CN110189300B - 孔型结构工艺质量的检测方法、检测装置、存储介质和处理器 - Google Patents
孔型结构工艺质量的检测方法、检测装置、存储介质和处理器 Download PDFInfo
- Publication number
- CN110189300B CN110189300B CN201910324513.0A CN201910324513A CN110189300B CN 110189300 B CN110189300 B CN 110189300B CN 201910324513 A CN201910324513 A CN 201910324513A CN 110189300 B CN110189300 B CN 110189300B
- Authority
- CN
- China
- Prior art keywords
- hole
- edge
- type structure
- edge position
- correlation coefficient
- 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 111
- 230000008569 process Effects 0.000 title claims abstract description 74
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000007547 defect Effects 0.000 claims abstract description 67
- 238000009826 distribution Methods 0.000 claims description 32
- 238000003384 imaging method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 239000000284 extract Substances 0.000 abstract description 8
- 238000004445 quantitative analysis Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 32
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 6
- 238000005530 etching Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012827 research and development Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010894 electron beam technology Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 229910000577 Silicon-germanium Inorganic materials 0.000 description 2
- LEVVHYCKPQWKOP-UHFFFAOYSA-N [Si].[Ge] Chemical compound [Si].[Ge] LEVVHYCKPQWKOP-UHFFFAOYSA-N 0.000 description 2
- 238000005137 deposition process Methods 0.000 description 2
- 238000002408 directed self-assembly Methods 0.000 description 2
- 238000010884 ion-beam technique Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 230000005693 optoelectronics Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000001259 photo etching Methods 0.000 description 2
- 238000001878 scanning electron micrograph Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供了孔型结构工艺质量的检测方法、检测装置、存储介质和处理器。该孔型结构工艺质量的检测方法包括：获取晶圆中的孔型结构的俯视图像；识别俯视图像中的孔型结构的边缘位置；根据边缘位置提取孔型结构的特征，上述特征至少包括缺陷的位置。该检测方法能够快速获取孔型结构的边缘位置，然后根据边缘位置来提取出至少包括缺陷位置的孔型结构的特征，即该检测方法能够定位缺陷的位置，而且并不会损伤晶圆，进而提升集成电路制造工艺的良品率。并且，该检测方法能够对缺陷进行定量分析，从而提高孔型结构工艺质量检测的准确性。
Description
技术领域
本申请涉及半导体技术领域，具体而言，涉及一种孔型结构工艺质量的检测方法、检测装置、存储介质和处理器。
背景技术
在微电子、光电子、MEMS等领域，对孔型结构的工艺质量检测非常重要，孔型结构的直径分布、边缘粗糙度、边缘缺陷等参数对于器件性质具有非常重要的作用。
与线条结构不同，孔型结构的工艺质量的检测，特别是缺陷检测可以通过切片技术精确定位。但是对于孔型结构的工艺质量检测则比较困难，特别是孔型结构尺寸在纳米尺度量级时。
孔型结构工艺质量检测的现有技术包括：使用聚焦离子束刻蚀技术，沿着孔型结构进行倾斜刻蚀，形成斜坡高度，再结合俯视电子束成像SEM图像，观察不同高度的孔型直径分布；或只采用俯视SEM图像，依靠工程师经验，判断工艺质量。倾斜的聚焦离子束刻蚀技术对晶圆带来不可逆的损坏，并且对于工艺接近、孔型结构不存在侧壁缺陷时，则无法定量对比工艺质量；而依靠工程师进行判断的方法，需要积累大量经验数据，并且难以定量化工艺质量，难以精确定位缺陷位置。
在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解，因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。
发明内容
本申请的主要目的在于提供一种孔型结构工艺质量的检测方法、检测装置、存储介质和处理器，以解决现有技术中的孔型结构工艺质量的检测方法在不损伤晶圆的基础上难以精确定位缺陷的位置的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种孔型结构工艺质量的检测方法，包括：获取晶圆中的孔型结构的俯视图像；识别所述俯视图像中的所述孔型结构的边缘位置；根据所述边缘位置提取所述孔型结构的特征，所述特征至少包括缺陷的位置。
进一步地，在获取晶圆中的孔型结构的俯视图像之后，且在识别所述俯视图像中所述孔型结构的边缘位置之前，所述检测方法还包括：对所述俯视图像进行分类，优选所述俯视图像是由电子显微镜获取的。
进一步地，对所述俯视图像分类包括：按照所述孔型结构的排列方式对所述孔型结构进行分类，得到多类孔型结构；对各类所述型孔型结构按照尺寸进行分类。
进一步地，识别所述俯视图像中的所述孔型结构的边缘位置包括：获取所述孔型结构的第一中心的坐标；根据所述第一中心的坐标获取极坐标下的预定线段上的各点的灰度值，所述预定线段为以所述极坐标下的所述第一中心为一个端点的线段；计算各灰度值与对应的标准灰度值之间的第一相关系数，得到最大第一相关系数，所述标准灰度值为理想孔型结构的边缘灰度值或所述标准灰度值为多个不同孔型结构的边缘灰度值的平均值；确定所述最大第一相关系数对应的所述点所在的位置为基准边缘位置；根据标准边缘灰度值分布以及所述基准边缘位置，获取所述孔型结构的边缘位置。
进一步地，所述特征包括第一特征和第二特征，提取所述孔型结构的特征包括：提取所述第一特征，所述第一特征包括直径、圆形度和粗糙度；提取所述第二特征，所述第二特征包括边缘成像特征和所述缺陷的位置。
进一步地，提取所述第一特征包括：根据所述边缘获取第二中心的坐标；根据所述第二中心的坐标以及所述边缘位置获取平均直径；根据所述第二中心的坐标以及所述边缘位置，计算圆形度分布；根据所述第二中心的坐标与所述边缘位置的坐标，计算边缘粗糙度分布，优选所述边缘粗糙度分布通过功率谱密度方法计算得到或者通过统计法获取得到。
进一步地，提取所述第二特征包括：获取所述边缘位置的灰度值与对应的所述标准灰度值的第二相关系数；确定所述第二相关系数小于或者等于相关系数阈值的所述边缘位置为边缘分析位置；根据所述边缘分析位置获取所述边缘成像特征的参数；根据所述最大第二相关系数小于所述相关系数阈值的位置确定所述缺陷的数量和长度，优选所述相关系数阈值在0.50～0.99之间。
根据本申请的另一方面，提供了一种孔型结构工艺质量的检测装置，包括：获取单元，用于获取晶圆中的孔型结构的俯视图像；识别单元，用于识别所述俯视图像中的所述孔型结构的边缘位置；提取单元，用于根据所述边缘位置提取所述孔型结构的特征。
根据本申请的另一方面，提供了一种存储介质，所述存储介质包括存储有程序，其中，所述程序执行所述的检测方法。
根据本申请的另一方面，提供了一种处理器，所述理器用于运行程序，其中，所述程序运行时执行所述的检测方法。
应用本申请的技术方案，该检测方法中，首先获取晶圆中的孔型结构的俯视图像，然后识别俯视图像中的孔型结构的边缘位置，最后根据边缘位置提取孔型结构的特征，上述特征至少包括缺陷的位置。该检测方法能够快速获取孔型结构的边缘位置，然后根据边缘位置来提取出至少包括缺陷位置的孔型结构的特征，即该检测方法能够定位缺陷的位置，而且并不会损伤晶圆，进而提升集成电路制造工艺的良品率。并且，该检测方法能够对缺陷进行定量分析，从而提高孔型结构工艺质量检测的准确性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请的孔型结构工艺质量的检测方法实施例的流程示意图；
图2示出了六种孔型结构的示意图；
图3(a)示出了一种实施例中识别的孔型结构的边缘的示意图；
图3(b)为孔型结构的理想边缘的像素值分布曲线；
图4示出了像素阈值为50％下确定的孔型结构的第一边缘曲线的示意图；
图5(a)和图5(b)分别示出了两种相关系数阈值下的第二边缘曲线和缺陷位置的示意图；以及
图6示出了根据本申请的孔型结构工艺质量的检测装置实施例的结构示意图。
其中，上述附图包括以下附图标记：
100、外围闭环曲线；200、内部闭环曲线；300、第一边缘曲线；400、第二边缘曲线；500、缺陷；10、获取单元；20、识别单元；30、提取单元。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
正如背景技术中所说，现有技术中的孔型结构工艺质量的检测方法在不损伤晶圆的基础上难以精确定位缺陷的位置的问题，为了解决该技术问题，在本申请的一种典型的实施方式中，提供了一种孔型结构工艺质量的检测方法。
图1是根据本申请实施例的孔型结构工艺质量的检测方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，获取晶圆中的孔型结构的俯视图像；
步骤S102，识别上述俯视图像中的上述孔型结构的边缘位置；
步骤S103，根据上述边缘位置提取上述孔型结构的特征，上述特征至少包括缺陷的位置。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
上述检测方法中，首先获取晶圆中的孔型结构的俯视图像，然后识别俯视图像中的孔型结构的边缘位置，最后根据边缘位置提取孔型结构的特征，上述特征至少包括缺陷的位置。该检测方法能够快速获取孔型结构的边缘位置，然后根据边缘位置来提取出至少包括缺陷位置的孔型结构的特征，即该检测方法能够定位缺陷的位置，而且并不会损伤晶圆，进而提升集成电路制造工艺的良品率。并且，该检测方法能够对缺陷进行定量分析，从而提高孔型结构工艺质量检测的准确性。
为了获得更加清晰的俯视图像，本申请的另一种实施例中，上述俯视图像是由电子显微镜获取的。需要说明的是，获取晶圆中的孔型结构的俯视图像的成像设备包括但不限于电子显微镜，本领域技术人员可以根据实际情况选择合适的成像设备。
为了提高识别俯视图像中的孔型结构的边缘位置的效率，本申请的一种实施例中，在获取晶圆中的孔型结构的俯视图像之后，且在识别上述俯视图像中的上述孔型结构的边缘位置之前，上述检测方法还包括：对上述俯视图像进行分类。
孔型结构的分类方式有多种，比如可以按照孔型结构的排列方式、尺寸以及形状等对孔型结构进行分类。对于孔型结构的排列方式来说，其包括密集排列图形、半密集排列图形以及孤立图形；对于孔型结构的形状来说，其包括圆孔型结构、椭圆型结构以及方形结构。
本实施例图2示出了六种孔型结构的示意图，按照从左到右，从上到下(以面向屏幕或者纸面为基础)的顺序，分别为第一种孔型结构、第二种孔型结构、第三种孔型结构、第四种孔型结构、第五种孔型结构以及第六种孔型结构。其中，第一种孔型结构中包括多个相同尺寸且周期排列方孔，第二种孔型结构相对于第一种孔型结构排列较为稀疏，第三种孔型结构只包括一个方孔，第四种孔型结构中包括多列的方孔，不同列的方孔的尺寸相同、数量不同且排列方式不同，第五种孔型结构中包括多列的方孔，不同列的方孔尺寸不同、数量不同且排列方式不同，第六种孔型结构中包括多列的方孔，不同列的方孔的尺寸不同、数量相同且排列方式相同。
为了进一步提高识别俯视图像中孔型结构的边缘位置的效率，进一步保证孔型结构工艺质量检测的准确性，在本申请的另一种实施例中，对上述俯视图像分类包括：按照上述孔型结构的排列方式对上述孔型结构进行分类，得到多类孔型结构；对各类上述孔型结构按照尺寸进行分类。
为了更准确地识别出孔型结构的边缘位置，从而进一步准确地定量化分析缺陷参数，在本申请的一种实施例中，采用互相关算法识别上述俯视图像中的上述孔型结构的边缘位置，具体地，该方法包括：获取上述孔型结构的第一中心的坐标；根据上述第一中心的坐标获取极坐标下的预定线段上的各点的灰度值，上述预定线段为以极坐标下的上述第一中心为一个端点的线段；计算各灰度值与对应的标准灰度值之间的第一相关系数，得到多个第一相关系数，比较多个第一相关系数，得到最大第一相关系数，上述标准灰度值指理想孔型结构的边缘灰度值或多个不同孔型结构的边缘灰度值的平均值；确定上述最大第一相关系数对应的点所在的位置为基准边缘位置；根据标准边缘灰度值分布以及上述基准边缘位置，获取上述孔型结构边缘位置。采用上述方法识别俯视图像中的孔型结构的边缘位置的优势在于不需要对原始图像进行去噪操作也可以获得边缘曲线，并且所识别的边缘曲线噪声非常小。
如图3(a)所示，该图中的外围闭环曲线100为基于最大第一相关系数确定的边缘曲线，该图中的内部闭环曲线200为基于最大第一相关系数确定的边缘曲线减去一个预定值ΔS得到的，如图3(b)所示，孔型结构的理想边缘的像素值分布曲线中，预定值ΔS为最大像素值对应的沿极轴方向坐标值与最大像素值的一半对应的沿极轴方向坐标值之间的差值。
为了更加准确地获取孔型结构边缘位置，本申请的一种实施例中，识别所述俯视图像中的所述孔型结构的边缘位置还包括：对俯视图像进行处理，采用去噪算法去除俯视图像中的噪声，从而能够根据处理后的俯视图像获取更准确的边缘位置。
本申请的另一种实施例中，识别所述俯视图像中的所述孔型结构的边缘位置还包括：设定算法参数值；通过对比孔型结构边缘位置与标准边缘位置进行反馈并修正算法参数值。该算法参数值可以为计算第一中心坐标的算法涉及的参数或者处理俯视图像的算法涉及的参数，通过对算法参数值进行修正，可以更加准确地获得边缘位置。
当然，本申请的获取孔型结构边缘位置的方法并不限于上段中的方法，还可以是其他任何可行的方法，本申请的一种实施例中，采用像素阈值算法获取孔型结构边缘位置，具体地，该方法包括：对俯视图像进行处理，标定像素点真实尺寸，选取需要计算的孔型结构图像区域，采用去噪算法去除俯视图像中的噪声，并设定算法参数值；确定上述孔型结构中心坐标；提取指定像素阈值下的孔型结构图像边缘位置；通过对比孔型结构图像边缘位置与标准边缘位置进行反馈并修正算法参数，特别是边缘像素阈值绝对值或相对值和去噪算法模型参数，得到优化后的孔型结构边缘位置。如图4所示，上述像素阈值算法在像素阈值为50％下确定的孔型结构的第一边缘曲线300。
本申请的另一种实施例中，采用像素梯度算法获取孔型结构的边缘位置，具体地，该方法包括：对俯视图像进行处理，标定像素点真实尺寸，选取需要计算的孔型结构图像区域，采用去噪算法去除俯视图像中的噪声，并设定算法参数值；确定上述孔型结构中心坐标；对孔型结构像素值沿径向进行梯度计算，获取梯度变化最大位置作为边缘位置；通过对比边缘位置与标准边缘位置进行反馈并修正算法参数，特别是梯度计算参数和去噪算法模型参数，得到优化后的孔型结构边缘位置。
为了全面且准确地检测上述孔型结构，从而定量化分析工艺参数和缺陷参数，在本申请的一种实施例中，上述特征包括第一特征和第二特征，提取上述孔型结构的特征包括：提取上述第一特征，上述第一特征包括直径、圆形度和粗糙度；提取上述第二特征，上述第二特征包括边缘成像特征和上述缺陷的位置。上述特征参数都可以反映孔型结构的工艺质量，提取到上述的这些特征就可以更加准确且定性地对孔型结构的工艺质量进行评价。
在本申请的一种实施例中，提取上述第一特征包括：根据孔型结构边缘位置获取第二中心的坐标，该第二中心坐标是根据确定的边缘位置而确定的，其相对于第一中心坐标来说更加准确；根据上述第二中心的坐标以及上述边缘位置获取平均直径；根据上述第二中心的坐标与上述边缘位置，计算圆形度分布；根据上述第二中心的坐标与上述边缘位置，计算边缘粗糙度分布。上述边缘粗糙度分布可以通过功率谱密度方法计算得到或者通过统计法获取得到。上述的圆形度可以通过边缘围成的凸边形面积乘以4π，再除以周长的平方，即圆形度＝4π×面积/(周长×周长)。其中，圆形度等于1时，表示理想的圆形结构；圆形度越小，表明形貌越偏离理想圆形。
需要说明的是，对于椭圆孔形结构，可以不计算圆形度，只获取椭圆的长直径、短直径以及粗糙度数值；也可以通过将椭圆数据的长轴和短轴进行归一化，获得准圆形结构的边缘坐标，进行圆形度计算。
在本申请的另一种实施例中，提取上述第二特征包括：获取上述孔型结构边缘位置的灰度值与对应的标准灰度值的第二相关系数；确定上述第二相关系数等于相关系数阈值的上述边缘位置为边缘分析位置；根据上述边缘分析位置获取上述边缘成像特征的参数，包括相关系数阈值所确定的边缘宽度以及宽度均匀性等；根据上述最大第二相关系数小于上述相关系数阈值的位置确定上述缺陷的数量和长度。该检测方法能够定位缺陷的数量和长度，能够进一步对缺陷进行定量分析，从而进一步提高孔型结构工艺质量检测的准确性。
本申请的上述相关系数阈值可以为-1～1之间的任何数值，一般地，相关系数阈值的取值接近1，可以更好地获取一致性特征，因此，本申请的一种实施例中，上述相关系数阈值在0.50～0.99之间，这样可以更好地获取一致性特征。
图5示出了两种相关系数阈值下的边缘曲线和缺陷位置，图中，红色的线为边缘曲线，白色的类似扇形的图形为缺陷，其中，图5(a)为相关系数阈值为0.85时确定的孔型结构图像的第二边缘曲线400和缺陷500的位置，图5(b)为相关系数阈值为0.9时确定的孔型结构图像的第二边缘曲线400和缺陷500的位置。
对分别对像素阈值算法和互相关算法得到的孔型结构边缘进行了第一特征参数提取，提取到的第一特征参数如下表1所示。
表1
| 边缘位置提取方法 | 孔型结构直径/nm | 圆形度 | 粗糙度/nm |
| 像素阈值算法 | 160.7 | 0.976 | 19.5 |
| 互相关算法 | 185.8 | 0.984 | 18.8 |
对互相关算法得到的孔型结构边缘进行了第二特征参数提取，提取得到的第二特征参数如下表2所示。
表2
由表1和表2可知，本申请的孔型结构工艺质量的检测方法可以定量表征孔型结构的直径、圆形度、粗糙度、边缘宽度、边缘宽度均匀性以及缺陷数量的特征参数，并且，相关系数阈值的取值接近1，可以更好地获取一致性特征。
本申请的上述孔型结构的形成工艺可以为光刻工艺、刻蚀工艺、侧墙沉积工艺、纳米压印工艺、极紫外工艺或定向自组装工艺。在孔型结构工艺的研究开发阶段，为了寻找最佳工艺条件而使用聚焦-能量矩阵(FEM)，在该阶段，可以分别获取不同工艺条件下形成的孔型结构的直径分布、圆形度分布、粗糙度分布、边缘特征分布与缺陷特征分布矩阵中的任意一种或多种。在一种优选的实施方式中，对于多个矩阵，可以分别对每个矩阵的权重进行赋值，例如，孔型结构的直径较为重要时，赋值权重较大。
上述检测方法不仅适用于以上实施例中的硅基集成电路制造中的缺陷测量与定位，也适用于光电子器件、硅锗集成电路、三五族集成结构或微机电系统结构中的任意工艺过程中所形成的线条结构的缺陷测量与定位。
本发明实施例公开的精确定位图形成像工艺缺陷的方法，不限于集成电路器件研发和量产过程中的对一维线条结构图形的缺陷定位，其他任何一维或二维结构的光学成像或电子束成像图像均可以采用本发明提供的方法及其延伸方法进行分析和处理。
本申请的一种实施例还提供了一种孔型结构工艺质量的检测装置，需要说明的是，本申请实施例的孔型结构工艺质量的检测装置可以用于执行本申请实施例所提供的孔型结构工艺质量的检测方法。以下对本申请实施例提供的孔型结构工艺质量的检测装置进行介绍。
图6是根据本申请实施例的孔型结构工艺质量的检测装置的示意图。如图6所示，该装置包括：
获取单元10，用于获取晶圆中的孔型结构的俯视图像；
识别单元20，用于识别上述俯视图像中的上述孔型结构的边缘位置；
提取单元30，用于根据上述边缘位置提取上述孔型结构的特征。
上述检测装置中，首先通过获取单元10获取晶圆中的孔型结构的俯视图像，然后通过识别单元20识别俯视图像中的孔型结构的边缘位置，最后提取单元30根据边缘位置提取孔型结构的特征，上述特征至少包括缺陷的位置。该检测装置能够快速获取孔型结构的边缘位置，然后根据边缘位置来提取出至少包括缺陷位置的孔型结构的特征，即该检测装置能够定位缺陷的位置，而且并不会损伤晶圆，进而提升集成电路制造工艺的良品率。并且，该检测装置能够对缺陷进行定量分析，从而提高孔型结构工艺质量检测的准确性。
为了获得更加清晰的俯视图像，本申请的另一种实施例中，上述俯视图像是由电子显微镜获取的。需要说明的是，获取晶圆中的孔型结构的俯视图像的成像设备包括但不限于电子显微镜，本领域技术人员可以根据实际情况选择合适的成像设备。
为了提高识别俯视图像中的孔型结构的边缘位置的效率，在本申请的一种实施例中，上述检测装置还包括分类单元，上述分类单元用于对上述俯视图像进行分类。
孔型结构的分类方式有多种，比如可以按照孔型结构的排列方式、尺寸以及形状等对孔型结构进行分类。对于孔型结构的排列方式来说，其包括密集排列图形、半密集排列图形以及孤立图形；对于孔型结构的形状来说，其包括圆孔型结构、椭圆型结构以及方形结构。
为了进一步提高识别俯视图像中的孔型结构的边缘位置的效率，进一步保证孔型结构工艺质量检测的准确性，在本申请的另一种实施例中，分类单元包括第一分类模块和第二分类模块，其中，上述第一分类模块用于按照上述孔型结构的排列方式对上述孔型结构进行分类得到多类孔型结构；上述第二分类模块用于对各类上述型孔型结构按照尺寸进行分类。
为了进一步准确识别上述孔型结构边缘位置，从而进一步准确地定量化分析缺陷参数，在本申请的一种实施例中，识别单元20包括第一获取模块、第二获取模块、第一计算模块、第一识别模块和第二识别模块，其中，上述第一获取模块用于获取上述孔型结构的第一中心的坐标；上述第二获取模块用于根据上述第一中心的坐标获取极坐标下的预定线段上的各点的灰度值，上述预定线段为以极坐标下的上述第一中心为一个端点的线段；上述第一计算模块用于计算各灰度值与对应的标准灰度值之间的第一相关系数，得到多个第一相关系数，比较多个第一相关系数，得到最大第一相关系数，上述标准灰度值指理想孔型结构的边缘灰度值或多个不同孔型结构的边缘灰度值的平均值；上述第一识别模块用于确定上述最大第一相关系数对应的点所在的位置为基准边缘位置；上述第二识别模块用于根据标准边缘灰度值分布以及上述基准边缘位置，获取上述孔型结构边缘位置。采用上述装置识别俯视图像中的孔型结构的边缘位置的优势在于不需要对原始图像进行去噪操作也可以获得边缘曲线，并且所识别的边缘曲线噪声非常小。
当然，本申请的识别单元20并不限于上段中的模块配置，还可以是其他任何可行的模块配置，本申请的一种实施例中，识别单元20包括第一图像处理模块、第三获取模块、第三识别模块和第一反馈模块，其中，上述第一图像处理模块用于对俯视图像进行处理，标定像素点真实尺寸，选取需要计算的孔型结构图像区域，采用去噪算法去除俯视图像中的噪声，并设定算法参数值；上述第三获取模块用于确定上述孔型结构中心坐标；上述第三识别模块用于对孔型结构像素沿径向进行梯度计算，获取梯度变化最大位置作为边缘位置；上述第一反馈模块用于通过对比边缘位置与标准边缘位置进行反馈并修正算法参数，特别是梯度计算参数和去噪算法模型参数，得到优化后的孔型结构边缘位置。
本申请的识别单元20还可以其他任何可行的模块配置组成，以获取孔型结构的边缘位置，具体地，识别单元20包括第二图像处理模块、第四获取模块、第四识别模块以及第二反馈模块，其中，上述第二图像处理模块用于对俯视图像进行处理，标定像素点真实尺寸，选取需要计算的孔型结构图像区域，采用去噪算法去除俯视图像中的噪声，并设定算法参数值；上述第四获取模块用于确定上述孔型结构中心坐标；上述第四识别模块用于分别提取不同像素阈值下的孔型结构图像边缘位置；上述第二反馈模块用于通过对比孔型结构图像边缘位置与标准边缘位置进行反馈并修正算法参数，特别是边缘像素阈值绝对值或相对值和去噪算法模型参数，得到优化后的孔型结构边缘位置。
为了全面且准确地检测上述孔型结构，从而定量化分析工艺参数和缺陷参数，在本申请的一种实施例中，上述特征包括第一特征和第二特征，提取单元30包括第一提取模块和第二提取模块，其中，上述第一提取模块用于提取上述第一特征，上述第一特征包括直径、圆形度和粗糙度；上述第二提取模块用于提取上述第二特征，上述第二特征包括边缘成像特征和上述缺陷的位置。上述特征参数都可以反映孔型结构的工艺质量，提取到上述的这些特征就可以更加准确且定性地对孔型结构的工艺质量进行评价。
在本申请的一种实施例中，第一提取模块包括第一计算子模块、第二计算子模块和第三计算子模块，其中，上述第一计算子模块用于根据上述孔型结构边缘位置获取第二中心的坐标；根据上述第二中心的坐标以及上述边缘位置获取平均直径；上述第二计算子模块用于根据上述第二中心的坐标与上述边缘位置，计算圆形度分布；上述第三计算子模块用于根据上述中心坐标与上述边缘位置，计算边缘粗糙度分布。上述边缘粗糙度分布可以通过功率谱密度方法计算得到或者通过统计法获取得到。上述的圆形度可以通过边缘围成的凸边形面积乘以4π，再除以周长的平方，即圆形度＝4π×面积/(周长×周长)。其中，圆形度等于1时，表示理想的圆形结构；圆形度越小，表明形貌越偏离理想圆形。
需要说明的是，对于椭圆孔形结构，可以不计算圆形度，只获取椭圆的长直径和短直径，以及粗糙度数值；也可以通过将椭圆数据的长轴和短轴进行归一化，获得准圆形结构的边缘坐标，进行圆形度计算。
在本申请的另一种实施例中，第二提取模块包括第四计算子模块、识别子模块、第五计算子模块和第六计算子模块，其中，上述第四计算子模块用于获取上述孔型结构边缘的至少一个位置的灰度值与对应的标准灰度值的第二相关系数；上述识别子模块用于确定上述第二相关系数等于上述相关系数阈值的上述边缘位置为边缘分析位置；上述第五计算子模块用于根据上述边缘分析位置获取上述边缘成像特征的参数，包括相关系数阈值所确定的边缘宽度以及宽度均匀性等；上述第六计算子模块用于根据上述最大第二相关系数小于上述相关系数阈值的位置确定上述缺陷的数量和长度。该检测装置能够能够定位缺陷的数量和长度，能够进一步对缺陷进行定量分析，从而进一步提高孔型结构工艺质量检测的准确性。
本申请的上述相关系数阈值可以为-1～1之间的任何数值，一般地，相关系数阈值的取值接近1，可以更好地获取一致性特征，因此，本申请的一种实施例中，上述相关系数阈值在0.50～0.99之间，这样可以更好地获取一致性特征。
本申请的上述孔型结构的形成工艺可以为光刻工艺、刻蚀工艺、侧墙沉积工艺、纳米压印工艺、极紫外工艺或定向自组装工艺。在孔型结构工艺的研究开发阶段，为了寻找最佳工艺条件而使用聚焦-能量矩阵(FEM)，在该阶段，可以分别获取不同工艺条件下形成的孔型结构的直径分布，圆形度分布，粗糙度分布，边缘特征分布，缺陷特征分布矩阵中的任意一种或多种。在一种优选的实施方式中，对于多个矩阵，可以分别对每个矩阵的权重进行赋值，例如，孔型结构的直径较为重要时，赋值权重较大。
上述检测装置不仅适用于以上实施例中的硅基集成电路制造中的缺陷测量与定位，也适用于光电子器件、硅锗集成电路、三五族集成结构或微机电系统结构中的任意工艺过程中所形成的线条结构的缺陷测量与定位。
本发明实施例公开的精确定位图形成像工艺缺陷的装置，不限于集成电路器件研发和量产过程中的对一维线条结构图形的缺陷定位，其他任何一维或二维结构的光学成像或电子束成像图像均可以采用本发明提供的装置及其延伸装置进行分析和处理。
上述软件环境的检测装置包括处理器和存储器，上述获取单元10、上述识别单元20和上述提取单元30均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来使得检测结果更加全面和合理。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本申请的一种实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述孔型结构工艺质量的检测方法。
本申请的另一种实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述孔型结构工艺质量的检测方法。
本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
首先获取晶圆中的孔型结构的俯视图像，然后识别俯视图像中的孔型结构的边缘位置，最后根据边缘位置提取孔型结构的特征，上述特征至少包括缺陷的位置。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
首先获取晶圆中的孔型结构的俯视图像，然后识别俯视图像中的孔型结构的边缘位置，最后根据边缘位置提取孔型结构的特征，上述特征至少包括缺陷的位置。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
1)、上述检测方法中，首先获取晶圆中的孔型结构的俯视图像，然后识别俯视图像中的孔型结构的边缘位置，最后根据边缘位置提取孔型结构的特征，上述特征至少包括缺陷的位置。该检测方法能够快速获取孔型结构的边缘位置，然后根据边缘位置来提取出至少包括缺陷位置的孔型结构的特征，即该检测方法能够定位缺陷的位置，而且并不会损伤晶圆，进而提升集成电路制造工艺的良品率。并且，该检测方法能够对缺陷进行定量分析，从而提高孔型结构工艺质量检测的准确性；
2)、上述检测装置中，首先通过获取单元10获取晶圆中的孔型结构的俯视图像，然后通过识别单元20识别俯视图像中的孔型结构的边缘位置，最后提取单元30根据边缘位置提取孔型结构的特征，上述特征至少包括缺陷的位置。该检测装置能够快速获取孔型结构的边缘位置，然后根据边缘位置来提取出至少包括缺陷位置的孔型结构的特征，即该检测装置能够定位缺陷的位置，而且并不会损伤晶圆，进而提升集成电路制造工艺的良品率。并且，该检测装置能够对缺陷进行定量分析，从而提高孔型结构工艺质量检测的准确性。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种孔型结构工艺质量的检测方法，其特征在于，包括：
获取晶圆中的孔型结构的俯视图像；
识别所述俯视图像中的所述孔型结构的边缘位置；
根据所述边缘位置提取所述孔型结构的特征，所述特征至少包括缺陷的位置，识别所述俯视图像中的所述孔型结构的边缘位置包括：
获取所述孔型结构的第一中心的坐标；
根据所述第一中心的坐标获取极坐标下的预定线段上的各点的灰度值，所述预定线段为以所述极坐标下的所述第一中心为一个端点的线段；
计算各灰度值与对应的标准灰度值之间的第一相关系数，得到最大第一相关系数，所述标准灰度值为理想孔型结构的边缘灰度值或所述标准灰度值为多个不同孔型结构的边缘灰度值的平均值；
确定所述最大第一相关系数对应的所述点所在的位置为基准边缘位置；
根据标准边缘灰度值分布以及所述基准边缘位置，获取所述孔型结构的边缘位置。
2.根据权利要求1所述的检测方法，其特征在于，在获取晶圆中的孔型结构的俯视图像之后，且在识别所述俯视图像中所述孔型结构的边缘位置之前，所述检测方法还包括：
对所述俯视图像进行分类，优选所述俯视图像是由电子显微镜获取的。
3.根据权利要求2所述的检测方法，其特征在于，对所述俯视图像分类包括：
按照所述孔型结构的排列方式对所述孔型结构进行分类，得到多类孔型结构；
对各类所述孔型结构按照尺寸进行分类。
4.根据权利要求1所述的检测方法，其特征在于，所述特征包括第一特征和第二特征，提取所述孔型结构的特征包括：
提取所述第一特征，所述第一特征包括直径、圆形度和粗糙度；
提取所述第二特征，所述第二特征包括边缘成像特征和所述缺陷的位置。
5.根据权利要求4所述的检测方法，其特征在于，提取所述第一特征包括：
根据所述边缘位置获取第二中心的坐标；
根据所述第二中心的坐标以及所述边缘位置获取平均直径；
根据所述第二中心的坐标以及所述边缘位置，计算圆形度分布；
根据所述第二中心的坐标与所述边缘位置，计算边缘粗糙度分布，优选所述边缘粗糙度分布通过功率谱密度方法计算得到或者通过统计法获取得到。
6.根据权利要求4所述的检测方法，其特征在于，提取所述第二特征包括：
获取所述边缘位置的灰度值与对应的所述标准灰度值的第二相关系数；
确定所述第二相关系数小于或者等于相关系数阈值的所述边缘位置为边缘分析位置；
根据所述边缘分析位置获取所述边缘成像特征的参数；
根据所述最大第二相关系数小于所述相关系数阈值的位置确定所述缺陷的数量和长度。
7.根据权利要求6所述的检测方法，其特征在于，所述相关系数阈值大于等于0.50且小于等于0.99。
8.一种孔型结构工艺质量的检测装置，其特征在于，包括：
获取单元，用于获取晶圆中的孔型结构的俯视图像；
识别单元，用于识别所述俯视图像中的所述孔型结构的边缘位置；
提取单元，用于根据所述边缘位置提取所述孔型结构的特征，
识别单元包括第一获取模块、第二获取模块、第一计算模块、第一识别模块和第二识别模块，其中，所述第一获取模块用于获取所述孔型结构的第一中心的坐标；所述第二获取模块用于根据所述第一中心的坐标获取极坐标下的预定线段上的各点的灰度值，所述预定线段为以极坐标下的所述第一中心为一个端点的线段；所述第一计算模块用于计算各灰度值与对应的标准灰度值之间的第一相关系数，得到多个第一相关系数，比较多个第一相关系数，得到最大第一相关系数，所述标准灰度值指理想孔型结构的边缘灰度值或多个不同孔型结构的边缘灰度值的平均值；所述第一识别模块用于确定所述最大第一相关系数对应的点所在的位置为基准边缘位置；所述第二识别模块用于根据标准边缘灰度值分布以及所述基准边缘位置，获取所述孔型结构边缘位置。
9.一种存储介质，其特征在于，所述存储介质存储有程序，其中，所述程序执行权利要求1至7任意一项所述的检测方法。
10.一种处理器，其特征在于，所述理器用于运行程序，其中，所述程序运行时执行权利要求1至7任意一项所述的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910324513.0A CN110189300B (zh) | 2019-04-22 | 2019-04-22 | 孔型结构工艺质量的检测方法、检测装置、存储介质和处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910324513.0A CN110189300B (zh) | 2019-04-22 | 2019-04-22 | 孔型结构工艺质量的检测方法、检测装置、存储介质和处理器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110189300A CN110189300A (zh) | 2019-08-30 |
| CN110189300B true CN110189300B (zh) | 2021-03-09 |
Family
ID=67714860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910324513.0A Active CN110189300B (zh) | 2019-04-22 | 2019-04-22 | 孔型结构工艺质量的检测方法、检测装置、存储介质和处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110189300B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751622B (zh) * | 2019-09-05 | 2022-07-15 | 长江存储科技有限责任公司 | 半导体结构的检测方法及其检测装置 |
| US11056404B1 (en) * | 2019-12-18 | 2021-07-06 | Applied Materials Israel Ltd. | Evaluating a hole formed in an intermediate product |
| CN111750781B (zh) * | 2020-08-04 | 2022-02-08 | 润江智能科技(苏州)有限公司 | 一种基于ccd的自动测试系统及其方法 |
| CN114170132B (zh) * | 2021-10-20 | 2023-05-05 | 中国航发四川燃气涡轮研究院 | 一种基于机器视觉的流量管静压孔质量检测方法及系统 |
| CN115493536A (zh) * | 2022-11-16 | 2022-12-20 | 广州粤芯半导体技术有限公司 | 圆整度的测量方法、装置、设备终端和可读存储介质 |
| CN117252878B (zh) * | 2023-11-17 | 2024-02-02 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像缺陷检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101090083A (zh) * | 2006-06-12 | 2007-12-19 | 中芯国际集成电路制造(上海)有限公司 | 晶片检测方法 |
| CN104778710A (zh) * | 2015-04-24 | 2015-07-15 | 大连理工大学 | 一种基于量子理论的形态学图像边缘检测方法 |
| CN108664840A (zh) * | 2017-03-27 | 2018-10-16 | 北京三星通信技术研究有限公司 | 图像识别方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4776308B2 (ja) * | 2005-09-05 | 2011-09-21 | 株式会社東京精密 | 画像欠陥検査装置、画像欠陥検査システム、欠陥分類装置及び画像欠陥検査方法 |
| CN102832152B (zh) * | 2012-08-21 | 2015-10-28 | 无锡华润上华科技有限公司 | 一种在线检测接触孔的方法 |
| CN105678768B (zh) * | 2016-01-08 | 2018-11-02 | 杭州电子科技大学 | 一种基于机器视觉的胎面检测方法 |
| CN106971955B (zh) * | 2017-05-18 | 2019-12-24 | 上海华力微电子有限公司 | 晶圆缺陷的检测方法 |
| CN108335990B (zh) * | 2018-01-31 | 2021-07-27 | 中国科学院微电子研究所 | 一种定位工艺缺陷的方法及装置 |
-
2019
- 2019-04-22 CN CN201910324513.0A patent/CN110189300B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101090083A (zh) * | 2006-06-12 | 2007-12-19 | 中芯国际集成电路制造(上海)有限公司 | 晶片检测方法 |
| CN104778710A (zh) * | 2015-04-24 | 2015-07-15 | 大连理工大学 | 一种基于量子理论的形态学图像边缘检测方法 |
| CN108664840A (zh) * | 2017-03-27 | 2018-10-16 | 北京三星通信技术研究有限公司 | 图像识别方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Automatic Semiconductor Wafer Image Segmentation for Defect Detection Using Multilevel Thresholding;N.H. Saad et al;《MATEC Web of Conferences》;20161007;1-7 * |
| Wafer Defect Detection Using Directional Morphological Gradient Techniques;Gongyuan Qu et al;《EURASIP Journal on Applied Signal Processing》;20020131;686-703 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110189300A (zh) | 2019-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110189300B (zh) | 孔型结构工艺质量的检测方法、检测装置、存储介质和处理器 | |
| US11468553B2 (en) | System and method for determining type and size of defects on blank reticles | |
| TWI614721B (zh) | 在半導體製造中用於檢測之雜訊中所內嵌之缺陷之偵測 | |
| JP6285640B2 (ja) | 自動及び手動欠陥分類の統合 | |
| JP6420529B2 (ja) | パッチ・ツー・パッチ比較を含む欠陥検出のための装置及び方法 | |
| KR102432428B1 (ko) | 웨이퍼 이미지 데이터와 함께 설계 데이터를 사용하는 반도체 웨이퍼 검사기들의 결함 감도 개선 | |
| JP2018128468A (ja) | 自動欠陥分類のための未知欠陥除去の最適化 | |
| US8538130B2 (en) | CD metrology system and method of classifying similar structural elements | |
| JP2013236087A (ja) | トポグラフィック属性を利用した欠陥分類 | |
| TWI648766B (zh) | 用於晶粒對資料庫光罩檢查之自動校準樣本選擇 | |
| KR20220012217A (ko) | 반도체 시편에서의 결함들의 기계 학습 기반 분류 | |
| JP2011529274A5 (zh) | ||
| US11100272B2 (en) | Wafer-to-design image analysis (WDIA) system | |
| KR20190126430A (ko) | 이미지 기반 위조 검출 | |
| SG190143A1 (en) | Rapid processing and detection of non-uniformities in web-based materials | |
| CN115690670A (zh) | 一种晶圆瑕疵智能识别方法和系统 | |
| KR20220100673A (ko) | 컨볼루션 컨텍스트 속성을 사용한 반도체 결함 발견 | |
| CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
| CA2604101C (en) | Method of analyzing cell structures and their components | |
| KR102498322B1 (ko) | 딥러닝 기반의 반도체 디바이스 상태 분류를 위한 장치 및 방법 | |
| TWI798314B (zh) | 資料處理裝置、資料處理方法及資料處理程式 | |
| Ghosh et al. | Automated detection of pin defects on counterfeit microelectronics | |
| KR20230161868A (ko) | 반도체 시편의 결함 검출 | |
| US20230206417A1 (en) | Detection of defects using a computationally efficient segmentation approach | |
| US12057336B2 (en) | Estimating heights of defects in a wafer by scaling a 3D model using an artificial neural network |
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 |