CN109449093B - 晶圆检测方法 - Google Patents
晶圆检测方法 Download PDFInfo
- Publication number
- CN109449093B CN109449093B CN201811246369.5A CN201811246369A CN109449093B CN 109449093 B CN109449093 B CN 109449093B CN 201811246369 A CN201811246369 A CN 201811246369A CN 109449093 B CN109449093 B CN 109449093B
- Authority
- CN
- China
- Prior art keywords
- wafer
- scratch
- detected
- defect
- defects
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000007547 defect Effects 0.000 claims abstract description 98
- 230000000877 morphologic effect Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 9
- 230000003252 repetitive effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 4
- 235000012431 wafers Nutrition 0.000 description 173
- 238000006748 scratching Methods 0.000 description 3
- 230000002393 scratching effect Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
-
- 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)
- 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,用于识别晶圆表面是否被机械手刮伤,所述晶圆检测方法包括:扫描待检测晶圆形成所述待检测晶圆的初始图像;读取所述初始图像中的晶圆缺陷的位置信息;根据所述位置信息判断所述晶圆缺陷是否存在聚类点;若所述晶圆缺陷存在聚类点,则对所述初始图像进行图像处理;判断经过图像处理后的所述初始图像中的所述晶圆缺陷是否存在直线,若所述晶圆缺陷存在直线,则判定所述待检测晶圆表面存在机械手刮伤。根据判定结果就能够自动识别出在经过不同的生产机台时,机械手对所述晶圆造成的刮伤,无需人工识别和测量,对晶圆刮伤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。
背景技术
在半导体集成电路制造过程中,晶圆刮伤是影响产品良率的重要因素。依照刮伤的特性,晶圆刮伤可以分为宏观刮伤与细微刮伤。宏观刮伤由于刮伤的面积较大,会造成晶圆直接报废,细微刮伤会造成晶圆上某些区域电性能有问题,导致良率不佳。在集成电路制造过程中机械手可能会刮伤晶圆,又由于机械手对晶圆的刮伤一般属于细微刮伤,会对晶圆的性能产生不良影响,所以,在集成电路制造过程中需要对晶圆是否被机械手所刮伤进行检测。
在半导体集成电路的生产过程中,晶圆经过生产步骤中不同的机台。当机台的机械手出现问题时,可能会造成晶圆表面与机械手非正常接触,产生机械手刮伤。机械手在晶圆上产生的刮伤的最大特征是:刮伤呈直线状,且刮伤长度短,不连续,同一个机台产生的刮伤到晶圆中心的距离相同。
晶圆经过扫描机台检测后,晶圆会被自动追踪,没有被自动追踪的晶圆则需要进行人工判断,由于机械手刮伤的特性,导致人工判断很容易忽略掉晶圆表面产生的刮伤。另外,不仅需要人工判断晶圆表面是否受到刮伤,并且刮伤到晶圆中心的距离也要依靠人工手动去测量,所以存在很大的人工误差,进而很难判定该刮伤是否为机械手所造成的。因此,经常会忽略掉机械手对晶圆表面造成的刮伤缺陷,对后续生产过程造成很大的影响。
发明内容
本发明的目的在于提供一种晶圆检测方法,以解决现有技术中晶圆可能被机械手刮伤但无法被识别的问题。
为解决上述技术问题,本发明提供一种晶圆检测方法,用于检测晶圆表面是否被机械手刮伤,所述晶圆检测方法包括:
扫描待检测晶圆形成所述待检测晶圆的初始图像;
读取所述初始图像中的晶圆缺陷的位置信息;
根据所述位置信息判断所述晶圆缺陷是否存在聚类点;
若所述晶圆缺陷存在聚类点,则对所述初始图像进行图像处理;
判断经过图像处理后的所述初始图像中的所述晶圆缺陷是否存在直线,若所述晶圆缺陷存在直线,则判定所述待检测晶圆表面存在机械手刮伤。
可选的,在所述的晶圆检测方法中,扫描待检测晶圆形成所述待检测晶圆的初始图像后,识别所述初始图像中的晶圆缺陷并将所述晶圆缺陷的坐标输入数据库中,并自所述数据库中读取所述初始图像中的晶圆缺陷的位置信息。
可选的,在所述的晶圆检测方法中,根据所述位置信息判断所述晶圆缺陷是否存在聚类点包括:
对所述位置信息进行数据聚类分析;
对经过数据聚类分析的所述位置信息去除孤立点;
根据去除孤立点的所述位置信息判断所述晶圆缺陷是否存在聚类点。
可选的,在所述的晶圆检测方法中,当判断所述晶圆缺陷不存在聚类点时,则判定所述待检测晶圆表面不存在机械手刮伤。
可选的,在所述的晶圆检测方法中,对所述初始图像进行图像处理包括:
将所述初始图像二值化,以得到二值图像;
去除所述二值图像中的重复性的晶圆缺陷;
对去除重复性晶圆缺陷的所述二值图像进行形态学膨胀及形态学去噪。
可选的,在所述的晶圆检测方法中,对去除重复性晶圆缺陷的所述二值图像进行形态学膨胀包括将所述二值图像中所述晶圆缺陷的断线区域相连接。
可选的,在所述的晶圆检测方法中,对去除重复性晶圆缺陷的所述二值图像进行形态学去噪包括:
对所述二值图像进行形态学腐蚀;
对经过形态学腐蚀的所述二值图像进行形态学膨胀;
对经过形态学膨胀的所述二值图像进行开操作。
可选的,在所述的晶圆检测方法中,当判断所述晶圆缺陷不存在直线时,则判定所述待检测晶圆表面不存在机械手刮伤。
可选的,在所述的晶圆检测方法中,当判定所述待检测晶圆表面存在机械手刮伤时,提取所述刮伤的特征。
可选的,在所述的晶圆检测方法中,所述刮伤的特征包括所述刮伤的长度、所述刮伤端点与所述待检测晶圆中心连线形成的角度和/或所述刮伤到所述晶圆中心的距离。
在本发明提供的用于识别晶圆表面是否被机械手刮伤的晶圆检测方法中,所述晶圆检测方法包括:扫描待检测晶圆形成所述待检测晶圆的初始图像;读取所述初始图像中的晶圆缺陷的位置信息;根据所述位置信息判断所述晶圆缺陷是否存在聚类点;若所述晶圆缺陷存在聚类点,则对所述初始图像进行图像处理;判断经过图像处理后的所述初始图像中的所述晶圆缺陷是否存在直线,若所述晶圆缺陷存在直线,则判定所述待检测晶圆表面存在机械手刮伤。根据判定结果就能够自动识别出机械手对所述晶圆造成的刮伤,无需人工识别和测量,提高了识别的效率和准确性。进一步的,还使得对晶圆刮伤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初始图像;
图3是本发明实施例的待检测晶圆的二值图像;
图4是本发明实施例的目标晶圆缺陷的特征数据。
具体实施方式
本发明的核心思想在于提供一种用于识别晶圆表面是否被机械手刮伤的晶圆检测方法,根据判定结果就能够自动识别出晶圆是否受到机械手刮伤,无需人工识别和测量,同时提高对晶圆刮伤缺陷的特征提取的准确性。
为实现上述思想,本发明提供一种晶圆检测方法,用于检测晶圆表面是否被机械手刮伤,所述晶圆检测方法包括:扫描待检测晶圆形成所述待检测晶圆的初始图像;读取所述初始图像中的晶圆缺陷的位置信息;根据所述位置信息判断所述晶圆缺陷是否存在聚类点;若所述晶圆缺陷存在聚类点,则对所述初始图像进行图像处理;判断经过图像处理后的所述初始图像中的所述晶圆缺陷是否存在直线,若所述晶圆缺陷存在直线,则判定所述待检测晶圆表面存在机械手刮伤。
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。本实施例提供的用于识别晶圆表面是否被机械手刮伤的晶圆检测方法,所述晶圆检测方法包括:
扫描待检测晶圆形成所述待检测晶圆的初始图像,如图2所示,图中方框是本实施例选取的一处晶圆缺陷,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。
读取所述初始图像中的晶圆缺陷的位置信息。在此,在所述初始图像中以晶圆中心为原点,建立xy坐标平面,通过计算机读取所述晶圆缺陷的位置坐标,能够更加精确地识别所述晶圆缺陷的位置,使得以下步骤中对晶圆缺陷进行处理时更加便利和准确。
接着,根据所述位置信息判断所述晶圆缺陷是否存在聚类点。若所述晶圆缺陷存在聚类点,所述待检测晶圆表面不存在机械手划伤;若所述晶圆缺陷存在聚类点,则对所述初始图像进行图像处理。
进一步的,判断经过图像处理后的所述初始图像中的所述晶圆缺陷是否存在直线,若所述晶圆缺陷存在直线,则判定所述待检测晶圆表面存在机械手刮伤。
优选的,扫描待检测晶圆形成所述待检测晶圆的初始图像后,识别所述初始图像中的晶圆缺陷并将所述晶圆缺陷的坐标输入数据库中,并自所述数据库中读取所述初始图像中的晶圆缺陷的位置信息。由此,计算机能够在建立的数据库快速读取有晶圆缺陷的待检测晶圆信息,同时准确地识别出晶圆缺陷的位置信息,数据库中的信息储存分类清晰,查阅与检修时也方便寻找问题晶圆的批次和编号。
优选的,根据所述位置信息判断所述晶圆缺陷是否存在聚类点包括:对所述位置信息进行数据聚类分析;对经过数据聚类分析的所述位置信息去除孤立点;根据去除孤立点的所述位置信息判断所述晶圆缺陷是否存在聚类点。由此,结合机械手刮伤为直线刮伤且刮伤不连续的特征,去除大量直线聚类点以外的孤立点,即孤立点不是由于机械手刮伤产生的晶圆缺陷,去除非目标信息,简化后续步骤。在本实施例中,聚类点指的是刮伤形成的一直线(非连续)中的组成点。
优选的,当判断所述晶圆缺陷不存在聚类点时,则判定所述待检测晶圆表面不存在机械手刮伤的晶圆。由于机械手刮伤的特征为直线刮伤、长度短、不连续、同一个机械手产生的刮伤距离晶圆中心的距离相同等特征,所以若所述晶圆缺陷不存在聚类点,则晶圆缺陷不是直线(非连续)型,进而所述待检测晶圆不存在机械手刮伤,能够简单快速排除待检测晶圆的晶圆缺陷不是机械手刮伤,以此及时寻找其他导致晶圆缺陷的原因,减小损失。
优选的,对所述初始图像进行图像处理包括:
将所述初始图像二值化,以得到二值图像,如图3所示,由此,初始图像呈现明显的黑白效果变成所述二值图像,二值化步骤使得图像变得简单,去除无关因素的影响且减少大量的数据量,凸显所述晶圆缺陷的轮廓;
去除所述二值图像中的重复性的晶圆缺陷,包括去除错误的所述聚类点,由此,保证正确的检测方向,减少后续步骤的处理时间,为了快速准确地判断待检测晶圆是否被机械手所刮伤;
对去除重复性晶圆缺陷的所述二值图像进行形态学膨胀及形态学去噪。由此,所述形态学膨胀能够连接所述二值图像中所述晶圆缺陷的断线区域,将由于机械手的不稳定性造成所述晶圆缺陷不完整的部分补充完整,方便计算机识别所述刮伤的各类数据,而形态学去噪的目的是去除非直线聚类点以及小面积连通区域的聚类点,排除噪声对目标晶圆缺陷的干扰,有利于计算机对机械手刮伤的特征数据采集。
优选的,对去除重复性晶圆缺陷的所述二值图像进行形态学去噪包括:
对所述二值图像进行形态学腐蚀;
对经过形态学腐蚀的所述二值图像进行形态学膨胀;
对经过形态学膨胀的所述二值图像进行开操作。
所述晶圆缺陷的元素b对所述初始图像f在位置(x,y)处的膨胀为:[f⊕b](x,y)=min{f(x-s,y-t)},其中(s,t)∈b;
优选的,当判断所述晶圆缺陷不存在直线时,则判定所述待检测晶圆表面不存在机械手刮伤;当判定所述待检测晶圆表面存在机械手刮伤时,提取所述刮伤的特征,请参考图4。由于机械手刮伤的特征为直线刮伤、长度短、不连续、同一个机械手产生的刮伤距离晶圆中心的距离相同等特征,所以若所述晶圆缺陷不存在直线时,则晶圆缺陷不是机械手刮伤造成的,能够简单快速排除待检测晶圆的晶圆缺陷不是机械手刮伤,以此及时寻找其他导致晶圆缺陷的原因,减小损失;所以若所述晶圆缺陷存在直线时,计算机就能够判定所述待检测晶圆的表面存在机械手刮伤,避免人为检测刮伤时的不准确性和效率低的问题。
在本申请实施例中,所述刮伤的特征包括所述刮伤的长度、所述刮伤端点与所述待检测晶圆中心连线形成的角度和/或所述刮伤到所述晶圆中心的距离。例如批号为P1H925,片号为25,片层处于PLH ASI的待检测晶圆,经过所述晶圆检测方法得到刮伤特征数据:所述刮伤的长度11000、所述刮伤到所述晶圆中心的距离12480、所述刮伤端点与所述待检测晶圆中心连线形成的角度-10(与X轴正半轴为基准线)、所述刮伤的坐标位置:X轴方向上自280600至288300、Y轴方向上自185900至186900。由此,准确快速地得到机械手刮伤的特征信息,根据对机械手刮伤的特征信息分析,维修机械手,避免更多生产过程的损失,保证产品的质量。
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识别晶圆表面是否被机械手刮伤,经过处理所得的晶圆缺陷,若所述晶圆缺陷存在直线,则判定所述待检测晶圆表面存在机械手刮伤。根据判定结果就能够自动识别出所述晶圆在经过生产步骤中不同的机台时,机械手对所述晶圆造成的刮伤,无需人工识别和测量,使得对晶圆刮伤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 (9)
1.一种晶圆检测方法,用于检测晶圆表面是否被机械手刮伤,其特征在于,所述晶圆检测方法包括:
扫描待检测晶圆形成所述待检测晶圆的初始图像;
读取所述初始图像中的晶圆缺陷的位置信息;
根据所述位置信息判断所述晶圆缺陷是否存在聚类点;
若所述晶圆缺陷存在聚类点,则对所述初始图像进行图像处理;
判断经过图像处理后的所述初始图像中的所述晶圆缺陷是否存在直线,若所述晶圆缺陷存在直线,则判定所述待检测晶圆表面存在机械手刮伤;
其中,对所述初始图像进行图像处理包括:
将所述初始图像二值化,以得到二值图像;
去除所述二值图像中的重复性的晶圆缺陷;
对去除重复性晶圆缺陷的所述二值图像进行形态学膨胀及形态学去噪。
2.如权利要求1所述的晶圆检测方法,其特征在于,扫描待检测晶圆形成所述待检测晶圆的初始图像后,识别所述初始图像中的晶圆缺陷并将所述晶圆缺陷的坐标输入数据库中,并自所述数据库中读取所述初始图像中的晶圆缺陷的位置信息。
3.如权利要求1所述的晶圆检测方法,其特征在于,根据所述位置信息判断所述晶圆缺陷是否存在聚类点包括:
对所述位置信息进行数据聚类分析;
对经过数据聚类分析的所述位置信息去除孤立点;
根据去除孤立点的所述位置信息判断所述晶圆缺陷是否存在聚类点。
4.如权利要求3所述的晶圆检测方法,其特征在于,当判断所述晶圆缺陷不存在聚类点时,则判定所述待检测晶圆表面不存在机械手刮伤。
5.如权利要求1所述的晶圆检测方法,其特征在于,对去除重复性晶圆缺陷的所述二值图像进行形态学膨胀包括将所述二值图像中所述晶圆缺陷的断线区域相连接。
6.如权利要求1所述的晶圆检测方法,其特征在于,对去除重复性晶圆缺陷的所述二值图像进行形态学去噪包括:
对所述二值图像进行形态学腐蚀;
对经过形态学腐蚀的所述二值图像进行形态学膨胀;
对经过形态学膨胀的所述二值图像进行开操作。
7.如权利要求1所述的晶圆检测方法,其特征在于,当判断所述晶圆缺陷不存在直线时,则判定所述待检测晶圆表面不存在机械手刮伤。
8.如权利要求1所述的晶圆检测方法,其特征在于,当判定所述待检测晶圆表面存在机械手刮伤时,提取所述刮伤的特征。
9.如权利要求8所述的晶圆检测方法,其特征在于,所述刮伤的特征包括所述刮伤的长度、所述刮伤端点与所述待检测晶圆中心连线形成的角度和/或所述刮伤到所述晶圆中心的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811246369.5A CN109449093B (zh) | 2018-10-24 | 2018-10-24 | 晶圆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811246369.5A CN109449093B (zh) | 2018-10-24 | 2018-10-24 | 晶圆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109449093A CN109449093A (zh) | 2019-03-08 |
CN109449093B true CN109449093B (zh) | 2020-12-04 |
Family
ID=65548446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811246369.5A Active CN109449093B (zh) | 2018-10-24 | 2018-10-24 | 晶圆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109449093B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977808B (zh) * | 2019-03-11 | 2020-10-27 | 北京工业大学 | 一种晶圆表面缺陷模式检测与分析方法 |
KR20200137219A (ko) * | 2019-05-29 | 2020-12-09 | 삼성에스디에스 주식회사 | 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치 |
CN112229853B (zh) * | 2019-06-26 | 2022-11-29 | 长鑫存储技术有限公司 | 液滴型缺陷的检测方法和检测系统 |
CN112466766B (zh) * | 2019-09-09 | 2022-03-01 | 长鑫存储技术有限公司 | 不良涂层类型缺陷的检测方法、装置、设备和存储介质 |
CN111815565B (zh) * | 2020-06-11 | 2024-06-18 | 上海华虹宏力半导体制造有限公司 | 晶圆背面的检测方法、设备和存储介质 |
CN113780488A (zh) * | 2021-11-15 | 2021-12-10 | 常州微亿智造科技有限公司 | 基于位置聚合程度的刮伤与擦伤缺陷检测方法 |
CN113822883B (zh) * | 2021-11-22 | 2022-03-11 | 中导光电设备股份有限公司 | 一种基于寻找晶圆直边的晶圆对位方法和系统 |
CN117471292B (zh) * | 2023-12-28 | 2024-03-19 | 深圳市森美协尔科技有限公司 | 晶圆裂痕识别方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013026826A1 (de) * | 2011-08-24 | 2013-02-28 | Hseb Dresden Gmbh | Inspektionsverfahren |
KR20150023428A (ko) * | 2012-05-21 | 2015-03-05 | 쿠이스 콸리타츠-인스펙티온시스티므 운트 서비스 아게 | 복수의 광학 이미지 획득 유닛으로 기판에 도포되는 구조체를 검출하는 방법 및 장치 |
CN106067427A (zh) * | 2016-05-25 | 2016-11-02 | 上海华力微电子有限公司 | 局部曝光异常缺陷自动检测方法 |
CN107179479A (zh) * | 2017-06-12 | 2017-09-19 | 西安工程大学 | 基于可见光图像的输电导线散股缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5409677B2 (ja) * | 2011-03-16 | 2014-02-05 | 東京エレクトロン株式会社 | 画像作成方法、基板検査方法、その画像作成方法又はその基板検査方法を実行させるためのプログラムを記録した記録媒体及び基板検査装置 |
-
2018
- 2018-10-24 CN CN201811246369.5A patent/CN109449093B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013026826A1 (de) * | 2011-08-24 | 2013-02-28 | Hseb Dresden Gmbh | Inspektionsverfahren |
KR20150023428A (ko) * | 2012-05-21 | 2015-03-05 | 쿠이스 콸리타츠-인스펙티온시스티므 운트 서비스 아게 | 복수의 광학 이미지 획득 유닛으로 기판에 도포되는 구조체를 검출하는 방법 및 장치 |
CN106067427A (zh) * | 2016-05-25 | 2016-11-02 | 上海华力微电子有限公司 | 局部曝光异常缺陷自动检测方法 |
CN107179479A (zh) * | 2017-06-12 | 2017-09-19 | 西安工程大学 | 基于可见光图像的输电导线散股缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109449093A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109449093B (zh) | 晶圆检测方法 | |
JP6598162B2 (ja) | 線形クラスタリングに基づくマルチタイプのbgaチップの視覚識別方法 | |
CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
US6167150A (en) | Method and apparatus for detecting extended defects in an object | |
JP2004077164A (ja) | 欠陥検査方法 | |
CN113454445A (zh) | 零件检查期间对于参考未对准进行补偿 | |
Fan et al. | Development of auto defect classification system on porosity powder metallurgy products | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN113486622B (zh) | 一种芯片的失效分析方法及装置、电子设备、存储介质 | |
Taha et al. | Automatic optical inspection for PCB manufacturing: a survey | |
CN115690670A (zh) | 一种晶圆瑕疵智能识别方法和系统 | |
CN103245667A (zh) | 自动检测机械性划痕的方法及系统 | |
Yeh et al. | A wavelet-based approach in detecting visual defects on semiconductor wafer dies | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
Zhang et al. | The development of an automatic post-sawing inspection system using computer vision techniques | |
CN113744252A (zh) | 用于标记和检测缺陷的方法、设备、存储介质和程序产品 | |
Cai et al. | PCB defect detection system based on image processing | |
CN111539955A (zh) | 一种缺陷检测方法 | |
CN116337869A (zh) | 一种基于机器视觉的双面线路板生产用检测系统 | |
JP2004251781A (ja) | 画像認識による不良検査方法 | |
WO2003065018A2 (en) | System and method for inspection using dark and bright field illumination | |
CN115471684A (zh) | 注塑工件模板匹配方法、电子设备及存储介质 | |
Sweeney et al. | Deep learning for semiconductor defect classification | |
CN110874837A (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
KR102600923B1 (ko) | 마스크 생산 라인에서 마스크 필터의 정형 및 비정형 이물질 자동 판별을 위한 교차상관관계 기반 영상 처리 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 | ||
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 |