CN114897853A - 用于晶圆的检测方法、检测装置及存储介质 - Google Patents
用于晶圆的检测方法、检测装置及存储介质 Download PDFInfo
- Publication number
- CN114897853A CN114897853A CN202210562259.XA CN202210562259A CN114897853A CN 114897853 A CN114897853 A CN 114897853A CN 202210562259 A CN202210562259 A CN 202210562259A CN 114897853 A CN114897853 A CN 114897853A
- Authority
- CN
- China
- Prior art keywords
- wafer
- image
- abnormal
- side image
- determining
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 144
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 148
- 238000000034 method Methods 0.000 claims abstract description 81
- 230000007547 defect Effects 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 56
- 230000004044 response Effects 0.000 claims description 33
- 230000005856 abnormality Effects 0.000 claims description 25
- 238000007689 inspection Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 claims 1
- 235000012431 wafers Nutrition 0.000 description 234
- 230000008569 process Effects 0.000 description 19
- 238000009826 distribution Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
Abstract
本申请的实施方式提供了一种晶圆的检测方法、检测装置及存储介质。本申请的部分实施方式中,用于晶圆的检测方法包括:确定晶圆的侧面图像的像素的图像特征值;对侧面图像的像素的图像特征值进行统计;以及根据统计结果确定晶圆的轮廓是否异常。本申请提供的晶圆的检测方法、检测装置及存储介质可对晶圆进行异常检测。
Description
技术领域
本申请的实施方式涉及半导体技术领域,更具体地,涉及一种用于晶圆的检测方法、检测装置及存储介质。
背景技术
晶圆是指硅半导体集成电路制作所用的硅芯片,是生产集成电路所用的载体,因此,晶圆的质量直接影响芯片的良品率及制造成本。在实际制作晶圆的过程中,不可避免的会使部分晶圆存在缺陷,例如,晶圆边缘破裂产生的缺口。因此,需要对晶圆进行检测,以得到符合标准的晶圆。
目前大部分工程师在对晶圆进行检测时通常以肉眼观察查找晶圆缺陷。但是,这种人工检测的方式大大降低了检测效率和检测的准确度。
发明内容
本申请的实施方式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用于晶圆的检测方法、检测装置及存储介质。
本申请的实施方式一方面提供了一种用于晶圆的检测方法,包括:确定晶圆的侧面图像的像素的图像特征值;对侧面图像的像素的图像特征值进行统计;以及根据统计结果确定晶圆的轮廓是否异常。
在本申请一些实施方式中,对侧面图像的图像特征值进行统计包括:分别计算侧面图像的像素阵列的每一个行和/或列的像素的图像特征值的总和或均值,得到像素阵列的每一个行和/或列的图像特征值。
在本申请一些实施方式中,根据统计结果确定晶圆的轮廓是否异常包括:响应于统计结果指示行和/或列的图像特征值中存在异常值,确定晶圆的轮廓存在异常。
在本申请的一些实施方式中,在响应于统计结果指示列的图像特征值中存在异常值,确定晶圆的轮廓存在异常后,方法还包括:根据异常值对应的列确定晶圆的轮廓异常的位置。
在本申请的一些实施方式中,方法还包括:根据异常值对应的列中的图像特征值异常的像素,确定轮廓异常区域的纵向长度;根据确定出的纵向长度确定晶圆的缺陷深度;以及响应于缺陷深度处于预设的异常深度范围,确定晶圆存在缺口缺陷。
在本申请的一些实施方式中,在根据统计结果确定晶圆的轮廓是否异常之前,方法还包括:对行和/或列的图像特征值进行平滑处理。
在本申请的一些实施方式中,在确定晶圆的侧面图像的像素的图像特征值之前,方法还包括:获取晶圆的原始侧面图像;对原始侧面图像进行灰度处理;以及根据灰度处理后的原始侧面图像得到侧面图像。
在本申请的一些实施方式中,根据灰度处理后的原始侧面图像得到侧面图像包括:对灰度处理后的原始侧面图像进行二值化处理,得到侧面图像。
在本申请的一些实施方式中,晶圆上设置有用于定位的缺口,方法还包括:通过对原始侧面图像进行裁切,去除原始侧面图像中与晶圆的用于定位的缺口对应的图像区域。
在本申请的一些实施方式中,图像特征值包括颜色值或亮度值。
本申请的实施方式另一方面提供了一种用于晶圆的检测装置,包括:确定模块,用于确定晶圆的侧面图像的像素的图像特征值;统计模块,用于对侧面图像的像素的图像特征值进行统计;以及检测模块,用于根据统计结果确定晶圆的轮廓是否异常。
在本申请的一些实施方式中,统计模块被配置为:分别计算侧面图像的像素阵列的每一个行和/或列的像素的图像特征值的总和或均值,得到像素阵列的每一个行和/或列的图像特征值。
在本申请的一些实施方式中,检测模块被配置为:响应于统计结果指示行和/或列的图像特征值中存在异常值,确定晶圆的轮廓存在异常。
在本申请的一些实施方式中,检测模块还被配置为:在响应于统计结果指示列的图像特征值中存在异常值,确定晶圆的轮廓存在异常后,根据异常值对应的列确定晶圆的轮廓异常的位置。
在本申请的一些实施方式中,检测模块还被配置为:根据异常值对应的列中的图像特征值异常的像素,确定轮廓异常区域的纵向长度;根据确定出的纵向长度确定晶圆的缺陷深度;以及响应于缺陷深度处于预设的异常深度范围,确定晶圆存在缺口缺陷。
在本申请的一些实施方式中,检测装置还包括:告警模块,用于响应于晶圆的轮廓存在异常,或者,晶圆存在缺口缺陷,反馈告警信息。
本申请的实施方式还提供了一种检测装置,包括:存储器,用于存储计算机指令;以及处理器,用于与存储器通信以执行计算机指令,从而实现如上述实施方式提及的检测方法。
本申请的实施方式还提供了一种可读存储介质,可读存储介质中存储有计算机指令,计算机指令被处理器执行时实现如上述实施方式提及的检测方法。
根据本申请的实施方式,由于晶圆的侧面图像中,晶圆的轮廓异常区域的像素的图像特征值不同于正常处的像素的图像特征值,检测装置可通过对晶圆的侧面图像的像素的图像特征值进行统计,分析晶圆的轮廓是否存在异常,即可实现自动晶圆的轮廓异常的检测,相对于人工检测,提高了检测效率和准确率。
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是根据本申请的一些实施方式的用于晶圆的检测方法的流程图;
