CN117350967B - 一种基于光学检测晶圆外观缺陷检测***及其方法 - Google Patents
一种基于光学检测晶圆外观缺陷检测***及其方法 Download PDFInfo
- Publication number
- CN117350967B CN117350967B CN202311297938.XA CN202311297938A CN117350967B CN 117350967 B CN117350967 B CN 117350967B CN 202311297938 A CN202311297938 A CN 202311297938A CN 117350967 B CN117350967 B CN 117350967B
- Authority
- CN
- China
- Prior art keywords
- wafer
- appearance
- coefficient
- image
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 119
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 230000003287 optical effect Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 72
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 238000007689 inspection Methods 0.000 claims description 24
- 238000013178 mathematical model Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 239000002245 particle Substances 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 3
- 238000003706 image smoothing Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 239000004065 semiconductor Substances 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- 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
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及半导体制造领域,本发明公开了一种基于光学检测晶圆外观缺陷检测***及其方法,具体涉及数据采集模块、图像预处理模块、特征图像提取模块、瑕疵区域参数获取模块、晶圆外观分析模块、晶圆尺寸分析模块、晶圆表面冗余物分析模块,以及综合判断模块,通过数据采集、图像预处理和特征图像提取模块获取晶圆外观的瑕疵区域,并通过瑕疵区域参数获取模块获取晶圆外观参数、晶圆尺寸参数和晶圆表面冗余物参数,基于晶圆外观分析、晶圆尺寸分析和晶圆表面冗余物分析模块计算得出晶圆外观系数、晶圆尺寸系数和晶圆表面冗余物系数,并依据综合判断模块计算得出晶圆缺陷分析综合指数,判断晶圆正常与否以及缺陷类别。
Description
技术领域
本发明涉及半导体制造领域,更具体地涉及一种基于光学检测晶圆外观缺陷检测***及其方法。
背景技术
晶圆外观缺陷检测是指通过对晶圆表面进行检测,发现并识别其中的缺陷,以保证晶圆的质量和稳定性,外观缺陷的存在会影响晶圆的晶体生长、电性能和最终产品的可靠性,因此,晶圆外观缺陷检测是半导体制造过程中非常重要的一环,常见的方法包括通过光学显微镜观察晶圆表面,借助高分辨率成像技术观察表面形貌,通过测量晶圆表面光学反射特性检测表面缺陷和污染。
