CN112991259A - 一种半导体制程缺陷的检测方法及系统 - Google Patents

一种半导体制程缺陷的检测方法及系统 Download PDF

Info

Publication number
CN112991259A
CN112991259A CN202110125167.0A CN202110125167A CN112991259A CN 112991259 A CN112991259 A CN 112991259A CN 202110125167 A CN202110125167 A CN 202110125167A CN 112991259 A CN112991259 A CN 112991259A
Authority
CN
China
Prior art keywords
semiconductor process
defects
prediction
semiconductor
picture
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
Application number
CN202110125167.0A
Other languages
English (en)
Other versions
CN112991259B (zh
Inventor
林晧庭
许建东
徐东东
蔡俊郎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nexchip Semiconductor Corp
Original Assignee
Nexchip Semiconductor Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nexchip Semiconductor Corp filed Critical Nexchip Semiconductor Corp
Priority to CN202110125167.0A priority Critical patent/CN112991259B/zh
Publication of CN112991259A publication Critical patent/CN112991259A/zh
Application granted granted Critical
Publication of CN112991259B publication Critical patent/CN112991259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本发明公开了一种半导体制程缺陷的检测方法，所述半导体制程缺陷的检测方法包括：建立数据库，所述数据库中包括多种半导体制程缺陷的图片，并按照半导体制程缺陷的形貌特征，将所述半导体制程缺陷进行分类；扫描晶片，并通过识别所述半导体制程缺陷的形貌特征，在晶片上获得多个预选区域，通过半导体制程缺陷识别系统，提取所述预选区域中所述半导体制程缺陷的图片特征，并识别所述半导体制程缺陷的类型；根据所述半导体制程缺陷的类型，确定扫描机器的最佳扫描参数；根据最佳扫描参数，再次扫描晶片，并识别晶片上所述半导体制程缺陷的类型及位置。通过本发明提供的一种半导体制程缺陷的检测方法，可快速识别所述半导体制程缺陷的类型和位置。

Description

一种半导体制程缺陷的检测方法及系统
技术领域
本发明属于半导体技术领域，特别涉及一种半导体制程缺陷的检测方法及系统。
背景技术
在半导体器件的制造中，晶片上因不同制程因素，会在晶片上造成不同的缺陷，例如加热不均造成的缺陷、灰尘颗粒造成的缺陷、机械损伤造成的缺陷以及液体残留物造成的缺陷等。这些半导体制程缺陷会对最终的获得的半导体器件造成损伤，因而需要识别具体的缺陷类型以改善制程工艺。
因半导体制程缺陷用肉眼难以识别，一般采用检查机器观察扫描到的半导体制程缺陷图片，并人工对半导体制程缺陷进行辨别以及分类，当识别半导体制程缺陷的类型后，再根据缺陷的类型调整扫描机器的参数。重复扫描、人工判断、调整扫描参数的过程，直至能够清晰扫描到特定类型的半导体制程缺陷。再此过程中，扫描机器调整参数的过程较长，且需要借助检查机器观察半导体制程缺陷的图片，识别效率低。
发明内容
本发明的目的在于提供一种半导体制程缺陷的检测方法及系统，通过本发明提供的一种半导体制程缺陷的检测方法及系统，实现半导体制程缺陷类型的快速识别。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明提供一种半导体制程缺陷的检测方法，其包括：
建立一数据库，所述数据库中包括多种半导体制程缺陷的图片；
