CN101477065B - 基于缺陷边界值变化次数的ic缺陷分类方法 - Google Patents
基于缺陷边界值变化次数的ic缺陷分类方法 Download PDFInfo
- Publication number
- CN101477065B CN101477065B CN2009100208507A CN200910020850A CN101477065B CN 101477065 B CN101477065 B CN 101477065B CN 2009100208507 A CN2009100208507 A CN 2009100208507A CN 200910020850 A CN200910020850 A CN 200910020850A CN 101477065 B CN101477065 B CN 101477065B
- Authority
- CN
- China
- Prior art keywords
- defective
- defects
- value
- gray
- 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
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种对集成电路缺陷进行分类的方法。其步骤为,首先计算缺陷的灰度值MA,并根据灰度值将缺陷分为多余物缺陷和丢失物;再次对没有缺陷的标准图像进行二值化处理;然后对多余物缺陷和丢失物缺陷同时进行3×3全1矩阵的膨胀运算,并利用标准图像二值化的结果,计算不同缺陷在陷膨胀运算后的边界值变化次数;最后根据缺陷的边界值变化次数对不同缺陷进行细分,即对于丢失物缺陷,当边界值变化次数小于等于2时,为互连线上的孔洞缺陷,否则为断路缺陷;对于多余物缺陷,当边界值变化次数大于2时,为短路缺陷,否则为背景中的多余物缺陷。本发明具有分类方法简单、速度快、正确率高,能够在集成电路和电路板产品的各个时期对缺陷分类。
Description
技术领域
本发明属于微电子技术领域,涉及用图像处理对集成电路缺陷进行分类方法,用于对集成电路中缺陷的分类并指导工艺。
背景技术
随着IC集成度的提高,特征尺寸的缩小和芯片面积的增大,金属连线的宽度减少和连线层数增加,这些都会增加晶圆缺陷的发生。在生产过程中,生产环境要求超净,但实际环境下的超净工作间中有许多灰尘微粒存在,这就在硅片表面形成许多缺陷。在不同的工艺过程中,如刻蚀,淀积,化学机械抛光等工艺中都会产生缺陷,如何快速、准确的对缺陷分类,判断缺陷对电路的影响是一个很重要的问题。分类缺陷能尽早地鉴别缺陷类型,可以减少成本,提高成品率。提供用户高可靠性的产品,得到最大的经济收益。自动缺陷分类技术已广泛的应用于集成电路的检测中,已经有很多缺陷分类技术,如Lee,S.H采用推进的方法对缺陷进行了分类,Skumanich A引入了运动的自动缺陷检测技术OTF-ADC(On-The-Fly Automated Defect Classification)。Kameyama K用一种超椭圆体聚类神经网络和模型开关来对缺陷分类。
以上三种缺陷分类方法存在以下不足:
1.没有把缺陷放在整个集成电路中去分析,理解缺陷,缺少对整体集成电路背景信息的利用,只是从缺陷的角度研究缺陷,在分类缺陷时需要从缺陷本身提取大量的信息。
2.对缺陷分类不相同,如把缺陷分为微粒,划痕和图形缺陷三类;还有的将缺陷分为外来缺陷,内嵌的外来缺陷,模式失效三类;将缺陷分为在TRET,PADS,GATE和M1ET位置发生的缺陷。这些分类方法一般是从缺陷的产生原因,缺陷来源,缺陷产生的位置对缺陷分类,没有说明缺陷对电路功能的影响情况,从分类结果看不出缺陷对电路造成的破坏程度。
3.分类时需要缺陷的先验知识,缺陷的特征,还要训练分类系统后才能对缺陷分类,所以检测缺陷的速度慢,在产品前期由于缺少缺陷样本,无法分类缺陷或分类准确率很低。
发明内容
本发明的目的在于克服原有缺陷分类技术中的缺点,提供一种基于缺陷边界值变化次数的IC缺陷分类方法,以实现在不需要缺陷先验知识和对分类系统的训练情况下,结合缺陷自身和其周围环境特征,在产品各个时期对缺陷进行分类,并从分类结果给出缺陷对电路功能造成的破坏程度。
实现本发明目的的技术方案,包括如下步骤
(1)计算缺陷的灰度值MA,并根据灰度值将缺陷分为多余物缺陷和丢失物缺陷两类;
(2)对没有缺陷的标准图像进行二值化处理;
(3)对多余物缺陷和丢失物缺陷同时进行3×3全1矩阵的膨胀运算,并利用标准图像二值化的结果,计算不同缺陷在陷膨胀运算后的边界值变化次数;
(4)根据缺陷的边界值变化次数对不同缺陷进行细分,即对于丢失物缺陷,当边界值变化次数小于等于2时,为互连线上的孔洞缺陷,否则为断路缺陷;对于多余物缺陷,当边界值变化次数大于2时,为短路缺陷,否则为背景中的多余物缺陷。
所述的将缺陷分为多余物缺陷和丢失物缺陷两类的步骤如下
(2b)计算标准图像的灰度直方图,用该标准图像灰度直方图的互连线灰度峰H1和背景灰度峰H2,并通过该两个峰确定阈值T;
(2c)将峰H1对应的峰值记为V1,用缺陷灰度值MA和峰值V1的差值绝对值d与阈值T比较判断缺陷,如果差值d小于阈值T,判断缺陷为多余物缺陷,否则缺陷为丢失物缺陷。
所述的利用标准图像二值化的结果,计算不同缺陷的边界值变化次数,按如下过程进行:
首先,找出缺陷的边界像素坐标,任选一个像素坐标作为起点,按照顺时针或逆时针方向将边界像素坐标进行排列;
然后,用(xi,yi),i=1,2,3,…,m表示各个边界坐标,f(xi,yi)表示标准图像二值化图像的值,边界值的变化次数用S表示,给出各边界坐标的两个相邻的坐标(xk,yk)和(Xl,yl),当f(xk,yk)≠f(xl,yl),则S就增加1。
本发明的优点如下:
1.本发明由于在对缺陷分类前,对缺陷进行3×3全1矩阵的膨胀运算,因而能够对致命缺陷有较高的分类优先权,提高产品的可靠性。
2.本发明利用缺陷的灰度值和缺陷边界值的变化次数对缺陷分类,由于把缺陷和整个电路环境相结合,得到的信息多,因而对缺陷分类正确率高。
3.本发明利用缺陷的灰度值和缺陷边界值的变化次数对缺陷分类,由于不需要提取缺陷的特征信息,因此分类速度快。
4.本发明利用缺陷的灰度值和缺陷边界值的变化次数对缺陷分类,由于只需用简单的灰度值判断,和缺陷边界值的变化次数,就能准确分类缺陷,因此本发明对缺陷的分类,不需要复杂的分类技术。
5.本发明利用缺陷的灰度值和缺陷边界值的变化次数对缺陷分类,由于不需要缺陷的先验信息,不需要对分类系统训练,就可以直接对缺陷分类,因而能够在产品各个时期对缺陷分类,特别是在产品生产前期,缺少缺陷样本的情况下对缺陷进行分类,分类正确率在产品各个时期稳定。
6.本发明由于将缺陷分为短路缺陷,断路缺陷,前景中的孔洞缺陷,背景中的多余物缺陷,这四类缺陷分别给出缺陷对电路功能的影响程度,短路和断路缺陷说明缺陷对电路功能造成严重破坏,电路不能正常工作,前景中的孔洞缺陷对电路功能影响不大,但对电路寿命有影响,背景中的多余物缺陷对电路影响最小。
7.本发明由于缺陷的分类结果,而知道缺陷对电路造成的影响,因而可以及时调整工艺参数,减少缺陷,提高成品率,降低成本。
附图说明
图1.本发明对缺陷分类的流程图;
图2.通过标准图像灰度直方图确定阈值T示意图;
图3.定义缺陷边界示意图;
图4.典型的四种真实缺陷图像。
具体实施方式
参照图1,本发明基于缺陷边界值变化次数的IC缺陷分类,按如下步骤进行:
步骤1,计算缺陷的灰度值MA。
按照计算方式计算集成电路中缺陷对应的灰度值MA,灰度值是图像中像素明暗度的度量值,如黑色最暗用0表示,白色最亮用1表示,其余值在黑色和白色之间;A是缺陷像素集合,A中有n个像素,像素的灰度用gi表示,用MA表示缺陷的平均灰度值;
步骤2,统计标准图像的灰度直方图。
一般用到的灰度图像的灰度为256级,每一级对应一个灰度值;灰度直方图就是统计每一个灰度值有多少个像素的直方图;统计得到的标准图像灰度直方图有两个峰,如图2所示,其中一个是表示互连线灰度峰H1,另一个是表示背景灰度峰H2。
步骤3,用标准图像灰度直方图的两个峰H1和H2确定阈值T。
利用步骤2中的灰度直方图,通过图2示意图确定阈值T,阈值T的取值范围在大于D2小于D2+D3之间,将阈值T定为D1/2。
步骤4,通过灰度值MA,将缺陷分为多余物缺陷和丢失物缺陷两类。
根据步骤1中计算的灰度值MA,通过步骤2得到的标准图像灰度直方图,确定互连线灰度峰H1对应的峰值,如图2,用V1表示峰H1对应的峰值;计算灰度值MA和峰值V1的差值绝对值d,如果差值d小于阈值T,判断缺陷为多余物缺陷,否则缺陷为丢失物缺陷。
步骤5,对标准图像进行二值化处理。
二值化就是将原有灰度图像的灰度用两个灰度表示,一般用0和1两个灰度值表示;通过二值化处理工具对标准图像进行二值化处理。
步骤6,对多余物缺陷和丢失物缺陷同时进行3×3全1矩阵的膨胀运算。
膨胀运算是对目标进行加粗或加长的操作运算,加粗或加长的程度由结构元素集合控制,这用到的结构元素集合是3×3全1矩阵;用膨胀运算工具对多余物缺陷和丢失物缺陷同时进行3×3全1矩阵的膨胀运算。
步骤7,找出缺陷的边界坐标,并对坐标排序。
按照图3所示,内层点是缺陷边缘,外层点是缺陷边界,找出缺陷的边界像素坐标,任选一个像素坐标作为起点,按照顺时针或逆时针方向将边界像素坐标进行排序。
步骤8,用标准图像二值化的结果,计算缺陷边界的变化次数。
设(xi,yi),i=1,2,3,…,m表示步骤7中排序好的边界坐标,f(xi,yi)表示步骤5中的标准图像二值化图像值,边界值的变化次数用S表示,给出两个相邻的坐标(xk,yk)和(xl,yl),当f(xk,yk)≠f(xl,yl),则S就增加l。
步骤9,对不同缺陷进行细分
根据步骤4将缺陷分为多余物缺陷和丢失物缺陷的结果,结合步骤8计算出的缺陷边界变化次数,即对于丢失物缺陷,当边界值变化次数小于等于2时,为互连线上的孔洞缺陷,否则为断路缺陷;对于多余物缺陷,当边界值变化次数大于2时,为短路缺陷,否则为背景中的多余物缺陷。
本发明的分类效果可以对图4中的缺陷用以下仿真进行验证:
图4中的四种类型缺陷分别解释如下:图4(a)图是短路缺陷,图4(b)图是断路缺陷,图4(c)图是互连线上的孔洞缺陷,图4(d)图是背景中的多余物缺陷。
本发明对缺陷的分类由MATLAB编程进行验证,对图4所示的四种类型缺陷按本发明的分类方法进行分类:
1.对图4中四幅缺陷,计算各缺陷的灰度值MA,计算结果如表1,通过统计标准图像灰度直方图,确定判断多余物缺陷和丢失物缺陷的阈值T如表1中阈值T一行所示,分别判断缺陷是多余物缺陷还是丢失物缺陷的结果如表1中间结果一行所示;
2.对图4中四幅缺陷的标准图像二值化处理;
3.按照本发明中缺陷边界变化次数的计算方式,计算图4中四幅缺陷的边界变化次数如表1中边界变化次数一行所示;
4.按照本发明具体实施方式中的步骤9,对图4中四幅缺陷的最终分类结果如表1中分类结果一行所示。
表1 图4中各缺陷的分类结果
图名 | a | b | c | d |
MA | 0.17228 | 0.31881 | 0.36379 | 0.1732 |
阈值T | 0.07231 | 0.07234 | 0.08652 | 0.07315 |
中间结果 | 多余物缺陷 | 丢失物缺陷 | 丢失物缺陷 | 多余物缺陷 |
边界变化次数 | 4 | 4 | 0 | 0 |
分类结果 | 短路缺陷 | 断路缺陷 | 互连线上的孔洞缺陷 | 背景中的多余物缺陷 |
由表1分类结果可见本发明的分类方法能准确的对图4中的四种类型缺陷分类。
对于本领域的专业人员来说,在了解本发明的内容和原理后,能够在不背离本发明的原理和范围的情况下,根据本发明的方法进行形式和细节上的各种修正和改变,但是这些基于本发明的修正和改变仍在本发明的权利要求保护范围之内。
Claims (3)
1.一种基于缺陷边界值变化次数的IC缺陷分类方法,包括如下步骤:
(1)计算缺陷的灰度值MA,并根据灰度值将缺陷分为多余物缺陷和丢失物缺陷两类;
(2)对没有缺陷的标准图像进行二值化处理;
(3)对多余物缺陷和丢失物缺陷同时进行3×3全1矩阵的膨胀运算,并利用标准图像二值化的结果,计算不同缺陷在缺陷膨胀运算后的边界值变化次数;
(4)根据缺陷的边界值变化次数对不同缺陷进行细分,即对于丢失物缺陷,当边界值变化次数小于等于2时,为互连线上的孔洞缺陷,否则为断路缺陷;对于多余物缺陷,当边界值变化次数大于2时,为短路缺陷,否则为背景中的多余物缺陷。
3.根据权利要求2所述的IC缺陷分类方法,其中步骤(2b)所述的通过H1和H2两个峰确定阈值T,是利用灰度直方图确定阈值T,该阈值T定为D1/2,其中D1=|V2-V1|,V2为H2的峰值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100208507A CN101477065B (zh) | 2009-01-08 | 2009-01-08 | 基于缺陷边界值变化次数的ic缺陷分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100208507A CN101477065B (zh) | 2009-01-08 | 2009-01-08 | 基于缺陷边界值变化次数的ic缺陷分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101477065A CN101477065A (zh) | 2009-07-08 |
CN101477065B true CN101477065B (zh) | 2011-02-09 |
Family
ID=40837810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100208507A Active CN101477065B (zh) | 2009-01-08 | 2009-01-08 | 基于缺陷边界值变化次数的ic缺陷分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101477065B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103674965B (zh) * | 2013-12-06 | 2017-06-06 | 大族激光科技产业集团股份有限公司 | 一种晶圆外观缺陷的分类以及检测方法 |
CN106290393B (zh) * | 2016-08-31 | 2018-11-20 | 西南交通大学 | 一种高铁接触网斜腕臂管帽丢失检测方法 |
TWI771594B (zh) * | 2019-06-19 | 2022-07-21 | 住華科技股份有限公司 | 缺陷判斷訓練方法及應用其之系統以及缺陷判斷方法及應用其之系統 |
CN111915607A (zh) * | 2020-08-31 | 2020-11-10 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器视觉的金属膜电阻表面条带缺陷检测方法 |
CN112834518A (zh) * | 2021-01-06 | 2021-05-25 | 优刻得科技股份有限公司 | 颗粒缺陷检测方法、系统、设备和介质 |
CN114202515B (zh) * | 2021-11-29 | 2023-04-07 | 广州海谷电子科技有限公司 | 一种湿度传感器的印刷碳线缺陷的检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN86106835A (zh) * | 1985-10-03 | 1987-07-08 | 沃尔特—阿尔派因股份公司 | 工件中点缺陷和细长缺陷的超声波分类法 |