图2是根据本申请的一些实施方式的晶圆的俯视示意图;
图3是图2中的区域A的局部放大示意图;
图4是根据本申请的一些实施方式的晶圆的侧面示意图;
图5是根据本申请的另一实施方式的晶圆的侧面示意图;
图6是根据本申请的一些实施方式的原始侧面图像示意图;
图7是根据本申请的一些实施方式的侧面图像示意图;
图8是根据本申请的一些实施方式的侧面图像的像素阵列的各列的图像特征值的变化趋势示意图;
图9是根据本申请的一个示例性实施方式的用于晶圆的检测装置的示意性框图;
图10是根据本申请的一个示例性实施方式的检测装置的示意性框图。
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。
应注意,在本说明书中,第一、第二、第三等的表述仅用于将一个特征与另一个特征区域分开来,而不表示对特征的任何限制,尤其不表示任何的先后顺序。
在附图中,为了便于说明,已稍微调整了部件的厚度、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。
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,本申请中的实施例及实施例中的特征可以相互组合。另外,除非明确限定或与上下文相矛盾,否则本申请所记载的方法中包含的具体步骤不必限于所记载的顺序,而可以任意顺序执行或并行地执行。下面将参考附图并结合实施例来详细说明本申请。
图1是根据本申请的一些实施方式的用于晶圆的检测方法1000的流程图,可例如通过检测装置执行。如图1所示,本申请提供一种用于晶圆的检测方法1000包括:
S11,确定晶圆的侧面图像的像素的图像特征值。
S12,对侧面图像的像素的图像特征值进行统计。
S13,根据统计结果确定晶圆的轮廓是否异常。
根据本申请的实施方式,由于晶圆的侧面图像中,晶圆的轮廓异常区域的像素的图像特征值不同于正常处的像素的图像特征值,检测装置可通过对晶圆的侧面图像的像素的图像特征值进行统计,分析晶圆的轮廓是否存在异常,即可实现自动晶圆的轮廓异常的检测,相对于人工检测,提高了检测效率和准确率。
为了便于理解,下面对用于晶圆的检测方法1000的各个步骤进行示例性说明。
步骤S11
图2是根据本申请的一些实施方式的晶圆20的俯视示意图,图3是图2中的区域A的局部放大示意图,图4是根据本申请的一些实施方式的晶圆20的侧面示意图。
在本申请的一些实施方式中,晶圆的侧面图像可以是晶圆的周面图像。示例地,从侧面绕晶圆20旋转一周拍摄晶圆得到的原始侧面图像。将拍摄区域聚焦至晶圆边缘,进而使得晶圆的侧面图像可更凸显晶圆的边缘的形态,有利于检测装置对晶圆的轮廓异常进行检测。
在本申请的一些实施方式中,晶圆的侧面图像还可以为晶圆的顶斜视角或底斜角的侧面图像。其中,顶斜视角可以是指从顶部视角向侧面倾斜的视角,底斜角可以是指从底部视角向侧面倾斜的视角。例如,若以大致垂直晶圆的顶面的视角为0度视角,则顶斜视角的视角范围可以是(0°,90°),底斜角的视角范围可以是(90°,180°)。通过拍摄晶圆的顶斜视角的侧面图像,使得拍摄的侧面图像中包含晶圆顶部的图像,可凸显出缺陷处的图像和晶圆正常区域的图像的区别,有利于检测装置对晶圆的轮廓异常进行检测。
在本申请的一些实施方式中,像素的图像特征值可例如为像素的颜色值(例如RGB值或者灰度值)或像素的亮度值。示例地,由于晶圆存在缺口缺陷导致晶圆的轮廓异常,参见图2至图4可以看出,晶圆的缺口对应的图像区域(如图4的区域B和区域C)的颜色或亮度与其他区域的颜色或亮度不同,缺口对应的图像区域的颜色为黑色,缺口周围的颜色可例如为晶圆本体的颜色,缺口对应的图像区域的亮度低于缺口周围的亮度。检测装置可通过统计侧面图像中各个像素的颜色或亮度来检测晶圆是否存在缺陷。
在本申请的一些实施方式中,晶圆上设置有用于定位的缺口,检测装置可获取原始侧面图像,通过对原始侧面图像进行裁切,去除原始侧面图像中与晶圆的用于定位的缺口对应的图像区域。为了便于检测装置和/或其他用于晶圆的装置对晶圆的位置进行校正,通常会在晶圆的固定位置设置一个用于定位的缺口,以便检测装置和/或其他用于晶圆的装置对晶圆进行定位。检测装置通过对原始侧面图像进行裁切,去除用于定位的缺口对应的图像区域,可减少该用于定位的缺口对晶圆的轮廓异常检测的影响。
为了便于理解,下面对去除用于定位的缺口对应的图像区域的方式进行示例性说明。
示例地,原始侧面图像的获取方式包括:通过预定义的用于定位的缺口检测算法,检测晶圆的用于定位的缺口的位置;从晶圆的用于定位的缺口位置开始,绕晶圆一周拍摄图像以得到原始侧面图像。
图5是根据本申请的另一实施方式的晶圆的侧面示意图。晶圆的原始侧面图像的左侧区域(区域D)和右侧区域(区域E)包含用于定位的缺口的图像。
作为一个示例,检测装置可根据检测者给定的晶圆上用于定位的缺口的沿晶圆圆周方向的实际宽度的大致范围,以及拍摄原始侧面图像的设备所拍摄的图像中每个像素代表的实际长度,确定用于定位的缺口在原始侧面图像中的x方向的尺寸(即横向长度)。由于原始侧面图像是从用于定位的缺口位置开始拍摄的,用于定位的缺口对应的图像区域位于原始侧面图像的左侧区域(亦可称为起始拍摄区域)和右侧区域(亦可称为结束拍摄区域),检测装置可从左侧区域和右侧区域分别裁切宽度至少为确定出的用于定位的缺口的横向长度的图像区域。
作为另一示例,检测装置可根据检测者给定的晶圆上用于定位的缺口的沿晶圆圆周方向的实际宽度的大致范围,以及拍摄原始侧面图像的设备所拍摄的图像中每个像素代表的实际长度,确定用于定位的缺口在原始侧面图像中的x方向的尺寸(即横向长度)。检测装置可根据检测者给定的晶圆上用于定位的缺口沿晶圆径向的长度的大致范围、拍摄角度以及拍摄原始侧面图像的设备所拍摄的图像中每个像素代表的实际长度,确定用于定位的缺口在原始侧面图像中的y方向的尺寸(即纵向长度)。检测装置可以根据确定出的用于定位的缺口在原始侧面图像中的横向长度和纵向长度,确定原始侧面图像中与用于定位的缺口对应的图像区域,并裁切掉该部分图像区域。
应当理解的是,在未背离本申请教导的情况下,预定义的用于定位的缺口检测算法可根据用于定位的缺口的形态特征、用于定位的缺口周围的图像特征等设定,本申请对此不作限制。
应当理解的是,在未背离本申请教导的情况下,检测装置也可通过其他方式锁定用于定位的缺口的图像区域,本申请对此不作限制。
在本申请的一些实施方式中,检测装置获取晶圆的侧面图像的过程可例如包括:获取晶圆的原始侧面图像;对原始侧面图像进行灰度处理;根据灰度处理后的原始侧面图像得到晶圆的侧面图像。其中,晶圆的原始侧面图像可以是裁切后的原始侧面图像,也可以是未进行裁切的原始侧面图像,本申请对此不作限制。
作为一个示例,图6是根据本申请的一些实施方式的原始侧面图像示意图。检测装置可通过分量法、最大值法、平均值法、加权平均法等方法,对原始侧面图像进行灰度处理。其中,若检测装置采用分量法,可将原始侧面图像中的像素的RGB三分量的亮度分别作为像素的灰度值,得到3个候选图像,并根据需要选择一个候选图像作为灰度处理后的原始侧面图像。若检测装置采用最大值法,可将原始侧面图像中像素的RGB三分量亮度的最大值作为像素的灰度值,从而得到灰度处理后的原始侧面图像。若检测装置采用平均值法,可将原始侧面图像中的像素的RGB三分量亮度的平均值作为像素的灰度值,从而得到灰度处理后的原始侧面图像。若检测装置采用加权平均法,可根据像素的RGB三分量中各个分量的重要性或其它指标,将三个分量以不同的权值进行加权平均,从而得到灰度处理后的原始侧面图像。示例地,检测装置裁切掉图5所示的原始侧面图像的用于定位的缺口的区域图像后,对裁切后的原始侧面图像进行灰度处理,得到的灰度处理后的原始侧面图像如图6所示。从图6可知,灰度处理后的原始侧面图像中除用于定位的缺口以外的其他缺口所在区域(区域F)与其他区域的图像特征不同,检测装置可基于图6进行缺陷检测。
