CN116913827B - 一种基于无脉冲泵供液的芯片清洗***及清洗方法 - Google Patents
一种基于无脉冲泵供液的芯片清洗***及清洗方法 Download PDFInfo
- Publication number
- CN116913827B CN116913827B CN202311173132.XA CN202311173132A CN116913827B CN 116913827 B CN116913827 B CN 116913827B CN 202311173132 A CN202311173132 A CN 202311173132A CN 116913827 B CN116913827 B CN 116913827B
- Authority
- CN
- China
- Prior art keywords
- cleaning
- chip
- ces
- pulse
- image
- 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
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 272
- 239000007788 liquid Substances 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000003860 storage Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 53
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 16
- 239000012530 fluid Substances 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000011010 flushing procedure Methods 0.000 claims description 4
- 239000000243 solution Substances 0.000 description 17
- 239000007921 spray Substances 0.000 description 11
- 239000000126 substance Substances 0.000 description 9
- 230000006872 improvement Effects 0.000 description 7
- 238000005406 washing Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 239000012535 impurity Substances 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 102000004190 Enzymes Human genes 0.000 description 3
- 108090000790 Enzymes Proteins 0.000 description 3
- 239000003929 acidic solution Substances 0.000 description 3
- 239000012670 alkaline solution Substances 0.000 description 3
- 238000011109 contamination Methods 0.000 description 3
- 238000005108 dry cleaning Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000002105 nanoparticle Substances 0.000 description 3
- 239000003960 organic solvent Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 239000004094 surface-active agent Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012864 cross contamination Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000012498 ultrapure water Substances 0.000 description 1
- 239000012808 vapor phase Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
- H01L21/67028—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like
- H01L21/6704—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing
- H01L21/67051—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing using mainly spraying means, e.g. nozzles
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/02041—Cleaning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Cleaning By Liquid Or Steam (AREA)
Abstract
本发明公布了一种基于无脉冲泵供液的芯片清洗***及清洗方法,该***包括:清洗工作台、图像检测装置、中央处理器、清洗装置;清洗工作台为密闭空间,图像检测装置固定在能够清洗全景拍摄芯片清洗台上芯片的位置,图像检测装置连接并向中央处理器传输照片,中央处理器连接且控制清洗装置;所述的图像检测装置包括摄像头、图像保存模块及传输模块;所述的中央处理器包括硬件部分、图像识别模块、智能算法模块、清洗控制器,芯片清洗的方法共计5步。本发明的目的是提供一种基于无脉冲泵供液的芯片清洗***及其清洗方法,该***和方法能够实现对芯片的高效、自动化和智能化的清洗过程,提高芯片品质。
Description
技术领域
本发明涉及芯片清洗领域法,特别是一种基于无脉冲泵供液的芯片清洗***及清洗方法,适用于芯片的高效、自动化和智能化的清洗过程。
背景技术
芯片清洗是半导体制造过程中的重要工艺环节,目的是去除芯片表面和内部的各种沾污杂质,提高芯片的性能和良率。随着半导体工艺技术节点的不断缩小,芯片对沾污杂质的敏感度也不断提高,因此对清洗工艺的要求也越来越高。
目前,半导体清洗技术主要分为湿法清洗和干法清洗两种工艺路线。湿法清洗是使用各种化学药液与晶圆表面各种杂质粒子发生化学反应,生成溶于水的物质,再用高纯水冲洗,依次去除晶圆表面各种杂质。干法清洗是不采用溶液的清洗技术,通过等离子清洗技术、汽相清洗技术或束流清洗技术来去除晶圆表面的杂质。
湿法清洗在达到晶圆表面的洁净度和平滑度方面通常优于干法清洗,并且是目前单晶圆清洗使用的标准工艺,应用于晶圆制造过程中90%以上的清洗步骤。然而,湿法清洗也存在一些问题,如化学药液的使用和处理成本高、化学药液可能造成化学污染或交叉污染、化学药液可能对芯片图形造成损伤等。
为了解决上述问题,已有一些改进的湿法清洗***和方法被提出。这些***和方法主要通过以下几个方面来优化湿法清洗过程:一是单纯的对泵进行改选,使用无脉冲泵来提供稳定、均匀和可控的清洗液流量,避免了传统泵产生的脉冲波对芯片造成的损伤;二是单纯使用压力控制器和流量传感器来调节无脉冲泵的输出压力和输出流量,实现了不同类型和不同流量的清洗液切换,但是操作固定,不能根据清洗的实际情况自动调整;三是使用切换阀来选择不同的清洗液,根据不同的污染类型和程度采用不同的化学药液进行清洗;四是使用喷头来对芯片进行冲洗。
然而,这些改进的湿法清洗***和方法仍然存在以下不足:一是这些***和方法没有考虑到芯片的实际清洗效果,只是根据预设的参数进行清洗液切换和喷头冲洗,不能根据芯片的不同污染情况进行动态调整;二是采用固定流量进行清洗,没有采用最先进的智能控制***和方法。
因此,本发明的目的是提供一种基于无脉冲泵供液的芯片清洗***及其方法,能够根据芯片的实际清洗效果和不同区域和不同角度的清洗需求,动态调整无脉冲泵的输出压力、切换清洗液控制阀的切换时间和清洗液的种类,以及喷头的旋转角度,从而实现对芯片的高效、精确和智能化的清洗。本发明采用了图像检测、图像识别、智能算法和模糊逻辑控制等技术,使得芯片清洗过程能够自动化、智能化和优化化,提高了芯片清洗的质量和效率,降低了芯片清洗的成本和风险。
因此,目前对芯片进行清洗的方法还存在一些不足,有待进一步改进和完善。
发明内容
本发明的目的是提供一种基于无脉冲泵供液的芯片清洗***及其清洗方法,该***和方法能够实现对芯片的高效、自动化和智能化的清洗过程,提高芯片品质。
为了实现上述目的,本发明采用以下技术方案:
一种基于无脉冲泵供液的芯片清洗***,包括:清洗工作台、图像检测装置、中央处理器、清洗装置;清洗工作台为密闭空间,图像检测装置固定在能够清洗全景拍摄芯片清洗台上芯片的位置,图像检测装置连接并向中央处理器传输照片,中央处理器连接且控制清洗装置;所述的图像检测装置包括摄像头、图像保存模块及传输模块;所述的中央处理器包括硬件部分、图像识别模块、智能算法模块、清洗控制器;
所述的清洗装置由无脉冲泵、压力控制器、流量传感器、清洗液控制阀组成,无脉冲泵、压力控制器、流量传感器与清洗控制器形成一套反馈回路,用于将流量传感器的检测信号传输给压力控制器,并根据预设的流量值对压力控制器进行控制。
作为上述方案的进一步改进,无脉冲泵,用于向一个芯片提供清洗液;压力控制器,用于对无脉冲泵的输出压力进行调节;流量传感器,用于检测芯片内的清洗液流量;清洗液控制阀用于切换采用不同的清洗液;图像识别模块,用于对芯片图像进行采集和分析,去除芯片以外的图像内容,对芯片图像进行特征提取和分类;智能算法模块,用于根据图像识别模块的处理结果计算出一个清洗效果评分CES和预设的清洗目标评分CTS进行比较,建立并求解优化问题,得到最大化清洗效果评分CES的目标函数,求解公式如下:
,
其中,表示无脉冲泵的输出压力,表示切换阀的切换时间,表示清洗液的种
类,表示基于p,t,k计算出的清洗效果评分,表示对p,t,k的约束