按照所述半导体制程缺陷的形貌特征，将所述半导体制程缺陷进行分类；
扫描晶片，并通过识别所述半导体制程缺陷的形貌特征，在所述晶片上获得多个预选区域；
通过半导体制程缺陷识别系统，提取所述预选区域中所述半导体制程缺陷的图片特征，并识别所述半导体制程缺陷的类型；
根据所述半导体制程缺陷的类型，确定扫描机器的最佳扫描参数；
根据所述最佳扫描参数，扫描所述晶片，并识别所述晶片上所述半导体制程缺陷的类型及位置。
在本发明一实施例中，所述半导体制程缺陷的形貌特征包括：所述半导体制程缺陷的颜色、大小、形状、亮度、纹理和边缘。
在本发明一实施例中，所述半导体制程缺陷的类型包括凹陷、凸起和位错。
在本发明一实施例中，通过所述半导体制程缺陷识别系统，提取所述预选区域中所述半导体制程缺陷的图片特征，并识别所述半导体制程缺陷的类型包括：
通过特征提取模型，提取所述预选区域的图片特征；
将所述图片特征输入预测框提取模型，获得预测框；
将所述图片特征和所述预测框输入感兴趣区域池化层，获得预测框特征；
将所述预测框特征输入类别预测框回归模型，获得所述预选区域内所述半导体制程缺陷的边界框和类型。
在本发明一实施例中，将所述图片特征输入预测框提取模型，获得预测框包括：将所述图片特征依次输入所述预测框提取模型的第一卷积层和第二卷积层，获得每组预测框的第一次回归。
在本发明一实施例中，将所述图片特征输入预测框提取模型，获得预测框还包括：将所述第二卷积层输出的所述图片特征，输入所述预测框提取模型的第三卷积层，将所述预测框分类，所述预测框的类别包括框出背景和框出缺陷。
在本发明一实施例中，将所述图片特征和所述预测框输入感兴趣区域池化层，获得预测框特征包括：
所述感兴趣区域池化层将所述图片特征分别划分为第一数量、第二数量、第三数量的小方块，最终的所述预测框特征的特征表示的长度为：第一数量、第二数量、第三数量之和，与所述图片特征的通道数之积。
在本发明一实施例中，所述类别预测框回归模型中还包括第二次回归，所述预测框特征依次经过第一全连接层、第二全连接层，获得所述第二次回归；其中，第一全连接层包括两个全连接层。
在本发明还提供一种半导体制程缺陷的检测系统，用于执行所述的一种半导体制程缺陷的检测方法，其包括：
数据库，用于存储多种所述半导体制程缺陷图片；
处理器，其连接于所述数据库，用于将所述半导体制程缺陷分类；
扫描机器，用于扫描晶片；
预选区域确定单元，其设置在所述处理器内，且电性连接于所述扫描机器，用于在所述晶片上获得多个预选区域；
半导体制程缺陷识别系统，其设置在所述处理器内，且电性连接于所述预选区域确定单元，用于提取所述预选区域中所述半导体制程缺陷的图片特征，并识别所述半导体制程缺陷的类型；
最佳参数确定单元，其设置在所述处理器内，且其电性连接于所述半导体制程缺陷识别系统，用于根据所述半导体制程缺陷的类型，确定所述扫描机器的最佳扫描参数。
在本发明一实施例中，所述半导体制程缺陷识别系统包括：
特征提取模型，用于提取所述预选区域的图片特征；
预测框提取模型，其连接于所述特征提取模型，用于获得所述预测框；
感兴趣区域池化层，其连接于所述预测框提取模型，用于获得所述预测框特征
类别预测框回归模型，其连接于所述感兴趣区域池化层，用于获得所述预选区域内所述半导体制程缺陷的边界框和类型。
如上所述本发明提供的一种半导体制程缺陷的检测方法及系统，通过在所述晶片上获得多个所述预选区域，在所述预选区域内识别所述半导体制程缺陷的类型，保证在较少的窗口下保持交高的召回率；通过在所述半导体制程缺陷识别系统，快速识别所述半导体制程缺陷的种类，且同时准确识别晶片上多个报道提缺陷。通过本发明提供的一种半导体制程缺陷的检测方法及系统，提高所述半导体制程缺陷的识别效率和识别精度。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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，对于本领域普通技术人员来讲，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为一种半导体制程缺陷的检测方法流程图。
图2为一种识别半导体制程缺陷类型流程图。
图3为一种半导体制程缺陷的检测系统框图。
图4为一种半导体制程缺陷识别系统框图。
图5为一种特征提取模型框图。
图6为一种预测框提取模型框图。
图7为一种感兴趣区域池化层和预测框回归模型图。
图8为一种ROI池化原理图。
图9为一种计算机可读存储介质的框图。
标号说明：
10扫描机器；20存储器；21数据库；30处理器；31预选区域确定单元；32半导体制程缺陷识别系统；33最佳参数确定单元；320特征提取模型；321预测框提取模型；322感兴趣区域池化层；323类别预测框回归模型；40计算机可读存储介质；400存储有计算机指令；S10～S15、S120～S123流程标号。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
目前对半导体制程缺陷辨识分类，通常是借用观察机台对半导体制程缺陷进行观察和人工分类，这样就产生很多问题：首先，需借用到观察机台，增加观察机台的使用；同时在观察期间，扫描机器一般处于等待状态，浪费产能，其中，观察机台一般为扫描电子显微镜；其次，观察速度慢，观察的区域小，且观察机器数量一般较少，需要反复精调来提升观察机器的感度，造成最终扫描机器的参数配置时间长，效率低；再者，当工厂产线产能紧张时，影响机台产能会增加与制造部门沟通借机难度，进一步影响终扫描机器的参数配置效率。
请参阅图1所示，本发明提供一种半导体制程缺陷的检测方法及系统，所述半导体制程缺陷的检测方法主要包括以下步骤：
S10：建立一数据库21，数据库21中包括多种半导体制程缺陷的图片；
S11：按照半导体制程缺陷的形貌特征，将所述半导体制程缺陷进行分类；
S12：扫描晶片，并通过识别所述半导体制程缺陷的形貌特征，在所述晶片上获得多个预选区域；
S13：通过半导体制程缺陷识别系统32，提取所述预选区域中所述半导体制程缺陷的图片特征，并识别所述半导体制程缺陷的类型。
S14：根据所述半导体制程缺陷的类型，确定扫描机器的最佳扫描参数；
S15：根据所述最佳扫描参数，扫描所述晶片，并识别所述晶片上所述半导体制程缺陷的类型及位置。
如图1所示，通过本发明提供的一种半导体制程缺陷的检测方法，通过识别所述晶片的形貌特征，在所述晶片上获得多个所述预选区域，在所述预选区域内识别所述半导体制程缺陷的类型，保证在较少的窗口下保持交稿的召回率。同时，通过半导体制程缺陷识别系统32，精准且快速识别所述晶片的缺陷类型。
请参阅图1所示，在发明一实施例中，采集多种所述半导体制程缺陷的图片并存入数据库21中，处理器30将数据库21中的所述半导体制程缺陷图片按照形貌特征，将所述半导体制程缺陷分类。其中，所述半导体制程缺陷的形貌特征包括所述半导体制程缺陷的颜色、大小、形状、亮度、纹理、边缘，按照所述形貌特征将所述半导体制程缺陷进行分类，所述半导体制程缺陷的类型包括：凹陷voild、凸起bump、位错等，具体的，所述凹陷刚还包括因机械造成的磨损，和由加热不均造成的缺陷等类型，所述凸起还包括灰尘颗粒、液体残留造成的缺陷。
请参阅图1所示，在发明一实施例中，不同类型的所述半导体制程缺陷对应一种或多种扫描机器10，以及扫描机器10的最佳扫描参数。扫描机器10例如包括亮场扫描工具和暗场扫描工具，部分类型的缺陷使用亮场扫描工具有更好的对比度，部分缺陷在暗场中更加明显。当识别某一种所述半导体制程缺陷时，将扫描机器10的参数设置为该类型半导体制程缺陷对应的所述最佳扫描参数时，扫描机器10获得的所述半导体制程缺陷图片，最清晰地显示该类型的所述半导体制程缺陷。所述半导体制程缺陷的类型与扫描机器10及扫描机器10的最佳扫描参数的关系保存在数据库21中。
请参阅图1所示，在本发明一实施例中，在扫描晶片，并通过识别所述半导体制程缺陷的形貌特征，在所述晶片上获得多个预选区域时(步骤S12)。所述预选区域为具有所述半导体制程缺陷的区域。通过识别所述形貌特征，在所述晶片上选定所述预选区域，在扫描整个晶片时，并确定所述半导体制程缺陷类型时，可保证在选取较少窗口的情况下具有较高的召回率。
请参阅图2所示，在本发明一实施例中，通过半导体制程缺陷识别系统32，提取所述预选区域中所述半导体制程缺陷的图片特征，并识别所述半导体制程缺陷的类型(步骤S13)包括：
S130：通过特征提取模型320提取所述预选区域的图片特征；
S131：将所述图片特征输入预测框提取模型321中，获得预测框；
S132：将所述图片特征和所述预测框输入感兴趣区域(region ofinterest，ROI)池化层322中，获得预测框特征；
S133：将所述预测框特征输入类别预测框回归模型323，获得所述预选区域内所述半导体制程缺陷的边界框和类型。
请参阅图5所示，在本发明一实施例中，特征提取模型320为图片分类模型，在本实施例中，特征提取模型320例如为部分VGG16网络。在本实施例中，特征提取模型320包括：
第一段卷积，包含2个卷积层和一个池化层，2个卷积层均为：卷积核3×3，共64个卷积核(输出通道数)，步长1×1；池化层为：核2×2，步长2×2；
第二段卷积，包含2个卷积层和一个池化层，2个卷积层均为：卷积核3×3，共128个卷积核(输出通道数)，步长1×1；池化层为：核2×2，步长2×2；
第三段卷积，包含3个卷积层和一个池化层，3个卷积层均为：卷积核3×3，共256个卷积核(输出通道数)，步长1×1；池化层为：核2×2，步长2×2；
第四段卷积，包含3个卷积层和一个池化层，3个卷积层均为：卷积核3×3，共512个卷积核(输出通道数)，步长1×1；池化层为：核2×2，步长2×2；
第五段卷积，包含3个卷积层和一个池化层，3个卷积层均为：卷积核3×3，共512个卷积核(输出通道数)，步长1×1；池化层为：核2×2，步长2×2；
经过特征提取模型的5段卷积之后，将尺寸为224×224×3的矩阵转换为6×6×512，通过通道数翻倍来使图像tensor的总尺寸缩小。
请参阅图4和图6所示，在发明一实施例中，将所述图片特征输入预测框提取模型321，获得预测框。在本实施例中，预测框提取模型321例如为区域生成网络(RegionProposal Network，RPN)。具体地，将特征提取模型320输出的所述图片特征作为预测框提取模型321的输入，获得所述预测框。
请参阅图6所示，在发明一实施例中，所述图片特征输入预测框提取模型321的第一卷积层，例如为图6中conv(3,3,512,1,1)，所述第一卷积层为：卷积核3×3，共512个卷积核(输出通道数)，步长1×1。经过所述第一卷积层，所述图片特征的尺寸和通道数保持不变。
请参阅图6所示，进一步地，将所述第一卷积层输出的所述图片特征输入第二卷积层，例如为图6中conv(3,3,36,1,1)，获得每组预测框的第一次回归。在本实施例中，所述第二卷积层为：卷积核1×1，共36个卷积核(输出通道数)，步长1×1，所述第二卷积层的36个通道表示：所述图片特征的的每个点有例如9组预测框的回归值，每组预测框的第一次回归值为(tx，ty，tw，th)，其中，(tx，ty)是预测框的中心点坐标，tw为预测框的宽，th为预测框的高。
请参阅图6所示，另一方面，将所述第一卷积层输出的所述图片特征输入第三卷积层，例如为图6中的conv(1,1,18,1,1)，将所述预测框分类。其中，所述第三卷积层为：卷积核1×1，共18个卷积核(输出通道数)，步长1×1，所述第二卷积层的18个通道表示：所述第一卷积层输出的所述图片特征中每个像素生成例如9个预测框，每个预测框有其所述类别，每个所述预测框需要例如2个维度来存储类别得分，所述图片特征的每个像素需要18个维度(输出通道数)。在本实施例中，所述预测框的类别包括框出背景和框出缺陷。
请参阅图6所示，进一步地，将所述第三卷积层输出的结果依次输入reshape_layer，softmax，reshape_layer，将所述预测框的所述类别得分转化为概率。
请参阅图6所示，进一步地，将由所述reshape_layer输出的所述预测框及其所述概率、所述第二卷积层输出的所述第一次回归，以及im_info(所述预测框的长宽比例)输入proposal_layer，获得最终的预测框。
请参阅图1所示，在本发明一实施例中，在步骤S12中，感兴趣区域池化层322的所述图片特征的输入尺寸大小是任意的，输出的预测框特征的尺寸大小是固定的。
请参阅图8所示，在本发明一实施例中，感兴趣区域池化层322输入的所述图片特征的大小例如是(h，w，c)，其中，w为所述图片特征的宽度，h为所述图片特征的高度，c为所述图片特征的通道数。则将所述图片特征和所述预测框输入ROI(region ofinterest)池化层获得预测框特征(步骤S122)具体包括：
所述感兴趣区域池化层将所述图片特征划分为第一数量的小方块；第一数量的小方块例如为4×4个，则每个小放块的宽度和高度分别为w/4和h/4，所述通道数为c，所述通道数为整数，所述图片特征的每个通道，分别在生成的例如16个小方块上进行最大池化，即取出小方块上的最大值，每个通道都能取出例如16个最大值，所有通道共有16c个值；
进一步地，所述感兴趣区域池化层将所述图片特征划分为第二数量的小方块；第二数量的小方块例如为2×2个，则每个小放块的宽度和高度分别为w/2和h/2，所有通道共有4c个值；
进一步地，所述感兴趣区域池化层将所述图片特征划分为第三数量的小方块；第三数量的小方块例如为1×1个，则每个小放块的宽度和高度分别为w和h，所有通道共有4c个值；
进一步地，将上述三种划分获得的结果串联，获得长度为(第一数量+第二数量+第三数量)×通道数＝21c，即长度为21c的特征表示的预测框特征。
请参阅图2和图7所示，在本发明一实施例中，将所述预测框特征输入类别预测框回归模型323，获得所述预选区域内所述半导体制程缺陷的边界框和类型(步骤S123)主要包括：
将感兴趣区域池化层322，例如为图7中的ROI pool,输出的所述预测框特征，经过第一全连接层，将所述预测框特征的特征表示高度提纯，所述第一全连接层例如包括两个全连接层(fcfc_1)；
进一步地，将两个全连接层输出的所述预测框特征再经过第二全连接层(fc_2)，获得第二次回归，即图7中的bbox_pred，第二次回归值为(tx’，ty’，tw’，th’)，将所述第二次回归值和预测框提取模型321输出的所述预测框相加，获得最终的预测框，即所述边界框；
另一方面，将两个全连接层输出的所述预测框特征再经过第三全连接层(fc_3)，获得所述预测框的分数，即图7中的cls_score；
进一步地，将所述预测框的分数经过一softmax层得到预测框概率，即所述预测框属于各个类型的概率。
请参阅图3和图4所示，本发明还提供一种半导体制程缺陷的检测系统，所述半导体制程缺陷的检测系统包括：
数据库21，用于存储多种所述半导体制程缺陷图片；
处理器30，其连接于数据库21，用于将所述半导体制程缺陷分类；
扫描机器10，用于扫描晶片；
预选区域确定单元31，其设置在处理器30内，且电性连接于扫描机器10，用于在晶片上获得多个预选区域；
半导体制程缺陷识别系统32，其设置在处理器30内，且电性连接于预选区域确定单元31，用于提取所述预选区域中所述半导体制程缺陷的图片特征，并识别所述半导体制程缺陷的类型；
最佳参数确定单元33，其其设置在处理器30内，且电性连接于半导体制程缺陷识别系统33，用于根据所述半导体制程缺陷的类型，确定扫描机器的最佳扫描参数。
请参阅图3和图4所示，在本发明一实施例中，数据库21位于存储器20内，存储器20还存储有程序指令，处理器30运行程序指令实现所述半导体制程缺陷的检测方法。
请参阅图3和图4所示，在本发明一实施例中，半导体制程缺陷识别系统32包括，特征提取模型320、预测框提取模型321、感兴趣区域池化层322和类别预测框回归模型323，其中，特征提取模型320的输出端是连接于预测框提取模型321的输入端，预测框提取模型321输出端是连接于感兴趣区域池化层322的输入端，感兴趣区域池化层322的输出端是连接于类别预测框回归模型323的输入端。其中特征提取模型320用于提取所述预选区域的图片特征；预测框提取模型321用于获得预测框；感兴趣区域池化层322用于获得预测框特征；类别预测框回归模型323用于获得所述预选区域内所述半导体制程缺陷的边界框和类型。
请参阅图9所示，本实施例还提出一种计算机可读存储介质40，计算机可读存储介质40存储有计算机指令400，计算机指令400用于使用所述导体缺陷的检测方法。计算机可读存储介质40可以是，电子介质、磁介质、光介质、电磁介质、红外介质或半导体系统或传播介质。计算机可读存储介质40还可以包括半导体或固态存储器、磁带、可移动计算机磁盘、随机存取存储器(RAM)、只读存储器(ROM)、硬磁盘和光盘。光盘可以包括光盘-只读存储器(CD-ROM)、光盘-读/写(CD-RW)和DVD。
以上公开的本发明实施例只是用于帮助阐述本发明。实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种半导体制程缺陷的检测方法，其特征在于，其包括：
建立一数据库，所述数据库中包括多种半导体制程缺陷的图片；
按照所述半导体制程缺陷的形貌特征，将所述半导体制程缺陷进行分类；
扫描晶片，并通过识别所述半导体制程缺陷的形貌特征，在所述晶片上获得多个预选区域；
通过半导体制程缺陷识别系统，提取所述预选区域中所述半导体制程缺陷的图片特征，并识别所述半导体制程缺陷的类型；
根据所述半导体制程缺陷的类型，确定扫描机器的最佳扫描参数；
根据所述最佳扫描参数，扫描所述晶片，并识别所述晶片上所述半导体制程缺陷的类型及位置。
2.根据权利要求1所述的一种半导体制程缺陷的检测方法，其特征在于，所述半导体制程缺陷的形貌特征包括：所述半导体制程缺陷的颜色、大小、形状、亮度、纹理和边缘。
3.根据权利要求1所述的一种半导体制程缺陷的检测方法，其特征在于，所述半导体制程缺陷的类型包括凹陷、凸起和位错。
4.根据权利要求1所述的一种半导体制程缺陷的检测方法，其特征在于，通过所述半导体制程缺陷识别系统，提取所述预选区域中所述半导体制程缺陷的图片特征，并识别所述半导体制程缺陷的类型包括：
通过特征提取模型，提取所述预选区域的图片特征；
将所述图片特征输入预测框提取模型，获得预测框；
将所述图片特征和所述预测框输入感兴趣区域池化层，获得预测框特征；
将所述预测框特征输入类别预测框回归模型，获得所述预选区域内所述半导体制程缺陷的边界框和类型。
5.根据权利要求4所述的一种半导体制程缺陷的检测方法，其特征在于，将所述图片特征输入预测框提取模型，获得预测框包括：将所述图片特征依次输入所述预测框提取模型的第一卷积层和第二卷积层，获得每组预测框的第一次回归。
6.根据权利要求5所述的一种半导体制程缺陷的检测方法，其特征在于，将所述图片特征输入预测框提取模型，获得预测框还包括：将所述第二卷积层输出的所述图片特征，输入所述预测框提取模型的第三卷积层，将所述预测框分类，所述预测框的类别包括框出背景和框出缺陷。
7.根据权利要求4所述的一种半导体制程缺陷的检测方法，其特征在于，将所述图片特征和所述预测框输入感兴趣区域池化层，获得预测框特征包括：
所述感兴趣区域池化层将所述图片特征分别划分为第一数量、第二数量、第三数量的小方块，最终的所述预测框特征的特征表示的长度为：第一数量、第二数量、第三数量之和，与所述图片特征的通道数之积。
8.根据权利要求4所述的一种半导体制程缺陷的检测方法，其特征在于，所述类别预测框回归模型中包括第二次回归，所述预测框特征依次经过第一全连接层、第二全连接层，获得所述第二次回归；其中，第一全连接层包括两个全连接层。
9.一种半导体制程缺陷的检测系统，用于执行权1至权9所述的一种半导体制程缺陷的检测方法，其特征在于，包括：
数据库，用于存储多种所述半导体制程缺陷图片；
处理器，其连接于所述数据库，用于将所述半导体制程缺陷分类；
扫描机器，用于扫描晶片；
预选区域确定单元，其设置在所述处理器内，且电性连接于所述扫描机器，用于在所述晶片上获得多个预选区域；
半导体制程缺陷识别系统，其设置在所述处理器内，且电性连接于所述预选区域确定单元，用于提取所述预选区域中所述半导体制程缺陷的图片特征，并识别所述半导体制程缺陷的类型；
最佳参数确定单元，其设置在所述处理器内，且电性连接于所述半导体制程缺陷识别系统，用于根据所述半导体制程缺陷的类型，确定所述扫描机器的最佳扫描参数。
10.根据权利要求9所述的一种半导体制程缺陷的检测系统，其特征在于，所述半导体制程缺陷识别系统包括：
特征提取模型，用于提取所述预选区域的图片特征；
预测框提取模型，其连接于所述特征提取模型，用于获得所述预测框；
感兴趣区域池化层，其连接于所述预测框提取模型，用于获得所述预测框特征
类别预测框回归模型，其连接于所述感兴趣区域池化层，用于获得所述预选区域内所述半导体制程缺陷的边界框和类型。
CN202110125167.0A 2021-01-29 2021-01-29 一种半导体制程缺陷的检测方法及系统 Active CN112991259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110125167.0A CN112991259B (zh) 2021-01-29 2021-01-29 一种半导体制程缺陷的检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110125167.0A CN112991259B (zh) 2021-01-29 2021-01-29 一种半导体制程缺陷的检测方法及系统

Publications (2)

Publication Number Publication Date
CN112991259A true CN112991259A (zh) 2021-06-18
CN112991259B CN112991259B (zh) 2023-04-18

Family

ID=76345842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110125167.0A Active CN112991259B (zh) 2021-01-29 2021-01-29 一种半导体制程缺陷的检测方法及系统

Country Status (1)

Country Link
CN (1) CN112991259B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581362A (zh) * 2021-07-22 2022-06-03 正泰集团研发中心(上海)有限公司 光伏组件缺陷检测方法、装置、电子设备和可读存储介质
CN115035084A (zh) * 2022-06-27 2022-09-09 泸州豪能传动技术有限公司 锻件缺陷的监控方法、装置、电子设备及存储介质
CN116129221A (zh) * 2023-01-16 2023-05-16 五邑大学 锂电池缺陷检测方法、系统及存储介质
CN118447019A (zh) * 2024-07-08 2024-08-06 南昌众力精密铸造有限公司 压铸缺陷检测方法、装置及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6021380A (en) * 1996-07-09 2000-02-01 Scanis, Inc. Automatic semiconductor wafer sorter/prober with extended optical inspection
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
CN109872317A (zh) * 2019-02-22 2019-06-11 西南交通大学 一种基于电力设备缺陷识别学习模型的缺陷识别方法
US20190188840A1 (en) * 2017-12-19 2019-06-20 Samsung Electronics Co., Ltd. Semiconductor defect classification device, method for classifying defect of semiconductor, and semiconductor defect classification system
US20190287238A1 (en) * 2018-03-14 2019-09-19 Kla-Tencor Corporation Defect detection, classification, and process window control using scanning electron microscope metrology
CN110291622A (zh) * 2017-01-30 2019-09-27 东方晶源微电子科技（北京）有限公司 用于检查集成电路的动态更新
CN110325843A (zh) * 2017-01-30 2019-10-11 东方晶源微电子科技（北京）有限公司 引导式集成电路缺陷检测
CN110515966A (zh) * 2019-08-29 2019-11-29 上海华力微电子有限公司 缺陷扫描机台间高匹配度扫描程式的快速建立方法
CN111933538A (zh) * 2019-05-13 2020-11-13 芯恩（青岛）集成电路有限公司 用于晶圆缺陷扫描的方法、设备及计算机可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6021380A (en) * 1996-07-09 2000-02-01 Scanis, Inc. Automatic semiconductor wafer sorter/prober with extended optical inspection
CN110291622A (zh) * 2017-01-30 2019-09-27 东方晶源微电子科技（北京）有限公司 用于检查集成电路的动态更新
CN110325843A (zh) * 2017-01-30 2019-10-11 东方晶源微电子科技（北京）有限公司 引导式集成电路缺陷检测
US20190188840A1 (en) * 2017-12-19 2019-06-20 Samsung Electronics Co., Ltd. Semiconductor defect classification device, method for classifying defect of semiconductor, and semiconductor defect classification system
US20190287238A1 (en) * 2018-03-14 2019-09-19 Kla-Tencor Corporation Defect detection, classification, and process window control using scanning electron microscope metrology
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
CN109872317A (zh) * 2019-02-22 2019-06-11 西南交通大学 一种基于电力设备缺陷识别学习模型的缺陷识别方法
CN111933538A (zh) * 2019-05-13 2020-11-13 芯恩（青岛）集成电路有限公司 用于晶圆缺陷扫描的方法、设备及计算机可读存储介质
CN110515966A (zh) * 2019-08-29 2019-11-29 上海华力微电子有限公司 缺陷扫描机台间高匹配度扫描程式的快速建立方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GHALIA TELLO ET AL.: "Deep-Structured Machine Learning Model for the Recognition of Mixed-Defect Patterns in Semiconductor Fabrication Processes" *
星环科技人工智能平台团队: "《机器学习实战基于Sophon平台的机器学习理论与实践》", 31 January 2020 *
赵欣洋;蔡超鹏;王思;刘志远;: "基于深度学习的不规则特征识别检测技术" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581362A (zh) * 2021-07-22 2022-06-03 正泰集团研发中心(上海)有限公司 光伏组件缺陷检测方法、装置、电子设备和可读存储介质
CN114581362B (zh) * 2021-07-22 2023-11-07 正泰集团研发中心(上海)有限公司 光伏组件缺陷检测方法、装置、电子设备和可读存储介质
CN115035084A (zh) * 2022-06-27 2022-09-09 泸州豪能传动技术有限公司 锻件缺陷的监控方法、装置、电子设备及存储介质
CN116129221A (zh) * 2023-01-16 2023-05-16 五邑大学 锂电池缺陷检测方法、系统及存储介质
CN116129221B (zh) * 2023-01-16 2024-02-20 五邑大学 锂电池缺陷检测方法、系统及存储介质
CN118447019A (zh) * 2024-07-08 2024-08-06 南昌众力精密铸造有限公司 压铸缺陷检测方法、装置及设备

Also Published As

Publication number Publication date
CN112991259B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN112991259B (zh) 一种半导体制程缺陷的检测方法及系统
JP4155496B2 (ja) 分類支援装置、分類装置およびプログラム
US8139841B2 (en) Visual inspection method and apparatus and image analysis system
CN110378313B (zh) 细胞团识别方法、装置及电子设备
JP4095860B2 (ja) 欠陥検査方法及びその装置
CN114910480B (zh) 一种基于机器视觉的晶圆表面缺陷检测方法
JP2001156135A (ja) 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法
CN115100199B (zh) 一种晶圆低纹理缺陷的检测方法
CN116773548B (zh) 一种晶圆表面缺陷检测方法及系统
JP2001188906A (ja) 画像自動分類方法及び画像自動分類装置
CN115290663A (zh) 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN112396575A (zh) 基于影像的分类系统
CN116309416A (zh) 一种零件表面视觉检测方法
CN115620075B (zh) 白细胞分类模型用数据集的生成方法、系统及设备
CN113034464A (zh) 一种多背景下的液晶显示器缺陷视觉实时检测方法
CN114235837A (zh) 基于机器视觉的led封装表面缺陷检测方法、装置、介质及设备
JP2000200356A (ja) 欠陥分類方法およびその装置
CN112365450A (zh) 基于图像识别的物品分类计数的方法、装置和存储介质
CN115274486A (zh) 一种半导体表面缺陷识别方法
CN114627116A (zh) 一种基于人工智能的织物疵点识别方法及系统
TW202424471A (zh) 一種矽片表面缺陷的機器視覺識別方法、裝置及介質
JP3020973B2 (ja) 画像処理方法
CN113129265A (zh) 瓷砖表面缺陷检测方法、装置及存储介质
US7646892B2 (en) Image inspecting apparatus, image inspecting method, control program and computer-readable storage medium
JP2840347B2 (ja) 基板実装検査装置

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