CN117635565A - 一种基于图像识别的半导体表面缺陷检测*** - Google Patents
一种基于图像识别的半导体表面缺陷检测*** Download PDFInfo
- Publication number
- CN117635565A CN117635565A CN202311620522.7A CN202311620522A CN117635565A CN 117635565 A CN117635565 A CN 117635565A CN 202311620522 A CN202311620522 A CN 202311620522A CN 117635565 A CN117635565 A CN 117635565A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- flaw
- module
- semiconductor wafer
- 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.)
- Granted
Links
- 239000004065 semiconductor Substances 0.000 title claims abstract description 140
- 230000007547 defect Effects 0.000 title claims abstract description 83
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000011156 evaluation Methods 0.000 claims abstract description 46
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000002950 deficient Effects 0.000 claims abstract description 10
- 235000012431 wafers Nutrition 0.000 claims description 156
- 238000004458 analytical method Methods 0.000 claims description 76
- 238000005286 illumination Methods 0.000 claims description 68
- 238000004519 manufacturing process Methods 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical group [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 7
- 229910052710 silicon Inorganic materials 0.000 description 7
- 239000010703 silicon Substances 0.000 description 7
- 230000002411 adverse Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000013078 crystal Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003749 cleanliness Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- -1 scratches Substances 0.000 description 1
Classifications
-
- 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
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明属于半导体检测技术领域,具体是一种基于图像识别的半导体表面缺陷检测***,包括服务器、图像扫描采集模块、图像预处理模块、图像定位配准模块、像素瑕疵检测识别模块以及表面缺陷综合评估模块;本发明通过图像预处理模块将所采集的目标图像进行预处理,图像定位配准模块将目标图像与标准模板图像进行定位配准,像素点检测识别模块准确识别出目标图像中的瑕疵点像素,据此对半导体晶圆表面缺陷状况进行准确分析,精准判定半导体晶圆的质量等级,以及通过图像采况检测预警模块在图像扫描采集前将影响图像质量的因素进行全面检测,判断当前图像采集状况对图像质量的影响程度,有效保证图像采集质量。
Description
技术领域
本发明涉及半导体检测技术领域,具体是一种基于图像识别的半导体表面缺陷检测***。
背景技术
半导体晶圆是指制作硅半导体电路所用的硅晶片,其原始材料是硅,高纯度的多晶硅溶解后掺入硅晶体晶种,然后慢慢拉出,形成圆柱形的单晶硅,硅晶棒在经过研磨、抛光以及切片后,形成硅晶圆片,也就是晶圆,晶圆的主要加工方式为片加工和批加工;在半导体晶圆的生产加工过程中,对其表面进行缺陷检测是必不可少的一个环节;
目前在进行半导体晶圆的表面缺陷检测时,难以通过图像识别技术快速准确地识别出瑕疵点像素,并实现对半导体晶圆的等级精准判定,以及无法在进行半导体晶圆的表面图像采集前全面合理评估相关因素对其造成的不利影响程度,难以有效保证所采集的图像质量,不利于提升等级判定结果的准确性;
针对上述的技术缺陷,现提出一种解决方案。
发明内容