条件。
作为上述方案的进一步改进,所述的智能算法模块采用深度卷积神经网络DCNN对芯片图像进行特征提取和分类,根据芯片图像的清晰度、对比度、亮度和颜色参数计算出一个清洗效果评分CES,并将该清洗效果评分CES与预设的清洗目标评分CTS进行比较,以判断是否达到清洗目标。
作为上述方案的进一步改进,所述的深度卷积神经网络DCNN包括一个输入层、若干个卷积层、若干个池化层、若干个全连接层和一个输出层,其中输入层接收芯片图像的像素数据,输出层输出芯片图像的清洗效果评分CES。
作为上述方案的进一步改进,所述的清洗控制器根据智能算法模块的清洗效果评分CES和预设的清洗目标评分CTS的差值,动态调整无脉冲泵的输出压力、切换清洗液控制阀的切换时间和清洗液的种类,使得清洗效果评分CES逐渐接近、达到、超过清洗目标评分CTS。
作为上述方案的进一步改进,所述的清洗控制器采用模糊逻辑控制算法,通过一组模糊规则和隶属函数实现对输出变量的模糊推理和反模糊化,根据智能算法模块的清洗效果评分CES和预设的清洗目标评分CTS的差值作为输入变量,无脉冲泵的输出压力、输出流量、切换清洗液控制阀的切换时间和清洗液的种类作为输出变量。
作为上述方案的进一步改进,所述的清洗装置还包括一个可调节喷头,该喷头能够在水平方向和垂直方向上旋转一定角度,并由清洗控制器控制其旋转角度,以实现对芯片不同区域和不同角度的冲洗。
一种基于无脉冲泵供液的芯片清洗***进行芯片清洗的方法,包括以下步骤:
a)将待清洗的芯片放置在清洗工作台上,并启动图像检测装置对芯片进行拍摄;
b)将拍摄得到的芯片图像传输给中央处理器,并由图像识别模块对芯片图像进行特征提取和分类;通过智能算法模块计算出一个初始的清洗效果评分CES;
c)将初始的清洗效果评分CES与预设的清洗目标评分CTS进行比较,如果CES小于CTS,则进入步骤d);否则,结束清洗过程;
d)由智能算法模块根据CES和CTS的差值,并且得到CES的最大值,建立并求解优化问题:
,
其中,表示无脉冲泵的输出压力,表示切换阀的切换时间,表示清洗液的种
类,表示基于p,t,k计算出的清洗效果评分,表示对p,t,k的约束
条件,并由清洗控制器控制无脉冲泵、切换阀和可调节喷头,向芯片喷射清洗液;
e)重复步骤a)至d),直到CES大于或等于CTS,或达到预设的清洗时间上限,结束清洗过程。
本专利的有益效果是:
本专利提供了一种基于无脉冲泵供液的芯片清洗***及其清洗方法,该***和方法能够实现对芯片的高效、自动化和智能化的清洗过程,提高芯片的使用寿命和性能。
本专利采用一种无脉冲泵作为清洗液的输送装置,该***通过无脉冲泵、压力控制器、流量传感器和清洗控制器形成一套反馈回路,能够根据流量传感器的检测信号,对无脉冲泵的输出压力进行精确调节,保证清洗液在芯片内的稳定流动。
本专利采用一种深度卷积神经网络DCNN作为图像识别模块,该深度卷积神经网络能够有效地识别出芯片图像上的污渍、划痕、裂纹等缺陷,并根据芯片图像的质量参数计算出一个客观和准确的清洗效果评分CES,并将该评分与预设的清洗目标评分CTS进行比较,以判断是否达到清洗目标。
本专利采用智能算法模块,该模块能够根据CES和CTS的差值,动态调整无脉冲泵的输出压力、切换阀的切换时间和清洗液的种类,使得CES逐渐接近或达到CTS。
本专利采用多种不同性质和功能的清洗液,能够针对芯片上不同类型和程度的污染物,选择合适的清洗液进行清洗,例如使用酸性溶液或碱性溶液去除金属氧化物或盐类,使用有机溶剂去除油脂或胶粘物,使用表面活性剂去除尘埃或颗粒物,使用纳米颗粒去除顽固污渍或划痕,使用酶或抗体去除生物污染物等,从而提高清洗效果和芯片质量。
本发明采用一种可调节喷头作为清洗装置的辅助设备,该喷头能够在水平方向和垂直方向上旋转一定角度,并由清洗控制器控制其旋转角度,以实现对芯片不同区域和不同角度的冲洗。
附图说明
图1是本发明的基于无脉冲泵供液的芯片清洗***的结构示意图;
图2是本发明的基于无脉冲泵供液的芯片清洗方法的工作流程图;
图3是本发明的深度卷积神经网络DCNN的结构示意图;
图4是本发明的模糊逻辑控制算法的流程图。
具体实施方式
为了使本领域技术人员更好地理解技术方案,下面结合实施例对技术方案进行详细描述,本部分的描述仅是示范性和解释性,不应对本专利的保护范围有任何的限制作用。
实施例1:
本实施例提供了一种基于无脉冲泵供液的芯片清洗***,其结构示意图如图1所示。该***包括:清洗工作台、图像检测装置、中央处理器、清洗装置。
清洗工作台为密闭空间,用于放置待清洗的芯片,并防止清洗过程中产生的气溶胶或液滴对环境或人员造成污染或危害。
图像检测装置固定在能够清洗全景拍摄芯片清洗台上芯片的位置,通过摄像头对芯片进行实时拍摄和监测,并将拍摄得到的芯片图像通过传输模块传输给中央处理器,拍摄得到的芯片图像通过图像保存模块进行原始数据保存。
图像检测装置连接并向中央处理器传输照片,中央处理器连接且控制清洗装置;所述的图像检测装置包括摄像头、图像保存模块及传输模块;所述的中央处理器包括硬件部分、图像识别模块、智能算法模块、清洗控制器;中央处理器连接并控制图像检测装置和清洗装置,用于对芯片图像进行分析和评价,并根据分析结果和预设参数,动态调整清洗装置的工作状态,以实现对芯片的高效、自动化和智能化的清洗过程。
