CN116978834B - 一种用于晶圆生产的智能监测预警*** - Google Patents
一种用于晶圆生产的智能监测预警*** Download PDFInfo
- Publication number
- CN116978834B CN116978834B CN202311213205.3A CN202311213205A CN116978834B CN 116978834 B CN116978834 B CN 116978834B CN 202311213205 A CN202311213205 A CN 202311213205A CN 116978834 B CN116978834 B CN 116978834B
- Authority
- CN
- China
- Prior art keywords
- wafer
- dust
- early warning
- production
- equipment
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 146
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 239000000428 dust Substances 0.000 claims abstract description 187
- 230000007547 defect Effects 0.000 claims abstract description 170
- 238000001514 detection method Methods 0.000 claims abstract description 94
- 230000005856 abnormality Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 230000003287 optical effect Effects 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 19
- 230000002950 deficient Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 235000012431 wafers Nutrition 0.000 abstract description 223
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
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)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种用于晶圆生产的智能监测预警***，框架包括设备层、数据库层和控制层，所述设备层包括输入设备和输出设备，所述输入设备包括扫描电子显微镜、光学照射装置、摄像机，所述输出设备包括显示装置、灰尘异常预警装置、故障异常预警装置，所述数据库层用于存储***工作过程中采集的数据，所述控制层包括CPU、灰尘检测模块、缺陷检测与故障设备预测模块、通讯模块、灰尘异常预警模块和故障异常预警模块，所述灰尘检测模块用于监测不同生产阶段是否发生灰尘异常增多的情况；所述缺陷检测与故障设备预测模块用于检测不同设备是否发生故障导致晶圆缺陷。本发明能够快速对有异常的生产阶段和设备进行预警，提升生产晶圆的质量与效率。
Description
技术领域
本发明涉及晶圆生产数据处理技术领域，特别涉及一种用于晶圆生产的智能监测预警***。
背景技术
在半导体生产流程中，晶圆需要经历上千道加工工序，并涉及到多种不同类型的生产设备。越来越需要在许多不同处理模块或处理模块的群集之间传送晶片，并且有时由于生产工序的原因，需要在相隔较远的模块之间传送晶圆，而在这个过程中，晶圆很容易因为各种原因沾染上灰尘，从而影响产品质量，监测导致晶圆沾染灰尘的生产阶段对提高晶圆产量、质量有重要意义。除此之外，复杂的生产阶段和生产设备意味着找出有故障的生产设备是一件有挑战的问题，随着半导体制造的复杂性不断增加，如何准确地找出导致晶圆缺陷的设备是晶圆生产过程的一个重要环节。
如申请公开号为CN105742216A的中国专利公开了一种晶圆传送***检测方法及晶圆传送***，旨在解决晶圆传送过程中检测是否需要更换晶圆接触器的问题。该发明包括获取晶圆与传送部件的晶圆接触器分离过程中所述晶圆的检测振幅；获取所述检测振幅经过数据处理的计算振幅，所述数据处理为若干次的微分处理或若干次的微分处理与加权处理相结合；确定所述计算振幅中的最大值大于或等于预设阈值，则发送提示信息，以根据所述提示信息确认更换所述晶圆接触器的时间。该发明提供的晶圆传送***检测方法及晶圆传送***，用以解决相关技术中晶圆接触器与晶圆之间容易发生黏连，晶圆的加工过程及精度受到影响的缺陷，可通过量化的振幅确定是否需要更换晶圆接触器。但该发明并没有关注到检测晶圆传送过程中晶圆上是否有灰尘异常增多现象并进行预警。
如授权公告号为CN115193750B的中国专利公开了一种半导体晶圆缺陷检测***，旨在解决如何区分经过缺陷检测后的晶圆与未检测晶圆的问题。该发明包括缺陷检测台、传送模块、存储仓模块、定位模块、视觉检测模块、尺寸检测模块、标记模块和缺陷分析模块，该发明通过检测晶圆表面的颗粒数据、晶圆厚度数据以及晶圆表面的高度数据对晶圆是否能够使用进行判断，在判定晶圆不符合使用标准时，通过依次控制所述标记模块对晶圆进行缺陷标记并控制所述传送模块将标记完成的晶圆传送至对应的所述存储仓位以完成对晶圆的缺陷检测和分选，有效的保证了经过缺陷检测后的晶圆能够与未检测晶圆进行区分。但是该发明并没有检测导致晶圆产生缺陷的设备并进行预警。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
针对现有技术的不足，本发明的主要目的是提供一种用于晶圆生产的智能监测预警***，能够有效解决背景技术中的问题：现有晶圆传送与检测***中，无法做到检测不同生产阶段是否有灰尘异常增多现象并进行预警，也无法做到检测导致晶圆缺陷的故障设备并进行预警，因而导致晶圆生产的质量和效率偏低的问题。本发明的具体技术方案如下：
一种用于晶圆生产的智能监测预警***，所述***包括设备层、数据库层和控制层；所述设备层包括输入设备和输出设备，所述输入设备包括扫描电子显微镜、光学照射装置、摄像机，所述扫描电子显微镜用于扫描晶圆表面，检测缺陷生成晶圆图，所述光学照射装置用于显现晶圆上的灰尘，所述摄像机用于拍摄所述光学照射装置照射下的晶圆图像，所述输出设备包括显示装置、灰尘异常预警装置、故障异常预警装置，所述显示装置用于显示晶圆的生产阶段，生产晶圆的设备是否有异常，所述灰尘异常预警装置用于对出现灰尘异常增多的生产阶段进行预警，所述故障异常预警装置用于对导致晶圆缺陷的故障设备进行预警；
所述数据库层用于存储所述***工作过程中采集的数据；
所述控制层包括CPU、灰尘检测模块、缺陷检测与故障设备预测模块、通讯模块、灰尘异常预警模块和故障异常预警模块。
本发明进一步的改进在于，所述CPU用于对所述***的运行进行管理控制；所述灰尘检测模块用于监测不同生产阶段是否发生灰尘异常增多的情况；所述缺陷检测与故障设备预测模块用于检测晶圆图上的缺陷，并根据检测出的缺陷的类型与位置，预测导致缺陷产生的设备，监测不同设备是否发生故障导致晶圆缺陷；所述通讯模块用于在所述***内部构建通讯网络，实现***内部的数据互传；所述灰尘异常预警模块用于在检测出某个生产阶段内灰尘异常增多时，针对该生产阶段，通过所述输出设备中的灰尘异常预警装置进行预警；所述故障异常预警模块用于检测出晶圆缺陷时，预测导致晶圆缺陷产生的生产设备，通过所述输出设备中的故障异常预警装置，针对发生故障的生产设备进行预警。
本发明进一步的改进在于，所述输入设备包括扫描电子显微镜，所述扫描电子显微镜用于扫描晶圆表面，生成晶圆图，所述扫描电子显微镜的镜头***的分辨率在0.1纳米到1纳米之间。
本发明进一步的改进在于，所述输入设备包括光学照射装置，所述光学照射装置用于显现晶圆上的灰尘，所述光学照射装置使用明场照明***，将高亮度光源通过透镜聚焦后均匀地照射到待检测晶圆上。
本发明进一步的改进在于，所述输入设备包括摄像机，所述摄像机用于拍摄经过光学照射装置照射后的晶圆的正面图像，所述摄像机的镜头***的放大倍率为100-200倍。
本发明进一步的改进在于，所述灰尘检测模块将晶圆生产过程划分为不同阶段，每个阶段的衔接点设置为晶圆灰尘检测点，所述晶圆灰尘检测点使用所述光学照射装置照射晶圆，使用所述摄像机拍摄晶圆的正面图像，并将所述摄像机拍摄晶圆的正面图像转换为灰度图，设经过第个生产阶段处理后的晶圆经过所述晶圆灰尘检测点处理得到的灰度图为/>，其中/>，/>表示生产阶段的总数。
本发明进一步的改进在于，所述灰尘检测模块包括灰尘形状匹配单元，所述灰尘形状匹配单元包括轮廓提取子单元和轮廓匹配子单元，所述轮廓提取子单元使用Canny边缘检测算法，经过噪声去除、计算像素点梯度值和方向、非极大值抑制、双阈值检测和边缘连接，提取出所述灰度图中灰尘的轮廓，灰尘的轮廓信息用轮廓像素点的坐标表示，将轮廓的像素点的坐标按照顺时针顺序存储，设所述灰度图中的第/>个灰尘为/>，则第/>个灰尘的轮廓信息为/>，其中/>，/>，/>表示/>中灰尘的总数，/>表示生产阶段的总数。
本发明进一步的改进在于，所述轮廓匹配子单元将所述灰度图中的每个灰尘与灰度图/>中的每个灰尘一一对比相似度，其中/>为经过第/>个生产阶段处理后的晶圆经过所述晶圆灰尘检测点处理得到的灰度图，其中/>，/>表示生产阶段的总数，设/>中第/>个灰尘为/>，/>中第/>个灰尘为/>，其中/>，，/>，/>表示/>中灰尘的总数，/>表示/>中灰尘的总数，/>表示生产阶段的总数，相似度对比方法采用形状上下文匹配算法，为轮廓匹配子单元设置判别阈值/>，设/>为/>和/>的相似度，设经过对比后，若/>中存在/>满足/>，则记/>为旧灰尘，若/>中不存在/>满足/>，则记/>为新出现的灰尘，遍历完所述灰度图/>中的每个灰尘后，统计新出现的灰尘的数量/>，若/>，其中/>为第一阈值，则通过显示设备显示第/>个生产阶段出现灰尘异常增多现象，通过所述灰尘异常预警模块进行预警。
本发明进一步的改进在于，所述灰尘检测模块还包括灰尘面积匹配单元，所述灰尘面积匹配单元根据所述灰尘形状匹配单元在第个生产阶段所提取出的第/>个灰尘的轮廓信息/>，使用格林公式计算第/>个灰尘/>的面积，设/>总共包含/>个轮廓像素点坐标，设第/>个轮廓像素点坐标为/>，第/>个轮廓像素点坐标为；
其中，当时，令第/>个轮廓像素点坐标为/>，则第/>个灰尘/>的面积为/>，其中/>，则所述经过第个生产阶段处理后的晶圆经过所述晶圆灰尘检测点处理得到的灰度图/>中的所有灰尘的总面积为/>，比较所述灰度图/>中所有灰尘的总面积/>和灰度图/>中所有灰尘的总面积/>，若/>，其中/>为第二阈值，则通过显示设备显示第/>个生产阶段出现灰尘异常增多现象，通过所述灰尘异常预警模块进行预警。
本发明进一步的改进在于，所述缺陷检测与故障设备预测模块包括训练数据制备单元、缺陷检测单元和故障设备预测单元，所述训练数据制备单元使用扫描电子显微镜对晶圆上每个芯片进行缺陷检测，并统计每个芯片的缺陷数量，根据统计结果构建晶圆图，晶圆图上每个像素点的值为该像素点对应位置的芯片的缺陷数量，所述训练数据制备单元制备出晶圆在经过生产设备处理后的所述晶圆图，并且根据所述晶圆图，标注出所述晶圆图上的缺陷的类型、位置和产生缺陷的设备。
本发明进一步的改进在于，所述缺陷检测单元包括两个分支，分别用于检测缺陷的类型和缺陷的位置，每个分支都采用堆叠五十层的残差网络作为检测模型，残差网络最后衔接一个全连接层用于分类，全连接层使用softmax函数激活，记第一个分支用于检测缺陷类型的检测模型为，设/>的输入数据为所述晶圆图，设所述晶圆图为，/>的输出数据为向量/>，其中/>，/>的第/>个元素/>为预测所述晶圆图/>是类别/>的概率，其中/>表示维度为/>的实数空间，其中/>为缺陷类型的数量，所述缺陷检测单元使用所述晶圆图/>和对应的实际晶圆类型编码/>训练/>，其中/>，其中/>表示维度为/>的实数空间，其中/>为缺陷类型的数量，则/>的损失函数为：
；
