CN117911400B - 一种晶圆缺陷的确定方法、装置、计算机设备及存储介质 - Google Patents
一种晶圆缺陷的确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117911400B CN117911400B CN202410289678.XA CN202410289678A CN117911400B CN 117911400 B CN117911400 B CN 117911400B CN 202410289678 A CN202410289678 A CN 202410289678A CN 117911400 B CN117911400 B CN 117911400B
- Authority
- CN
- China
- Prior art keywords
- region
- feature extraction
- intensity
- type
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000007547 defect Effects 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 151
- 239000007771 core particle Substances 0.000 claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 42
- 239000007787 solid Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 2
- 235000012431 wafers Nutrition 0.000 abstract description 183
- 238000005259 measurement Methods 0.000 abstract description 11
- 238000001514 detection method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种晶圆缺陷的确定方法、装置、计算机设备及存储介质，以解决通过计算机视觉检测大量不同类型的晶圆缺陷时，不仅耗时过长，并且难以针对不同类型的晶圆得出准确的测量结果的问题。该确定方法包括：划定晶圆图像中芯粒的特征区域；解析特征区域的灰度分布趋势，得到特征区域的区域类型和发光强度类型；选取特征区域对应的轮廓特征提取算子，选取区域类型对应的区域特征提取算子，选取发光强度类型对应的强度特征提取算子；结合轮廓特征提取算子、区域特征提取算子和强度特征提取算子，得出组合算法；利用组合算法，对晶圆图像进行运算，提取出晶圆图像的特征，以确定晶圆存在的缺陷。
Description
技术领域
本发明涉及半导体制造领域，尤其涉及一种晶圆缺陷的确定方法、装置、计算机设备及存储介质。
背景技术
半导体制造过程中，需要对晶圆级发光二极管的缺陷进行检测，以确保晶圆的良率与性能。其中，晶圆级发光二极管包括但不仅限于Mini LED（次毫米发光二极管）、MicroLED（微发光二极管）等。对这些发光二极管的晶圆进行检测的方法中包括对晶圆表面缺陷进行视觉检测，该方法主要通过视觉检测，提取晶圆图像的特征。通过分析提取出的特征来确定该晶圆的良率与性能。但由于这类型的晶圆本身尺寸较小，且晶圆中芯粒不仅会发光，且形态、类型各异，而由晶圆所生成的晶圆图像也将由于测量方式的不同，而导致晶圆图像的曝光、增益和成像大小等特征信息差异较大。因此，晶圆图像相较于普通图像的更为多样、复杂，且图像特征更为细微。
现有计算机视觉技术中，通常依据大量不同的算子，对晶圆图像进行繁杂的运算，以提取晶圆图像的特征。但这种方式由于堆积了大量的算子，因此在运算过程中难以针对不同的晶圆图像进行针对性的参数调整，且由于大量的运算将降低晶圆图像检测的速度。因此，通过计算机视觉检测大量不同类型的晶圆缺陷时，不仅耗时过长，并且难以针对不同类型的晶圆得出准确的测量结果。
发明内容
本发明实施例提供一种晶圆缺陷的确定方法、装置、计算机设备及存储介质，以解决通过计算机视觉检测大量不同类型的晶圆缺陷时，不仅耗时过长，并且难以针对不同类型的晶圆得出准确的测量结果的问题。
本发明第一方面，提供了一种晶圆缺陷的确定方法，包括：
划定晶圆图像中芯粒的特征区域；
解析所述特征区域的灰度分布趋势，得到所述特征区域的区域类型和发光强度类型；
选取所述特征区域对应的轮廓特征提取算子，选取所述区域类型对应的区域特征提取算子，选取所述发光强度类型对应的强度特征提取算子；
结合所述轮廓特征提取算子、所述区域特征提取算子和所述强度特征提取算子，得出组合算法；
利用所述组合算法，对所述晶圆图像进行运算，提取出所述晶圆图像的特征，以确定晶圆存在的缺陷。
在一种可能的设计中，所述特征区域包括矩形特征区域和圆形特征区域，所述划定晶圆图像中芯粒的特征区域，包括：
确定所述晶圆图像中芯粒的轮廓，得出所述芯粒的芯粒形状；
若所述芯粒形状为矩形，则确定所述矩形的长宽信息，得出符合所述长宽信息的矩形特征区域；
若所述芯粒形状为圆形，则确定所述圆形的直径信息，得出符合所述直径信息的圆形特征区域。
在一种可能的设计中，所述灰度分布趋势包括灰度分布方向和灰度趋势强度，所述解析所述特征区域的灰度分布趋势，得到所述特征区域的区域类型和发光强度类型，包括：
若所述特征区域的灰度分布方向，是由边缘向中心集中，则所述特征区域的区域类型为实心；
若所述特征区域的灰度分布方向，是由中心向边缘分散，则所述特征区域的区域类型为空心；
解析所述特征区域的灰度趋势强度，得出所述特征区域的发光强度类型。
在一种可能的设计中，所述解析所述特征区域的灰度趋势强度，得出所述特征区域的发光强度类型，包括：
若所述特征区域的灰度趋势强度高于预期强度，则所述特征区域的发光强度类型为高强度；
若所述特征区域的灰度趋势强度低于或等于所述预期强度，则所述特征区域的发光强度类型为低强度。
在一种可能的设计中，所述区域类型包括空心和实心，所述选取所述区域类型对应的区域特征提取算子，包括：
若所述区域类型为空心，则获取所述特征区域中空心区域之外的外部区域；
将所述外部区域作为计算区域；
若所述区域类型为实心，则获取所述特征区域内的实心区域，并将所述实心区域作为所述计算区域；
筛选出具有所述计算区域的特征提取算子，作为所述区域特征提取算子。
在一种可能的设计中，所述选取所述发光强度类型对应的强度特征提取算子，包括：
若所述特征区域为实心，并且所述发光强度类型为高强度，则将算子方向参数赋值为正数；
若所述特征区域为实心，并且所述发光强度类型为低强度，则将所述算子方向参数赋值为负数；
若所述特征区域为空心，并且所述发光强度类型为高强度，则将所述算子方向参数赋值为负数；
若所述特征区域为空心，并且所述发光强度类型为低强度，则将所述算子方向参数赋值为正数；
筛选出特征提取算子中方向参数与所述算子方向参数相同的特征提取算子，作为所述强度特征提取算子。
在一种可能的设计中，所述选取所述特征区域对应的轮廓特征提取算子，包括：
获取所述特征区域内芯粒的芯粒形状；
筛选出特征提取算子中适用于所述芯粒形状的特征提取算子，作为轮廓特征提取算子。
第二方面，提供了一种晶圆缺陷的确定装置，包括：
划定模块，用于划定晶圆图像中芯粒的特征区域；
解析模块，用于解析所述特征区域的灰度分布趋势，得到所述特征区域的区域类型和发光强度类型；
选取模块，用于选取所述特征区域对应的轮廓特征提取算子，选取所述区域类型对应的区域特征提取算子，选取所述发光强度类型对应的强度特征提取算子；
结合模块，用于结合所述轮廓特征提取算子、所述区域特征提取算子和所述强度特征提取算子，得出组合算法；
运算模块，用于利用所述组合算法，对所述晶圆图像进行运算，提取出所述晶圆图像的特征，以确定晶圆存在的缺陷。
第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述晶圆缺陷的确定方法的步骤。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述晶圆缺陷的确定方法的步骤。
上述晶圆缺陷的确定方法、装置、计算机设备及存储介质，通过划定晶圆图像中芯粒的特征区域，并解析特征区域的灰度分布趋势，得到特征区域的区域类型和发光强度类型。该步骤中，针对晶圆图像中的每个芯粒划定特征区域，这种区域特征将更为符合不同芯粒的形态。这与现有技术中，直接针对晶圆图像进行检测不同，由于针对不同的芯粒进行了精确的特征区域划定，因此在后续步骤中，依据特征区域选取出的区域特征提取算子，将能够更加准确地提取出芯粒特征。然后，选取特征区域对应的轮廓特征提取算子，选取区域类型对应的区域特征提取算子，选取发光强度类型对应的强度特征提取算子。该步骤是由于晶圆图像与普通图像不同，由于这种晶圆中布满发光芯粒，这种芯粒将呈现出明显的灰度趋势特征，也就是特征区域内图像灰度往往具有明显的规律性和趋势性，因此能够针对不同的特征趋势，选取出更为符合当前特征趋势的特征提取算子，以便后续依据这些特征提取算子，更为准确地提取出每个特征区域的特征。接着，结合轮廓特征提取算子、区域特征提取算子和强度特征提取算子，得出组合算法。由于这些算子是通过当前晶圆图像的特征一一选取出来的，相较于现有技术中，通过堆积大量算子对晶圆图像进行大量运算，本步骤中，通过准确选取部分算子，对选取出的算子进行组合，最后，利用组合算法，对晶圆图像进行运算，提取出晶圆图像的特征，这不仅准确地确定晶圆存在的缺陷，同时也提升了检测过程的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中晶圆缺陷的确定方法的一应用环境示意图；
图2是本发明一实施例中晶圆缺陷的确定方法的一流程示意图；
图3是本发明一实施例中晶圆缺陷的确定方法的一示意图；
图4是本发明一实施例中晶圆缺陷的确定方法的一示意图；
图5是本发明一实施例中晶圆缺陷的确定方法的一示意图；
图6是本发明一实施例中晶圆缺陷的确定方法的一示意图；
图7是本发明一实施例中晶圆缺陷的确定方法的一示意图；
图8是本发明一实施例中晶圆缺陷的确定方法的一示意图；
图9是本发明一实施例中晶圆缺陷的确定方法的一示意图；
图10是本发明一实施例中晶圆缺陷的确定装置的一示意图；
图11是本发明一实施例中计算机设备的一示意图。
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。