所述的清洗装置由无脉冲泵、压力控制器、流量传感器、清洗液控制阀组成,无脉冲泵、压力控制器、流量传感器与清洗控制器形成一套反馈回路,用于将流量传感器的检测信号传输给压力控制器,并根据预设的流量值对压力控制器进行控制。
本实施例采用一种基于压电效应的微型泵作为无脉冲泵,该微型泵能够实现对清洗液的无脉冲、精确和可控的输送,避免对芯片造成机械损伤或流体干扰。本实施例采用一种深度卷积神经网络DCNN作为图像识别模块,该深度卷积神经网络能够有效地识别出芯片图像上的污渍、划痕、裂纹等缺陷,并根据芯片图像的质量参数计算出一个客观和准确的清洗效果评分CES,并将该评分与预设的清洗目标评分CTS进行比较,以判断是否达到清洗目标。本实施例采用一种模糊逻辑控制算法作为智能算法模块,该模糊逻辑控制算法能够根据CES和CTS的差值,动态调整无脉冲泵的输出压力、切换阀的切换时间和清洗液的种类,使得CES逐渐接近或达到CTS。
本实施例的优点是:能够实现对微流控芯片的高效、自动化和智能化的清洗过程,提高芯片的使用寿命和性能。
实施例2:
本实施例提供了一种基于无脉冲泵供液的芯片清洗***,其与实施例1相同,除了以下不同之处:
所述的:无脉冲泵,用于向一个芯片提供清洗液;
压力控制器,用于对无脉冲泵的输出压力进行调节;
流量传感器,用于检测微流控芯片内的清洗液流量,流量计算可以通过;
图像识别模块,用于对芯片图像进行采集和分析,并根据芯片清晰程度评价清洗效果;
智能算法模块,用于根据图像识别模块的分析结果和预设的清洗目标评分CTS,并且CES的最大值,建立并求解优化问题:
,
其中,表示无脉冲泵的输出压力,表示切换阀的切换时间,表示清洗液的种
类,表示基于p,t,k计算出的清洗效果评分,表示对p,t,k的约束
条件。
实施例2中的数学公式是一个优化问题,它的意思是要在满足一些约束条件的情
况下,找到一个使得清洗效果评分CES最大的组合,这个组合包括无脉冲泵的输出压力p、切
换阀的切换时间t和清洗液的种类k。公式中的s.t.表示受限于,它是一个约束条件,表示要
满足一些限制条件,才能进行优化问题的求解。s.t.后面跟着的表示对p,t,k的
约束条件,例如p,t,k不能超过一定的范围,或者p,t,k之间有一定的关系等。
为了求解优化问题:
;
采用一种基于拉格朗日乘子法的方法,该方法可以将带有约束条件的优化问题转化为无约束的优化问题,从而利用梯度下降法或牛顿法等方法求解。具体步骤如下:
步骤1:构造拉格朗日函数:
,
其中,为拉格朗日乘子,表示约束条件的权重;
步骤2:求解拉格朗日函数的极大值点,即使得拉格朗日函数的偏导数为零的点:
这是一个非线性方程组,可以用数值方法求解,例如牛顿法或拟牛顿法等;
步骤3:检验极大值点是否满足最优性条件,即是否满足KKT条件:
如果满足KKT条件,则该极大值点为原优化问题的最优解;如果不满足KKT条件,则需要重新构造拉格朗日函数或改变初始值,重复步骤1至步骤3,直到找到满足KKT条件的极大值点。
为了说明本方法的具体应用,下面给出一个简化的数据案例。设定、、、分别为以下函数:
则优化问题为:
根据步骤1,构造拉格朗日函数为:
根据步骤2,求解拉格朗日函数的偏导数为零的点,即:
这是一个非线性方程组,可以用数值方法求解,例如牛顿法或拟牛顿法等。假设初始值为:
则经过若干次迭代,可以得到极大值点为:
根据步骤3,检验该极大值点是否满足KKT条件,即:
可以验证,该极大值点满足KKT条件,因此该极大值点为原优化问题的最优解。此时,CES的最大值为:
因此,根据该最优解,清洗控制器控制无脉冲泵、压力控制器、流量传感器、切换阀和可调节喷头,向芯片喷射清洗液。假设无脉冲泵的输出压力与p成正比,切换阀的切换时间与t成正比,清洗液的种类与k成正比,则此时无脉冲泵的输出压力为16.7kPa,切换阀的切换时间为16.7ms,清洗液的种类为4.67(例如表示4.67%的酸性溶液)。然后重复上述步骤,直到CES大于或等于CTS,或达到预设的清洗时间上限,结束清洗过程。
本实施例的优点是:能够实现对微流控芯片的高效、自动化和智能化的清洗过程,提高芯片的使用寿命和性能;
本实施例的创新点是:采用了一种基于压电效应的微型泵作为无脉冲泵,能够实现对清洗液的无脉冲、精确和可控的输送,避免对芯片造成机械损伤或流体干扰;采用了一种深度卷积神经网络(DCNN)作为图像识别模块,能够有效地识别出芯片图像上的污渍、划痕、裂纹等缺陷,并根据芯片图像的质量参数计算出一个客观和准确的清洗效果评分(CES),并将该评分与预设的清洗目标评分(CTS)进行比较,以判断是否达到清洗目标;采用了一种模糊逻辑控制算法作为智能算法模块,能够根据CES和CTS的差值,动态调整无脉冲泵的输出压力、切换阀的切换时间和清洗液的种类,使得CES逐渐接近或达到CTS。
本实施例还提供了一个具体的数据案例,说明了本实施例的工作原理和效果。该数据案例包括了芯片图像的像素数据、深度卷积神经网络(DCNN)的结构和参数、拉格朗日函数的构造和求解、优化问题的最优解和CES的最大值。
实施例3:
本实施例提供了一种基于无脉冲泵供液的芯片清洗***,其与实施例1相同,除了以下不同之处:
所述的智能算法模块采用深度卷积神经网络DCNN对芯片图像进行特征提取和分类,根据芯片图像的清晰度、对比度、亮度和颜色等参数计算出一个清洗效果评分CES,并将该评分与预设的清洗目标评分CTS进行比较,以判断是否达到清洗目标。