记第二个分支用于检测缺陷类型的检测模型为，/>的输入数据为所述晶圆图/>，/>的输出数据为向量/>，其中/>，其中/>表示维度为/>的实数空间，其中/>的第/>个元素/>为用于预测所述晶圆图/>中缺陷位置的像素点的坐标信息，/>总共包含/>个像素点，其中/>个像素点的坐标表示为/>，则，所述缺陷检测单元使用所述晶圆图/>和对应的实际晶圆位置信息/>训练/>，其中/>，其中/>表示维度为/>的实数空间，其中/>为实际用于表示晶圆位置信息的像素点的坐标值总数，则/>的损失函数为：
。
本发明进一步的改进在于，所述缺陷检测单元训练完与/>后，在检测晶圆的缺陷类型和缺陷位置时，先将待检测的晶圆的晶圆图输入/>，根据输出的/>，判断晶圆概率最大的缺陷类型，如果缺陷类型为None，即晶圆没有缺陷，则不需要启动故障异常预警模块进行预警，如果缺陷类型不为None，即晶圆有缺陷，则启动故障异常预警模块进行预警，并将待检测的晶圆的晶圆图输入/>，得到的输出结果/>，最终将/>和/>一起输入所述故障设备预测单元。
本发明进一步的改进在于，所述故障设备预测单元的故障设备预测模型包括六层线性层，前五层线性层都使用RELU函数激活，最后一层线性层经过softmax函数处理输出预测结果，所述故障设备预测模型/>的输入数据是所述缺陷检测单元的两个分支模型/>和/>的输出结果/>和/>的拼接结果，拼接结果为/>，即/>，其中表示维度为/>的实数空间，其中/>为缺陷类型的数量，/>为用于表示晶圆位置信息的像素点的坐标值总数，所述故障设备预测模型/>的输出结果为向量，其中/>表示维度为/>的实数空间，/>，其中/>表示晶圆生产过程中所有设备的总数目，其中/>的第/>个元素/>为预测导致所述晶圆图/>中缺陷的设备是第/>个设备的概率，所述故障设备预测单元使用/>和产生所述晶圆图/>中缺陷的实际设备编码/>训练/>，其中/>表示维度为/>的实数空间，，其中/>表示晶圆生产过程中所有设备的总数目，/>表示/>的第/>个元素，/>的第/>个元素/>值为1表示导致所述晶圆图/>中缺陷的设备是第/>个设备，否则/>值为0，/>，所述故障设备预测模型/>的损失函数为：
。
本发明进一步的改进在于，所述故障设备预测单元训练完后，在检测导致晶圆产生缺陷的设备时，先将所述缺陷检测单元的输出结果/>和/>输入/>，/>输出预测结果/>，按照概率高低顺序列出造成晶圆缺陷的故障设备，通过所述显示设备显示造成晶圆缺陷的故障设备，显示缺陷类型和缺陷在晶圆上的位置，通过所述故障异常预警模块进行预警。
一种用于晶圆生产的智能监测预警方法，所述方法包括以下具体步骤：
A1：采集传送到晶圆灰尘检测点的晶圆的正面图像，并转换为灰度图；
A2：根据A1中的灰度图，提取出灰度图中灰尘的轮廓信息；
A3：根据A2的轮廓信息，将当前与上一个生产阶段的灰尘检测点的晶圆的灰度图中的灰尘轮廓信息进行相似度对比，输出对比结果；
A4：根据A3的对比结果，统计当前生产阶段相较上一个生产阶段新出现的灰尘数量，若新出现的灰尘数量超过第一阈值，则对当前生产阶段进行预警；
A5：根据A1中的灰度图，计算灰度图中灰尘的总面积；
A6：根据A5的灰尘的总面积，将当前与上一个生产阶段的灰尘检测点的晶圆的灰度图中的灰尘面积进行对比，输出对比结果；
A7：根据A6的对比结果，统计当前生产阶段相较上一个生产阶段新出现的灰尘面积增加量，若灰尘面积增加量超过第二阈值，则对当前生产阶段进行预警；
A8：在晶圆完成生产加工后，生成晶圆图；
A9：根据A8中的晶圆图，检测晶圆图上的缺陷类型；
A10：根据A8中的晶圆图，检测晶圆图上的缺陷位置；
A11：根据A9、A10中检测出的缺陷类型和缺陷位置，预测出造成晶圆缺陷的故障设备，并且对该设备进行预警。
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，实现所述的一种用于晶圆生产的智能监测预警方法。
一种设备，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述设备执行实现所述的一种用于晶圆生产的智能监测预警方法的操作。
与现有技术相比，本发明具有如下有益效果：
C1、本发明在传送晶圆的过程中，通过划分不同的生产阶段，设置晶圆检测点检测当前生产阶段是否有灰尘异常增多现象，并进行灰尘异常预警，本发明通过灰尘异常预警功能能够快速发现出现灰尘异常增多的生产阶段，这种预警机制大大提升了晶圆生产过程的可靠性和稳定性；
C2、本发明在晶圆生产完成后，根据晶圆图检测晶圆缺陷，并根据缺陷类型和缺陷位置对导致缺陷的故障设备进行故障异常预警，本发明通过故障异常预警功能能够快速发现导致缺陷的故障设备，这种预警机制能够快速追溯故障设备，提高晶圆生产质量；
C3、本发明以残差网络为基础搭建了用于检测晶圆缺陷类型和晶圆缺陷位置的两分支的网络模型，基于该两分支的网络模型，进一步使用神经网络预测导致晶圆缺陷的故障设备，本发明所搭建的模型能够检测出晶圆的缺陷类型和位置，同时还能进一步快速预警导致晶圆缺陷的故障设备，能够提高大规模生产环境下的生产效率和质量，降低生产成本和损耗。
附图说明
图1为本发明一种用于晶圆生产的智能监测预警***的框架示意图。
图2为本发明一种用于晶圆生产的智能监测预警***的所述灰尘检测模块示意图。
图3为本发明一种用于晶圆生产的智能监测预警***的所述缺陷检测与故障设备预测模块示意图。
图4为本发明一种用于晶圆生产的智能监测预警***的所述缺陷检测与故障设备预测模块的网络结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，字符"/"，一般表示前后关联对象是一种“或”的关系。
实施例1