本发明的目的在于提供一种基于图像识别的半导体表面缺陷检测***,解决了现有技术难以通过图像识别技术快速准确地识别出瑕疵点像素,并实现对半导体晶圆的等级精准判定,以及无法在进行半导体晶圆的表面图像采集前全面合理评估相关因素对其造成的不利影响程度,不利于提升等级判定结果准确性的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于图像识别的半导体表面缺陷检测***,包括服务器、图像扫描采集模块、图像预处理模块、图像定位配准模块、像素瑕疵检测识别模块以及表面缺陷综合评估模块;图像扫描采集模块通过扫描电子显微镜或原子力显微镜采集到半导体晶圆的表面图像,将所采集到的表面图像标记为目标图像,将目标图像经服务器发送至图像预处理模块;图像预处理模块利用图像预处理技术将所接收的目标图像进行预处理,且将预处理后的目标图像经服务器发送至图像定位配准模块;
图像定位配准模块从服务器调取半导体晶圆的标准模板图像,将目标图像和标准模板图像通过特征匹配技术进行特征点匹配,基于相应的特征点对图像进行几何变换以使两者对齐,实现半导体晶圆的目标图像和标准模板图像的定位配准;像素点检测识别模块基于定位配准后的目标图像和标准模板图像进行半导体晶圆表面的像素瑕疵识别分析,以捕捉目标图像中的瑕疵点像素,且将所捕捉的瑕疵点像素经服务器发送至表面缺陷综合评估模块;表面缺陷综合评估模块通过分析以对半导体晶圆进行等级判定,将半导体晶圆标记为优级晶圆、良级晶圆或淘汰晶圆,且将对应半导体晶圆的等级判定信息发送至服务器。
进一步的,像素瑕疵识别分析的具体分析过程如下:
对配准后的目标图像和标准模板图像分别计算灰阶直方图,并找出每个直方图中的最大值,且将两个最大值标记为目标最大值和标准最大值,计算目标最大值和标准最大值两者的差值并将其标记为直方差异值,以得出目标图像和标准模板图像在亮度上的差异;
对目标图像有效区域内的每个像素,将其灰阶值加上上述的直方差异值,且将所得结果与标准模板图像对应位置的灰阶值进行比较,若两者之间的差异大于所设定的相应阈值,则将对应像素就被标记为瑕疵点像素;且将目标图像中的瑕疵点像素经服务器发送至表面缺陷综合评估模块。
进一步的,表面缺陷综合评估模块的具体运行过程包括:
基于所有瑕疵点像素,并使用图像处理中的连通区域标记算法找出每个瑕疵的连通区域,确定每个瑕疵的大小和形状,并计算出每个瑕疵的连通区域面积大小;通过对每个瑕疵的连通区域进行标记和分类,以得到每个瑕疵的图片,将瑕疵的图片作为深度学习模型的输入数据;
将这些瑕疵图片依次输入到事先训练好的卷积神经网络分类器中,通过卷积神经网络分类器以识别出每个瑕疵的类别,根据识别的瑕疵类别和数量进行等级判定,据此以将对应半导体晶圆标记为优级晶圆、良级晶圆或淘汰晶圆。
进一步的,等级判定的具体分析判定过程如下:
从服务器调取半导体晶圆的所有瑕疵类别,将对应瑕疵类别标记为i,i={1,2,…,n},n表示瑕疵类别数量且n为大于1的自然数;采集到目标图像中对应瑕疵类别i的数量并将其标记为瑕疵分布值,将瑕疵类别i的瑕疵分布值与对应的预设瑕疵分布阈值进行数值比较,若瑕疵分布值超过预设瑕疵分布值,则判断目标图像中对应瑕疵类别i表现异常;
若半导体晶圆中存在表现异常的瑕疵类别,则将对应半导体晶圆标记为淘汰晶圆;若半导体晶圆中不存在表现异常的瑕疵类别,则从服务器调取每种瑕疵类别的瑕疵影响值,瑕疵影响值的数值均大于零,且每种瑕疵类别的瑕疵影响值均由管理人员预先录入并存储至服务器中;
将目标图像中对应瑕疵类别i的瑕疵分布值与相应的瑕疵影响值相乘,且将两者乘积结果标记为瑕疵检测值,将目标图像中存在的所有瑕疵类别的瑕疵检测值进行求和计算得到瑕疵评估值;将瑕疵评估值与预设瑕疵评估值范围进行数值比较,若瑕疵评估值超过预设瑕疵评估值范围的最大值,则将对应半导体晶圆标记为淘汰晶圆;若瑕疵评估值位于预设瑕疵评估值范围内,则将对应半导体晶圆标记为良级晶圆;若瑕疵评估值未超过预设瑕疵评估值范围的最小值,则将对应半导体晶圆标记为优级晶圆。
进一步的,服务器与图像采况检测预警模块通信连接,在图像扫描采集模块进行半导体晶圆的图像扫描采集前,图像采况检测预警模块将影响图像质量的因素进行检测分析,判断当前图像采集状况对图像质量的影响程度,并生成采况检测不合格信号或采况检测合格信号,将采况检测不合格信号或采况检测合格信号发送至服务器,且在生成采况检测不合格信号时发出相应预警。
进一步的,图像采况检测预警模块的具体运行过程包括:
采集到半导体晶圆在进行图像采集前相较于图像扫描采集模块的位置偏差值和角度偏差值,将位置偏差值和角度偏差值进行数值计算得到位角分析值,将位角分析值与预设位角分析阈值进行数值比较,若位角分析值超过预设位角分析阈值,则生成采况检测不合格信号;
若位角分析值未超过预设位角分析阈值,则通过光源表现分析获取到光照分析值,将光照分析值与预设光照分析阈值进行数值比较,若光照分析值超过预设光照分析阈值,则生成采况检测不合格信号;若光照分析值未超过预设光照分析阈值,则进行采环辅助决策分析。
进一步的,采环辅助检测分析的具体分析过程如下:
获取到图像采集区域的区域温度、区域湿度以及区域模糊度,从服务器调取预设适宜采像温度范围,并将预设适宜采像温度范围的最大值和最小值进行均值计算得到采像温标值,将区域温度与采像温标值进行差值计算并取绝对值以得到采像温度差异值,同理获取到采像湿度差异值;将图像采集区域的采像温度差异值、采像湿度差异值和区域模糊度进行数值计算得到采环辅助值,将采环辅助值与预设采环辅助阈值进行数值比较,若采环辅助值超过预设采环辅助阈值,则生成采况检测不合格信号;若采环辅助值未超过预设采环辅助阈值,则生成采况检测合格信号。
