CN115661021A - 缺陷检测方法、装置、设备及存储介质 - Google Patents
缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115661021A CN115661021A CN202110777266.7A CN202110777266A CN115661021A CN 115661021 A CN115661021 A CN 115661021A CN 202110777266 A CN202110777266 A CN 202110777266A CN 115661021 A CN115661021 A CN 115661021A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- image area
- determining
- defect
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种缺陷检测方法、装置、设备及存储介质,其中,所述方法包括:获取包括待检测晶圆的晶边的量测图像;从所述量测图像中确定待检测的图像区域;对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征;基于所述待检测的图像区域的像素分布特征,对所述晶边进行缺陷检测。本申请实施例中,可以降低人力成本,并能减少漏检或误检的情况,及时发现待检测晶圆的晶边存在的缺陷。此外,还可以有效提高缺陷检测的效率。
Description
技术领域
本申请涉及但不限于半导体领域,尤其涉及一种缺陷检测方法、装置、设备及存储介质。
背景技术
在半导体元器件的生产工艺中,晶圆边缘处(也即晶边)的缺陷对工艺过程以及产品良率的影响都非常大。相关技术中,通常以量测机台在工艺处理后(如光刻处理后、刻蚀处理后等)拍摄的晶边的影像作为量测图像,并基于拍摄的量测图像进行人工观察,以判断晶边是否存在缺陷。而通过人工观察的方式进行缺陷检测,存在人力成本较高的问题,且容易出现漏检或误检。此外,由于人工观察的方式中,缺陷判断的准确性需要到良率测试阶段才能得到反馈,通常需要滞后2周的时间,从而导致缺陷发现不及时。
发明内容
有鉴于此,本申请实施例提供一种缺陷检测方法、装置、设备及存储介质。
本申请实施例的技术方案是这样实现的:
一方面,本申请实施例提供一种缺陷检测方法,所述方法包括:
获取包括待检测晶圆的晶边的量测图像;
从所述量测图像中确定待检测的图像区域;
对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征;
基于所述待检测的图像区域的像素分布特征,对所述晶边进行缺陷检测。
另一方面,本申请实施例提供一种缺陷检测装置,所述装置包括:
第一获取模块,用于获取包括待检测晶圆的晶边的量测图像;
第一确定模块,用于从所述量测图像中确定待检测的图像区域;
提取模块,用于对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征;
检测模块,用于基于所述待检测的图像区域的像素分布特征,对所述晶边进行缺陷检测。
再一方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
又一方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。
本申请实施例中,首先,获取包括待检测晶圆的晶边的量测图像;其次,从所述量测图像中确定待检测的图像区域;然后,对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征;最后,基于所述待检测的图像区域的像素分布特征,对所述晶边进行缺陷检测。这样,可以降低人力成本,并能减少漏检或误检的情况,及时发现待检测晶圆的晶边存在的缺陷。此外,由于对晶边的缺陷检测是基于待检测的图像区域的像素分布特征进行的,而待检测的图像区域是从待检测晶圆的晶边的量测图像中确定的,因此,可以有效提高缺陷检测的效率。
附图说明
图1为本申请实施例提供的一种缺陷检测方法的实现流程示意图;
图2为本申请实施例提供的一种缺陷检测方法的实现流程示意图;
图3为本申请实施例提供的一种缺陷检测方法的实现流程示意图;
图4为本申请实施例提供的一种缺陷检测方法的实现流程示意图;
图5为本申请实施例提供的一种缺陷检测方法的实现流程示意图;
图6A为本申请实施例提供的一种量测图像中待检测的图像区域的示意图;
图6B为本申请实施例提供的一种缺陷检测方法中包含缺陷的子图像中不同高度范围的图像区域在不同角度对应的区域内白像素占比的变化曲线示意图;
图6C为本申请实施例提供的一种缺陷检测方法中存在晶边缺陷的图像区域与不存在晶边缺陷的图像区域的对比示意图;
图6D为本申请实施例提供的一种缺陷检测方法中包含缺陷的子图像中待检测的图像区域在不同角度对应的区域内白像素占比的变化曲线示意图;
图7为本申请实施例提供的一种缺陷检测装置的组成结构示意图;
图8为本申请实施例提供的一种计算机设备的硬件实体示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图和实施例对本申请的技术方案进一步详细阐述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
如果申请文件中出现“第一/第二”的类似描述则增加以下的说明,在以下的描述中,所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的,不是旨在限制本申请。
本申请实施例提供一种缺陷检测方法,该方法可以由计算机设备的处理器执行。其中,计算机设备指的可以是服务器、笔记本电脑、平板电脑、台式计算机、智能电视、机顶盒、移动设备(例如移动电话、便携式视频播放器、个人数字助理、专用消息设备、便携式游戏设备)等任意合适的具备数据处理能力的设备。图1为本申请实施例提供的一种缺陷检测方法的实现流程示意图,如图1所示,该方法包括如下步骤S101至步骤S104:
步骤S101,获取包括待检测晶圆的晶边的量测图像。
这里,待检测晶圆的晶边是指待检测的晶圆的边缘,可以包括晶圆的侧面区域、晶圆的侧面与上表面邻接的区域以及晶圆的侧面与下表面邻接的区域。
量测图像为待检测晶圆的工艺处理过程中采集的包括晶边的图像。在实施时,可以在晶圆的工艺处理过程中,利用图像采集设备对待检测晶圆的边缘进行拍摄得到包括晶边的量测图像。图像采集设备可以是安装在机台的任意合适的位置,这里并不限定。
在一些实施例中,量测图像中可以包括待检测晶圆的晶边、待检测晶圆的上表面中与晶边相邻的部分区域以及待检测晶圆的下表面中与晶边相邻的部分区域。
步骤S102,从所述量测图像中确定待检测的图像区域。
这里,待检测的图像区域为量测图像中晶边缺陷特征较为明显的图像区域,在该图像区域中可以更准确地对晶边的缺陷进行检测,提高晶边缺陷检测的准确性。
在实施时,可以基于设定的位置信息从量测图像中确定待检测的图像区域,也可以基于历史量测图像中晶边缺陷特征较为明显的图像区域所处的位置,从量测图像中确定待检测的图像区域,还可以利用训练好的神经网络模型在量测图像中自动化识别出待检测的图像区域。本领域技术人员可以根据实际情况采用任意合适的方式从量测图像中确定待检测的图像区域,本申请实施例对此并不限定。