本实施例提供了一种用于晶圆生产的智能监测预警***，用以解决现有技术无法无法做到检测不同生产阶段是否有灰尘异常增多现象并进行预警，也无法做到检测导致晶圆缺陷的故障设备并进行预警的问题。具体方案为，如图1-图4所示，一种用于晶圆生产的智能监测预警***，该***包括设备层、数据库层和控制层。在设备层方面，该***包括输入设备和输出设备。输入设备包括扫描电子显微镜、光学照射装置、摄像机。扫描电子显微镜用于扫描晶圆表面，检测缺陷生成晶圆图；光学照射装置用于显现晶圆上的灰尘；摄像机用于拍摄所述光学照射装置照射下的晶圆图像。输出设备包括显示装置、灰尘异常预警装置、故障异常预警装置。显示装置用于显示晶圆的生产阶段，生产晶圆的设备是否有异常；灰尘异常预警装置用于对出现灰尘异常增多的生产阶段进行预警；故障异常预警装置用于对导致晶圆缺陷的故障设备进行预警。数据库层用于存储所述***工作过程中采集的数据。控制层包括CPU、灰尘检测模块、缺陷检测与故障设备预测模块、通讯模块、灰尘异常预警模块和故障异常预警模块。CPU用于对所述***的运行进行管理控制，CPU使用适合计算密集型任务和支持深度学习加速器的型号，用于管理和控制晶圆编码识别***的运行。灰尘检测模块用于监测不同生产阶段是否发生灰尘异常增多的情况。缺陷检测与故障设备预测模块用于检测晶圆图上的缺陷，并根据检测出的缺陷的类型与位置，预测导致缺陷产生的设备，监测不同设备是否发生故障导致晶圆缺陷。通讯模块用于在所述***内部构建通讯网络，实现***内部的数据互传。灰尘异常预警模块用于在检测出某个生产阶段内灰尘异常增多时，针对该生产阶段，通过所述输出设备中的灰尘异常预警装置进行预警。故障异常预警模块用于检测出晶圆缺陷时，预测导致晶圆缺陷产生的生产设备，通过所述输出设备中的故障异常预警装置，针对发生故障的生产设备进行预警。
在本实施例中，所述输入设备包括扫描电子显微镜，所述扫描电子显微镜采用日立S-4800系列型号，用于扫描晶圆表面，生成晶圆图，所述扫描电子显微镜的镜头***的分辨率在0.1纳米到1纳米之间。
在本实施例中，所述输入设备包括光学照射装置，所述光学照射装置用于显现晶圆上的灰尘，所述光学照射装置使用明场照明***，由光源、光学透镜、光学过滤器和反射镜等组成。它的主要功能是提供均匀、稳定的光照，将高亮度光源通过透镜聚焦后均匀地照射到待检测晶圆上。
在本实施例中，所述输入设备包括摄像机，所述摄像机用于拍摄经过光学照射装置照射后的晶圆的正面图像，所述摄像机的镜头***的放大倍率为100-200倍，采用Basler工业相机。
在本实施例中，所述灰尘检测模块将晶圆生产过程划分为不同阶段，每个阶段的衔接点设置为晶圆灰尘检测点，所述晶圆灰尘检测点使用所述光学照射装置照射晶圆，所述光学照射装置的照射角度选用0度角正射照射，使用所述摄像机拍摄晶圆的正面图像，并将所述摄像机拍摄晶圆的正面图像转换为灰度图，设经过第个生产阶段处理后的晶圆经过所述晶圆灰尘检测点处理得到的灰度图为/>，其中/>，/>表示生产阶段的总数。
在本实施例中，所述灰尘检测模块包括灰尘形状匹配单元，所述灰尘形状匹配单元包括轮廓提取子单元和轮廓匹配子单元，所述轮廓提取子单元使用Canny边缘检测算法，经过噪声去除、计算像素点梯度值和方向、非极大值抑制、双阈值检测和边缘连接，提取出所述灰度图中灰尘的轮廓。其中噪声去除过程中，通过对图像进行高斯平滑滤波，降低图像中的噪声；计算像素点梯度值和方向过程中，使用Sobel算子对平滑后的图像进行梯度计算，得到每个像素点的梯度幅值和方向；非极大值抑制过程中，在梯度方向上，对每个像素点进行非极大值抑制，即在梯度方向上找到局部最大值，并将非最大值点抑制为零；在双阈值检测过程中，根据预设的高阈值和低阈值对像素点进行分类，高于高阈值的像素点被视为强边缘，低于低阈值的像素点被视为弱边缘；介于两者之间的像素点则根据其是否与强边缘相连来决定是否为弱边缘；边缘连接过程中，根据弱边缘是否与强边缘相连，决定其是否被认定为最终的边缘。灰尘的轮廓信息用轮廓像素点的坐标表示，将轮廓的像素点的坐标按照顺时针顺序存储，设所述灰度图中的第/>个灰尘为/>，则第/>个灰尘的轮廓信息为/>，其中/>，/>，/>表示/>中灰尘的总数，/>表示生产阶段的总数。
在本实施例中，所述轮廓匹配子单元将所述灰度图中的每个灰尘与灰度图中的每个灰尘一一对比相似度，其中/>为经过第/>个生产阶段处理后的晶圆经过所述晶圆灰尘检测点处理得到的灰度图，其中/>，/>表示生产阶段的总数，设中第/>个灰尘为/>，/>中第/>个灰尘为/>，其中/>，，/>，/>表示/>中灰尘的总数，/>表示/>中灰尘的总数，/>表示生产阶段的总数，相似度对比方法采用形状上下文匹配算法，形状上下文匹配算法步骤包括特征提取、特征向量编码、归一化、距离计算和匹配步骤，其中特征提取步骤中，选择一组关键点作为形状的描述，并计算每个关键点与其他点之间的相对位置关系；特征向量编码步骤中，以选定的关键点为中心，将与之相连的其他点表示为极坐标系下的向量，并将向量的长度和角度转化为直方图形式的特征向量；归一化步骤中，将特征向量进行归一化，使其不受尺度和旋转的影响；距离计算步骤中，通过计算两个形状的特征向量之间的距离，可以得到形状的相似度；匹配步骤中，根据计算得到的相似度，进行形状的匹配和识别。为轮廓匹配子单元设置判别阈值/>，设/>为/>和/>的相似度，设经过对比后，若/>中存在/>满足/>，则记/>为旧灰尘，若/>中不存在/>满足/>，则记/>为新出现的灰尘，遍历完所述灰度图/>中的每个灰尘后，统计新出现的灰尘的数量/>，若/>，其中/>为第一阈值，则通过显示设备显示第/>个生产阶段出现灰尘异常增多现象，通过所述灰尘异常预警模块进行预警。
在本实施例中，所述灰尘检测模块包括灰尘面积匹配单元，所述灰尘面积匹配单元根据所述灰尘形状匹配单元在第个生产阶段所提取出的第/>个灰尘/>的轮廓信息，使用格林公式计算第/>个灰尘/>的面积，设/>总共包含/>个轮廓像素点坐标，设第/>个轮廓像素点坐标为/>，第/>个轮廓像素点坐标为/>，特殊的，当时，令第/>个轮廓像素点坐标为/>，则第/>个灰尘/>的面积为，其中/>，则所述经过第/>个生产阶段处理后的晶圆经过所述晶圆灰尘检测点处理得到的灰度图/>中的所有灰尘的总面积为/>，比较所述灰度图/>中所有灰尘的总面积/>和灰度图/>中所有灰尘的总面积/>，若/>，其中/>为第二阈值，则通过显示设备显示第个生产阶段出现灰尘异常增多现象，通过所述灰尘异常预警模块进行预警。
在本实施例中，所述缺陷检测与故障设备预测模块包括训练数据制备单元、缺陷检测单元和故障设备预测单元，所述训练数据制备单元使用扫描电子显微镜对晶圆上每个芯片进行缺陷检测，并统计每个芯片的缺陷数量，根据统计结果构建晶圆图，晶圆图上每个像素点的值为该像素点对应位置的芯片的缺陷数量，所述训练数据制备单元制备出晶圆在经过生产设备处理后的所述晶圆图，并且根据所述晶圆图，标注出所述晶圆图上的缺陷的类型、位置和产生缺陷的设备。晶圆图上的缺陷的类型总共包括九种，分别为中央型、边缘环型、边缘局部型、局部型、划痕型、随机分布型、空心型、接近布满型和None型，其中None型表示晶圆图上不具有缺陷，其他八种都为不同形式的缺陷类型。晶圆图上的缺陷的位置使用多个像素点的坐标来表示。对生产晶圆的所有设备进行编码，使用对应编码表示产生缺陷的设备。
