CN117541531B - 一种基于人工智能的晶圆视觉检测监管反馈*** - Google Patents
一种基于人工智能的晶圆视觉检测监管反馈*** Download PDFInfo
- Publication number
- CN117541531B CN117541531B CN202311269277.XA CN202311269277A CN117541531B CN 117541531 B CN117541531 B CN 117541531B CN 202311269277 A CN202311269277 A CN 202311269277A CN 117541531 B CN117541531 B CN 117541531B
- Authority
- CN
- China
- Prior art keywords
- wafer
- detection
- image shooting
- detected
- signal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 263
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 10
- 230000007547 defect Effects 0.000 claims abstract description 100
- 230000000007 visual effect Effects 0.000 claims abstract description 75
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000011179 visual inspection Methods 0.000 claims description 11
- 239000013078 crystal Substances 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims 4
- 230000005856 abnormality Effects 0.000 claims 3
- 235000012431 wafers Nutrition 0.000 abstract description 149
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 4
- 229910052710 silicon Inorganic materials 0.000 description 4
- 239000010703 silicon Substances 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
-
- 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
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明公开了一种基于人工智能的晶圆视觉检测监管反馈***,涉及晶圆视觉检测监管反馈技术领域,解决了现有技术中,晶圆视觉检测之前无法对图像拍摄进行检测,不能够判断当前视觉检测的图像是否满足需求的技术问题,对晶圆视觉检测过程中图像拍摄进行检测,判断当前晶圆视觉检测过程中图像拍摄是否满足当前检测需求,避免晶圆图像采集异常造成晶圆视觉检测存在误差,造成非合格晶圆投入使用使得安装芯片的运行效率降低,也降低了晶圆视觉检测的检测效率;对当前被检测晶圆进行视觉缺陷检测,判断当前被检测晶圆表面是否存在缺陷,通过视觉检测更加准确地检测晶圆表面缺陷,提高了晶圆检测的准确性以及合理性。
Description
技术领域
本发明涉及晶圆视觉检测监管反馈技术领域,具体为一种基于人工智能的晶圆视觉检测监管反馈***。
背景技术
晶圆是指硅半导体集成电路制作所用的硅晶片,由于其形状为圆形,故称为晶圆;在硅晶片上可加工制作成各种电路元件结构,而成为有特定电性功能之IC产品;晶圆的原始材料是硅,而地壳表面有用之不竭的二氧化硅。
但是在现有技术中,晶圆视觉检测之前无法对图像拍摄进行检测,不能够判断当前视觉检测的图像是否满足需求,从而无法保证视觉缺陷检测的准确性,同时不能够对晶圆进行视觉缺陷检测,无法保证晶圆的使用效率。
针对上述的技术缺陷,现提出一种解决方案。