应当理解的是,在未背离本申请教导的情况下,还可通过其他方式对原始侧面图像进行灰度处理,本申请对此不作限制。
可选择的,检测装置根据灰度处理后的原始侧面图像得到侧面图像可例如包括:对灰度处理后的原始侧面图像进行二值化处理,得到晶圆的侧面图像。例如,检测装置对图6所示的灰度处理后的原始侧面图像进行二值化处理后,得到侧面图像,侧面图像如图7所示,其缺陷所在区域为区域G。
作为一个示例,检测装置进行二值化处理的过程可例如包括:获取预定的阀值(例如,0~255的中位数127),针对灰度处理后的原始侧面图像中的各个像素,响应于像素的灰度值小于等于阈值,将该像素的灰度值更改为0(即黑色);响应于像素的灰度值大于阈值,将该像素的灰度值更改为255(即白色)。
作为另一示例,检测装置进行二值化处理的过程可例如包括:确定像素阵列中各个像素的灰度平均值;针对灰度处理后的原始侧面图像中的各个像素,响应于像素的灰度值小于等于灰度平均值,将该像素的灰度值更改为0(即黑色);响应于像素的灰度值大于灰度平均值,将该像素的灰度值更改为255(即白色)。
应当理解的是,在未背离本申请教导的情况下,检测装置可选择其他方式对灰度处理后的图像进行二值化处理,本申请对此不作限制。
步骤S12和步骤S13
在本申请的一些实施方式中,检测装置对侧面图像的像素的图像特征进行统计的方式可包括:分别计算侧面图像的像素阵列的每一个行和/或列的像素的图像特征值的总和或均值,得到像素阵列的每一个行和/或列的图像特征值。
可选择的,检测装置根据统计结果确定晶圆的轮廓是否异常的方式可包括:响应于统计结果指示行和/或列的图像特征值中存在异常值,确定晶圆的轮廓存在异常。其中,异常值是指该数值明显偏离其余数值。行和/或列的图像特征值中是否存在异常值可以通过异常值检测算法来检测。
以下以列的图像特征值为例进行示例性说明。
示例地,按从左到右或从右到左的顺序,计算像素阵列的各列的图像特征值。从j=1开始,针对第j个列的图像特征值,比较第j个至第j+U个列的图像特征值之间的极差是否大于预设值,若确定是,则确定第j个至第j+U个列的图像特征值中存在异常值。若确定不是,则确定第j个至第j+U个列的图像特征值中不存在异常值,令j=j+1,返回执行比较第j个至第j+U个列的图像特征值之间的极差是否大于预设值的步骤,直至j+U等于像素阵列的列数。其中,预设值和U的具体取值可根据侧面图像的尺寸等信息确定,示例地,预设值可以是大于等于20的数值,U可以是大于等于10的数值。在确定第j个至第j+U个列的图像特征值中存在异常值后,可将第j个至第j+U个列的图像特征值中的最值作为异常值。其中,最值可以是最大值或最小值,其具体情况根据检测装置对侧面图像的处理过程确定。
可选择的,检测装置在检测到异常值后,还可结合异常值的分布情况确定晶圆的轮廓是否存在异常。示例地,对于裁切后的原始侧面图像,由于用于定位的缺口的图像区域已被预先裁切掉,检测装置若检测到异常值,确定晶圆的轮廓存在异常。对于未进行裁切的原始侧面图像,由于侧面图像中包含用于定位的缺口的图像区域,检测装置可在检测到异常值,确定异常值分布区域。例如,检测装置响应于异常值分布区域的个数小于等于N,确定晶圆的轮廓正常;响应于异常值分布区域的个数大于N,确定晶圆的轮廓异常。其中,N的取值可根据原始侧面图像的拍摄方式设定,例如,若原始侧面图像的起始拍摄区域的图像和结束拍摄区域的图像中相同部分被剔除,N等于1,若原始侧面图像的起始拍摄区域的图像和结束拍摄区域的图像中相同部分未被剔除,根据起始拍摄的位置确定N的取值,例如,若从用于定位的缺口开始拍摄原始侧面图像,N=2,若从用于定位的缺口以外的位置拍摄原始侧面图像,N=1。
作为一个示例,检测装置获取侧面图像的像素阵列中各个像素的图像特征值(例如,像素经过二值化处理后的灰度值),针对像素阵列中的每一行像素,计算该行像素的图像特征值的总和或均值,作为该行的图像特征值。若晶圆存在缺陷,像素阵列中与缺陷对应的像素的图像特征值与该像素周围的像素的图像特征值不同,通过对各行像素的特征值进行统计,若某一行的图像特征值与其周围行的图像特征值不同,可根据该行的图像特征值与其周围行的图像特征值差异大小,判断该行的像素中是否包括缺陷对应的像素。示例地,在统计完各行的图像特征值后,检测装置若确定出第i行和第i+1行的图像特征差距极大,例如,大于第一阈值,可判定出第i行和第i+1行为晶圆的分界处(例如晶圆的顶面和侧面之间的交线),而非缺陷;若确定出第i行和第i+1行的图像特征差距小于第一阈值,可判定晶圆的轮廓可能存在异常。
应该理解的是,在未背离本申请教导的情况下,第一阈值可根据检测装置由原始侧面图像得到侧面图像的过程中,对原始侧面图像的处理方式,以及侧面图像的像素阵列的列数等确定。例如,若检测装置对原始侧面图像进行灰度处理和二值化处理后得到侧面图像,像素阵列的列数为a,则第一阈值可例如等于255*a*T,T可例如为(70%,100%)之间的任意数值,例如,75%、80%、85%、90%和95%等。本申请对第一阈值不作限制。
作为另一示例,检测装置获取侧面图像的像素阵列中各个像素的图像特征值(例如,像素经过二值化处理后的灰度值),针对像素阵列中的每一列像素,计算该列像素的图像特征值的总和或均值,作为该列的图像特征值。以缺口缺陷为例,若晶圆不存在缺口,侧面图像的像素阵列中各列的图像特征值基本相同。若晶圆存在缺口,通常情况下,晶圆的缺口从晶圆的边缘向晶圆内部延伸,使得晶圆的侧面图像中多行像素点中的个别像素的该行其他像素点的图像特征值差距较大。通过对像素阵列的每一列像素的图像特征值进行统计得到列的图像特征值,并将各列的图像特征值进行比较以确定缺口所在区域,可以减少由于噪声等导致同一行中不同列的像素的图像特征值不同而误识别缺口所在区域的情况。示例地,检测装置对侧面图像的像素阵列的每一列的像素的图像特征值进行求和,得到的各列的图像特征值的变化趋势如图8所示,图8中,横坐标为像素阵列的列数(j),纵坐标为列的图像特征值(F)。由图8可知,在j=K处存在异常值,检测装置可判定该侧面图像对应的晶圆存在缺口,晶圆轮廓异常。
应当理解的是,在未背离本申请教导的情况下,可为检测装置配置不同的用于判断是否存在异常值的方法,例如,通过异常值检测算法检测各列的图像特征值中是否存在异常值,本申请对此不作限制。
可选择的,在基于像素阵列的各列的图像特征值进行晶圆的轮廓异常检测的过程中,检测装置还可在确定出晶圆的轮廓异常后,根据异常值对应的列确定晶圆的轮廓异常的位置。如上,由于侧面图像的像素阵列中各列的图像特征值基本相同,检测装置可根据检测出的异常值对应的列坐定晶圆的轮廓异常的位置。
可选择的。检测装置在确定异常值对应的列后,根据所述异常值对应的列中的所述图像特征值异常的像素,确定轮廓异常区域的纵向长度;根据确定出的纵向长度确定所述晶圆的缺陷深度;以及响应于所述缺陷深度处于预设的异常深度范围,确定所述晶圆存在缺口缺陷。其中,晶圆的缺陷深度可以是指沿晶圆径向的长度,纵向长度可以是指获取的侧面图像沿有Y方向的长度。