本实施例采用一种深度卷积神经网络DCNN作为图像识别模块,该深度卷积神经网络的结构示意图如图3所示。该深度卷积神经网络DCNN包括一个输入层、若干个卷积层、若干个池化层、若干个全连接层和一个输出层,其中输入层接收芯片图像的像素数据,输出层输出芯片图像的清洗效果评分CES。该深度卷积神经网络DCNN能够有效地识别出芯片图像上的污渍、划痕、裂纹等缺陷,并根据芯片图像的质量参数计算出一个客观和准确的清洗效果评分CES,并将该评分与预设的清洗目标评分CTS进行比较,以判断是否达到清洗目标。
本实施例对深度卷积神经网络DCNN的结构进行了详细说明。输入层将芯片图像转换为一个三维矩阵,表示图像的宽度、高度和颜色通道。卷积层将一个或多个卷积核与输入矩阵进行卷积运算,提取出图像的局部特征,并生成一个或多个特征图。池化层将特征图进行下采样或降维,减少计算量和参数数量,并保留重要的特征信息。全连接层将特征图展平为一维向量,并通过激活函数进行非线性变换,实现对特征的高级抽象和组合。输出层将全连接层的输出向量映射到一个标量值,表示芯片图像的清洗效果评分CES。该深度卷积神经网络DCNN通过多层的卷积、池化和全连接,能够从芯片图像中提取出高层次的特征,并根据特征的质量参数计算出一个客观和准确的清洗效果评分CES。
本实施例与实施例1相比,在图像识别方面更加先进和精确,在清洗效果评价方面更加客观和准确,在清洗目标判断方面更加灵敏和可靠。本实施例在使用过程中,与实施例1相同。在深度卷积神经网络DCNN的结构上进行了更加详细和清晰的说明,在图像特征提取和清洗效果评分方面更加具体和明确。
实施例4:
本实施例提供了一种基于无脉冲泵供液的芯片清洗***,其与实施例1相同,除了以下不同之处:
所述的清洗控制器根据智能算法模块的清洗效果评分CES和预设的清洗目标评分CTS的差值,动态调整无脉冲泵的输出压力、切换清洗液控制阀的切换时间和清洗液的种类,使得清洗效果评分CES逐渐接近、达到、超过清洗目标评分CTS。
如图4所述,所述的清洗控制器采用模糊逻辑控制算法,通过一组模糊规则和隶属函数实现对输出变量的模糊推理和反模糊化,根据智能算法模块的清洗效果评分CES和预设的清洗目标评分CTS的差值作为输入变量,无脉冲泵的输出压力、输出流量、切换清洗液控制阀的切换时间和清洗液的种类作为输出变量。
本实施例采用一种基于模糊逻辑控制算法的清洗控制器,该模糊逻辑控制算法包括以下步骤:
步骤S11:将CES和CTS的差值作为输入变量,并将其转换为模糊集合,如“大”、“中”、“小”等;
步骤S12:将无脉冲泵的输出压力、切清洗液控制阀的切换时间和清洗液的种类作为输出变量,并将其转换为模糊集合,如“高”、“中”、“低”等;
步骤S13:根据专家经验或经验数据,建立一组模糊规则,如“如果输入变量是大,则输出变量是高”等;
步骤S14:根据输入变量和模糊规则进行模糊推理,得到输出变量的模糊结果;
步骤S15:根据隶属函数将输出变量的模糊结果转换为精确值,并输出给无脉冲泵、切换清洗液控制阀和清洗液的种类。
该模糊逻辑控制算法能够处理CES和CTS的差值的不确定性和模糊性,实现对无脉冲泵、切换清洗液控制阀和清洗液的种类的灵活和合理的调节,使得CES逐渐接近或达到CTS。
本实施例与实施例1相比,在清洗控制方面更加灵活和高效,在清洗效果方面更加稳定和可靠,在清洗参数方面更加动态和可调。在清洗控制方面更加先进和智能,在清洗参数方面更加合理和优化,在清洗效果方面更加稳定和可靠。本实施例在使用过程中,与实施例1相同。
实施例5:
如图2所示,一种基于无脉冲泵供液的芯片清洗***进行芯片清洗的方法,包括以下步骤:
a)将待清洗的芯片放置在清洗工作台上,并启动图像检测装置对芯片进行拍摄;
b)将拍摄得到的芯片图像传输给中央处理器,并由图像识别模块对芯片图像进行特征提取和分类;通过智能算法模块计算出一个初始的清洗效果评分CES;
c)将初始的清洗效果评分CES与预设的清洗目标评分CTS进行比较,如果CES小于CTS,则进入步骤d);否则,结束清洗过程;
d)由智能算法模块根据CES和CTS的差值,建立并求解优化问题:
,
其中,表示无脉冲泵的输出压力,表示切换阀的切换时间,表示清洗液的种
类,表示基于p,t,k计算出的清洗效果评分,表示对p,t,k的约束
条件,并由清洗控制器控制无脉冲泵、切换阀和可调节喷头,向芯片喷射清洗液;
e)重复步骤a)至d),直到CES大于或等于CTS,或达到预设的清洗时间上限,结束清洗过程。
所述的清洗液包括至少一种选自以下组中的物质:纯净水、酸性溶液、碱性溶液、有机溶剂、表面活性剂、纳米颗粒、酶或抗体。
本实施例提供了一种使用基于无脉冲泵供液的芯片清洗***进行芯片清洗的方法,该方法能够实现对芯片清洗过程的自动化和智能化控制,提高清洗效率和质量。本实施例在使用过程中,与实施例1相同。
本实施例采用多种不同性质和功能的清洗液,能够针对芯片上不同类型和程度的污染物,选择合适的清洗液进行清洗,例如使用酸性溶液或碱性溶液去除金属氧化物或盐类,使用有机溶剂去除油脂或胶粘物,使用表面活性剂去除尘埃或颗粒物,使用纳米颗粒去除顽固污渍或划痕,使用酶或抗体去除生物污染物等,从而提高清洗效果和芯片质量。
上述实施例中使用到的标准零件均可以从市场上购买,异形件根据说明书和附图的记载均可以进行订制,各个零件的具体连接方式均采用现有技术中成熟的螺栓、铆钉、焊接、粘贴等常规手段,在此不再详述。
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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。本文中应用了具体个例对本专利技术方案的原理及实施方式进行了阐述,以上实例的说明只是用于帮助理解本专利的方法及其核心思想。以上所述仅是本专利的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本专利原理的前提下,还可以做出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将专利的构思和技术方案直接应用于其它场合的,均应视为本专利的保护范围。
Claims (7)
1.一种基于无脉冲泵供液的芯片清洗***,其特征在于,包括:清洗工作台、图像检测装置、中央处理器、清洗装置;清洗工作台为密闭空间,图像检测装置固定在能够清洗全景拍摄芯片清洗台上芯片的位置,图像检测装置连接并向中央处理器传输照片,中央处理器连接且控制清洗装置;所述的图像检测装置包括摄像头、图像保存模块及传输模块;所述的中央处理器包括硬件部分、图像识别模块、智能算法模块、清洗控制器;
所述的清洗装置由无脉冲泵、压力控制器、流量传感器、清洗液控制阀组成,无脉冲泵、压力控制器、流量传感器与清洗控制器形成一套反馈回路,用于将流量传感器的检测信号传输给压力控制器,并根据预设的流量值对压力控制器进行控制;
无脉冲泵,用于向一个芯片提供清洗液;压力控制器,用于对无脉冲泵的输出压力进行调节;流量传感器,用于检测芯片内的清洗液流量;清洗液控制阀用于切换采用不同的清洗液;图像识别模块,用于对芯片图像进行采集和分析,去除芯片以外的图像内容,对芯片图像进行特征提取和分类;智能算法模块,用于根据图像识别模块的处理结果计算出一个清洗效果评分CES和预设的清洗目标评分CTS进行比较,建立并求解优化问题,得到最大化清洗效果评分CES的目标函数,求解公式如下:
,
其中,表示无脉冲泵的输出压力,表示切换阀的切换时间,表示清洗液的种类,表示基于p,t,k计算出的清洗效果评分,表示对p,t,k的约束
条件;
CES、、/>、/>分别为以下函数:
,
则优化问题为:
。
2.根据权利要求1所述的一种基于无脉冲泵供液的芯片清洗***,其特征在于,所述的智能算法模块采用深度卷积神经网络DCNN对芯片图像进行特征提取和分类,根据芯片图像的清晰度、对比度、亮度和颜色参数计算出一个清洗效果评分CES,并将该清洗效果评分CES与预设的清洗目标评分CTS进行比较,以判断是否达到清洗目标。
3.根据权利要求2所述的一种基于无脉冲泵供液的芯片清洗***,其特征在于,所述的深度卷积神经网络DCNN包括一个输入层、若干个卷积层、若干个池化层、若干个全连接层和一个输出层,其中输入层接收芯片图像的像素数据,输出层输出芯片图像的清洗效果评分CES。
4.根据权利要求1所述的一种基于无脉冲泵供液的芯片清洗***,其特征在于,所述的清洗控制器根据智能算法模块的清洗效果评分CES和预设的清洗目标评分CTS的差值,动态调整无脉冲泵的输出压力、切换清洗液控制阀的切换时间和清洗液的种类,使得清洗效果评分CES逐渐接近、达到、超过清洗目标评分CTS。
5.根据权利要求4所述的一种基于无脉冲泵供液的芯片清洗***,其特征在于,所述的清洗控制器采用模糊逻辑控制算法,通过一组模糊规则和隶属函数实现对输出变量的模糊推理和反模糊化,根据智能算法模块的清洗效果评分CES和预设的清洗目标评分CTS的差值作为输入变量,无脉冲泵的输出压力、输出流量、切换清洗液控制阀的切换时间和清洗液的种类作为输出变量。
6.根据权利要求1所述的一种基于无脉冲泵供液的芯片清洗***,其特征在于,所述的清洗装置还包括一个可调节喷头,该喷头能够在水平方向和垂直方向上旋转一定角度,并由清洗控制器控制其旋转角度,以实现对芯片不同区域和不同角度的冲洗。
7.根据权利要求1所述的一种基于无脉冲泵供液的芯片清洗***进行芯片清洗的方法,其特征在于,包括以下步骤:
a)将待清洗的芯片放置在清洗工作台上,并启动图像检测装置对芯片进行拍摄;
b)将拍摄得到的芯片图像传输给中央处理器,并由图像识别模块对芯片图像进行特征提取和分类;通过智能算法模块计算出一个初始的清洗效果评分CES;
c)将初始的清洗效果评分CES与预设的清洗目标评分CTS进行比较,如果CES小于CTS,则进入步骤d);否则,结束清洗过程;
d)由智能算法模块根据CES和CTS的差值,建立并求解优化问题,并且得到CES的最大值;
e)重复步骤a)至d),直到CES大于或等于CTS,或达到预设的清洗时间上限,结束清洗过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311173132.XA CN116913827B (zh) | 2023-09-12 | 2023-09-12 | 一种基于无脉冲泵供液的芯片清洗***及清洗方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311173132.XA CN116913827B (zh) | 2023-09-12 | 2023-09-12 | 一种基于无脉冲泵供液的芯片清洗***及清洗方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116913827A CN116913827A (zh) | 2023-10-20 |