在工业半导体制造领域，晶圆本身的尺寸较小，而晶圆级发光二极管中则存在着不同形状、尺寸和类型的芯粒，并且，该晶圆中的芯粒为发光芯粒，该芯粒成像后的图像将在小范围内存在着一定的规律性和趋势性。另外，由于对晶圆的测量方式的不同，即使是同样的芯粒和晶圆，最终生成的晶圆图像也将存在着一定差异。因此在对发光二极管的晶圆进行视觉检测时，也就是对发光二极管的晶圆表面缺陷进行确定时，晶圆图像相较于普通的工业成像图像有着更为复杂的细节特征需捕捉。并且，还需要考虑到由于晶圆图像中芯粒的发光对晶圆图像的影响。
现有计算机视觉技术中，对晶圆图像中的发光芯粒进行检测，需要先提取出晶圆图像候选区域中的特征，也就是晶圆图像中的有效信息，为后续的缺陷检测提供基础。而在工业、制造业领域中，晶圆视觉检测中常用的特征提取存在着两种方法：第一种，针对晶圆图像的某一特定特征进行识别；第二种，预测晶圆图像可能存在的所有特征，将所有特征对应的算子相互配合，以实现对晶圆图像的识别检测。而上述两种方法都存在着一定的缺陷，其中，第一种方法，利用不同特征的提取方法对晶圆图像进行检测，但由于每种检测方法都只对晶圆图像的其中一种特性敏感，无法对不同晶圆所生成的变化复杂的视觉图像进行准确地检测，也无法精确识别不同测量环境下所生成的晶圆图像；第二种方法，由于需要堆积大量算子，进而进行运算，从而实现晶圆图像的识别，因此整个特征提取过程复杂、计算量大，难以满足高速检测的需求，并且由于算子运算繁杂，且调参困难，难以满足复杂测量环境下，测量形状变化复杂的晶圆所得出的晶圆图像的检测。
基于上述问题，为了能够更准确地依据晶圆的具体特征，灵活、高效地实现晶圆特征的提取，因此，本发明实施例提供了一种晶圆缺陷的确定方法，该确定方法可应用在如图1的应用环境中，其中，测量设备通过网络与服务器进行通信。测量设备获取晶圆的晶圆图像，进而发送给服务器，由服务器对晶圆图像进行检测，进而确定晶圆存在的缺陷。其中，测量设备可以但不限于各种工业相机、工业传感器、激光测量仪、扫描式测量仪等。服务器可以用工业计算机、独立的服务器、多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种晶圆缺陷的确定方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
S10：划定晶圆图像中芯粒的特征区域。
每个晶圆图像将包含多个芯粒，如图3所示的晶圆图像，其中包含多个如图4所示的芯粒。其中，晶圆图像可以通过测量设备测量晶圆获取，特征区域是指晶圆图像中包含芯粒特征的特定区域。每个特定区域包含一个芯粒，每个晶圆图像将包含一个或多个特征区域，特征区域的数量可以与芯粒数量一致，也可以小于芯粒数量，此处不做限定。特定区域可以是不同的形状的区域，如图7晶圆图像中的特定区域为矩形，而图8晶圆图像中的特定区域为圆形。
值得注意的是，步骤S10实质上是为了满足不同形状的晶圆和晶圆上不同形状的芯粒，由于这些形状复杂多变，因此需要对晶圆图像中的芯粒的特征区域进行确定，同时晶圆图像由于是针对芯粒进行的特征区域划定，因此，最终每个特征区域都将准确贴合芯粒，使得后续步骤对特征区域进行检测时的识别范围小而准确，进而能更加准确、高效地提取出晶圆图像的特征。
S20：解析所述特征区域的灰度分布趋势，得到所述特征区域的区域类型和发光强度类型。
其中，灰度分布趋势是指晶圆图像的特征区域内分布规律和变化趋势，包括但不仅限于均匀性、梯度等。晶圆图像中特征区域的灰度分布趋势包括但不仅限于中心部分集中、向边缘部分扩散等。当灰度分布趋势为中心部分集中，则该特征区域的区域类型为实心，发光强度类型为高强度；当灰度分布趋势为向边缘部分扩散，则该特征区域的区域类型为空心，发光强度类型为低强度。由于本实施例可用于晶圆上发光芯粒进行检测，因此步骤S20实质上是通过解析特征区域的灰度分布趋势，从而得出芯粒发光的强度和类型，以便后续步骤中依据芯粒发光的强度和类型信息，更加准确地对晶圆图像进行提取。
值得注意的是，由于测量设备对晶圆进行测量时，受限于测量设备和测量环境导致最终生成的晶圆图像可能存在曝光、增益、成像大小等问题，另外，由于发光芯粒本身可能是发光的，也可能是不发光的。因此，步骤S20不仅对晶圆图像成像后的灰度值进行判断，更是准确地对每个芯粒的发光情况进行了判断，从而推断出晶圆图像的成像亮度以及芯粒的发光强度和类型。
S30：选取所述特征区域对应的轮廓特征提取算子，选取所述区域类型对应的区域特征提取算子，选取所述发光强度类型对应的强度特征提取算子。
其中，算子（Operator，简称Op）是一种计算单元，这些计算单元组成了深度学习算法。轮廓特征提取算子是指能够计算出特征区域的轮廓特征的计算单元，轮廓特征提取包括但不仅限于轮廓边缘提取、形状特征提取等，区域特征提取算子是指能够计算出区域类型的计算单元，区域类型包括但不仅限于空心、实心。强度特征提取算子是指能够计算出发光强度类型的计算单元，发光强度类型包括但不仅限于高强度发光、低强度发光等。
值得注意的是，不同的算子计算同一特征区域，将提取出不同的特征，例如，基于边缘提取的算子对特征区域的噪声敏感，基于灰度值提取的算子对特征区域的亮度变化敏感，基于形状特征提取的算子对特征区域的形状变化敏感。因此需要针对同一特征区域的不同检测目标，选取出不同的算子，以便后续步骤中能够更加准确地提取出晶圆图像的特征。
S40：结合所述轮廓特征提取算子、所述区域特征提取算子和所述强度特征提取算子，得出组合算法。
其中，组合算法是有各个不同的算子组成，组合算法将构成识别晶圆图像的深度学习算法。
值得注意的是，本步骤得出的组合算法相较于现有技术中直接采用单一的算子作为深度学习算法对图像进行检测的方式，能够更加全面、准确地提取出晶圆图像的特征。而相较于现有技术中的另一种将所有可能的算子堆积成深度学习算法对图像进行检测的方式，减少了计算量，提升了计算效率，并且由于在组合算法之前就根据晶圆图像可能的特征提取出对应的算子，因此无需在计算过程中进行复杂的调参，减少了调参中可能存在的困难，从而进一步提升了检测效率。
S50：利用所述组合算法，对所述晶圆图像进行运算，提取出所述晶圆图像的特征，以确定晶圆存在的缺陷。
9由于组合算法是用于识别晶圆图像的深度学习算法，因此利用组合算法能够更加准确地提取出晶圆图像的特征，所提取出的特征如图7或图9所示。接着，通过识别出的特征，确定出晶圆存在的缺陷。
例如，将区域特征提取算子记为direction、强度特征提取算子记为G(i,j)。设定一个预期强度threshold，特征最小置信度confidence。
(一)对如图3所示的晶圆特征进行特征提取，其特征区域为图4，轮廓特征提取算子记为(X,Y)，由于特征区域为矩形，其公式如下：
；
用上述公式对图3进行计算，得出图6（左上角的白点为提取出来的特征点）。接着，用组合算法对图6进行计算，得出如图7所示的晶圆特征。
(二)对如图8所示的晶圆特征进行特征提取， 轮廓提取算子记为(diameter)，由于特征区域为圆形，其公式如下：
；
用上述公式对图8进行计算，过程同上，最终将得出如图9所示的晶圆特征。
需要说明的是，在步骤S10-S20中，针对晶圆图像中的每个芯粒划定特征区域，这种区域特征将更为符合不同芯粒的形态。这与现有技术中，直接针对晶圆图像进行检测不同，由于针对不同的芯粒进行了精确的特征区域划定，因此在后续步骤中，依据特征区域选取出的区域特征提取算子，将能够更加准确地提取出芯粒特征。步骤S30是由于晶圆图像与普通图像不同，由于这种晶圆中布满发光芯粒，这种芯粒将呈现出明显的灰度趋势特征，也就是特征区域内图像灰度往往具有明显的规律性和趋势性，因此能够针对不同的特征趋势，选取出更为符合当前特征趋势的特征提取算子，以便后续依据这些特征提取算子，更为准确地提取出每个特征区域的特征。由于这些算子是通过当前晶圆图像的特征一一选取出来的，相较于现有技术中，通过堆积大量算子对晶圆图像进行大量运算，步骤S40中，通过准确选取部分算子，对选取出的算子进行组合。而步骤S50将组合算法作为检测晶圆图像的深度学习算法，进行运算，这不仅准确地确定晶圆存在的缺陷，同时也提升了检测过程的效率。
在一实施例中，步骤S10中，即划定晶圆图像中芯粒的特征区域，其中，特征区域包括矩形特征区域和圆形特征区域，具体包括如下步骤：
S11：确定所述晶圆图像中芯粒的轮廓，得出所述芯粒的芯粒形状。
S12：若所述芯粒形状为矩形，则确定所述矩形的长宽信息，得出符合所述长宽信息的矩形特征区域。
S13：若所述芯粒形状为圆形，则确定所述圆形的直径信息，得出符合所述直径信息的圆形特征区域。
本实施例对晶圆图像中的芯粒轮廓进行识别，并对识别结果进行分类。识别结果被分为两种类型：一种识别结果为圆形，也就是如图8所示，晶圆图像中芯粒是圆形的；另一种识别结果为矩形，也就是如图7所示，晶圆图像中芯粒是矩形的。
当识别结果为圆形时，通过确定该圆形的直径信息，从而得出符合该直径信息的圆形特征区域。其中，直径信息可以直接通过直接对圆形的直径进行识别，从而测量出圆形直径，也可以通过测量圆形的周长，从而计算出圆形直径，此处不做限定。由于圆形特征区域是通过直径信息确定的，因此最终确定出圆形特征区域能够更为贴合芯粒，从而保证后续步骤中提取出的晶圆图像的特征更为准确。
当识别结果为矩形时，通过确定该矩形的长宽信息，从而得出符合该长宽信息的矩形特征区域。其中，长宽信息是指矩形的长度与宽度，可以通过对矩形的长与宽进行识别，从而测量出矩形的长度与宽度。由于矩形特征区域时通过长宽信息确定的，因此最终确定出矩形特征区域能够更为贴合芯粒，从而保证后续步骤中提取出的晶圆图像的特征更为准确。
需要说明的是，步骤S11-S13实质上使得特征区域的大小与芯粒特征贴合，贴合方式可以是完全贴合芯粒边缘，也可以贴合芯粒表面的此处不做限定。这使得最终得出的特征区域更加准确，进一步提升了后续步骤中特征提取的准确率和效率。
在一实施例中，步骤S20中，即解析所述特征区域的灰度分布趋势，得到所述特征区域的区域类型和发光强度类型，其中，灰度分布趋势包括灰度分布方向和灰度趋势强度，具体包括如下步骤：
S21：若所述特征区域的灰度分布方向，是由边缘向中心集中，则所述特征区域的区域类型为实心。
S22：若所述特征区域的灰度分布方向，是由中心向边缘分散，则所述特征区域的区域类型为空心。
S23：解析所述特征区域的灰度趋势强度，得出所述特征区域的发光强度类型。
晶圆图像中芯粒可以是发光芯粒，由于发光芯粒的发光特性，其特征区域将呈现出特定的分布规律，其分布规律包括但不仅限于灰度分布方向、灰度趋势强度等。其中，特征区域的灰度分布将存在一定的方向性，因此，本实施例通过识别特征区域中的灰度分布方向，判断出该特征区域的区域类型是实心还是空心，实质上也就是判断该芯粒的发光方式。接着，解析该特征区域的灰度趋势强度，也就是解析该发光芯粒的发光强度，从而得出该特征区域的发光强度类型。
需要说明的是，本实施例实质上依据芯粒成像后灰度分布趋势，进一步确定了特征区域的区域类型。而将区域类型划分为空心和实心两类是因为芯粒成像后其特征将聚集在中心或分散在边缘，因此，本实施例对此进行了分类判断。以便后续步骤能够依据实心与空心的划分，从而使得计算过程更为准确、合理，进一步提升了晶圆图像识别的准确率。
在一实施例中，步骤S23中，即解析所述特征区域的灰度趋势强度，得出所述特征区域的发光强度类型，具体包括如下步骤：
S231：若所述特征区域的灰度趋势强度高于预期强度，则所述特征区域的发光强度类型为高强度。
S232：若所述特征区域的灰度趋势强度低于或等于所述预期强度，则所述特征区域的发光强度类型为低强度。
本实施例通过判断特征区域的灰度趋势强度，将特征区域的发光强度类型分为高强度与低强度两类。
例如，如图4所示的特征区域，计算单个区域灰度的均值feature，则预期强度threshold =feature×0.1。
需要说明的是，本实施例之所以将发光强度类型划分为高强度与低强度两类，是由于发光强度高与发光强度低对应的计算方式不同，此处的划分将更有利于后续步骤中更为准确地提取晶圆图像中的特征，从而进一步提升晶圆图像识别的准确率。
在一实施例中，步骤S30中，即选取所述区域类型对应的区域特征提取算子，区域类型包括空心和实心，具体包括如下步骤：
S311：若所述区域类型为空心，则获取所述特征区域中空心区域之外的外部区域。
S312：将所述外部区域作为计算区域。
S313：若所述区域类型为实心，则获取所述特征区域内的实心区域，并将所述实心区域作为所述计算区域。
S314：筛选出具有所述计算区域的特征提取算子，作为所述区域特征提取算子。
其中，特征提取算子是指不同特征提取方法的计算单元，包括但不仅限于基于边缘提取特征的算子、基于灰度值提取特征的算子、基于形状提取特征的算子。而区域特征提取算子是指基于灰度值提取特征的算子。
例如，若为实心则默认使用原本的计算区域A，若为空心，则先获取空心区域B，然后得出A与B的相对位置和大小信息，B的计算区域与A相反。
需要说明的是，由于芯粒成像后其特征将聚集在中心或分散在边缘，这导致程序在提取特征时，所计算的区域也不同，因此，本实施例实质上依据区域类型，也就是空心与实心，来确定不同的计算区域，进而依据不同的计算区域得出对应的算子。这使得后续步骤中依据区域提取算子得出的组合算法更为准确、合理，从而提升了提取晶圆图像特征的准确率与效率。
在一实施例中，步骤S30中，即选取所述发光强度类型对应的强度特征提取算子，具体包括如下步骤：
S321：若所述特征区域为实心，并且所述发光强度类型为高强度，则将算子方向参数赋值为正数。
S322：若所述特征区域为实心，并且所述发光强度类型为低强度，则将所述算子方向参数赋值为负数。
S323：若所述特征区域为空心，并且所述发光强度类型为高强度，则将所述算子方向参数赋值为负数。
S324：若所述特征区域为空心，并且所述发光强度类型为低强度，则将所述算子方向参数赋值为正数。
S325：筛选出特征提取算子中方向参数与所述算子方向参数相同的特征提取算子，作为所述强度特征提取算子。
其中，算子方向参数值是指算法中的direction参数，direction参数可以是1，也可以是-1，此处不做限定。而强度特征提取算子是指基于成像强度特征提取的算子。
例如，依据图4的特征区域的长宽信息，得出如图5所示的灰度分布趋势图。通过对灰度分布趋势图的解析，得出特征区域灰度分布较高，因此direction=1，（若特征区域灰度分布较低，则direction=-1）；
需要说明的是，本实施例实质上处理了晶圆图像整体灰度强度过高或过低的情况，以排除晶圆图像在成像时所受的环境影响，这种影响包括但不仅限于曝光、增益等不同的环境条件。针对不同强度得出对应的强度特征提取算子，使得后续依照强度特征提取算子得出的组合算法更为准确、合理，从而进一步提升了提取晶圆图像特征的准确率与效率。
在一实施例中，步骤S30中，即选取所述特征区域对应的轮廓特征提取算子，具体包括如下步骤：
S331：获取所述特征区域内芯粒的芯粒形状。
S332：筛选出特征提取算子中适用于所述芯粒形状的特征提取算子，作为轮廓特征提取算子。
本实施例中，轮廓特征提取算子是指基于边缘提取特征的计算单元或基于形状提取特征的计算单元。
例如，确定待检测特征的大小和形状; 根据大小和形状确定特定的组合算子, 分别记为(X, Y)
需要说明的是，此处依据特征区域内芯粒的芯粒形状筛选出符合形状的提取算子，从而保证图像噪声和图像中形状变化不会影响到后续的计算，也使得后续依照轮廓特征提取算子得出的组合算法更为准确、合理，从而进一步提升了提取晶圆图像特征的准确率与效率。
现有技术中，不同的特征提取算子存在着不同的优点与缺点，因此上述实施例提供的确定方法实质上将这些特征提取算子进行了整合、筛选，也就是通过程序判断晶圆图像的情况，依据判断出的情况筛选出对应的算子，进而组合成最终的组合算法，组合方式可以乱序，也可以依序，此处不做限定。
传统方案中是将所有的特征提取算子进行大量配合运算，以得出特征提取结果和缺陷检测结果。另外，这种方式得出的算法对环境条件、场景变化、参数变化敏感，因此这种过程需要耗费大量的调试参数和强大的算力，因此导致提取和检测的效率低下。而本发明则通过准确地判断、筛选算子，进而得出精简并且准确的组合算法，这种组合算法不仅过程高效、计算量小，并且准确率得到了提高，因此有效地提升了提取晶圆图像特征的效率、准确率，进而准确、高效地确定出晶圆的缺陷。另外，本发明由于筛选出了精确的算子，因此在过程中无需进行大量调参，节省了研发成本。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种晶圆缺陷的确定装置，该晶圆缺陷的确定装置与上述实施例中晶圆缺陷的确定方法一一对应。如图10所示，该晶圆缺陷的确定装置包括划定模块10、解析模块20、选取模块30、结合模块40和运算模块50。各功能模块详细说明如下：
划定模块10，用于划定晶圆图像中芯粒的特征区域；
解析模块20，用于解析所述特征区域的灰度分布趋势，得到所述特征区域的区域类型和发光强度类型；
选取模块30，用于选取所述特征区域对应的轮廓特征提取算子，选取所述区域类型对应的区域特征提取算子，选取所述发光强度类型对应的强度特征提取算子；
结合模块40，用于结合所述轮廓特征提取算子、所述区域特征提取算子和所述强度特征提取算子，得出组合算法；
运算模块50，用于利用所述组合算法，对所述晶圆图像进行运算，提取出所述晶圆图像的特征，以确定晶圆存在的缺陷。
关于晶圆缺陷的确定装置的具体限定可以参见上文中对于晶圆缺陷的确定方法的限定，在此不再赘述。上述晶圆缺陷的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于上述晶圆缺陷的确定方法实施过程中所产生的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种晶圆缺陷的确定方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
划定晶圆图像中芯粒的特征区域；
解析所述特征区域的灰度分布趋势，得到所述特征区域的区域类型和发光强度类型；
选取所述特征区域对应的轮廓特征提取算子，选取所述区域类型对应的区域特征提取算子，选取所述发光强度类型对应的强度特征提取算子；
结合所述轮廓特征提取算子、所述区域特征提取算子和所述强度特征提取算子，得出组合算法；
利用所述组合算法，对所述晶圆图像进行运算，提取出所述晶圆图像的特征，以确定晶圆存在的缺陷。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
划定晶圆图像中芯粒的特征区域；
解析所述特征区域的灰度分布趋势，得到所述特征区域的区域类型和发光强度类型；
选取所述特征区域对应的轮廓特征提取算子，选取所述区域类型对应的区域特征提取算子，选取所述发光强度类型对应的强度特征提取算子；
结合所述轮廓特征提取算子、所述区域特征提取算子和所述强度特征提取算子，得出组合算法；
利用所述组合算法，对所述晶圆图像进行运算，提取出所述晶圆图像的特征，以确定晶圆存在的缺陷。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (9)
1.一种晶圆缺陷的确定方法，其特征在于，包括：
划定晶圆图像中芯粒的特征区域；
解析所述特征区域的灰度分布趋势，得到所述特征区域的区域类型和发光强度类型；
选取所述特征区域对应的轮廓特征提取算子，选取所述区域类型对应的区域特征提取算子，选取所述发光强度类型对应的强度特征提取算子；
结合所述轮廓特征提取算子、所述区域特征提取算子和所述强度特征提取算子，得出组合算法；
利用所述组合算法，对所述晶圆图像进行运算，提取出所述晶圆图像的特征，以确定晶圆存在的缺陷；
其中，所述选取所述发光强度类型对应的强度特征提取算子，包括：
若所述特征区域为实心，并且所述发光强度类型为高强度，则将算子方向参数赋值为正数；
若所述特征区域为实心，并且所述发光强度类型为低强度，则将所述算子方向参数赋值为负数；
若所述特征区域为空心，并且所述发光强度类型为高强度，则将所述算子方向参数赋值为负数；
若所述特征区域为空心，并且所述发光强度类型为低强度，则将所述算子方向参数赋值为正数；
筛选出特征提取算子中方向参数与所述算子方向参数相同的特征提取算子，作为所述强度特征提取算子。
2.如权利要求1所述的确定方法，其特征在于，所述特征区域包括矩形特征区域和圆形特征区域，所述划定晶圆图像中芯粒的特征区域，包括：
确定所述晶圆图像中芯粒的轮廓，得出所述芯粒的芯粒形状；
若所述芯粒形状为矩形，则确定所述矩形的长宽信息，得出符合所述长宽信息的矩形特征区域；
若所述芯粒形状为圆形，则确定所述圆形的直径信息，得出符合所述直径信息的圆形特征区域。
3.如权利要求1所述的确定方法，其特征在于，所述灰度分布趋势包括灰度分布方向和灰度趋势强度，所述解析所述特征区域的灰度分布趋势，得到所述特征区域的区域类型和发光强度类型，包括：
若所述特征区域的灰度分布方向，是由边缘向中心集中，则所述特征区域的区域类型为实心；
若所述特征区域的灰度分布方向，是由中心向边缘分散，则所述特征区域的区域类型为空心；
解析所述特征区域的灰度趋势强度，得出所述特征区域的发光强度类型。
4.如权利要求3所述的确定方法，其特征在于，所述解析所述特征区域的灰度趋势强度，得出所述特征区域的发光强度类型，包括：
若所述特征区域的灰度趋势强度高于预期强度，则所述特征区域的发光强度类型为高强度；