进一步的,光源表现分析的具体分析过程如下:
采集到图像采集区域的光源光谱实际范围,从服务器调取预设光源光谱适宜范围,将预设光源光谱适宜范围与光源光谱实际范围进行重合比较,以得到光谱重合度系数;且在图像采集区域布设若干个光照监测点,采集到对应光照监测点的光照强度值,将所有光照监测点的光照强度值进行求和计算并取均值得到光照平均值,以及将所有光照监测点的光照强度值进行方差计算得到光照不均匀系数;
从服务器调取预设适宜采像光照强度范围,将预设适宜采像光照强度范围的最大值和最小值进行数值计算得到采像光标值,将光照平均值与采像光标值进行差值计算并取绝对值以得到光照偏离系数;将光谱重合度系数、光照偏离系数和光照不均匀系数进行数值计算得到光照分析值。
进一步的,服务器与半导体产线生产预警模块通信连接,服务器将对应半导体产线单位时间内生产的所有半导体晶圆的等级判定信息发送至半导体产线生产预警模块,半导体生产线对所有半导体晶圆的等级判定信息进行汇总,获取到单位时间内对应半导体产线所生产的优级晶圆数量、良级晶圆数量和淘汰晶圆数量,将优级晶圆数量、良级晶圆数量和淘汰晶圆数量进行数值计算得到产线预警系数;将产线预警系数与预设产线预警系数阈值进行数值比较,若产线预警系数超过预设产线预警系数阈值,则生成产线预警信号并将其发送至服务器,且在生成产线预警信号时发出相应预警。
与现有技术相比,本发明的有益效果是:
1、本发明中,通过图像扫描采集模块采集到半导体晶圆的表面图像,图像预处理模块将所接收的目标图像进行预处理以保证图像的质量,图像定位配准模块将目标图像与标准模板图像进行定位配准,像素点检测识别模块基于定位配准后的目标图像和标准模板图像进行半导体晶圆表面的像素瑕疵识别分析,能够准确识别出目标图像中的瑕疵点像素,表面缺陷综合评估模块通过分析以对半导体晶圆进行等级判定,实现对半导体晶圆表面缺陷状况的准确分析,并能够精准判定半导体晶圆的质量等级,有助于针对不同等级的半导体晶圆作出相应的处理措施;
2、本发明中,通过图像采况检测预警模块在图像扫描采集模块进行半导体晶圆的图像扫描采集前,将影响图像质量的因素进行检测分析,判断当前图像采集状况对图像质量的影响程度,以便操作人员及时作出针对性的改善措施,有助于保证图像采集质量,从而提升后续半导体晶圆等级判定结果的准确性;以及通过半导体产线生产预警模块将半导体生产线单位时间内所生产半导体晶圆的等级判定信息进行汇总,并判断对应产线生产异常状况,以便产线管理人员及时加强对应产线的设备监管和操作人员监管,保证后续所生产半导体晶圆的产品质量。
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为本发明中实施例一的第一***框图;
图2为本发明中实施例一的第二***框图;
图3为本发明中实施例二的***框图。
具体实施方式
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做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。
实施例一:如图1-2所示,本发明提出的一种基于图像识别的半导体表面缺陷检测***,包括服务器、图像扫描采集模块、图像预处理模块、图像定位配准模块、像素瑕疵检测识别模块以及表面缺陷综合评估模块,且服务器与图像扫描采集模块、图像预处理模块、图像定位配准模块、像素瑕疵检测识别模块以及表面缺陷综合评估模块均通信连接;图像扫描采集模块通过使用高精度的图像采集设备(比如扫描电子显微镜或原子力显微镜)采集到半导体晶圆的表面图像,将所采集到的表面图像标记为目标图像,将目标图像经服务器发送至图像预处理模块;
图像预处理模块利用图像预处理技术将所接收的目标图像进行预处理,以保证图像的质量,且将预处理后的目标图像经服务器发送至图像定位配准模块;需要说明的是,预处理操作主要包括灰度转换、噪声去除、对比度增强以及归一化;其中,灰度转换:将原始的彩色图像转换为灰度图像,这个步骤可以减少数据处理量;噪声去除:使用滤波器(例如高斯滤波器)来减少图像中的噪声,这些噪声可能由于图像采集过程中的环境因素或设备因素而产生;对比度增强:通过拉伸像素值范围来增加图像的对比度,这可以使图像的细节更加明显;归一化:将图像的像素值范围缩放到一个统一的范围。
由于半导体晶圆的制造过程是复杂的,可能存在一些几何变形和其他因素导致的偏差,因此需要将采集的目标图像与标准模板图像进行定位配准;图像定位配准模块从服务器调取半导体晶圆的标准模板图像,将目标图像和标准模板图像通过图像处理中的特征匹配技术进行特征点匹配,例如使用SIFT、SURF等算法进行特征点匹配,然后基于相应的特征点对图像进行几何变换以使两者对齐,实现半导体晶圆的目标图像和标准模板图像的定位配准;
需要说明的是,SIFT(Scale-Invariant Feature Transform)是指尺度不变特征变换,它是一种在图像中检测和描述局部特征的方法;SIFT算法的主要优点是它对尺度和旋转具有不变性,而且具有良好的独特性,可以用于准确的匹配,在晶圆图像配准中,SIFT算法可以用于找到晶圆图像和标准模板图像之间的相似特征点,并通过对这些特征点进行匹配,从而实现两个图像的几何变换对齐;
SURF(Speeded Up Robust Features)是指加速稳健特征,它是一种在图像中检测和描述局部特征的方法,具有较高的独特性和稳定性;SURF算法相较于SIFT算法,具有更快的计算速度,因此在一些实时性要求较高的应用场景中,SURF算法更具有优势;在晶圆图像配准中,SURF算法也可以用于找到晶圆图像和标准模板图像之间的相似特征点,并通过对这些特征点进行匹配,实现两个图像的几何变换对齐。