但是,传统的晶圆外观缺陷检测存在一些不足,包括:自动化程度不高:目前的晶圆外观缺陷检测仍然依赖于人工的观察和判断,缺乏高度自动化的处理和分析技术,导致检测效率较低,易受到操作员主观因素的影响;缺陷分类困难:晶圆外观缺陷通常属于多种类型,分类准确且高效地将缺陷划分到不同类别是一项具有挑战性的任务,现有的算法和模型在复杂情况下容易出现错误分类或漏检的问题;大规模数据处理困难:随着晶圆制造工艺的发展,晶圆外观检测所产生的数据量越来越大,传统的数据处理和分析方法难以满足实时、高效的需求,对于大规模数据的处理和分析仍需要更强的计算能力和算法优化。
发明内容
为了克服现有技术的上述缺陷,本发明提供了一种基于光学检测晶圆外观缺陷检测***及其方法,以解决上述背景技术中存在的问题。
本发明提供如下技术方案:一种基于光学检测晶圆外观缺陷检测***,包括:数据采集模块、图像预处理模块、特征图像提取模块、瑕疵区域参数获取模块、晶圆外观分析模块、晶圆尺寸分析模块、晶圆表面冗余物分析模块,以及综合判断模块;
所述数据采集模块使用光学设备对晶圆进行拍照、扫描处理,获取晶圆的图像,并将获取到的晶圆图像传输至图像预处理模块;
所述图像预处理模块基于数据采集模块采集到的晶圆图像,对晶圆图像进行预处理,并将预处理后的晶圆图像传输至特征图像提取模块;
所述特征图像提取模块基于图像预处理模块预处理后得到的晶圆图像,对预处理后的晶圆图像进行细分瑕疵提取,并将提取得到的细分瑕疵传输至瑕疵区域参数获取模块;
所述瑕疵区域参数获取模块基于特征图像提取模块提取得到的细分瑕疵,获取晶圆外观参数、晶圆尺寸参数和晶圆表面冗余物参数;
所述晶圆外观分析模块基于瑕疵区域参数获取模块获取到的晶圆外观参数,经过缺陷检测数学模型计算得出晶圆外观系数,并将晶圆外观系数传输至综合判断模块;
所述晶圆尺寸分析模块基于瑕疵区域参数获取模块获取到的晶圆尺寸参数,经过尺寸检测数学模型计算得出晶圆尺寸系数,并将晶圆尺寸系数传输至综合判断模块;
所述晶圆表面冗余物分析模块基于瑕疵区域参数获取模块获取到的晶圆表面冗余物参数,经过冗余物检测数学模型计算得出晶圆表面冗余物系数,并将晶圆表面冗余物系数传输至综合判断模块;
所述综合判断模块基于晶圆外观系数、晶圆尺寸系数和晶圆表面冗余物系数计算得出晶圆缺陷分析综合指数,并将晶圆缺陷分析综合指数与缺陷分析阈值对比,判断晶圆正常与否以及晶圆的缺陷类别;
一种基于光学检测晶圆外观缺陷检测方法,包括以下步骤:
步骤S11:晶圆图像采集:使用光学设备对晶圆进行拍照、扫描处理,获取晶圆的图像;
步骤S12:采集图像预处理:接收采集到的晶圆图像,并对采集到晶圆图像进行预处理;
步骤S13:提取特征图像:基于预处理后得到的晶圆图像,对预处理后的晶圆图像进行细分瑕疵提取;
步骤S14:获取瑕疵区域参数:基于提取特征图像得到的细分瑕疵,获取晶圆外观参数、晶圆尺寸参数和晶圆表面冗余物参数;
步骤S15:分析晶圆外观:将获取到的晶圆外观参数,经过缺陷检测数学模型计算得出晶圆外观系数;
步骤S16:分析晶圆尺寸:将获取到的晶圆尺寸参数,经过尺寸检测数学模型计算得出晶圆尺寸系数;
步骤S17:分析晶圆表面冗余物:将获取到的晶圆表面冗余物参数,经过冗余物检测数学模型计算得出晶圆表面冗余物系数;
步骤S18:晶圆缺陷综合判断:基于晶圆外观系数、圆尺寸系数和晶圆表面冗余物系数计算得出晶圆缺陷分析综合指数,并将晶圆缺陷分析综合指数与缺陷分析阈值对比,判断晶圆正常与否以及晶圆的缺陷类别。
优选的,所述数据采集模块中对晶圆进行拍照、扫描处理时可以采集多个角度、多种光照条件下的图像。
优选的,所述图像预处理模块中预处理包括去除背景噪声、图像对比度增强、图像平滑处理。
优选的,所述特征图像提取模块中,通过图像处理和计算机视觉技术,从预处理后的图像中提取特征,这些特征包括晶圆表面的颜色、纹理、形状以及尺寸。
优选的,所述瑕疵区域参数获取模块获取晶圆外观参数、晶圆尺寸参数和晶圆表面冗余物参数,其中晶圆外观参数包括晶圆表面平整度、晶圆表面光洁度和晶圆硬度,晶圆尺寸参数包括晶圆直径、晶圆厚度和晶圆面积,晶圆表面冗余物参数包括晶圆微粒粗糙度、颗粒数量和表面残留物含量。
优选的,所述晶圆外观分析模块中晶圆外观系数的计算步骤如下:
步骤S01:记录晶圆表面高度数据,将晶圆表面划分为n个数据点,记录每个数据点的高度并使用高斯过程回归模型将高度数据拟合成表面模型,并记录拟合后表面模型的每个数据点高度;
步骤S02:根据拟合的表面模型可以计算得出晶圆表面平整度和晶圆表面光洁度,晶圆表面平整度其中Hi1表示第i个数据点的高度,Hi2表示拟合表面模型第i个数据点的高度,n表示数据点的数量,晶圆表面光洁度/>其中Hi1表示第i个数据点的高度,H3表示数据点的平均高度,n表示数据点的数量;
步骤S03:晶圆外观系数的计算公式为:其中Ap表示晶圆外观系数,α表示晶圆表面平整度,β表示晶圆表面光洁度,R表示晶圆硬度。
优选的,所述晶圆尺寸分析模块中晶圆尺寸系数的计算公式为:其中Si表示晶圆尺寸系数,d表示晶圆直径,h表示晶圆厚度,s表示晶圆面积,Δs表示不规则误差面积。
优选的,所述晶圆表面冗余物分析模块中晶圆表面冗余物系数的计算公式为:其中Ws表示晶圆表面冗余物系数,Q表示表面残留物含量,Tr表示晶圆微粒粗糙度,ΔT表示晶圆微粒粗糙度的误差范围,Te表示颗粒数量。
优选的,所述综合判断模块基于晶圆外观系数、圆尺寸系数和晶圆表面冗余物系数计算得出晶圆缺陷分析综合指数的计算公式为:其中D表示晶圆缺陷分析综合指数,k1、k2和k3表示为常数,将晶圆缺陷分析综合指数D与缺陷分析阈值ΔD对比,若D<ΔD,则判断晶圆正常,若D≥ΔD,则判断晶圆不正常,并将结果反馈到用户终端,用户终端依据已计算得出的晶圆外观系数、圆尺寸系数和晶圆表面冗余物系数判断缺陷类别。
本发明的技术效果和优点:
本发明通过设有数据采集、图像预处理和特征图像提取模块获取晶圆外观的瑕疵区域,并通过瑕疵区域参数获取模块获取晶圆外观参数、晶圆尺寸参数和晶圆表面冗余物参数,基于晶圆外观分析、晶圆尺寸分析和晶圆表面冗余物分析模块计算得出晶圆外观系数、晶圆尺寸系数和晶圆表面冗余物系数,并依据综合判断模块计算得出晶圆缺陷分析综合指数,判断晶圆正常与否以及缺陷类别,基于光学检测晶圆外观缺陷检测***能够自动捕捉、处理和分析图像数据,这降低了人工操作和主观因素的影响,提高了检测的一致性和可靠性,能够快速地对晶圆表面进行检测和分析,实现了高效的缺陷检测,有助于提高工艺的稳定性和产品的质量,综合晶圆外观、尺寸和表面冗余物多因素分析计算,提高综合判断的准确性,还能够对检测结果进行数据分析和记录,包括缺陷的数量、大小、位置等信息,这有助于为质量控制和生产管理提供数据支持,进行统计分析、趋势监测和故障排查。
附图说明
图1为一种基于光学检测晶圆外观缺陷检测***及方法的整体流程图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,另外,在以下的实施方式中记载的各结构的形态只不过是例示,本发明所涉及的一种基于光学检测晶圆外观缺陷检测***及其方法并不限定于在以下的实施方式中记载的各结构,在本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式都属于本发明保护的范围。
本发明提供了一种基于光学检测晶圆外观缺陷检测***,包括:数据采集模块、图像预处理模块、特征图像提取模块、瑕疵区域参数获取模块、晶圆外观分析模块、晶圆尺寸分析模块、晶圆表面冗余物分析模块,以及综合判断模块。
本实施例中,需要具体说明的是,所述数据采集模块使用光学设备对晶圆进行拍照、扫描处理,获取晶圆的图像,并将获取到的晶圆图像传输至图像预处理模块;
所述数据采集模块中对晶圆进行拍照、扫描处理时可以采集多个角度、多种光照条件下的图像,以获得更加全面的数据。
本实施例中,需要具体说明的是,所述图像预处理模块基于数据采集模块采集到的晶圆图像,对晶圆图像进行预处理,并将预处理后的晶圆图像传输至特征图像提取模块;
所述图像预处理模块中预处理包括去除背景噪声、图像对比度增强、图像平滑处理。
本实施例中,需要具体说明的是,所述特征图像提取模块基于图像预处理模块预处理后得到的晶圆图像,对预处理后的晶圆图像进行细分瑕疵提取,并将提取得到的细分瑕疵传输至瑕疵区域参数获取模块;
所述特征图像提取模块中,通过图像处理和计算机视觉技术,从预处理后的图像中提取特征,这些特征包括晶圆表面的颜色、纹理、形状以及尺寸。
