CN111462113A - 无图形晶圆的复检方法 - Google Patents
无图形晶圆的复检方法 Download PDFInfo
- Publication number
- CN111462113A CN111462113A CN202010333221.6A CN202010333221A CN111462113A CN 111462113 A CN111462113 A CN 111462113A CN 202010333221 A CN202010333221 A CN 202010333221A CN 111462113 A CN111462113 A CN 111462113A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- gray
- pixels
- determining
- 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
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
Abstract
本发明实施例公开了一种无图形晶圆的复检方法。该方法包括:确定待复检缺陷图像;确定已采集图像的参考图像,并依据参考图像的灰度信息,确定已采集图像的第一灰度筛选区间;依据已采集图像的边缘图像中包含的灰度梯度信息,确定边缘图像的第一梯度筛选区间;依据第一灰度筛选区间和第一梯度筛选区间筛选出待复检缺陷图像中可疑缺陷像素,依据可疑缺陷像素确定待复检缺陷图像的目标缺陷筛选条件;依据目标缺陷筛选条件确定待复检缺陷图像中的目标缺陷像素。采用本申请方案,能减少只依靠一次筛选缺陷像素带来的误判,同时降低了过多采集图像造成晶圆损坏的风险,提高对缺陷像素的复检可靠性,以及提高电子束缺陷复检设备的准确率和速度/吞吐量。
Description
技术领域
本发明实施例涉及半导体技术领域,尤其涉及一种无图形晶圆的复检方法。
背景技术
在半导体大规模集成电路前端制造过程中,有可能使晶圆表面产生一些缺陷,为了保证晶圆质量,通常需要对有图形晶圆和无图形晶圆的缺陷进行复检。
目前,针对无图形晶圆的缺陷复检,一种方式是,通过对无图形晶圆的缺陷位置对应的有限图像尝试用大量不同阈值复检,但由于是参考其他有限图像来设定阈值,设定的阈值与周围环境存在很大的影响,如果使用该阈值时的环境与确定该阈值时的环境不一致,就会使该阈值失去有效性,导致缺陷复检结果不准确,特别难以探测弱缺陷和亚像素尺寸的缺陷;另一种方式是,将当前复检问题转化到其他参数空间,来进行缺陷复检,会增加算法复杂程度从而降低实施的可靠性,运算耗时增加。此外,如果进行一定规模的实验探测,用电子束获取图像的缺点是每次图像采集都会影响晶圆表面物理状况,导致后续图像采集不准,如果采集过度还会损坏晶圆。
发明内容
本发明实施例中提供了一种无图形晶圆的复检方法,以实现在保证复检效率的情况下对无图形晶圆的缺陷进行更精确地检测。
本发明实施例中提供了一种无图形晶圆的复检方法,包括:
确定待复检缺陷图像;所述待复检缺陷图像包括已采集图像和所述已采集图像的边缘图像,所述已采集图像为包括无图形晶圆的待复检缺陷区域的灰度图像;
确定所述已采集图像的参考图像,并依据所述参考图像的灰度信息,确定所述已采集图像的第一灰度筛选区间;所述参考图像中不包括缺陷像素;
依据所述已采集图像的边缘图像中包括的灰度梯度信息,确定所述边缘图像的第一梯度筛选区间;
依据所述第一灰度筛选区间和第一梯度筛选区间筛选出所述待复检缺陷图像中可疑缺陷像素,并依据所述可疑缺陷像素确定所述待复检缺陷图像的目标缺陷筛选条件;
依据所述目标缺陷筛选条件确定所述待复检缺陷图像中的目标缺陷像素,用于实现对无图形晶圆的缺陷复检。
采用本申请的方案,在进行缺陷复检时,不仅能通过对包括无图形晶圆的初检出的缺陷区域的灰度图像进行缺陷复检,从灰度的明显差异性上检测缺陷像素,而且能通过对该灰度图像的边缘图像进行的缺陷复检,找到内部均匀即灰度差异不明显但边缘差异较大的缺陷(例如由晶圆表面局部极化或某些细小颗粒即Particle造成的,统称为水迹状缺陷,尽管物理上和水迹无关),以此来提高缺陷复检的灵敏度和准确率;同时,在进行缺陷复检时,并不是简单的进行了一次像素筛选操作,而是根据干扰因素筛选条件筛选出的可疑缺陷像素,以便进行剔除,并依据剔除结果来得到更加准确的目标缺陷筛选条件,然后利用目标缺陷筛选条件来对待复检缺陷图像重新筛选,得到目标缺陷像素,能够减少只进行一次像素筛选带来的误判问题,即能够减少仅用灰度图像来筛选缺陷的局限性,以及在判别缺陷时未能准确排除缺陷本身干扰所带来的误判问题,提高对缺陷像素的复检可靠性,进一步提高电子束缺陷复检设备的准确率和速度/吞吐量。
上述发明内容仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例中提供的一种电子光学复检设备的结构示意图;
图2是本发明实施例中提供的一种无图形晶圆的复检方法的流程图;
图3是本发明实施例中提供的一种已确定的待复检缺陷图像的示意图;
图4是本发明实施例中提供的一种确定已采集图像的参考图像的示意图;
图5是本发明实施例中提供的另一种规划与采集已采集图像的参考图像的示意图;
图6是本发明实施例中提供的一种进行灰度分布统计的示意图;
图7是本发明实施例中提供的另一种无图形晶圆的复检方法的流程图;
图8是本发明实施例中提供的一种确定第一可疑区域的示意图;
图9是本发明实施例中提供的一种连通域形态学扩张的示意图;
图10是本发明实施例中提供的又一种进行灰度分布统计的示意图;
图11是本发明实施例中提供的一种已采集图像中缺陷像素的合并示意图;
图12是本发明实施例中提供的一种边缘图像中缺陷像素的合并示意图;
图13是本发明实施例中提供的一种对边缘图像中缺陷像素和已采集图像中缺陷像素进行合并的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
为了更好地理解本申请的技术方案,这里分析实际场景的相关内容。在半导体大规模集成电路前端制造过程中,需要复检大量有图形晶圆(Patterned Wafer),也会遇到大量无图形晶圆(Un-patterned Wafer),即裸硅片(Blank Wafer)。当前市场上,300mm(12英寸)晶圆的复检设备主要包括:第一,光学复检设备,由短波长/深紫外光学系统加高速、高分辨率、高信噪比延时积分相机即Time Delayed Integration(TDI)相机;第二,电子束缺陷复检设备即E-beam Inspection(EBI),随后再用分辨率更高的电子束复检设备即E-beamReview(EBR)设备(或称Review SEM)复检缺陷。
目前,市场上的EBR设备并未对有图形和无图形晶圆采用各自最合适的复检方法,其实二者的条件和方法不尽相同。对有图形晶圆,可用已知缺陷位置的图像与左右/上下位置相差一个单元或一个重复周期的参考图像进行比较,前者称为Die-to-Die,后者称为Cell-to-cell,然后比较图像差别。然而,无图形晶圆缺陷复检情况不同,没有参考图像可作比较。另外,目前电子束设备对无图形晶圆复检所用的算法也不够优化,未能更多利用无图形晶圆的自身有用信息,复检算法精度受到缺陷的干扰,遇到区域均匀性变化较大、图像噪声较高且缺陷灰度较弱时,或是遇到有些复杂图像,例如,既有不明显图像灰度差别时,复检效果不佳;此外,有较大面积缺陷但缺陷内部均匀且灰度和背景图像接近,例如,对水迹状缺陷检测时,复检效果不佳。这里“水迹状缺陷”指可能由晶圆表面局部极化或某些细小颗粒即Particle造成的图像上看似水迹的缺陷,尽管物理上和水迹无关。图1是本发明实施例中提供的一种电子光学复检设备的结构示意图。参见图1,本发明实施例中的电子光学复检设备即EBR包括:一个扫描电镜/电子光学显微镜/电子光学镜筒11和与扫描电镜/电子光学显微镜/电子光学镜筒11平行的用于辅助定位的光学相机12。其中,扫描电镜/电子光学显微镜/电子光学镜筒11可以有不同倍率的物镜,实现不同的图像放大倍数,以有足够的分辨率保障后续在缺陷复检所需的像素灰度信息,又有足够的视场。
此外,电子光学复检设备还包括机械运动平台22和工业计算机30以及显示器33。其中,在电子光学镜筒11下方是需要复检的无图形晶圆20,机械运动平台22可以沿X、Y、Z方向平移和绕中心轴转动,机械运动平台22上有适配盘23,适配盘23上可放置无图形晶圆20。工业计算机30装载并运行系统控制软件,用于调度硬件驱动或子系统工作以及本申请方案中与无图形晶圆的复检相关的算法,而显示器33可显示用户图形界面。
需要说明的是,上述电子光学复检设备的说明只是一种举例说明,本发明实施例中并不对实现无图形晶圆的复检方法的设备进行具体限定,能够实现本申请方案中公开的无图形晶圆的复检方法的设备均在本申请的保护范围之内。
结合上述缺陷复检的分析以及上述提供的电子光学复检设备,下面针对本申请方案中提供的无图形晶圆的复检方法,通过以下实施例及各实施例的可选技术方案进行详细阐述。
图2是本发明实施例中提供的一种无图形晶圆的复检方法的流程图。本发明实施例可适用于对无图形晶圆的缺陷进行准确复检的情况。该方法可由电子光学复检设备来实现。例如,电子光学复检设备可以包括但不限于分辨率更高的电子束复检设备即E-beamReview(EBR)设备。如图2所示,本发明实施例中提供的无图形晶圆的复检方法,包括以下步骤:
S210、确定待复检缺陷图像;待复检缺陷图像包括已采集图像和已采集图像的边缘图像,已采集图像为包括无图形晶圆的待复检缺陷区域的灰度图像。
在本实施例中,在对无图形晶圆的缺陷进行检测时,可通过电子束扫描检测设备或光学检测设备对无图形晶圆的缺陷进行初检,再通过电子光学复检设备对无图形晶圆的缺陷进行复检,而本申请方案的无图形晶圆的复检方案正是对复检阶段的改进。其中,“初检”是指复检之前的用其他设备进行的初步缺陷检测。在初检过程中,电子束扫描检测设备或光学检测设备可高速采集相对较低分辨率的图像来大致标定无图形晶圆的缺陷区域,其结果不一定精确,可能会存在误报;而在复检过程中,电子光学复检设备则可依据在初检阶段大体标的无图形晶圆的缺陷区域,采集高分辨率的图像来对大体标定的缺陷区域进行精准的缺陷复检操作,以便提取需要的缺陷来进行特征处理。
在本实施例中,已采集图像是根据在初检阶段大致标定的无图形晶圆的缺陷区域来获取的灰度图像。例如,文中已采集图像是通过EBR设备采集的无图形晶圆的待复检缺陷区域的SEM灰度图像。另外,由于无图形晶圆的表面可能存在一些特定类型的缺陷,例如前面描述的水迹状缺陷仅通过灰度图像可能无法检测到这些特定类型的缺陷,因此需借助已采集图像的边缘图像细致分析边缘图像中是否存在上述这些特定类型的缺陷。已采集图像的边缘图像可为已采集图像的灰度图像的梯度结果,例如,具体可采用但不限于Sobel算子施于灰度图像得到的图像结果。
在本实施例的一种可选方式中,确定待复检缺陷图像中已采集图像和已采集图像的边缘图像,可包括以下步骤A1-A2:
步骤A1、对无图形晶圆的待复检缺陷区域的所在位置进行图像采集,得到包括无图形晶圆的待复检缺陷区域的灰度图像,记为已采集图像。
在本实施方式中,在初检阶段可得到大致标定的无图形晶圆的缺陷区域在该无图形晶圆的位置。缺陷区域的位置是指无图形晶圆定位对准后相对参考位置的相对位置,比如,相对无图形晶圆的圆心该缺陷区域的位置。因此,在复检阶段使用该缺陷区域的位置时,可先对无图形晶圆定位对准,保证后续可直接使用初检阶段得到的缺陷区域的位置,偏差不会超出电子光学成像系统的视场范围之外。例如,在复检阶段,将无图形晶圆在前端模组中预对准器上进行预对准,经真空过渡室被机械手放置到真空腔体内的适配盘上。所述设备的晶圆上片系统是预先经过校准的,保证上片后晶圆圆心在某个位置邻域内例如不会差出200微米,晶圆取向(晶圆缺槽和圆心连线和机械运动平台Stage某轴夹角)也在一定范围内例,比如不会差±1°。
在本实施方式中,考虑到无图形晶圆的表面在初检阶段可能检测到多处缺陷区域,因此可以针对每一处缺陷区域均进行复检。可选地,在采集无图形晶圆的缺陷区域的灰度图像时,可从位置靠近无图形晶圆的圆心的缺陷区域为起始点依次开始采集灰度图像进行复检。针对无图形晶圆的一处缺陷区域或者相邻的多处缺陷区域,用扫描电镜朝在该处缺陷区域的所在位置进扫描,得到包括该处缺陷区域的灰度图像,记为已采集图像。
在本实施方式中,图3是本发明实施例中提供的一种已确定的待复检缺陷图像的示意图。参见图3,可通过采集确定包括在初检阶段大体标定的无图形晶圆的缺陷区域的灰度图像,这里记为已采集图像310。已采集图像310中包括无图形晶圆的待复检缺陷区域和非缺陷区域,其中已采集图像310可为矩形区域的图像。可选地,在无图形晶圆的待复检缺陷区域处采集图像时,如果在大体标定的缺陷区域处无法找到待复检缺陷区域,则可在无图形晶圆的待复检缺陷区域处附近进行螺旋式搜索,以得到已采集图像。
步骤A2、确定已采集图像的边缘图像;其中,边缘图像为灰度图像。
在本实施方式中,具体可采用图像边缘提取算法,确定已采集图像的边缘图像,确定的边缘图像与已采集图形均是灰度图像。图像边缘提取算法的图像边缘提取算子有很多。在一个可选示例中,对已采集图像在X,Y方向求一阶偏导/梯度,得到已采集图像的边缘图像,表示为:E=|Gx2+Gy2|,其中,Gx和Gy表示在确定边缘图像时采用的图像边缘提取算子。例性地,图像边缘提取算子可以包括Soble算子和Prewitt算子,其算子的尺寸不限于3×3的矩阵,也可以5×5的矩阵,或者7×7的矩阵等。在另一个可选示例中,针对已采集图像,可采用二阶偏导/Laplace算子,结合低通滤波,作用于高斯核G,再和图像进行卷积,得到已采集图像的边缘图像,表示为:E=|(ΔG)I|,其中,Δ为拉普拉斯算子,G为高斯核,E为边缘图像。
S220、确定已采集图像的参考图像,并依据参考图像的灰度信息确定已采集图像的第一灰度筛选区间;参考图像中不包括缺陷像素。
对待复检缺陷图像中已采集图像的缺陷和边缘图像的缺陷进行复检时,通常会基于待复检缺陷图像选定参考图像,然后根据参考图像预设灰度阈值,并采用灰度阈值从待复检缺陷像素中筛选出有缺陷的像素,但是由于已采集图像或边缘图像中会同时存在缺陷像素和非缺陷像素,因此参考图像会受到缺陷像素的影响,从而预设的灰度阈值会受到缺陷像素的影响,尤其是当已采集图像中包括的缺陷像素比较多时,会严重影响灰度阈值的设定,也即影响缺陷像素的筛选精度。例如,由于并不清楚已采集图像中缺陷像素的占比,会导致确定的灰度阈值过于严紧或宽松,如果灰度阈值过于严紧致筛选出的缺陷像素不一定是真实的缺陷像素,即造成缺陷误判,而如果灰度阈值过于宽松则会导致真实的缺陷像素没有筛选出来,即造成缺陷漏判,特别是当缺陷尺度较大时(对高分辨率的复检图像往往是这样),这种情况尤其严重。因此,不能直接使用已采集图像中的像素来进行缺陷像素的筛选,需要确定一个合适的预设灰度阈值来对已采集图像中的像素进行筛选,也即需要找出待复检缺陷图像中的影响缺陷筛选的灰度阈值设定的干扰因素,以便对其进行剔除,进而利用剩余的像素信息确定灰度阈值来对待复检缺陷图像进行识别处理,从而避免这些干扰因素影响缺陷复检的精度。
在本实施例中,对已采集图像中像素进行筛选时,获取已采集图像的参考图像,尽量保证参考图像中不要包含缺陷像素,而只包括非缺陷像素。这样,就可依据参考图像中非缺陷像素的灰度信息,来确定灰度区间范围,得到一个能将已采集图像中缺陷像素与非缺陷像素尽可能区别开的灰度筛选区间,记为第一灰度筛选区间。需要说明的是,之所以需要尽量保证参考图像中不包含缺陷像素,是因为缺陷像素的灰度信息会干扰确定缺陷像素与非缺陷像素的临界值;例如,由于缺陷像素的灰度信息与非缺陷像素的灰度信息不一样,如果参考图像中包括缺陷像素,会导致参考图像的灰度信息不仅与非缺陷像素的灰度有关,同时还与缺陷像素的灰度有关,那么在确定已采集图像的第一灰度筛选区间时,导致第一灰度筛选区间的范围会受到已采集图像中缺陷像素的灰度的干扰。
在本实施例的一种可选方式中,确定已采集图像的参考图像;其中,参考图像中不包括缺陷像素,可包括以下步骤B1-B2:
步骤B1、依据已采集图像中待复检缺陷区域在无图形晶圆的位置,确定至少一个目标区域;目标区域为与无图形晶圆的待复检缺陷区域最邻近的非缺陷区域。在本实施方式中,为了保证参考图像的有效性,在确定已采集图像的参考图像时尽量使已采集图像与参考图像所处环境保持一致,为此可在已采集图像中待复检缺陷区域附近寻找合适的图像,作为参考图像。具体过程为:确定已采集图像中待复检缺陷区域在无图形晶圆的位置,然后在待复检缺陷区域在无图形晶圆的位置的附近寻找一个目标区域,保证得到的目标区域是与无图形晶圆的待复检缺陷区域距离最邻近的非缺陷区域。可选地,在无图形晶圆上,距离无图形晶圆的待复检缺陷区域最邻近的非缺陷区域可以包括一个或多个,即可找到一个或多个目标区域。
步骤B2、依据目标区域在无图形晶圆的位置,确定已采集图像的参考图像;参考图像的位置区域与已采集图像中的待复检缺陷区域不重叠。
在本实施方式中,根据目标区域在无图形晶圆的位置进行图像采集,可得到至少一个包括与无图形晶圆的待复检缺陷区域最邻近的非缺陷区域的灰度图像,得到至少一个包括目标区域的灰度图像。在一个可选示例中,参见图3,可采集得到包括目标区域的灰度图像320。其中,包括目标区域的灰度图像320中不包括无图形晶圆的待复检缺陷区域,仅包括非缺陷像素,包括目标区域的灰度图像320的区域为矩形区域。
在本实施方式中,在得到至少一个包括目标区域的灰度图像后,可依据至少一个包括目标区域的灰度图像确定已采集图像的参考图像。如果在同一个无图形晶圆上只得到一个包括目标区域的灰度图像,则将一个包括目标区域的灰度图像直接作为已采集图像的参考图像。可选地,如果在同一个无图形晶圆上得到多个包括目标区域的灰度图像,则对多个包括目标区域的灰度图像中的像素进行筛选,并将筛选出的像素进行重新组合,并将组合得到的新图像作为已采集图像的参考图像。此外,在采集包括目标区域的灰度图像时,需要保证采集的包括目标区域的灰度图像与已采集图像中的待复检缺陷区域不重叠,这样依据包括目标区域的灰度图像得到的参考图像才不会与已采集图像中的待复检缺陷区域重叠,从而使得参考图像基本不包括缺陷像素。
在本实施方式中,图4是本发明实施例中提供的一种确定已采集图像的参考图像的示意图。参见图4,对于多个包括目标区域的图像,不同的包括目标区域的图像的形状和大小是一致的,即图像尺寸都是固定的,此时可以使用多个包括目标区域的图像中对应的像素的中值构成新的图像,并作为参考图像。采用中值的好处在于,即便目标区域中存在少量的缺陷像素,但是通过求取中值得到的像素来构成新的图像作为参考图像后,基本可以将缺陷像素剔除,从而减少缺陷像素对参考图像的干扰,尽量保证参考图像中不包括缺陷像素。
在一个可选示例中,在无图形晶圆上待复检缺陷区域的数量大于预设数量,且不易在待复检缺陷区域的位置附近获取完全不含缺陷可能的参考图像的情况下,采集待复检缺陷区域的位置附近的多帧图像取像素中值,以获取待复检缺陷区域的位置关联的参考图像。例如,对于晶圆上缺陷较多,不易在附近获取完全不含缺陷可能的参考图像的情况,采用单帧参考图像难免夹带部分缺陷从而影响干扰因素的筛选参数,而本发明通过取中值能进一步排除少数缺陷的影响,从而大幅度提高缺陷复检精度。
采用上述可选方案,可以以已采集图像中待复检缺陷区域在无图形晶圆的位置为基础,在无图形晶圆表面获取目标区域并根据包括目标区域的灰度图像来得到已采集图像的参考图像,由于考虑到了待复检缺陷区域的位置信息,因此能保证获取的参考图像与已采集图像所处的环境基本一致,那么就可使得依据参考图像的灰度信息确定的第一灰度筛选区间更有参考意义;而且,由于确定的目标区域是邻近的非缺陷区域,得到的参考图像中不包括缺陷像素,因此能够进一步排除缺陷像素对第一灰度筛选区间的筛选范围的干扰。
在本实施例的另一种可选方式中,确定已采集图像的参考图像,可包括以下步骤C1-C2:
步骤C1、依据已采集图像中待复检缺陷区域在所述无图形晶圆的位置,确定与已采集图像中待复检缺陷区域关联的至少一个参考位置。
在本实施方式中,图5是本发明实施例中提供的另一种规划与采集已采集图像的参考图像的示意图。参见图5,在对整个晶圆复检前,根据无图形晶圆上全部待检缺陷的位置找出相应的参考区域位置,并以既定距离阈值排除位置接近的参考区域,对其余参考区域进行整合,以便在复检中让相邻近的缺陷共享整合后的参考区域,从而获得已采集图像中待复检缺陷区域关联的至少一个参考位置。可选地,依据待复检缺陷区域在无图形晶圆的位置,将无图形晶圆上位置间距在预设范围内的待复检缺陷区域共享一个参考位置,以得到待复检缺陷区域关联的参考位置;其中,同一个参考位置关联有同一个参考图像。另外,也可以用聚类算法达到同样的目的。例如用K最邻近算法即KNN(K-Nearest Neighbor)算法,遍历全部待检缺陷,把晶圆上位置靠近的缺陷聚为一组,规定每组共享一个参考图像的位置。这样,可以减少参考图像的采集,只需要依据已采集图像中待复检缺陷区域在无图形晶圆的位置,找到待复检缺陷区域关联的至少一个参考位置,然后根据参考位置找到对应的参考图像即可,不仅能节约时间,也能避免过度采集图像造成对晶圆的损伤。
步骤C2、依据与已采集图像中待复检缺陷区域关联的至少一个参考位置,确定已采集图像的参考图像;参考图像与已采集图像中的待复检缺陷区域不重叠。
在本实施方式中,与已采集图像中待复检缺陷区域关联的参考位置已经在复检之前经历筛选,所以靠近的多个待复检缺陷区域可依据参考位置共享一张参考图像。在依据参考位置获取参考图像时,可将比上述共享参考距离更大但仍然在有限距离内的至少两帧参考图像进行整合,得出单帧参考图像。整合方式包括对至少两帧的参考图像取平均,对至少两帧的参考图像取对应像素中值,这样能进一步降低参考图像的噪声和微弱缺陷的干扰。可选地,无图形晶圆上位置间距在预设范围内的待复检缺陷区域共享一个参考图像。例如,无图形晶圆上位置接近的待复检缺陷区域可以共享同一个参考图像。
在本实施方式中,另一个可选示例中,当需要确定已采集图像的参考图像时,先检查待复检缺陷的邻近区域(距离D)范围内是否具有已经保存的可共享参考图像,如果有则不需要采集新的参考图像,直接使用已预先保存的可共享参考图像即可,从而避免一次机械平台移动和图像采集,可节省大量时间。可选地,在确定已采集图像的参考图像不必距离待测图像很近,多个邻近待复检缺陷区域可共享相同的参考图像,如前所述,事先已经规划了参考图像位置,因为全部缺陷位置都是已知的。
在本实施方式中,可选地,在对整个无图形晶圆进行复检之前,可遍历无图形晶圆上全部待复检缺陷区域的位置,并按照各个待复检缺陷区域的位置分组,以采用聚类方法将位置邻近的待复检缺陷区域关联的待复检缺陷图像分为一组;其中,同一组待复检缺陷图像共享一个参考图像,且只需一次参考图像的采集。例如在整个晶圆复检开始之前,遍历无图形晶圆上全部待复检缺陷位置分组,可以采用聚类方法将邻近的待复检缺陷图像分为一组,让具有邻近位置的待复检缺陷区域的待复检缺陷图像共享同一个参考图像,这样只需一次参考图像的采集过程。
在本实施例的一种可选方式中,依据参考图像的灰度信息,确定已采集图像的第一灰度筛选区间,可包括以下步骤D1-D2:
步骤D1、依据参考图像中各个像素的灰度信息,获取参考图像灰度分布的统计结果。
在本实施方式中,图6是本发明实施例中提供的一种进行灰度分布统计的示意图。参见图6,确定参考图像中各个像素的灰度信息,并依据参考图像中各个像素的灰度信息进行灰度统计,确定参考图像的灰度分布直方图,即得到参考图像灰度分布的统计结果;其中,图6示出的灰度分布接近于正态分布或者高斯分布。参考图像灰度分布的统计结果包括参考图像中像素的灰度分布方差和灰度峰值。
步骤D2、依据参考图像灰度分布的统计结果,确定已采集图像的第一灰度筛选区间。
在本实施方式中,依据参考图像灰度分布的统计结果中的灰度分布方差和灰度峰值,得到已采集图像的第一灰度筛选区间。示例性地,第一灰度筛选区间包括两部分,第一部分包括参考图像中的像素灰度分布方差和经验乘子,例如,参见图6,灰度分布方差为灰度分布直方图中的统计方差,定义为2σg1;以及根据经验给定的经验乘子,定义为Fg1,二者的相乘阈值2σg1Fg1作为第一灰度筛选区间的第一部分;第二部分为参考图像中像素灰度分布的灰度峰值,定义为HPg1,已采集图像的第一灰度筛选区间通过以下数学关系确定:Tg1=HPg1±Fg1σg1。
S230、依据已采集图像的边缘图像中包含的灰度梯度信息,确定边缘图像的第一梯度筛选区间。
在本实施例中,与确定已采集图像的第一灰度筛选区间类似,在对边缘图像中像素进行筛选时,可确定边缘图像的第一梯度筛选区间。
在本实施例的一种可选方式中,依据已采集图像的边缘图像中包括的灰度梯度信息,确定边缘图像的第一梯度筛选区间,可包括以下步骤E1-E2:
步骤E1、依据边缘图像中包括的各个像素的灰度梯度信息,获取边缘图像的灰度梯度分布的统计结果。
在本实施方式中,与确定第一像素灰度分布的统计结果的过程类似,区别在于本实施方式使用了边缘图像包括的灰度梯度信息,而不是边缘图像的参考图像的灰度信息来进行统计。具体过程为:确定边缘图像中包括的各个像素的灰度梯度信息,并依据边缘图像中包括的各个像素的灰度梯度信息进行灰度梯度统计,确定边缘图像的灰度梯度分布直方图,即得到边缘图像中包括的各个像素的灰度梯度分布的统计结果,包括边缘图像中像素的灰度梯度分布方差和灰度梯度峰值。
步骤E2、依据边缘图像的灰度梯度分布的统计结果,确定第一梯度筛选区间。
在本实施方式中,依据边缘图像的灰度梯度分布的统计结果中包括的灰度梯度分布方差和灰度梯度峰值,得到边缘图像的第一灰度梯度筛选区间。示例性地,参见图6,第一灰度梯度筛选区间同样包括两部分,第一部分包括边缘图像的灰度梯度分布方差,具体为灰度梯度分布直方图中的统计方差,定义为2σg2;以及根据经验给定的经验乘子,定义为Fg2,二者相乘得到相乘阈值2σg2Fg2;其中,这里的Fg2与前述的Fg1可以相同;第二部分边缘图像的灰度梯度分布的灰度梯度峰值,定义为HPg2,边缘图像的第一灰度梯度筛选区间通过以下数学关系确定:Tg2=HPg2±Fg2σg2。可选地,第一灰度筛选区间用于对已采集图像中的疑似缺陷的像素进行筛选,第一梯度筛选区间用于对边缘图像中疑似缺陷的像素进行筛选。S240、依据第一灰度筛选区间和第一梯度筛选区间筛选出待复检缺陷图像中可疑缺陷像素,并依据可疑缺陷像素确定待复检缺陷图像的目标缺陷筛选条件。
在本实施例中,可疑缺陷像素是指待复检缺陷图像中疑似缺陷的像素,包括已经初步确定是缺陷的像素和有很大可能是缺陷的像素。通过设定阈值也即第一灰度筛选区间和第一梯度筛选区间对待复检缺陷图像中像素进行筛选,可初步剔除其中的疑似缺陷的像素,这样剩余的像素中大部分是非缺陷像素。具体地,将已采集图像中灰度值不在第一灰度筛选区间的像素作为疑似缺陷的第一类像素筛选出来,而将灰度值位于第一灰度筛选区间的像素作为非可疑缺陷像素;以及采用类似的方式,通过将边缘图像中灰度梯度超出第一灰度梯度区间的像素作为疑似缺陷的第二类像素筛选出来,而将灰度梯度值位于第一梯度筛选区间的像素作为非可疑缺陷像素。
在本实施例中,通过第一灰度筛选区间和第一梯度筛选区间可以从待复检缺陷的已采集图像以及其梯度图像中排除掉可疑缺陷像素,也即剔除掉待复检缺陷图像中影响缺陷筛选的灰度阈值设定的干扰像素。确定待复检缺陷图像中的可疑缺陷像素之后,确定待复检缺陷图像中除去可疑缺陷像素外剩余的像素为非可疑缺陷像素,可疑缺陷像素中绝大部分都是非缺陷像素并依据非可疑缺陷像素确定待复检缺陷图像的目标缺陷筛选条件。由于待复检缺陷图像中非可疑缺陷像素中绝大部分都是非缺陷像素,因此通过待复检缺陷图像中非可疑缺陷像素得到的目标缺陷筛选条件的基本不会受到缺陷像素的影响,从而提高目标缺陷筛选条件的筛选精度。
在本实施例中,在依据所述可疑缺陷像素确定待复检缺陷图像的目标缺陷筛选条件之前,还可包括:当待复检缺陷图像中可疑缺陷像素占比过大时,从最邻近参考图像中获取与可疑缺陷像素的数量相近的像素,用以补充到待复检缺陷图像中参与确定目标缺陷筛选条件。这样,就可以对待复检缺陷图像中非可疑缺陷像素进行补充,避免待复检缺陷图像中非可疑缺陷像素过少影响目标缺陷筛选条件的确定,具体过程会在后续示例示出。
S250、依据目标缺陷筛选条件确定待复检缺陷图像中的目标缺陷像素,用于实现对无图形晶圆的缺陷复检。
在本实施例中,可依据目标缺陷筛选条件对待复检缺陷图像中的各个像素进行筛选,通过目标缺陷筛选条件能降低将非缺陷像素误判断为缺陷像素而被筛选出来或者将缺陷像素误判断为非缺陷像素而未被筛选出来等行为,从而提高缺陷像素的筛选准确率,提高缺陷像素的复检准确度。
需要说明的是,虽然本方案采用了两次筛选,但是本申请方案的两次筛选的作用并不相同。第一次筛选,通过设定阈值,也即第一灰度筛选区间和第一梯度筛选区间,从待复检缺陷的已采集图像以及其梯度图像中排除影响最终目标缺陷筛选的灰度阈值设定的干扰像素,从而提高后续目标缺陷筛选条件的筛选精度,第一次筛选不仅是用于来确定目标缺陷筛选条件,更是对目标缺陷筛选条件精度进一步修正,保证其复检精度。因为两个筛选条件均是针对待复检缺陷图像,而不是简单地通过两次筛选将缺陷像素筛选出来,换言之,不是所谓“二次阈值”筛选操作。另外其中一个排除干扰因素的早期来源不是待复检缺陷图像本身,而是选择并可能经历一些排除噪声的处理。
本发明实施例中提供了一种无图形晶圆的复检方法,能通过对包括无图形晶圆的待复检缺陷区域的SEM灰度图像进行缺陷复检,从灰度的明显差异性上复检缺陷像素,而且能通过对该灰度图像的边缘图像进行的缺陷复检,找到局部灰度低于阈值但灰度变化即梯度较大、超出阈值这样一类缺陷,以及缺陷内部均匀且灰度差异不明显的即水迹状缺陷的像素,以此来提高缺陷复检的灵敏度和准确率;同时,在进行缺陷复检时,获取已采集图像匹配的参考图像,以根据参考图像为已采集图像确定第一灰度筛选区间,且能够从边缘图像的灰度梯度来统计分析,得到第一灰度梯度筛选区间,前述由于使用了参考图像,因此可对干扰因素筛选条件中第一灰度筛选区间的筛选精度进行一步提高,保证可以从待复检缺陷图像中将不合理的可疑像素筛选剔除,进而可以使得根据第一次筛选出的可疑缺陷像素,来得到的目标缺陷筛选条件的筛选精度会随之进一步提高,然后利用目标缺陷筛选条件来重新筛选,得到目标缺陷像素,能够减少只依靠干扰因素筛选条件进行缺陷像素筛选带来的误判问题,提高对缺陷像素的复检可靠性,进一步提高缺陷复检的准确率。
图7是本发明实施例中提供的另一种无图形晶圆的检测方法的流程图,本发明实施例在上述实施例的基础上进一步优化,本发明实施例可以与上述一个或者多个实施例中各个可选方案结合。如图7所示,本实施例中提供的无图形晶圆的检测方法,包括以下步骤:
S710、确定待复检缺陷图像;待复检缺陷图像包括已采集图像和已采集图像的边缘图像,已采集图像为包括无图形晶圆的待复检缺陷区域的灰度图像。
S720、确定已采集图像的参考图像,并依据参考图像的灰度信息,确定已采集图像的第一灰度筛选区间;参考图像中不包括缺陷像素。
S730、依据已采集图像的边缘图像中包含的灰度梯度信息,确定边缘图像的第一梯度筛选区间。
S740、依据第一灰度筛选区间和第一梯度筛选区间筛选出待复检缺陷图像中可疑缺陷像素。
在本实施例的一种可选方式中,依据第一灰度筛选区间和第一梯度筛选区间确定待复检缺陷图像中的可疑缺陷像素,可包括以下步骤F1-F2:
步骤F1、将已采集图像中灰度值位于第一灰度筛选区间之外的像素,作为第一类可疑像素。
在本实施方式中,第一灰度筛选区间是一个灰度区间范围,已采集图像中灰度信息在该灰度区间范围之外的像素,认为是疑似缺陷的像素,而已采集图像中灰度信息在该灰度区间范围之内的像素,则认为是非缺陷像素。这样,就可将已采集图像中灰度值位于第一灰度筛选区间之外的像素,作为疑似缺陷的第一类可疑像素。当然,第一类可疑像素可能包含非缺陷像素,但是这些非缺陷像素可能处于非缺陷像素的灰度与缺陷像素的灰度之间的临界边缘,为了尽量将缺陷像素全部筛选出来,保证后续使用的剩余未筛选出的像素是非缺陷像素,因此通过第一灰度筛选区间进行筛选时会将很大可能是缺陷的像素和肯定是缺陷的像素作为疑似缺陷的像素。
步骤F2、将边缘图像中灰度梯度值位于第一梯度筛选区间之外的像素,作为第二类可疑像素,以将第一类可疑像素和所述第二类可疑像素作为可疑缺陷像素。
在本实施方式中,与前述第一类可疑像素的筛选类似,第一灰度梯度筛选区间是一个灰度梯度区间范围,边缘图像中灰度梯度值位于该灰度梯度区间范围之外的像素,认为是疑似缺陷的像素,而边缘图像中灰度梯度值位于该灰度梯度区间范围之内的像素,则认为是非缺陷像素。这样,就可将边缘图像中灰度梯度值位于第一灰度梯度筛选区间之外的像素,记为第二类可疑像素,作为疑似缺陷的像素筛选出来。进而,将第一类可疑像素和第二类可疑像素作为可疑缺陷像素。
S750、依据可疑缺陷像素中包括的第一类可疑像素,确定已采集图像中的第一图像区域;第一图像区域中不包括第一类可疑像素;第一类可疑像素为从已采集图像中初步筛选出的疑似缺陷的像素。
在本实施例中,对已采集图像进行第一次筛选时,所使用的第一灰度筛选区间是基于已采集图像的参考图像的灰度信息来确定。虽然参考图像中基本不包括缺陷像素,但是参考图像的图像区域在无图形晶圆的位置与已采集图像的图像区域在无图形晶圆的位置之间有一定的距离,且已采集图像的获取时间与参考图像的获取时间有所差异,因此,会导致采集得到的已采集图像和参考图像分别会发生一定的灰度平移或局部值涨落。这些灰度变化主要来自电子光学信号采集部分,对单帧图像采用动态增益和平移,也可来自晶圆表面状况改变包括本身膜层厚度变化和局部具随机性的电场极化而生成局部电势。
由上述分析可见,如果只依靠第一灰度筛选区间筛选可能会造成有一部分非缺陷像素被误判为缺陷像素。同时,由于已采集图像中受缺陷像素影响造成异常的非缺陷像素是局部的,且已采集图像中非缺陷像素距离待复检缺陷区域的位置更近,因此基于自身图像中非缺陷像素的灰度信息来筛选缺陷像素会更准确。为此,可将已采集图像中第一类可疑像素剔除,而保留剩余像素所在区域,即第一图像区域。由于第一图像区域不包括第一类可疑像素,因此在使用第一图像区域的灰度信息时,基本可排除缺陷像素的灰度信息造成的干扰。
在本实施例的一种可选方式中,依据可疑缺陷像素中包括的第一类可疑像素,确定已采集图像中的第一图像区域,可包括步骤G1-G2:
步骤G1、确定已采集图像中第一类可疑像素所外接的最小矩形区域,并作为第一可疑区域。
在本实施方式中,图8是本发明实施例中提供的一种确定第一可疑区域的示意图。参见图8,第一类可疑像素可为从已采集图像中初步筛选出的疑似缺陷的像素,基于第一类可疑像素,采用图像处理方法确定第一可疑区域。具体地,依据上述第一灰度筛选区间将已采集图像二值化,获得第一灰度筛选区间之外的第一类可疑像素,再用漫水填充算法,将连接成片的第一类可疑像素找出来,最后获得第一类可疑像素连通域。已采集图像中可包括一个或多个第一类可疑像素连通域,即找到缺陷像素(例如,其是二值化后的像素),再进行连通域探测,将相似的缺陷归结为一个缺陷。通过对多个第一类缺陷像素进行连通域探测后,可得到包括多个第一类缺陷像素的第一类可疑像素连通域。在第一类可疑像素连通域的外部外接一个矩形区域,这个外接的最小矩形区域可作为第一可疑区域。具体在确定已采集图像中由较多第一类可疑像素组成的第一类缺陷像素连通域后,可以找到由较多第一类可疑像素组成的第一类缺陷像素连通域外接的最小矩形区域。例如,上述连通域探测算法有水漫填充算法。
步骤G2、依据已采集图像中第一可疑区域相对已采集图像的第一尺寸占比,确定已采集图像中的第一图像区域。
在本实施方式中,确定第一可疑区域在已采集图像中的第一尺寸占比。若第一尺寸占比小于预设的尺寸占比阈值,则将已采集图像中除第一可疑区域外的剩余图像区域,作为已采集图像中的第一图像区域。例如,若第一可疑区域的第一尺寸占比不超过已采集图像的10%,则将已采集图像中除第一可疑区域外的剩余图像区域,作为已采集图像中的第一图像区域。可选地,考虑到第一可疑区域中的第一类可疑像素会对周围的像素造成影响,因此可对第一可疑区域进行适当扩展,例如在第一可疑区域的四周适当扩展2个像素,然后将已采集图像中除扩展后的第一可疑区域外的剩余图像区域,作为已采集图像中的第一图像区域。
在本实施方式中,若第一尺寸占比大于预设的尺寸占比阈值,则确定已采集图像中第一类可疑像素之和,在已采集图像中的第一类可疑像素占比。如果第一类可疑像素占比不超过预设像素占比阈值,则对已采集图像中第一类可疑像素的连通域进行形态学扩张操作,得到扩张区域,并将已采集图像中除扩张区域外的剩余图像区域,作为第一图像区域。这样做的好处是,适当多排除一些可疑像素周边的像素,能更进一步降低可疑像素干扰的概率。
如果第一类可疑像素占比超过预设像素占比阈值,则对已采集图像中第一类可疑像素的连通域进行形态学扩张操作,得到扩张区域,进而得到已采集图像中除得到扩张区域外的剩余图像区域,同时与从已采集图像的参考图像中随机选取一定数量的非缺陷像素进行结合,作为第一图像区域。换句话讲,也就是用最邻近参考图像补充一些像素过来,参与确定目标缺陷筛选条件。需要说明的是,尽管此种情况罕见,但也在本发明的覆盖之中。
在本实施方式中,图9是本发明实施例中提供的一种连通域形态学扩张的示意图。下面结合图9简单叙述一下形态学扩张的过程。参见图9,扩张前第一连通域91形态学扩张后成为扩张后第一连通域911,扩张后第一连通域911的外接矩形区域与扩张前第一连通域91的外接矩形区域对应同一个缺陷,不难看出扩张后第一连通域911的尺寸明显大于扩张前第一连通域91的尺寸。同理,扩张前第二连通域92形态学扩张后成为扩张后第二连通域921,扩张后第二连通域921的外接矩形区域与扩张前第二连通域92的外接矩形区域对应同一个缺陷,不难看出扩张后第二连通域921的尺寸明显大于扩张前第二连通域92尺寸。
采用上述可选方案,可以从已采集图像中尽可能将缺陷像素和可能为缺陷的像素筛选出来,从而可以得到足够的非缺陷像素,以便根据得到的非缺陷像素重新确定针对已采集图像中缺陷像素的筛选条件,提高已采集图像中缺陷像素的复检准确率,降低已采集图像中缺陷像素的误判率。
S760、依据第一图像区域的灰度信息,确定已采集图像的第二灰度筛选区间。
在本实施例的一种可选方式中,依据第一图像区域的灰度信息,确定已采集图像的第二灰度筛选区间,可包括步骤H1-H2:
步骤H1、依据第一图像区域中各个像素的灰度信息,确定第一图像区域中各个像素的灰度分布的统计结果。
在本实施方式中,图10是本发明实施例中提供的又一种进行灰度分布统计的示意图。参见图10,确定第一图像区域中各个像素的灰度信息,并依据第一图像区域中各个像素的灰度信息进行灰度统计,确定第一图像区域的灰度分布直方图,即得到第一图像区域中各个像素的灰度分布的统计结果;其中,图10示出的灰度分布接近于正态分布,即高斯分布。第一图像区域中各个素灰度分布的统计结果包括第一图像区域中像素的灰度分布方差和灰度峰值。
步骤H2、依据第一图像区域中各个像素灰度分布的统计结果,确定已采集图像的第二灰度筛选区间。
在本实施方式中,依据第一图像区域中各个像素灰度分布的统计结果中灰度分布方差和灰度峰值,得到已采集图像的第二灰度筛选区间。示例性地,第二灰度筛选区间包括两部分,第一部分是确定第一图像区域的各个素灰度分布的统计结果中包括的灰度分布方差,例如,参见图10,具体为灰度分布直方图中的统计方差,定义为2σc1;以及,确定用户根据经验给定的乘子,定义为Fc1,二者相乘得到相乘阈值2σc1Fc1;第二部分是第一图像区域中像素灰度分布的统计结果所包括的灰度峰值,定义为HPc1,即可得到已采集图像的第二灰度筛选区间Tc1=HPc1±Fc1σc1。
采用上述可选方案的好处在于,由于第一图像区域是对第一次筛选得到的已采集图像中疑似缺陷的像素进行剔除后,剩余的像素组成的图像区域,在这个图像区域中的像素基本都是非缺陷像素,因此通过非缺陷像素的灰度梯度统计得到梯度分布情况能够反映大部分像素的灰度梯度情况,而不受缺陷像素的灰度梯度的影响,那么以此确定的灰度梯度的筛选区间,就能更准确地将已采集图像中的缺陷像素筛选出来。
S770、依据可疑缺陷像素中包括的第二类可疑像素,确定边缘图像中的第二图像区域;第二图像区域中不包括第二类可疑像素;第二类可疑像素为从边缘图像中初步筛选出的疑似缺陷的像素。
在本实施例的一种可选方式中,依据可疑缺陷像素中包括的第二类可疑像素,确定边缘图像中的第二图像区域,可包括步骤I1-I2:
步骤I1、确定边缘图像中第二类可疑像素连通域所外接的最小矩形区域,并作为第二可疑区域。
在本实施方式中,第一类可疑像素为从边缘图像中初步筛选出的疑似缺陷的像素,边缘图像可包括一个或多个第二类可疑像素连通域,即可找到缺陷像素(例如其是二值化后的像素),再进行连通域探测,将相似的缺陷归结为一个缺陷。通过对多个第二类缺陷像素进行连通域探测后,可得到包括多个第二类缺陷像素的第二类可疑像素连通域。第二类可疑像素连通域外接一个矩形区域,这个外接的最小矩形区域可作为第二可疑区域。
步骤I2、依据边缘图像中第二可疑区域相对边缘图像的第二尺寸占比,确定边缘中的第二图像区域。
在本实施方式中,确定第二可疑区域在边缘图像中的第二尺寸占比。若第二尺寸占比小于预设的尺寸占比阈值,则将已采集图像中除第二可疑区域外的剩余图像区域,作为边缘图像中的第二图像区域。可选地,考虑到第二可疑区域中的第二类可疑像素会对周围的像素造成影响,因此可对第二可疑区域进行适当扩展,然后将边缘图像中除扩展后的第二可疑区域外的剩余图像区域,作为边缘图像中的第二图像区域。
在本实施方式中,若第二尺寸占比大于预设的尺寸占比阈值,则确定边缘图像中第二类可疑像素之和,在边缘图像中的第二类可疑像素占比。如果第二类可疑像素占比不超过预设像素占比阈值,则对边缘图像中第二类可疑像素的连通域进行形态学扩张操作,得到扩张区域,并将边缘图像中除扩张区域外的剩余图像区域,作为第二图像区域。如果第二类可疑像素占比超过预设像素占比阈值,则对边缘图像中第二类可疑像素的连通域进行形态学扩张操作,得到扩张区域,进而得到边缘图像中除得到扩张区域外的剩余图像区域,同时与从边缘图像中选取一定数量的非缺陷像素进行结合,作为第二图像区域。
采用上述可选方案,可以从边缘图像中尽可能将缺陷像素和可能为缺陷的像素筛选出来,从而可以得到足够的非缺陷像素,以便根据得到的非缺陷像素重新确定针对边缘图像中缺陷像素的筛选条件,提高边缘图像中缺陷像素的复检准确率,降低了对边缘图像中缺陷像素的误判率。
S780、依据第二图像区域中包括的灰度梯度信息,确定边缘图像的第二梯度筛选区间,以将第二灰度筛选区间和第二梯度筛选区间作为目标缺陷筛选条件。
在本实施例的一种可选方式中,依据第二图像区域中包括的灰度梯度信息,确定边缘图像的第二梯度筛选区间,可包括步骤J1-J2:
步骤J1、依据第二图像区域中包括的各个像素的灰度梯度信息,确定第二图像区域中的各个像素灰度梯度分布的统计结果。
在本实施方式中,与已经确定的第二像素灰度分布的统计结果的过程类似,区别在于本实施方式使用了边缘图像中第二图像区域中包括的灰度梯度信息。具体过程为:确定边缘图像的第二图像区域中包括的各个像素的灰度梯度信息,并依据边缘图像的第二图像区域中包括的各个像素的灰度梯度信息进行灰度梯度统计,确定第二图像区域的灰度梯度分布直方图,即得到第二图像区域中各个像素的灰度梯度分布的统计结果。第二图像区域中各个像素灰度梯度分布的统计结果包括边缘图像的第二图像区域中像素的灰度梯度分布方差和灰度梯度峰值。
步骤J2、依据第二图像区域中的各个像素灰度梯度分布的统计结果,确定边缘图像的第二梯度筛选区间。
在本实施方式中,依据第二图像区域中各个像素灰度梯度分布的统计结果中包括的灰度梯度分布方差和灰度梯度峰值,得到边缘图像的第二灰度梯度筛选区间。示例性地,参见图10,第二灰度梯度筛选区间同样包括两部分,第一部分是确定第二图像区域的各个像素灰度梯度分布的统计结果中包括的灰度梯度分布方差,具体为灰度梯度分布直方图中的统计方差,定义为2σc2;以及,确定用户根据经验给定的乘子,定义为Fc2,二者相乘得到相乘阈值2σc2Fc2;其中,这里的Fc2与前述的Fc1可以相同;第二部分是施予由第二图像区域的各个像素灰度梯度分布的统计结果所包括的灰度梯度峰值,定义为HPc2,即可得到边缘图像的第二灰度梯度筛选区间Tc2=HPc2±Fc2σc2。
在本实施方式中,如果采用上述步骤确定的待复检缺陷图像中的可疑缺陷像素在待复检缺陷图像中的面积占比非常大,例如达到待复检缺陷图像总面积2/3以上时,在确定第二像素灰度分布统计结果和第二像素梯度分布的统计结果时,均可补充参考图像中与可疑缺陷像素相近的像素的灰度和梯度值,来获得如图10中的灰度和梯度直方图。因为用统计方法获得高斯分布均值和方差均要求样本数量充足,而当疑似像素过多时仅用剩余少数的非疑似像素做统计可能不够精确,因此适当补充邻近处采集到图像中的非缺陷像素为宜,以进一步提高第二灰度筛选区间和第二梯度筛选区间范围的设定精度,进而提高缺陷复检的准确率。
采用上述可选方案的好处在于,由于第二图像区域是对第一次筛选得到的边缘图像中疑似缺陷的像素进行剔除后,剩余的像素组成的图像区域,在这个图像区域中的像素基本都是非缺陷像素,因此通过非缺陷像素的灰度梯度统计得到梯度分布情况能够反映大部分像素的灰度梯度情况,而不受缺陷像素的灰度梯度的影响,那么以此确定的灰度梯度的筛选区间,就能更准确地将边缘图像中的缺陷像素筛选出来。
S790、依据目标缺陷筛选条件确定待复检缺陷图像中的目标缺陷像素,用于实现对无图形晶圆的缺陷复检。
在本实施例中,可选地,针对待复检缺陷图像中的已采集图像,可将已采集图像中灰度信息属于第二灰度筛选区间的像素,作为第一类缺陷像素,而将已采集图像中灰度信息不属于第二灰度筛选区间的像素剔除。针对待复检缺陷图像中的边缘图像,可将边缘图像中灰度梯度信息属于第二梯度筛选区间的像素,作为第二类缺陷像素,而将边缘图像中灰度梯度信息不属于第二梯度筛选区间的像素进行剔除。这样,就可将第一类缺陷像素和第二类缺陷像素作为目标缺陷像素。由于目标缺陷筛选条件的筛选准确度高于干扰因素筛选条件的筛选准确度,那么最后得到的目标缺陷像素中基本都是缺陷像素,几乎不包括非缺陷像素。
本发明实施例中提供了一种无图形晶圆的复检方法,不仅能通过对包括无图形晶圆的初检出的缺陷区域的灰度图像进行缺陷复检,从灰度的明显差异性上复检缺陷像素,而且能通过对该灰度图像的边缘图像进行的缺陷检测,找到缺陷内部均匀且灰度差异不明显的水迹状缺陷的像素,以此来提高缺陷检测的灵敏度和准确率;同时,在进行缺陷复检时,并不是依据干扰因素筛选条件进行了一次缺项像素的筛选操作,而是根据第一次筛选出的可疑缺陷像素,来得到合适的目标缺陷筛选条件,然后利用目标缺陷筛选消息来重新筛选,得到目标缺陷像素,能够减少只依靠干扰因素筛选条件进行缺陷像素筛选带来的误判问题,提高对缺陷像素的复检可靠性,进一步提高缺陷复检的准确率。
在上述实施例的基础上,可选地,在依据目标缺陷筛选条件确定待复检缺陷图像中的目标缺陷像素之后,还包括以下步骤K1-K2:
步骤K1、在确定至少两个第一类缺陷像素连通域后,将距离在预设第一距离阈值内的至少两个第一类缺陷像素连通域进行合并,得到第一合并图像缺陷。
在本实施例中,图11是本发明实施例中提供的一种已采集图像中缺陷的合并示意图。参见图11,可依据第一类缺陷像素在已采集图像中位置,确定包括多个第一类缺陷像素的第一类缺陷像素连通域在已采集图像中位置,进而可将距离在预设第一距离阈值内的至少两个第一类缺陷像素连通域进行合并。可选地,若包括多个第一类缺陷像素的第一类缺陷像素连通域仅有一个,则不进行合并;否则对其进行合并。可选地,确定已采集图像中包括的至少两个第一类缺陷像素连通域在第一目标矩形区域中的填充度,并作为第一填充度。其中,第一目标矩形区域为已采集图像中至少两个第一类缺陷像素连通域外接的最小矩形区域,即第一合并图像缺陷外接的最小矩形区域。进而,若第一填充度大于预设填充度阈值,则将已采集图像中距离在预设第一距离阈值内的至少两个第一类缺陷像素连通域进行合并,得到第一合并图像缺陷。否则,不合并。当然,一个初检缺陷区域可以有0或多个复检缺陷。
在本实施例中,可选地,对于第一目标矩形区域的面积大小可以采用其宽乘高来表示,单个连通域缺陷面积就其缺陷像素的个数,至少有两个第一类缺陷像素联通域的面积大小为两个独立联通与中缺陷像素之和,这样第一填充度就是至少两个第一类缺陷像素的面积大小与第一目标矩形区域的面积大小之间的比值。也就是,最外围外接矩形内全部缺陷像素之和比上其面积(宽乘高)。
步骤K2、在确定至少两个第二类缺陷像素连通域后,将距离在预设第二距离阈值内的至少两个第二类缺陷像素连通域进行合并,得到第二合并图像缺陷。
在本实施例中,图12是本发明实施例中提供的一种边缘图像中缺陷的合并示意图。参见图12,可依据第二类缺陷像素在已采集图像中位置,确定包括多个第二类缺陷像素的第二类缺陷像素连通域在边缘图像中位置,进而可将距离在预设第二距离阈值内的至少两个第二类缺陷像素连通域进行合并。可选地,确定边缘图像中包括至少两个第二类缺陷像素连通域在第二目标矩形区域中的填充度,并作为第二填充度。其中,第二目标矩形区域可为边缘图像中至少两个第二类缺陷像素连通域外接的最小矩形区域,即第二合并图像缺陷外接的最小矩形区域。进而,若第二填充度大于预设填充度阈值,则将边缘图像中距离在预设第二距离阈值内的至少两个第二类缺陷像素连通域进行合并。否则,不合并。
在本实施例中,第二填充度的计算方式与第一填充度的计算方式类似,第二填充度就是至少两个第二类缺陷像素的面积大小与第二目标矩形区域的面积大小之间的比值。可选地,边缘(梯度)图像中探测到的缺陷像素的合并距离大于已采集图像中探测到的缺陷像素的合并距离,即第二距离阈值大于第一距离阈值。例如,第一距离阈值设置为3个像素,第二距离阈值可设置为6个像素。
在本实施例中,可选地,图13是本发明实施例中提供的一种对边缘图像中合并图像缺陷和已采集图像中合并图像缺陷进行进一步合并的示意图。参见图13,如果已采集图像和已采集图像的边缘图像中都有合并图像缺陷的话,那么在已采集图像中合并得到第一合并图像缺陷和在边缘图像中合并得到第二合并图像缺陷后,可以将第一合并图像缺陷和第二合并图像缺陷进行合并。在合并之前,先确定第一合并图像缺陷和第二合并图像缺陷之间的缺陷距离,如第一合并图像缺陷和第二合并图像缺陷之间缺陷距离达到合并距离阈值,就将二者合并到共同的外接矩形中。可选地,合并的最终结果也包括已采集图像和边缘图像中缺陷像素的子图像。此外,合并通常只是给出在待复检缺陷图像上缺陷位置的坐标信息,并不一定要保留子图像。进而,合并结果可用于后续的缺陷特征提取和分类。
在上述实施例的基础上,可选地,在确定第一灰度筛选区间时采用的Fg1与在确定第一灰度梯度筛选区间时采用的Fg2可以相同,记为Fg。同时,在确定第二灰度筛选区间时采用的Fc1与在确定第二灰度梯度筛选区间时采用的Fc2可以相同,记为Fc。但是,存在Fg<Fc的限制,局部的阈值乘子Fc相对全局的阈值乘子Fg较大,不那么激进,可保证目标缺陷筛选条件的筛选精度高于干扰因素筛选条件的筛选精度,这样检测出的缺陷像素会更加准确,且有较高的灵敏度和较低的误判率。可选地,局部的阈值乘子Fc与全局的阈值乘子Fg均可以是积累的经验值,也可以是采用统计的方法获得的,譬如用一定数量的图像尝试阈值的底线(误判缺陷数量徒增)前对应的乘子值。
在本实施例中,在一个可选示例中,在一定数量的且相同类型的晶圆电子束图片上人工标记缺陷像素的标记,即构成实验图像集。对其中每个实验图像以一定的步长ΔFg、ΔFc在一定范围内搜寻Fg和Fc最佳值(此时检测结果最符合人工标签的结果,求二者像素之差)。这样对每一帧实验图像,都有最佳结果对应的Fg、Fc最佳值,去掉最差的,统计均值和方差,即可得到合适的Fg和Fc。
在本实施例中,在一个可选示例中,由用户标签一定数量EBR图像上的缺陷像素,然后分别以一定的步长ΔFg和ΔFc在一定范围内改变Fg和Fc,求得最佳缺陷检测和复检结果(即和用户标签缺陷像素最吻合)时的Fg值和Fc值,遍历全部图像和全部Fg和Fc值,得到统计结果,其均值(如果方差较小)就可以作为类似晶圆的阈值乘子默认值。
在本实施例中,在一个可选示例中,如果对一给定晶圆能够获得足够的数据,也可以引入人工智能(AI)/机器学习(ML)方法帮助更好地确定已采集图像和边缘图像的Fg和Fc值。可选地,可以用电子束设备在不同工作参数例如电子光学镜筒的主要工作参数,例如限束孔径(Aperture Size),束流(Beam Current),电子着陆能量(Landing Energy),束斑直径(Beam Size)等主要参数构成特征向量,用统计类ML算法,例如以朴素贝叶斯(Bayes)分类器算法为例,并不限于该算法,用一定数量图像经前述算法计算缺陷复检结果,以这些结果来训练ML模型。完成后能对任何给定EBR的工作参数选择,对该类晶圆给出最佳Fg和Fc值的选择。当然如果能用传统统计类ML方法的话,当有足够样品时,也就能用深度神经网络(DNN)方法。但实践中往往很难满足DNN所需样品数量。
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。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种无图形晶圆的复检方法,其特征在于,包括:
确定待复检缺陷图像;所述待复检缺陷图像包括已采集图像和所述已采集图像的边缘图像,所述已采集图像为包括无图形晶圆的待复检缺陷区域的灰度图像;
确定所述已采集图像的参考图像,并依据所述参考图像的灰度信息,确定所述已采集图像的第一灰度筛选区间;所述参考图像中不包括缺陷像素;
依据所述已采集图像的边缘图像中包含的灰度梯度信息,确定所述边缘图像的第一梯度筛选区间;
依据所述第一灰度筛选区间和第一梯度筛选区间筛选出所述待复检缺陷图像中可疑缺陷像素,并依据所述可疑缺陷像素确定所述待复检缺陷图像的目标缺陷筛选条件;
依据所述目标缺陷筛选条件确定所述待复检缺陷图像中的目标缺陷像素,用于实现对无图形晶圆的缺陷复检。
2.根据权利要求1所述的方法,其特征在于,确定所述已采集图像的参考图像,包括:
依据所述已采集图像中待复检缺陷区域在所述无图形晶圆的位置,确定至少一个目标区域;所述目标区域为与所述无图形晶圆的待复检缺陷区域最邻近的非缺陷区域;
依据所述目标区域在所述无图形晶圆的位置,确定所述已采集图像的参考图像;所述参考图像与所述已采集图像中的待复检缺陷区域不重叠。
3.根据权利要求1所述的方法,其特征在于,确定所述已采集图像的参考图像,包括:
依据所述已采集图像中待复检缺陷区域在所述无图形晶圆的位置,确定与所述已采集图像中待复检缺陷区域关联的至少一个参考位置;
依据所述与已采集图像中待复检缺陷区域关联的至少一个参考位置,确定所述已采集图像的参考图像;所述参考图像与所述已采集图像中的待复检缺陷区域不重叠。
4.根据权利要求3所述的方法,其特征在于,依据所述已采集图像中待复检缺陷区域在所述无图形晶圆的位置,确定与所述已采集图像中待复检缺陷区域关联的至少一个参考位置,包括:
依据所述待复检缺陷区域在所述无图形晶圆的位置,将所述无图形晶圆上位置间距在预设范围内的待复检缺陷区域共享一个参考位置,以得到待复检缺陷区域关联的参考位置;其中,同一个参考位置关联有同一个参考图像。
5.根据权利要求3或4所述的方法,其特征在于,所述方法还包括:
在对整个无图形晶圆进行复检之前,遍历无图形晶圆上全部待复检缺陷区域的位置,并按照各个待复检缺陷区域的位置分组,以采用聚类方法将位置邻近的待复检缺陷区域关联的待复缺陷检图像分为一组;其中,同一组待复检缺陷图像共享一个参考图像,且只需一次参考图像的采集。
6.根据权利要求2-4中任一所述的方法,其特征在于,所述方法还包括:
在无图形晶圆上待复检缺陷区域的数量大于预设数量,且不易在待复检缺陷区域的位置附近获取完全不含缺陷可能的参考图像的情况下,采集所述待复检缺陷区域的位置附近的多帧图像取像素中值,以获取所述待复检缺陷区域的位置关联的参考图像。
7.根据权利要求1所述的方法,其特征在于,依据所述参考图像的灰度信息,确定所述已采集图像的第一灰度筛选区间,包括:
依据所述参考图像中各个像素的灰度信息,获取所述参考图像灰度分布的统计结果;
依据所述参考图像灰度分布的统计结果,确定所述已采集图像的第一灰度筛选区间。
8.根据权利要求1所述的方法,其特征在于,依据所述已采集图像的边缘图像中包括的灰度梯度信息,确定所述边缘图像的第一梯度筛选区间,包括:
依据所述边缘图像中包括的各个像素的灰度梯度信息,获取所述边缘图像的灰度梯度分布的统计结果;
依据所述边缘图像的灰度梯度分布的统计结果,确定所述边缘图像的第一梯度筛选区间。
9.根据权利要求1所述的方法,其特征在于,依据所述第一灰度筛选区间和第一梯度筛选区间筛选出所述待复检缺陷图像中可疑缺陷像素,包括:
将所述已采集图像中灰度值位于所述第一灰度筛选区间之外的像素,作为第一类可疑像素;
将所述边缘图像中灰度梯度值位于所述第一梯度筛选区间之外的像素,作为第二类可疑像素,以将所述第一类可疑像素和所述第二类可疑像素作为所述可疑缺陷像素。
10.根据权利要求9所述的方法,其特征在于,依据所述可疑缺陷像素确定所述待复检缺陷图像的目标缺陷筛选条件,包括:
依据所述可疑缺陷像素中第一类可疑像素,确定所述已采集图像中的第一图像区域;所述第一图像区域中不包括所述第一类可疑像素;
依据所述第一图像区域的灰度信息,确定所述已采集图像的第二灰度筛选区间;
依据所述可疑缺陷像素中第二类可疑像素,确定所述边缘图像中的第二图像区域;所述第二图像区域中不包括所述第二类可疑像素;;
依据所述第二图像区域包括的灰度梯度信息,确定所述边缘图像的第二梯度筛选区间,以将所述第二灰度筛选区间和所述第二梯度筛选区间作为所述目标缺陷筛选条件。
11.根据权利要求10所述的方法,其特征在于,依据所述第一图像区域的灰度信息,确定所述已采集图像的第二灰度筛选区间,包括:
依据所述第一图像区域中各个像素的灰度信息,获取所述第一图像区域的像素灰度分布的统计结果;
依据所述第一图像区域的像素灰度分布的统计结果,确定所述第二灰度筛选区间。
12.根据权利要求10所述的方法,其特征在于,依据所述第二图像区域的灰度梯度信息,确定所述边缘图像的第二梯度筛选区间,包括:
依据所述第二图像区域中包括的各个像素的灰度梯度信息,获取所述第二图像区域的像素灰度梯度分布的统计结果;
依据所述第二图像区域的灰度梯度分布的统计结果,确定所述第二梯度筛选区间。
13.根据权利要求10所述的方法,其特征在于,依据所述目标缺陷筛选条件确定所述待复检缺陷图像中的目标缺陷像素,包括:
将所述已采集图像中灰度值位于所述第二灰度筛选区间之外的像素,作为第一类缺陷像素;
将所述边缘图像中灰度梯度值位于所述第二梯度筛选区间之外的像素,作为第二类缺陷像素,以将所述第一类缺陷像素和所述第二类缺陷像素作为目标缺陷像素。
14.根据权利要求10所述的方法,其特征在于,在依据所述可疑缺陷像素确定所述待复检缺陷图像的目标缺陷筛选条件之前,还包括:
当待复检缺陷图像中可疑缺陷像素占比过大时,从最邻近参考图像中获取与可疑缺陷像素的数量相近的像素,用以补充到待复检缺陷图像中参与确定目标缺陷筛选条件。
15.根据权利要求10所述的方法,其特征在于,在依据所述目标缺陷筛选条件确定所述待复检缺陷图像中的目标缺陷像素之后,还包括:
在确定至少两个第一类缺陷像素连通域后,将距离在预设第一距离阈值内的至少两个第一类缺陷像素连通域进行合并,得到第一合并图像缺陷;
在确定至少两个第二类缺陷像素连通域后,将距离在预设第二距离阈值内的至少两个第二类缺陷像素连通域进行合并,得到第二合并图像缺陷;
其中,所述第一合并图像缺陷和第二合并图像缺陷用于后续缺陷特征提取和分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010333221.6A CN111462113B (zh) | 2020-04-24 | 2020-04-24 | 无图形晶圆的复检方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010333221.6A CN111462113B (zh) | 2020-04-24 | 2020-04-24 | 无图形晶圆的复检方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462113A true CN111462113A (zh) | 2020-07-28 |
CN111462113B CN111462113B (zh) | 2021-12-28 |
Family
ID=71685381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010333221.6A Active CN111462113B (zh) | 2020-04-24 | 2020-04-24 | 无图形晶圆的复检方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462113B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348773A (zh) * | 2020-09-28 | 2021-02-09 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
CN112561905A (zh) * | 2020-12-24 | 2021-03-26 | 上海精测半导体技术有限公司 | 有图形晶圆的图像优化方法、复检方法和复检设备 |
CN113554628A (zh) * | 2021-07-27 | 2021-10-26 | 苏州微景医学科技有限公司 | 图像处理方法、装置及计算机可读存储介质 |
WO2022134305A1 (zh) * | 2020-12-21 | 2022-06-30 | 东方晶源微电子科技(北京)有限公司 | 晶圆缺陷检测方法和装置、设备及存储介质 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN115360116A (zh) * | 2022-10-21 | 2022-11-18 | 合肥晶合集成电路股份有限公司 | 一种晶圆的缺陷检测方法及系统 |
WO2023053728A1 (ja) * | 2021-09-29 | 2023-04-06 | 富士フイルム株式会社 | 表示処理装置、表示処理方法、及び、表示処理プログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
CN107004616A (zh) * | 2014-11-19 | 2017-08-01 | 德卡技术股份有限公司 | 对单元特定的图案化的自动光学检测 |
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 |
US20190033233A1 (en) * | 2009-01-13 | 2019-01-31 | Semiconductor Technologies & Instruments Pte Ltd | System and method for inspecting a wafer |
CN109978839A (zh) * | 2019-03-08 | 2019-07-05 | 浙江大学 | 晶圆低纹理缺陷的检测方法 |
-
2020
- 2020-04-24 CN CN202010333221.6A patent/CN111462113B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190033233A1 (en) * | 2009-01-13 | 2019-01-31 | Semiconductor Technologies & Instruments Pte Ltd | System and method for inspecting a wafer |
CN107004616A (zh) * | 2014-11-19 | 2017-08-01 | 德卡技术股份有限公司 | 对单元特定的图案化的自动光学检测 |
CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
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 |
CN109978839A (zh) * | 2019-03-08 | 2019-07-05 | 浙江大学 | 晶圆低纹理缺陷的检测方法 |
Non-Patent Citations (1)
Title |
---|
CHUAN-YU CHANG: "Wafer defect inspection by neural analysis of region features", 《JOURNAL OF INTELLIGENT MANUFACTURING》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348773A (zh) * | 2020-09-28 | 2021-02-09 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
CN112348773B (zh) * | 2020-09-28 | 2022-09-23 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
WO2022134305A1 (zh) * | 2020-12-21 | 2022-06-30 | 东方晶源微电子科技(北京)有限公司 | 晶圆缺陷检测方法和装置、设备及存储介质 |
CN112561905A (zh) * | 2020-12-24 | 2021-03-26 | 上海精测半导体技术有限公司 | 有图形晶圆的图像优化方法、复检方法和复检设备 |
CN112561905B (zh) * | 2020-12-24 | 2023-11-14 | 上海精测半导体技术有限公司 | 有图形晶圆的图像优化方法、复检方法和复检设备 |
CN113554628A (zh) * | 2021-07-27 | 2021-10-26 | 苏州微景医学科技有限公司 | 图像处理方法、装置及计算机可读存储介质 |
WO2023053728A1 (ja) * | 2021-09-29 | 2023-04-06 | 富士フイルム株式会社 | 表示処理装置、表示処理方法、及び、表示処理プログラム |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN115360116A (zh) * | 2022-10-21 | 2022-11-18 | 合肥晶合集成电路股份有限公司 | 一种晶圆的缺陷检测方法及系统 |
CN115360116B (zh) * | 2022-10-21 | 2023-01-31 | 合肥晶合集成电路股份有限公司 | 一种晶圆的缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111462113B (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462113B (zh) | 无图形晶圆的复检方法 | |
US11468553B2 (en) | System and method for determining type and size of defects on blank reticles | |
JP5225297B2 (ja) | ウエハー上に形成されたダイに於けるアレイ領域の認識方法、ならびに係る方法の設定方法 | |
JP4095860B2 (ja) | 欠陥検査方法及びその装置 | |
US9811897B2 (en) | Defect observation method and defect observation device | |
JP5624326B2 (ja) | ウェーハ上に形成されたアレイ領域のための検査領域のエッジを正確に識別する方法、及び、ウェーハ上に形成されたアレイ領域に検知された欠陥をビニングする方法 | |
US9766187B2 (en) | Repeater detection | |
KR101947843B1 (ko) | 검사 장치를 이용한 윤곽 기반 결함 검출 | |
US9436985B1 (en) | Method and system for enhancing image quality | |
KR20150140349A (ko) | 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링 | |
WO2016033300A1 (en) | Repeater detection | |
JP3660763B2 (ja) | 被検査パターンの検査方法及び製造プロセス診断方法並びに半導体基板の製造方法 | |
WO2015100099A1 (en) | Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images | |
US10275872B2 (en) | Method of detecting repeating defects and system thereof | |
TWI778258B (zh) | 缺陷偵測之方法、系統及非暫時性電腦可讀媒體 | |
US20220036538A1 (en) | Generating training data usable for examination of a semiconductor specimen | |
JP2011174858A (ja) | 欠陥検出方法および半導体装置の製造方法 | |
US10460434B2 (en) | Method of defect detection and system thereof | |
CN116130377B (zh) | 外延晶圆的缺陷检测方法、装置、系统及其制造方法 | |
US11636587B2 (en) | Inspection of a semiconductor specimen | |
US11035803B1 (en) | Multi-perspective examination of a specimen | |
JP2001325595A (ja) | 画像処理方法およびその装置並びに荷電粒子顕微鏡検査装置 | |
US20230206417A1 (en) | Detection of defects using a computationally efficient segmentation approach | |
US20230306580A1 (en) | Machine learning based examination of a semiconductor specimen and training thereof | |
US11645831B2 (en) | Identification of an array in a semiconductor specimen |
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 |