CN112529873B - 一种基于art神经网络的晶圆缺陷检测方法 - Google Patents
一种基于art神经网络的晶圆缺陷检测方法 Download PDFInfo
- Publication number
- CN112529873B CN112529873B CN202011462376.6A CN202011462376A CN112529873B CN 112529873 B CN112529873 B CN 112529873B CN 202011462376 A CN202011462376 A CN 202011462376A CN 112529873 B CN112529873 B CN 112529873B
- Authority
- CN
- China
- Prior art keywords
- wafer
- image
- defect
- layer
- neural network
- 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
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明公开一种基于ART神经网络的晶圆缺陷检测方法,该基于ART神经网络的晶圆缺陷检测方法,包括以下步骤:获取基于ART神经网络的缺陷检测模型并保存;获取扫描电镜采集的晶圆图像,并输入至所述缺陷检测模型;利用所述缺陷检测模型检测所述晶圆图像的缺陷及缺陷类型。该方法采用计算机视觉方式,通过基于ART神经网络的缺陷检测模型来检测晶圆缺陷,可以提高检测效率,有利于及时分析影响芯片良率的因素。
Description
技术领域
本发明涉及集成电路技术领域,具体涉及一种基于ART(Adaptive ResonanceTheory,自适应共振理论)神经网络的晶圆缺陷检测方法及系统。
背景技术
芯片是各种技术的硬件基础,在芯片的制造过程中,每道工序流程对晶圆的处理都可能会产生一些缺陷,这些缺陷可能会造成芯片无法正常工作,如果依靠人工检测缺陷,效率低下。而随着芯片尺寸的不断减小,芯片制造工艺越来越复杂,晶圆缺陷的种类和数量也越来越多,所以亟需在芯片制造过程中快速的检测晶圆缺陷,从而及时分析影响芯片良率的因素。
发明内容
基于此,本发明提供一种基于ART神经网络的晶圆缺陷检测方法及系统,可以提高晶圆缺陷检测效率。
第一方面,提出一种基于ART神经网络的晶圆缺陷检测方法,包括以下步骤:
获取基于ART神经网络的缺陷检测模型并保存;
获取扫描电镜采集的晶圆图像,并输入至所述缺陷检测模型;
利用所述缺陷检测模型检测所述晶圆图像的缺陷及缺陷类型。
在其中一个实施例中,所述获取扫描电镜采集的晶圆图像的步骤包括:
获取晶圆制备过程中扫描电镜采集的所述晶圆每一层的图像,所述晶圆每一层的图像指晶圆每一层上表面的图像;
获取扫描电镜采集的结束制备的晶圆的整个侧面的图像;
将获取到的各个图像平铺以进行第一合并,所述第一合并的晶圆图像中的各层晶圆图像的平铺顺序与制备的先后顺序一致,用于输入所述缺陷检测模型的晶圆图像包括所述第一合并的晶圆图像。
在其中一个实施例中,所述获取扫描电镜采集的晶圆图像的步骤还包括:
将获取到的所述晶圆的每一层图像进行叠加,从而实现第二合并,所述第二合并的晶圆图像中的各层晶圆图像的叠加顺序与制备的先后顺序一致,用于输入所述缺陷检测模型的晶圆图像包括所述第一合并的晶圆图像以及所述第二合并的晶圆图像。
在其中一个实施例中,所述基于ART神经网络的缺陷检测模型包括以下训练步骤:
构建ART神经网络结构;
获取有缺陷的晶圆样本图像和无缺陷的晶圆样本图像,并分别打上有缺陷标签和无缺陷标签,为各个缺陷的晶圆样本图像,并为各个样本图像打上缺陷类型的标签;
将各个样本图像输入到ART神经网络结构进行训练,扩大不同缺陷类型样本图像间特征差异性,减少相同缺陷类型的样本图像之间的特征差异性,不断调整模型的参数直到收敛,结束训练,从而得到所述缺陷检测模型;
当缺陷类型发生更新,获取包含新缺陷类型的样本图像,返回所述将各个样本图像输入到缺陷检测模型进行训练的步骤;或者,在利用所述基于ART神经网络的缺陷检测模型检测缺陷的类型时,当输入的采集的晶圆图像的为新的缺陷类型时,将采集的的晶圆图像作为样本图像输入到缺陷检测模型进行训练。
在其中一个实施例中,所述ART神经网络包括输入层、一个中间层和输出层,所述输入层包括晶圆样本图像归一化后的像素的特征向量,中间层包括多个神经元,其中,一个晶圆样本图像包括多个区域,一个神经元对应一个晶圆样本图像中一个区域的参数,所述输出层的输出对应为所述晶圆样本图像缺陷分类的输出,所述输入层根据晶圆样本图像的缺陷特征划分为多个缺陷种类,与所述输入层直接连接的中间层划分为多个中间区,所述多个中间区与所述晶圆样本图像的多个区域一一对应,晶圆样本图像的每个区域中的神经元与所对应的中间区中的神经元全连接,所述输出层用于输出晶圆样本图像属于其中任意一个以上的缺陷类型的概率;对所述ART神经网络进行训练,得到所述基于ART神经网络的缺陷检测模型。
在其中一个实施例中,所述ART神经网络为模糊ART神经网络,包括输入层P0、中间层P1、输出层P2,所述输入层P0用于输入晶圆样本图像,并输出归一化后的晶圆特征向量P0out=(P0out1,P0out2,...,P0outK),P0out1,P0out2,...,P0outK均属于[0,1]之间,所述中间层用于根据晶圆特征向量P0out=(P0out1,P0out2,...,P0outK)输出向量P1out=(P1out1,P1out2,...,P1outM),所述输出层P2用于根据向量P1out=(P1out1,P1out2,...,P1outM)输出向量P2out=(P2out1,P2out2,...,P2outN),中间层P1和输出层P2的连接权值矩阵为W,输出层P2每个对应的神经元j(j=1,2,...,N)的权值为向量Wj=(Wj1,Wj2,...WjM),Wj1,Wj2,...WjM的初始值均为0,K表示晶圆样本图像的尺寸,N表示缺陷种类,M为晶圆样本图像的区域个数。
在其中一个实施例中,对于输入至输入层的晶圆特征向量I和输出层P2的每个神经元j满足下述公式:
在其中一个实施例中,所述不断调整模型的参数直到收敛的步骤包括按照如下公式不断调整中间层与输出层的连接权值矩阵W中的各个权值:
Ws(t+1)=(1-β)Ws(t)+β*P1out
其中,β为学习率参数,大于或等于0,且小于或等于1,t表示学习过程中的迭代次数;
还包括对数据预处理的步骤,其中,对输入层P0的输出向量P0out采用互补编码,即一个D维矢量通过与D分量的互补而变成一个2D维矢量,所述互补编码的过程如下:
I=(a,ac)=(a1,...,aD,a1 c,...,acD),其中,ai c=1-ai,i=1....,D。
在其中一个实施例中,所述损失函数的公式如下,用于在训练过程中识别两张晶圆样本图像是否属于相同的缺陷标签,并计算这两张图像的损失值:
Triloss(xi,xj,cij)表征损失函数的损失值,xi、xj均为晶圆样本图像,cij=1表示两张输入图像为同一种缺陷,cij=0表示两张输入照片是不同的缺陷,xm为有缺陷晶圆样本图像的缺陷特征的平均值。
第二方面,提出一种基于ART神经网络的晶圆缺陷检测系统,包括扫描电镜和处理单元,所述扫描电镜和处理单元连接;
所述扫描电镜用于采集晶圆图像;
所述处理单元用于获取基于ART神经网络的缺陷检测模型并保存,还用于接收扫描电镜采集的晶圆图像,并输入至所述缺陷检测模型,利用所述缺陷检测模型检测所述晶圆图像的缺陷及缺陷类型。
上述基于ART神经网络的晶圆缺陷检测方法及系统,通过基于ART神经网络的缺陷检测模型来检测晶圆缺陷及缺陷类型,相比于人工检测方式,可以提高检测效率,有利于及时分析影响芯片良率的因素。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例中基于ART神经网络的晶圆缺陷检测方法的流程示意图;
图2为本申请一实施例中ART神经网络的网络结构图;
图3为本申请一实施例中的电子设备的结构示意图;
图4为本申请一实施例中的基于ART神经网络的晶圆缺陷检测装置的结构示意图;
图5为本申请另一实施例中的基于ART神经网络的晶圆缺陷检测系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素,此外,本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义,也可能具有不同含义,其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
应当理解,尽管在本文可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本文范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语"如果"可以被解释成为"在……时"或"当……时"或"响应于确定"。再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
应该理解的是,虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是,在本文中,采用了诸如102、104等步骤代号,其目的是为了更清楚简要地表述相应内容,不构成顺序上的实质性限制,本领域技术人员在具体实施时,可能会先执行104后执行102等,但这些均应在本申请的保护范围之内。
如背景技术所述,目前亟需在芯片制造过程中快速的检测晶圆缺陷,从而及时分析影响芯片良率的因素。
本申请实施例提出一种基于ART神经网络的晶圆缺陷检测方法,可以提高晶圆缺陷检测速度。该晶圆缺陷检测方法可以检测晶圆的缺陷例如刮伤、沾污缺陷等,微粒、对位、裂缝缺陷等。
图1是本申请一实施例的基于人脸识别的固态硬盘的数据解密方法流程示意图,如图1所示,该解密方法包括步骤102至步骤106:
步骤102,获取基于ART神经网络的缺陷检测模型并保存;
步骤104,获取扫描电镜采集的晶圆图像,并输入至所述缺陷检测模型;
步骤106,利用所述缺陷检测模型检测所述晶圆图像的缺陷及缺陷类型。
上述基于ART神经网络的晶圆缺陷检测方法,采用计算机视觉方式,通过基于ART神经网络的缺陷检测模型来检测晶圆缺陷及其缺陷类型,相比于人工检测方式,可以提高检测效率,有利于及时分析影响芯片良率的因素。
ART是一种自组织神经网络结构,是无教师的学习网络。当在神经网络和环境有交互作用时,对环境信息的编码会自发地在神经网中产生,则认为神经网络在进行自组织活动。ART就是这样一种能自组织地产生对环境认识编码的神经网络理论模型。ART神经网络具备实时学习能力,因此上述基于ART神经网络的晶圆缺陷检测方法,通过基于ART神经网络的缺陷检测模型还可以一边将获取的采集图像进行缺陷检测,一边进行学习。ART神经网络具备自归一能力,因此上述基于ART神经网络的晶圆缺陷检测方法,通过基于ART神经网络的缺陷检测模型根据输入至缺陷检测模型的晶圆图像中的某些特征所占的比例,可以快速识别是否为缺陷特征,例如晶圆图像中存在微观缺陷,可以将其提取出来,如不符合噪声特征,则可判定为缺陷特征。
在一些实施方式中,所述获取扫描电镜采集的晶圆图像的步骤包括:
获取晶圆制备过程中扫描电镜采集的所述晶圆每一层的图像,所述晶圆每一层的图像指晶圆每一层上表面的图像;
获取扫描电镜采集的结束制备的晶圆的整个侧面的图像;
将获取到的各个图像平铺以进行第一合并,所述第一合并的晶圆图像中的各层晶圆图像的平铺顺序与制备的先后顺序一致,用于输入所述缺陷检测模型的晶圆图像包括所述第一合并的晶圆图像。
本实施方式中,一个晶圆为一张合并的图片,无需为每个晶圆建立文件夹,比较直观,也方便用户查看。
进一步地,在一些实施方式中,所述获取扫描电镜采集的晶圆图像的步骤还包括:
将获取到的所述晶圆的每一层图像进行叠加,从而实现第二合并,所述第二合并的晶圆图像中的各层晶圆图像的叠加顺序与制备的先后顺序一致,用于输入所述缺陷检测模型的晶圆图像包括所述第一合并的晶圆图像以及所述第二合并的晶圆图像。
将晶圆的每一层图像进行叠加,有利于检测出对位缺陷。为了减少叠加造成对下层的晶圆图像造成的影响,同时输入所述缺陷检测模型的晶圆图像还包括第一合并的晶圆图像,于此,有利于丰富检测到缺陷类型。
其他实施例中,扫描电镜采集的晶圆图像可以不经过合并。
在一些实施方式中,所述基于ART神经网络的缺陷检测模型包括以下训练步骤:
构建ART神经网络结构;
获取有缺陷的晶圆样本图像和无缺陷的晶圆样本图像,并分别打上有缺陷标签和无缺陷标签,为各个缺陷的晶圆样本图像,并为各个样本图像打上缺陷类型的标签;
将各个样本图像输入到ART神经网络结构进行训练,扩大不同缺陷类型样本图像间特征差异性,减少相同缺陷类型的样本图像之间的特征差异性,不断调整模型的参数直到收敛,结束训练,从而得到所述缺陷检测模型;
当缺陷类型发生更新,获取包含新缺陷类型的样本图像,返回所述将各个样本图像输入到缺陷检测模型进行训练的步骤;或者,在利用所述基于ART神经网络的缺陷检测模型检测缺陷的类型和位置时,当输入的采集的晶圆图像的为新的缺陷类型时,将采集的的晶圆图像作为样本图像输入到缺陷检测模型进行训练。
对于包含各个层的晶圆样本图像,标记缺陷类型时可以标记多个缺陷。检测晶圆图像的缺陷及缺陷类型时,当检测到包含任意一个以上缺陷时,则输出该缺陷图像及其缺陷类型。
本实施方式中,基于ART神经网络的缺陷检测模型的训练过程可以在离线系统中进行。具体实现时,如果测试时采用的是经过合并的晶圆图像,那么无论有缺陷的晶圆样本图像和无缺陷的晶圆样本图像,同理缺陷检测时,均可包括经过第一合并的样本图像和/或经过第二合并的晶圆样本图像,且均为扫描电镜采集的图像。
在一些实施方式中,所述ART神经网络包括输入层、一个中间层和输出层,所述输入层包括晶圆样本图像归一化后的像素的特征向量,中间层包括多个神经元,其中,一个晶圆样本图像包括多个区域,一个神经元对应一个晶圆样本图像中一个区域的参数,所述输出层的输出对应为所述晶圆样本图像缺陷分类的输出,所述输入层根据晶圆样本图像的缺陷特征划分为多个缺陷种类,与所述输入层直接连接的中间层划分为多个中间区,所述多个中间区与所述晶圆样本图像的多个区域一一对应,晶圆样本图像的每个区域中的神经元与所对应的中间区中的神经元全连接,所述输出层用于输出晶圆样本图像属于其中任意一个以上的缺陷类型的概率;对所述ART神经网络进行训练,得到所述基于ART神经网络的缺陷检测模型。
具体地,所述ART神经网络为模糊ART神经网络,如图3所示,包括输入层P0、中间层P1、输出层P2,所述输入层P0用于输入晶圆样本图像,并输出归一化后的晶圆特征向量P0out=(P0out1,P0out2,...,P0outK),P0out1,P0out2,...,P0outK均属于[0,1]之间,所述中间层用于根据晶圆特征向量P0out=(P0out1,P0out2,...,P0outK)输出向量P1out=(P1out1,P1out2,...,P1outM),所述输出层P2用于根据向量P1out=(P1out1,P1out2,...,P1outM)输出向量P2out=(P2out1,P2out2,...,P2outN),中间层P1和输出层P2的连接权值矩阵为W,输出层P2每个对应的神经元j(j=1,2,...,N)的权值为向量Wj=(Wj1,Wj2,...WjM),Wj1,Wj2,...WjM的初始值均为0,K表示晶圆样本图像的尺寸,N表示缺陷种类,M为晶圆样本图像的区域个数。
更具体地,模糊ART神经网络还包括三个超参数α、β、ρ,其中,α>0,α的大小用于选择P2层中的类别,防止聚类原型的退化;β为学习率参数,大于或等于0,且小于或等于1;ρ为相似参数,大于或等于0,且小于或等于1,用于控制网络共振。
具体地,对于输入至输入层的晶圆特征向量I和输出层P2的每个神经元j满足下述公式:
在一些实施方式中,所述不断调整模型的参数直到收敛的步骤包括按照如下公式不断调整中间层与输出层的连接权值矩阵W中的各个权值:
Ws(t+1)=(1-β)Ws(t)+β*P1out
其中,β为学习率参数,大于或等于0,且小于或等于1,t表示学习过程中的迭代次数。
由于中间层的输出向量P1out的值与输入层的向量I的值相关,而输入层的向量I的值又采用了“模糊和”,因此,可能会导致输出向量P1out的值不断减小,这容易导致矢量退化。为了解决矢量退化问题,还包括对数据预处理的步骤,其中对输入层P0的输入向量I采用互补编码,将一个D维矢量通过与D分量的互补而变成一个2D维矢量,所述互补编码的过程如下:
I=(a,ac)=(a1,...,aD,a1 c,...,ac D),其中,ai c=1-ai,i=1....,D。
经过互补编码后的输入向量I,其绝对值满足以下公式:
上式可知,经过互补编码后的输入向量I,大小不会退化,因此可以降低输出向量P1out的值不断减小的几率,不容易导致矢量退化。
具体地,基于ART神经网络的缺陷检测模型的损失函数的公式如下,用于在训练过程中识别两张晶圆样本图像是否属于相同的缺陷标签,并计算这两张图像的损失值:
其中,Triloss(xi,xj,cij)表征损失函数的损失值,xi、xj均为晶圆样本图像,cij=1表示两张输入图像包括至少一种同样的缺陷,例如两张合并的样本图像,包含两种以上缺陷时,只要有共同的一种以上缺陷,则cij=1;cij=0表示两张输入图像的缺陷完全不同,xm为有缺陷晶圆样本图像的缺陷特征的平均值。
在一些实施方式中,获取扫描电镜采集的晶圆图像,并输入至所述缺陷检测模型之前,还包括对晶圆图像进行加权均值滤波处理的步骤,以滤除掉晶圆图像中的噪声,所述加权均值滤波处理包括以晶圆图像的每一个像素点为中心像素点,选取预设大小的滤波窗口,滤除滤波窗口内的极大值像素点和极小值像素点,获取剩余像素点的均值像素值及各个剩余像素点的权值,并进行归一化处理,对各个剩余像素点的像素值与对应权值进行加权求和,得到的像素值作为所述滤波窗口内中心像素点的滤波后的像素值;滤波窗口的大小可以是3*3。
在一些实施方式中,所述对各个剩余像素点的像素值与对应权值进行加权求和的步骤包括:
第一子步骤:为各个剩余像素点分配权值,其中,为滤波窗口内的中心像素点分配预设权值,剩余的其他像素点平均分配剩余的权值;或者,计算各个剩余像素点的像素值与所述均值像素值的像素差值,根据差值的大小分配权值,其中,差值越小的,分配的权值越大,具体地,各个剩余像素点的权值可等于对应的像素差值除以各个像素差值之和的值;
第二子步骤:按照各个剩余像素点的权值,对所述各个像素点进行加权求和。
本申请实施例还提出一种电子设备,请参阅图3,该电子设备300包括存储器310及处理器320,所述存储器310与所述处理器320连接,所述存储器310中储存有计算机程序,所述计算机程序被所述处理器320执行时,使得所述处理器320执行如上任一实施例中所述方法的步骤。该电子设备包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)、便捷式媒体播放器(Portab le Media Player,PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端,以及诸如数字TV、台式计算机等固定终端。
还提出一个或多个存储有计算机可读指令的非易失性可读存储介质,其特征在于,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如上任一实施例中所述的方法的步骤。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(R OM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM),它用作外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRA M)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
本申请还提出一种基于ART神经网络的晶圆缺陷检测装置,请参阅图4,该基于ART神经网络的晶圆缺陷检测装置400包括以下模块:
获取模块410,用于获取基于ART神经网络的缺陷检测模型并保存;
输入模块420,用于获取扫描电镜采集的晶圆图像,并输入至所述缺陷检测模型;
检测模块430,用于利用所述缺陷检测模型检测所述晶圆图像的缺陷及缺陷类型。
上述基于ART神经网络的晶圆缺陷检测装置中各个模块的划分仅用于举例说明,在其他实施例中,可将基于ART神经网络的晶圆缺陷检测装置按照需要划分为不同的模块,以完成上述基于ART神经网络的晶圆缺陷检测装置的全部或部分功能。
关于基于ART神经网络的晶圆缺陷检测装置的具体限定可以参见上文中对于基于ART神经网络的晶圆缺陷检测方法的限定,在此不再赘述。上述文本搜索装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本申请实施例中提供的基于ART神经网络的晶圆缺陷检测装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时,实现本申请实施例中所描述方法的步骤。
本申请还提出一种基于ART神经网络的晶圆缺陷检测系统,如图5所示,该系统包括扫描电镜510和处理单元520,扫描电镜510和处理单元520电性连接;
扫描电镜用于采集晶圆图像;
处理单元用于获取基于ART神经网络的缺陷检测模型并保存,还用于接收扫描电镜采集的晶圆图像,并输入至所述缺陷检测模型,利用所述缺陷检测模型检测所述晶圆图像的缺陷类型。
处理单元可以是一处理器。
处理单元具体可用于获取晶圆制备过程中扫描电镜采集的所述晶圆每一层的图像,所述晶圆每一层的图像指晶圆每一层上表面的图像;以及获取扫描电镜采集的结束制备的晶圆的整个侧面的图像;以及将获取到的各个图像平铺以进行第一合并,所述第一合并的晶圆图像中的各层晶圆图像的平铺顺序与制备的先后顺序一致,用于输入所述缺陷检测模型的晶圆图像包括所述第一合并的晶圆图像。
处理单元具体还可用于将获取到的所述晶圆的每一层图像进行叠加,从而实现第二合并,所述第二合并的晶圆图像中的各层晶圆图像的叠加顺序与制备的先后顺序一致,用于输入所述缺陷检测模型的晶圆图像包括所述第一合并的晶圆图像以及所述第二合并的晶圆图像。
基于ART神经网络的晶圆缺陷检测系统,如图5所示,还包括训练单元530,训练单元530可以是一离线系统,与处理单元520连接,用于训练基于ART神经网络的缺陷检测模型。训练的步骤具体参见前述,在此不再赘述。
以下尽管已经相对于一个或多个实现方式示出并描述了本申请,但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本申请包括所有这样的修改和变型,并且仅由所附权利要求的范围限制。特别地关于由上述组件执行的各种功能,用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示),即使在结构上与执行本文所示的本说明书的示范性实现方式中的功能的公开结构不等同。此外,尽管本说明书的特定特征已经相对于若干实现方式中的仅一个被公开,但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或多个其他特征组合。而且,就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言,这样的术语旨在以与术语“包含”相似的方式包括。进一步地,应当理解的是,在本文中提及的“多个”是指两个或两个以上。对于本文中提及的步骤,其通过数字后缀仅仅是为了清晰表述实施例,便于理解,并不完全代表步骤执行的先后顺序,应当以逻辑关系的先后设定为思考。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,例如各实施例之间技术特征的相互结合,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (4)
1.一种基于ART神经网络的晶圆缺陷检测方法,其特征在于,包括以下步骤:
获取基于ART神经网络的缺陷检测模型并保存;
获取扫描电镜采集的晶圆图像,并输入至所述缺陷检测模型;
利用所述缺陷检测模型检测所述晶圆图像的缺陷及缺陷类型;
所述基于ART神经网络的缺陷检测模型包括以下训练步骤:
构建ART神经网络结构;
获取有缺陷的晶圆样本图像和无缺陷的晶圆样本图像,并分别打上有缺陷标签和无缺陷标签,为各个缺陷的晶圆样本图像,并为各个样本图像打上缺陷类型的标签;
将各个样本图像输入到ART神经网络结构进行训练,扩大不同缺陷类型样本图像间特征差异性,减少相同缺陷类型的样本图像之间的特征差异性,不断调整模型的参数直到收敛,结束训练,从而得到所述缺陷检测模型;
当缺陷类型发生更新,获取包含新缺陷类型的样本图像,返回所述将各个样本图像输入到缺陷检测模型进行训练的步骤;或者,在利用所述基于ART神经网络的缺陷检测模型检测缺陷的类型时,当输入的采集的晶圆图像的为新的缺陷类型时,将采集的晶圆图像作为样本图像输入到缺陷检测模型进行训练;
所述基于ART神经网络的缺陷检测模型的损失函数的公式如下,用于在训练过程中识别两张晶圆样本图像是否属于相同的缺陷标签,并计算这两张图像的损失值:
其中,Triloss(xi,xj,cij)表征损失函数的损失值,xi、xj均为晶圆样本图像,f(xi)为晶圆样本图像xi的特征值、f(xj)为晶圆样本图像xj的特征值,cij=1表示两张输入图像包括至少一种同样的缺陷,两张合并的样本图像,包含两种以上缺陷时,只要有共同的一种以上缺陷,则cij=1;cij=0表示两张输入图像的缺陷完全不同,xm为有缺陷的晶圆样本图像,f(xm)为有缺陷晶圆样本图像的缺陷特征的平均值,δ为一常数;
所述获取扫描电镜采集的晶圆图像的步骤包括:
获取晶圆制备过程中扫描电镜采集的所述晶圆每一层的图像,所述晶圆每一层的图像指晶圆每一层上表面的图像;
获取扫描电镜采集的结束制备的晶圆的整个侧面的图像;
将获取到的各个图像平铺以进行第一合并,所述第一合并的晶圆图像中的各层晶圆图像的平铺顺序与制备的先后顺序一致,用于输入所述缺陷检测模型的晶圆图像包括所述第一合并的晶圆图像;其中,一个晶圆为一张合并的图片;
所述获取扫描电镜采集的晶圆图像的步骤还包括:
将获取到的所述晶圆的每一层图像进行叠加,从而实现第二合并,所述第二合并的晶圆图像中的各层晶圆图像的叠加顺序与制备的先后顺序一致,用于输入所述缺陷检测模型的晶圆图像包括所述第一合并的晶圆图像以及所述第二合并的晶圆图像;
所述ART神经网络包括输入层、一个中间层和输出层,所述输入层包括晶圆样本图像归一化后的像素的特征向量,中间层包括多个神经元,其中,一个晶圆样本图像包括多个区域,一个神经元对应一个晶圆样本图像中一个区域的参数,所述输出层的输出对应为所述晶圆样本图像缺陷分类的输出,所述输入层根据晶圆样本图像的缺陷特征划分为多个缺陷种类,与所述输入层直接连接的中间层划分为多个中间区,所述多个中间区与所述晶圆样本图像的多个区域一一对应,晶圆样本图像的每个区域中的神经元与所对应的中间区中的神经元全连接,所述输出层用于输出晶圆样本图像属于其中任意一个以上的缺陷类型的概率;对所述ART神经网络进行训练,得到所述基于ART神经网络的缺陷检测模型;
所述ART神经网络为模糊ART神经网络,包括输入层P0、中间层P1、输出层P2,所述输入层P0用于输入晶圆样本图像,并输出归一化后的晶圆特征向量P0out=(P0out1,P0out2,...,P0outK),P0out1,P0out2,...,P0outK均属于[0,1]之间,所述中间层用于根据晶圆特征向量P0out=(P0out1,P0out2,...,P0outK)输出向量P1out=(P1out1,P1out2,...,P1outM),所述输出层P2用于根据向量P1out=(P1out1,P1out2,...,P1outM)输出向量P2out=(P2out1,P2out2,...,P2outN),中间层P1和输出层P2的连接权值矩阵为W,输出层P2每个对应的神经元j=1,2,...,N的权值为向量Wj=(Wj1,Wj2,...WjM),Wj1,Wj2,...WjM的初始值均为0,K表示晶圆样本图像的尺寸,N表示缺陷种类,M为晶圆样本图像的区域个数;
所述获取扫描电镜采集的晶圆图像,并输入至所述缺陷检测模型之前,还包括对晶圆图像进行加权均值滤波处理的步骤;所述加权均值滤波处理包括以晶圆图像的每一个像素点为中心像素点,选取预设大小的滤波窗口,滤除滤波窗口内的极大值像素点和极小值像素点,获取剩余像素点的均值像素值及各个剩余像素点的权值,并进行归一化处理,对各个剩余像素点的像素值与对应权值进行加权求和,得到的像素值作为所述滤波窗口内中心像素点的滤波后的像素值。
3.根据权利要求2所述的方法,其特征在于,所述不断调整模型的参数直到收敛的步骤包括按照如下公式不断调整中间层与输出层的连接权值矩阵W中的各个权值:
Ws(t+1)=(1-β)Ws(t)+β*P1out
其中,β为学习率参数,大于或等于0,且小于或等于1,t表示学习过程中的迭代次数;
所述方法还包括对数据预处理的步骤,其中,对输入层P0的输入向量I采用互补编码,将一个D维矢量通过与D分量的互补而变成一个2D维矢量,所述互补编码的过程如下:
I=(a,ac)=(a1,...,aD,a1 c,...,ac D),其中,ai c=1-ai,i=1....,D。
4.一种基于ART神经网络的晶圆缺陷检测系统,其特征在于,包括扫描电镜和处理单元,所述扫描电镜和处理单元连接;
所述扫描电镜用于采集晶圆图像;
所述处理单元用于获取基于ART神经网络的缺陷检测模型并保存,还用于接收扫描电镜采集的晶圆图像,并输入至所述缺陷检测模型,利用所述缺陷检测模型检测所述晶圆图像的缺陷及缺陷类型;
所述处理单元还用于
构建ART神经网络结构;
获取有缺陷的晶圆样本图像和无缺陷的晶圆样本图像,并分别打上有缺陷标签和无缺陷标签,为各个缺陷的晶圆样本图像,并为各个样本图像打上缺陷类型的标签;
将各个样本图像输入到ART神经网络结构进行训练,扩大不同缺陷类型样本图像间特征差异性,减少相同缺陷类型的样本图像之间的特征差异性,不断调整模型的参数直到收敛,结束训练,从而得到所述缺陷检测模型;
当缺陷类型发生更新,获取包含新缺陷类型的样本图像,返回所述将各个样本图像输入到缺陷检测模型进行训练的步骤;或者,在利用所述基于ART神经网络的缺陷检测模型检测缺陷的类型时,当输入的采集的晶圆图像的为新的缺陷类型时,将采集的晶圆图像作为样本图像输入到缺陷检测模型进行训练;
所述基于ART神经网络的缺陷检测模型的损失函数的公式如下,用于在训练过程中识别两张晶圆样本图像是否属于相同的缺陷标签,并计算这两张图像的损失值:
其中,Triloss(xi,xj,cij)表征损失函数的损失值,xi、xj均为晶圆样本图像,f(xi)为晶圆样本图像xi的特征值、f(xj)为晶圆样本图像xj的特征值,cij=1表示两张输入图像包括至少一种同样的缺陷,两张合并的样本图像,包含两种以上缺陷时,只要有共同的一种以上缺陷,则cij=1;cij=0表示两张输入图像的缺陷完全不同,xm为有缺陷的晶圆样本图像,f(xm)为有缺陷晶圆样本图像的缺陷特征的平均值;
所述处理单元还用于执行所述获取扫描电镜采集的晶圆图像的步骤,包括:
获取晶圆制备过程中扫描电镜采集的所述晶圆每一层的图像,所述晶圆每一层的图像指晶圆每一层上表面的图像;
获取扫描电镜采集的结束制备的晶圆的整个侧面的图像;
将获取到的各个图像平铺以进行第一合并,所述第一合并的晶圆图像中的各层晶圆图像的平铺顺序与制备的先后顺序一致,用于输入所述缺陷检测模型的晶圆图像包括所述第一合并的晶圆图像;其中,一个晶圆为一张合并的图片;
所述获取扫描电镜采集的晶圆图像的步骤还包括:
将获取到的所述晶圆的每一层图像进行叠加,从而实现第二合并,所述第二合并的晶圆图像中的各层晶圆图像的叠加顺序与制备的先后顺序一致,用于输入所述缺陷检测模型的晶圆图像包括所述第一合并的晶圆图像以及所述第二合并的晶圆图像;
所述ART神经网络包括输入层、一个中间层和输出层,所述输入层包括晶圆样本图像归一化后的像素的特征向量,中间层包括多个神经元,其中,一个晶圆样本图像包括多个区域,一个神经元对应一个晶圆样本图像中一个区域的参数,所述输出层的输出对应为所述晶圆样本图像缺陷分类的输出,所述输入层根据晶圆样本图像的缺陷特征划分为多个缺陷种类,与所述输入层直接连接的中间层划分为多个中间区,所述多个中间区与所述晶圆样本图像的多个区域一一对应,晶圆样本图像的每个区域中的神经元与所对应的中间区中的神经元全连接,所述输出层用于输出晶圆样本图像属于其中任意一个以上的缺陷类型的概率;对所述ART神经网络进行训练,得到所述基于ART神经网络的缺陷检测模型;
所述ART神经网络为模糊ART神经网络,包括输入层P0、中间层P1、输出层P2,所述输入层P0用于输入晶圆样本图像,并输出归一化后的晶圆特征向量P0out=(P0out1,P0out2,...,P0outK),P0out1,P0out2,...,P0outK均属于[0,1]之间,所述中间层用于根据晶圆特征向量P0out=(P0out1,P0out2,...,P0outK)输出向量P1out=(P1out1,P1out2,...,P1outM),所述输出层P2用于根据向量P1out=(P1out1,P1out2,...,P1outM)输出向量P2out=(P2out1,P2out2,...,P2outN),中间层P1和输出层P2的连接权值矩阵为W,输出层P2每个对应的神经元j=1,2,...,N的权值为向量Wj=(Wj1,Wj2,...WjM),Wj1,Wj2,...WjM的初始值均为0,K表示晶圆样本图像的尺寸,N表示缺陷种类,M为晶圆样本图像的区域个数;
所述获取扫描电镜采集的晶圆图像,并输入至所述缺陷检测模型之前,还包括对晶圆图像进行加权均值滤波处理的步骤,以滤除掉晶圆图像中的噪声,所述加权均值滤波处理包括以晶圆图像的每一个像素点为中心像素点,选取预设大小的滤波窗口,滤除滤波窗口内的极大值像素点和极小值像素点,获取剩余像素点的均值像素值及各个剩余像素点的权值,并进行归一化处理,对各个剩余像素点的像素值与对应权值进行加权求和,得到的像素值作为所述滤波窗口内中心像素点的滤波后的像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462376.6A CN112529873B (zh) | 2020-12-09 | 2020-12-09 | 一种基于art神经网络的晶圆缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462376.6A CN112529873B (zh) | 2020-12-09 | 2020-12-09 | 一种基于art神经网络的晶圆缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529873A CN112529873A (zh) | 2021-03-19 |
CN112529873B true CN112529873B (zh) | 2021-11-30 |
Family
ID=74999329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011462376.6A Active CN112529873B (zh) | 2020-12-09 | 2020-12-09 | 一种基于art神经网络的晶圆缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529873B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095438B (zh) * | 2021-04-30 | 2024-03-15 | 上海众壹云计算科技有限公司 | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 |
CN113222967A (zh) * | 2021-05-28 | 2021-08-06 | 长江存储科技有限责任公司 | 晶圆的检测方法及系统 |
CN113344886A (zh) * | 2021-06-11 | 2021-09-03 | 长江存储科技有限责任公司 | 晶圆表面缺陷检测方法和设备 |
CN113538392B (zh) * | 2021-07-26 | 2022-11-11 | 长江存储科技有限责任公司 | 晶圆的检测方法、设备及存储介质 |
CN115711900B (zh) * | 2022-11-30 | 2024-10-11 | 安测半导体技术(江苏)有限公司 | 一种基于神经网络的晶圆测试检测方法 |
CN117007606B (zh) * | 2023-08-17 | 2024-03-08 | 泓浒(苏州)半导体科技有限公司 | 一种基于晶粒分割网络的晶圆晶粒缺陷检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489817A (zh) * | 2013-09-30 | 2014-01-01 | 上海华力微电子有限公司 | 缺陷检测系统及方法 |
CN105765695A (zh) * | 2013-12-24 | 2016-07-13 | 英特尔公司 | 异质半导体材料集成技术 |
CN108321096A (zh) * | 2018-02-24 | 2018-07-24 | 上海华力微电子有限公司 | 一种晶圆缺陷的查找系统和晶圆缺陷的查找方法 |
CN108417505A (zh) * | 2018-02-02 | 2018-08-17 | 武汉新芯集成电路制造有限公司 | 一种对晶圆进行缺陷扫描的分析方法及缺陷扫描设备 |
CN110717881A (zh) * | 2018-07-12 | 2020-01-21 | 长鑫存储技术有限公司 | 晶圆缺陷识别方法、装置、存储介质和终端设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120323506A1 (en) * | 2010-11-23 | 2012-12-20 | Andrew Payshin King | Semiconductor Defect Signal Capturing and Statistical System and Method |
CN108765389A (zh) * | 2018-05-18 | 2018-11-06 | 浙江大学 | 一种微观晶圆表面缺陷图像检测方法 |
-
2020
- 2020-12-09 CN CN202011462376.6A patent/CN112529873B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489817A (zh) * | 2013-09-30 | 2014-01-01 | 上海华力微电子有限公司 | 缺陷检测系统及方法 |
CN105765695A (zh) * | 2013-12-24 | 2016-07-13 | 英特尔公司 | 异质半导体材料集成技术 |
CN108417505A (zh) * | 2018-02-02 | 2018-08-17 | 武汉新芯集成电路制造有限公司 | 一种对晶圆进行缺陷扫描的分析方法及缺陷扫描设备 |
CN108321096A (zh) * | 2018-02-24 | 2018-07-24 | 上海华力微电子有限公司 | 一种晶圆缺陷的查找系统和晶圆缺陷的查找方法 |
CN110717881A (zh) * | 2018-07-12 | 2020-01-21 | 长鑫存储技术有限公司 | 晶圆缺陷识别方法、装置、存储介质和终端设备 |
Non-Patent Citations (3)
Title |
---|
F A R T 神经网络的改进及其在晶圆在线监测中的应用;王令群等;《实验室研究与探索》;20081130;第27卷(第11期);第6-9页 * |
Multi-step ART1 algorithm for recognition of defect patterns on semiconductor wafers;Gyunghyun Choi等;《International Journal of Production Research》;20120615;第50卷(第12期);第3274-3287页 * |
晶圆表面缺陷模式的在线探测与自适应识别研究;吴斌等;《计算机工程与应用》;20161231;第52卷(第17期);第261-270页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112529873A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529873B (zh) | 一种基于art神经网络的晶圆缺陷检测方法 | |
CN112700406B (zh) | 一种基于卷积神经网络的晶圆缺陷检测方法及系统 | |
US11508146B2 (en) | Convolutional neural network processing method and apparatus | |
Cherny et al. | The recognition of handwritten digits using neural network technology | |
US20230326169A1 (en) | Classification with segmentation neural network for image-based content capture | |
CN110189255A (zh) | 基于两级检测的人脸检测方法 | |
WO2021175006A1 (zh) | 车辆图像检测方法、装置、计算机设备及存储介质 | |
CN110176024B (zh) | 在视频中对目标进行检测的方法、装置、设备和存储介质 | |
CN110807463B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN112381788A (zh) | 一种基于双分支匹配网络的零部件表面缺陷增量检测方法 | |
US20200202514A1 (en) | Image analyzing method and electrical device | |
CN115239946B (zh) | 小样本迁移学习训练、目标检测方法、装置、设备和介质 | |
CN112560864A (zh) | 图像语义分割方法、装置及图像语义分割模型的训练方法 | |
CN113744251A (zh) | 基于自注意力机制从病理图片预测微卫星不稳定性的方法 | |
US11562476B2 (en) | Determination of a simulated image of a specimen | |
CN111860582B (zh) | 图像分类模型构建方法、装置、计算机设备和存储介质 | |
CN115485740A (zh) | 异常晶片图像分类 | |
Zhao et al. | A new method for classifying and segmenting material microstructure based on machine learning | |
CN111192279A (zh) | 基于边缘检测的物体分割方法、电子终端及存储介质 | |
CN111178495A (zh) | 用于检测图像中极小物体的轻量卷积神经网络 | |
CN117067112B (zh) | 一种水切割机及其控制方法 | |
JP5137805B2 (ja) | 検査システム及びその制御方法、コンピュータプログラム | |
CN112232102B (zh) | 一种基于深度神经网络和多任务学习的建筑物目标识别方法和系统 | |
CN115311215B (zh) | 一种高速高精度的六面体检测系统、方法和存储介质 | |
CN113537229A (zh) | 票据图像生成方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 518000 a1406, building 12, shenzhenwan science and technology ecological park, No. 18, South Keji Road, high tech community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Patentee after: Shenzhen Dawei Chuangxin Microelectronics Technology Co.,Ltd. Address before: Room 4003 / 4005, block a, United Plaza, Binhe Avenue, Futian District, Shenzhen, Guangdong 518000 Patentee before: Shenzhen Xinhuiqun Microelectronic Technology Co.,Ltd. |
|
CP03 | Change of name, title or address |