CN115100168A - 一种晶圆背封膜下亚表面缺陷检测***及其方法 - Google Patents
一种晶圆背封膜下亚表面缺陷检测***及其方法 Download PDFInfo
- Publication number
- CN115100168A CN115100168A CN202210794689.4A CN202210794689A CN115100168A CN 115100168 A CN115100168 A CN 115100168A CN 202210794689 A CN202210794689 A CN 202210794689A CN 115100168 A CN115100168 A CN 115100168A
- Authority
- CN
- China
- Prior art keywords
- image
- wafer
- defect
- detection
- detected
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000007789 sealing Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 238000007599 discharging Methods 0.000 claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims abstract description 6
- 238000005286 illumination Methods 0.000 claims description 26
- 230000007246 mechanism Effects 0.000 claims description 20
- 238000003384 imaging method Methods 0.000 claims description 19
- 230000003287 optical effect Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 17
- 239000010408 film Substances 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 239000013039 cover film Substances 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 235000012431 wafers Nutrition 0.000 description 78
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012876 topography 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/10—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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30—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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种晶圆背封膜下亚表面缺陷检测***及其方法，所述检测***包括：检测黑箱，用于放置检测平台与检测终端，并屏蔽外界环境噪声与杂散光对检测结果的影响；检测平台，用于将待检测晶圆移动至预定检测位置，进行晶圆背封膜下亚表面缺陷检测；检测终端，用于控制待检测晶圆的上下料运动，并以可视化形式反馈晶圆背封膜下亚表面缺陷检测结果；本发明具有检测速度快、缺陷识别率高的优点。
Description
技术领域：
本发明涉及晶圆检测技术领域，特别是一种晶圆背封膜下亚表面缺陷检测***及其方法。
背景技术：