示例地,检测装置若确定侧面图像的第j1列至第j2列的图像特征值异常,确定侧面图像的第j1列至第j2列的像素中图像特征值异常的像素,并据此确定出异常区域的纵向长度(即y方向的长度)。示例地,若图像特征值异常的像素在侧面图像中连续分布,则纵向长度等于从侧面图像的上方至侧面图像的下方的第一个图像特征值异常的像素和最后一个图像特征值异常的像素的行数差值。例如,若图像特征值异常的像素为第i1行至第i2行的像素的图像特征值异常,则可确定纵向长度为i2-i1(例如图7中点P至点Q之间的直线距离)。若图像特征值异常的像素在侧面图像中分段分布,对多个分段进行整合,整合完毕后,根据预设的查找规则,确定整合后的各个分段中与缺陷对应的分段,将缺陷对应的分段的像素个数作为纵向长度。其中,整合方式可例如是:针对每个分段,若相邻分段之间的像素个数小于预设的像素个数阈值(ipre),则将相邻的分段整合为一个分段。预设的查找规则根据侧面图像的拍摄设备的参数确定,例如,查找规则指示:将图像的第imax行和第imin行之间的分段作为缺陷对应的分段。其中,imax和imin根据拍摄设备的参数决定。例如,若第j1列的图像特征值异常的像素为第i1行的像素至第i2行的像素、以及第i3行的像素至第i4行的像素的图像特征值异常,响应于i3-i2<ipre,确定纵向长度为i4-i1,响应于i3-i2≥ipre,i2和i1处于[imin,imax]之间,纵向长度等于i2-i1(例如图7中点P至点Q之间的直线距离)。检测装置在确定出纵向长度后,将纵向长度和侧面图像中每个像素代表的实际长度的积,作为晶圆在该列的缺陷深度。检测装置获取晶圆在各列的缺陷深度中的最大值,判断获取的最大值是否处于异常深度范围,若确定是,确定晶圆存在缺口缺陷,若确定不是,可确定晶圆存在其它缺陷。其中,其它缺陷的区分方式可根据其他缺陷的形态特征划定,此处不一一列举。
应当理解的是,在未背离本申请教导的情况下,异常深度范围可根据晶圆结构特征和工艺要求等确定,例如,异常深度范围可例如为(0,0.1mm),本申请对此不作限制。
作为又一示例,检测装置获取侧面图像的像素阵列中各个像素的图像特征值(例如,像素经过二值化处理后的灰度值),并针对像素阵列中的每一行像素,计算该行像素的图像特征值的总和或均值,作为该行的图像特征值;以及,针对像素阵列中的每一列像素,计算该列像素的图像特征值的总和或均值,作为该列的图像特征值。检测装置可结合侧面图像的像素阵列的行的像素特征以及列的像素特征,综合判断晶圆的轮廓是否异常。示例地,检测装置若基于侧面图像的像素阵列的行的像素特征确定出晶圆存在缺陷,或,基于侧面图像的像素阵列的列的像素特征确定出晶圆存在缺陷,则确定晶圆轮廓存在异常。通过多个特征对晶圆轮廓异常进行检测,可减少轮廓存在异常的晶圆被误判为轮廓正常的晶圆的情况,降低漏判概率。
作为一种选择,检测装置在根据统计结果确定晶圆的轮廓是否异常之前,对行和/或列的图像特征值进行平滑处理。示例地,晶圆的侧面图像中可能存在噪声,为减少噪声对统计的行和/或列的图像特征值的影响,可对统计的行和/或列的图像特征值进行平滑处理。
应当理解的是,在未背离本申请教导的情况下,可根据需要选择行和/或列的图像特征值的平滑处理算法,本申请对此不作限制。
应当理解的是,在未背离本申请教导的情况下,检测装置也可基于其他规则对像素的图像特征值进行统计,并基于统计规则调整判断晶圆的轮廓是否异常的方式,例如,对侧面图像的部分区域的像素阵列的行和/或列进行统计,并根据统计结果判断轮廓是否异常,本申请对此不作限制。
在本申请的一些实施方式中,检测装置还可以在确定出晶圆的轮廓异常后,或者,在确定出晶圆存在缺口缺陷后,向检测者反馈告警信息。示例地,检测装置可通过发送告警信息、开启警示铃声、生成检测结果并发送邮件至检测者等方式,向检测者反馈告警信息,本申请对此不作限制。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
图9是根据本申请的一个示例性实施方式的用于晶圆的检测装置2000的示意性框图。
如图9所示,检测装置2000可例如包括:确定模块2100、统计模块2200和检测模块2300。确定模块2100可用于确定晶圆的侧面图像的像素的图像特征值。统计模块2200可用于对侧面图像的像素的图像特征值进行统计。检测模块2300可用于根据统计结果确定晶圆的轮廓是否异常。
根据本申请的实施方式,由于晶圆的侧面图像中,晶圆的轮廓异常区域的像素的图像特征值不同于正常处的像素的图像特征值,检测装置可通过对晶圆的侧面图像的像素的图像特征值进行统计,分析晶圆的轮廓是否存在异常,即可实现自动晶圆的轮廓异常的检测,相对于人工检测,提高了检测效率和准确率。
在本申请的一些实施方式中,参见图2至图4,晶圆20的侧面图像可以是晶圆20的周面图像。示例地,从侧面绕晶圆20旋转一周拍摄晶圆得到的侧面图像,可将拍摄区域聚焦至晶圆边缘,进而使得晶圆的侧面图像可更凸显晶圆的边缘的形态,有利于检测装置2000对晶圆的轮廓异常进行检测。
在本申请的一些实施方式中,晶圆的侧面图像还可以为晶圆的顶斜视角或底斜角的侧面图像。其中,顶斜视角可以是指从顶部视角向侧面倾斜的视角,底斜角可以是指从底部视角向侧面倾斜的视角。例如,若以大致垂直晶圆的顶面的视角为0度视角,则顶斜视角的视角范围可以是(0°,90°),底斜角的视角范围可以是(90°,180°)。通过拍摄晶圆的顶斜视角的侧面图像,使得拍摄的侧面图像中包含晶圆顶部的图像,可凸显出缺陷处的图像和晶圆正常区域的图像的区别,有利于检测模块2300基于统计模块2200统计得到的统计结果对晶圆的轮廓异常进行检测。
在本申请的一些实施方式中,像素的图像特征值可例如为像素的颜色值(例如RGB值或者灰度值)或像素的亮度值。示例地,由于晶圆存在缺口缺陷导致晶圆的轮廓异常,参见图2至图4可以看出,晶圆的缺口对应的图像区域(如图4的区域B和区域C)的颜色或亮度与其他区域的颜色或亮度不同,缺口对应的图像区域的颜色为黑色,缺口周围的颜色可例如为晶圆本体的颜色,缺口对应的图像区域的亮度低于缺口周围的亮度。检测模块2300可基于统计模块2200统计的侧面图像中各个像素的颜色值或亮度值来检测晶圆是否存在缺陷。
在本申请的一些实施方式中,在本申请的一些实施方式中,晶圆上设置有用于定位的缺口,检测装置2000还包括图像获取模块(未示出),图像获取模块被配置为:获取原始侧面图像,并通过对原始侧面图像进行裁切,去除原始侧面图像中与晶圆的用于定位的缺口对应的图像区域。为了便于检测装置2000和/或其他用于晶圆的装置对晶圆的位置进行校正,通常会在晶圆的固定位置设置一个用于定位的缺口,以便检测装置2000和/或其他用于晶圆的装置对晶圆进行定位。图像获取模块通过对原始侧面图像进行裁切,去除用于定位的缺口对应的图像区域,可减少该用于定位的缺口对晶圆的轮廓异常检测的影响。
为了便于理解,下面对去除用于定位的缺口对应的图像区域的方式进行示例性说明。
示例地,图像获取模块获取原始侧面图像的方式包括:通过预定义的用于定位的缺口检测算法,检测晶圆的用于定位的缺口的位置;从晶圆的用于定位的缺口位置开始,绕晶圆一周拍摄图像以得到原始侧面图像。
示例地,图5是根据本申请的另一实施方式的晶圆的侧面示意图。晶圆的原始侧面图像的左侧区域(区域D)和右侧区域(区域E)包含用于定位的缺口的图像。
作为一个示例,图像获取模块可根据检测者给定的用于定位的缺口的的x方向的尺寸(即横向长度)实际宽度的大致范围,以及拍摄原始侧面图像的设备所拍摄的图像中每个像素代表的实际长度,确定用于定位的缺口在原始侧面图像中的横向长度。由于原始侧面图像是从用于定位的缺口位置开始拍摄的,用于定位的缺口对应的图像区域位于原始侧面图像的左侧区域(亦可称为起始拍摄区域)和右侧区域(亦可称为结束拍摄区域),图像获取模块可从左侧区域和右侧区域分别裁切到宽度至少为确定出的用于定位的缺口的横向长度的图像区域。
作为另一示例,检测装置可根据检测者给定的晶圆上用于定位的缺口的沿晶圆圆周方向的实际宽度的大致范围,以及拍摄原始侧面图像的设备所拍摄的图像中每个像素代表的实际长度,确定用于定位的缺口在原始侧面图像中的x方向的尺寸(即横向长度)。检测装置可以根据检测者给定的晶圆上用于定位的缺口沿晶圆径向的长度的大致范围、拍摄角度以及拍摄原始侧面图像的设备所拍摄的图像中每个像素代表的实际长度,确定用于定位的缺口在原始侧面图像中的y方向的尺寸(即纵向长度)。检测装置可以根据确定出的用于定位的缺口在原始侧面图像中的横向长度和纵向长度,确定原始侧面图像中与用于定位的缺口对应的图像区域,并裁切掉该部分图像区域。
应当理解的是,在未背离本申请教导的情况下,预定义的用于定位的缺口检测算法可根据用于定位的缺口的形态特征、用于定位的缺口周围的图像特征等设定,本申请对此不作限制。
应当理解的是,在未背离本申请教导的情况下,图像获取模块也可通过其他方式锁定用于定位的缺口的图像区域,本申请对此不作限制。
在本申请的一些实施方式中,图像获取模块还用于对原始侧面图像进行灰度处理;以及根据灰度处理后的原始侧面图像得到侧面图像。其中,晶圆的原始侧面图像可以是裁切后的图像,也可以是未进行裁切的图像,本申请对此不作限制。
作为一个示例,图像获取模块可通过分量法、最大值法、平均值法、加权平均法等方法,对原始侧面图像进行灰度处理。其中,若图像获取模块采用分量法,可将原始侧面图像中的像素的RGB三分量的亮度分别作为像素的灰度值,得到3个候选图像,并根据需要选择一个候选图像作为灰度处理后的原始侧面图像。若图像获取模块采用最大值法,可将原始侧面图像中像素的RGB三分量亮度的最大值作为像素的灰度值,从而得到灰度处理后的原始侧面图像。若图像获取模块采用平均值法,可将原始侧面图像中的像素的RGB三分量亮度的平均值作为像素的灰度值,从而得到灰度处理后的原始侧面图像。若图像获取模块采用加权平均法,可根据像素的RGB三分量中各个分量的重要性或其它指标,将三个分量以不同的权值进行加权平均,从而得到灰度处理后的原始侧面图像。示例地,图像获取模块裁切掉图5所示的原始侧面图像的用于定位的缺口的区域图像后,对裁切后的原始侧面图像进行灰度处理,得到的灰度处理后的原始侧面图像如图6所示。从图6可知,灰度处理后的原始侧面图像中除用于定位的缺口以外的其他缺口所在区域(区域F)与其他区域的图像特征不同,统计模块2200和检测模块2300耦合以便基于图6进行缺陷检测。
应当理解的是,在未背离本申请教导的情况下,还可通过其他方式对原始侧面图像进行灰度处理,本申请对此不作限制。
可选择的,图像获取模块根据灰度处理后的原始侧面图像得到侧面图像可例如包括:对灰度处理后的原始侧面图像进行二值化处理,得到晶圆的侧面图像。例如,图像获取模块对图6所示的灰度处理后的原始侧面图像进行二值化处理后,得到侧面图像,侧面图像如图7所示,其缺口所在区域为区域G。
作为一个示例,图像获取模块进行二值化处理的过程可例如包括:获取预定的阀值(例如,0~255的中位数127),针对灰度处理后的原始侧面图像中的各个像素,响应于像素的灰度值小于等于阈值,将该像素的灰度值更改为0(即黑色);响应于像素的灰度值大于阈值,将该像素的灰度值更改为255(即白色)。
作为另一示例,图像获取模块进行二值化处理的过程可例如包括:确定像素阵列中各个像素的灰度平均值;针对灰度处理后的原始侧面图像中的各个像素,响应于像素的灰度值小于等于灰度平均值,将该像素的灰度值更改为0(即黑色);响应于像素的灰度值大于灰度平均值,将该像素的灰度值更改为255(即白色)。
应当理解的是,在未背离本申请教导的情况下,图像获取模块可选择其他方式对灰度处理后的图像进行二值化处理,本申请对此不作限制。
在本申请的一些实施方式中,统计模块2200被配置为:分别计算侧面图像的像素阵列的每一个行和/或列的像素的图像特征值的总和或均值,得到像素阵列的每一个行和/或列的图像特征值。
可选择的,检测模块被配置为:响应于统计结果指示行和/或列的图像特征值中存在异常值,确定晶圆的轮廓存在异常。
可选择的,检测模块2300还可被配置为:在检测到异常值后,结合异常值的分布情况确定晶圆的轮廓是否存在异常。示例地,对于裁切后的原始侧面图像,由于用于定位的缺口的图像区域已被预先裁切掉,检测模块2300若检测到异常值,确定晶圆的轮廓存在异常。对于未进行裁切的原始侧面图像,由于侧面图像中包含用于定位的缺口的图像区域,检测模块2300可在检测到异常值,确定异常值分布区域。例如,检测模块2300响应于异常值分布区域的个数小于等于N,确定晶圆的轮廓正常;响应于异常值分布区域的个数大于N,确定晶圆的轮廓异常。其中,N的取值可根据原始侧面图像的拍摄方式设定,例如,若原始侧面图像的起始拍摄区域的图像和结束拍摄区域的图像中相同部分被剔除,N等于1,若原始侧面图像的起始拍摄区域的图像和结束拍摄区域的图像中相同部分未被剔除,根据起始拍摄的位置确定N的取值,例如,若从用于定位的缺口开始拍摄原始侧面图像,N=2,若从用于定位的缺口以外的位置拍摄原始侧面图像,N=1。
作为一个示例,统计模块2200获取侧面图像的像素阵列中各个像素的图像特征值(例如,像素经过二值化处理后的灰度值),针对像素阵列中的每一行像素,计算该行像素的图像特征值的总和或均值,作为该行的图像特征值。若晶圆存在缺陷,像素阵列中与缺陷对应的像素的图像特征值与该像素周围的像素的图像特征值不同,通过对各行像素的特征值进行统计,若某一行的图像特征值与其周围行的图像特征值不同,可根据该行的图像特征值与其周围行的图像特征值差异大小,判断该行的像素中是否包括缺陷对应的像素。示例地,在统计完各行的图像特征值后,检测模块2300若确定出第i行和第i+1行的图像特征差距极大,例如,大于第一阈值,可判定出第i行和第i+1行为晶圆的分界处,而非缺陷;若确定出第i行和第i+1行的图像特征差距小于第一阈值,可判定晶圆的轮廓可能存在异常。
应该理解的是,在未背离本申请教导的情况下,第一阈值可根据图像获取模块由原始侧面图像得到侧面图像的过程中,对原始侧面图像的处理方式,以及侧面图像的像素阵列的列数等确定。例如,若图像获取模块对原始侧面图像进行灰度处理和二值化处理后得到侧面图像,像素阵列的列数为a,则第一阈值可例如等于255*a*T,T可例如为(70%,100%)之间的任意数值,例如,75%、80%、85%、90%和95%等。本申请对第一阈值不作限制。
作为另一示例,统计模块2200获取侧面图像的像素阵列中各个像素的图像特征值(例如,像素经过二值化处理后的灰度值),针对像素阵列中的每一列像素,计算该列像素的图像特征值的总和或均值,作为该列的图像特征值。以缺口缺陷为例,若晶圆不存在缺口,侧面图像的像素阵列中各列的图像特征值基本相同。若晶圆存在缺口,通常情况下,晶圆的缺口从晶圆的边缘向晶圆内部延伸,使得晶圆的侧面图像中多行像素点中的个别像素的该行其他像素点的图像特征值差距较大。通过对像素阵列的每一列像素的图像特征值进行统计得到列的图像特征值,并将各列的图像特征值进行比较以确定缺口所在区域,可以减少由于噪声等导致同一行中不同列的像素的图像特征值不同而误识别缺口所在区域的情况。示例地,检测模块2300对侧面图像的像素阵列的每一列的像素的图像特征值进行求和,得到的各列的图像特征值的变化趋势如图8所示,图8中,横坐标为像素阵列的列数(j),纵坐标为列的图像特征值(F)。由图8可知,在j=K处存在异常值,检测模块2300可判定该侧面图像对应的晶圆存在缺口,晶圆轮廓异常。
应当理解的是,在未背离本申请教导的情况下,可为检测模块2300配置不同的用于判断是否存在异常值的方法,例如,通过异常值检测算法检测各列的图像特征值中是否存在异常值,本申请对此不作限制。
可选择的,在基于像素阵列的各列的图像特征值进行晶圆的轮廓异常检测的过程中,检测模块2300还被配置为:在确定出晶圆的轮廓异常后,根据异常值对应的列确定晶圆的轮廓异常的位置。如上,由于侧面图像的像素阵列中各列的图像特征值基本相同,检测模块2300可根据检测出的异常值对应的列坐定晶圆的轮廓异常的位置。
可选择的。检测模块2300在确定异常值对应的列后,根据所述异常值对应的列中的所述图像特征值异常的像素,确定轮廓异常区域的纵向长度;根据确定出的纵向长度确定所述晶圆的缺陷深度;以及响应于所述缺陷深度处于预设的异常深度范围,确定所述晶圆存在缺口缺陷。
示例地,检测模块2300若确定侧面图像的第j1列至第j2列的图像特征值异常,确定侧面图像的第j1列至第j2列的像素中图像特征值异常的像素,并据此确定出路况异常区域的纵向长度(即y方向的长度)。示例地,若图像特征值异常的像素在侧面图像中连续分布,则纵向长度等于从侧面图像的上方至侧面图像的下方的第一个图像特征值异常的像素和最后一个图像特征值异常的像素的行数差值。例如,若图像特征值异常的像素为第i1行至第i2行的像素的图像特征值异常,则可确定纵向长度为i2-i1。若图像特征值异常的像素在侧面图像中分段分布,对多个分段进行整合,整合完毕后,根据预设的查找规则,确定整合后的各个分段中与缺陷对应的分段,将缺陷对应的分段的像素个数作为纵向长度。其中,整合方式可例如是:针对每个分段,若相邻分段之间的像素个数小于预设的像素个数阈值(ipre),则将相邻的分段整合为一个分段。预设的查找规则根据侧面图像的拍摄设备的参数确定,例如,查找规则指示:将图像的第imax行和第imin行之间的分段作为缺陷对应的分段。其中,imax和imin根据拍摄设备的参数决定。例如,若第j1列的图像特征值异常的像素为第i1行的像素至第i2行的像素、以及第i3行的像素至第i4行的像素的图像特征值异常,响应于i3-i2<ipre,确定纵向长度为i4-i1,响应于i3-i2≥ipre,i2和i1处于[imin,imax]之间,纵向长度等于i2-i1。检测模块2300在确定出纵向长度后,将纵向长度和侧面图像中每个像素代表的实际长度的积,作为晶圆在该列的缺陷深度。检测模块2300获取晶圆在各列的缺陷深度中的最大值,判断获取的最大值是否处于异常深度范围,若确定是,确定晶圆存在缺口缺陷,若确定不是,可确定晶圆存在其它缺陷。其中,其它缺陷的区分方式可根据其他缺陷的形态特征划定,此处不一一列举。
应当理解的是,在未背离本申请教导的情况下,异常深度范围可根据晶圆结构特征和工艺要求等确定,例如,异常深度范围可例如为(0,0.1mm),本申请对此不作限制。
作为又一示例,检测模块2300获取侧面图像的像素阵列中各个像素的图像特征值(例如,像素经过二值化处理后的灰度值),并针对像素阵列中的每一行像素,计算该行像素的图像特征值的总和或均值,作为该行的图像特征值;以及,针对像素阵列中的每一列像素,计算该列像素的图像特征值的总和或均值,作为该列的图像特征值。检测模块2300可结合侧面图像的像素阵列的行的像素特征以及列的像素特征,综合判断晶圆的轮廓是否异常。示例地,检测模块2300若基于侧面图像的像素阵列的行的像素特征确定出晶圆存在缺陷,或,基于侧面图像的像素阵列的列的像素特征确定出晶圆存在缺陷,确定晶圆轮廓存在异常。通过多个特征对晶圆轮廓异常进行检测,可减少轮廓存在异常的晶圆被误判为轮廓正常的晶圆的情况,降低漏判概率。
作为一种选择,检测模块2300还被配置为:在根据统计结果确定晶圆的轮廓是否异常之前,对行和/或列的图像特征值进行平滑处理。示例地,晶圆的侧面图像中可能存在噪声点,为减少噪声点对统计的行和/或列的图像特征值的影响,可对统计的行和/或列的图像特征值进行平滑处理。
应当理解的是,在未背离本申请教导的情况下,可根据需要选择行和/或列的图像特征值的平滑处理算法,本申请对此不作限制。
应当理解的是,在未背离本申请教导的情况下,统计模块2200也可基于其他规则对像素的图像特征值进行统计,并基于统计规则调整检测模块2300判断晶圆的轮廓是否异常的方式,例如,统计模块2200对侧面图像的部分区域的像素阵列的行和/或列进行统计,检测模块2300根据统计结果判断轮廓是否异常,本申请对此不作限制。
在本申请的一些实施方式中,检测装置2000还可包括告警模块(未示出),用于在确定出晶圆的轮廓异常后,或者,在确定出晶圆存在缺口缺陷后,向检测者反馈告警信息。示例地,告警模块可通过发送告警信息、开启警示铃声、生成检测结果并发送邮件至检测者等方式,向检测者反馈告警信息,本申请对此不作限制。
不难发现,本实施方式为与上述方法实施方式相对应的装置实施方式,本实施方式可与上述方法实施方式互相配合实施。上述方法实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在上述方法实施方式中。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本申请的实施方式还提供了一种检测装置和一种可读存储介质。
图10是根据本申请的一个实施方式的检测装置3000的框图。该装置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。该装置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10所示,该检测装置3000包括:一个或多个处理器3100、存储器3200,以及用于连接各部件的接口(未示出),包括高速接口和低速接口。存储器3200可用于存储计算机指令。处理器3100可用于与存储器通信以执行计算机指令,从而实现如上述实施方式提及的缺陷检测方法。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3100可以对在检测装置3000内执行的指令进行处理,包括存储在存储器3200中或者存储器3200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3100和/或多条总线与多个存储器3200和多个存储器3200一起使用。同样,可以连接多个检测装置3000,各个装置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10中以一个处理器3100为例。
存储器3200即为本申请所提供的可读存储介质,例如,非瞬时计算机可读存储介质。其中,存储器3200存储有可由至少一个处理器3100执行的指令,以使至少一个处理器3100执行本申请所提供的缺陷检测方法。本申请的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上述实施方式所提供的用于晶圆的缺陷检测方法。
存储器3200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3100通过运行存储在存储器3200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方式中的用于晶圆的缺陷检测方法。
存储器3200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检测装置的使用所创建的数据等。此外,存储器3200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3200可包括相对于处理器3100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检测装置3000。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。
检测装置3000还可以包括:输入装置3300和输出装置3400。处理器3100、存储器3200、输入装置3300和输出装置3400可以通过总线或者其他方式连接,图10中以通过总线连接为例。
输入装置3300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检测装置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3400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、广域网和互联网。
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。
根据本申请的实施方式,由于晶圆的侧面图像中,晶圆的轮廓异常区域的像素的图像特征值不同于正常处的像素的图像特征值,检测装置可通过对晶圆的侧面图像的像素的图像特征值进行统计,分析晶圆的轮廓是否存在异常,即可实现自动晶圆的轮廓异常的检测,相对于人工检测,提高了检测效率和准确率。
以上描述仅为本申请的实施方式以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的保护范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离技术构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (18)
1.一种用于晶圆的检测方法,其特征在于,包括:
确定所述晶圆的侧面图像的像素的图像特征值;
对所述侧面图像的像素的图像特征值进行统计;以及
根据统计结果确定所述晶圆的轮廓是否异常。
2.根据权利要求1所述的方法,其中,所述对所述侧面图像的图像特征值进行统计包括:
分别计算所述侧面图像的像素阵列的每一个行和/或列的像素的图像特征值的总和或均值,得到所述像素阵列的每一个行和/或列的图像特征值。
3.根据权利要求2所述的方法,其中,所述根据统计结果确定所述晶圆的轮廓是否异常包括:
响应于所述统计结果指示所述行和/或列的图像特征值中存在异常值,确定所述晶圆的轮廓存在异常。
4.根据权利要求3所述的方法,其中,在响应于所述统计结果指示所述列的图像特征值中存在异常值,确定所述晶圆的轮廓存在异常后,所述方法还包括:
根据所述异常值对应的列确定所述晶圆的轮廓异常的位置。
5.根据权利要求4所述的方法,其中,所述方法还包括:
根据所述异常值对应的列中的所述图像特征值异常的像素,确定轮廓异常区域的纵向长度;
根据确定出的纵向长度确定所述晶圆的缺陷深度;以及
响应于所述缺陷深度处于预设的异常深度范围,确定所述晶圆存在缺口缺陷。
6.根据权利要求2所述的方法,其中,在所述根据统计结果确定所述晶圆的轮廓是否异常之前,所述方法还包括:
对所述行和/或列的图像特征值进行平滑处理。
7.根据权利要求1至6中任一项所述的方法,其中,在所述确定所述晶圆的侧面图像的像素的图像特征值之前,所述方法还包括:
获取所述晶圆的原始侧面图像;
对所述原始侧面图像进行灰度处理;以及
根据灰度处理后的原始侧面图像得到所述侧面图像。
8.根据权利要求7所述的方法,其中,所述根据所述灰度处理后的原始侧面图像得到所述侧面图像包括:
对所述灰度处理后的原始侧面图像进行二值化处理,得到所述侧面图像。
9.根据权利要求7所述的方法,其中,所述晶圆上设置有用于定位的缺口,所述方法还包括:
通过对所述原始侧面图像进行裁切,去除所述原始侧面图像中与所述用于定位的缺口对应的图像区域。
10.根据权利要求1至5中任一项所述的方法,其中,所述图像特征值包括颜色值或亮度值。
11.一种用于晶圆的检测装置,其特征在于,包括:
确定模块,用于确定所述晶圆的侧面图像的像素的图像特征值;
统计模块,用于对所述侧面图像的像素的图像特征值进行统计;以及
检测模块,用于根据统计结果确定所述晶圆的轮廓是否异常。
12.根据权利要求11所述的装置,其中,所述统计模块被配置为:
分别计算所述侧面图像的像素阵列的每一个行和/或列的像素的图像特征值的总和或均值,得到所述像素阵列的每一个行和/或列的图像特征值。
13.根据权利要求12所述的装置,其中,所述检测模块被配置为:
响应于所述统计结果指示所述行和/或列的图像特征值中存在异常值,确定所述晶圆的轮廓存在异常。
14.根据权利要求13所述的装置,其中,所述检测模块还被配置为:
在响应于所述统计结果指示所述列的图像特征值中存在异常值,确定所述晶圆的轮廓存在异常后,根据所述异常值对应的列确定所述晶圆的轮廓异常的位置。
15.根据权利要求14所述的装置,其中,所述检测模块还被配置为:
根据所述异常值对应的列中的所述图像特征值异常的像素,确定轮廓异常区域的纵向长度;
根据确定出的纵向长度确定所述晶圆的缺陷深度;以及
响应于所述缺陷深度处于预设的异常深度范围,确定所述晶圆存在缺口缺陷。
16.根据权利要求15所述的装置,其中,所述检测装置还包括:
告警模块,用于响应于所述晶圆的轮廓存在异常,或者,所述晶圆存在缺口缺陷,反馈告警信息。
17.一种检测装置,其特征在于,包括:
存储器,用于存储计算机指令;以及
处理器,用于与所述存储器通信以执行所述计算机指令,从而实现如权利要求1至10中任一项所述的检测方法。
18.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机指令,所述计算机指令被处理器执行时实现如权利要求1至10中任一项所述的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210562259.XA CN114897853A (zh) | 2022-05-23 | 2022-05-23 | 用于晶圆的检测方法、检测装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210562259.XA CN114897853A (zh) | 2022-05-23 | 2022-05-23 | 用于晶圆的检测方法、检测装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897853A true CN114897853A (zh) | 2022-08-12 |
Family