在本实施例中，所述缺陷检测单元包括两个分支，分别用于检测缺陷的类型和缺陷的位置，每个分支都采用堆叠五十层的残差网络作为检测模型，残差网络的每层网络结构为一层包含短路连接的卷积神经网络层，残差网络的每层网络结构的公式为：，其中/>表示每层网络结构的输出，/>表示该层网络结构中，卷积神经网络层的输出，/>表示输入数据，短路连接的输出是输入数据/>，残差网络最后衔接一个全连接层用于分类，全连接层使用softmax函数激活，softmax函数公式为：，其中/>是一个长度为/>的向量。记第一个分支用于检测缺陷类型的检测模型为/>，设/>的输入数据为所述晶圆图，设所述晶圆图为/>，/>的输出数据为向量/>，其中/>，的第/>个元素/>为预测所述晶圆图/>是类别/>的概率，其中/>表示维度为/>的实数空间，其中/>为缺陷类型的数量，所述缺陷检测单元使用所述晶圆图/>和对应的实际晶圆类型编码/>训练/>，其中/>，其中/>表示维度为/>的实数空间，其中/>为缺陷类型的数量，则/>的损失函数为：
；
记第二个分支用于检测缺陷类型的检测模型为，/>的输入数据为所述晶圆图/>，/>的输出数据为向量/>，其中/>，其中/>表示维度为/>的实数空间，其中/>的第/>个元素/>为用于预测所述晶圆图/>中缺陷位置的像素点的坐标信息，/>总共包含/>个像素点，其中/>个像素点的坐标表示为/>，则，所述缺陷检测单元使用所述晶圆图/>和对应的实际晶圆位置信息/>训练/>，其中/>，其中/>表示维度为/>的实数空间，其中/>为实际用于表示晶圆位置信息的像素点的坐标值总数，则/>的损失函数为：
；
在本实施例中，所述缺陷检测单元训练完与/>后，在检测晶圆的缺陷类型和缺陷位置时，先将待检测的晶圆的晶圆图输入/>，根据/>输出的，判断晶圆概率最大的缺陷类型，晶圆缺陷包括九种类型，其中包括八种缺陷的类型：中央型、边缘环型、边缘局部型、局部型、划痕型、随机分布型、空心型和接近布满型，包括一种没有缺陷类型：None。如果缺陷类型为None，即晶圆没有缺陷，则不需要启动故障异常预警模块进行预警，如果缺陷类型不为None，即晶圆有缺陷，则启动故障异常预警模块进行预警，并将待检测的晶圆的晶圆图输入/>，得到/>的输出结果/>，最终将/>和/>一起输入所述故障设备预测单元。
在本实施例中，所述故障设备预测单元的故障设备预测模型包括六层线性层，前五层线性层都使用RELU函数激活，最后一层线性层经过softmax函数处理输出预测结果，所述故障设备预测模型/>的输入数据是所述缺陷检测单元的两个分支模型和/>的输出结果/>和/>的拼接结果，拼接结果为/>，即/>，其中/>表示维度为/>的实数空间，其中/>为缺陷类型的数量，/>为用于表示晶圆位置信息的像素点的坐标值总数，所述故障设备预测模型/>的输出结果为向量/>，其中/>表示维度为/>的实数空间，/>，其中/>表示晶圆生产过程中所有设备的总数目，其中/>的第/>个元素/>为预测导致所述晶圆图/>中缺陷的设备是第/>个设备的概率，所述故障设备预测单元使用/>和产生所述晶圆图/>中缺陷的实际设备编码/>训练/>，其中/>表示维度为/>的实数空间，，其中/>表示晶圆生产过程中所有设备的总数目，/>表示/>的第/>个元素，/>的第/>个元素/>值为1表示导致所述晶圆图/>中缺陷的设备是第/>个设备，否则/>值为0，/>，所述故障设备预测模型/>的损失函数为：
；
在本实施例中，所述故障设备预测单元训练完后，在检测导致晶圆产生缺陷的设备时，先将所述缺陷检测单元的输出结果/>和/>输入/>，/>输出预测结果，按照概率高低顺序列出前十个造成晶圆缺陷的潜在故障设备，通过所述显示设备显示这十个潜在故障设备，并显示缺陷类型和缺陷在晶圆上的位置，通过所述故障异常预警模块进行预警。
实施例2
本实施例提供了一种用于晶圆生产的智能监测预警方法，其基于所述的一种用于晶圆生产的智能监测预警***实现，所述方法包括以下具体步骤：
A1：采集传送到晶圆灰尘检测点的晶圆的正面图像，并转换为灰度图；
A2：根据A1中的灰度图，提取出灰度图中灰尘的轮廓信息；
A3：根据A2的轮廓信息，将当前与上一个生产阶段的灰尘检测点的晶圆的灰度图中的灰尘轮廓信息进行相似度对比，输出对比结果；
A4：根据A3的对比结果，统计当前生产阶段相较上一个生产阶段新出现的灰尘数量，若新出现的灰尘数量超过第一阈值，则对当前生产阶段进行预警；
A5：根据A1中的灰度图，计算灰度图中灰尘的总面积；
A6：根据A5的灰尘的总面积，将当前与上一个生产阶段的灰尘检测点的晶圆的灰度图中的灰尘面积进行对比，输出对比结果；
A7：根据A6的对比结果，统计当前生产阶段相较上一个生产阶段新出现的灰尘面积增加量，若灰尘面积增加量超过第二阈值，则对当前生产阶段进行预警；
A8：在晶圆完成生产加工后，生成晶圆图；
A9：根据A8中的晶圆图，检测晶圆图上的缺陷类型；
A10：根据A8中的晶圆图，检测晶圆图上的缺陷位置；
A11：根据A9、A10中检测出的缺陷类型和缺陷位置，预测出造成晶圆缺陷的故障设备，并且对该设备进行预警。
实施例3
本实施例提供了一种计算机可读存储介质，使用专用的存储服务器、硬盘阵列或云服务来存储晶圆编码识别***所需的计算机程序和数据，该计算机程序被处理器执行时，实现所述的一种用于晶圆生产的智能监测预警方法。
实施例4
本实施例提供了一种设备，包括：
c1、硬盘存储器，用于存储指令集、所述一种用于晶圆生产的智能监测预警方法的模块、模型与算法；
c2、高性能图像处理器，用于执行所述指令，使得所述设备执行实现所述的一种用于晶圆生产的智能监测预警方法的操作，具备并行计算能力，适用于快速处理图像数据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、***、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (17)