像素点检测识别模块基于定位配准后的目标图像和标准模板图像进行半导体晶圆表面的像素瑕疵识别分析,以捕捉目标图像中的瑕疵点像素,且将所捕捉的瑕疵点像素经服务器发送至表面缺陷综合评估模块,能够准确识别出目标图像中的瑕疵点像素,为后续进行半导体晶圆表面缺陷等级状况的精准评估提供数据支撑;像素瑕疵识别分析的具体分析过程如下:
对配准后的目标图像和标准模板图像分别计算灰阶直方图,并找出每个直方图中的最大值,这个最大值可以看作是该图像的亮度级别,且将两个最大值标记为目标最大值和标准最大值,计算目标最大值和标准最大值两者的差值并将其标记为直方差异值,可以得出目标图像和标准模板图像在亮度上的差异;
对目标图像有效区域内的每个像素,将其灰阶值加上上述的直方差异值,且将所得结果与标准模板图像对应位置的灰阶值进行比较,若两者之间的差异大于所设定的相应阈值,则将对应像素就被标记为瑕疵点像素;且将目标图像中的瑕疵点像素经服务器发送至表面缺陷综合评估模块。
表面缺陷综合评估模块通过分析以对半导体晶圆进行等级判定,将半导体晶圆标记为优级晶圆、良级晶圆或淘汰晶圆,且将对应半导体晶圆的等级判定信息发送至服务器,实现对半导体晶圆表面缺陷状况的准确分析,并能够精准判定半导体晶圆的质量等级,从而有助于针对不同等级的半导体晶圆作出相应的处理措施;表面缺陷综合评估模块的具体运行过程如下:
基于所有瑕疵点像素,并使用图像处理中的连通区域标记算法(例如二值图像的连通域分析)找出每个瑕疵的连通区域,这个步骤可以确定每个瑕疵的大小和形状并计算出每个瑕疵的连通区域面积大小;通过对每个瑕疵的连通区域进行标记和分类,以得到每个瑕疵的图片,将瑕疵的图片作为深度学习模型的输入数据;将这些瑕疵图片依次输入到事先训练好的卷积神经网络分类器(CNN)中,通过卷积神经网络分类器以识别出每个瑕疵的类别(如颗粒、划痕、孔洞等),根据识别的瑕疵类别和数量进行等级判定,等级判定的具体分析判定过程如下:
从服务器调取半导体晶圆的所有瑕疵类别,将对应瑕疵类别标记为i,i={1,2,…,n},n表示瑕疵类别数量且n为大于1的自然数;采集到目标图像中对应瑕疵类别i的数量并将其标记为瑕疵分布值,将瑕疵类别i的瑕疵分布值与对应的预设瑕疵分布阈值进行数值比较,若瑕疵分布值超过对应瑕疵类别i的预设瑕疵分布值,表明对应瑕疵类别i表现异常,则判断目标图像中对应瑕疵类别i表现异常;
若半导体晶圆中存在表现异常的瑕疵类别,表明对应半导体晶圆的表面缺陷状况较严重,则将对应半导体晶圆标记为淘汰晶圆;若半导体晶圆中不存在表现异常的瑕疵类别,则从服务器调取每种瑕疵类别的瑕疵影响值,瑕疵影响值的数值均大于零,且每种瑕疵类别的瑕疵影响值均由管理人员预先录入并存储至服务器中;需要说明的是,瑕疵影响值的数值越大,则对应瑕疵类别i对半导体晶圆的质量所造成的不利影响越大;将目标图像中对应瑕疵类别i的瑕疵分布值与相应的瑕疵影响值相乘,且将两者乘积结果标记为瑕疵检测值,将目标图像中存在的所有瑕疵类别的瑕疵检测值进行求和计算得到瑕疵评估值;
需要说明的是,瑕疵评估值的数值越大,则表明对应半导体晶圆的表面缺陷状况越严重;将瑕疵评估值与预设瑕疵评估值范围进行数值比较,若瑕疵评估值超过预设瑕疵评估值范围的最大值,表明对应半导体晶圆的表面缺陷状况较严重,则将对应半导体晶圆标记为淘汰晶圆;若瑕疵评估值位于预设瑕疵评估值范围内,表明对应半导体晶圆的表面缺陷状况良好,则将对应半导体晶圆标记为良级晶圆;若瑕疵评估值未超过预设瑕疵评估值范围的最小值,表明对应半导体晶圆的表面缺陷状况较好,则将对应半导体晶圆标记为优级晶圆。
进一步而言,服务器与图像采况检测预警模块通信连接,在图像扫描采集模块进行半导体晶圆的图像扫描采集前,图像采况检测预警模块将影响图像质量的因素进行检测分析,判断当前图像采集状况对图像质量的影响程度,并生成采况检测不合格信号或采况检测合格信号,将采况检测不合格信号或采况检测合格信号发送至服务器,且在生成采况检测不合格信号时发出相应预警,以便操作人员及时作出针对性的改善措施,从而有助于保证图像采集质量;图像采况检测预警模块的具体运行过程如下:
采集到半导体晶圆在进行图像采集前相较于图像扫描采集模块的位置偏差值和角度偏差值,通过公式WJ=ep1*WP+ep2*JP将位置偏差值WP和角度偏差值JP进行数值计算得到位角分析值WJ,其中,ep1、ep2为预设权重系数,ep1、ep2的取值均大于零;并且,位角分析值WJ的数值越大,则表明当前越不利于保证图像采集质量;将位角分析值WJ与预设位角分析阈值进行数值比较,若位角分析值WJ超过预设位角分析阈值,则生成采况检测不合格信号;
若位角分析值WJ未超过预设位角分析阈值,则采集到图像采集区域的光源光谱实际范围,从服务器调取预设光源光谱适宜范围,将预设光源光谱适宜范围与光源光谱实际范围进行重合比较,以得到光谱重合度系数(例如,若预设光源光谱适宜范围完全处于光源光谱实际范围内,则光谱重合度系数为1),光谱重合度系数的数值越大,越有利于提升所采集图像的质量;且在图像采集区域布设若干个光照监测点,采集到对应光照监测点的光照强度值,将所有光照监测点的光照强度值进行求和计算并取均值得到光照平均值,以及将所有光照监测点的光照强度值进行方差计算得到光照不均匀系数;
从服务器调取预设适宜采像光照强度范围,将预设适宜采像光照强度范围的最大值和最小值进行数值计算得到采像光标值,将光照平均值与采像光标值进行差值计算并取绝对值以得到光照偏离系数;需要说明的是,光照不均匀系数的数值越小,则表明图像采集区域的光照越均匀,越有利于提升所采集图像的质量;光照偏离系数的数值越小,表明图像采集区域的光照强度越趋向于适宜水平,越有利于提升所采集图像的质量;
