CN110717881A - 晶圆缺陷识别方法、装置、存储介质和终端设备 - Google Patents

Abstract

本发明提出一种晶圆缺陷识别方法、装置和终端设备，其中，所述方法包括：接收待识别的测试晶圆图片；将所述测试晶圆图片输入晶圆缺陷识别模型，以识别所述测试晶圆图片的晶圆缺陷；其中，所述晶圆缺陷识别模型是根据训练数据对卷积神经网络训练生成或更新的；所述训练数据包括已标识晶圆缺陷的晶圆图片；以及在所述测试晶圆图片中添加识别到的晶圆缺陷标识。采用本发明，能够快速准确地识别晶圆缺陷。

Description

晶圆缺陷识别方法、装置、存储介质和终端设备

技术领域

本发明涉及计算机技术领域，尤其涉及一种晶圆缺陷识别方法、装置、存储介质和终端设备。

背景技术

在半导体器件生产制造过程中，生成的每一片晶圆都需要经过一系列的测试，从而判断该晶圆是否合格或者是否存在缺陷。通常，晶圆所存在的缺陷往往对应一种缺陷类别，如图1至图4所示，图中的每个晶圆均具有缺陷，图1-1至图1-8分别列举了其中的一种晶圆缺陷类别，图2至图4分别列举了其中一种晶圆缺陷类别的多种表现形式。每一种晶圆缺陷类别或每一晶圆缺陷类别的每一表现形式都可以反应出在设计或生产过程中是何种原因导致这种晶圆缺陷的出现。

在分析晶圆的测试结果的时候，测试工程师往往需要依据晶圆的晶圆缺陷类别对晶圆进行分类识别，以便找出导致晶圆缺陷出现的原因，从而纠正错误，提高下一批次的生产合格率。

常规的检测方式一般如下：

1、采用人工分类的方式。通过人的主观意识对晶圆进行分类识别其所属的晶圆缺陷类别。这种方式，费时费力，效率相当低下。

2、特征提取并分类识别的方式。首先对晶圆图片进行特征提取，然后将提取到特征输入到机器学习模型中进行判断，分类识别出晶圆图片的晶圆缺陷。这种方式，虽然能够进行自动分类，但是分类精度低。

发明内容

本发明实施例提供一种晶圆缺陷识别方法、装置、存储介质和终端设备，以解决或缓解现有技术中的以上一个或多个技术问题。

第一方面，本发明实施例提供了一种晶圆缺陷识别方法，包括：接收待识别的测试晶圆图片；将所述测试晶圆图片输入晶圆缺陷识别模型，以识别所述测试晶圆图片的晶圆缺陷；其中，所述晶圆缺陷识别模型是根据训练数据对卷积神经网络训练生成或更新的；所述训练数据包括已标识晶圆缺陷的晶圆图片；以及在所述测试晶圆图片中添加识别到的晶圆缺陷标识。

在一种可能的实现方式中，所述方法还包括：将包括晶圆缺陷标识的测试晶圆图片输入工程数据分析系统中；其中，所述工程数据分析系统用于存储包括晶圆缺陷标识的测试晶圆图片，以及用于根据所述测试晶圆图片生成统计信息和统计图表，以调整所述测试晶圆图片对应的晶圆的设计。

在一种可能的实现方式中，所述方法还包括：根据包括晶圆缺陷标识的测试晶圆图片和所述晶圆缺陷识别模型已识别的所有测试晶圆图片，计算识别晶圆缺陷的精确度；判断所述精确度是否低于精确度阈值；以及当所述精确度低于所述精确度阈值时，根据新增的训练数据，对所述晶圆缺陷识别模型进行训练更新；其中，所述新增的训练数据包括由所述晶圆缺陷识别模型识别后包括晶圆缺陷标识的测试晶圆图片。

在一种可能的实现方式中，在根据包括晶圆缺陷标识的测试晶圆图片和所述晶圆缺陷识别模型已识别的所有测试晶圆图片，计算识别晶圆缺陷的精确度的步骤中，包括：将包括晶圆缺陷标识的测试晶圆图片，转换成待比较灰度直方图；将所述待比较灰度直方图与所述晶圆缺陷对应的标准灰度直方图进行比较，以判断晶圆缺陷的识别是否正确；当晶圆缺陷的识别正确时，增加预测正确计数值；以及根据所述预测正确计数值和所述晶圆缺陷识别模型已识别的所有测试晶圆图片的总数，计算所述晶圆识别模型识别晶圆缺陷的精确度。

在一种可能的实现方式中，所述晶圆缺陷识别模型包括：卷积层，包括N个卷积核，所述卷积核用于对所述测试晶圆图片进行平移点乘以提取所述测试晶圆图片的特征，并输出所述测试晶圆图片的特征矩阵；池化层，包括M个池化函数，所述池化函数用于对接收到的特征矩阵中的子矩阵进行特征压缩，并输出压缩特征矩阵；以及全连接层，包括K个神经元，每个神经元包括权重值和比较阈值，所述神经元用于根据接收到的压缩特征矩阵，对特征进行分类映射。

在一种可能的实现方式中，所述卷积核包括三行三列的卷积矩阵。

在一种可能的实现方式中，所述子矩阵包括两行两列的矩阵。

在一种可能的实现方式中，在训练生成或更新所述晶圆缺陷识别模型的步骤中，包括：根据所述更新数据集，利用无穷范数的适应性矩估计算法调整所述全连接层中的神经元的权重值和比较阈值，获得调整后的晶圆缺陷识别模型；根据基于损失函数，计算调整后的晶圆缺陷识别模型与目标的晶圆缺陷识别模型的拟合程度；以及根据所述拟合程度，判断是否需要继续调整所述晶圆缺陷识别模型。

第二方面，本发明实施例还提供一种晶圆缺陷识别装置，包括：晶圆图片接收模块，用于接收待识别的测试晶圆图片；晶圆缺陷识别模块，用于将所述测试晶圆图片输入晶圆缺陷识别模型，以识别所述测试晶圆图片的晶圆缺陷；其中，所述晶圆缺陷识别模型是根据训练数据对卷积神经网络训练生成或更新的；所述训练数据包括已标识晶圆缺陷的晶圆图片；以及缺陷标识添加模块，用于在所述测试晶圆图片中添加识别到的晶圆缺陷标识。

在一种可能的实现方式中，还包括：晶圆图片输入模块，用于将包括晶圆缺陷标识的测试晶圆图片输入工程数据分析系统中；其中，所述工程数据分析系统用于存储包括晶圆缺陷标识的测试晶圆图片，以及用于根据所述测试晶圆图片生成统计信息和统计图表，以调整所述测试晶圆图片对应的晶圆的设计。

在一种可能的实现方式中，所述装置还包括：精确度计算模块，用于根据包括晶圆缺陷标识的测试晶圆图片和所述晶圆缺陷识别模型已识别的所有测试晶圆图片，计算识别晶圆缺陷的精确度；精确度阈值判断模块，用于判断所述精确度是否低于精确度阈值；以及训练更新模块，用于当所述精确度低于所述精确度阈值时，根据新增的训练数据，对所述晶圆缺陷识别模型进行训练更新；其中，所述新增的训练数据包括由所述晶圆缺陷识别模型识别后包括晶圆缺陷标识的测试晶圆图片。

所述装置的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，实现晶圆缺陷识别结构中包括处理器和存储器，所述存储器用于晶圆缺陷识别装置执行上述第一方面中晶圆缺陷识别程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述晶圆缺陷识别装置还可以包括通信接口，用于晶圆缺陷识别装置与其他设备或通信网络通信。

第三方面，本发明实施例还提供一种计算机可读存储介质，用于实现晶圆缺陷识别装置所用的计算机软件指令，其中包括用于执行上述第一方面的实现晶圆缺陷识别方法所涉及的程序。

上述技术方案中的任一个技术方案具有如下优点或有益效果：

本发明实施例根据已标识晶圆缺陷的训练数据，对卷积神经网络训练生成或更新，获得晶圆缺陷识别模型。在接收到待识别的测试晶圆图片时，将所述测试晶圆图片输入晶圆缺陷识别模型，能够快速准确地识别测试晶圆图片的晶圆缺陷。

上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。

图1-1至图1-8是本发明列举的晶圆缺陷类别的示意图；

图2至图4分别是本发明提供的一种晶圆缺陷类别的表现形式的示意图；

图5是本发明提供的晶圆缺陷识别方法的一个实施例的流程示意图；

图6是本发明提供的晶圆图片的一个实施例的示意图；

图7是本发明提供的晶圆缺陷识别方法的一个实施例的框架示意图；

图8是本发明提供的晶圆缺陷识别的系统与工程数据分析系统之间的连接关系的一个实施例的示意图；

图9是本发明提供的晶圆缺陷识别方法的另一个实施例的流程示意图；

图10是本发明提供的模型训练更新的触发过程的一个实施例的流程示意图；

图11-1是本发明提供的识别晶圆缺陷的精确度的计算过程的一个实施例的流程示意图；

图11-2是本发明提供的测试晶圆图片的一个实施例的示意图；

图11-3是图11-2提供的测试晶圆图片的灰度直方图的示意图；

图12-1是本发明提供的晶圆缺陷识别模型的网络结构的一个实施例的表格示意图；

图12-2是本发明提供的晶圆缺陷识别模型对测试晶圆图片进行特征提取的一个实施例的示意图；

图12-3是本发明提供的卷积层对测试晶圆图片进行卷积的一个实施例的示意图；

图12-4是本发明提供的池化层对特征矩阵进行池化的一个实施例的示意图；

图13是本发明提供的模型训练过程的一个实施例的流程示意图；

图14是本发明提供的模型训练过程中设置的函数或参数的一个实施例的表格示意图；

图15是本发明提供的晶圆缺陷识别模型在训练过程中的精确度变化的一个实施例的折线图；

图16是本发明提供的晶圆缺陷识别方法的一个应用示例的流程示意图；

图17是本发明提供的晶圆缺陷识别装置的一个实施例的结构示意图；

图18是本发明提供的晶圆缺陷识别装置的另一个实施例的结构示意图；

图19是本发明提供的终端设备的一个实施例的结构示意图。

附图标记：

101-晶圆；102-测试晶圆图片；

110-晶圆缺陷识别的系统；120-EDA系统；

130-晶圆缺陷识别模型；140-晶圆测试设备；

C100、C200-卷积层；C101、C201-卷积核或卷积矩阵；F100、F300-特征矩阵；

P100、P200-池化层；P101、P201-池化函数，F200、F400-压缩后的特征矩阵；

FC100、FC200、FC300-全连接层；

100-晶圆图片接收模块；200-晶圆缺陷识别模块；300-缺陷标识添加模块；

400-晶圆图片输入模块；500-精确度计算模块；600-精确度阈值判断模块；

700-训练更新模块；

21-存储器；22-处理器；23-通信接口。

具体实施方式

在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。

请参阅图5，本发明实施例提供了一种晶圆缺陷识别方法，可以应用于终端设备，例如，智能手机、计算机、平板电脑等。本实施例包括步骤S100至步骤S300，具体如下：

步骤S100，接收待识别的测试晶圆图片。例如，图6所示的测试晶圆图片102，其记载有晶圆101的结构。本实施例可以在晶圆缺陷的识别过程中逐个或批量输入未识别测试晶圆图片于晶圆缺陷识别模型中。在本实施例中，待识别的测试晶圆图片可以从晶圆测试设备中获得。晶圆测试设备可以设置摄像头，用于拍摄晶圆的结构。

步骤S200，将测试晶圆图片输入晶圆缺陷识别模型，以识别测试晶圆图片的晶圆缺陷。其中，晶圆缺陷识别模型可以根据训练数据对卷积神经网络训练生成或更新；训练数据可以包括已标识晶圆缺陷的晶圆图片。

示例性地，如图7所示，将训练数据输入到卷积神经网络中，对卷积神经网络(Convolutional Neural Network,CNN)进行训练，以构建晶圆缺陷识别模型。训练数据可以包括多个已标识晶圆缺陷的晶圆图片，例如，图7中的图片P1、图片P2、图片Pn等。

在本实施例中，晶圆缺陷识别模型的识别结果包括存在晶圆缺陷和不存在晶圆缺陷。对于不存在晶圆缺陷的测试晶圆图片可以标识上相应的标识，以表示其对应的晶圆不存在晶圆缺陷。对于存在晶圆缺陷的测试晶圆图片可以执行步骤S300。

步骤S300，在测试晶圆图片中添加识别到的晶圆缺陷标识。

在本实施例中，晶圆可以包括多种晶圆缺陷，每一种晶圆缺陷可以有多种表现形式。每一种晶圆缺陷可以对应一个晶圆缺陷标识，或者，每一种晶圆缺陷的每一种表现形式对应一个晶圆缺陷标识。例如，图2包含的九个晶圆的结构均存在同一种晶圆缺陷，但晶圆缺陷所在的位置均不同，则晶圆缺陷的表现形式的不同可以是晶圆缺陷所在的位置的不同。

本发明实施例，预先根据已标识晶圆缺陷的训练数据对卷积神经网络训练生成或更新，并对获得的晶圆缺陷识别模型进行保存。在接收到待识别的测试晶圆图片时，基于当前存储的晶圆缺陷识别模型对输入的测试晶圆图片进行识别，能够快速准确地识别测试晶圆图片的晶圆缺陷。

在一种可能的实现方式中，如图8所示，晶圆缺陷识别的系统110可以与工程数据分析(Engineer data analysis，EDA)系统120连接。如图9所示，本实施例提供的晶圆缺陷识别方法，还包括步骤S400：

步骤S400，将包括晶圆缺陷标识的测试晶圆图片输入工程数据分析系统中。其中，工程数据分析系统可以用于存储晶圆生产过程中或晶圆完成生产后进行测试的所有记录信息，例如，包括晶圆缺陷标识的测试晶圆图片。可以根据系统中存储的晶圆记录信息生成一些统计信息或统计图表以供系统或分析人员对晶圆的设计进行分析或调整，例如，根据测试晶圆图片生成统计信息和/或统计图表，以调整该测试晶圆图片对应的晶圆的设计。

在本实施例中，工程数据分析系统120还可以预先对晶圆图片进行晶圆缺陷的分类标识，并存储已标识晶圆缺陷的晶圆图片。进而，工程数据分析系统120可以将已标识晶圆缺陷的晶圆图片导入晶圆缺陷识别的系统110中，系统可以对卷积神经网络进行卷积，生成晶圆缺陷识别模型。

在一种可能的实现方式中，本实施例提供的晶圆缺陷识别方法还可以计算模型识别晶圆缺陷的精确度。当精确度下降时，触发晶圆缺陷识别模型的训练更新，以调整模型的结构或者参数，提高识别晶圆缺陷的精确度。如图10所示，本实施例提供的模型的触发训练更新的步骤，可以包括：

步骤S510，根据包括晶圆缺陷标识的测试晶圆图片和晶圆缺陷识别模型已识别的所有测试晶圆图片，计算识别晶圆缺陷的精确度。

在本实施例中，可以对包括晶圆缺陷标识的测试晶圆图片进行判断其晶圆缺陷的识别是否正确，并统计识别正确的测试晶圆图片的数量，最后将识别正确的测试晶圆图片的数量与所有已识别的所有测试晶圆图片的数量之间的比值，作为晶圆缺陷识别模型识别晶圆缺陷的精确度。

步骤S520，判断精确度是否低于精确度阈值。例如，可以设置精确度阈值为95％，当精确度低于95％，可以对晶圆缺陷识别模型进行训练更新。

步骤S530，当精确度低于精确度阈值时，根据新增的训练数据，对晶圆缺陷识别模型进行训练更新。其中，新增的训练数据包括由晶圆缺陷识别模型识别后包括晶圆缺陷标识的测试晶圆图片。

在本实施例中，在计算识别晶圆缺陷的精确度的过程中，可以根据包括晶圆缺陷标识的测试晶圆图片来判断其晶圆缺陷的识别是否正确。因而，为了进一步提高精确度，可以将包括晶圆缺陷标识的测试晶圆图片且判定其晶圆缺陷识别正确的图片加入到新增的训练数据中。

在一种可能的实现方式中，如图11-1所示，上述步骤S510的精确度计算过程可以包括：

步骤S511，将包括晶圆缺陷标识的测试晶圆图片，转换成待比较灰度直方图。

在本实施例中，灰度直方图可以将图片或数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图可以表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。在一个具体示例中，对于图11-2提供的晶圆图片，该图片对应的灰度直方图可以如图11-3所示，横轴表示0至255的灰度级，纵轴表示相应灰度值的像素的个数。

步骤S512，将待比较灰度直方图与晶圆缺陷对应的标准灰度直方图进行比较，以判断晶圆缺陷的识别是否正确。

在本实施例中，每一种晶圆缺陷对应一个标准灰度直方图。本实施例可以从具有同一晶圆缺陷的晶圆图片中选取一个图片，并将该图片转换成成灰度直方图，作为该晶圆缺陷对应的标准灰度直方图。若待比较灰度直方图与标准灰度直方图的直方条分布基本一致，则可以认为该测试晶圆图片的晶圆缺陷的识别正确；若待比较灰度直方图与标准直方图的直方条分布差异较大，则可以认为该测试晶圆图片的晶圆缺陷的识别错误。

步骤S513，当晶圆缺陷的识别正确时，增加预测正确计数值。

在本实施例中，预测正确计数值的初始值可以为零。每判定一个测试晶圆图片的晶圆缺陷的识别正确时，可以对预测正确计数值加一，直至所有的测试晶圆片的晶圆缺陷的识别完毕后，再执行步骤S514。

步骤S514，根据预测正确计数值和晶圆缺陷识别模型已识别的所有测试晶圆图片的总数，计算晶圆识别模型识别晶圆缺陷的精确度。

在另一种实施方式中，本实施例每识别完一个测试晶圆图片，对晶圆缺陷识别模型已识别的测试晶圆图片的数量加一；以及，当该测试晶圆图片晶圆缺陷的识别正确时，对预测正确计数值加一；然后执行步骤S514。这样，可以实时地计算精确度，方便判断精确度变化的趋势。

在本发明实施例中，晶圆缺陷识别模型包括卷积层、池化层和全连接层，可以如图12-2。其中，卷积层(C100，C200)，包括N个卷积核(C101，C201)，每个卷积核包括三行三列的卷积矩阵，卷积核用于对测试晶圆图片进行平移点乘以提取测试晶圆图片的特征，并输出测试晶圆图片的特征矩阵。例如，图12-1提供的模型的结构参数，对于模型的第一层，其为卷积层，包括16个三行三列的卷积核，表示为Conv3x3-16。进而，图中模型包括有192个三行三列的卷积核。如图12-3所示，对于测试晶圆图片102来说，可以采用三行三列的卷积矩阵C101对其进行卷积，获得特征矩阵F100。池化层(P100，P200)，包括M个池化函数，池化函数用于对接收到的特征矩阵中的子矩阵进行特征压缩，并输出压缩特征矩阵。以图12-1为例，对于模型的第三层，其为池化层，包括一个用于对两行两列的子矩阵进行池化的池化函数，表示为maxpool2x2。例如，第三层的池化函数用于对前二层的卷积层输出的特征矩阵进行压缩。例如，图12-4采用max函数作为池化函数，对特征矩阵中的圆圈内的子矩阵进行池化，max(1，1，5，6)＝6，输出特征6。类似地，以池化的步伐为2，可以将输入4x4的矩阵池化变成2x2的矩阵，完成了特征的压缩。全连接层(FC100，FC200，FC300)，包括K个神经元FC101，每个神经元包括权重值和比较阈值，神经元的作用是可以通过神经元的权重值和比较阈值，对接收到的压缩特征矩阵中的特征进行分类映射。以图12-1为例，包括三个全连接层，第一个和第二全连接层的神经元分别包括256个，表示为FC-256。第三个全连接层的神经元包括8个，表示为FC-8。其中，权重值和比较阈值为神经元的常用参数，在此不再一一描述其如何对特征的分类映射的影响。

在一种可能的实现方式中，本实施例还包括根据训练数据对卷积神经网络进行训练的步骤，如图13所示，包括步骤S601至步骤S603：

步骤S601，根据更新数据集，利用无穷范数的适应性矩估计算法调整全连接层中的神经元的权重值和比较阈值，获得调整后的晶圆缺陷识别模型。

步骤S602，根据损失函数，计算调整后的晶圆缺陷识别模型与目标的晶圆缺陷识别模型的拟合程度。

步骤S603，根据拟合程度，判断是否需要继续调整晶圆缺陷识别模型。

在本实施例中，如图14所示的表格，表示训练过程所设置的函数或参数。例如，训练过程采用的损失函数(loss)可以是Binary-crossentropy(对数损失函数)，优化函数(Optimizer)可以是Adamax(无穷范数的适应性矩估计)算法，Adamax算法基于无穷范数(infinity norm)的Adam(Adaptive Moment Estimation，适应性矩估计)算法的变形。在机器学习的训练过程，一次训练代表一次迭代(Epoch)，在一次迭代Epoch的过程中可以处理多个批次(batch)的图片，每一个批次batch内可以包括多个图片。以图13为例，设置迭代次数(Epochs)为200次，设置批尺寸(batch size)的数值为40。基于图14提供的函数或参数，训练的晶圆缺陷识别模型的晶圆缺陷识别的精确度的变化情况可以参见图15提供的精确度折线图。

请参阅图16，其是本发明提供的晶圆缺陷识别方法的应用示例的流程示意图。晶圆缺陷识别系统执行的方法包括测试步骤和训练步骤，其中，测试步骤包括对待识别的测试晶圆图片进行识别的过程，训练步骤包括对晶圆缺陷识别进行训练的过程。具体如下:

步骤S701：模型生成。EDA系统120提供包含晶圆缺陷标识的晶圆图片，晶圆缺陷识别系统根据这些晶圆图片对卷积神经网络进训练，生成晶圆缺陷识别模型130。

步骤S702：待测试图片输入。晶圆测试设备140输出未识别晶圆缺陷的晶圆图片给晶圆缺陷识别模型130(图中的CNN model)。

步骤S703：晶圆缺陷识别。晶圆缺陷识别模型130对接收到晶圆图片进行识别晶圆缺陷。

步骤S704：已识别图片输出。在晶圆图片中添加识别到的晶圆缺陷标识，并输出给EDA系统120。其中EDA系统120可以根据包括晶圆缺陷标签识的晶圆图片调整相应的晶圆的设计。

步骤S705：判断是否触发模型的训练更新。根据当前的晶圆缺陷识别的精确度，触发模型的训练。

步骤S706：模型训练更新。根据新增的训练数据，对模型进行训练更新，以调整模型的结构和参数，进而晶圆缺陷识别的提高精确度。

请参阅图17，本发明实施例还提供一种晶圆缺陷识别装置，包括：

晶圆图片接收模块100，用于接收待识别的测试晶圆图片；晶圆缺陷识别模块200，用于将所述测试晶圆图片输入晶圆缺陷识别模型130，以识别所述测试晶圆图片的晶圆缺陷；其中，所述晶圆缺陷识别模型130是根据训练数据对卷积神经网络训练生成或更新的；所述训练数据包括已标识晶圆缺陷的晶圆图片；以及缺陷标识添加模块300，用于在所述测试晶圆图片中添加识别到的晶圆缺陷标识。

在一种可能的实现方式中，如图18所示，本实施例提供的装置还包括：

晶圆图片输入模块400，用于将包括晶圆缺陷标识的测试晶圆图片输入工程数据分析系统中；其中，所述工程数据分析系统用于存储包括晶圆缺陷标识的测试晶圆图片，以及用于根据所述测试晶圆图片生成统计信息和统计图表，以调整所述测试晶圆图片对应的晶圆的设计。

在一种可能的实现方式中，如图18所示，本实施例提供的装置还包括：

精确度计算模块500，用于根据包括晶圆缺陷标识的测试晶圆图片和所述晶圆缺陷识别模型130已识别的所有测试晶圆图片，计算识别晶圆缺陷的精确度；精确度阈值判断模块600，用于判断所述精确度是否低于精确度阈值；以及训练更新模块700，用于当所述精确度低于所述精确度阈值时，根据新增的训练数据，对所述晶圆缺陷识别模型130进行训练更新；其中，所述新增的训练数据包括由所述晶圆缺陷识别模型130识别后包括晶圆缺陷标识的测试晶圆图片。

所述装置的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，实现晶圆缺陷识别结构中包括处理器和存储器，所述存储器用于晶圆缺陷识别装置执行上述第一方面中晶圆缺陷识别程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述晶圆缺陷识别装置还可以包括通信接口，用于晶圆缺陷识别装置与其他设备或通信网络通信。

本发明实施例还提供一种终端设备，如图19所示，该设备包括：存储器21和处理器22，存储器21内存储有可在处理器22上的计算机程序。处理器22执行计算机程序时实现上述实施例中的晶圆缺陷识别方法。存储器21和处理器22的数量可以为一个或多个。

该设备还包括：

通信接口23，用于处理器22与外部设备之间的通信。

存储器21可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

如果存储器21、处理器22和通信接口23独立实现，则存储器21、处理器22和通信接口23可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，Peripheral Component)总线或扩展工业标准体系结构(EISA，Extended Industry Standard Component)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图19中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器21、处理器22及通信接口23集成在一块芯片上，则存储器21、处理器22及通信接口23可以通过内部接口完成相互间的通信。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

本发明实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

在本发明实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于指令执行系统、输入法或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、射频(Radio Frequency，RF)等等，或者上述的任意合适的组合。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成的，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。存储介质可以是只读存储器，磁盘或光盘等。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (13)

1.一种晶圆缺陷识别方法，其特征在于，包括：

接收待识别的测试晶圆图片；

将所述测试晶圆图片输入晶圆缺陷识别模型，以识别所述测试晶圆图片的晶圆缺陷；其中，所述晶圆缺陷识别模型是根据训练数据对卷积神经网络训练生成或更新的；所述训练数据包括已标识晶圆缺陷的晶圆图片；以及

在所述测试晶圆图片中添加识别到的晶圆缺陷标识。

2.如权利要求1所述的晶圆缺陷识别方法，其特征在于，所述方法还包括：

将包括晶圆缺陷标识的测试晶圆图片输入工程数据分析系统中；其中，所述工程数据分析系统用于存储包括晶圆缺陷标识的测试晶圆图片，以及用于根据所述测试晶圆图片生成统计信息和统计图表，以调整所述测试晶圆图片对应的晶圆的设计。

3.如权利要求1所述的晶圆缺陷识别方法，其特征在于，所述方法还包括：

根据包括晶圆缺陷标识的测试晶圆图片和所述晶圆缺陷识别模型已识别的所有测试晶圆图片，计算识别晶圆缺陷的精确度；

判断所述精确度是否低于精确度阈值；以及

当所述精确度低于所述精确度阈值时，根据新增的训练数据，对所述晶圆缺陷识别模型进行训练更新；其中，所述新增的训练数据包括由所述晶圆缺陷识别模型识别后包括晶圆缺陷标识的测试晶圆图片。

4.如权利要求3所述的晶圆缺陷识别方法，其特征在于，在计算识别晶圆缺陷的精确度的步骤中，包括：

将包括晶圆缺陷标识的测试晶圆图片，转换成待比较灰度直方图；

将所述待比较灰度直方图与所述晶圆缺陷对应的标准灰度直方图进行比较，以判断晶圆缺陷的识别是否正确；

当晶圆缺陷的识别正确时，增加预测正确计数值；以及

根据所述预测正确计数值和所述晶圆缺陷识别模型已识别的所有测试晶圆图片的总数，计算所述晶圆识别模型识别晶圆缺陷的精确度。

5.如权利要求1所述的晶圆缺陷识别方法，其特征在于，所述晶圆缺陷识别模型包括：

卷积层，包括N个卷积核，所述卷积核用于对所述测试晶圆图片进行平移点乘以提取所述测试晶圆图片的特征，并输出所述测试晶圆图片的特征矩阵；

池化层，包括M个池化函数，所述池化函数用于对接收到的特征矩阵中的子矩阵进行特征压缩，并输出压缩特征矩阵；以及

全连接层，包括K个神经元，每个神经元包括权重值和比较阈值，所述神经元用于根据接收到的压缩特征矩阵，对特征进行分类映射。

6.如权利要求5所述的晶圆缺陷识别方法，其特征在于，所述卷积核包括三行三列的卷积矩阵。

7.如权利要求5所述的晶圆缺陷识别方法，其特征在于，所述子矩阵包括两行两列的矩阵。

8.如权利要求5所述的晶圆缺陷识别方法，其特征在于，在训练生成或更新所述晶圆缺陷识别模型的步骤中，包括：

根据更新数据集，利用无穷范数的适应性矩估计算法调整所述全连接层中的神经元的权重值和比较阈值，获得调整后的晶圆缺陷识别模型；

根据损失函数，计算调整后的晶圆缺陷识别模型与目标的晶圆缺陷识别模型的拟合程度；以及

根据所述拟合程度，判断是否需要继续调整所述晶圆缺陷识别模型。

9.一种晶圆缺陷识别装置，其特征在于，包括：

晶圆图片接收模块，用于接收待识别的测试晶圆图片；

晶圆缺陷识别模块，用于将所述测试晶圆图片输入晶圆缺陷识别模型，以识别所述测试晶圆图片的晶圆缺陷；其中，所述晶圆缺陷识别模型是根据训练数据对卷积神经网络训练生成或更新的；所述训练数据包括已标识晶圆缺陷的晶圆图片；以及

缺陷标识添加模块，用于在所述测试晶圆图片中添加识别到的晶圆缺陷标识。

10.如权利要求9所述的晶圆缺陷识别装置，其特征在于，还包括：

晶圆图片输入模块，用于将包括晶圆缺陷标识的测试晶圆图片输入工程数据分析系统中；其中，所述工程数据分析系统用于存储包括晶圆缺陷标识的测试晶圆图片，以及用于根据所述测试晶圆图片生成统计信息和统计图表，以调整所述测试晶圆图片对应的晶圆的设计。

11.如权利要求9所述的晶圆缺陷识别装置，其特征在于，所述装置还包括：

精确度计算模块，用于根据包括晶圆缺陷标识的测试晶圆图片和所述晶圆缺陷识别模型已识别的所有测试晶圆图片，计算识别晶圆缺陷的精确度；

精确度阈值判断模块，用于判断所述精确度是否低于精确度阈值；以及

训练更新模块，用于当所述精确度低于所述精确度阈值时，根据新增的训练数据，对所述晶圆缺陷识别模型进行训练更新；其中，所述新增的训练数据包括由所述晶圆缺陷识别模型识别后包括晶圆缺陷标识的测试晶圆图片。

12.一种实现晶圆缺陷识别终端设备，其特征在于，所述终端设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-8中任一所述的晶圆缺陷识别方法。

13.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的晶圆缺陷识别方法。

Images