若所述特征区域的灰度趋势强度低于或等于所述预期强度，则所述特征区域的发光强度类型为低强度。
5.如权利要求1所述的确定方法，其特征在于，所述区域类型包括空心和实心，所述选取所述区域类型对应的区域特征提取算子，包括：
若所述区域类型为空心，则获取所述特征区域中空心区域之外的外部区域；
将所述外部区域作为计算区域；
若所述区域类型为实心，则获取所述特征区域内的实心区域，并将所述实心区域作为所述计算区域；
筛选出与所述计算区域对应的特征提取算子，作为所述区域特征提取算子。
6.如权利要求1所述的确定方法，其特征在于，所述选取所述特征区域对应的轮廓特征提取算子，包括：
获取所述特征区域内芯粒的芯粒形状；
筛选出特征提取算子中适用于所述芯粒形状的特征提取算子，作为轮廓特征提取算子。
7.一种晶圆缺陷的确定装置，其特征在于，包括：
划定模块，用于划定晶圆图像中芯粒的特征区域；
解析模块，用于解析所述特征区域的灰度分布趋势，得到所述特征区域的区域类型和发光强度类型；
选取模块，用于选取所述特征区域对应的轮廓特征提取算子，选取所述区域类型对应的区域特征提取算子，选取所述发光强度类型对应的强度特征提取算子；
结合模块，用于结合所述轮廓特征提取算子、所述区域特征提取算子和所述强度特征提取算子，得出组合算法；
运算模块，用于利用所述组合算法，对所述晶圆图像进行运算，提取出所述晶圆图像的特征，以确定晶圆存在的缺陷；
其中，所述选取所述发光强度类型对应的强度特征提取算子，包括：
若所述特征区域为实心，并且所述发光强度类型为高强度，则将算子方向参数赋值为正数；
若所述特征区域为实心，并且所述发光强度类型为低强度，则将所述算子方向参数赋值为负数；
若所述特征区域为空心，并且所述发光强度类型为高强度，则将所述算子方向参数赋值为负数；
若所述特征区域为空心，并且所述发光强度类型为低强度，则将所述算子方向参数赋值为正数；
筛选出特征提取算子中方向参数与所述算子方向参数相同的特征提取算子，作为所述强度特征提取算子。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述晶圆缺陷的确定方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述晶圆缺陷的确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410289678.XA CN117911400B (zh) | 2024-03-14 | 2024-03-14 | 一种晶圆缺陷的确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410289678.XA CN117911400B (zh) | 2024-03-14 | 2024-03-14 | 一种晶圆缺陷的确定方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117911400A CN117911400A (zh) | 2024-04-19 |
| CN117911400B true CN117911400B (zh) | 2024-06-14 |
Family
ID=90692361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410289678.XA Active CN117911400B (zh) | 2024-03-14 | 2024-03-14 | 一种晶圆缺陷的确定方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117911400B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113096119A (zh) * | 2021-04-30 | 2021-07-09 | 上海众壹云计算科技有限公司 | 晶圆缺陷分类的方法、装置、电子设备以及存储介质 |
| CN114067136A (zh) * | 2021-10-13 | 2022-02-18 | 北京旷视科技有限公司 | 图像匹配方法、装置、电子设备、存储介质及相关产品 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6456899B1 (en) * | 1999-12-07 | 2002-09-24 | Ut-Battelle, Llc | Context-based automated defect classification system using multiple morphological masks |
| KR101647010B1 (ko) * | 2008-06-19 | 2016-08-10 | 케이엘에이-텐코어 코오포레이션 | 웨이퍼의 하나 이상의 특성들을 결정하기 위한 컴퓨터-구현 방법들, 컴퓨터-판독 가능 매체, 및 시스템들 |
| CN101515286B (zh) * | 2009-04-03 | 2012-04-11 | 东南大学 | 基于图像特征多级过滤的图像匹配方法 |
| CN110767564A (zh) * | 2019-10-28 | 2020-02-07 | 苏师大半导体材料与设备研究院(邳州)有限公司 | 一种晶圆检测方法 |
| CN117611590B (zh) * | 2024-01-24 | 2024-04-09 | 深存科技(无锡)有限公司 | 一种缺陷轮廓复合检测方法、装置、设备及存储介质 |
-
2024
- 2024-03-14 CN CN202410289678.XA patent/CN117911400B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113096119A (zh) * | 2021-04-30 | 2021-07-09 | 上海众壹云计算科技有限公司 | 晶圆缺陷分类的方法、装置、电子设备以及存储介质 |
| CN114067136A (zh) * | 2021-10-13 | 2022-02-18 | 北京旷视科技有限公司 | 图像匹配方法、装置、电子设备、存储介质及相关产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117911400A (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10127651B2 (en) | Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data | |
| KR102137184B1 (ko) | 자동 및 수동 결함 분류의 통합 | |
| US10192107B2 (en) | Object detection method and object detection apparatus | |
| KR102110755B1 (ko) | 자동 결함 분류를 위한 알려지지 않은 결함 리젝션의 최적화 | |
| WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
| EP1736758A2 (en) | Board inspecting apparatus, its parameter setting method and parameter setting apparatus | |
| TWI808266B (zh) | 用於設定具有基於設計及雜訊之關注區域之一樣品之檢測的系統、方法及電腦可讀媒體 | |
| US10074167B2 (en) | Reducing registration and design vicinity induced noise for intra-die inspection | |
| JP5168215B2 (ja) | 外観検査装置 | |
| US8731278B2 (en) | System and method for sectioning a microscopy image for parallel processing | |
| JP2012501011A (ja) | 画像解析方法及びシステム | |
| EP2212909B1 (en) | Patterned wafer defect inspection system and method | |
| KR20120014886A (ko) | 검사 레시피 생성 및 검사 레시피를 기반으로 한 검사 | |
| KR20180090756A (ko) | 비전 시스템에서 컬러 이미지에 대해 컬러 후보 포즈들의 점수화를 위한 시스템 및 방법 | |
| CN113820333B (zh) | 电池极片异常检测方法、装置、上位机及检测*** | |
| JP2004109018A (ja) | 回路パターン検査方法および検査装置 | |
| CN117911400B (zh) | 一种晶圆缺陷的确定方法、装置、计算机设备及存储介质 | |
| JP4038210B2 (ja) | 自動流動顕微鏡のための粒子抽出 | |
| KR20220104776A (ko) | 노이즈 특성에 기초한 서브케어 영역의 클러스터링 | |
| US10957035B2 (en) | Defect classification by fitting optical signals to a point-spread function | |
| US20140079311A1 (en) | System, method and computer program product for classification | |
| US10241000B2 (en) | Method for checking the position of characteristic points in light distributions | |
| US11928808B2 (en) | Wafer detection method, device, apparatus, and storage medium | |
| CN112582292B (zh) | 用于芯片生产机台的零部件异常自动侦测方法、存储介质、终端 | |
| CN117686190B (zh) | 晶圆中发光芯片的检测方法、装置、设备及存储介质 |
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 |