通过公式GT=tf1/(GY+0.126)+tf2*GR+tf3*GF将光谱重合度系数GY、光照偏离系数GR和光照不均匀系数GF进行数值计算得到光照分析值GT,其中,tf1、tf2、tf3为预设比例系数,tf1>tf2>tf3>1;并且,光照分析值GT的数值越小,则表明图像采集区域的光照表现状况越好,越有利于提升所采集图像的质量;将光照分析值GT与预设光照分析阈值进行数值比较,若光照分析值GT超过预设光照分析阈值,则生成采况检测不合格信号;
若光照分析值GT未超过预设光照分析阈值,则获取到图像采集区域的区域温度、区域湿度以及区域模糊度,其中,区域模糊度是表示区域大气洁净度程度的数据量值,图像采集区域的粉尘浓度越大,则区域大气洁净度越差,区域模糊度的数值越大;从服务器调取预设适宜采像温度范围,并将预设适宜采像温度范围的最大值和最小值进行均值计算得到采像温标值,将区域温度与采像温标值进行差值计算并取绝对值以得到采像温度差异值,同理获取到采像湿度差异值;
通过公式CT=ed1*QT+ed2*QY+ed3*QK将图像采集区域的采像温度差异值QT、采像湿度差异值QY和区域模糊度QK进行数值计算得到采环辅助值CT,其中,ed1、ed2、ed3为预设权重系数,ed1、ed2、ed3的取值均大于零;并且,采环辅助值CT的数值越大,表明越不利于保证所采集图像的质量;将采环辅助值CT与预设采环辅助阈值进行数值比较,若采环辅助值CT超过预设采环辅助阈值,则生成采况检测不合格信号;若采环辅助值CT未超过预设采环辅助阈值,则生成采况检测合格信号。
实施例二:如图3所示,本实施例与实施例1的区别在于,服务器与半导体产线生产预警模块通信连接,服务器将对应半导体产线单位时间内生产的所有半导体晶圆的等级判定信息发送至半导体产线生产预警模块,半导体生产线对所有半导体晶圆的等级判定信息进行汇总,以获取到单位时间内对应半导体产线所生产的优级晶圆数量、良级晶圆数量和淘汰晶圆数量;
通过公式CY=(a1*YK+a2*YT+a3*YG)/(YK+YT+YG)将优级晶圆数量YK、良级晶圆数量YT和淘汰晶圆数量YG进行数值计算得到产线预警系数CY;其中,a1、a2、a3为预设权重系数,a3>a2>a1>0;并且,产线预警系数CY的数值越大,表明单位时间内对应产线所生产的半导体晶圆的产品质量越差,对应产线存在异常的可能性越大;将产线预警系数CY与预设产线预警系数阈值进行数值比较,若产线预警系数CY超过预设产线预警系数阈值,则生成产线预警信号并将其发送至服务器,且在生成产线预警信号时发出相应预警,以便产线管理人员详细掌握相应产线所生产的半导体晶圆质量,从而及时加强对应产线的设备监管和操作人员监管,以消除所存在的产线异常,保证后续所生产半导体晶圆的产品质量。
本发明的工作原理:使用时,通过图像扫描采集模块使用高精度的图像采集设备采集到半导体晶圆的表面图像,图像预处理模块利用图像预处理技术将所接收的目标图像进行预处理,以保证图像的质量,图像定位配准模块将目标图像与标准模板图像进行定位配准;像素点检测识别模块基于定位配准后的目标图像和标准模板图像进行半导体晶圆表面的像素瑕疵识别分析,以捕捉目标图像中的瑕疵点像素,能够准确识别出目标图像中的瑕疵点像素,为后续进行半导体晶圆表面缺陷等级状况的精准评估提供数据支撑;表面缺陷综合评估模块通过分析以对半导体晶圆进行等级判定,实现对半导体晶圆表面缺陷状况的准确分析,并能够精准判定半导体晶圆的质量等级,从而有助于针对不同等级的半导体晶圆作出相应的处理措施;以及通过图像采况检测预警模块在图像扫描采集模块进行半导体晶圆的图像扫描采集前,将影响图像质量的因素进行检测分析,判断当前图像采集状况对图像质量的影响程度,以便操作人员及时作出针对性的改善措施,有助于保证图像采集质量,从而提升后续半导体晶圆等级判定结果的准确性。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。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 (9)
1.一种基于图像识别的半导体表面缺陷检测***,其特征在于,包括服务器、图像扫描采集模块、图像预处理模块、图像定位配准模块、像素瑕疵检测识别模块以及表面缺陷综合评估模块;图像扫描采集模块通过扫描电子显微镜或原子力显微镜采集到半导体晶圆的表面图像,将所采集到的表面图像标记为目标图像,将目标图像经服务器发送至图像预处理模块;图像预处理模块利用图像预处理技术将所接收的目标图像进行预处理,且将预处理后的目标图像经服务器发送至图像定位配准模块;
图像定位配准模块从服务器调取半导体晶圆的标准模板图像,将目标图像和标准模板图像通过特征匹配技术进行特征点匹配,基于相应的特征点对图像进行几何变换以使两者对齐,实现半导体晶圆的目标图像和标准模板图像的定位配准;像素点检测识别模块基于定位配准后的目标图像和标准模板图像进行半导体晶圆表面的像素瑕疵识别分析,以捕捉目标图像中的瑕疵点像素,且将所捕捉的瑕疵点像素经服务器发送至表面缺陷综合评估模块;表面缺陷综合评估模块通过分析以对半导体晶圆进行等级判定,将半导体晶圆标记为优级晶圆、良级晶圆或淘汰晶圆,且将对应半导体晶圆的等级判定信息发送至服务器。
2.根据权利要求1所述的一种基于图像识别的半导体表面缺陷检测***,其特征在于,像素瑕疵识别分析的具体分析过程如下:
对配准后的目标图像和标准模板图像分别计算灰阶直方图,并找出每个直方图中的最大值,且将两个最大值标记为目标最大值和标准最大值,计算目标最大值和标准最大值两者的差值并将其标记为直方差异值,以得出目标图像和标准模板图像在亮度上的差异;
对目标图像有效区域内的每个像素,将其灰阶值加上上述的直方差异值,且将所得结果与标准模板图像对应位置的灰阶值进行比较,若两者之间的差异大于所设定的相应阈值,则将对应像素就被标记为瑕疵点像素;且将目标图像中的瑕疵点像素经服务器发送至表面缺陷综合评估模块。
3.根据权利要求2所述的一种基于图像识别的半导体表面缺陷检测***,其特征在于,表面缺陷综合评估模块的具体运行过程包括:
基于所有瑕疵点像素,并使用图像处理中的连通区域标记算法找出每个瑕疵的连通区域,确定每个瑕疵的大小和形状,并计算出每个瑕疵的连通区域面积大小;通过对每个瑕疵的连通区域进行标记和分类,以得到每个瑕疵的图片,将瑕疵的图片作为深度学习模型的输入数据;
将这些瑕疵图片依次输入到事先训练好的卷积神经网络分类器中,通过卷积神经网络分类器以识别出每个瑕疵的类别,根据识别的瑕疵类别和数量进行等级判定,据此以将对应半导体晶圆标记为优级晶圆、良级晶圆或淘汰晶圆。
4.根据权利要求3所述的一种基于图像识别的半导体表面缺陷检测***,其特征在于,等级判定的具体分析判定过程如下:
从服务器调取半导体晶圆的所有瑕疵类别,将对应瑕疵类别标记为i,i={1,2,…,n},n表示瑕疵类别数量且n为大于1的自然数;采集到目标图像中对应瑕疵类别i的数量并将其标记为瑕疵分布值,将瑕疵类别i的瑕疵分布值与对应的预设瑕疵分布阈值进行数值比较,若瑕疵分布值超过预设瑕疵分布阈值,则判断目标图像中对应瑕疵类别i表现异常;
若半导体晶圆中存在表现异常的瑕疵类别,则将对应半导体晶圆标记为淘汰晶圆;若半导体晶圆中不存在表现异常的瑕疵类别,则从服务器调取每种瑕疵类别的瑕疵影响值,瑕疵影响值的数值均大于零,且每种瑕疵类别的瑕疵影响值均由管理人员预先录入并存储至服务器中;
将目标图像中对应瑕疵类别i的瑕疵分布值与相应的瑕疵影响值相乘,且将两者乘积结果标记为瑕疵检测值,将目标图像中存在的所有瑕疵类别的瑕疵检测值进行求和计算得到瑕疵评估值;若瑕疵评估值超过预设瑕疵评估值范围的最大值,则将对应半导体晶圆标记为淘汰晶圆;若瑕疵评估值位于预设瑕疵评估值范围内,则将对应半导体晶圆标记为良级晶圆;若瑕疵评估值未超过预设瑕疵评估值范围的最小值,则将对应半导体晶圆标记为优级晶圆。
5.根据权利要求1所述的一种基于图像识别的半导体表面缺陷检测***,其特征在于,服务器与图像采况检测预警模块通信连接,在图像扫描采集模块进行半导体晶圆的图像扫描采集前,图像采况检测预警模块将影响图像质量的因素进行检测分析,判断当前图像采集状况对图像质量的影响程度,并生成采况检测不合格信号或采况检测合格信号,将采况检测不合格信号或采况检测合格信号发送至服务器,且在生成采况检测不合格信号时发出相应预警。
6.根据权利要求5所述的一种基于图像识别的半导体表面缺陷检测***,其特征在于,图像采况检测预警模块的具体运行过程包括:
采集到半导体晶圆在进行图像采集前相较于图像扫描采集模块的位置偏差值和角度偏差值,将位置偏差值和角度偏差值进行数值计算得到位角分析值,若位角分析值超过预设位角分析阈值,则生成采况检测不合格信号;若位角分析值未超过预设位角分析阈值,则通过光源表现分析获取到光照分析值,若光照分析值超过预设光照分析阈值,则生成采况检测不合格信号;若光照分析值未超过预设光照分析阈值,则进行采环辅助决策分析。
7.根据权利要求6所述的一种基于图像识别的半导体表面缺陷检测***,其特征在于,采环辅助检测分析的具体分析过程如下:
获取到图像采集区域的区域温度、区域湿度以及区域模糊度,从服务器调取预设适宜采像温度范围,并将预设适宜采像温度范围的最大值和最小值进行均值计算得到采像温标值,将区域温度与采像温标值进行差值计算并取绝对值以得到采像温度差异值,同理获取到采像湿度差异值;将图像采集区域的采像温度差异值、采像湿度差异值和区域模糊度进行数值计算得到采环辅助值,若采环辅助值超过预设采环辅助阈值,则生成采况检测不合格信号;若采环辅助值未超过预设采环辅助阈值,则生成采况检测合格信号。
8.根据权利要求6所述的一种基于图像识别的半导体表面缺陷检测***,其特征在于,光源表现分析的具体分析过程如下:
采集到图像采集区域的光源光谱实际范围,从服务器调取预设光源光谱适宜范围,将预设光源光谱适宜范围与光源光谱实际范围进行重合比较,以得到光谱重合度系数;且在图像采集区域布设若干个光照监测点,采集到对应光照监测点的光照强度值,将所有光照监测点的光照强度值进行求和计算并取均值得到光照平均值,以及将所有光照监测点的光照强度值进行方差计算得到光照不均匀系数;
从服务器调取预设适宜采像光照强度范围,将预设适宜采像光照强度范围的最大值和最小值进行数值计算得到采像光标值,将光照平均值与采像光标值进行差值计算并取绝对值以得到光照偏离系数;将光谱重合度系数、光照偏离系数和光照不均匀系数进行数值计算得到光照分析值。
9.根据权利要求5所述的一种基于图像识别的半导体表面缺陷检测***,其特征在于,服务器与半导体产线生产预警模块通信连接,服务器将对应半导体产线单位时间内生产的所有半导体晶圆的等级判定信息发送至半导体产线生产预警模块,半导体生产线对所有半导体晶圆的等级判定信息进行汇总,获取到单位时间内对应半导体产线所生产的优级晶圆数量、良级晶圆数量和淘汰晶圆数量,将优级晶圆数量、良级晶圆数量和淘汰晶圆数量进行数值计算得到产线预警系数;若产线预警系数超过预设产线预警系数阈值,则生成产线预警信号并将其发送至服务器,且在生成产线预警信号时发出相应预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311620522.7A CN117635565B (zh) | 2023-11-29 | 2023-11-29 | 一种基于图像识别的半导体表面缺陷检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311620522.7A CN117635565B (zh) | 2023-11-29 | 2023-11-29 | 一种基于图像识别的半导体表面缺陷检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117635565A true CN117635565A (zh) | 2024-03-01 |
CN117635565B CN117635565B (zh) | 2024-05-24 |
Family
ID=90021035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311620522.7A Active CN117635565B (zh) | 2023-11-29 | 2023-11-29 | 一种基于图像识别的半导体表面缺陷检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635565B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890389A (zh) * | 2024-03-14 | 2024-04-16 | 上海强华实业股份有限公司 | 精烧制品表面质量在线检测方法、设备及其存储介质 |
CN117990163A (zh) * | 2024-04-03 | 2024-05-07 | 赣州华京稀土新材料有限公司 | 钕铁硼薄片自动性能检测***及方法 |
CN118067740A (zh) * | 2024-04-18 | 2024-05-24 | 华南理工大学 | 一种用于谐振器和滤波器的光测、电测检测设备 |
CN118150584A (zh) * | 2024-05-10 | 2024-06-07 | 太仓点石航空动力有限公司 | 一种基于图像识别的涡轮机匣表面质量检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102305793A (zh) * | 2011-05-11 | 2012-01-04 | 苏州天准精密技术有限公司 | 一种产品外观质量检测方法和设备 |
CN110954553A (zh) * | 2019-10-10 | 2020-04-03 | 段美华 | 一种镜片光学检测*** |
CN111260647A (zh) * | 2020-03-12 | 2020-06-09 | 南京安科医疗科技有限公司 | 一种基于图像检测的ct扫描辅助方法、计算机可读存储介质、ct扫描装置 |
CN112932522A (zh) * | 2021-02-03 | 2021-06-11 | 上海联影医疗科技股份有限公司 | 医学图像获取方法、装置和计算机设备 |
US20220223481A1 (en) * | 2019-05-07 | 2022-07-14 | Xuzhou Xinjing Semiconductor Technology Co., Ltd. | Method and system for automatically detecting and controlling defects on wafer |
CN115295458A (zh) * | 2022-08-25 | 2022-11-04 | 魅杰光电科技(上海)有限公司 | 一种晶圆检测***及方法 |
CN115345848A (zh) * | 2022-08-12 | 2022-11-15 | 童雯 | 一种基于大数据的显示屏的质检方法 |
CN115690670A (zh) * | 2022-09-23 | 2023-02-03 | 盛吉盛(宁波)半导体科技有限公司 | 一种晶圆瑕疵智能识别方法和*** |
CN117116791A (zh) * | 2023-08-18 | 2023-11-24 | 江苏永鼎股份有限公司 | 一种晶圆加工的瑕疵测试方法及装置 |
-
2023
- 2023-11-29 CN CN202311620522.7A patent/CN117635565B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102305793A (zh) * | 2011-05-11 | 2012-01-04 | 苏州天准精密技术有限公司 | 一种产品外观质量检测方法和设备 |
US20220223481A1 (en) * | 2019-05-07 | 2022-07-14 | Xuzhou Xinjing Semiconductor Technology Co., Ltd. | Method and system for automatically detecting and controlling defects on wafer |
CN110954553A (zh) * | 2019-10-10 | 2020-04-03 | 段美华 | 一种镜片光学检测*** |
CN111260647A (zh) * | 2020-03-12 | 2020-06-09 | 南京安科医疗科技有限公司 | 一种基于图像检测的ct扫描辅助方法、计算机可读存储介质、ct扫描装置 |