步骤S103,对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征。
这里,待检测的图像区域的像素分布特征可以包括任意合适的可以反映待检测的图像区域中不同像素的分布情况的特征。
在一些实施例中,可以将待检测的图像区域进行数值化处理后,对不同数值的像素在待检测的图像区域中的分布进行统计,得到待检测的图像区域的像素分布特征。这里,待检测的图像区域中的像素分布特征可以包括但不限于待检测的图像区域中至少一种数值对应的像素的总数、至少一种数值对应的像素的占比、至少一种数值对应的像素在待检测的图像区域中不同位置处的分布状态等中的一种或多种。例如,可以将待检测的图像区域进行二值化处理后,对二值化处理后的待检测的图像区域中黑白像素的分布进行统计,得到待检测的图像区域中黑像素/白像素的总数、黑像素与白像素的数量差值、黑像素与白像素的数量比值、黑像素/白像素的占比、黑像素/白像素在待检测的图像区域中不同位置处的分布等。
步骤S104,基于所述待检测的图像区域的像素分布特征,对所述晶边进行缺陷检测。
这里,与晶边无缺陷的情况相比,在晶边存在缺陷的情况下,待检测的图像区域中像素的分布情况会发生变化,因此,基于待检测的图像区域的像素分布特征可以对待检测的图像区域是否存在缺陷、缺陷的分布情况等进行检测。
在实施时,可以将待检测的图像区域的像素分布特征与预设的表征图像区域中无缺陷的像素分布特征进行匹配,确定晶边是否存在缺陷;也可以将待检测的图像区域的像素分布特征与预设的表征图像区域中有缺陷的像素分布特征进行匹配,确定晶边是否存在缺陷;还可以将待检测的图像区域的像素分布特征与预设的表征图像区域中存在特定类型的缺陷的像素分布特征进行匹配,确定晶边是否存在该特定类型的缺陷。本领域技术人员可以根据实际情况采用合适的方式基于待检测的图像区域的像素分布特征,对晶边进行缺陷检测,本申请实施例对此并不限定。
在一些实施例中,上述步骤S102可以包括:
步骤S111,基于预设特征,从所述量测图像中确定待检测的图像区域。
这里,预设特征可以是任意合适的可以用于识别晶边缺陷特征较为明显的图像区域的特征。在实施时,预设特征可以包括但不限于预设的位置范围、像素分布特征、晶边特征等中的一种或多种。例如,在预设特征包括预设的位置范围的情况下,可以将量测图像中与该位置范围对应的图像区域确定为待检测的图像区域。又如,在预设特征包括预设的像素分布特征的情况下,可以将量测图像中包含该像素分布特征的图像区域确定为待检测的图像区域。
在一些实施例中,所述方法还可以包括:
步骤S121,在确定所述晶边存在缺陷的情况下,生成并发送预警信息。
这里,预警信息为用于对待检测晶圆的晶边存在缺陷进行告警的信息,可以包括但不限于语音预警信息、预警指示灯信息、预警电话、预警邮件、即时通讯软件信息等中的一种或多种,这里并不限定。用户可以基于预警信息进行合适的预警响应,例如,可以在接收到预警信息后停止运行相关的工艺腔室、对产生缺陷的原因进行定位、设备维修等。
在一些实施例中,所述方法还可以包括如下步骤S131至步骤S132:
步骤S131,确定与所述量测图像对应的工艺腔室。
这里,对晶圆的工艺处理通常是在至少一个工艺腔室中完成的,不同的工艺处理过程在不同的工艺腔室中进行,因而,在晶圆的不同工艺处理过程中采集的量测图像也会对应不同的工艺腔室。在实施时,可以在采集量测图像时,将量测图像与相应的工艺腔室进行对应,从而根据量测图像即可确定与该量测图像对应的工艺腔室。
步骤S132,在确定所述晶边存在缺陷的情况下,停止所述工艺腔室中机台的运行。
在一些实施例中,所述方法还可以包括如下步骤S141至步骤S142:
步骤S141,响应于在晶边异常趋势查询界面的数据查询操作,获取待查询的时间范围和工艺腔室。
这里,晶边异常趋势查询界面可以是运行在终端设备上的任意合适的用于查询晶边异常趋势的界面。用户可以在晶边异常趋势查询界面进行数据查询操作。
待查询的时间范围和工艺腔室可以是预先设定的,也可以是用户在晶边异常趋势查询界面输入的,这里并不限定。
步骤S142,查询在所述时间范围内采集的,且与所述工艺腔室对应的每一所述量测图像中待检测的图像区域的像素分布特征。
这里,可以在获取到每一量测图像中待检测的图像区域的像素分布特征后,对该量测图像的采集时间、该量测图像对应的工艺腔室以及该量测图片中待检测的图像区域的像素分布特征进行关联存储。基于待查询的时间范围和工艺腔室,可以查询出在该时间范围内采集的且与该工艺腔室对应的每一量测图像中待检测的图像区域的像素分布特征。
步骤S143,在所述晶边异常趋势查询界面对每一所述量测图像中待检测的图像区域的像素分布特征进行显示。
这里,可以根据实际情况采用任意合适的方式在晶边异常趋势查询界面对量测图像中待检测的图像区域的像素分布特征进行显示。例如,可以采用数据表、趋势图或条形图等形式显示出每一量测图像中待检测的图像区域的像素分布特征。
通过在晶边异常趋势查询界面对在待查询的时间范围内采集的,并与待查询的工艺腔室对应的每一量测图像中待检测的图像区域的像素分布特征进行显示,可以对不同工艺处理过程中的量测图像中待检测的图像区域的像素分布特征进行可视化地观测,进而可以为不同工艺处理过程中晶边发生缺陷的风险进行直观判断或参考。
本申请实施例中,首先,获取包括待检测晶圆的晶边的量测图像;其次,从所述量测图像中确定待检测的图像区域;然后,对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征;最后,基于所述待检测的图像区域的像素分布特征,对所述晶边进行缺陷检测。这样,可以降低人力成本,并能减少漏检或误检的情况,及时发现待检测晶圆的晶边存在的缺陷。此外,由于对晶边的缺陷检测是基于待检测的图像区域的像素分布特征进行的,而待检测的图像区域是从待检测晶圆的晶边的量测图像中确定的,因此,可以有效提高缺陷检测的效率。
本申请实施例提供一种缺陷检测方法,该方法可以由计算机设备的处理器执行。如图2所示,该方法包括如下步骤S201至步骤S206:
步骤S201,获取预设的异常图像库;其中,所述异常图像库中包括至少一张异常量测图像,每一所述异常量测图像中包含缺陷。
这里,异常图像库中每一异常量测图像可以包含至少一处缺陷。异常图像库可以是预先基于历史量测图像确定的,也可以是从互联网中获取的,还可以是采用图像处理技术自动生成的。在实施时,本领域技术人员可以根据实际需要采用合适的方式获取预设的异常图像库,本申请实施例对此并不限定。
步骤S202,基于每一所述异常量测图像中缺陷所处的图像区域,确定预设特征。
这里,可以提取每一异常量测图像中缺陷所处的图像区域中任意合适的特征作为预设特征。在实施时,可以对每一异常量测图像中缺陷所处的图像区域的位置信息进行分析,将得到的位置特征作为预设特征;也可以对每一异常量测图像中缺陷所处的图像区域的像素分布情况进行分析,将得到的像素分布特征作为预设特征;还可以对每一异常量测图像中缺陷所处的图像区域的图像特征进行分析,将得到的图像特征作为预设特征。
步骤S203,获取包括待检测晶圆的晶边的量测图像。
步骤S204,基于预设特征,从所述量测图像中确定待检测的图像区域。
步骤S205,对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征。
步骤S206,基于所述待检测的图像区域的像素分布特征,对所述晶边进行缺陷检测。
这里,步骤S203至步骤S206对应于前述步骤S101、步骤S111、步骤S103和步骤S104,在实施时可以参照前述步骤S101、步骤S111、步骤S103和步骤S104的具体实施方式。
需要说明的是,上述步骤S201至步骤S206在实施时不限于如图2所示的执行顺序,例如,还可以在步骤S203之后执行步骤S201和步骤S202。
在一些实施例中,所述预设特征包括纵向维度上的预设位置范围,上述步骤S202可以包括如下步骤S211至步骤S212:
步骤S211,确定每一所述异常量测图像中缺陷所处的图像区域在对应的异常量测图像的纵向维度上所处的位置。
这里,纵向维度为量测图像或异常量测图像中与晶圆厚度的量测方向对应的方向维度。
步骤S212,基于每一所述缺陷所处的图像区域在对应的异常量测图像的纵向维度上所处的位置,确定所述纵向维度上的预设位置范围。
这里,纵向维度上的预设位置范围为量测图像的纵向维度上发现晶边缺陷的概率较大的位置范围。在实施时,可以对每一缺陷所处的图像区域在对应的异常量测图像的纵向维度上所处的位置进行分析,确定纵向维度上不同位置的缺陷的分布情况,进而确定纵向维度上的预设位置范围。例如,可以将纵向维度上出现缺陷的数量最多的位置范围确定为纵向维度上的预设位置范围,也可以将纵向维度上缺陷的分布密度最大的位置范围确定为纵向维度上的预设位置范围。
在一些实施例中,所述预设特征包括横向维度上的第一预设像素分布特征,上述步骤S202可以包括如下步骤S221至步骤S223:
步骤S221,基于每一所述异常量测图像中缺陷所处的图像区域,确定第一图像区域集;其中,所述第一图像区域集中的每一图像区域包括至少一处缺陷。
这里,第一图像区域集中可以包括各异常量测图像中缺陷所处的图像区域。
步骤S222,确定所述第一图像区域集中每一图像区域在横向维度上的像素分布特征。
这里,横向维度为量测图像中与纵向维度垂直的方向维度。图像区域在横向维度上的像素分布特征可以包括但不限于数值化处理后的图像区域中至少一种数值对应的像素在横向维度上不同位置处的数量、图像区域中在横向维度上的不同位置处至少一种数值对应的像素的占比、图像区域中至少一种数值对应的像素在横向维度上不同位置处的分布状态等中的一种或多种。
在实施时,可以将图像区域进行数值化处理后,对数值化处理后的图像区域中不同数值的像素在横向维度上的分布进行分析,得到图像区域在横向维度上的像素分布特征。例如,可以将图像区域进行二值化处理后,对二值化处理后的图像区域中黑白像素在横向维度上的分布进行统计,得到图像区域中黑像素/白像素的总数、黑像素与白像素的数量差值、黑像素与白像素的数量比值、黑像素/白像素的占比、黑像素/白像素在图像区域中横向维度上不同位置处的分布等。
步骤S223,基于每一所述图像区域在横向维度上的像素分布特征,确定所述第一预设像素分布特征。
这里,第一预设像素分布特征为量测图像中晶边缺陷特征较为明显的图像区域在横向维度上的像素分布特征。在实施时,可以采用任意合适的特征提取方式,从每一图像区域在横向维度上的像素分布特征中提取第一预设像素分布特征,也可以对每一图像区域在横向维度上的像素分布特征进行统计分析,得到第一预设像素分布特征,这里并不限定。
在一些实施例中,上述步骤S221可以包括:步骤S2211,将每一所述异常量测图像在纵向维度上进行切割,得到第二图像区域集;步骤S2212,基于每一所述异常量测图像中缺陷所处的图像区域,从所述第二图像区域集中筛选包括至少一处缺陷的图像区域,得到所述第一图像区域集。这里,第二图像区域集中的每一图像区域对应纵向维度上的不同位置范围。在一些实施方式中,可以将每一异常量测图像在纵向维度上进行等份切割,得到第二图像区域集。
在一些实施例中,上述步骤S204可以包括如下步骤S231至步骤S232:
步骤S231,将所述待检测晶圆的晶边的量测图像在纵向维度上进行切割,得到第三图像区域集;
步骤S232,基于所述第一预设像素分布特征,从所述第三图像区域集中确定所述待检测的图像区域。
这里,可以将第三图像区域中与第一预设像素分布特征匹配的图像区域确定为待检测的图像区域。
在一些实施例中,所述预设特征包括预设晶边特征,所述待检测的图像区域包括包含所述预设晶边特征的图像区域,上述步骤S204可以包括:步骤S241,对所述量测图像进行特征识别,得到包含所述预设晶边特征的图像区域。这里,预设晶边特征可以是预设的任意合适的用于识别晶边的特征,这里并不限定。在实施时,可以采用任意合适的图像识别技术对量测图像进行特征识别,得到包含预设晶边特征的图像区域。
本申请实施例中,基于预设的异常图像库中每一异常量测图像中缺陷所处的图像区域,确定预设特征,并基于该预设特征,从量测图像中确定待检测的图像区域。这样,可以快速准确地获取预设特征,从而准确地从量测图像中准确地确定晶边缺陷特征较为明显的待检测的图像区域,进而可以进一步提高对晶边进行缺陷检测的准确率。
本申请实施例提供一种缺陷检测方法,该方法可以由计算机设备的处理器执行。如图3所示,该方法包括如下步骤S301至步骤S304:
步骤S301,获取包括待检测晶圆的晶边的量测图像。
步骤S302,从所述量测图像中确定待检测的图像区域。
步骤S303,对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征。
这里,步骤S301至步骤S303对应于前述步骤S101至步骤S103,在实施时可以参照前述步骤S101至步骤S103的具体实施方式。
步骤S304,在确定所述待检测的图像区域的像素分布特征与第二预设像素分布特征不匹配的情况下,确定所述晶边存在缺陷;其中,所述第二预设像素分布特征表征图像区域中无缺陷。
这里,第二预设像素分布特征可以是任意合适的用于表征图像区域中无缺陷的特征,这里并不限定。在实施时,第二预设像素分布特征可以包括但不限于数值化后的无缺陷的图像区域中至少一种数值对应的像素的总数、至少一种数值对应的像素的占比、至少一种数值对应的像素在图像区域中不同位置处的分布状态等中的一种或多种。例如,可以对二值化处理后的无缺陷的图像区域中黑白像素的分布进行统计,得到无缺陷的图像区域中黑像素/白像素的总数、黑像素与白像素的数量差值、黑像素与白像素的数量比值、黑像素/白像素的占比、黑像素/白像素在无缺陷的图像区域中不同位置处的分布等。
在一些实施例中,所述待检测的图像区域的像素分布特征包括所述待检测的图像区域中黑白像素的分布特征,上述步骤S303可以包括如下步骤S311至步骤S312:
步骤S311,对所述待检测的图像区域进行二值化处理。
步骤S312,确定二值化处理后的所述待检测的图像区域中黑白像素的分布特征。
这里,黑白像素的分布特征可以包括但不限于黑像素/白像素的总数、黑像素与白像素的数量差值、黑像素与白像素的数量比值、白像素与黑像素的数量比值、黑像素/白像素的占比、黑像素/白像素在图像区域中不同位置处的分布等中的一种或多种。
在一些实施例中,所述第二预设像素分布特征包括预设的黑白像素分布特征,上述步骤S304可以包括:步骤S321,在确定所述待检测的图像区域中黑白像素的分布特征与所述预设的黑白像素分布特征不匹配的情况下,确定所述晶边存在缺陷。这里,预设的黑白像素分布特征可以包括但不限于预设的黑像素/白像素的总数阈值、黑像素与白像素的数量差值阈值、黑像素与白像素的数量比值阈值、白像素与黑像素的数量比值阈值、黑像素/白像素的占比阈值、黑像素/白像素在图像区域中不同位置处的分布等中的一种或多种。
在一些实施例中,所述待检测的图像区域中黑白像素的分布特征包括所述待检测的图像区域中白像素的占比,所述预设的黑白像素分布特征包括预设的白像素占比阈值,上述步骤S321可以包括:步骤S331,在确定所述待检测的图像区域中白像素的占比大于所述白像素占比阈值的情况下,确定所述晶边存在缺陷。
本申请实施例中,在确定待检测的图像区域的像素分布特征与表征图像区域中无缺陷的第二预设像素分布特征不匹配的情况下,确定晶边存在缺陷。这样,可以简单快速地判断待检测晶圆的晶边是否存在缺陷。
本申请实施例提供一种缺陷检测方法,该方法可以由计算机设备的处理器执行。如图4所示,该方法包括如下步骤S401至步骤S407:
步骤S401,获取包括待检测晶圆的晶边的量测图像。
步骤S402,从所述量测图像中确定待检测的图像区域。
步骤S403,对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征。
这里,步骤S401至步骤S403对应于前述步骤S101至步骤S103,在实施时可以参照前述步骤S101至步骤S103的具体实施方式。
步骤S404,获取预设的正常图像库;其中,所述正常图像库中包括至少一张无缺陷的晶边图像。
这里,正常图像库可以是预先基于历史量测图像确定的,也可以是从互联网中获取的,还可以是采用图像处理技术自动生成的。在实施时,本领域技术人员可以根据实际需要采用合适的方式获取预设的正常图像库,本申请实施例对此并不限定。
步骤S405,确定每一所述无缺陷的晶边图像中的像素分布特征。
这里,无缺陷的晶边图像中的像素分布特征可以包括但不限于无缺陷的晶边图像在横向维度上的像素分布特征、在纵向维度上的像素分布特征或者在横向维度与纵向维度构成的二维坐标系上的像素分布特征等。
步骤S406,基于每一所述无缺陷的晶边图像中的像素分布特征,确定第二预设像素分布特征。
这里,第二预设像素分布特征为表征图像区域中无缺陷的像素分布特征。在实施时,可以采用任意合适的特征提取方式,从每一无缺陷的晶边图像的像素分布特征中提取第二预设像素分布特征,也可以对每一无缺陷的晶边图像的像素分布特征进行统计分析,得到第二预设像素分布特征,这里并不限定。
步骤S407,在确定所述待检测的图像区域的像素分布特征与第二预设像素分布特征不匹配的情况下,确定所述晶边存在缺陷;其中,所述第二预设像素分布特征表征图像区域中无缺陷。
这里,步骤S407对应于前述步骤S304,在实施时可以参照前述步骤S304的具体实施方式。
本申请实施例中,基于预设的正常图像库中每一无缺陷的晶边图像中的像素分布特征,确定第二预设像素分布特征。这样,可以快速准确地获取第二预设像素分布特征,从而可以提高对晶边的缺陷检测的准确率。
本申请实施例提供一种缺陷检测方法,该方法可以由计算机设备的处理器执行。如图5所示,该方法包括如下步骤S501至步骤S505:
步骤S501,获取包括待检测晶圆的晶边的量测图像;其中,所述量测图像在横向维度上的宽度与所述待检测晶圆的周长相同。
这里,量测图像可以是围绕待检测晶圆的侧面一圈采集的图像,量测图像在横向维度上的宽度与待检测晶圆的周长相同。
步骤S502,将所述量测图像在横向维度上进行等份分割,得到多个子图像。
这里,将量测图像在横向维度上进行等份分割后得到的多个子图像中,每一子图像可以对应横向维度上相同的宽度。
步骤S503,从每一所述子图像中确定一待检测的图像区域。
步骤S504,对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征。
步骤S505,基于所述待检测的图像区域的像素分布特征,对所述晶边进行缺陷检测。
这里,步骤S503至步骤S505对应于前述步骤S102至步骤S104,在实施时可以参照前述步骤S102至步骤S104的具体实施方式。
本申请实施例中,量测图像在横向维度上的宽度与待检测晶圆的周长相同,通过将量测图像在横向维度上进行等份分割,得到多个子图像,并从每一子图像中确定一待检测的图像区域,这样,可以对量测图像进行更加精细的缺陷检测,从而可以进一步提高对晶边进行缺陷检测的准确率。
本申请实施例提供一种缺陷检测方法,该方法包括如下步骤S601至步骤S605:
步骤S601,基于异常图像库,确定包含待检测晶圆的晶边的量测图像中待检测的图像区域。
这里,待检测的图像区域为量测图像中晶边特征较显著的区域,对应量测图像中晶边所在的位置。例如,待检测的图像区域可以是量测图像中距离量测图像底边的距离为147.5~147.9纳米(nm)范围内的图像区域。
图6A为本申请实施例提供的一种量测图像中待检测的图像区域的示意图。如图6A所示,待检测的图像区域62为量测图像61中晶边特征63较显著的区域。
在一些实施例中,待检测的图像区域可以通过如下步骤S611至步骤S612实现:
步骤S611,将量测图像在横向维度上切割成X份,得到X个子图像;其中X为大于1的正整数。
这里,待检测晶圆的晶边包括晶圆侧面一圈的圆周对应的360度范围,切割后得到的每一子图像可以对应该圆周的360/X度的范围。
步骤S612,基于预设的纵向维度上的位置范围,从每一子图像中确定一待检测的图像区域。
这里,纵向维度可以是量测图像的高度维度,量测图像的高度可以为量测图像中晶边的高度(即晶圆的厚度)、晶圆上表面中与晶边相邻的部分区域的高度以及晶圆下表面中与晶边相邻的部分区域的高度之和。例如,量测图像的高度为5毫米(mm),每一子图像为量测图像在横向维度上切割后得到的,因此每一子图像的高度也为5mm,预设的纵向维度上的位置范围为量测图像中晶边缺陷特征较明显的高度范围,如145nm~155nm的高度范围,或者147.5nm~147.9nm的高度范围等。
在一些实施例中,可以对异常图像库中每一异常量测图像在横向维度上进行切割,得到多个子图像,将每一子图像在纵向维度上进行切割,得到多个分别对应纵向维度上不同位置范围的图像区域,通过对每一图像区域中横向维度上黑白像素的分布情况进行分析,可以得到预设的横向维度上的黑白像素分布特征。基于该预设的横向维度上的黑白像素分布特征,可以确定量测图像中纵向维度上晶边缺陷特征较明显的位置范围,也即预设的纵向维度上的位置范围。例如,可以对异常图像库中得到的每一图像区域中横向维度上不同位置处的白像素的占比进行分析,将横向维度上不同位置处的白像素的占比变化较大或白像素的平均占比较高的图像区域对应的纵向维度上的位置范围确定为预设的纵向维度上的位置范围。
在一些实施例中,可以根据纵向维度上不同位置范围对应的图像区域中,横向维度上白像素的占比变化曲线,直观地从纵向维度上的不同位置范围中确定预设的纵向维度上的位置范围。图6B为本申请实施例提供的一种缺陷检测方法中包含缺陷的子图像中不同高度范围的图像区域在不同角度对应的区域内白像素占比的变化曲线示意图。参见图6B,量测图像在横向维度上的位置可以采用图像区域在晶圆上对应的角度来表示,量测图像在纵向维度上的位置可以采用量测图像的高度来表示,将对应角度范围为185度至195度的包含缺陷的子图像在纵向维度上进行切割,得到多个图像区域,每一图像区域分别对应一高度范围。图6B中,横坐标为角度,纵坐标为每一图像区域在不同角度对应的区域中白色像素的占比,每一图像区域在每一角度对应的区域中白色像素的占比可以用坐标系中的一个散点(如散点64)表示,同一高度范围的图像区域对应散点可以拟合为一条白像素占比分布曲线(如曲线65),坐标系中的不同曲线可以体现包含缺陷的子图像中对应特定的高度范围的图像区域在不同角度对应的区域内白像素占比的变化。通过曲线图可以直观地从纵向维度上的不同高度范围中确定预设的纵向维度上的高度范围。例如,可以将最高值最大的曲线对应的高度范围确定为预设的纵向维度上的高度范围,或将平均值较大的曲线对应的高度范围确定为预设的纵向维度上的高度范围。
步骤S602,基于正常图像库,确定二值化后的无缺陷的晶边图像中白像素的占比范围。
这里,无缺陷的晶边图像中二值化后的白像素的占比(记为W值)在该占比范围内,对应地,存在缺陷的晶边图像中二值化后的白像素的占比不在该占比范围内。例如,二值化后的无缺陷的晶边图像中白像素的占比范围可以是0至15%。
图6C为本申请实施例提供的缺陷检测方法中存在晶边缺陷的图像区域与不存在晶边缺陷的图像区域的对比示意图,其中,图像区域67中不存在晶边缺陷,图像区域68中白像素占比为80.84%,不在无缺陷的晶边图像中白像素的占比范围0至15%之内,因此可以确定图像区域68中存在晶边缺陷。
步骤S603,针对每一待检测的图像区域,对该待检测的图像区域进行二值化处理,得到二值化处理后的待检测的图像区域中白像素的占比;在该白像素的占比不在二值化后的无缺陷的晶边图像中白像素的占比范围内的情况下,确定该待检测图像区域对应的子图像中存在晶边缺陷。
步骤S604,以W值作为观测值,判断待检测的晶圆对应的X个子图像中是否存在晶边缺陷,并在确定晶圆存在晶边缺陷的情况下,利用预警***进行预警。
步骤S605,以W值作为观测值,得到在不同工艺处理过程中的量测图像中待检测的图像区域中W值的变化趋势图,以为晶边异常的风险判断提供参考。
在一些实施例中,还可以基于异常图像库,确定二值化后的无缺陷的晶边图像中白像素的占比范围。
图6D为本申请实施例提供的一种缺陷检测方法中包含缺陷的子图像中待检测的图像区域在不同角度对应的区域内白像素占比的变化曲线示意图。参见图6D,量测图像在横向维度上的位置可以采用图像区域在晶圆上对应的角度来表示,量测图像在纵向维度上的位置可以采用量测图像的高度来表示,图像区域1至8为不同的包含缺陷的子图像中待检测的图像区域,每一图像区域分别对应一角度范围。图6D中,横坐标为角度,纵坐标为每一图像区域在不同角度对应的区域中白色像素的占比,每一图像区域在每一角度对应的区域中白色像素的占比可以用坐标系中的一个散点表示,同一图像区域对应散点可以拟合为一条白像素占比分布曲线(如曲线66),坐标系中的不同曲线可以体现不同包含缺陷的子图像中待检测的图像区域在不同角度对应的区域内白像素占比的变化。通过曲线图可以直观地确定二值化后的有缺陷的晶边图像中白像素的占比范围,进而可以确定二值化后的无缺陷的晶边图像中白像素的占比范围。例如,可以将各曲线中白像素的占比的最小值确定为占比阈值,二值化后的有缺陷的晶边图像中白像素的占比范围可以是大于或等于该占比阈值的范围,二值化后的无缺陷的晶边图像中白像素的占比范围可以是小于该占比阈值的范围。
本申请实施例中,该方法以包含待检测晶圆的晶边的量测图像为依据进行缺陷检测,并在检测到晶边的缺陷的情况下,对晶圆产品的产线进行异常预警,从而可以减少因晶圆产品的边缘缺陷对产品良率的影响,改善相关技术中通过人工观察的方式对晶圆产品的晶边异常状况进行检测的滞后性。此外,该方法还可以以量测图像中黑白像素的分布特征作为观测值,生成黑白像素分布特征的趋势图作为晶边异常的风险判断参考信息,从而可以改善相关技术中晶边异常趋势不可观察的问题。
图7为本申请实施例提供的一种缺陷检测装置的组成结构示意图,如图7所示,缺陷检测装置700包括:第一获取模块710、第一确定模块720、提取模块730和检测模块740,其中:
第一获取模块710,用于获取包括待检测晶圆的晶边的量测图像;
第一确定模块720,用于从所述量测图像中确定待检测的图像区域;
提取模块730,用于对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征;
检测模块740,用于基于所述待检测的图像区域的像素分布特征,对所述晶边进行缺陷检测。
在一些实施例中,所述第一确定模块还用于:基于预设特征,从所述量测图像中确定待检测的图像区域。
在一些实施例中,所述装置还包括:第二获取模块,用于获取预设的异常图像库;其中,所述异常图像库中包括至少一张异常量测图像,每一所述异常量测图像中包含缺陷;第二确定模块,用于基于每一所述异常量测图像中缺陷所处的图像区域,确定所述预设特征。
在一些实施例中,所述预设特征包括纵向维度上的预设位置范围,所述第二确定模块还用于:确定每一所述异常量测图像中缺陷所处的图像区域在对应的异常量测图像的纵向维度上所处的位置;基于每一所述缺陷所处的图像区域在对应的异常量测图像的纵向维度上所处的位置,确定所述纵向维度上的预设位置范围。
在一些实施例中,所述预设特征包括横向维度上的第一预设像素分布特征,所述第二确定模块还用于:基于每一所述异常量测图像中缺陷所处的图像区域,确定第一图像区域集;其中,所述第一图像区域集中的每一图像区域包括至少一处缺陷;确定所述第一图像区域集中每一图像区域在横向维度上的像素分布特征;基于每一所述图像区域在横向维度上的像素分布特征,确定所述第一预设像素分布特征。
在一些实施例中,所述第二确定模块还用于:将每一所述异常量测图像在纵向维度上进行切割,得到第二图像区域集;基于每一所述异常量测图像中缺陷所处的图像区域,从所述第二图像区域集中筛选包括至少一处缺陷的图像区域,得到所述第一图像区域集。
在一些实施例中,所述第一确定模块还用于:将所述待检测晶圆的晶边的量测图像在纵向维度上进行切割,得到第三图像区域集;基于所述第一预设像素分布特征,从所述第三图像区域集中确定所述待检测的图像区域。
在一些实施例中,所述预设特征包括预设晶边特征,所述待检测的图像区域包括包含所述预设晶边特征的图像区域,所述第一确定模块还用于:对所述量测图像进行特征识别,得到包含所述预设晶边特征的图像区域。
在一些实施例中,所述检测模块还用于:在确定所述待检测的图像区域的像素分布特征与第二预设像素分布特征不匹配的情况下,确定所述晶边存在缺陷;其中,所述第二预设像素分布特征表征图像区域中无缺陷。
在一些实施例中,所述装置还包括:第三获取模块,用于获取预设的正常图像库;其中,所述正常图像库中包括至少一张无缺陷的晶边图像;第三确定模块,用于确定每一所述无缺陷的晶边图像中的像素分布特征;第四确定模块,用于基于每一所述无缺陷的晶边图像中的像素分布特征,确定所述第二预设像素分布特征。
在一些实施例中,所述待检测的图像区域的像素分布特征包括所述待检测的图像区域中黑白像素的分布特征,所述提取模块还用于:对所述待检测的图像区域进行二值化处理;确定二值化处理后的所述待检测的图像区域中黑白像素的分布特征。
在一些实施例中,所述第二预设像素分布特征包括预设的黑白像素分布特征,所述检测模块还用于:在确定所述待检测的图像区域中黑白像素的分布特征与所述预设的黑白像素分布特征不匹配的情况下,确定所述晶边存在缺陷。
在一些实施例中,所述待检测的图像区域中黑白像素的分布特征包括所述待检测的图像区域中白像素的占比,所述预设的黑白像素分布特征包括预设的白像素占比阈值,所述检测模块还用于:在确定所述待检测的图像区域中白像素的占比大于所述白像素占比阈值的情况下,确定所述晶边存在缺陷。
在一些实施例中,所述量测图像在横向维度上的宽度与所述待检测晶圆的周长相同,所述第一确定模块还用于:将所述量测图像在横向维度上进行等份分割,得到多个子图像;从每一所述子图像中确定一待检测的图像区域。
在一些实施例中,所述装置还包括:预警装置,用于在确定所述晶边存在缺陷的情况下,生成并发送预警信息。
在一些实施例中,所述装置还包括:第五确定模块,用于确定与所述量测图像对应的工艺腔室;停止模块,用于在确定所述晶边存在缺陷的情况下,停止所述工艺腔室中机台的运行。
在一些实施例中,所述装置还包括:第三获取模块,用于响应于在晶边异常趋势查询界面的数据查询操作,获取待查询的时间范围和工艺腔室;查询模块,用于查询在所述时间范围内采集的,且与所述工艺腔室对应的每一所述量测图像中待检测的图像区域的像素分布特征;显示模块,用于在所述晶边异常趋势查询界面对每一所述量测图像中待检测的图像区域的像素分布特征进行显示。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的缺陷检测方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该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。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read OnlyMemory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
对应地,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的步骤。
对应地,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的步骤。
对应地,本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(SoftwareDevelopment Kit,SDK)等等。
这里需要指出的是:以上存储介质、计算机程序产品和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质、计算机程序产品和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,图8为本申请实施例中计算机设备的一种硬件实体示意图,如图8所示,该计算机设备800的硬件实体包括:处理器801、通信接口802和存储器803,其中:
处理器801通常控制计算机设备800的总体操作。
通信接口802可以使计算机设备通过网络与其他终端或服务器通信。
存储器803配置为存储由处理器801可执行的指令和应用,还可以缓存待处理器801以及计算机设备800中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random AccessMemory,RAM)实现。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个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相关技术做出贡献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。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的实施方式,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所述权利要求的保护范围为准。
Claims (20)
1.一种缺陷检测方法,其特征在于,所述方法包括:
获取包括待检测晶圆的晶边的量测图像;
从所述量测图像中确定待检测的图像区域;
对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征;
基于所述待检测的图像区域的像素分布特征,对所述晶边进行缺陷检测。
2.根据权利要求1所述的方法,其特征在于,所述从所述量测图像中确定待检测的图像区域,包括:
基于预设特征,从所述量测图像中确定待检测的图像区域。
3.根据权利要求2所述的方法,其特征在于,获取包括待检测晶圆的晶边的量测图像之前,所述方法还包括:
获取预设的异常图像库;其中,所述异常图像库中包括至少一张异常量测图像,每一所述异常量测图像中包含缺陷;
基于每一所述异常量测图像中缺陷所处的图像区域,确定所述预设特征。
4.根据权利要求3所述的方法,其特征在于,所述预设特征包括纵向维度上的预设位置范围,所述基于每一所述异常量测图像中缺陷所处的图像区域,确定所述预设特征,包括:
确定每一所述异常量测图像中缺陷所处的图像区域在对应的异常量测图像的纵向维度上所处的位置;
基于每一所述缺陷所处的图像区域在对应的异常量测图像的纵向维度上所处的位置,确定所述纵向维度上的预设位置范围。
5.根据权利要求3所述的方法,其特征在于,所述预设特征包括横向维度上的第一预设像素分布特征,所述基于每一所述异常量测图像中缺陷所处的图像区域,确定所述预设特征,包括:
基于每一所述异常量测图像中缺陷所处的图像区域,确定第一图像区域集;其中,所述第一图像区域集中的每一图像区域包括至少一处缺陷;
确定所述第一图像区域集中每一图像区域在横向维度上的像素分布特征;
基于每一所述图像区域在横向维度上的像素分布特征,确定所述第一预设像素分布特征。
6.根据权利要求5所述的方法,其特征在于,所述基于每一所述异常量测图像中缺陷所处的图像区域,确定第一图像区域集,包括:
将每一所述异常量测图像在纵向维度上进行切割,得到第二图像区域集;
基于每一所述异常量测图像中缺陷所处的图像区域,从所述第二图像区域集中筛选包括至少一处缺陷的图像区域,得到所述第一图像区域集。
7.根据权利要求6所述的方法,其特征在于,所述基于预设特征,从所述量测图像中确定待检测的图像区域,包括:
将所述待检测晶圆的晶边的量测图像在纵向维度上进行切割,得到第三图像区域集;
基于所述第一预设像素分布特征,从所述第三图像区域集中确定所述待检测的图像区域。
8.根据权利要求2所述的方法,其特征在于,所述预设特征包括预设晶边特征,所述待检测的图像区域包括包含所述预设晶边特征的图像区域,所述基于预设特征,从所述量测图像中确定待检测的图像区域,包括:
对所述量测图像进行特征识别,得到包含所述预设晶边特征的图像区域。
9.根据权利要求1所述的方法,其特征在于,所述基于所述待检测的图像区域的像素分布特征,对所述晶边进行缺陷检测,包括:
在确定所述待检测的图像区域的像素分布特征与第二预设像素分布特征不匹配的情况下,确定所述晶边存在缺陷;其中,所述第二预设像素分布特征表征图像区域中无缺陷。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
获取预设的正常图像库;其中,所述正常图像库中包括至少一张无缺陷的晶边图像;
确定每一所述无缺陷的晶边图像中的像素分布特征;
基于每一所述无缺陷的晶边图像中的像素分布特征,确定所述第二预设像素分布特征。
11.根据权利要求9或10所述的方法,其特征在于,所述待检测的图像区域的像素分布特征包括所述待检测的图像区域中黑白像素的分布特征,所述对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征,包括:
对所述待检测的图像区域进行二值化处理;
确定二值化处理后的所述待检测的图像区域中黑白像素的分布特征。
12.根据权利要求11所述的方法,其特征在于,所述第二预设像素分布特征包括预设的黑白像素分布特征,所述在确定所述待检测的图像区域的像素分布特征与第二预设像素分布特征不匹配的情况下,确定所述晶边存在缺陷,包括:
在确定所述待检测的图像区域中黑白像素的分布特征与所述预设的黑白像素分布特征不匹配的情况下,确定所述晶边存在缺陷。
13.根据权利要求12所述的方法,其特征在于,所述待检测的图像区域中黑白像素的分布特征包括所述待检测的图像区域中白像素的占比,所述预设的黑白像素分布特征包括预设的白像素占比阈值,
所述在确定所述待检测的图像区域中黑白像素的分布特征与所述预设的黑白像素分布特征不匹配的情况下,确定所述晶边存在缺陷,包括:
在确定所述待检测的图像区域中白像素的占比大于所述白像素占比阈值的情况下,确定所述晶边存在缺陷。
14.根据权利要求1至10中任一项所述的方法,其特征在于,所述量测图像在横向维度上的宽度与所述待检测晶圆的周长相同,所述从所述量测图像中确定待检测的图像区域,包括:
将所述量测图像在横向维度上进行等份分割,得到多个子图像;
从每一所述子图像中确定一待检测的图像区域。
15.根据权利要求1至10中任一项所述的方法,其特征在于,所述方法还包括:
在确定所述晶边存在缺陷的情况下,生成并发送预警信息。
16.根据权利要求1至10中任一项所述的方法,其特征在于,所述方法还包括:
确定与所述量测图像对应的工艺腔室;
在确定所述晶边存在缺陷的情况下,停止所述工艺腔室中机台的运行。
17.根据权利要求1至10中任一项所述的方法,其特征在于,所述方法还包括:
响应于在晶边异常趋势查询界面的数据查询操作,获取待查询的时间范围和工艺腔室;
查询在所述时间范围内采集的,且与所述工艺腔室对应的每一所述量测图像中待检测的图像区域的像素分布特征;
在所述晶边异常趋势查询界面对每一所述量测图像中待检测的图像区域的像素分布特征进行显示。
18.一种缺陷检测装置,其特征在于,包括:
第一获取模块,用于获取包括待检测晶圆的晶边的量测图像;
第一确定模块,用于从所述量测图像中确定待检测的图像区域;
提取模块,用于对所述待检测的图像区域进行特征提取,得到所述待检测的图像区域的像素分布特征;
检测模块,用于基于所述待检测的图像区域的像素分布特征,对所述晶边进行缺陷检测。
19.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至17任一项所述方法中的步骤。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至17任一项所述方法中的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110777266.7A CN115661021A (zh) | 2021-07-09 | 2021-07-09 | 缺陷检测方法、装置、设备及存储介质 |
PCT/CN2021/122564 WO2023279558A1 (zh) | 2021-07-09 | 2021-10-08 | 缺陷检测方法、装置、设备及存储介质 |
US17/842,083 US20230011569A1 (en) | 2021-07-09 | 2022-06-16 | Method and apparatus for detecting defect, device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110777266.7A CN115661021A (zh) | 2021-07-09 | 2021-07-09 | 缺陷检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661021A true CN115661021A (zh) | 2023-01-31 |
Family
ID=84800294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110777266.7A Pending CN115661021A (zh) | 2021-07-09 | 2021-07-09 | 缺陷检测方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115661021A (zh) |
WO (1) | WO2023279558A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309378A (zh) * | 2023-02-24 | 2023-06-23 | 杭州珍林网络技术有限公司 | 一种基于人工智能的电子产品智能检测*** |
CN116539638A (zh) * | 2023-07-04 | 2023-08-04 | 季华实验室 | 掺杂浓度测量方法、装置、电子设备及存储介质 |
CN116609370A (zh) * | 2023-04-13 | 2023-08-18 | 深圳市埃芯半导体科技有限公司 | 晶圆检测方法和电子设备 |
CN117593651A (zh) * | 2024-01-18 | 2024-02-23 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
CN117934414A (zh) * | 2024-01-24 | 2024-04-26 | 江阴佳泰电子科技有限公司 | 一种晶圆测试预警方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797877B (zh) * | 2023-02-13 | 2023-05-05 | 山东鸿德电力科技有限公司 | 一种电力传输设备的智能监控方法、***及介质 |
CN116912242B (zh) * | 2023-09-12 | 2023-12-15 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印晶圆缺陷定位方法 |
CN117690817A (zh) * | 2023-12-08 | 2024-03-12 | 芯率智能科技(苏州)有限公司 | 一种直线缺陷的识别方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6456899B1 (en) * | 1999-12-07 | 2002-09-24 | Ut-Battelle, Llc | Context-based automated defect classification system using multiple morphological masks |
CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
CN109727887B (zh) * | 2018-12-29 | 2021-06-15 | 上海华力微电子有限公司 | 晶圆的晶边缺陷的监控方法 |
CN109444169B (zh) * | 2019-01-17 | 2021-06-15 | 南昌航空大学 | 一种轴承缺陷检测方法及*** |
CN112561849B (zh) * | 2019-09-26 | 2023-07-21 | 长鑫存储技术有限公司 | 晶圆缺陷检测方法 |
-
2021
- 2021-07-09 CN CN202110777266.7A patent/CN115661021A/zh active Pending
- 2021-10-08 WO PCT/CN2021/122564 patent/WO2023279558A1/zh active Application Filing
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309378A (zh) * | 2023-02-24 | 2023-06-23 | 杭州珍林网络技术有限公司 | 一种基于人工智能的电子产品智能检测*** |
CN116309378B (zh) * | 2023-02-24 | 2024-04-26 | 杭州珍林网络技术有限公司 | 一种基于人工智能的电子产品智能检测*** |
CN116609370A (zh) * | 2023-04-13 | 2023-08-18 | 深圳市埃芯半导体科技有限公司 | 晶圆检测方法和电子设备 |
CN116609370B (zh) * | 2023-04-13 | 2024-07-05 | 深圳市埃芯半导体科技有限公司 | 晶圆量测方法和电子设备 |
CN116539638A (zh) * | 2023-07-04 | 2023-08-04 | 季华实验室 | 掺杂浓度测量方法、装置、电子设备及存储介质 |
CN117593651A (zh) * | 2024-01-18 | 2024-02-23 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
CN117593651B (zh) * | 2024-01-18 | 2024-04-05 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
CN117934414A (zh) * | 2024-01-24 | 2024-04-26 | 江阴佳泰电子科技有限公司 | 一种晶圆测试预警方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023279558A1 (zh) | 2023-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115661021A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN107798672B (zh) | 烟丝或梗丝的宽度测定方法、***及具有该***的服务器 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN111539908B (zh) | 对样本的缺陷检测的方法及其*** | |
KR101934313B1 (ko) | 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품 | |
US20230011569A1 (en) | Method and apparatus for detecting defect, device, and storage medium | |
CN109671078B (zh) | 一种产品表面图像异常检测方法及装置 | |
US20060029257A1 (en) | Apparatus for determining a surface condition of an object | |
WO2010076882A1 (ja) | 画像分類基準更新方法、プログラムおよび画像分類装置 | |
US20130202188A1 (en) | Defect inspection method, defect inspection apparatus, program product and output unit | |
JP5168215B2 (ja) | 外観検査装置 | |
CN107941812B (zh) | 信息处理方法及电子设备 | |
CN114612469B (zh) | 产品缺陷检测方法、装置、设备及可读存储介质 | |
CN111680750B (zh) | 图像识别方法、装置和设备 | |
KR100868884B1 (ko) | 유리 기판 유리 불량 정보 시스템 및 분류 방법 | |
CN117576100B (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
CN112381765A (zh) | 基于人工智能的设备检测方法、装置、设备及存储介质 | |
CN108288274B (zh) | 模具检测方法、装置以及电子设备 | |
TW202242390A (zh) | 缺陷檢查裝置、缺陷檢查方法以及製造方法 | |
CN117011304A (zh) | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 | |
CN115994882A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN108021914B (zh) | 基于卷积神经网络的印刷品字符区域提取方法 | |
CN115496753B (zh) | 基于机器视觉的烟丝结构检测方法 | |
US20140079311A1 (en) | System, method and computer program product for classification | |
CN115601564A (zh) | 基于图像识别的胶体轮廓检测方法及*** |
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 |