本实施例中,需要具体说明的是,所述瑕疵区域参数获取模块基于特征图像提取模块提取得到的细分瑕疵,获取晶圆外观参数、晶圆尺寸参数和晶圆表面冗余物参数;
所述瑕疵区域参数获取模块获取晶圆外观参数、晶圆尺寸参数和晶圆表面冗余物参数,其中晶圆外观参数包括晶圆表面平整度、晶圆表面光洁度和晶圆硬度,晶圆尺寸参数包括晶圆直径、晶圆厚度和晶圆面积,晶圆表面冗余物参数包括晶圆微粒粗糙度、颗粒数量和表面残留物含量。
本实施例中,需要具体说明的是,所述晶圆外观分析模块基于瑕疵区域参数获取模块获取到的晶圆外观参数,经过缺陷检测数学模型计算得出晶圆外观系数,并将晶圆外观系数传输至综合判断模块;
所述晶圆外观分析模块中晶圆外观系数的计算步骤如下:
步骤S01:记录晶圆表面高度数据,将晶圆表面划分为n个数据点,记录每个数据点的高度并使用高斯过程回归模型将高度数据拟合成表面模型,并记录拟合后表面模型的每个数据点高度;
步骤S02:根据拟合的表面模型可以计算得出晶圆表面平整度和晶圆表面光洁度,晶圆表面平整度其中Hi1表示第i个数据点的高度,Hi2表示拟合表面模型第i个数据点的高度,n表示数据点的数量,晶圆表面光洁度/>其中Hi1表示第i个数据点的高度,H3表示数据点的平均高度,n表示数据点的数量;
步骤S03:晶圆外观系数的计算公式为:其中Ap表示晶圆外观系数,α表示晶圆表面平整度,β表示晶圆表面光洁度,R表示晶圆硬度。
本实施例中,需要具体说明的是,所述晶圆尺寸分析模块基于瑕疵区域参数获取模块获取到的晶圆尺寸参数,经过尺寸检测数学模型计算得出晶圆尺寸系数,并将晶圆尺寸系数传输至综合判断模块;
所述晶圆尺寸分析模块中晶圆尺寸系数的计算公式为:其中Si表示晶圆尺寸系数,d表示晶圆直径,h表示晶圆厚度,s表示晶圆面积,Δs表示不规则误差面积。
本实施例中,需要具体说明的是,所述晶圆表面冗余物分析模块基于瑕疵区域参数获取模块获取到的晶圆表面冗余物参数,经过冗余物检测数学模型计算得出晶圆表面冗余物系数,并将晶圆表面冗余物系数传输至综合判断模块;
所述晶圆表面冗余物分析模块中晶圆表面冗余物系数的计算公式为:其中Ws表示晶圆表面冗余物系数,Q表示表面残留物含量,Tr表示晶圆微粒粗糙度,ΔT表示晶圆微粒粗糙度的误差范围,Te表示颗粒数量。
本实施例中,需要具体说明的是,所述综合判断模块基于晶圆外观系数、晶圆尺寸系数和晶圆表面冗余物系数计算得出晶圆缺陷分析综合指数,并将晶圆缺陷分析综合指数与缺陷分析阈值对比,判断晶圆正常与否以及晶圆的缺陷类别;
所述综合判断模块基于晶圆外观系数、圆尺寸系数和晶圆表面冗余物系数计算得出晶圆缺陷分析综合指数的计算公式为:其中D表示晶圆缺陷分析综合指数,k1、k2和k3表示为常数,将晶圆缺陷分析综合指数D与缺陷分析阈值ΔD对比,若D<ΔD,则判断晶圆正常,若D≥ΔD,则判断晶圆不正常,并将结果反馈到用户终端,用户终端依据已计算得出的晶圆外观系数、圆尺寸系数和晶圆表面冗余物系数判断缺陷类别;
在D≥ΔD时,判定结果为晶圆不正常,并同时对晶圆缺陷类别进行判定:晶圆外观系数>外观系数阈值,则数值正常,晶圆外观系数≤外观系数阈值,则数值异常,晶圆尺寸系数>尺寸系数阈值,则数值正常,晶圆尺寸系数≤尺寸系数阈值,则数值异常,晶圆表面冗余物系数<表面冗余物系数阈值,则数值正常,晶圆表面冗余物系数≥表面冗余物系数阈值,则数值异常,晶圆缺陷类别判定如下:
情况1:三组系数中有且只有一组系数数值异常,则判定为第一缺陷类别;
情况2:三组系数中任意两组系数数值异常,则判定为第二缺陷类别;
情况3:三组系数全部显示数值异常,则判定为第三缺陷类别。
本实施例中,需要具体说明的是,用于使用一种基于光学检测晶圆外观缺陷检测方法包括以下步骤:
步骤S11:晶圆图像采集:使用光学设备对晶圆进行拍照、扫描处理,获取晶圆的图像;
步骤S12:采集图像预处理:接收采集到的晶圆图像,并对采集到晶圆图像进行预处理;
步骤S13:提取特征图像:基于预处理后得到的晶圆图像,对预处理后的晶圆图像进行细分瑕疵提取;
步骤S14:获取瑕疵区域参数:基于提取特征图像得到的细分瑕疵,获取晶圆外观参数、晶圆尺寸参数和晶圆表面冗余物参数;
步骤S15:分析晶圆外观:将获取到的晶圆外观参数,经过缺陷检测数学模型计算得出晶圆外观系数;
