像头模糊画面的检测处理方法及***

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
CB03 Change of inventor or designer information

Inventor after: Li Gangjiang

Inventor after: Zhang Youhui

Inventor after: Jin Song

Inventor before: Li Gangjiang

Inventor before: Jin Song

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 200100, Room 101, 1st Floor, Building 7, No. 7001 Zhongchun Road, Minhang District, Shanghai

Patentee after: Saimet Information Group Co.,Ltd.

Country or region after: China

Address before: Room 299, building 6, Zhongchen Road, Songjiang District, Shanghai

Patentee before: SEMI-TECH (Shanghai) Co.,Ltd.

Country or region before: China

Address after: Room 299, building 6, Zhongchen Road, Songjiang District, Shanghai

Patentee after: SEMI-TECH (Shanghai) Co.,Ltd.

Country or region after: China

Address before: Room 299, building 6, Zhongchen Road, Songjiang District, Shanghai

Patentee before: Shanghai saimeite Software Technology Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address