CN116913827B true CN116913827B (zh) | 2023-12-12 |
Family
ID=88356976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311173132.XA Active CN116913827B (zh) | 2023-09-12 | 2023-09-12 | 一种基于无脉冲泵供液的芯片清洗***及清洗方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116913827B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106694483A (zh) * | 2016-12-23 | 2017-05-24 | 上海城市水资源开发利用国家工程中心有限公司 | 一种气水脉冲管道清洗试验与记录装置与方法 |
CN107485356A (zh) * | 2017-09-01 | 2017-12-19 | 佛山市顺德区美的洗涤电器制造有限公司 | 洗碗机的洗涤控制方法和装置以及洗碗机 |
CN211088213U (zh) * | 2019-10-24 | 2020-07-24 | 长江存储科技有限责任公司 | 晶圆清洁装置 |
WO2020243823A2 (en) * | 2018-05-07 | 2020-12-10 | Jason Marshall | A process for a fully automated management system (fams) towards resource and system protection and optimization in a manufacturing process. |
CN112474576A (zh) * | 2020-10-21 | 2021-03-12 | 康硕(江西)智能制造有限公司 | 一种超声波清洗***及其清洗方法 |
CN113130356A (zh) * | 2021-04-15 | 2021-07-16 | 长江存储科技有限责任公司 | 晶圆清洗的控制方法、控制装置和计算机可读存储介质 |
WO2021196424A1 (zh) * | 2020-04-01 | 2021-10-07 | 厦门理工学院 | 一种固态co2清洗*** |
JP2022107954A (ja) * | 2021-01-12 | 2022-07-25 | 株式会社コジマプラスチックス | 金型管理システム |
CN114999962A (zh) * | 2022-06-07 | 2022-09-02 | 智程半导体设备科技(昆山)有限公司 | 一种晶圆单片清洗装置及方法 |
JP2023069980A (ja) * | 2021-11-08 | 2023-05-18 | 敏夫 蜂須賀 | リユース容器を回収する方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10127652B2 (en) * | 2014-02-06 | 2018-11-13 | Kla-Tencor Corp. | Defect detection and classification based on attributes determined from a standard reference image |
US11676266B2 (en) * | 2020-11-04 | 2023-06-13 | Tokyo Electron Limited | Method and apparatus for inspecting pattern collapse defects |
CN115148620A (zh) * | 2021-03-30 | 2022-10-04 | 长鑫存储技术有限公司 | 晶圆清洗异常检测方法及装置 |
-
2023
- 2023-09-12 CN CN202311173132.XA patent/CN116913827B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106694483A (zh) * | 2016-12-23 | 2017-05-24 | 上海城市水资源开发利用国家工程中心有限公司 | 一种气水脉冲管道清洗试验与记录装置与方法 |
CN107485356A (zh) * | 2017-09-01 | 2017-12-19 | 佛山市顺德区美的洗涤电器制造有限公司 | 洗碗机的洗涤控制方法和装置以及洗碗机 |
WO2020243823A2 (en) * | 2018-05-07 | 2020-12-10 | Jason Marshall | A process for a fully automated management system (fams) towards resource and system protection and optimization in a manufacturing process. |
CN211088213U (zh) * | 2019-10-24 | 2020-07-24 | 长江存储科技有限责任公司 | 晶圆清洁装置 |
WO2021196424A1 (zh) * | 2020-04-01 | 2021-10-07 | 厦门理工学院 | 一种固态co2清洗*** |
CN112474576A (zh) * | 2020-10-21 | 2021-03-12 | 康硕(江西)智能制造有限公司 | 一种超声波清洗***及其清洗方法 |
JP2022107954A (ja) * | 2021-01-12 | 2022-07-25 | 株式会社コジマプラスチックス | 金型管理システム |
CN113130356A (zh) * | 2021-04-15 | 2021-07-16 | 长江存储科技有限责任公司 | 晶圆清洗的控制方法、控制装置和计算机可读存储介质 |
JP2023069980A (ja) * | 2021-11-08 | 2023-05-18 | 敏夫 蜂須賀 | リユース容器を回収する方法 |
CN114999962A (zh) * | 2022-06-07 | 2022-09-02 | 智程半导体设备科技(昆山)有限公司 | 一种晶圆单片清洗装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116913827A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109375235B (zh) | 基于深度强化神经网络的内河船舶干舷检测方法 | |
US20080314878A1 (en) | Apparatus and method for controlling a machining system | |
CN110969660B (zh) | 一种基于三维立体视觉和点云深度学习的机器人上料*** | |
WO2020093767A1 (zh) | 用于环卫作业的机器人的控制方法、装置以及机器人 | |
CN1523533A (zh) | 人的检测方法和设备 | |
CN111242202B (zh) | 基于度量学习的车削加工刀具磨损状态监测方法 | |
CN108427280A (zh) | 一种基于滑模控制理论的桥式吊车防摆控制方法 | |
CN109876569B (zh) | 一种布袋除尘器净化气体指标在线检测装置、***及方法 | |
CN116913827B (zh) | 一种基于无脉冲泵供液的芯片清洗***及清洗方法 | |
CN113688751A (zh) | 一种利用图像识别技术分析矾花特征的方法及装置 | |
CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
Pandey et al. | Autopilot control unmanned aerial vehicle system for sewage defect detection using deep learning | |
CN110640743A (zh) | 一种具有视觉跟踪的单目工业机器人 | |
CN110640744A (zh) | 一种电机模糊控制的工业机器人 | |
CN117218511A (zh) | 磁粉探伤裂纹视觉识别方法、裂缝的磁粉探伤方法 | |
CN116591678A (zh) | 多因素耦合下煤岩界线识别技术及采煤调高*** | |
Wang et al. | Diversion tunnel defects inspection and identification using an automated robotic system | |
Chandra et al. | Garbage detection and path-planning in autonomous robots | |
CN115201213A (zh) | 一种客运索道钢丝绳检测装置及方法 | |
CN113269043A (zh) | 一种钢卷松卷的实时跟踪识别方法及装置 | |
CN112967267A (zh) | 一种全卷积神经网络的激光定向能量沉积溅射计数方法 | |
Wang et al. | Existing weld seam recognition based on sub-region BP_Adaboost algorithm | |
AU2015246588B2 (en) | Method and system for detecting saturated or non-irrigated areas in leach heaps, in order to assist with the management and control of irrigation in leach heaps | |
Rekhawar et al. | Deep learning based detection, segmentation and vision based pose estimation of staircase | |
CN115625571B (zh) | 金刚石盘的监控方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |