CN107356601A - 一种缺陷检测机台的自动缺陷预分类报告方法 - Google Patents

一种缺陷检测机台的自动缺陷预分类报告方法 Download PDF

Info

Publication number
CN107356601A
CN107356601A CN201710612322.5A CN201710612322A CN107356601A CN 107356601 A CN107356601 A CN 107356601A CN 201710612322 A CN201710612322 A CN 201710612322A CN 107356601 A CN107356601 A CN 107356601A
Authority
CN
China
Prior art keywords
defect
machine platform
checking machine
presorted
reporting
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.)
Pending
Application number
CN201710612322.5A
Other languages
English (en)
Inventor
何广智
顾晓芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Huali Microelectronics Corp
Original Assignee
Shanghai Huali Microelectronics Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Huali Microelectronics Corp filed Critical Shanghai Huali Microelectronics Corp
Priority to CN201710612322.5A priority Critical patent/CN107356601A/zh
Publication of CN107356601A publication Critical patent/CN107356601A/zh
Pending legal-status Critical Current

Links

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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws

Abstract

本发明提出一种缺陷检测机台的自动缺陷预分类报告方法，包括下列步骤：在缺陷检测机台的检测程式内预设缺陷图形像素化处理后的形貌特征；利用缺陷检测机台对晶圆进行缺陷扫描生成晶圆缺陷图形；对晶圆缺陷图形进行缺陷图形像素化处理；将处理结果与检测程式内预设的形貌特征进行对比；确定晶圆缺陷预分类结果并发送报告。本发明提出的缺陷检测机台的自动缺陷预分类报告方法，所要解决的技术问题是使缺陷检测机台能自动高效，精确的通过图形运算处理区分缺陷形貌，在缺陷扫描过程中就能对缺陷进行自动分类并报告出来从而方便工程人员分析缺陷更有针对性节省时间提高工作效率。

Description

一种缺陷检测机台的自动缺陷预分类报告方法
技术领域
本发明涉及半导体集成电路制造领域，且特别涉及一种缺陷检测机台的自动缺陷预分类报告方法。
背景技术
先进的集成电路制造工艺一般都包含几百步的工序，任何环节的微小错误都将导致整个芯片的失效，特别是随着电路关键尺寸的不断缩小，其对工艺控制的要求就越严格，所以在实际的生产过程中为能及时发现和解决问题都需要配置有高灵敏度光学缺陷检测设备对产品进行在线检测，以精确定位缺陷存在的位置。
缺陷检测的基本工作原理是将芯片上的光学图像转换化成为由不同亮暗灰阶表示的数据图像，再通过相邻芯片上的数据图形特征的比较来检测有异常的缺陷所在位置。缺陷检测设备可以对芯片上物理缺陷的数据图像特征进行收集分类，在扫描的同时将获得的缺陷分成各种类型，但是目前这种分类方式生成的缺陷类别的准确性是比较低的。
目前业内缺陷检测机台采用的缺陷预分类方法是在机台检测程式中人为设定缺陷尺寸，明暗度，分布区域等大致范围对缺陷进行简单预分类，该方法在检测机台检测完成后无法区别缺陷具体形貌故对具有特殊形貌特征的缺陷无法精确分类，随着工艺线宽不断缩小，影响良率缺陷数量也相应增多，在缺陷数量庞大时常规方法无法快速准确的对缺陷进行分类，针对性及时效性差且会潜在提高人为分类失误率。
发明内容
本发明提出一种缺陷检测机台的自动缺陷预分类报告方法，所要解决的技术问题是使缺陷检测机台能自动高效，精确的通过图形运算处理区分缺陷形貌，在缺陷扫描过程中就能对缺陷进行自动分类并报告出来从而方便工程人员分析缺陷更有针对性节省时间提高工作效率。
为了达到上述目的，本发明提出一种缺陷检测机台的自动缺陷预分类报告方法，包括下列步骤：
在缺陷检测机台的检测程式内预设缺陷图形像素化处理后的形貌特征；
利用缺陷检测机台对晶圆进行缺陷扫描生成晶圆缺陷图形；
对晶圆缺陷图形进行缺陷图形像素化处理；
将处理结果与检测程式内预设的形貌特征进行对比；
确定晶圆缺陷预分类结果并发送报告。
进一步的，所述缺陷图形像素化处理为获取缺陷中心像素点和边界像素点数据。
进一步的，所述检测程式内预设的形貌特征包括点状缺陷、线性缺陷、圆形缺陷和不规则多边形缺陷。
进一步的，所述点状缺陷定义为无中心像素点的缺陷。
进一步的，所述线性缺陷定义为中心像素点与边界像素点双向等距的缺陷。
进一步的，所述圆形缺陷定义为中心像素点与边界像素点多向等距的缺陷。
进一步的，所述不规则多边形缺陷定义为中心像素点与边界像素点不等距的缺陷。
进一步的，该方法还包括在确定晶圆缺陷预分类结果后以不同颜色标注不同形貌特征缺陷。
本发明提出的缺陷检测机台的自动缺陷预分类报告方法，在缺陷检测机台扫描缺陷过程中加入缺陷形貌图形运算处理功能及步骤，精确区分缺陷形貌特征并进行自动分类，检测机台可在检测程式内预设缺陷图形像素化处理后形貌特征：点状、线性、圆形、不规则多边形缺陷等，在缺陷扫描结束后生成晶圆缺陷图时以不同颜色标注不同形貌特征缺陷，从而实现自动缺陷预分类报告功能。
通过采用本发明的方法，缺陷扫描机台在扫描结束后可以自动准确地报告出晶圆各类缺陷分布状况，极大的方便工程人员第一时间掌握特征缺陷种类及分布状况，可促使工程人员更有针对性的分析数据减少人为失误节省时间提高工作效率。
附图说明
图1所示为本发明较佳实施例的缺陷检测机台的自动缺陷预分类报告方法流程图。
图2a～图2d所示为通过缺陷检测机台进行缺陷扫描生成不同晶圆缺陷图形的示意图。
图3a～图3d所示为对晶圆缺陷图形进行缺陷图形像素化处理后形成的形貌特征示意图。
具体实施方式
以下结合附图给出本发明的具体实施方式，但本发明不限于以下的实施方式。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用于方便、明晰地辅助说明本发明实施例的目的。
请参考图1，图1所示为本发明较佳实施例的缺陷检测机台的自动缺陷预分类报告方法流程图。本发明提出一种缺陷检测机台的自动缺陷预分类报告方法，包括下列步骤：
步骤S100：在缺陷检测机台的检测程式内预设缺陷图形像素化处理后的形貌特征；
步骤S200：利用缺陷检测机台对晶圆进行缺陷扫描生成晶圆缺陷图形；
步骤S300：对晶圆缺陷图形进行缺陷图形像素化处理；
步骤S400：将处理结果与检测程式内预设的形貌特征进行对比；
步骤S500：确定晶圆缺陷预分类结果并发送报告。
根据本发明较佳实施例，所述缺陷图形像素化处理为获取缺陷中心像素点和边界像素点数据。请参考图2a～图2d和图3a～图3d，图2a～图2d所示为通过缺陷检测机台进行缺陷扫描生成不同晶圆缺陷图形的示意图，图3a～图3d所示为对晶圆缺陷图形进行缺陷图形像素化处理后形成的形貌特征示意图。所述检测程式内预设的形貌特征包括点状缺陷、线性缺陷、圆形缺陷和不规则多边形缺陷。
进一步的，所述点状缺陷定义为无中心像素点的缺陷，所述线性缺陷定义为中心像素点与边界像素点双向等距的缺陷，所述圆形缺陷定义为中心像素点与边界像素点多向等距的缺陷，所述不规则多边形缺陷定义为中心像素点与边界像素点不等距的缺陷。
根据本发明较佳实施例，该方法还包括在确定晶圆缺陷预分类结果后以不同颜色标注不同形貌特征缺陷，实现更加直观的显示效果。
综上所述，本发明提出的缺陷检测机台的自动缺陷预分类报告方法，在缺陷检测机台扫描缺陷过程中加入缺陷形貌图形运算处理功能及步骤，精确区分缺陷形貌特征并进行自动分类，检测机台可在检测程式内预设缺陷图形像素化处理后形貌特征：点状、线性、圆形、不规则多边形缺陷等，在缺陷扫描结束后生成晶圆缺陷图时以不同颜色标注不同形貌特征缺陷，从而实现自动缺陷预分类报告功能。
通过采用本发明的方法，缺陷扫描机台在扫描结束后可以自动准确地报告出晶圆各类缺陷分布状况，极大的方便工程人员第一时间掌握特征缺陷种类及分布状况，可促使工程人员更有针对性的分析数据减少人为失误节省时间提高工作效率。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (8)

1.一种缺陷检测机台的自动缺陷预分类报告方法，其特征在于，包括下列步骤：
在缺陷检测机台的检测程式内预设缺陷图形像素化处理后的形貌特征；
利用缺陷检测机台对晶圆进行缺陷扫描生成晶圆缺陷图形；
对晶圆缺陷图形进行缺陷图形像素化处理；
将处理结果与检测程式内预设的形貌特征进行对比；
确定晶圆缺陷预分类结果并发送报告。
2.根据权利要求1所述的缺陷检测机台的自动缺陷预分类报告方法，其特征在于，所述缺陷图形像素化处理为获取缺陷中心像素点和边界像素点数据。
3.根据权利要求2所述的缺陷检测机台的自动缺陷预分类报告方法，其特征在于，所述检测程式内预设的形貌特征包括点状缺陷、线性缺陷、圆形缺陷和不规则多边形缺陷。
4.根据权利要求3所述的缺陷检测机台的自动缺陷预分类报告方法，其特征在于，所述点状缺陷定义为无中心像素点的缺陷。
5.根据权利要求3所述的缺陷检测机台的自动缺陷预分类报告方法，其特征在于，所述线性缺陷定义为中心像素点与边界像素点双向等距的缺陷。
6.根据权利要求3所述的缺陷检测机台的自动缺陷预分类报告方法，其特征在于，所述圆形缺陷定义为中心像素点与边界像素点多向等距的缺陷。
7.根据权利要求3所述的缺陷检测机台的自动缺陷预分类报告方法，其特征在于，所述不规则多边形缺陷定义为中心像素点与边界像素点不等距的缺陷。
8.根据权利要求1所述的缺陷检测机台的自动缺陷预分类报告方法，其特征在于，该方法还包括在确定晶圆缺陷预分类结果后以不同颜色标注不同形貌特征缺陷。
CN201710612322.5A 2017-07-25 2017-07-25 一种缺陷检测机台的自动缺陷预分类报告方法 Pending CN107356601A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710612322.5A CN107356601A (zh) 2017-07-25 2017-07-25 一种缺陷检测机台的自动缺陷预分类报告方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710612322.5A CN107356601A (zh) 2017-07-25 2017-07-25 一种缺陷检测机台的自动缺陷预分类报告方法

Publications (1)

Publication Number Publication Date
CN107356601A true CN107356601A (zh) 2017-11-17

Family

ID=60285463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710612322.5A Pending CN107356601A (zh) 2017-07-25 2017-07-25 一种缺陷检测机台的自动缺陷预分类报告方法

Country Status (1)

Country Link
CN (1) CN107356601A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110726735A (zh) * 2019-09-03 2020-01-24 北京精思博智科技有限公司 一种基于深度学习的全自动电路板缺陷检测系统及方法
CN111106025A (zh) * 2018-10-25 2020-05-05 南茂科技股份有限公司 边缘缺陷检查方法
CN111815552A (zh) * 2019-04-09 2020-10-23 Tcl集团股份有限公司 一种工件检测方法、装置、可读存储介质及终端设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103247548A (zh) * 2012-02-09 2013-08-14 无锡华润上华科技有限公司 一种晶圆缺陷检测装置及方法
CN103295930A (zh) * 2013-06-04 2013-09-11 上海华力微电子有限公司 一种快速高效的晶背缺陷识别方法
CN103424410A (zh) * 2013-08-02 2013-12-04 上海华力微电子有限公司 晶圆缺陷自动目检的方法
CN103674965A (zh) * 2013-12-06 2014-03-26 深圳市大族激光科技股份有限公司 一种晶圆外观缺陷的分类以及检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103247548A (zh) * 2012-02-09 2013-08-14 无锡华润上华科技有限公司 一种晶圆缺陷检测装置及方法
CN103295930A (zh) * 2013-06-04 2013-09-11 上海华力微电子有限公司 一种快速高效的晶背缺陷识别方法
CN103424410A (zh) * 2013-08-02 2013-12-04 上海华力微电子有限公司 晶圆缺陷自动目检的方法
CN103674965A (zh) * 2013-12-06 2014-03-26 深圳市大族激光科技股份有限公司 一种晶圆外观缺陷的分类以及检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
栾贻国: "《材料加工中计算机应用技术》", 31 July 2005, 哈尔滨工业大学出版社 *
蒋先刚: "《数字图像模式识别工程项目研究》", 31 March 2014, 西南交通大学出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111106025A (zh) * 2018-10-25 2020-05-05 南茂科技股份有限公司 边缘缺陷检查方法
CN111106025B (zh) * 2018-10-25 2022-07-12 南茂科技股份有限公司 边缘缺陷检查方法
CN111815552A (zh) * 2019-04-09 2020-10-23 Tcl集团股份有限公司 一种工件检测方法、装置、可读存储介质及终端设备
CN110726735A (zh) * 2019-09-03 2020-01-24 北京精思博智科技有限公司 一种基于深度学习的全自动电路板缺陷检测系统及方法

Similar Documents

Publication Publication Date Title
US11719648B2 (en) Method for smart conversion and calibration of coordinate
CN107356601A (zh) 一种缺陷检测机台的自动缺陷预分类报告方法
CN106952250A (zh) 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置
CN107093174B (zh) 一种pcb设计缺陷检测方法
TWI692700B (zh) 智慧型的缺陷校正系統與其實施方法
CN110021005A (zh) 电路板瑕疵筛选方法及其装置与计算机可读取记录介质
CN108919083A (zh) 一种提高Serdes IP晶圆测试效率的方法
CN104122272B (zh) 半导体器件缺陷的光学检测方法
CN104990926A (zh) 一种基于视觉的tr元件定位和缺陷检测方法
CN111681222B (zh) 一种刀痕崩边自动检测判断方法及其应用的划片机
TWI641961B (zh) 設計佈局為主的快速線上缺陷診斷、分類及取樣方法及系統
CN117250208B (zh) 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法
CN108693456A (zh) 一种晶圆芯片测试方法
CN109472271A (zh) 印刷电路板图像轮廓提取方法及装置
CN108571928A (zh) 一种基于机器视觉的夹片锚具尺寸缺陷检测方法
CN105988305B (zh) 硅片预对准方法
CN107768267A (zh) 重复性缺陷的筛选方法
CN111103307A (zh) 一种基于深度学习的pcb板缺陷检测方法
CN103885285A (zh) 一种针对光刻版图接触孔热点的检查方法
CN112308819A (zh) 一种基于扫描电镜多特征灰度图像的孔隙识别方法
CN109309022A (zh) 一种缺陷抽检方法
CN107967679A (zh) 一种基于pcb产品矢量图形的自动选取定位核的方法
CN108133900A (zh) 一种缺陷扫描机台及其缺陷自动分类方法
CN111353981B (zh) 基于机器视觉的齿轮检测方法、系统及存储介质
CN108039326A (zh) 根据电路设计图形设置扫描阈值的方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171117