晶圆缺陷检测在半导体设计、生产、封装、测试等流程中至关重要，是保证产品良率的关键。晶圆缺陷依据其生产工艺特点可分为背封膜上表面缺陷与背封膜下亚表面缺陷。现有的表面缺陷检测技术分为接触式和非接触式，其中非接触式又分为成像式和非成像式。接触式表面检测将物体表面的形貌信息通过探针和传感器传递给计算机来处理，但该方法极易损伤被测样品的表面，对于精密的晶圆检测来说并不适用。目前的半导体工业中常用的成像检测方法主要是自动光学检测(AOI)和扫描电子显微镜检测(SEM)两种方法。AOI检测***通过设计照明***对被测目标进行照明，利用成像***对被测样品成像，同时将搜集的被测物体光学信息利用传感器传导，并转化为数字信号最终交由计算机***进行后续处理。AOI表面检测技术具有检测速度快、灵活度高、成本低、视场大等优点。但这种方案仍然不能解决晶圆背封膜下亚表面缺陷检测问题。
发明内容：
本发明克服了以上缺点，提出了一种晶圆背封膜下亚表面缺陷检测***，该方案对于成像情况复杂、干扰因素较多的晶圆背封膜下亚表面缺陷检测具有重要的意义，可以满足相关应用要求。本发明设计一种晶圆背封膜下亚表面缺陷检测***，解决背景技术提出的问题，弥补相关技术的空缺。
为了解决技术问题，本发明采用技术方案为：
一种晶圆背封膜下亚表面缺陷检测***，所述检测***包括：
检测黑箱，用于放置检测平台与检测终端，并屏蔽外界环境噪声与杂散光对检测结果的影响；检测平台，用于将待检测晶圆移动至预定检测位置，进行晶圆背封膜下亚表面缺陷检测；检测终端，用于控制待检测晶圆的上下料运动，并以可视化形式反馈晶圆背封膜下亚表面缺陷检测结果；其中：
所述检测黑箱包括移动滚轮、机械臂支架、操作门；所述移动滚轮用于检测黑箱的便携式移动，所述机械臂支架用于固定显示器并可进行多自由度的平移与旋转，所述操作门可自由开闭并进行内部检测设备的维护与更换；
所述检测平台包括视觉成像机构、上下料机构、光学平台；
所述检测终端包括工控计算机、显示器、步进电机控制器、操作输入设备；其中：
所述视觉成像机构用于获取待检测晶圆图像，通过机器视觉技术增强背封膜下亚表面缺陷与背景间的对比度；所述上下料机构用于将待检测晶圆移动至预定检测位置，并在检测完毕后将晶圆移动至预定上料位置；所述光学平台用于承载视觉成像机构与上下料机构，所述视觉成像机构包括工业相机、光学镜头、高聚焦平行光源、角位移台；所述上下料机构包括步进电机、晶圆承载平台、直线模组；
所述工控计算机用于接收视觉成像机构输入的晶圆图像，经预先设计的检测单元运算输出检测结果；所述显示器用于可视化进行软件操作与维护并反馈缺陷检测结果；所述步进电机控制器依据软件预先设定参数控制步进电机转速及上下料机构位移距离；所述操作输入设备用于识别用户操作并将操作输入至工控计算机进行运算；所述检测单元包括预处理图像模块、晶圆缺陷向量提取模块和晶圆缺陷特征识别模块。
为了解决现有技术问题，本发明还可以采用如下技术方案：
采用一种晶圆背封膜下亚表面缺陷检测***进行晶圆背封膜下亚表面缺陷的检测方法，包括如下步骤：
获取待检测晶圆的待检测图像；
所述预处理图像模块对所述待检测图像进行预处理，得到预处理图像；
所述晶圆缺陷向量提取模块对所述预处理图像进行缺陷特征提取，得到缺陷特征向量；
所述晶圆缺陷特征识别模块对所述缺陷特征向量进行缺陷分类器阈值判别，得到待检测晶圆缺陷识别结果；其中：
所述晶圆缺陷向量提取模块对预处理图像进行缺陷特征提取包括如下步骤：
对所述预处理图像基于迭代阈值法进行目标区域与晶圆背景分割，计算出最大灰度值Zmax和最小灰度值Zmin并生成初始阈值
依据阈值Mk计算出目标及背景平均灰度M1和M2，循环计算
直至Mk与Mk+1之差小于参数阈值或达到预设迭代次数，依据最佳分割阈值Mk+1分割得到缺陷目标区域；
对所述缺陷目标区域进行基于腐蚀与膨胀的形态学滤波，设置相应的结构元从缺陷目标区域提取得到n个连通分量，基于连通分量轮廓坐标信息将n个连通分量还原至彩色原图，得到缺陷待识别区域；
对所述缺陷待识别区域，提取位置、面积、圆度、二阶不变矩M1＝η20+η02、二阶不变矩
三阶不变矩M3＝(η30-3η12)2+(3η21-η03)2、色度区域生长、颜色矩特征信息，得到缺陷的8维特征向量。
进一步，所述预处理图像模块对待检测图像进行预处理，包括如下步骤：
对所述待检测图像进行光照补偿，得到光照补偿图像；
对所述光照补偿图像进行图像分割与区域划分，得到目标检测区域；
对所述目标检测区域进行平滑滤波与图像增强，得到预处理图像。
进一步，所述预处理图像模块对所述待检测图像进行光照补偿获得光照补偿图像过程：所述预处理图像模块对输入图像进行全局灰度极大值检测，得到n个局部灰度极大值，依据光源中心自适应判别算法确定光源中心在输入图像中的对应坐标，同时记录图像角点及边缘的灰度值，综合光源中心坐标、角点灰度值、边缘灰度值生成自适应光照补偿模板，将输入图像与光照补偿模板进行卷积并输出卷积后图像，实现光照补偿功能。