步骤S16:分析晶圆尺寸:将获取到的晶圆尺寸参数,经过尺寸检测数学模型计算得出晶圆尺寸系数;
步骤S17:分析晶圆表面冗余物:将获取到的晶圆表面冗余物参数,经过冗余物检测数学模型计算得出晶圆表面冗余物系数;
步骤S18:晶圆缺陷综合判断:基于晶圆外观系数、圆尺寸系数和晶圆表面冗余物系数计算得出晶圆缺陷分析综合指数,并将晶圆缺陷分析综合指数与缺陷分析阈值对比,判断晶圆正常与否以及晶圆的缺陷类别。
本发明通过设有数据采集、图像预处理和特征图像提取模块获取晶圆外观的瑕疵区域,并通过瑕疵区域参数获取模块获取晶圆外观参数、晶圆尺寸参数和晶圆表面冗余物参数,基于晶圆外观分析、晶圆尺寸分析和晶圆表面冗余物分析模块计算得出晶圆外观系数、晶圆尺寸系数和晶圆表面冗余物系数,并依据综合判断模块计算得出晶圆缺陷分析综合指数,判断晶圆正常与否以及缺陷类别,基于光学检测晶圆外观缺陷检测***能够自动捕捉、处理和分析图像数据,这降低了人工操作和主观因素的影响,提高了检测的一致性和可靠性,能够快速地对晶圆表面进行检测和分析,实现了高效的缺陷检测,有助于提高工艺的稳定性和产品的质量,综合晶圆外观、尺寸和表面冗余物多因素分析计算,提高综合判断的准确性,还能够对检测结果进行数据分析和记录,包括缺陷的数量、大小、位置等信息,这有助于为质量控制和生产管理提供数据支持,进行统计分析、趋势监测和故障排查。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本申请的具体实施方式,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 (10)
1.一种基于光学检测晶圆外观缺陷检测***,其特征在于:包括:数据采集模块、图像预处理模块、特征图像提取模块、瑕疵区域参数获取模块、晶圆外观分析模块、晶圆尺寸分析模块、晶圆表面冗余物分析模块,以及综合判断模块;
所述数据采集模块使用光学设备对晶圆进行拍照、扫描处理,获取晶圆的图像,并将获取到的晶圆图像传输至图像预处理模块;
所述图像预处理模块基于数据采集模块采集到的晶圆图像,对晶圆图像进行预处理,并将预处理后的晶圆图像传输至特征图像提取模块;
所述特征图像提取模块基于图像预处理模块预处理后得到的晶圆图像,对预处理后的晶圆图像进行细分瑕疵提取,并将提取得到的细分瑕疵传输至瑕疵区域参数获取模块;
所述瑕疵区域参数获取模块基于特征图像提取模块提取得到的细分瑕疵,获取晶圆外观参数、晶圆尺寸参数和晶圆表面冗余物参数;
所述晶圆外观分析模块基于瑕疵区域参数获取模块获取到的晶圆外观参数,经过缺陷检测数学模型计算得出晶圆外观系数,并将晶圆外观系数传输至综合判断模块;
所述晶圆尺寸分析模块基于瑕疵区域参数获取模块获取到的晶圆尺寸参数,经过尺寸检测数学模型计算得出晶圆尺寸系数,并将晶圆尺寸系数传输至综合判断模块;
所述晶圆表面冗余物分析模块基于瑕疵区域参数获取模块获取到的晶圆表面冗余物参数,经过冗余物检测数学模型计算得出晶圆表面冗余物系数,并将晶圆表面冗余物系数传输至综合判断模块;
所述综合判断模块基于晶圆外观系数、晶圆尺寸系数和晶圆表面冗余物系数计算得出晶圆缺陷分析综合指数,并将晶圆缺陷分析综合指数与缺陷分析阈值对比,判断晶圆正常与否以及晶圆的缺陷类别。
2.根据权利要求1所述的一种基于光学检测晶圆外观缺陷检测***,其特征在于:所述数据采集模块中对晶圆进行拍照、扫描处理时可以采集多个角度、多种光照条件下的图像。
3.根据权利要求1所述的一种基于光学检测晶圆外观缺陷检测***,其特征在于:所述图像预处理模块中预处理包括去除背景噪声、图像对比度增强和图像平滑处理。
4.根据权利要求1所述的一种基于光学检测晶圆外观缺陷检测***,其特征在于:所述特征图像提取模块中,通过图像处理和计算机视觉技术,从预处理后的图像中提取特征,这些特征包括晶圆表面的颜色、纹理、形状以及尺寸。
5.根据权利要求1所述的一种基于光学检测晶圆外观缺陷检测***,其特征在于:所述瑕疵区域参数获取模块获取晶圆外观参数、晶圆尺寸参数和晶圆表面冗余物参数,其中晶圆外观参数包括晶圆表面平整度、晶圆表面光洁度和晶圆硬度,晶圆尺寸参数包括晶圆直径、晶圆厚度和晶圆面积,晶圆表面冗余物参数包括晶圆微粒粗糙度、颗粒数量和表面残留物含量。