CN112932522A (zh) * | 2021-02-03 | 2021-06-11 | 上海联影医疗科技股份有限公司 | 医学图像获取方法、装置和计算机设备 |
CN115345848A (zh) * | 2022-08-12 | 2022-11-15 | 童雯 | 一种基于大数据的显示屏的质检方法 |
CN115295458A (zh) * | 2022-08-25 | 2022-11-04 | 魅杰光电科技(上海)有限公司 | 一种晶圆检测***及方法 |
CN115690670A (zh) * | 2022-09-23 | 2023-02-03 | 盛吉盛(宁波)半导体科技有限公司 | 一种晶圆瑕疵智能识别方法和*** |
CN117116791A (zh) * | 2023-08-18 | 2023-11-24 | 江苏永鼎股份有限公司 | 一种晶圆加工的瑕疵测试方法及装置 |
Non-Patent Citations (2)
Title |
---|
倪天宇: "晶圆表面缺陷自动检测技术的研究", 中国优秀硕士学位论文全文数据库 (信息科技辑), no. 2023, 31 January 2023 (2023-01-31), pages 135 - 460 * |
***: "基于图像配准的晶圆表面缺陷检测", 仪器仪表与分析监测, no. 3, 27 August 2020 (2020-08-27), pages 1 - 4 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890389A (zh) * | 2024-03-14 | 2024-04-16 | 上海强华实业股份有限公司 | 精烧制品表面质量在线检测方法、设备及其存储介质 |
CN117890389B (zh) * | 2024-03-14 | 2024-05-24 | 上海强华实业股份有限公司 | 精烧制品表面质量在线检测方法、设备及其存储介质 |
CN117990163A (zh) * | 2024-04-03 | 2024-05-07 | 赣州华京稀土新材料有限公司 | 钕铁硼薄片自动性能检测***及方法 |
CN117990163B (zh) * | 2024-04-03 | 2024-06-04 | 赣州华京稀土新材料有限公司 | 钕铁硼薄片自动性能检测***及方法 |
CN118067740A (zh) * | 2024-04-18 | 2024-05-24 | 华南理工大学 | 一种用于谐振器和滤波器的光测、电测检测设备 |
CN118150584A (zh) * | 2024-05-10 | 2024-06-07 | 太仓点石航空动力有限公司 | 一种基于图像识别的涡轮机匣表面质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117635565B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117635565B (zh) | 一种基于图像识别的半导体表面缺陷检测*** | |
CN109550712B (zh) | 一种化纤丝尾丝外观缺陷检测***及方法 | |
CN109454006B (zh) | 基于化纤丝锭绊丝缺陷在线检测和分级的装置的检测分级方法 | |
CN109255787B (zh) | 基于深度学习和图像处理技术的丝锭划痕检测***及方法 | |
CN108445011B (zh) | 一种基于深度学习的瑕疵检测***及方法 | |
CN111650204A (zh) | 基于级联目标检测的输电线路金具缺陷检测方法及*** | |
CN117250208B (zh) | 基于机器视觉的纳米压印晶圆缺陷精准检测***及方法 | |
WO2016070462A1 (zh) | 基于方向梯度直方图的显示面板缺陷检测方法 | |
CN111652098B (zh) | 产品表面缺陷检测方法及装置 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别***与方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN113222938A (zh) | 芯片缺陷检测方法及***与计算机可读存储介质 | |
CN111275700A (zh) | 基于深度学习的端子缺陷检测方法及*** | |
CN117350967B (zh) | 一种基于光学检测晶圆外观缺陷检测***及其方法 | |
CN112419261B (zh) | 具有异常点去除功能的视觉采集方法及装置 | |
CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN107545565B (zh) | 一种太阳能网版检测方法 | |
CN112102280B (zh) | 铁路货车小部件承挡键螺母松动和丢失故障检测方法 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
CN116071306A (zh) | 用于滚动轴承保持架铆合缺陷的机器视觉检测方法 | |
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 | |
CN116309407A (zh) | 一种铁路接触网螺栓异常状态的检测方法 | |
KR20200126921A (ko) | 스켈러톤 웨이퍼 검사 방법 |
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 |