CN109378279A - 晶圆检测方法及晶圆检测系统 - Google Patents
晶圆检测方法及晶圆检测系统 Download PDFInfo
- Publication number
- CN109378279A CN109378279A CN201811342637.3A CN201811342637A CN109378279A CN 109378279 A CN109378279 A CN 109378279A CN 201811342637 A CN201811342637 A CN 201811342637A CN 109378279 A CN109378279 A CN 109378279A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- wafer
- original image
- interference
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 230000007547 defect Effects 0.000 claims abstract description 166
- 230000002708 enhancing effect Effects 0.000 claims abstract description 36
- 230000002452 interceptive effect Effects 0.000 claims abstract description 14
- 230000003287 optical effect Effects 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 35
- 238000007405 data analysis Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000003709 image segmentation Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 4
- 239000013078 crystal Substances 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 21
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 6
- 235000012431 wafers Nutrition 0.000 description 92
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 244000097592 Ptelea trifoliata Species 0.000 description 4
- 235000010984 Ptelea trifoliata ssp. pallida var. lutescens Nutrition 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000446313 Lamella Species 0.000 description 1
- 206010034960 Photophobia Diseases 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007688 edging Methods 0.000 description 1
- 208000013469 light sensitivity Diseases 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
- H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种晶圆检测方法及晶圆检测系统，用于检测晶圆的目标缺陷，所述晶圆检测方法包括：对待检测晶圆进行光学扫描以形成原始图像；去除所述原始图像中的干扰图像；对去除干扰图像后的所述原始图像进行图像增强以形成增强图像；去除所述增强图像中的干扰图像；提取去除干扰图像后的所述增强图像中的目标缺陷的信息。所述晶圆检测方法能够检测出晶圆的目标缺陷同时能够实现目标缺陷的自动识别和自动量化的方法，从而及时有效地得到生产线上的晶圆存在目标缺陷的情况，在第一时间发现工艺或者机台的异常情况，节约了人工成本并且减少人工误差，并对晶圆缺陷的特征提取更加准确高效。
Description
技术领域
本发明涉及半导体集成电路制造技术领域，特别涉及一种晶圆检测方法及晶圆检测系统。
背景技术
随着半导体制造技术的不断成熟发展，图像传感器越来越集中应用于数码相机、PC相机、影像电话、视讯会议、智能型安保系统、汽车倒车雷达、游戏机以及工业医疗等众多领域。
图像传感器按照感光元件与感光原理的不同，可分为CCD(Charge CoupledDevice，电荷耦合元件)图像传感器与CMOS(Complementary Metal Oxide Semiconductor，互补金属-氧化物-半导体)图像传感器。其中，CMOS图像传感器属于光电元器件且CMOS图像传感器由于其制造方法与现有集成电路制造方法兼容，可以将驱动电路和像素集成在一起，简化了硬件设计的同时也降低了系统的功耗，CMOS图像传感器在采集光信号的同时就可以获取电信号，还能实时处理图像信息，反应速度快；同时CMOS图像传感器还具有价格便宜、带宽较大、防模糊、访问灵活和具有较大的填充系数的优点，逐渐成为图像传感器的主流。
一种制造CMOS图像传感器(亦称CIS，CMOS Image Sensor)的方法如下：将一面形成有感光区域的器件晶圆(device wafer)与未制作感光区域的载体晶圆经过磨边和化学机械研磨(CMP)等相关工艺后，通过键合(bond)在一起，之后在键合后的晶圆上形成金属引线、彩色滤光片、微透镜、金属隔离栅等，最终形成完整的CMOS图像传感器。
但是，发明人发现，利用上述方法在对器件晶圆和底层晶圆进行键合之后，经缺陷扫描系统检测，键合后的晶圆中存在灰边缺陷(chipping defect)。而现有的晶圆检测方法对灰边缺陷不能解析更加不能量化，所以对于灰边缺陷的处理，只能依靠工程师对晶圆进行人工判断其是否存在灰边缺陷，并且若晶圆存在灰边缺陷，仍然只能依靠人工来大致估量。此过程增加了人工成本并且存在人工误差，也难以及时发现工艺或者机台的异常情况。
因此，有必要发明一种能够实现灰边缺陷的自动识别和自动量化的晶圆检测方法，其中包括灰边缺陷的分布位置、面积、长度等特征信息。
发明内容
本发明的目的在于提供一种晶圆检测方法及晶圆检测系统，以解决现有技术中目标缺陷无法自动识别和自动量化的问题。
为解决上述技术问题，本发明提供了一种晶圆检测方法，用于检测晶圆的目标缺陷，所述晶圆检测方法包括：
对待检测晶圆进行光学扫描以形成原始图像；
去除所述原始图像中的干扰图像；
对去除干扰图像后的所述原始图像进行图像增强以形成增强图像；
去除所述增强图像中的干扰图像；
提取去除干扰图像后的所述增强图像中的目标缺陷的信息。
可选的，在所述晶圆检测方法中，所述目标缺陷是灰边缺陷；所述干扰图像包括气泡缺陷以及边缘干扰。
可选的，在所述晶圆检测方法中，在去除所述原始图像中的干扰图像之前，所述晶圆检测方法还包括：对所述原始图像进行数据分析。
可选的，在所述晶圆检测方法中，对所述原始图像进行数据分析包括：对所述原始图像进行灰度值范围分析；及对所述原始图形进行分布范围分析。
可选的，在所述晶圆检测方法中，对所述原始图像进行灰度值范围分析包括：获取所述灰边缺陷的灰度值范围、所述气泡缺陷的灰度值范围、所述边缘干扰的灰度值范围以及所述灰边缺陷、所述气泡缺陷和所述边缘干扰之间的灰度值交集范围。
可选的，在所述晶圆检测方法中，对所述原始图形进行分布范围分析包括：获取所述灰边缺陷的分布范围、所述气泡缺陷的分布范围、所述边缘干扰的分布范围以及所述灰边缺陷、所述气泡缺陷和所述边缘干扰之间的分布交集范围。
可选的，在所述晶圆检测方法中，对去除干扰图像后的所述原始图像进行图像增强包括：对所述原始图像进行图像二值化、边缘提取以及图像分割。
可选的，在所述晶圆检测方法中，对所述原始图像进行图像二值化包括：当所述原始图像上的像素点的灰度值大于等于所述灰边缺陷的灰度值且所述原始图像上的像素点距离圆心的距离大于等于所述灰边缺陷的分布阈值时，对应的像素点灰度值定义为255；当所述原始图像上的像素点的灰度值小于所述灰边缺陷的灰度值或所述原始图像上的像素点距离圆心的距离小于等于所述灰边缺陷的分布阈值时，对应的像素点灰度值定义为0。
可选的，在所述晶圆检测方法中，对所述原始图像进行边缘提取包括：去除所述原始图像中的所述边缘干扰；勾勒所述灰边缺陷的轮廓。
可选的，在所述晶圆检测方法中，所述目标缺陷的信息包括所述目标缺陷的位置、面积、最大长度、最小长度和/或距离晶圆中心的位置。
本发明还提供了一种晶圆检测系统，用于检测晶圆的目标缺陷，所述晶圆检测系统包括：扫描单元、数据提取单元以及连接所述扫描单元和所述数据提取单元的处理单元；
其中，所述扫描单元用于对待检测晶圆进行光学扫描以形成原始图像；
所述处理单元用于依次执行去除所述原始图像中的干扰图像、对去除干扰图像后的所述原始图像进行图像增强以形成增强图像以及去除所述增强图像中的干扰图像；
所述数据提取单元用于提取去除干扰图像后目标缺陷的信息。
可选的，在所述晶圆检测系统中，所述处理单元包括：依次连接的数据分析单元、图像增强单元以及去噪单元；
其中，所述数据分析单元，用于对所述原始图像进行数据分析以去除所述原始图像中的干扰图像；
所述图像增强单元用于对去除干扰图像后的所述原始图像进行图像增强以形成增强图像；
所述去噪单元，用于去除所述增强图像中的干扰图像。
可选的，在所述晶圆检测系统中，所述图像增强单元包括：依次连接的图像二值化单元、边缘提取单元以及图像分割单元；
其中，所述图像二值化单元，用于对去除干扰图像后的所述原始图像进行图像二值化；
所述边缘提取单元，用于对所述原始图像进行边缘提取；
所述图像分割单元，用于对所述原始图像进行图像分割。在本发明提供的用于检测晶圆的目标缺陷的晶圆检测方法及晶圆检测系统中，，所述晶圆检测方法包括：对待检测晶圆进行光学扫描以形成原始图像；去除所述原始图像中的干扰图像；对去除干扰图像后的所述原始图像进行图像增强以形成增强图像；去除所述增强图像中的干扰图像；提取去除干扰图像后的所述增强图像中的目标缺陷的信息。所述晶圆检测方法能够检测出晶圆的目标缺陷同时能够实现目标缺陷的自动识别和自动量化的方法，从而及时有效地得到生产线上的晶圆存在目标缺陷的情况，在第一时间发现工艺或者机台的异常情况，节约了人工成本并且减少人工误差，并对晶圆缺陷的特征提取更加准确高效。
附图说明
图1是本发明实施例的晶圆检测方法的流程图；
图2是本发明实施例的待检测晶圆的灰度值范围分析；
图3是本发明实施例的待检测晶圆的分布范围分析；
图4是本发明实施例的灰边缺陷和边缘干扰的区别示意图；
图5是本发明实施例的灰边缺陷和气泡缺陷的区别示意图；
图6是本发明实施例的原始图像二值化后的图形示意图；
图7是本发明实施例的检测出晶圆灰边缺陷的长度特征示意图；
图8是本发明实施例的检测出晶圆灰边缺陷的信息示意图；
图9是本发明实施例的晶圆检测系统的结构示意图；
其中，各附图标记说明如下：
1-灰边缺陷的灰度值范围；2-气泡缺陷的灰度值范围；3-边缘干扰的灰度值范围；4-灰边缺陷和边缘干扰之间的灰度值交集范围；5-灰边缺陷和气泡缺陷之间的灰度值交集范围；6-灰边缺陷的分布范围；7-气泡缺陷的分布范围；8-边缘干扰的分布范围；9-灰边缺陷和气泡缺陷之间的分布交集范围；10-灰边缺陷边缘干扰之间的分布交集范围；11-灰边缺陷；12-气泡缺陷；13-边缘干扰；
21-晶圆边界；22-灰边缺陷的长度＜1mm的区域；23-灰边缺陷的长度≥1mm的区域；
100-晶圆检测系统；110-扫描单元；120-处理单元；121-数据分析单元；122-图像增强单元；123-去噪单元；124-图像二值化单元；125-边缘提取单元；126-图像分割单元；130-数据提取单元。
具体实施方式
本发明的核心思想在于提供一种能够检测出晶圆的目标缺陷同时能够实现目标缺陷的自动识别和自动量化的方法，从而及时有效地得到生产线上的晶圆存在目标缺陷的情况，在第一时间发现工艺或者机台的异常情况，节约了人工成本并且减少人工误差。
为实现上述思想，本发明提供了一种晶圆检测方法及晶圆检测系统，用于检测晶圆的目标缺陷，所述晶圆检测方法包括：对待检测晶圆进行光学扫描以形成原始图像；去除所述原始图像中的干扰图像；对去除干扰图像后的所述原始图像进行图像增强以形成增强图像；去除所述增强图像中的干扰图像；提取去除干扰图像后的所述增强图像中的目标缺陷的信息。
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明提出的晶圆检测方法作进一步详细说明。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例，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。
首先，参阅图1，图1是本发明实施例的晶圆检测方法的流程图。本实施例提供的一种用于识别待检测晶圆的目标缺陷的晶圆检测方法，所述晶圆检测包括如下步骤：
步骤S10：对待检测晶圆进行光学扫描以形成原始图像，由此，将实际待检测晶圆转化为平面数据，方便计算机进行后续步骤的检测；
步骤S11：去除所述原始图像中的干扰图像；
步骤S12：对去除干扰图像后的所述原始图像进行图像增强以形成增强图像；
步骤S13：去除所述增强图像中的干扰图像；
步骤S14：提取去除干扰图像后的所述增强图像中的目标缺陷的信息。
通过以上所述晶圆检测方法的各步骤，能够检测出晶圆的目标缺陷同时能够实现目标缺陷的自动识别和自动量化的方法，从而及时有效地得到生产线上的晶圆存在目标缺陷的情况，在第一时间发现工艺或者机台的异常情况，节约了人工成本并且减少人工误差，并对晶圆缺陷的特征提取更加准确高效。
优选的，所述目标缺陷是灰边缺陷；所述干扰图像包括气泡缺陷以及边缘干扰。较佳的，所述气泡缺陷包括中心气泡缺陷和边缘气泡缺陷。本实施例的晶圆检测方法所检测的目标缺陷是灰边缺陷，由于晶圆生产线中持续受到所述灰边缺陷的影响，但现有系统无法对所述灰边缺陷解析和量化，所以可能会破坏产品的完整性和使用价值，由此，必须区分所述灰边缺陷与干扰图像的不同，后续步骤中不断去除所述气泡缺陷以及所述边缘干扰对所述灰边缺陷的混淆，不同的缺陷具有的特征也不相同，本实施例的晶圆检测方法就是根据分析处理提取出所述目标缺陷的方法。
优选的，在去除所述原始图像中的干扰图像之前，所述晶圆检测方法还包括：对所述原始图像进行数据分析。由此，通过数据分析，能够高效地识别所述原始图像中干扰图像的信息，有利于后续步骤中初步去除干扰图像。
优选的，对所述原始图像进行数据分析包括：对所述原始图像进行灰度值范围分析；及对所述原始图形进行分布范围分析。由此，初步去除所述干扰图像，例如所述气泡缺陷和所述边缘干扰对所述原始图像的影响，减少后续的晶圆检测步骤的工作量，同时使得晶圆检测方法更加快速高效。
请参考图2，优选的，对所述原始图像进行灰度值范围分析包括：获取所述灰边缺陷的灰度值范1、所述气泡缺陷的灰度值范围2、所述边缘干扰的灰度值范围3、所述灰边缺陷和所述边缘干扰之间的灰度值交集范围4以及所述灰边缺陷和所述气泡缺陷之间的灰度值交集范围5。通过对所述灰边缺陷、气泡缺陷和边缘干扰的灰度值范围检测并作图，再经过分析计算能够得到所述灰边缺陷和所述边缘干扰的分布情况，如图4所示，区分所述灰边缺陷11与所述边缘干扰13的边界，以此初步去除所述边缘干扰13对目标缺陷的干扰，有利于后续步骤的实施。
请参考图3，优选的，对所述原始图形进行分布范围分析包括：获取所述灰边缺陷的分布范围6、所述气泡缺陷的分布范围7、所述边缘干扰的分布范围8、所述灰边缺陷和所述边缘干扰之间的分布交集范围9以及所述灰边缺陷和所述气泡缺陷和所述边缘干扰之间的分布交集范围10。通过对所述灰边缺陷、气泡缺陷和边缘干扰的分布范围检测并作图，再经过分析计算能够得到所述灰边缺陷和所述气泡缺陷的分布情况，如图5所示，区分所述灰边缺陷11与所述气泡缺陷12的边界，以此初步去除所述气泡缺陷12对目标缺陷的干扰，有利于后续步骤的实施。
优选的，对去除干扰图像后的所述原始图像进行图像增强包括：对所述原始图像进行图像二值化、边缘提取以及图像分割。由此，所述原始图像呈现明显的黑白效果，使所述原始图像变得简单，再次去除边缘干扰的影响，减少大量的数据量，凸显所述目标缺陷的轮廓，能够在接下来的步骤中快速方便的检测到有无目标缺陷。
优选的，对所述原始图像进行图像二值化包括：当所述原始图像上的像素点的灰度值大于等于所述灰边缺陷的灰度值且所述原始图像上的像素点距离圆心的距离大于等于所述灰边缺陷的分布阈值时，对应的像素点灰度值定义为255；当所述原始图像上的像素点的灰度值小于所述灰边缺陷的灰度值或所述原始图像上的像素点距离圆心的距离小于等于所述灰边缺陷的分布阈值时，对应的像素点灰度值定义为0。如图6所示，由此，所述原始图像呈现明显的黑白效果变成所述二值图像，二值化步骤使得所述原始图像变得简单，有利于将实际待检测晶圆中可能存在的微小干扰去除，方便进行所述边缘提取以及图像分割步骤。
优选的，对所述原始图像进行所述边缘提取包括：去除所述原始图像中的所述边缘干扰，去除所述原始图像中的所述边缘干扰以减少数据量；勾勒所述目标缺陷的轮廓。由此，减少无关因素对判断目标缺陷的影响且减少大量的计算分析数据量，能够快速准确地初步判断目标缺陷的轮廓。
优选的，所述去噪包括：
定义一个结构元素b，结构元素b对所述增强图像f在位置(x,y)处的腐蚀为：其中(s,t)∈b；
结构元素b对所述增强图像f在位置(x,y)处的膨胀为： 其中(s,t)∈b；
所述灰边缺陷的元素b对所述增强图像f的开操作为：其中(s,t)∈b。由此，所述增强图像去除了所述干扰图像，提取二值图像中的连通区域，通过开操作作用去除较小的明亮细节即噪声，保留所述灰边缺陷并使所述灰边缺陷的轮廓变得光滑，断开狭窄的间断以及消除细的突出物，同时在纤细处分离缺陷与所述原始图像，平滑较大的边界并不明显改变其面积。
在本实施例中，所述目标缺陷的信息包括所述目标缺陷的位置、面积、最大长度、最小长度和/或距离晶圆中心的位置。请参考图7和图8，图7是本发明实施例的检测出晶圆灰边缺陷的长度特征示意图；图8是本发明实施例的检测出晶圆灰边缺陷的信息示意图。由此，可以明显获得所述灰边缺陷的长度＜1mm的区域22以及所述灰边缺陷的长度≥1mm的区域23的分布情况。同理可获得晶圆的所述灰边缺陷的其他特征数据，例如图8所示的待检测晶圆，产品型号为W214，批号为PP7251，片号为11，片层处于BOND ALLOY的待检测晶圆，扫描时间2018-03-12 17:34:47，扫描工具为PYUCI01，经过所述晶圆检测方法得到所述目标缺陷的特征数据如下：总数4585，总面积115.965mm2，其中宽度＞1mm的灰边缺陷面积为11.026mm2，不存在宽度＞2mm的灰边缺陷，灰边缺陷的最大宽度为1.709mm。列举其中两个编号为1和2的目标缺陷，1号目标缺陷的最大宽度为1.709mm、X轴坐标为1.448、Y轴坐标为146.454；2号目标缺陷的最大宽度为1.248mm、X轴坐标为38.358、Y轴坐标为141.809。根据晶圆灰边缺陷的特征信息分析，维修生产线机台，避免更多生产过程的损失，保证产品的质量。
请参阅图9，本发明实施例是提供一种晶圆检测系统100，用于检测晶圆的目标缺陷，所述晶圆检测系统100包括：扫描单元110、数据提取单元130以及连接所述扫描单元110和所述数据提取单元130的处理单元120；其中，所述扫描单元110用于对待检测晶圆进行光学扫描以形成原始图像；所述处理单元120用于依次执行去除所述原始图像中的干扰图像、对去除干扰图像后的所述原始图像进行图像增强以形成增强图像以及去除所述增强图像中的干扰图像；所述数据提取单元130用于提取去除干扰图像后目标缺陷的信息。由此，通过所述扫描单元110、所述处理单元120以及所述数据提取单元130的共同作用，能够检测出晶圆的目标缺陷同时能够实现目标缺陷的自动识别和自动量化的方法，从而及时有效地得到生产线上的晶圆存在目标缺陷的情况，在第一时间发现工艺或者机台的异常情况，节约了人工成本并且减少人工误差，并对晶圆缺陷的特征提取更加准确高效。
优选的，所述处理单元120包括：依次连接的数据分析单元121、图像增强单元122以及去噪单元123；其中，所述数据分析单元121，用于对所述原始图像进行数据分析以去除所述原始图像中的干扰图像；所述图像增强单元122用于对去除干扰图像后的所述原始图像进行图像增强以形成增强图像；所述去噪单元123，用于去除所述增强图像中的干扰图像。较佳的，所述图像增强单元122包括：依次连接的图像二值化单元124、边缘提取单元125以及图像分割单元126；其中，所述图像二值化单元124，用于对去除干扰图像后的所述原始图像进行图像二值化；所述边缘提取单元125，用于对所述原始图像进行边缘提取；所述图像分割单元126，用于对所述原始图像进行图像分割。由此，首先，所述数据分析单元121对经过所述扫描单元110转化后的待测晶圆的平面数据进行数据分析，高效地识别所述原始图像中干扰图像的信息；其次，所述图像二值化单元124、所述边缘提取单元125以及所述图像分割单元126将所述原始图像呈现出明显的黑白效果，使所述原始图像变得简单，去除边缘干扰的影响，减少大量的数据量，凸显所述目标缺陷的轮廓；再次，所述去噪单元123提取二值图像中的连通区域，通过开操作作用去除较小的明亮细节即噪声，保留所述灰边缺陷并使所述灰边缺陷的轮廓变得光滑，断开狭窄的间断以及消除细的突出物，同时在纤细处分离缺陷与所述原始图像，平滑较大的边界并不明显改变其面积。综上所述，在本发明提供的晶圆检测方法中，具有如下优点：
在本发明提供的晶圆检测方法能够检测出晶圆的目标缺陷同时能够实现目标缺陷的自动识别和自动量化的方法，从而及时有效地得到生产线上的晶圆存在目标缺陷的情况，在第一时间发现工艺或者机台的异常情况，节约了人工成本并且减少人工误差，并对晶圆缺陷的特征提取更加准确高效。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (13)
1.一种晶圆检测方法，用于检测晶圆的目标缺陷，其特征在于，所述晶圆检测方法包括：
对待检测晶圆进行光学扫描以形成原始图像；
去除所述原始图像中的干扰图像；
对去除干扰图像后的所述原始图像进行图像增强以形成增强图像；
去除所述增强图像中的干扰图像；
提取去除干扰图像后的所述增强图像中的目标缺陷的信息。
2.如权利要求1所述的晶圆检测方法，其特征在于，所述目标缺陷是灰边缺陷；所述干扰图像包括气泡缺陷以及边缘干扰。
3.如权利要求2所述的晶圆检测方法，其特征在于，在去除所述原始图像中的干扰图像之前，所述晶圆检测方法还包括：对所述原始图像进行数据分析。
4.如权利要求3所述的晶圆检测方法，其特征在于，对所述原始图像进行数据分析包括：对所述原始图像进行灰度值范围分析；及对所述原始图形进行分布范围分析。
5.如权利要求4所述的晶圆检测方法，其特征在于，对所述原始图像进行灰度值范围分析包括：获取所述灰边缺陷的灰度值范围、所述气泡缺陷的灰度值范围、所述边缘干扰的灰度值范围以及所述灰边缺陷、所述气泡缺陷和所述边缘干扰之间的灰度值交集范围。
6.如权利要求3所述的晶圆检测方法，其特征在于，对所述原始图形进行分布范围分析包括：获取所述灰边缺陷的分布范围、所述气泡缺陷的分布范围、所述边缘干扰的分布范围以及所述灰边缺陷、所述气泡缺陷和所述边缘干扰之间的分布交集范围。
7.如权利要求2所述的晶圆检测方法，其特征在于，对去除干扰图像后的所述原始图像进行图像增强包括：对所述原始图像进行图像二值化、边缘提取以及图像分割。
8.如权利要求7所述的晶圆检测方法，其特征在于，对所述原始图像进行图像二值化包括：当所述原始图像上的像素点的灰度值大于等于所述灰边缺陷的灰度值且所述原始图像上的像素点距离圆心的距离大于等于所述灰边缺陷的分布阈值时，对应的像素点灰度值定义为255；当所述原始图像上的像素点的灰度值小于所述灰边缺陷的灰度值或所述原始图像上的像素点距离圆心的距离小于等于所述灰边缺陷的分布阈值时，对应的像素点灰度值定义为0。
9.如权利要求7所述的晶圆检测方法，其特征在于，对所述原始图像进行边缘提取包括：去除所述原始图像中的所述边缘干扰；勾勒所述灰边缺陷的轮廓。
10.如权利要求1-9中任一项所述的晶圆检测方法，其特征在于，所述目标缺陷的信息包括所述目标缺陷的位置、面积、最大长度、最小长度和/或距离晶圆中心的位置。
11.一种晶圆检测系统，用于检测晶圆的目标缺陷，其特征在于，所述晶圆检测系统包括：扫描单元、数据提取单元以及连接所述扫描单元和所述数据提取单元的处理单元；
其中，所述扫描单元用于对待检测晶圆进行光学扫描以形成原始图像；
所述处理单元用于依次执行去除所述原始图像中的干扰图像、对去除干扰图像后的所述原始图像进行图像增强以形成增强图像以及去除所述增强图像中的干扰图像；
所述数据提取单元用于提取去除干扰图像后目标缺陷的信息。
12.如权利要求11所述的晶圆检测系统，其特征在于，所述处理单元包括：依次连接的数据分析单元、图像增强单元以及去噪单元；
其中，所述数据分析单元，用于对所述原始图像进行数据分析以去除所述原始图像中的干扰图像；
所述图像增强单元用于对去除干扰图像后的所述原始图像进行图像增强以形成增强图像；
所述去噪单元，用于去除所述增强图像中的干扰图像。
13.如权利要求12所述的晶圆检测系统，其特征在于，所述图像增强单元包括：依次连接的图像二值化单元、边缘提取单元以及图像分割单元；
其中，所述图像二值化单元，用于对去除干扰图像后的所述原始图像进行图像二值化；
所述边缘提取单元，用于对所述原始图像进行边缘提取；
所述图像分割单元，用于对所述原始图像进行图像分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811342637.3A CN109378279B (zh) | 2018-11-12 | 2018-11-12 | 晶圆检测方法及晶圆检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811342637.3A CN109378279B (zh) | 2018-11-12 | 2018-11-12 | 晶圆检测方法及晶圆检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109378279A true CN109378279A (zh) | 2019-02-22 |
| CN109378279B CN109378279B (zh) | 2020-12-18 |
Family
ID=65384888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811342637.3A Active CN109378279B (zh) | 2018-11-12 | 2018-11-12 | 晶圆检测方法及晶圆检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109378279B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919922A (zh) * | 2019-02-27 | 2019-06-21 | 重庆大学 | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 |
| CN111081581A (zh) * | 2019-11-12 | 2020-04-28 | 长江存储科技有限责任公司 | 气泡缺陷监控方法、装置、服务器及可读存储介质 |
| CN111340753A (zh) * | 2019-12-30 | 2020-06-26 | 上海集成电路研发中心有限公司 | 一种晶圆检测装置、数据处理方法及存储介质 |
| CN113155193A (zh) * | 2021-04-19 | 2021-07-23 | 上海磐盟电子材料有限公司 | 一种基于云计算的晶圆片智能检测分类方法、装置和系统 |
| CN117409001A (zh) * | 2023-12-14 | 2024-01-16 | 合肥晶合集成电路股份有限公司 | 一种晶圆键合的气泡分析方法及分析装置 |
| CN118610115A (zh) * | 2024-08-08 | 2024-09-06 | 西安奕斯伟材料科技股份有限公司 | 一种缺陷检测的方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050180660A1 (en) * | 2003-11-28 | 2005-08-18 | Canon Kabushiki Kaisha | Method, apparatus and storage medium for enhancing document image, method, apparatus and storage medium for character recognition |
| CN106530237A (zh) * | 2016-09-19 | 2017-03-22 | 中山大学 | 一种图像增强方法 |
| CN107084988A (zh) * | 2017-03-21 | 2017-08-22 | 北京林业大学 | 基于图像的单板缺陷自动检测及挖补技术 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100369049C (zh) * | 2005-02-18 | 2008-02-13 | 富士通株式会社 | 灰度字符的精确分割装置及方法 |
| CN103473778B (zh) * | 2013-09-18 | 2017-01-11 | 陕西中莱节能有限公司 | 一种led发光芯片插偏缺陷的检测方法 |
| 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 |
| TWI581213B (zh) * | 2015-12-28 | 2017-05-01 | 力晶科技股份有限公司 | 物品缺陷檢測方法、影像處理系統與電腦可讀取記錄媒體 |
| CN106530287A (zh) * | 2016-10-24 | 2017-03-22 | 武汉新芯集成电路制造有限公司 | 一种基于晶圆内部缺陷检测的图像自动识别系统 |
| CN107315012B (zh) * | 2017-06-22 | 2019-10-18 | 福建省万龙新材料科技有限公司 | 聚晶金刚石复合片端面崩角的智能检测方法 |
| CN107784660B (zh) * | 2017-11-02 | 2020-12-04 | 武汉新芯集成电路制造有限公司 | 图像处理方法、图像处理系统及缺陷检测装置 |
| CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
| CN108511359A (zh) * | 2018-03-30 | 2018-09-07 | 武汉新芯集成电路制造有限公司 | 晶圆缺陷的检测方法 |
-
2018
- 2018-11-12 CN CN201811342637.3A patent/CN109378279B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050180660A1 (en) * | 2003-11-28 | 2005-08-18 | Canon Kabushiki Kaisha | Method, apparatus and storage medium for enhancing document image, method, apparatus and storage medium for character recognition |
| CN106530237A (zh) * | 2016-09-19 | 2017-03-22 | 中山大学 | 一种图像增强方法 |
| CN107084988A (zh) * | 2017-03-21 | 2017-08-22 | 北京林业大学 | 基于图像的单板缺陷自动检测及挖补技术 |
Non-Patent Citations (1)
| Title |
|---|
| 肖欣招等: "基于形态变换的图像增强方法研究 ", 《计算机与信息技术》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919922A (zh) * | 2019-02-27 | 2019-06-21 | 重庆大学 | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 |
| CN109919922B (zh) * | 2019-02-27 | 2023-02-03 | 重庆大学 | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 |
| CN111081581A (zh) * | 2019-11-12 | 2020-04-28 | 长江存储科技有限责任公司 | 气泡缺陷监控方法、装置、服务器及可读存储介质 |
| CN111081581B (zh) * | 2019-11-12 | 2024-03-08 | 长江存储科技有限责任公司 | 气泡缺陷监控方法、装置、服务器及可读存储介质 |
| CN111340753A (zh) * | 2019-12-30 | 2020-06-26 | 上海集成电路研发中心有限公司 | 一种晶圆检测装置、数据处理方法及存储介质 |
| WO2021135045A1 (zh) * | 2019-12-30 | 2021-07-08 | 上海集成电路研发中心有限公司 | 一种晶圆检测装置、数据处理方法及存储介质 |
| CN113155193A (zh) * | 2021-04-19 | 2021-07-23 | 上海磐盟电子材料有限公司 | 一种基于云计算的晶圆片智能检测分类方法、装置和系统 |
| CN113155193B (zh) * | 2021-04-19 | 2022-12-13 | 上海磐盟电子材料有限公司 | 一种基于云计算的晶圆片智能检测分类方法、装置和系统 |
| CN117409001A (zh) * | 2023-12-14 | 2024-01-16 | 合肥晶合集成电路股份有限公司 | 一种晶圆键合的气泡分析方法及分析装置 |
| CN117409001B (zh) * | 2023-12-14 | 2024-04-05 | 合肥晶合集成电路股份有限公司 | 一种晶圆键合的气泡分析方法及分析装置 |
| CN118610115A (zh) * | 2024-08-08 | 2024-09-06 | 西安奕斯伟材料科技股份有限公司 | 一种缺陷检测的方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109378279B (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109378279A (zh) | 晶圆检测方法及晶圆检测系统 | |
| CN101236606B (zh) | 视频监控中的阴影消除方法及系统 | |
| WO2018145470A1 (zh) | 一种图像检测方法和装置 | |
| 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 | |
| WO2022027931A1 (zh) | 基于视频图像的运动车辆前景检测方法 | |
| CN107784660B (zh) | 图像处理方法、图像处理系统及缺陷检测装置 | |
| WO2022088620A1 (zh) | 相机镜头的状态检测方法、装置、设备及存储介质 | |
| CN110415255B (zh) | 一种免疫组化病理图像cd3阳性细胞核分割方法及系统 | |
| CN108918093B (zh) | 一种滤光片镜面缺陷检测方法、装置及终端设备 | |
| CN112686858A (zh) | 一种手机充电器视觉缺陷检测方法、装置、介质及设备 | |
| EP4071665A1 (en) | Character segmentation method and apparatus, and computer-readable storage medium | |
| KR100868884B1 (ko) | 유리 기판 유리 불량 정보 시스템 및 분류 방법 | |
| CN107833843B (zh) | 缺陷来源的分析方法及分析系统、缺陷检测装置 | |
| CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
| CN111724375B (zh) | 一种屏幕检测方法及系统 | |
| CN116773548B (zh) | 一种晶圆表面缺陷检测方法及系统 | |
| CN107067595B (zh) | 一种指示灯的状态辨识方法、装置及电子设备 | |
| CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN109166092A (zh) | 一种图像缺陷检测方法及系统 | |
| CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
| CN113834816A (zh) | 基于机器视觉的光伏电池缺陷在线检测方法及系统 | |
| CN110335233A (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
| CN115205223A (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
| CN110880184A (zh) | 一种基于光流场进行摄像头自动巡检的方法及装置 | |
| CN117456371B (zh) | 一种组串热斑检测方法、装置、设备及介质 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 430205 No.18, Gaoxin 4th Road, Donghu Development Zone, Wuhan City, Hubei Province Patentee after: Wuhan Xinxin Integrated Circuit Co.,Ltd. Country or region after: China Address before: 430205 No.18, Gaoxin 4th Road, Donghu Development Zone, Wuhan City, Hubei Province Patentee before: Wuhan Xinxin Semiconductor Manufacturing Co.,Ltd. Country or region before: China |