进一步，所述预处理图像模块对所述光照补偿图像进行图像分割与区域划分得到目标检测区域过程：
对获取图像进行图像分割：依据前景物体与背景的灰度分布均服从正态分布计算输入图像的灰度直方图，寻找正态群体的分割界限，从而自适应生成图像分割阈值，实现晶圆与冗余背景的自动分割，同时，基于最小二乘原理对晶圆边缘进行提取与拟合，输出晶圆区域的边界信息，实现图像分割功能；
对获取图像进行区域划分，依据晶圆形状与尺寸预定义晶圆模板，针对输入图像计算角点坐标，依据角点坐标计算输出变换矩阵及拟矩阵，基于仿射变换将划分后的区域映射在晶圆图像上，输出晶圆内各区域的边界信息，实现区域划分功能。
进一步，所述预处理图像模块对所述目标检测区域进行平滑滤波与图像增强获得预处理图像过程：
对输入图像进行Sobel梯度处理，利用平滑滤波器进行进一步的平滑滤波，将拉普拉斯图像与平滑后的梯度图像相乘实现模板掩蔽，利用掩蔽模板与输入图像求和得到锐化图像；为拓展图像的灰度动态范围利用幂律变换对锐化图像进行灰度变换，输出增强后的晶圆图像，实现图像增强功能。
有益效果：
本发明提供了一种晶圆背封膜下亚表面缺陷检测***及其检测方法，具有检测速度快、缺陷识别率高的优点。该装置的提出，能够解决现有的晶圆背封膜下亚表面缺陷检测困难的问题。
附图说明：
图1基于机器视觉的晶圆背封膜下亚表面缺陷检测***装置示意图；
图2检测黑箱内装置正视图；
图3光学平台表面装置俯视图；
图4检测方法流程图；
图5光照补偿算法流程图；
图6图像分割算法流程图；
图7区域划分算法流程图；
图8图像增强算法流程图；
图9特征提取算法流程图；
图10基于支持向量机的分类器设计流程图。
具体实施方式
本发明中提出了一种基于机器视觉的晶圆背封膜下亚表面缺陷检测***及其检测方法，以下结合图1～图10对本发明专利的实施过程做进一步详细说明。
图1为本发明的装置示意图。装置的搭建详见下文描述。
本发明所涉及的装置主要包括检测黑箱1、上下料出口2、直线模组3、晶圆承载平台4、移动滚轮5、显示器6、操作门7、机械臂支架8、工业相机9、光学镜头10、高聚焦平行光源11、角位移台12、光学平台13、工控计算机14、步进电机控制器15、步进电机16等。
检测黑箱1的正面设置有上下料出口2，上下料出口2内有直线模组3伸出，直线模组3表面固定连接有晶圆承载平台4，检测黑箱1底部固定连接有移动滚轮5，检测黑箱1正面固定连接有机械臂支架8，机械臂支架8自由端固定连接有显示器6，检测黑箱1侧面设置有操作门7，检测黑箱1内固定连接有工业相机9，工业相机9下方固定连接有光学镜头10，检测黑箱1内设置有光学平台13，光学平台13表面固定连接有直线模组3，直线模组3自由端固定连接有步进电机16，光学平台13表面固定连接有4台对称的角位移台12，每台角位移台12表面固定连接有高聚焦平行光源11，检测黑箱1内固定连接有工控计算机14，检测黑箱1内固定连接有步进电机控制器15。
本发明中装置功能具体的实现过程详见下文论述。
首先完成本发明装置的搭建。打开检测黑箱1侧面操作门7对内部装置进行调试，如图2所示，晶圆承载平台4置于预定检测位置，调整工业相机9及其固定连接的光学镜头10位置直至晶圆承载平台4出现在视觉成像***视场中央，调整光学镜头10对焦环及变焦环直至晶圆承载平台4位于视觉成像***焦平面处且占视场面积3/4以上，设置4台角位移台12角度直至其表面固定连接的高聚焦平行光源11对晶圆承载平台4实现均匀照明，调整工业相机9感光度及光学镜头10光圈直至视场内待检测目标成像清晰并与背景呈较高对比度，完成装置调试过程。
将待检测晶圆放置在晶圆承载平台4表面凹槽内，如图3所示，工控计算机14接收到上料指令后发送给步进电机控制器15，步进电机控制器15控制步进电机16执行命令上料，步进电机16带动直线模组3进行单轴运动，使直线模组3表面固定连接的晶圆承载平台4从初始上料位置经过上下料出口2移动至预定检测位置，实现上料功能。
待检测晶圆移动至预定检测位置，工控计算机14发送图像采集命令给工业相机9，视觉成像***完成图像采集后将获取的图像发送至工控计算机14，如图4所示，工控计算机14对获取图像进行光照补偿、图像分割与区域划分、平滑滤波与图像增强完成图像预处理功能，对预处理图像进行缺陷特征提取得到缺陷特征向量，再对缺陷特征向量进行缺陷分类器阈值判别得到待检测晶圆缺陷识别结果，由显示器6对待检测晶圆缺陷识别结果进行可视化显示，实现缺陷检测功能。
得到待检测晶圆缺陷识别结果后，工控计算机14接收到下料指令后发送给步进电机控制器15，晶圆承载平台4退回到初始上料位置，操作人员更换待检测晶圆，实现下料功能。
上述工控计算机14对获取图像进行光照补偿，包括：如图5所示，对输入图像进行全局灰度极大值检测，得到n个局部灰度极大值，依据光源中心自适应判别算法确定光源中心在输入图像中的对应坐标，同时记录图像角点及边缘的灰度值，综合光源中心坐标、角点灰度值、边缘灰度值生成自适应光照补偿模板，将输入图像与光照补偿模板进行卷积并输出卷积后图像，实现光照补偿功能。
上述工控计算机14对获取图像进行图像分割，包括：如图6所示，依据前景物体与背景的灰度分布均服从正态分布这一原则，计算输入图像的灰度直方图，寻找正态群体的分割界限，从而自适应生成图像分割阈值，实现晶圆与冗余背景的自动分割，为提高分割效果，基于最小二乘原理对晶圆边缘进行提取与拟合，输出晶圆区域的边界信息，实现图像分割功能。
上述工控计算机14对获取图像进行区域划分，包括：如图7所示，依据晶圆形状与尺寸预定义晶圆模板，针对输入图像计算角点坐标，依据角点坐标计算输出变换矩阵及拟矩阵，基于仿射变换将划分后的区域映射在晶圆图像上，输出晶圆内各区域的边界信息，实现区域划分功能。
上述工控计算机14对获取图像进行图像增强，包括：如图8所示，为去除拉普拉斯法引入的噪声增强，首先对输入图像进行Sobel梯度处理，利用平滑滤波器进行平滑滤波，将拉普拉斯图像与平滑后的梯度图像相乘实现模板掩蔽，利用掩蔽模板与输入图像求和得到锐化图像，为拓展图像的灰度动态范围利用幂律变换对锐化图像进行灰度变换，输出增强后的晶圆图像，实现图像增强功能。
上述工控计算机14对预处理图像进行缺陷特征提取得到缺陷特征向量，如图9所示，包括如下步骤：
目标区域与硅片背景分割：采用迭代阈值法，原理是将灰度直方图两个或多个正态分布的概率密度函数来近似，阈值选取为对应两个或多个正态分布最大值之间的最小概率处的灰度值，其结果为具有最小误差的分割。
计算出图像区域的最大灰度值Zmax和最小灰度值Zmin，将初始阈值定义为
根据阈值Mk把图像分割为目标和背景部分并分别计算出平均灰度M1和M2，依据
计算新的阈值，循环操作直到Mk与Mk+1之差小于事先定义的参数量或达到一定的迭代次数为止，得到最佳分割阈值Mk+1，依据最佳分割阈值完成目标区域与晶圆背景分割；
待识别区域提取：采用腐蚀与膨胀操作去除晶圆背景的残余分量，设置合适的结构元从目标区域中提取得到n个连通分量，记录连通分量内元素坐标，依据坐标将n个连通分量还原至彩色原图中的n个待识别区域；
特征提取：针对n个待识别区域，分别依据几何特征提取原理提取位置、面积、圆度信息，依据矩特征提取原理提取二阶不变矩M1、二阶不变矩M2、三阶不变矩M3，依据颜色特征提取原理提取色度区域生长、颜色矩信息，将n个待识别区域特征信息储存在n个8维向量中，最终实现对晶圆缺陷的特征提取。
上述工控计算机14对缺陷特征向量进行缺陷分类器阈值判别得到待检测晶圆缺陷识别结果，包括如下步骤：
分类器依据：分类器设计基于支持向量机原理，支持向量机属于线性分类器，其基本原理是构建一个分类超平面，将分类空间一分为二；支持向量机通过输入的训练样本数据，计算最优化分类超平面，使训练数据二者间距最大；对于非线性的输入，可以通过构造到维数空间的映射完成分类；
分类器设计：如图10所示，基于支持向量机技术针对n种硅片缺陷设计n个分类器，输入图像经特征提取后由支持向量机进行判定给出分类结果；选用高斯径向基函数
作为支持向量机核函数，高斯径向基函数的特征空间是无限维度的希尔伯特空间，可以在无限维空间中求解最大间隔的整数规划问题，同时有着良好的计算性能；SVM分类器参数为惩罚常数C和核函数固有参数σ，采用网格搜索方法对每个分类器分别进行参数的优化选择，首先进行粗糙网格划分，从网格中进行参数选择，对比这一步骤最优的参数组合与次优参数组合的分类效果，若小于已经设置的精度，则选取最优参数组合，停止参数优化，否则，对上述最优的网格进行进一步的细分；
运行及测试：选取一定数量具有典型缺陷特征的缺陷样品作为训练样本，将***设置为离线训练模式，各类别缺陷分别进行训练，***读入缺陷晶圆及缺陷区域，根据选择的缺陷种类分析并记录缺陷区域的特征值，当该种类的训练样本读取完毕后进行参数训练，对应缺陷分类器将缺陷特征值转化成分类器参数，用于在线的检测；在产线随机选取一定数量的晶圆进行测试，晶圆上料，***自动运行，读取晶圆信息，并给出最终的分类结果，与人工给出的结果进行比对，依据***准确性评价指标计算最终正确率，判别性能由软件统计得出，最终实现晶圆缺陷检测及分类功能。
综上所述，本发明提出的基于机器视觉的晶圆背封膜下亚表面缺陷检测***及其检测方法，能够解决现有的晶圆背封膜下亚表面缺陷检测困难的问题，具有检测速度快、缺陷识别率高的优点。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。
Claims (6)
1.一种晶圆背封膜下亚表面缺陷检测***，其特征在于，所述检测***包括：
检测黑箱，用于放置检测平台与检测终端，并屏蔽外界环境噪声与杂散光对检测结果的影响；检测平台，用于将待检测晶圆移动至预定检测位置，进行晶圆背封膜下亚表面缺陷检测；检测终端，用于控制待检测晶圆的上下料运动，并以可视化形式反馈晶圆背封膜下亚表面缺陷检测结果；其中：
所述检测黑箱包括移动滚轮、机械臂支架、操作门；所述移动滚轮用于检测黑箱的便携式移动，所述机械臂支架用于固定显示器并可进行多自由度的平移与旋转，所述操作门可自由开闭并进行内部检测设备的维护与更换；
所述检测平台包括视觉成像机构、上下料机构、光学平台；
所述检测终端包括工控计算机、显示器、步进电机控制器、操作输入设备；其中：
所述视觉成像机构用于获取待检测晶圆图像，通过机器视觉技术增强背封膜下亚表面缺陷与背景间的对比度；所述上下料机构用于将待检测晶圆移动至预定检测位置，并在检测完毕后将晶圆移动至预定上料位置；所述光学平台用于承载视觉成像机构与上下料机构，所述视觉成像机构包括工业相机、光学镜头、高聚焦平行光源、角位移台；所述上下料机构包括步进电机、晶圆承载平台、直线模组；
所述工控计算机用于接收视觉成像机构输入的晶圆图像，经预先设计的检测单元运算输出检测结果；所述显示器用于可视化进行软件操作与维护并反馈缺陷检测结果；所述步进电机控制器依据软件预先设定参数控制步进电机转速及上下料机构位移距离；所述操作输入设备用于识别用户操作并将操作输入至工控计算机进行运算；所述检测单元包括预处理图像模块、晶圆缺陷向量提取模块和晶圆缺陷特征识别模块。
2.采用如权利要求1所述的***进行晶圆背封膜下亚表面缺陷检测方法，其特征在于，包括如下步骤：
获取待检测晶圆的待检测图像；
所述预处理图像模块对所述待检测图像进行预处理，得到预处理图像；
所述晶圆缺陷向量提取模块对所述预处理图像进行缺陷特征提取，得到缺陷特征向量；
所述晶圆缺陷特征识别模块对所述缺陷特征向量进行缺陷分类器阈值判别，得到待检测晶圆缺陷识别结果；其中：
所述晶圆缺陷向量提取模块对预处理图像进行缺陷特征提取包括如下步骤：
对所述预处理图像基于迭代阈值法进行目标区域与晶圆背景分割，计算出最大灰度值Zmax和最小灰度值Zmin并生成初始阈值
依据阈值Mk计算出目标及背景平均灰度M1和M2，循环计算
直至Mk与Mk+1之差小于参数阈值或达到预设迭代次数，依据最佳分割阈值Mk+1分割得到缺陷目标区域；
对所述缺陷目标区域进行基于腐蚀与膨胀的形态学滤波，设置相应的结构元从缺陷目标区域提取得到n个连通分量，基于连通分量轮廓坐标信息将n个连通分量还原至彩色原图，得到缺陷待识别区域；
对所述缺陷待识别区域，提取位置、面积、圆度、二阶不变矩M1＝η20+η02、二阶不变矩
三阶不变矩M3＝(η30-3η12)2+(3η21-η03)2、色度区域生长、颜色矩特征信息，得到缺陷的8维特征向量。
3.如权利要求2所述的一种晶圆背封膜下亚表面缺陷检测方法，其特征在于，所述预处理图像模块对待检测图像进行预处理，包括如下步骤：
对所述待检测图像进行光照补偿，得到光照补偿图像；
对所述光照补偿图像进行图像分割与区域划分，得到目标检测区域；
对所述目标检测区域进行平滑滤波与图像增强，得到预处理图像。
4.如权利要求3所述的一种晶圆背封膜下亚表面缺陷检测方法，其特征在于，所述预处理图像模块对待检测图像进行光照补偿获得光照补偿图像过程：所述预处理图像模块对输入图像进行全局灰度极大值检测，得到n个局部灰度极大值，依据光源中心自适应判别算法确定光源中心在输入图像中的对应坐标，同时记录图像角点及边缘的灰度值，综合光源中心坐标、角点灰度值、边缘灰度值生成自适应光照补偿模板，将输入图像与光照补偿模板进行卷积并输出卷积后图像，实现光照补偿功能。
5.如权利要求3所述的一种晶圆背封膜下亚表面缺陷检测方法，其特征在于，所述预处理图像模块对所述光照补偿图像进行图像分割与区域划分获得到目标检测区域过程：
对获取图像进行图像分割：依据前景物体与背景的灰度分布均服从正态分布计算输入图像的灰度直方图，寻找正态群体的分割界限，从而自适应生成图像分割阈值，实现晶圆与冗余背景的自动分割，同时，基于最小二乘原理对晶圆边缘进行提取与拟合，输出晶圆区域的边界信息，实现图像分割功能；
对获取图像进行区域划分，依据晶圆形状与尺寸预定义晶圆模板，针对输入图像计算角点坐标，依据角点坐标计算输出变换矩阵及拟矩阵，基于仿射变换将划分后的区域映射在晶圆图像上，输出晶圆内各区域的边界信息，实现区域划分功能。
6.如权利要求3所述的一种晶圆背封膜下亚表面缺陷检测方法，其特征在于，所述预处理图像模块对所述目标检测区域进行平滑滤波与图像增强获得预处理图像过程：
对输入图像进行Sobel梯度处理，利用平滑滤波器进行进一步的平滑滤波，将拉普拉斯图像与平滑后的梯度图像相乘实现模板掩蔽，利用掩蔽模板与输入图像求和得到锐化图像；为拓展图像的灰度动态范围利用幂律变换对锐化图像进行灰度变换，输出增强后的晶圆图像，实现图像增强功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210794689.4A CN115100168A (zh) | 2022-07-07 | 2022-07-07 | 一种晶圆背封膜下亚表面缺陷检测***及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210794689.4A CN115100168A (zh) | 2022-07-07 | 2022-07-07 | 一种晶圆背封膜下亚表面缺陷检测***及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115100168A true CN115100168A (zh) | 2022-09-23 |
Family
ID=83296286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210794689.4A Pending CN115100168A (zh) | 2022-07-07 | 2022-07-07 | 一种晶圆背封膜下亚表面缺陷检测***及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100168A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115642103A (zh) * | 2022-12-22 | 2023-01-24 | 昂坤视觉(北京)科技有限公司 | 一种光学检测设备及*** |
| CN116045827A (zh) * | 2023-02-22 | 2023-05-02 | 无锡星微科技有限公司 | 一种用于大尺寸晶圆的厚度和弯曲度的检测***和方法 |
| CN117252876A (zh) * | 2023-11-17 | 2023-12-19 | 江西斯迈得半导体有限公司 | 一种led支架缺陷检测方法及*** |
| CN117576092A (zh) * | 2024-01-15 | 2024-02-20 | 成都瑞迪威科技有限公司 | 一种基于图像处理的晶圆元器件统计方法 |
-
2022
- 2022-07-07 CN CN202210794689.4A patent/CN115100168A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115642103A (zh) * | 2022-12-22 | 2023-01-24 | 昂坤视觉(北京)科技有限公司 | 一种光学检测设备及*** |
| CN116045827A (zh) * | 2023-02-22 | 2023-05-02 | 无锡星微科技有限公司 | 一种用于大尺寸晶圆的厚度和弯曲度的检测***和方法 |
| CN116045827B (zh) * | 2023-02-22 | 2023-11-10 | 无锡星微科技有限公司 | 一种用于大尺寸晶圆的厚度和弯曲度的检测***和方法 |
| CN117252876A (zh) * | 2023-11-17 | 2023-12-19 | 江西斯迈得半导体有限公司 | 一种led支架缺陷检测方法及*** |
| CN117252876B (zh) * | 2023-11-17 | 2024-02-09 | 江西斯迈得半导体有限公司 | 一种led支架缺陷检测方法及*** |
| CN117576092A (zh) * | 2024-01-15 | 2024-02-20 | 成都瑞迪威科技有限公司 | 一种基于图像处理的晶圆元器件统计方法 |
| CN117576092B (zh) * | 2024-01-15 | 2024-03-29 | 成都瑞迪威科技有限公司 | 一种基于图像处理的晶圆元器件统计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115100168A (zh) | 一种晶圆背封膜下亚表面缺陷检测***及其方法 | |
| Ren et al. | State of the art in defect detection based on machine vision | |
| CN108520274B (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
| CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
| CN110766684B (zh) | 一种基于机器视觉的定子表面缺陷检测***及检测方法 | |
| US20170357895A1 (en) | Method of deep learining-based examination of a semiconductor specimen and system thereof | |
| CN111292305A (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
| KR20210069736A (ko) | 블랭크 레티클 상의 결함의 유형 및 크기를 결정하기 위한 시스템 및 방법 | |
| US9846929B2 (en) | Fast density estimation method for defect inspection application | |
| CN110443791B (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
| KR20220014805A (ko) | 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성 | |
| CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
| CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及*** | |
| CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| Gu et al. | A detection and identification method based on machine vision for bearing surface defects | |
| Kamani et al. | Car body paint defect inspection using rotation invariant measure of the local variance and one-against-all support vector machine | |
| CN117351314A (zh) | 一种玻璃瓶缺陷识别方法及*** | |
| CN114120318B (zh) | 一种基于集成决策树的暗场图像目标点精确提取方法 | |
| Zhang et al. | Research on chips’ defect extraction based on image-matching | |
| US11961221B2 (en) | Defect examination on a semiconductor specimen | |
| Ding et al. | An effective on-line surface particles inspection instrument for large aperture optical element | |
| Wang et al. | An accurate method for the extraction of line structured light stripe. | |
| CN117934453B (zh) | 一种手机屏背光异物缺陷诊断方法及*** | |
| CN113947561B (zh) | 半导体样本的图像分割 |
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 |