ID=82722998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210562259.XA Pending CN114897853A (zh) | 2022-05-23 | 2022-05-23 | 用于晶圆的检测方法、检测装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897853A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090113489A (ko) * | 2008-04-28 | 2009-11-02 | 선문대학교 산학협력단 | 유리 기판의 결함 검사 방법 |
US20090287440A1 (en) * | 2008-05-14 | 2009-11-19 | Ashok Kulkarni | Systems and methods for detecting defects on a wafer and generating inspection results for the wafer |
JP2011237303A (ja) * | 2010-05-11 | 2011-11-24 | Sumco Corp | ウェーハ欠陥検査装置及びウェーハ欠陥検査方法 |
KR101550455B1 (ko) * | 2015-01-28 | 2015-09-07 | 주식회사 에보시스 | 반도체용 스마트 카메라 모듈을 통한 실시간 스마트 반도체 표면 결함 분석 장치 및 방법 |
CN109087286A (zh) * | 2018-07-17 | 2018-12-25 | 江西财经大学 | 一种基于计算机图像处理和模式识别的检测方法及应用 |
CN112086373A (zh) * | 2019-06-13 | 2020-12-15 | 芯恩(青岛)集成电路有限公司 | 晶圆缺陷检测方法 |
-
2022
- 2022-05-23 CN CN202210562259.XA patent/CN114897853A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090113489A (ko) * | 2008-04-28 | 2009-11-02 | 선문대학교 산학협력단 | 유리 기판의 결함 검사 방법 |
US20090287440A1 (en) * | 2008-05-14 | 2009-11-19 | Ashok Kulkarni | Systems and methods for detecting defects on a wafer and generating inspection results for the wafer |
JP2011237303A (ja) * | 2010-05-11 | 2011-11-24 | Sumco Corp | ウェーハ欠陥検査装置及びウェーハ欠陥検査方法 |
KR101550455B1 (ko) * | 2015-01-28 | 2015-09-07 | 주식회사 에보시스 | 반도체용 스마트 카메라 모듈을 통한 실시간 스마트 반도체 표면 결함 분석 장치 및 방법 |
CN109087286A (zh) * | 2018-07-17 | 2018-12-25 | 江西财经大学 | 一种基于计算机图像处理和模式识别的检测方法及应用 |
CN112086373A (zh) * | 2019-06-13 | 2020-12-15 | 芯恩(青岛)集成电路有限公司 | 晶圆缺陷检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及*** |
CN116452598B (zh) * | 2023-06-20 | 2023-08-29 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10127652B2 (en) | Defect detection and classification based on attributes determined from a standard reference image | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
US20130202188A1 (en) | Defect inspection method, defect inspection apparatus, program product and output unit | |
US9230318B2 (en) | Analysis of the digital image of the external surface of a tyre and processing of false measurement points | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
KR102352701B1 (ko) | 투명 또는 반투명 웨이퍼 상에서의 결함 검출 | |
CN113554582B (zh) | 电子设备盖板上功能孔的缺陷检测方法、装置以及*** | |
TW201546926A (zh) | 由參考影像改變之檢測方式設定 | |
CN113241310B (zh) | 晶圆缺陷的检测方法、检测装置、检测设备及可读存储介质 | |
TWI711006B (zh) | 用於使用局部調適閾值識別製造組件缺陷之系統、方法及電腦程式產品 | |
US10074551B2 (en) | Position detection apparatus, position detection method, information processing program, and storage medium | |
US20230011569A1 (en) | Method and apparatus for detecting defect, device, and storage medium | |
US20230238290A1 (en) | Defect observation method, apparatus, and program | |
CN114897853A (zh) | 用于晶圆的检测方法、检测装置及存储介质 | |
CN110390682B (zh) | 一种模板自适应的图像分割方法、***和可读存储介质 | |
CN112184837A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN115661143A (zh) | 用于MiniLED晶圆缺陷的快速检测*** | |
CN112819842B (zh) | 适用于工件质检的工件轮廓曲线拟合方法、装置及介质 | |
CN116228861A (zh) | 探针台标记物定位方法、装置、电子设备及存储介质 | |
CN116958058A (zh) | 镜头脏污检测方法、装置及图像检测设备 | |
CN114897799A (zh) | 用于晶圆的缺陷检测方法、装置、检测设备及存储介质 | |
JP6114559B2 (ja) | フラットパネルディスプレイの自動ムラ検出装置 | |
JP5520908B2 (ja) | 画像処理方法及び画像処理装置 | |
CN116506595A (zh) | 一种摄像头外观检测方法 | |
CN117152447B (zh) | 一种冲切模具智能管理方法及*** |
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 |