1.一种用于晶圆生产的智能监测预警***，其特征在于，所述***包括设备层、数据库层和控制层；
所述设备层包括输入设备和输出设备，所述输入设备包括扫描电子显微镜、光学照射装置、摄像机，所述扫描电子显微镜用于扫描晶圆表面，检测缺陷生成晶圆图，所述光学照射装置用于显现晶圆上的灰尘，所述摄像机用于拍摄所述光学照射装置照射下的晶圆图像，所述输出设备包括显示装置、灰尘异常预警装置、故障异常预警装置，所述显示装置用于显示晶圆的生产阶段，生产晶圆的设备是否有异常，所述灰尘异常预警装置用于对出现灰尘异常增多的生产阶段进行预警，所述故障异常预警装置用于对导致晶圆缺陷的故障设备进行预警；
所述数据库层用于存储所述***工作过程中采集的数据；
所述控制层包括CPU、灰尘检测模块、缺陷检测与故障设备预测模块、通讯模块、灰尘异常预警模块和故障异常预警模块。
2.根据权利要求1所述的一种用于晶圆生产的智能监测预警***，其特征在于，所述CPU用于对所述***的运行进行管理控制；所述灰尘检测模块用于监测不同生产阶段是否发生灰尘异常增多的情况；所述缺陷检测与故障设备预测模块用于检测晶圆图上的缺陷，并根据检测出的缺陷的类型与位置，预测导致缺陷产生的设备，监测不同设备是否发生故障导致晶圆缺陷；所述通讯模块用于在所述***内部构建通讯网络；所述灰尘异常预警模块用于在检测出某个生产阶段内灰尘异常增多时，针对该生产阶段，通过所述输出设备中的灰尘异常预警装置进行预警；所述故障异常预警模块用于检测出晶圆缺陷时，预测导致晶圆缺陷产生的生产设备，通过所述输出设备中的故障异常预警装置，针对发生故障的生产设备进行预警。
3.根据权利要求2所述的一种用于晶圆生产的智能监测预警***，其特征在于，所述输入设备包括扫描电子显微镜，所述扫描电子显微镜用于扫描晶圆表面，生成晶圆图，所述扫描电子显微镜的镜头***的分辨率在0.1纳米到1纳米之间。
4.根据权利要求3所述的一种用于晶圆生产的智能监测预警***，其特征在于，所述输入设备包括光学照射装置，所述光学照射装置用于显现晶圆上的灰尘，所述光学照射装置使用明场照明***，将高亮度光源通过透镜聚焦后均匀地照射到待检测晶圆上。
5.根据权利要求4所述的一种用于晶圆生产的智能监测预警***，其特征在于，所述输入设备包括摄像机，所述摄像机用于拍摄经过光学照射装置照射后的晶圆的正面图像，所述摄像机的镜头***的放大倍率为100-200倍。
6.根据权利要求5所述的一种用于晶圆生产的智能监测预警***，其特征在于，所述灰尘检测模块将晶圆生产过程划分为不同阶段，每个阶段的衔接点设置为晶圆灰尘检测点，所述晶圆灰尘检测点使用所述光学照射装置照射晶圆，使用所述摄像机拍摄晶圆的正面图像，并将所述摄像机拍摄晶圆的正面图像转换为灰度图，设经过第个生产阶段处理后的晶圆经过所述晶圆灰尘检测点处理得到的灰度图为/>，其中/>，/>表示生产阶段的总数。
7.根据权利要求6所述的一种用于晶圆生产的智能监测预警***，其特征在于，所述灰尘检测模块包括灰尘形状匹配单元，所述灰尘形状匹配单元包括轮廓提取子单元和轮廓匹配子单元，所述轮廓提取子单元使用Canny边缘检测算法，经过噪声去除、计算像素点梯度值和方向、非极大值抑制、双阈值检测和边缘连接，提取出所述灰度图中灰尘的轮廓，灰尘的轮廓信息用轮廓像素点的坐标表示，将轮廓的像素点的坐标按照顺时针顺序存储，设所述灰度图中的第/>个灰尘为/>，则第/>个灰尘的轮廓信息为/>，其中，/>，/>表示/>中灰尘的总数，/>表示生产阶段的总数。
8.根据权利要求7所述的一种用于晶圆生产的智能监测预警***，其特征在于，所述轮廓匹配子单元将所述灰度图中的每个灰尘与灰度图/>中的每个灰尘一一对比相似度，其中/>为经过第/>个生产阶段处理后的晶圆经过所述晶圆灰尘检测点处理得到的灰度图，其中/>，/>表示生产阶段的总数，设/>中第/>个灰尘为/>，/>中第/>个灰尘为/>，其中/>，/>，/>，/>表示中灰尘的总数，/>表示/>中灰尘的总数，/>表示生产阶段的总数，相似度对比方法采用形状上下文匹配算法，为轮廓匹配子单元设置判别阈值/>，设/>为/>和的相似度，设经过对比后，若/>中存在/>满足/>，则记/>为旧灰尘，若中不存在/>满足/>，则记/>为新出现的灰尘，遍历完所述灰度图/>中的每个灰尘后，统计新出现的灰尘的数量/>，若/>，其中/>为第一阈值，则通过显示设备显示第/>个生产阶段出现灰尘异常增多现象，通过所述灰尘异常预警模块进行预警。
9.根据权利要求8所述的一种用于晶圆生产的智能监测预警***，其特征在于，所述灰尘检测模块包括灰尘面积匹配单元，所述灰尘面积匹配单元根据所述灰尘形状匹配单元在第个生产阶段所提取出的第/>个灰尘/>的轮廓信息/>，使用格林公式计算第/>个灰尘/>的面积，设/>总共包含/>个轮廓像素点坐标，设第/>个轮廓像素点坐标为/>，第/>个轮廓像素点坐标为/>；
其中，当时，令第/>个轮廓像素点坐标为/>，则第/>个灰尘/>的面积为/>，其中/>，则所述经过第/>个生产阶段处理后的晶圆经过所述晶圆灰尘检测点处理得到的灰度图/>中的所有灰尘的总面积为/>，比较所述灰度图/>中所有灰尘的总面积/>和灰度图中所有灰尘的总面积/>，若/>，其中/>为第二阈值，则通过显示设备显示第/>个生产阶段出现灰尘异常增多现象，通过所述灰尘异常预警模块进行预警。
10.根据权利要求9所述的一种用于晶圆生产的智能监测预警***，其特征在于，所述缺陷检测与故障设备预测模块包括训练数据制备单元、缺陷检测单元和故障设备预测单元，所述训练数据制备单元使用扫描电子显微镜对晶圆上每个芯片进行缺陷检测，并统计每个芯片的缺陷数量，根据统计结果构建晶圆图，晶圆图上每个像素点的值为该像素点对应位置的芯片的缺陷数量，所述训练数据制备单元制备出晶圆在经过生产设备处理后的所述晶圆图，并且根据所述晶圆图，标注出所述晶圆图上的缺陷的类型、位置和产生缺陷的设备。
11.根据权利要求10所述的一种用于晶圆生产的智能监测预警***，其特征在于，所述缺陷检测单元包括两个分支，分别用于检测缺陷的类型和缺陷的位置，每个分支都采用堆叠五十层的残差网络作为检测模型，残差网络最后衔接一个全连接层用于分类，全连接层使用softmax函数激活，记第一个分支用于检测缺陷类型的检测模型为，设的输入数据为所述晶圆图，设所述晶圆图为/>，/>的输出数据为向量，其中/>，/>的第/>个元素/>为预测所述晶圆图/>是类别的概率，其中/>表示维度为/>的实数空间，其中/>为缺陷类型的数量，所述缺陷检测单元使用所述晶圆图/>和对应的实际晶圆类型编码/>训练/>，其中，其中/>表示维度为/>的实数空间，其中/>为缺陷类型的数量，则/>的损失函数为：