EP0952548A2 (en) * | 1998-04-17 | 1999-10-27 | Nec Corporation | Method and apparatus for multi-level rounding and pattern inspection |
CN1276577A (zh) * | 1999-06-02 | 2000-12-13 | 松下电器产业株式会社 | 图案缺陷检测方法 |
CN1673992A (zh) * | 2004-03-24 | 2005-09-28 | 力晶半导体股份有限公司 | 一种缺陷数据库建立方法 |
-
2009
- 2009-01-08 CN CN2009100208507A patent/CN101477065B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN86106835A (zh) * | 1985-10-03 | 1987-07-08 | 沃尔特—阿尔派因股份公司 | 工件中点缺陷和细长缺陷的超声波分类法 |
EP0952548A2 (en) * | 1998-04-17 | 1999-10-27 | Nec Corporation | Method and apparatus for multi-level rounding and pattern inspection |
CN1276577A (zh) * | 1999-06-02 | 2000-12-13 | 松下电器产业株式会社 | 图案缺陷检测方法 |
CN1673992A (zh) * | 2004-03-24 | 2005-09-28 | 力晶半导体股份有限公司 | 一种缺陷数据库建立方法 |
Non-Patent Citations (1)
Title |
---|
JP昭64-41977A 1989.02.14 |
Also Published As
Publication number | Publication date |
---|---|
CN101477065A (zh) | 2009-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101477065B (zh) | 基于缺陷边界值变化次数的ic缺陷分类方法 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN103185730B (zh) | 缺陷分类法则建立方法、缺陷分类与致命缺陷判断方法 | |
CN103530590B (zh) | Dpm二维码识别系统 | |
CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
CN109598715B (zh) | 基于机器视觉的物料粒度在线检测方法 | |
CN101915769A (zh) | 一种印刷电路板中带电阻元件的自动光学检测方法 | |
CN115100199B (zh) | 一种晶圆低纹理缺陷的检测方法 | |
CN109800698A (zh) | 基于深度网络的图标检测方法 | |
CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
CN102629385A (zh) | 一种基于多摄像机信息融合的目标匹配与跟踪系统及方法 | |
CN103996018A (zh) | 基于4dlbp的人脸识别方法 | |
CN110189297B (zh) | 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN108492296B (zh) | 基于超像素分割的小麦麦穗智能计数系统及方法 | |
CN113324864A (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
CN112115948A (zh) | 一种基于深度学习的芯片表面字符识别方法 | |
CN102982534A (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
CN104182728A (zh) | 一种基于模式识别的车标自动定位与识别方法 | |
CN107247967B (zh) | 一种基于r-cnn的车窗年检标检测方法 | |
Hsia et al. | An Intelligent IoT-based Vision System for Nighttime Vehicle Detection and Energy Saving. | |
CN112330653A (zh) | 一种基于图像识别技术的矿石粒度在线检测方法 | |
CN108710881B (zh) | 神经网络模型、候选目标区域生成方法、模型训练方法 | |
CN115375952B (zh) | 一种芯片胶层缺陷分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |