CN112229853A - 液滴型缺陷的检测方法和检测系统 - Google Patents
液滴型缺陷的检测方法和检测系统 Download PDFInfo
- Publication number
- CN112229853A CN112229853A CN201910561154.0A CN201910561154A CN112229853A CN 112229853 A CN112229853 A CN 112229853A CN 201910561154 A CN201910561154 A CN 201910561154A CN 112229853 A CN112229853 A CN 112229853A
- Authority
- CN
- China
- Prior art keywords
- defect
- droplet
- type
- detecting
- image
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- 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
- 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
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
Abstract
一种液滴型缺陷的检测方法和监测系统,其中所述检测方法,包括:获取待检测晶圆图像;获得所述待检测晶圆图像中的缺陷区域;对所述缺陷区域进行骨架化,获得骨架化缺陷图形;判断所述骨架化缺陷图形是否为线状,若所述骨架化缺陷图形为线状,则该骨架化缺陷图形对应的晶圆缺陷为液滴型缺陷。本发明实现对特定液滴型缺陷的识别并提高了识别的效率。
Description
技术领域
本发明涉及半导体制造领域,尤其涉及一种液滴型缺陷的检测方法和检测系统。
背景技术
半导体集成电路制作主要通过曝光、蚀刻、离子注入、薄膜沉积和化学机械研磨等工艺步骤,在硅衬底上形成各种类型的半导体器件以及将半导体器件连接的互连线。其中,任一步工艺中所产生的缺陷,都可能会导致电路的制作失败或失效。因此,在工艺制作中常需要对多步工艺进行缺陷检测及分析,找出缺陷发生的原因,并加以排除。
现有的缺陷检测方法虽然能检测出缺陷,但是对于缺陷类别的识别不完善以及识别效率较低,不利于工艺人员和设备人员对特定类型缺陷的分析和统计,以快速的找到缺陷产生的原因,影响了生产的效率。
发明内容
本发明所要解决的技术问题是怎样实现对特定缺陷类别识别以及提高识别的效率。
本发明提供了一种液滴型缺陷的检测方法,包括:
获取待检测晶圆图像;
获得所述待检测晶圆图像中的缺陷区域;
对所述缺陷区域进行骨架化,获得骨架化缺陷图形;
判断所述骨架化缺陷图形是否为线状,若所述骨架化缺陷图形为线状,则该骨架化缺陷图形对应的晶圆缺陷为液滴型缺陷。
可选的,所述缺陷区域获得过程包括:提供标准晶圆图像;将所述待检测晶圆图像与所述标准晶圆图像相减,获得差异化图像;对所述差异化图像进行二值化,获得缺陷区域。
可选的,所述二值化采用的算法包括大律法、最大熵法或迭代法。
可选的,所述将所述待检测晶圆图像与所述标准晶圆图像相减之前,还包括:对所述检测晶圆图像进行直方图等化。
可选的,所述骨架化采用的算法包括Zhang Suen细化算法、Burning细化算法Hilditch细化算法、Pavlidis细化算法或Rosenfeld细化算法。
可选的,所述线状为直线状或曲线状。可选的,判断所述骨架化缺陷图形是否为线状的过程包括:对所述缺陷区域进行骨架化的结果为或者所述骨架化缺陷图形为若干个连续的线段,所述线段的宽度均为一个像素;计算线段上的每个像素的相邻像素的个数,并依据每个像素对应的相邻像素个数将线段上的每一个像素分类为端点、接续点和分支点三种,所述端点的相邻像素的数量为一个,所述接续点的相邻像素的数量为两个,所述分支点的相邻像素的数量为三个以及三个以上;根据液滴型缺陷的线状判断规则进行筛选,找出液滴型缺陷,所述线状判断规则包括最小线长、是否允许分支和分支的数量。
可选的,所述线状判断规则包括:液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量≥2,最大分支点个数≥分支点的数量≥0。
可选的,所述线状判断规则包括:直线状的液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量为2,分支点的数量为0。
可选的,所述线状判断规则包括:具有分支的液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量≥3,分支点的数量为1。
可选的,所述最小长度≥30,所述最大分支点个数≤5。
可选的,还包括:对所述液滴型缺陷的位置、对应的图层、对应的处理设备和对应的处理腔室进行标记。
可选的,还包括:将所述液滴型缺陷进行加总,形成统计报表。
本发明还提供了一种液滴型缺陷的检测系统,包括:
晶圆图像获取单元,用于获取待检测晶圆图像;
缺陷区域获得单元,用于获得所述待检测晶圆图像中的缺陷区域;
骨架化单元,用于对所述缺陷区域进行骨架化,获得骨架化缺陷图形;
判断单元,用于判断所述骨架化缺陷图形是否为线状,若所述骨架化缺陷图形为线状,则该骨架化缺陷图形对应的晶圆缺陷为液滴型缺陷。
可选的,所述缺陷区域获得单元包括标准晶圆图像提供单元、差异化图像获得单元和二值化单元,所述标准晶圆图像提供单元用于提供标准晶圆图像;所述差异化图像获得单元用于将所述待检测晶圆图像与所述标准晶圆图像相减,获得差异化图像;所述二值化单元用于对所述差异化图像进行二值化,获得缺陷区域。
可选的,所述二值化采用的算法包括大律法、最大熵法或迭代法。
可选的,还包括:直方图等化单元,用于在将所述待检测晶圆图像与标准晶圆图像相减之前,对所述检测晶圆图像进行直方图等化。
可选的,所述骨架化单元进行骨架化时采用的算法包括Zhang Suen细化算法、Burning细化算法Hilditch细化算法、Pavlidis细化算法或Rosenfeld细化算法
可选的,判断单元判断所述骨架化缺陷图形是否为线状的过程包括:对所述缺陷区域进行骨架化的结果为或者所述骨架化缺陷图形为若干个连续的线段,所述线段的宽度均为一个像素;计算线段上的每个像素的相邻像素的个数,并依据每个像素对应的相邻像素个数将线段上的每一个像素分类为端点、接续点和分支点三种,所述端点的相邻像素的数量为一个,所述接续点的相邻像素的数量为两个,所述分支点的相邻像素的数量为三个以及三个以上;根据液滴型缺陷的线状判断规则进行筛选,找出液滴型缺陷,所述线状判断规则包括最小线长、是否允许分支和分支的数量。
可选的,所述线状判断规则包括:液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量≥2,最大分支点个数≥分支点的数量≥0。
可选的,所述线状判断规则包括:直线状的液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量为2,分支点的数量为0。
可选的,所述线状判断规则包括:具有分支的液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量≥3,分支点的数量为1。
可选的,所述最小长度≥30,所述最大分支点个数≤5。
可选的,还包括:标记单元,用于对所述液滴型缺陷的位置、对应的图层、对应的处理设备和对应的处理腔室进行标记。
可选的,所述线状为直线状或曲线状。
可选的,还包括:加总单元,用于将所述液滴型缺陷进行加总,形成统计报表。
与现有技术相比,本发明技术方案具有以下优点:
本发明的液滴型缺陷的检测方法,在获取待检测晶圆图像后,获得所述待检测晶圆图像中的缺陷区域;对所述缺陷区域进行骨架化,获得骨架化缺陷图形;判断所述骨架化缺陷图形是否为线状,若所述骨架化缺陷图形为线状,则该骨架化缺陷图形对应的晶圆缺陷为液滴型缺陷。本发明通过前述步骤的结合可以从所有的缺陷中快速和准确的识别出液滴型缺陷,使得工艺和设备人员可以快速的根据该缺陷锁定相应的处理设备(或工艺设备)、图层和/或工艺腔室,并能对处理设备的性能进行监控。
进一步,判断所述骨架化缺陷图形是否为线状的过程包括:对所述缺陷区域进行骨架化的结果为或者所述骨架化缺陷图形为若干个连续的线段,所述线段的宽度均为一个像素;计算线段上的每个像素的相邻像素的个数,并依据每个像素对应的相邻像素个数将线段上的每一个像素分类为端点、接续点和分支点三种,所述端点的相邻像素的数量为一个,所述接续点的相邻像素的数量为两个,所述分支点的相邻像素的数量为三个以及三个以上;根据液滴型缺陷的线状判断规则进行筛选,找出液滴型缺陷,所述线状判断规则包括最小线长、是否允许分支和分支的数量。以对液滴型缺陷实现快速准确的识别,提高缺陷检测时的运行效率。
进一步,所述液滴型缺陷的检测方法还包括:对所述液滴型缺陷的位置、对应的图层、对应的处理设备和对应的处理腔室进行标记。所述液滴型缺陷的位置、对应的图层、对应的处理设备和对应的处理腔室进行标记后,设备和工艺人员能快速的找到产生液滴型缺陷为哪一个工艺步骤,哪一个处理设备以及处理设备中的哪一个腔室,从而快速的找到缺陷产生的原因,提高了处理的效率,从而提高了生产的效率,并且利于工艺和设备人员对处理设备性能进行监控。
进一步,所述液滴型缺陷的检测方法还包括:将所述液滴型缺陷进行加总,形成统计报表,以方便对处理设备性能进行监控。
本发明的液滴型缺陷的检测系统,可以从所有的缺陷中快速和准确的识别出液滴型缺陷,使得工艺和设备人员可以快速的根据该缺陷锁定相应的处理设备(或工艺设备)、图层和/或工艺腔室,并能对处理设备的性能进行监控。
附图说明
图1-13为本发明一实施例液滴型缺陷的检测过程的结构示意图;
图14为本发明一实施例液滴型缺陷的检测系统的结构示意图。
具体实施方式
如背景技术所言,现有的缺陷检测方法虽然能检测出缺陷,但是对于缺陷类别的识别不完善以及识别效率较低,不利于工艺人员对特定类型缺陷的分析和统计,影响了生产的效率。
研究发现,在晶圆的清洗、显影或刻蚀工艺中由于液滴掉落到旋转的晶圆上容易在晶圆表面形成液滴型缺陷,液滴型缺陷是从晶圆的中心向边缘发射的线状缺陷,其覆盖的区域一般较大,如果在工艺制程中不及时发现该缺陷,会使得晶圆存在报废风险或者使得产品的良率极大的降低,而现有的缺陷检测方法虽然能发现存在缺陷的区域,但是不存在对液滴型缺陷这样的类别的定义,并且不存在对液滴型缺陷的类别进行快速和准确的识别方法,因而工艺和设备人员碰到这样的缺陷时,需要额外花费时间对缺陷产生的原因进行分析,并且不利于工艺和设备人员对处理设备性能进行监控。
为此,本发明提供了一种液滴型缺陷的检测方法和检测系统,本发明的监测方法,在获取待检测晶圆图像后,获得所述待检测晶圆图像中的缺陷区域;对所述缺陷区域进行骨架化,获得骨架化缺陷图形;判断所述骨架化缺陷图形是否为线状,若所述骨架化缺陷图形为线状,则该骨架化缺陷图形对应的晶圆缺陷为液滴型缺陷,从而可以从所有的缺陷中快速和准确的识别出液滴型缺陷,使得工艺和设备人员可以快速的根据该缺陷锁定相应的处理设备(或工艺设备)、图层和/或工艺腔室,并能对处理设备的性能进行监控。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在详述本发明实施例时,为便于说明,示意图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明的保护范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
参考图1,本发明一实施例提供了液滴型缺陷的检测方法,包括步骤:
步骤S201,获取待检测晶圆图像;
步骤S202,获得所述待检测晶圆图像中的缺陷区域;
步骤S203,对所述缺陷区域进行骨架化,获得骨架化缺陷图形;
步骤S204,判断所述骨架化缺陷图形是否为线状,若所述骨架化缺陷图形为线状,则该骨架化缺陷图形对应的晶圆缺陷为液滴型缺陷;
步骤S205,对所述液滴型缺陷的位置、对应的图层、对应的处理设备和对应的处理腔室进行标记
步骤S206,将所述液滴型缺陷进行加总,形成统计报表。
下面对前述过程进行详细的描述。
进行步骤S201,获取待检测晶圆图像。
所述待检测晶圆为半导体集成制作工艺中所采用的晶圆,所述晶圆可以为进行曝光(显影)、蚀刻、离子注入、薄膜沉积或化学机械研磨工艺的晶圆,所述晶圆包括若干晶粒(Die)区域和位于晶粒区域之间的切割道区域,在半导体制作工艺中,若干晶粒区域上形成相同的图形(所述图形为半导体器件、互连线和介质层构成的图形)。
在一实施例中,所述晶圆具体可以为硅(Si)晶圆、锗(Ge)晶圆、或硅锗(GeSi)晶圆、碳化硅(SiC)晶圆;也可以是绝缘体上硅(SOI),绝缘体上锗(GOI)。本实施例中所述晶圆为硅晶圆。
在一实施例中,获取待检测晶圆图像的过程包括:将待检测晶圆置于载台上;通过拍摄装置(包括摄像头、干涉仪等)获得载台上的待检测晶圆的初步影像;获取初步影像中的晶圆的边界区域(可通过霍夫圆检测算法获得),将边界区域内的影像作为感兴趣的区域(ROI,Region Of Interest),感兴趣的区域即为获取的待检测晶圆图像。具体的,请参考图5,图5为一个实施例中获得的待检测晶圆图像101的结构示意图,图5中待检测晶圆图像101仅示出了晶圆上若干晶粒区域和位于晶粒区域之间的切割道区域所对应的晶粒区域图像10和位于晶粒区域图像10之间的切割道区域图像11,以及位于晶圆表面上的缺陷对应的缺陷图像110和缺陷图像120,缺陷图像110为液滴型缺陷对应的图像,缺陷图像120为其他缺陷对应的图像,其他缺陷可以为颗粒缺陷或者图形缺陷等。需要说明的是,图5中所示的待检测晶圆图像仅是作为示例,不应限制本发明的保护范围。
进行步骤S202,获得所述待检测晶圆图像中的缺陷区域。
获得缺陷区域的目的是在待检测晶圆图像中找到晶圆缺陷对应所在的位置,以及晶圆缺陷的边界。
在一实施例中,请参考图2,所述缺陷区域获得过程包括:步骤S2031,提供标准晶圆图像;步骤S2032,将所述待检测晶圆图像与所述标准晶圆图像相减,获得差异化图像;步骤S2033,对所述差异化图像进行二值化,获得缺陷区域。
进行步骤S2031,提供标准晶圆图像。所述标准晶圆图像为表面不存在缺陷的晶圆所获得的图像,或者为待检测晶圆的表面不存在缺陷时所获得的图像。具体的,请参考图4,图4为一实施例中标准晶圆图像100的结构示意图,所述标准晶圆图像100与所述待检测晶圆图像101(参考图5)的区别在于所述标准晶圆图像100上不存在缺陷图像,其他区域的图像相同。需要说明的是,图4中的标准晶圆图像100仅作为示例,其不应限制本发明的保护范围。
进行步骤S2032,将所述待检测晶圆图像与所述标准晶圆图像相减,获得差异化图像,所述差异化图像为缺陷在晶圆上所对应的图像。具体的,请参考图6,将所述待检测晶圆图像101(参考图5)与所述标准晶圆图像100(参考图4)相减,获得差异化图像102。将所述待检测晶圆图像101(参考图5)与所述标准晶圆图像100(参考图4)相减时,待检测晶圆图像101(参考图5)与所述标准晶圆图像100(参考图4)上相同的图像被去除,仅保留缺陷图像110和缺陷图像120,获得差异化图像102。
将所述待检测晶圆图像101(参考图5)与所述标准晶圆图像100(参考图4)相减之前,需要将所述待检测晶圆图像101与所述标准晶圆图像100进行配准,实现待检测晶圆图像101与所述标准晶圆图像100在空间上的对准。进行配准的方法可以采用基于圆形侦测的图像配准方法对检测晶圆图像101与所述标准晶圆图像100上感兴趣的区域(ROI,RegionOf Interest)进行对准。
在其他实施例中,请参考图3,在进行步骤S2032,将所述待检测晶圆图像与所述标准晶圆图像相减,获得差异化图像之前,还可以包括步骤S2034,对所述检测晶圆图像进行直方图等化,以针对检测晶圆图像的亮度和对比对进行正规化,藉以降低环境光源对检测晶圆图像的影响,提高待检测晶圆图像与所述标准晶圆图像相减时获得的差异化图像精确度,防止噪音缺陷图像的出现。
进行步骤S2033,对所述差异化图像进行二值化,获得缺陷区域。前述获得差异化图像仍是彩色图像,需要对差异化图像进行二值化,以利于后续进行骨架化。
对差异化图像进行二值化目的是将差异化图像上的像素点的灰度值设置为0或255,也就是将整个差异化图像呈现出明显的黑白效果的过程,二值化后每一个像素点对应的标记为“1”或“0”,“0”表示背景,“1”表示前景。具体请参考图7,差异化图像102经过二值化后,二值化的图片在可视化时,缺陷图像110(参考图6)和缺陷图像120(参考图6)所对应的区域(前景)变成黑色,其中黑色对应的区域即为缺陷区域111和缺陷区域121,缺陷图像110和缺陷图像120外的其他区域(背景)变成白色。在其他实施例中,差异化图像102经过二值化后,二值化的图片在可视化时,缺陷图像所对应的区域(前景)变成白色,缺陷图像外的其他区域(背景)变成黑色。
在一实施例中,所述二值化采用的算法包括大律法、最大熵法或迭代法。
进行步骤S203,对所述缺陷区域进行骨架化,获得骨架化缺陷图形。
进行骨架化的目的是对缺陷区域进行细线化,便于后续对特定缺陷类别(液滴型缺陷)的识别,使得后续可以从所有的缺陷中快速和准确的识别出液滴型缺陷,使得工艺和设备人员可以快速的根据该缺陷锁定相应的处理设备(或工艺设备)、图层和/或工艺腔室,并能对处理设备的性能进行监控。具体请参考图8,图8为对图7中所示的缺陷区域111进行骨架化后,获得了骨架化缺陷图形112。
对所述缺陷区域进行骨架化的结果为或者所述骨架化缺陷图形为若干个连续的线段,所述线段的宽度均为一个像素。参考图9,图9为图8所示的骨架化缺陷图形112的放大结构示意图,所述骨架化缺陷图形112的宽度为一个像素,即骨架化缺陷图形112为若干个像素20连接成的线状结构,具体的呈若干个连续的线段分布。
所述骨架化采用的算法包括Zhang Suen细化算法、Burning细化算法Hilditch细化算法、Pavlidis细化算法或Rosenfeld细化算法
以Zhang Suen细化算法为例对缺陷区域骨架化进行说明:Zhang Suen细化算法通常是一个迭代算法,整个迭代过程分为两步:
第一步:循环所有前景(参考图7中缺陷区域111)像素点,对符合如下条件的像素点P1标记为删除:
1.2<=N(P1)<=6
2.S(P1)=1
3.P2*P4*P6=0
4.P4*P6*P8=0
其中N(p1)表示跟P1相邻的8个像素点中,为前景像素点的个数,S(P1)表示从P2~P9~P2像素中出现0~1的累计次数。
完整的P1~P9的像素位置与示例请参考图13,图13中P1像素周围设置有8个像素P2~P9,以及像素P2~P9对应的为背景(0表示)或者前景(1表示)。
将图13中所示的数值代入第一步中的各公式得到:N(P1)=4,S(P1)=3,P2*P4*P6=0*0*0=0,P4*P6*P8=0*0*1=0,不符合条件,则像素点P1无需标记为删除。
第二步:跟第一步很类似,条件1、2完全一致,只是条件3、4稍微不同,满足如下条件的像素点P1则标记为删除,条件如下:
1.2<=N(P1)<=6
2.S(P1)=1
3.P2*P4*P8=0
4.P2*P6*P8=0
循环上述两步骤,直到两步中都没有像素被标记为删除为止,输出的结果即为二值图像细化后的骨架。
进行步骤S204,判断所述骨架化缺陷图形是否为线状,若所述骨架化缺陷图形为线状,则该骨架化缺陷图形对应的晶圆缺陷为液滴型缺陷。
在一实施例中,判断所述骨架化缺陷图形是否为线状的过程包括:对所述缺陷区域进行骨架化的结果为或者所述骨架化缺陷图形为若干个连续的线段,所述线段的宽度均为一个像素;计算线段上的每个像素的相邻像素的个数,并依据每个像素对应的相邻像素个数将线段上的每一个像素分类为端点、接续点和分支点三种,所述端点的相邻像素的数量为一个,所述接续点的相邻像素的数量为两个,所述分支点的相邻像素的数量为三个以及三个以上;根据液滴型缺陷的线状判断规则进行筛选,找出液滴型缺陷,所述线状判断规则包括最小线长、是否允许分支和分支的数量。以对液滴型缺陷实现快速准确的识别,提高缺陷检测时的运行效率。
如图9所示对所述缺陷区域进行骨架化的结果为或者所述骨架化缺陷图形112为若干个连续的线段,所述线段的宽度均为一个像素。接着参考图10,对图9中所示的线段上的像素点进行分类,具体的计算图9所示线段上的每个像素的相邻像素的个数,并依据每个像素对应的相邻像素个数将线段上的每一个像素分类为端点1、接续点2和分支点(图9中不存在分支点)三种,所述端点1的相邻像素的数量为一个,所述接续点2的相邻像素的数量为两个,所述分支点的相邻像素的数量为三个以及三个以上。如图10所示,所述像素构成的线段上包括两个端点1以及9个接续点2。
在其他实施例中,当对缺陷区域进行骨架化,获得骨架化缺陷图形113如图11所示具有两个分支时,参考图12,对骨架化缺陷图形113对应的像素线段上的像素点进行分类,根据端点的相邻像素的数量为一个,接续点的相邻像素的数量为两个,分支点的相邻像素的数量为三个以及三个以上的分类规则,图12中骨架化缺陷图形113对应的像素线段上存在三个端点1,十二个接续点2以及一个分支点3。
在对像素点进行分类后,根据液滴型缺陷的线状判断规则进行筛选,找出液滴型缺陷,所述线状判断规则包括最小线长、是否允许分支和分支的数量。
在一实施例中,所述线状判断规则包括:液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量≥2,最大分支点个数≥分支点的数量≥0。在具体的实施例中,所述最小长度≥30,所述最大分支点个数≤5,具体可以为1、2、3、4、5。根据该线状判断规则,可以判定图10和图12中骨架化缺陷图形为液滴型缺陷。以实现对液滴型缺陷的快速筛选
在另一实施例中,所述线状判断规则包括:直线状的液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量为2,分支点的数量为0。在具体的实施例中,所述最小长度≥30。以实现对直线状液滴型缺陷(如图10所示的直线状液滴型缺陷)的快速筛选。
在又一实施例中,所述线状判断规则包括:具有分支的液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量≥3,分支点的数量为1。在具体的实施例中,所述最小长度≥30。以实现对具有分支液滴型缺陷(如图12所示的具有一个分支液滴型缺陷)的快速筛选。
进行步骤S205,对所述液滴型缺陷的位置、对应的图层、对应的处理设备和对应的处理腔室进行标记。
所述液滴型缺陷的位置、对应的图层、对应的处理设备和对应的处理腔室进行标记后,设备和工艺人员能快速的找到产生液滴型缺陷为哪一个工艺步骤,哪一个处理设备以及处理设备中的哪一个腔室,从而快速的找到缺陷产生的原因,提高了处理的效率,从而提高了生产的效率,并且利于工艺和设备人员对处理设备性能进行监控。
步骤S206,将所述液滴型缺陷进行加总,形成统计报表。
根据检测结果,可以将液滴型缺陷进行加总,形成统计报表。比如将液滴型缺陷的总数量根据不同的图层、不同的处理设备和/或不同的处理腔室进行汇总,以方便对处理设备性能进行监控。
本发明另一实施例还提供了一种液滴型缺陷的检测系统,请参考图14,包括:
晶圆图像获取单元301,用于获取待检测晶圆图像;
缺陷区域获得单元302,用于获得所述待检测晶圆图像中的缺陷区域;
骨架化单元303,用于对所述缺陷区域进行骨架化,获得骨架化缺陷图形;
判断单元304,用于判断所述骨架化缺陷图形是否为线状,若所述骨架化缺陷图形为线状,则该骨架化缺陷图形对应的晶圆缺陷为液滴型缺陷。
在一实施例中,所述缺陷区域获得单元302包括标准晶圆图像提供单元、差异化图像获得单元和二值化单元,所述标准晶圆图像提供单元用于提供标准晶圆图像;所述差异化图像获得单元用于将所述待检测晶圆图像与所述标准晶圆图像相减,获得差异化图像;所述二值化单元用于对所述差异化图像进行二值化,获得缺陷区域。
所述二值化采用的算法包括大律法、最大熵法或迭代法。
所述缺陷区域获得单元302还包括:直方图等化单元,用于在将所述待检测晶圆图像与标准晶圆图像相减之前,对所述检测晶圆图像进行直方图等化。
所述骨架化单元303进行骨架化时采用的算法包括Zhang Suen细化算法、Burning细化算法Hilditch细化算法、Pavlidis细化算法或Rosenfeld细化算法
在一实施例中,判断单元304判断所述骨架化缺陷图形是否为线状的过程包括:对所述缺陷区域进行骨架化的结果为或者所述骨架化缺陷图形为若干个连续的线段,所述线段的宽度均为一个像素;计算线段上的每个像素的相邻像素的个数,并依据每个像素对应的相邻像素个数将线段上的每一个像素分类为端点、接续点和分支点三种,所述端点的相邻像素的数量为一个,所述接续点的相邻像素的数量为两个,所述分支点的相邻像素的数量为三个以及三个以上;根据液滴型缺陷的线状判断规则进行筛选,找出液滴型缺陷,所述线状判断规则包括最小线长、是否允许分支和分支的数量。
在一实施例中,所述线状判断规则包括:液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量≥2,最大分支点个数≥分支点的数量≥0。在具体的实施例中,所述最小长度≥30,所述最大分支点个数≤5。根据该线状判断规则,可以判定图10和图12中骨架化缺陷图形为液滴型缺陷。以实现对液滴型缺陷的快速筛选
在另一实施例中,所述线状判断规则包括:直线状的液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量为2,分支点的数量为0。在具体的实施例中,所述最小长度≥30。以实现对直线状液滴型缺陷(如图10所示的直线状液滴型缺陷)的快速筛选。
在又一实施例中,所述线状判断规则包括:具有分支的液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量≥3,分支点的数量为1。在具体的实施例中,所述最小长度≥30。以实现对具有分支液滴型缺陷(如图12所示的具有一个分支液滴型缺陷)的快速筛选。
所述线状为直线状或曲线状。
所述液滴型缺陷的检测系统还包括:标记单元305,用于对所述液滴型缺陷的位置、对应的图层、对应的处理设备和对应的处理腔室进行标记。所述液滴型缺陷的检测系统还包括:加总单元306,用于将所述液滴型缺陷进行加总,形成统计报表。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (26)
1.一种液滴型缺陷的检测方法,其特征在于,包括:
获取待检测晶圆图像;
获得所述待检测晶圆图像中的缺陷区域;
对所述缺陷区域进行骨架化,获得骨架化缺陷图形;
判断所述骨架化缺陷图形是否为线状,若所述骨架化缺陷图形为线状,则该骨架化缺陷图形对应的晶圆缺陷为液滴型缺陷。
2.如权利要求1所述的液滴型缺陷的检测方法,其特征在于,所述缺陷区域获得过程包括:提供标准晶圆图像;将所述待检测晶圆图像与所述标准晶圆图像相减,获得差异化图像;对所述差异化图像进行二值化,获得缺陷区域。
3.如权利要求2所述的液滴型缺陷的检测方法,其特征在于,所述二值化采用的算法包括大律法、最大熵法或迭代法。
4.如权利要求2所述的液滴型缺陷的检测方法,其特征在于,所述将所述待检测晶圆图像与所述标准晶圆图像相减之前,还包括:对所述检测晶圆图像进行直方图等化。
5.如权利要求1所述的液滴型缺陷的检测方法,其特征在于,所述骨架化采用的算法包括Zhang Suen细化算法、Burning细化算法、Hilditch细化算法、Pavlidis细化算法或Rosenfeld细化算法。
6.如权利要求1所述的液滴型缺陷的检测方法,其特征在于,所述线状为直线状或曲线状。
7.如权利要求1所述的液滴型缺陷的检测方法,其特征在于,判断所述骨架化缺陷图形是否为线状的过程包括:对所述缺陷区域进行骨架化的结果为或者所述骨架化缺陷图形为若干个连续的线段,所述线段的宽度均为一个像素;计算线段上的每个像素的相邻像素的个数,并依据每个像素对应的相邻像素个数将线段上的每一个像素分类为端点、接续点和分支点三种,所述端点的相邻像素的数量为一个,所述接续点的相邻像素的数量为两个,所述分支点的相邻像素的数量为三个以及三个以上;根据液滴型缺陷的线状判断规则进行筛选,找出液滴型缺陷,所述线状判断规则包括最小线长、是否允许分支和分支的数量。
8.如权利要求7所述的液滴型缺陷的检测方法,其特征在于,所述线状判断规则包括:液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量≥2,最大分支点个数≥分支点的数量≥0。
9.如权利要求8所述的液滴型缺陷的检测方法,其特征在于,所述线状判断规则包括:直线状的液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量为2,分支点的数量为0。
10.如权利要求8所述的液滴型缺陷的检测方法,其特征在于,所述线状判断规则包括:具有分支的液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量≥3,分支点的数量为1。
11.如权利要求8所述的液滴型缺陷的检测方法,其特征在于,所述最小长度≥30,所述最大分支个数≤5。
12.如权利要求1所述的液滴型缺陷的检测方法,其特征在于,还包括:对所述液滴型缺陷的位置、对应的图层、对应的处理设备和对应的处理腔室进行标记。
13.如权利要求12所述的液滴型缺陷的检测方法,其特征在于,还包括:将所述液滴型缺陷进行加总,形成统计报表。
14.一种液滴型缺陷的检测系统,其特征在于,包括:
晶圆图像获取单元,用于获取待检测晶圆图像;
缺陷区域获得单元,用于获得所述待检测晶圆图像中的缺陷区域;
骨架化单元,用于对所述缺陷区域进行骨架化,获得骨架化缺陷图形;
判断单元,用于判断所述骨架化缺陷图形是否为线状,若所述骨架化缺陷图形为线状,则该骨架化缺陷图形对应的晶圆缺陷为液滴型缺陷。
15.如权利要求14所述的液滴型缺陷的检测系统,其特征在于,所述缺陷区域获得单元包括标准晶圆图像提供单元、差异化图像获得单元和二值化单元,所述标准晶圆图像提供单元用于提供标准晶圆图像;所述差异化图像获得单元用于将所述待检测晶圆图像与所述标准晶圆图像相减,获得差异化图像;所述二值化单元用于对所述差异化图像进行二值化,获得缺陷区域。
16.如权利要求15所述的液滴型缺陷的检测系统,其特征在于,所述二值化采用的算法包括大律法、最大熵法或迭代法。
17.如权利要求14所述的液滴型缺陷的检测系统,其特征在于,还包括:直方图等化单元,用于在将所述待检测晶圆图像与标准晶圆图像相减之前,对所述检测晶圆图像进行直方图等化。
18.如权利要求14所述的液滴型缺陷的检测系统,其特征在于,所述骨架化单元进行骨架化时采用的算法包括Zhang Suen细化算法、Burning细化算法、Hilditch细化算法、Pavlidis细化算法或Rosenfeld细化算法。
19.如权利要求14所述的液滴型缺陷的检测系统,其特征在于,判断单元判断所述骨架化缺陷图形是否为线状的过程包括:对所述缺陷区域进行骨架化的结果为或者所述骨架化缺陷图形为若干个连续的线段,所述线段的宽度均为一个像素;计算线段上的每个像素的相邻像素的个数,并依据每个像素对应的相邻像素个数将线段上的每一个像素分类为端点、接续点和分支点三种,所述端点的相邻像素的数量为一个,所述接续点的相邻像素的数量为两个,所述分支点的相邻像素的数量为三个以及三个以上;根据液滴型缺陷的线状判断规则进行筛选,找出液滴型缺陷,所述线状判断规则包括最小线长、是否允许分支和分支的数量。
20.如权利要求19所述的液滴型缺陷的检测系统,其特征在于,所述线状判断规则包括:液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量≥2,最大分支点个数≥分支点的数量≥0。
21.如权利要求20所述的液滴型缺陷的检测系统,其特征在于,所述线状判断规则包括:直线状的液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量为2,分支点的数量为0。
22.如权利要求20所述的液滴型缺陷的检测系统,其特征在于,所述线状判断规则包括:具有分支的液滴型缺陷需满足:接续点的数量≥最小长度,端点的数量≥3,分支点的数量为1。
23.如权利要求20所述的液滴型缺陷的检测系统,其特征在于,所述最小长度≥30,所述最大分支点个数≤5。
24.如权利要求14所述的液滴型缺陷的检测系统,其特征在于,所述线状为直线状或曲线状。
25.如权利要求14所述的液滴型缺陷的检测系统,其特征在于,还包括:标记单元,用于对所述液滴型缺陷的位置、对应的图层、对应的处理设备和对应的处理腔室进行标记。
26.如权利要求25所述的液滴型缺陷的检测系统,其特征在于,还包括:加总单元,用于将所述液滴型缺陷进行加总,形成统计报表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561154.0A CN112229853B (zh) | 2019-06-26 | 2019-06-26 | 液滴型缺陷的检测方法和检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561154.0A CN112229853B (zh) | 2019-06-26 | 2019-06-26 | 液滴型缺陷的检测方法和检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112229853A true CN112229853A (zh) | 2021-01-15 |
CN112229853B CN112229853B (zh) | 2022-11-29 |
Family
ID=74110919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910561154.0A Active CN112229853B (zh) | 2019-06-26 | 2019-06-26 | 液滴型缺陷的检测方法和检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112229853B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166171A (zh) * | 2022-02-14 | 2022-03-11 | 西安奕斯伟材料科技有限公司 | 晶体缺陷的检测方法与检测装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001221790A (ja) * | 2000-02-07 | 2001-08-17 | Mitsubishi Electric Corp | ウエハ表面の汚染評価方法および装置 |
US20040127044A1 (en) * | 2002-12-16 | 2004-07-01 | Applied Materials, Inc. | Single wafer cleaning method to reduce particle defects on a wafer surface |
US20060233433A1 (en) * | 2002-03-21 | 2006-10-19 | Roni Flieswasser | Morphological inspection method based on skeletonization |
US20090208090A1 (en) * | 2008-01-09 | 2009-08-20 | Tomofumi Nishiura | Method and apparatus for inspecting defect of pattern formed on semiconductor device |
JP2009206439A (ja) * | 2008-02-29 | 2009-09-10 | Toshiba Corp | 線状パターンの検知方法および装置 |
CN104535589A (zh) * | 2015-01-20 | 2015-04-22 | 广东电网有限责任公司电力科学研究院 | 一种低压电流互感器在线检测方法和装置 |
CN107077733A (zh) * | 2014-11-12 | 2017-08-18 | 科磊股份有限公司 | 用于以数字匹配滤波器进行增强型缺陷检测的系统及方法 |
CN109449093A (zh) * | 2018-10-24 | 2019-03-08 | 武汉新芯集成电路制造有限公司 | 晶圆检测方法 |
CN109712147A (zh) * | 2018-12-19 | 2019-05-03 | 广东工业大学 | 一种基于Zhang-Suen图像骨架提取的干涉条纹中心线拟合方法 |
-
2019
- 2019-06-26 CN CN201910561154.0A patent/CN112229853B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001221790A (ja) * | 2000-02-07 | 2001-08-17 | Mitsubishi Electric Corp | ウエハ表面の汚染評価方法および装置 |
US20060233433A1 (en) * | 2002-03-21 | 2006-10-19 | Roni Flieswasser | Morphological inspection method based on skeletonization |
US20040127044A1 (en) * | 2002-12-16 | 2004-07-01 | Applied Materials, Inc. | Single wafer cleaning method to reduce particle defects on a wafer surface |
US20090208090A1 (en) * | 2008-01-09 | 2009-08-20 | Tomofumi Nishiura | Method and apparatus for inspecting defect of pattern formed on semiconductor device |
JP2009206439A (ja) * | 2008-02-29 | 2009-09-10 | Toshiba Corp | 線状パターンの検知方法および装置 |
CN107077733A (zh) * | 2014-11-12 | 2017-08-18 | 科磊股份有限公司 | 用于以数字匹配滤波器进行增强型缺陷检测的系统及方法 |
CN104535589A (zh) * | 2015-01-20 | 2015-04-22 | 广东电网有限责任公司电力科学研究院 | 一种低压电流互感器在线检测方法和装置 |
CN109449093A (zh) * | 2018-10-24 | 2019-03-08 | 武汉新芯集成电路制造有限公司 | 晶圆检测方法 |
CN109712147A (zh) * | 2018-12-19 | 2019-05-03 | 广东工业大学 | 一种基于Zhang-Suen图像骨架提取的干涉条纹中心线拟合方法 |
Non-Patent Citations (2)
Title |
---|
TUAN LE: "监测基于浸没式光刻的晶圆边缘缺陷", 《工艺与制造》 * |
李政广等: "骨架提取在IC晶片缺陷机器视觉识别中的研究", 《半导体技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166171A (zh) * | 2022-02-14 | 2022-03-11 | 西安奕斯伟材料科技有限公司 | 晶体缺陷的检测方法与检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112229853B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6312370B2 (ja) | ウェーハジオメトリ計測ツールによるウェーハ表面フィーチャの検出、分類および定量化のためのシステムおよび方法 | |
Tsai et al. | Mean shift-based defect detection in multicrystalline solar wafer surfaces | |
JP4095860B2 (ja) | 欠陥検査方法及びその装置 | |
CN115035122B (zh) | 基于人工智能的集成电路晶圆表面缺陷检测方法 | |
CN111292321B (zh) | 一种输电线路绝缘子缺陷图像识别方法 | |
CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
US20190347505A1 (en) | Descriptor guided fast marching method for analyzing images and systems using the same | |
KR101932214B1 (ko) | 이미지 처리 기법을 이용하여 균열을 측정하기 위한 장치 및 그 방법 | |
IL131092A (en) | Optical inspection system | |
Selvakumar et al. | The performance analysis of edge detection algorithms for image processing | |
Yun et al. | Crack recognition and segmentation using morphological image-processing techniques for flexible pavements | |
Ghosh et al. | Counterfeit IC detection by image texture analysis | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN112229853B (zh) | 液滴型缺陷的检测方法和检测系统 | |
Li et al. | Automatic infrared ship target segmentation based on structure tensor and maximum histogram entropy | |
CN108537815B (zh) | 一种视频图像前景分割方法和装置 | |
Fang et al. | Towards real-time crack detection using a deep neural network with a Bayesian fusion algorithm | |
CN112213314B (zh) | 晶圆侧面缺陷的检测方法和检测系统 | |
Kuo et al. | Automated inspection of micro-defect recognition system for color filter | |
Saad et al. | Automatic semiconductor wafer image segmentation for defect detection using multilevel thresholding | |
CN107808385B (zh) | 基于幂律分布的彩色图像分水岭分割方法 | |
Modegi | Small object recognition techniques based on structured template matching for high-resolution satellite images | |
CN112419296A (zh) | 微纳光学元件表面缺陷检测方法及图像分割方法 | |
Ibrahim et al. | An improved defect classification algorithm for six printing defects and its implementation on real printed circuit board images | |
CN107533994A (zh) | 自动化的基于图像的过程监测及控制 |
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 |