发明内容
本发明的目的就在于为了解决上述提出的问题,而提出一种基于人工智能的晶圆视觉检测监管反馈***。
本发明的目的可以通过以下技术方案实现:
一种基于人工智能的晶圆视觉检测监管反馈***,包括服务器,服务器通讯连接有图像拍摄检测单元、视觉缺陷检测单元以及电参数分析检测单元;
服务器生成图像拍摄检测信号并将图像拍摄检测信号发送至图像拍摄检测单元,图像拍摄检测单元接收到图像拍摄检测信号后,对晶圆视觉检测过程中图像拍摄进行检测,获取到晶圆视觉检测时段,并采集晶圆视觉检测时段内图像拍摄时段,获取到图像拍摄时段内被检测晶圆的图像拍摄检测系数,根据图像拍摄检测系数比较生成图像拍摄检测异常信号或者图像拍摄检测正常信号,并将其发送至服务器;
服务器接收到图像拍摄检测正常信号后,生成视觉缺陷检测信号并将视觉缺陷检测信号发送至视觉缺陷检测单元,视觉缺陷检测单元接收到视觉缺陷检测信号后,对当前被检测晶圆进行视觉缺陷检测,将被检测晶圆的拍摄视频划分为i个子帧图片,且i为大于1的自然数,并将子帧图片按照拍摄时间顺序进行排序,获取到被检测晶圆的视觉缺陷检测系数,根据视觉缺陷检测系数比较生成缺陷检测异常信号或者缺陷检测正常信号,并将其发送至服务器;
服务器接收到缺陷检测正常信号后,生成电参数分析检测信号并将电参数分析检测信号发送至电参数分析检测单元,电参数分析检测单元接收到电参数分析检测信号后,对被检测晶圆的电参数进行分析检测,通过分析生成电参数检测异常信号或者电参数检测正常信号,并将其发送至服务器。
作为本发明的一种优选实施方式,图像拍摄检测单元的运行过程如下:
获取到图像拍摄时段内被检测晶圆周边环境光线亮度的数值往复浮动频率以及被检测晶圆周边环境光线亮度浮动时刻与摄像曝光调节时刻的偏差时长,并将图像拍摄时段内被检测晶圆周边环境光线亮度的数值往复浮动频率以及被检测晶圆周边环境光线亮度浮动时刻与摄像曝光调节时刻的偏差时长分别标记为WFD和PCS;获取到图像拍摄时段内被检测晶圆拍摄图像中相邻子帧图片的最大清晰度差值,并将图像拍摄时段内被检测晶圆拍摄图像中相邻子帧图片的最大清晰度差值标记为QXS;
通过公式获取到图像拍摄时段内被检测晶圆的图像拍摄检测系数F,将图像拍摄时段内被检测晶圆的图像拍摄检测系数F与图像拍摄检测系数阈值进行比较。
作为本发明的一种优选实施方式,公式为:其中,d1、d2以及d3均为预设比例系数,且d1>d2>d3>0。
作为本发明的一种优选实施方式,若图像拍摄时段内被检测晶圆的图像拍摄检测系数F超过图像拍摄检测系数阈值,则判定图像拍摄时段内图像拍摄分析检测异常,生成图像拍摄检测异常信号并将图像拍摄检测异常信号发送至服务器,服务器接收到图像拍摄检测异常信号后,进行拍摄管控并对当前图像拍摄时段内完成拍摄的图像进行重新拍摄;若图像拍摄时段内被检测晶圆的图像拍摄检测系数F未超过图像拍摄检测系数阈值,则判定图像拍摄时段内图像拍摄分析检测正常,生成图像拍摄检测正常信号并将图像拍摄检测正常信号发送至服务器。
作为本发明的一种优选实施方式,视觉缺陷检测单元的运行过程如下:
获取到拍摄视频中各个子帧图片内被检测晶圆表面水平度浮动的区域面积,并将拍摄视频中各个子帧图片内被检测晶圆表面水平度浮动的区域面积标记为QY;获取到被检测晶圆表面水平度浮动区域出现前后对应子帧图片的数量比值以及被检测晶圆表面水平度浮动区域出现后水平度恢复的概率,并将被检测晶圆表面水平度浮动区域出现前后对应子帧图片的数量比值以及被检测晶圆表面水平度浮动区域出现后水平度恢复的概率分别标记为SB和GL;通过公式获取到被检测晶圆的视觉缺陷检测系数B,其中,sf1、sf2以及sf3均为预设比例系数,且sf1>sf2>sf3>0,β为误差修正因子,取值为1.24;将被检测晶圆的视觉缺陷检测系数B与视觉缺陷检测系数阈值进行比较。
作为本发明的一种优选实施方式,若被检测晶圆的视觉缺陷检测系数B超过视觉缺陷检测系数阈值,则判定被检测晶圆的视觉缺陷检测异常,生成缺陷检测异常信号并将缺陷检测异常信号发送至服务器,服务器接收到缺陷检测异常信号后,将对应被检测晶圆进行整改,同时若被检测晶圆表面水平度浮动区域出现前后对应子帧图片的数量比未超过设定阈值,则将当前拍摄过程中晶圆维护进行整顿;若被检测晶圆的视觉缺陷检测系数B未超过视觉缺陷检测系数阈值,则判定被检测晶圆的视觉缺陷检测正常,生成缺陷检测正常信号并将缺陷检测正常信号发送至服务器。
作为本发明的一种优选实施方式,电参数分析检测单元的运行过程如下:
获取到被检测晶圆通电后供应电参数出现数值浮动后晶圆导电率下降浮动量以及供应电参数出现数值浮动后晶圆连续使用时长的降低跨度,并将被检测晶圆通电后供应电参数出现数值浮动后晶圆导电率下降浮动量以及供应电参数出现数值浮动后晶圆连续使用时长的降低跨度分别与导电率下降浮动量阈值和时长降低跨度阈值进行比较。
作为本发明的一种优选实施方式,若被检测晶圆通电后供应电参数出现数值浮动后晶圆导电率下降浮动量超过导电率下降浮动量阈值,或者供应电参数出现数值浮动后晶圆连续使用时长的降低跨度超过时长降低跨度阈值,则判定被检测晶圆的电参数分析检测异常,生成电参数检测异常信号并将电参数检测异常信号发送至服务器,服务器接收到电参数检测异常信号后,对当前被检测晶圆进行运维整顿;若被检测晶圆通电后供应电参数出现数值浮动后晶圆导电率下降浮动量未超过导电率下降浮动量阈值,且供应电参数出现数值浮动后晶圆连续使用时长的降低跨度未超过时长降低跨度阈值,则判定被检测晶圆的电参数分析检测正常,生成电参数检测正常信号并将电参数检测正常信号发送至服务器。
与现有技术相比,本发明的有益效果是:
1、本发明中,对晶圆视觉检测过程中图像拍摄进行检测,判断当前晶圆视觉检测过程中图像拍摄是否满足当前检测需求,避免晶圆图像采集异常造成晶圆视觉检测存在误差,造成非合格晶圆投入使用使得安装芯片的运行效率降低,也降低了晶圆视觉检测的检测效率。
2、本发明中,对当前被检测晶圆进行视觉缺陷检测,判断当前被检测晶圆表面是否存在缺陷,通过视觉检测更加准确地检测晶圆表面缺陷,提高了晶圆检测的准确性以及合理性,便于提高晶圆检测效率降低芯片使用故障概率;对被检测晶圆的电参数进行分析检测,判断被检测晶圆的电参数是否满足使用需求,从而保证被检测晶圆的运行效率,避免电参数浮动造成被检测晶圆使用效率降低,造成晶圆故障概率增加。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明的原理框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
请参阅图1所示,一种基于人工智能的晶圆视觉检测监管反馈***,包括服务器,服务器通讯连接有图像拍摄检测单元、视觉缺陷检测单元以及电参数分析检测单元,其中,服务器与图像拍摄检测单元、视觉缺陷检测单元以及电参数分析检测单元均为双向通讯连接;
服务器生成图像拍摄检测信号并将图像拍摄检测信号发送至图像拍摄检测单元,图像拍摄检测单元接收到图像拍摄检测信号后,对晶圆视觉检测过程中图像拍摄进行检测,判断当前晶圆视觉检测过程中图像拍摄是否满足当前检测需求,避免晶圆图像采集异常造成晶圆视觉检测存在误差,造成非合格晶圆投入使用使得安装芯片的运行效率降低,也降低了晶圆视觉检测的检测效率;
获取到晶圆视觉检测时段,并采集晶圆视觉检测时段内图像拍摄时段,获取到图像拍摄时段内被检测晶圆周边环境光线亮度的数值往复浮动频率以及被检测晶圆周边环境光线亮度浮动时刻与摄像曝光调节时刻的偏差时长,并将图像拍摄时段内被检测晶圆周边环境光线亮度的数值往复浮动频率以及被检测晶圆周边环境光线亮度浮动时刻与摄像曝光调节时刻的偏差时长分别标记为WFD和PCS;获取到图像拍摄时段内被检测晶圆拍摄图像中相邻子帧图片的最大清晰度差值,并将图像拍摄时段内被检测晶圆拍摄图像中相邻子帧图片的最大清晰度差值标记为QXS;
通过公式获取到图像拍摄时段内被检测晶圆的图像拍摄检测系数F,其中,d1、d2以及d3均为预设比例系数,且d1>d2>d3>0;
将图像拍摄时段内被检测晶圆的图像拍摄检测系数F与图像拍摄检测系数阈值进行比较:
若图像拍摄时段内被检测晶圆的图像拍摄检测系数F超过图像拍摄检测系数阈值,则判定图像拍摄时段内图像拍摄分析检测异常,生成图像拍摄检测异常信号并将图像拍摄检测异常信号发送至服务器,服务器接收到图像拍摄检测异常信号后,进行拍摄管控并对当前图像拍摄时段内完成拍摄的图像进行重新拍摄;
若图像拍摄时段内被检测晶圆的图像拍摄检测系数F未超过图像拍摄检测系数阈值,则判定图像拍摄时段内图像拍摄分析检测正常,生成图像拍摄检测正常信号并将图像拍摄检测正常信号发送至服务器;
服务器接收到图像拍摄检测正常信号后,生成视觉缺陷检测信号并将视觉缺陷检测信号发送至视觉缺陷检测单元,视觉缺陷检测单元接收到视觉缺陷检测信号后,对当前被检测晶圆进行视觉缺陷检测,判断当前被检测晶圆表面是否存在缺陷,通过视觉检测更加准确地检测晶圆表面缺陷,提高了晶圆检测的准确性以及合理性,便于提高晶圆检测效率降低芯片使用故障概率;
将被检测晶圆的拍摄视频划分为i个子帧图片,且i为大于1的自然数,并将子帧图片按照拍摄时间顺序进行排序,获取到拍摄视频中各个子帧图片内被检测晶圆表面水平度浮动的区域面积,并将拍摄视频中各个子帧图片内被检测晶圆表面水平度浮动的区域面积标记为QY;获取到被检测晶圆表面水平度浮动区域出现前后对应子帧图片的数量比值以及被检测晶圆表面水平度浮动区域出现后水平度恢复的概率,并将被检测晶圆表面水平度浮动区域出现前后对应子帧图片的数量比值以及被检测晶圆表面水平度浮动区域出现后水平度恢复的概率分别标记为SB和GL;
通过公式获取到被检测晶圆的视觉缺陷检测系数B,其中,sf1、sf2以及sf3均为预设比例系数,且sf1>sf2>sf3>0,β为误差修正因子,取值为1.24;
将被检测晶圆的视觉缺陷检测系数B与视觉缺陷检测系数阈值进行比较:
若被检测晶圆的视觉缺陷检测系数B超过视觉缺陷检测系数阈值,则判定被检测晶圆的视觉缺陷检测异常,生成缺陷检测异常信号并将缺陷检测异常信号发送至服务器,服务器接收到缺陷检测异常信号后,将对应被检测晶圆进行整改,同时若被检测晶圆表面水平度浮动区域出现前后对应子帧图片的数量比未超过设定阈值,则将当前拍摄过程中晶圆维护进行整顿;
若被检测晶圆的视觉缺陷检测系数B未超过视觉缺陷检测系数阈值,则判定被检测晶圆的视觉缺陷检测正常,生成缺陷检测正常信号并将缺陷检测正常信号发送至服务器;
服务器接收到缺陷检测正常信号后,生成电参数分析检测信号并将电参数分析检测信号发送至电参数分析检测单元,电参数分析检测单元接收到电参数分析检测信号后,对被检测晶圆的电参数进行分析检测,判断被检测晶圆的电参数是否满足使用需求,从而保证被检测晶圆的运行效率,避免电参数浮动造成被检测晶圆使用效率降低,造成晶圆故障概率增加;
获取到被检测晶圆通电后供应电参数出现数值浮动后晶圆导电率下降浮动量以及供应电参数出现数值浮动后晶圆连续使用时长的降低跨度,并将被检测晶圆通电后供应电参数出现数值浮动后晶圆导电率下降浮动量以及供应电参数出现数值浮动后晶圆连续使用时长的降低跨度分别与导电率下降浮动量阈值和时长降低跨度阈值进行比较:电参数表示为电流、电压等参数;
若被检测晶圆通电后供应电参数出现数值浮动后晶圆导电率下降浮动量超过导电率下降浮动量阈值,或者供应电参数出现数值浮动后晶圆连续使用时长的降低跨度超过时长降低跨度阈值,则判定被检测晶圆的电参数分析检测异常,生成电参数检测异常信号并将电参数检测异常信号发送至服务器,服务器接收到电参数检测异常信号后,对当前被检测晶圆进行运维整顿;
若被检测晶圆通电后供应电参数出现数值浮动后晶圆导电率下降浮动量未超过导电率下降浮动量阈值,且供应电参数出现数值浮动后晶圆连续使用时长的降低跨度未超过时长降低跨度阈值,则判定被检测晶圆的电参数分析检测正常,生成电参数检测正常信号并将电参数检测正常信号发送至服务器。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式,公式中的系数是由本领域技术人员根据实际情况进行设置;
本发明在使用时,图像拍摄检测单元接收到图像拍摄检测信号后,对晶圆视觉检测过程中图像拍摄进行检测,获取到晶圆视觉检测时段,并采集晶圆视觉检测时段内图像拍摄时段,获取到图像拍摄时段内被检测晶圆的图像拍摄检测系数,根据图像拍摄检测系数比较生成图像拍摄检测异常信号或者图像拍摄检测正常信号,并将其发送至服务器;视觉缺陷检测单元接收到视觉缺陷检测信号后,对当前被检测晶圆进行视觉缺陷检测,获取到被检测晶圆的视觉缺陷检测系数,根据视觉缺陷检测系数比较生成缺陷检测异常信号或者缺陷检测正常信号,并将其发送至服务器;电参数分析检测单元接收到电参数分析检测信号后,对被检测晶圆的电参数进行分析检测,通过分析生成电参数检测异常信号或者电参数检测正常信号,并将其发送至服务器。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (3)
1.一种基于人工智能的晶圆视觉检测监管反馈***,其特征在于,包括服务器,服务器通讯连接有图像拍摄检测单元、视觉缺陷检测单元以及电参数分析检测单元;
服务器生成图像拍摄检测信号并将图像拍摄检测信号发送至图像拍摄检测单元,图像拍摄检测单元接收到图像拍摄检测信号后,对晶圆视觉检测过程中图像拍摄进行检测,获取到晶圆视觉检测时段,并采集晶圆视觉检测时段内图像拍摄时段,获取到图像拍摄时段内被检测晶圆的图像拍摄检测系数,根据图像拍摄检测系数比较生成图像拍摄检测异常信号或者图像拍摄检测正常信号,并将其发送至服务器;
服务器接收到图像拍摄检测正常信号后,生成视觉缺陷检测信号并将视觉缺陷检测信号发送至视觉缺陷检测单元,视觉缺陷检测单元接收到视觉缺陷检测信号后,对当前被检测晶圆进行视觉缺陷检测,将被检测晶圆的拍摄视频划分为i个子帧图片,且i为大于1的自然数,并将子帧图片按照拍摄时间顺序进行排序,获取到被检测晶圆的视觉缺陷检测系数,根据视觉缺陷检测系数比较生成缺陷检测异常信号或者缺陷检测正常信号,并将其发送至服务器;
服务器接收到缺陷检测正常信号后,生成电参数分析检测信号并将电参数分析检测信号发送至电参数分析检测单元,电参数分析检测单元接收到电参数分析检测信号后,对被检测晶圆的电参数进行分析检测,通过分析生成电参数检测异常信号或者电参数检测正常信号,并将其发送至服务器;
图像拍摄检测单元的运行过程如下:
获取到图像拍摄时段内被检测晶圆周边环境光线亮度的数值往复浮动频率以及被检测晶圆周边环境光线亮度浮动时刻与摄像曝光调节时刻的偏差时长,并将图像拍摄时段内被检测晶圆周边环境光线亮度的数值往复浮动频率以及被检测晶圆周边环境光线亮度浮动时刻与摄像曝光调节时刻的偏差时长分别标记为WFD和PCS;获取到图像拍摄时段内被检测晶圆拍摄图像中相邻子帧图片的最大清晰度差值,并将图像拍摄时段内被检测晶圆拍摄图像中相邻子帧图片的最大清晰度差值标记为QXS;
通过公式获取到图像拍摄时段内被检测晶圆的图像拍摄检测系数F,将图像拍摄时段内被检测晶圆的图像拍摄检测系数F与图像拍摄检测系数阈值进行比较:其中,d1、d2以及d3均为预设比例系数,且d1>d2>d3>0;
若图像拍摄时段内被检测晶圆的图像拍摄检测系数F超过图像拍摄检测系数阈值,则判定图像拍摄时段内图像拍摄分析检测异常,生成图像拍摄检测异常信号并将图像拍摄检测异常信号发送至服务器,服务器接收到图像拍摄检测异常信号后,进行拍摄管控并对当前图像拍摄时段内完成拍摄的图像进行重新拍摄;若图像拍摄时段内被检测晶圆的图像拍摄检测系数F未超过图像拍摄检测系数阈值,则判定图像拍摄时段内图像拍摄分析检测正常,生成图像拍摄检测正常信号并将图像拍摄检测正常信号发送至服务器;
视觉缺陷检测单元的运行过程如下:
获取到拍摄视频中各个子帧图片内被检测晶圆表面水平度浮动的区域面积,并将拍摄视频中各个子帧图片内被检测晶圆表面水平度浮动的区域面积标记为QY;获取到被检测晶圆表面水平度浮动区域出现前后对应子帧图片的数量比值以及被检测晶圆表面水平度浮动区域出现后水平度恢复的概率,并将被检测晶圆表面水平度浮动区域出现前后对应子帧图片的数量比值以及被检测晶圆表面水平度浮动区域出现后水平度恢复的概率分别标记为SB和GL;通过公式获取到被检测晶圆的视觉缺陷检测系数B,其中,sf1、sf2以及sf3均为预设比例系数,且sf1>sf2>sf3>0,β为误差修正因子,取值为1.24;将被检测晶圆的视觉缺陷检测系数B与视觉缺陷检测系数阈值进行比较:
若被检测晶圆的视觉缺陷检测系数B超过视觉缺陷检测系数阈值,则判定被检测晶圆的视觉缺陷检测异常,生成缺陷检测异常信号并将缺陷检测异常信号发送至服务器,服务器接收到缺陷检测异常信号后,将对应被检测晶圆进行整改,同时若被检测晶圆表面水平度浮动区域出现前后对应子帧图片的数量比未超过设定阈值,则将当前拍摄过程中晶圆维护进行整顿;若被检测晶圆的视觉缺陷检测系数B未超过视觉缺陷检测系数阈值,则判定被检测晶圆的视觉缺陷检测正常,生成缺陷检测正常信号并将缺陷检测正常信号发送至服务器。
2.根据权利要求1所述的一种基于人工智能的晶圆视觉检测监管反馈***,其特征在于,电参数分析检测单元的运行过程如下:
获取到被检测晶圆通电后供应电参数出现数值浮动后晶圆导电率下降浮动量以及供应电参数出现数值浮动后晶圆连续使用时长的降低跨度,并将被检测晶圆通电后供应电参数出现数值浮动后晶圆导电率下降浮动量以及供应电参数出现数值浮动后晶圆连续使用时长的降低跨度分别与导电率下降浮动量阈值和时长降低跨度阈值进行比较。
3.根据权利要求2所述的一种基于人工智能的晶圆视觉检测监管反馈***,其特征在于,若被检测晶圆通电后供应电参数出现数值浮动后晶圆导电率下降浮动量超过导电率下降浮动量阈值,或者供应电参数出现数值浮动后晶圆连续使用时长的降低跨度超过时长降低跨度阈值,则判定被检测晶圆的电参数分析检测异常,生成电参数检测异常信号并将电参数检测异常信号发送至服务器,服务器接收到电参数检测异常信号后,对当前被检测晶圆进行运维整顿;若被检测晶圆通电后供应电参数出现数值浮动后晶圆导电率下降浮动量未超过导电率下降浮动量阈值,且供应电参数出现数值浮动后晶圆连续使用时长的降低跨度未超过时长降低跨度阈值,则判定被检测晶圆的电参数分析检测正常,生成电参数检测正常信号并将电参数检测正常信号发送至服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311269277.XA CN117541531B (zh) | 2023-09-28 | 2023-09-28 | 一种基于人工智能的晶圆视觉检测监管反馈*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311269277.XA CN117541531B (zh) | 2023-09-28 | 2023-09-28 | 一种基于人工智能的晶圆视觉检测监管反馈*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117541531A CN117541531A (zh) | 2024-02-09 |
CN117541531B true CN117541531B (zh) | 2024-06-14 |
Family
ID=89786889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311269277.XA Active CN117541531B (zh) | 2023-09-28 | 2023-09-28 | 一种基于人工智能的晶圆视觉检测监管反馈*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541531B (zh) |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101214806B1 (ko) * | 2010-05-11 | 2012-12-24 | 가부시키가이샤 사무코 | 웨이퍼 결함 검사 장치 및 웨이퍼 결함 검사 방법 |
JP5549364B2 (ja) * | 2010-05-11 | 2014-07-16 | 株式会社Sumco | ウェーハ欠陥検査装置及びウェーハ欠陥検査方法 |
CN207503914U (zh) * | 2017-09-29 | 2018-06-15 | 上海图双精密装备有限公司 | 一种基于视觉识别的晶圆缺陷自动检测、挑选一体化装置 |
CN112014413A (zh) * | 2020-08-04 | 2020-12-01 | 贵州乐道科技有限公司 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
JP2022061127A (ja) * | 2020-10-06 | 2022-04-18 | 東レエンジニアリング株式会社 | 外観検査装置および方法 |
CN112599438B (zh) * | 2021-03-03 | 2021-06-04 | 惠州高视科技有限公司 | MiniLED晶圆缺陷的高精度检测***及其检测方法 |
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 |
CN115672778A (zh) * | 2022-10-26 | 2023-02-03 | 苏州梅曼智能科技有限公司 | 一种智能视觉识别*** |
CN115791822A (zh) * | 2022-11-08 | 2023-03-14 | 磐柔(厦门)工业智能有限公司 | 晶圆表面缺陷的视觉检测算法及检测*** |
CN116012292A (zh) * | 2022-11-22 | 2023-04-25 | 厦门特仪科技有限公司 | 一种基于机器视觉的晶圆外观缺陷检测方法 |
CN116183623B (zh) * | 2023-01-04 | 2024-04-26 | 天津大学 | 一种晶圆表面缺陷智能检测方法、装置 |
CN116485779B (zh) * | 2023-05-11 | 2024-01-30 | 哈尔滨工业大学重庆研究院 | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 |
CN116596875B (zh) * | 2023-05-11 | 2023-12-22 | 哈尔滨工业大学重庆研究院 | 晶圆缺陷检测方法、装置、电子设备及存储介质 |
CN116773548B (zh) * | 2023-08-21 | 2023-11-07 | 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
- 2023-09-28 CN CN202311269277.XA patent/CN117541531B/zh active Active
Non-Patent Citations (2)
Title |
---|
A full-flow inspection method based on machine vision to detect wafer surface defects;Naigong Yu et.al;《MATHEMATICAL BIOSCIENCES AND ENGINEERING》;20230608;第20卷(第7期);第11821-11846页 * |
基于机器视觉的晶圆缺陷检测***分析与设计;陈治杉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190915;第I135-73页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117541531A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919132B (zh) | 一种基于骨架检测的行人跌倒识别方法 | |
TWI389559B (zh) | 前景影像分離方法 | |
CN110062502B (zh) | 一种基于机器视觉的led照明灯具在线剩余寿命预测及可靠性评估方法 | |
JP2011081715A (ja) | 監視システム及び監視方法 | |
JP5168215B2 (ja) | 外観検査装置 | |
WO2015152205A1 (ja) | 発電システム分析装置および方法 | |
US20160293462A1 (en) | Abnormality portent detection system and method of manufacturing semiconductor device | |
CN113238142A (zh) | 用于集成电路的方法和*** | |
CN117250208A (zh) | 基于机器视觉的纳米压印晶圆缺陷精准检测***及方法 | |
CN117541531B (zh) | 一种基于人工智能的晶圆视觉检测监管反馈*** | |
CN112233074A (zh) | 一种基于可见光及红外融合图像的电力故障检测方法 | |
CN115565470A (zh) | 一种应用于led显示屏故障处理方法及云平台 | |
CN105960587B (zh) | 监视光伏电池的质量的方法和*** | |
CN102118564A (zh) | 曝光控制***及方法 | |
CN115620239A (zh) | 一种点云和视频结合的输电线路在线监测方法和*** | |
CN114608741A (zh) | 一种基于大数据的压力传感器采集*** | |
WO2023272479A1 (zh) | 电站运维***、电站运维方法及光伏电站 | |
CN116526959A (zh) | 一种光伏组件的清洗方法及装置 | |
CN103308520A (zh) | 一种多晶电池工艺水平及片源的评价方法 | |
CN111854939A (zh) | 一种用于led软灯条的在线检测方法 | |
CN104458736A (zh) | 一种用于农药残留检测的装置和检测方法 | |
CN110031474B (zh) | 异物检测方法及异物检测装置 | |
CN115035364A (zh) | 一种基于深度神经网络的指针仪表读数方法 | |
CN114858250A (zh) | 一种智慧水表的故障检测方法、***及可读存储介质 | |
CN110855989A (zh) | 一种网络视频图像编码方法和装置 |
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 |