；
记第二个分支用于检测缺陷类型的检测模型为，/>的输入数据为所述晶圆图/>，/>的输出数据为向量/>，其中/>，其中表示维度为/>的实数空间，其中/>的第/>个元素/>为用于预测所述晶圆图中缺陷位置的像素点的坐标信息，/>总共包含/>个像素点，其中/>个像素点的坐标表示为/>，则，所述缺陷检测单元使用所述晶圆图/>和对应的实际晶圆位置信息/>训练/>，其中/>，其中/>表示维度为/>的实数空间，其中/>为实际用于表示晶圆位置信息的像素点的坐标值总数，则/>的损失函数为：
。
12.根据权利要求11所述的一种用于晶圆生产的智能监测预警***，其特征在于，所述缺陷检测单元训练完与/>后，在检测晶圆的缺陷类型和缺陷位置时，先将待检测的晶圆的晶圆图输入/>，根据/>输出的/>，判断晶圆概率最大的缺陷类型，如果缺陷类型为None，即晶圆没有缺陷，则不需要启动故障异常预警模块进行预警，如果缺陷类型不为None，即晶圆有缺陷，则启动故障异常预警模块进行预警，并将待检测的晶圆的晶圆图输入/>，得到/>的输出结果/>，最终将/>和/>一起输入所述故障设备预测单元。
13.根据权利要求12所述的一种用于晶圆生产的智能监测预警***，其特征在于，所述故障设备预测单元的故障设备预测模型包括六层线性层，前五层线性层都使用RELU函数激活，最后一层线性层经过softmax函数处理输出预测结果，所述故障设备预测模型的输入数据是所述缺陷检测单元的两个分支模型/>和/>的输出结果和/>的拼接结果，拼接结果为，即/>，其中/>表示维度为的实数空间，其中/>为缺陷类型的数量，/>为用于表示晶圆位置信息的像素点的坐标值总数，所述故障设备预测模型/>的输出结果为向量/>，其中/>表示维度为/>的实数空间，/>，其中/>表示晶圆生产过程中所有设备的总数目，其中/>的第/>个元素/>为预测导致所述晶圆图/>中缺陷的设备是第/>个设备的概率，所述故障设备预测单元使用/>和产生所述晶圆图/>中缺陷的实际设备编码训练/>，其中/>表示维度为/>的实数空间，/>，其中/>表示晶圆生产过程中所有设备的总数目，/>表示/>的第/>个元素，/>的第/>个元素/>值为1表示导致所述晶圆图/>中缺陷的设备是第/>个设备，否则/>值为0，，所述故障设备预测模型/>的损失函数为：
。
14.根据权利要求13所述的一种用于晶圆生产的智能监测预警***，其特征在于，所述故障设备预测单元训练完后，在检测导致晶圆产生缺陷的设备时，先将所述缺陷检测单元的输出结果/>和/>输入/>，/>输出预测结果/>，按照概率高低顺序列出造成晶圆缺陷的故障设备，通过所述显示设备显示造成晶圆缺陷的故障设备，显示缺陷类型和缺陷在晶圆上的位置，通过所述故障异常预警模块进行预警。
15.一种用于晶圆生产的智能监测预警方法，其基于如权利要求1-14中任一项所述的一种用于晶圆生产的智能监测预警***实现，其特征在于，所述方法包括以下具体步骤：
A1：采集传送到晶圆灰尘检测点的晶圆的正面图像，并转换为灰度图；
A2：根据A1中的灰度图，提取出灰度图中灰尘的轮廓信息；
A3：根据A2的轮廓信息，将当前与上一个生产阶段的灰尘检测点的晶圆的灰度图中的灰尘轮廓信息进行相似度对比，输出对比结果；
A4：根据A3的对比结果，统计当前生产阶段相较上一个生产阶段新出现的灰尘数量，若新出现的灰尘数量超过第一阈值，则对当前生产阶段进行预警；
A5：根据A1中的灰度图，计算灰度图中灰尘的总面积；
A6：根据A5的灰尘的总面积，将当前与上一个生产阶段的灰尘检测点的晶圆的灰度图中的灰尘面积进行对比，输出对比结果；
A7：根据A6的对比结果，统计当前生产阶段相较上一个生产阶段新出现的灰尘面积增加量，若灰尘面积增加量超过第二阈值，则对当前生产阶段进行预警；
A8：在晶圆完成生产加工后，生成晶圆图；
A9：根据A8中的晶圆图，检测晶圆图上的缺陷类型；
A10：根据A8中的晶圆图，检测晶圆图上的缺陷位置；
A11：根据A9、A10中检测出的缺陷类型和缺陷位置，预测出造成晶圆缺陷的故障设备，并且对该设备进行预警。
16.一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15所述的一种用于晶圆生产的智能监测预警方法。
17.一种设备，其特征在于，包括：存储器，用于存储指令；处理器，用于执行所述指令，使得所述设备执行实现如权利要求15中所述的一种用于晶圆生产的智能监测预警方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311213205.3A CN116978834B (zh) | 2023-09-20 | 2023-09-20 | 一种用于晶圆生产的智能监测预警*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311213205.3A CN116978834B (zh) | 2023-09-20 | 2023-09-20 | 一种用于晶圆生产的智能监测预警*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116978834A CN116978834A (zh) | 2023-10-31 |
| CN116978834B true CN116978834B (zh) | 2023-11-24 |
Family
ID=88481790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311213205.3A Active CN116978834B (zh) | 2023-09-20 | 2023-09-20 | 一种用于晶圆生产的智能监测预警*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116978834B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117316835B (zh) * | 2023-11-28 | 2024-02-02 | 泓浒(苏州)半导体科技有限公司 | 一种超高真空环境下半导体晶圆传送的环境检测预警方法 |