6.根据权利要求1所述的一种基于光学检测晶圆外观缺陷检测***,其特征在于:所述晶圆外观分析模块中晶圆外观系数的计算步骤如下:
步骤S01:记录晶圆表面高度数据,将晶圆表面划分为n个数据点,记录每个数据点的高度并使用高斯过程回归模型将高度数据拟合成表面模型,并记录拟合后表面模型的每个数据点高度;
步骤S02:根据拟合的表面模型可以计算得出晶圆表面平整度和晶圆表面光洁度,晶圆表面平整度其中Hi1表示第i个数据点的高度,Hi2表示拟合表面模型第i个数据点的高度,n表示数据点的数量,晶圆表面光洁度/>其中Hi1表示第i个数据点的高度,H3表示数据点的平均高度,n表示数据点的数量;
步骤S03:晶圆外观系数的计算公式为:其中Ap表示晶圆外观系数,α表示晶圆表面平整度,β表示晶圆表面光洁度,R表示晶圆硬度。
7.根据权利要求1所述的一种基于光学检测晶圆外观缺陷检测***,其特征在于:所述晶圆尺寸分析模块中晶圆尺寸系数的计算公式为:其中Si表示晶圆尺寸系数,d表示晶圆直径,h表示晶圆厚度,s表示晶圆面积,Δs表示不规则误差面积。
8.根据权利要求1所述的一种基于光学检测晶圆外观缺陷检测***,其特征在于:所述晶圆表面冗余物分析模块中晶圆表面冗余物系数的计算公式为:其中Ws表示晶圆表面冗余物系数,Q表示表面残留物含量,Tr表示晶圆微粒粗糙度,ΔT表示晶圆微粒粗糙度的误差范围,Te表示颗粒数量。
9.根据权利要求1所述的一种基于光学检测晶圆外观缺陷检测***,其特征在于:所述综合判断模块基于晶圆外观系数、晶圆尺寸系数和晶圆表面冗余物系数计算得出晶圆缺陷分析综合指数的计算公式为:其中D表示晶圆缺陷分析综合指数,Ap表示晶圆外观系数,Si表示晶圆尺寸系数,Ws表示晶圆表面冗余物系数,k1、k2和k3表示为常数,将晶圆缺陷分析综合指数D与缺陷分析阈值ΔD对比,若D<ΔD,则判断晶圆正常,若D≥ΔD,则判断晶圆不正常,并将结果反馈到用户终端,用户终端依据已计算得出的晶圆外观系数、晶圆尺寸系数和晶圆表面冗余物系数判断缺陷类别。
10.一种基于光学检测晶圆外观缺陷检测方法,用于使用上述权利要求1-9任一项所述的一种基于光学检测晶圆外观缺陷检测***,其特征在于:包括以下步骤:
步骤S11:晶圆图像采集:使用光学设备对晶圆进行拍照、扫描处理,获取晶圆的图像;
步骤S12:采集图像预处理:接收采集到的晶圆图像,并对采集到晶圆图像进行预处理;
步骤S13:提取特征图像:基于预处理后的晶圆图像,对预处理后的晶圆图像进行细分瑕疵提取;
步骤S14:获取瑕疵区域参数:基于提取特征图像得到的细分瑕疵,获取晶圆外观参数、晶圆尺寸参数和晶圆表面冗余物参数;
步骤S15:分析晶圆外观:将获取到的晶圆外观参数,经过缺陷检测数学模型计算得出晶圆外观系数;
步骤S16:分析晶圆尺寸:将获取到的晶圆尺寸参数,经过尺寸检测数学模型计算得出晶圆尺寸系数;
步骤S17:分析晶圆表面冗余物:将获取到的晶圆表面冗余物参数,经过冗余物检测数学模型计算得出晶圆表面冗余物系数;
步骤S18:晶圆缺陷综合判断:基于晶圆外观系数、晶圆尺寸系数和晶圆表面冗余物系数计算得出晶圆缺陷分析综合指数,并将晶圆缺陷分析综合指数与缺陷分析阈值对比,判断晶圆正常与否以及晶圆的缺陷类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311297938.XA CN117350967B (zh) | 2023-10-08 | 2023-10-08 | 一种基于光学检测晶圆外观缺陷检测***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311297938.XA CN117350967B (zh) | 2023-10-08 | 2023-10-08 | 一种基于光学检测晶圆外观缺陷检测***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117350967A CN117350967A (zh) | 2024-01-05 |
CN117350967B true CN117350967B (zh) | 2024-04-05 |
Family
ID=89368504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311297938.XA Active CN117350967B (zh) | 2023-10-08 | 2023-10-08 | 一种基于光学检测晶圆外观缺陷检测***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350967B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118154594A (zh) * | 2024-05-10 | 2024-06-07 | 山东力乐包装股份有限公司 | 一种基于电数字数据处理的木质托盘缺陷分析*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010210568A (ja) * | 2009-03-12 | 2010-09-24 | Hitachi High-Technologies Corp | 欠陥検査装置及び欠陥検査方法 |
CN111812105A (zh) * | 2020-09-02 | 2020-10-23 | 歌尔股份有限公司 | 缺陷检测方法、装置、设备及计算机存储介质 |
CN113791084A (zh) * | 2021-08-20 | 2021-12-14 | 安徽初代物联科技有限责任公司 | 一种Mini LED晶圆外观缺陷检测***及方法 |
CN115193750A (zh) * | 2022-07-14 | 2022-10-18 | 广东全芯半导体有限公司 | 半导体晶圆缺陷检测*** |
CN115439428A (zh) * | 2022-08-26 | 2022-12-06 | 常州大学 | 一种基于深度学习的晶圆瑕疵检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6645052B2 (en) * | 2001-10-26 | 2003-11-11 | Lam Research Corporation | Method and apparatus for controlling CMP pad surface finish |
WO2020120050A1 (en) * | 2018-12-14 | 2020-06-18 | Asml Netherlands B.V. | Apparatus and method for grouping image patterns to determine wafer behavior in a patterning process |
-
2023
- 2023-10-08 CN CN202311297938.XA patent/CN117350967B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010210568A (ja) * | 2009-03-12 | 2010-09-24 | Hitachi High-Technologies Corp | 欠陥検査装置及び欠陥検査方法 |
CN111812105A (zh) * | 2020-09-02 | 2020-10-23 | 歌尔股份有限公司 | 缺陷检测方法、装置、设备及计算机存储介质 |
CN113791084A (zh) * | 2021-08-20 | 2021-12-14 | 安徽初代物联科技有限责任公司 | 一种Mini LED晶圆外观缺陷检测***及方法 |
CN115193750A (zh) * | 2022-07-14 | 2022-10-18 | 广东全芯半导体有限公司 | 半导体晶圆缺陷检测*** |
CN115439428A (zh) * | 2022-08-26 | 2022-12-06 | 常州大学 | 一种基于深度学习的晶圆瑕疵检测方法 |
Non-Patent Citations (2)
Title |
---|
"Characterization Methods for Ultrathin Wafer and Die Quality: A Review";Michael Raj Marks等;《IEEE》;20141105;第2042-2057页 * |
"晶圆表面形貌的微分干涉***设计及实验研究";陈朋;《中国优秀硕士学位论文全文数据库信息科技辑》;20110515;第I135-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117350967A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN107622277B (zh) | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 | |
CN117350967B (zh) | 一种基于光学检测晶圆外观缺陷检测***及其方法 | |
CN111369516B (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
CN111242123A (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN117635565B (zh) | 一种基于图像识别的半导体表面缺陷检测*** | |
JP2011158373A (ja) | 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置 | |
WO2004012148A1 (en) | Image processing method for appearance inspection | |
CN110689524B (zh) | 一种无参考在线图像清晰度评价方法与*** | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
CN115684176A (zh) | 一种薄膜表面缺陷在线视觉检测*** | |
Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
CN115546155A (zh) | 一种基于机器视觉的铆钉尺寸检测方法 | |
CN116740044A (zh) | 基于视觉检测与控制的铜管铣面加工方法及*** | |
CN117576100A (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN114596301A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测*** | |
CN116563277B (zh) | 一种基于机器视觉的铜复铝表面缺陷检测方法及*** | |
Li et al. | Detection of small size defects in belt layer of radial tire based on improved faster r-cnn | |
CN108931529B (zh) | 一种连续生产卷状材料的良率预估方法 | |
CN114972353B (zh) | 一种金属高压特种管件质量评估方法及*** | |
CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及*** | |
KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 | |
Wang et al. | Visual defect detection for substation equipment based on joint inspection data of camera and robot |
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 |