| CN117539223B (zh) * | 2023-11-30 | 2024-06-04 | 西安好博士医疗科技有限公司 | 一种用于恒温箱的智能电加热控制***及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102522350A (zh) * | 2011-11-29 | 2012-06-27 | 上海华力微电子有限公司 | 故障生产机台检测的方法和装置 |
| CN112928181A (zh) * | 2021-01-22 | 2021-06-08 | 徐州中辉光伏科技有限公司 | 一种有臭氧吹扫功能的晶硅电池表面处理装置 |
| CN215678076U (zh) * | 2021-02-08 | 2022-01-28 | 合肥晶合集成电路股份有限公司 | 一种监测***及检测机台 |
| CN115223881A (zh) * | 2022-07-07 | 2022-10-21 | 苏州普汇达电子科技有限公司 | 一种芯片刻蚀机晶圆缺陷检测及位置校正装置及其方法 |
| CN116773548A (zh) * | 2023-08-21 | 2023-09-19 | 泓浒(苏州)半导体科技有限公司 | 一种晶圆表面缺陷检测方法及*** |
-
2023
- 2023-09-20 CN CN202311213205.3A patent/CN116978834B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102522350A (zh) * | 2011-11-29 | 2012-06-27 | 上海华力微电子有限公司 | 故障生产机台检测的方法和装置 |
| CN112928181A (zh) * | 2021-01-22 | 2021-06-08 | 徐州中辉光伏科技有限公司 | 一种有臭氧吹扫功能的晶硅电池表面处理装置 |
| CN215678076U (zh) * | 2021-02-08 | 2022-01-28 | 合肥晶合集成电路股份有限公司 | 一种监测***及检测机台 |
| CN115223881A (zh) * | 2022-07-07 | 2022-10-21 | 苏州普汇达电子科技有限公司 | 一种芯片刻蚀机晶圆缺陷检测及位置校正装置及其方法 |
| CN116773548A (zh) * | 2023-08-21 | 2023-09-19 | 泓浒(苏州)半导体科技有限公司 | 一种晶圆表面缺陷检测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116978834A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116978834B (zh) | 一种用于晶圆生产的智能监测预警*** | |
| CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、***及存储介质 | |
| US10964004B2 (en) | Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program, and deep learning system thereof | |
| CN111693534B (zh) | 表面缺陷的检测方法、模型训练方法、装置、设备和介质 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| CN111652085B (zh) | 基于2d与3d特征结合的物体识别方法 | |
| CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
| CN113095438B (zh) | 晶圆缺陷分类方法及其装置、***、电子设备和存储介质 | |
| CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测***及检测方法 | |
| CN106290392A (zh) | 一种小微轴承表面凹痕缺陷在线检测方法及其*** | |
| CN113706490B (zh) | 一种晶片缺陷检测方法 | |
| CN111179250A (zh) | 一种基于多任务学习的工业品缺陷检测*** | |
| CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
| CN117635565B (zh) | 一种基于图像识别的半导体表面缺陷检测*** | |
| CN113850749A (zh) | 训练缺陷侦测器的方法 | |
| CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
| CN115100104A (zh) | 玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质 | |
| TW202219494A (zh) | 缺陷檢測方法及檢測裝置 | |
| CN117252815A (zh) | 基于2d-3d多模态图像的工业零件缺陷检测方法、***、设备及存储介质 | |
| CN114881998A (zh) | 一种基于深度学习的工件表面缺陷检测方法及*** | |
| CN117197146A (zh) | 一种铸件内部缺陷自动识别方法 | |
| CN111707672A (zh) | 风电回转支撑件表面缺陷检测方法 | |
| CN113822836A (zh) | 标记图像的方法 | |
| 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 |
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 |