CN113096119B - 晶圆缺陷分类的方法、装置、电子设备以及存储介质 - Google Patents

Abstract

本发明涉及一种分层拆解的晶圆缺陷分类方法，该方法首先采集目标晶圆上每个目标区域的至少一个目标图像；基于预存的所述目标区域的结构特征，对每个所述目标图像进行分层处理，得到至少两个分层图形，及所述分层图形对应的层级信息；据所述层级信息对所述分层图形进行缺陷识别和分类，得到至少一个目标缺陷图形及其缺陷种类。本发明可以降低晶圆缺陷分类过程中对人工的依赖性，从而提高了晶圆缺陷分类的效率，降低了缺陷分类的成本，实现了在生产过程中对晶圆缺陷的实时检测，获得实时的缺陷信息反馈，从而提高了产品的良率。

Description

晶圆缺陷分类的方法、装置、电子设备以及存储介质

技术领域

本发明涉及半导体制造技术领域，尤其涉及一种基于分层拆解缺陷图片的晶圆缺陷分类的方法、装置、电子设备和计算机可读存储介质。

背景技术

随着半导体器件技术的发展，用于制造半导体器件的工艺越来越多，其主要目的是在晶圆在制作电路及电子元件，如晶体管、电容和逻辑开关等等，例如，通过在晶圆表面进行氧化及化学气相沉积，然后涂膜、曝光、显影、刻蚀、离子植入、金属溅镀等步骤，并最终在晶圆上完成数层电路及元件加工与制作。然而，由于制造过程中的每个工艺都有一定的复杂度，因此，每个工艺流程对晶圆的处理都可能会在不同层产生一些不符预期的结构，并且这些结构会造成芯片上电路无法正常工作，这种结构通常称之为晶圆缺陷。通常，芯片制造流程中通常会在众多关键工序后都安排晶圆缺陷检测的步骤，用于监控关键工艺，确保其正确性。但由于芯片制造的工艺流程极其复杂，晶圆缺陷类型繁多，所以，目前没有一个统一的分类方式，目前最常用的分类方法是人工分类和CNN分类。

然而，实际应用中，大多晶圆缺陷并不是完全独立存在的，可能存在同一层级或不同层级上的两个或多个晶圆缺陷重叠(或交叉)的情况，也可能出现晶圆缺陷与晶圆中的正常结构(例如晶圆上的电子器件等)发生重叠或交叉的情况。

此时，若采用CNN分类，就需要大量的具有重叠或交叉的样本图像来进行模型训练，然而，实际应用中，每个工艺流程中并不会产生大量这样的晶圆缺陷，并且不同工厂之间也不会进行数据共享，这就造成了训练样本量的不足，自然也就无法训练得到一个分类精准度较好的分类模型；另一方面，即使能够找到足够的训练样本，但需要预先对训练样本进行缺陷类型标记，由于有重叠或交叉的情况出现，这种训练样本的标记该如何标记才能够更准确？因此，这不仅将增加标记的工作量，也增加了标记的难度。

故而，针对出现较多重叠或交叉的情况，目前，主要采用人工分类。然而，人工分类时，对重叠或交叉结构中的缺陷进行识别和分类的准确度和可靠性与工作人员识别缺陷的经验呈正相关，即其经验越丰富，相应地，其准确的和可靠性则增加，也即是说，这种分类方法对工作人员的专业度要求高。另一方面，若工作人员长时间进行缺陷识别，可能引起累积疲劳，从而降低了缺陷分类的效率，同时也降低了其准确性和可靠性。

有鉴于此，本发明提出了一种基于分层拆解的晶圆缺陷分类方法和装置。

发明内容

为了部分地解决或缓解上述技术问题，本发明提供了一种基于分层拆解的晶圆缺陷分类方法，相较于现有技术中由人工进行缺陷分类的方法，其能够自动进行缺陷分类。

本发明的第一方面在于，提供了一种基于分层拆解的晶圆缺陷分类方法，其包括步骤：

采集目标晶圆上每个目标区域的至少一个目标图像；

基于预存的所述目标区域的结构特征，对每个所述目标区域各自的目标图像进行分层处理，得到至少两个分层图形，及所述分层图形对应的层级信息；

根据所述层级信息对所述分层图形进行缺陷识别和分类，得到至少一个目标缺陷图形及其缺陷种类。

本发明的一些实施例中，所述目标区域包括多层结构，相应地，所述结构特征包括：所述多层结构中每一层结构各自对应的层级信息。

本发明的一些实施例中，所述层级信息包括：像素阈值和/或坐标信息。

本发明的一些实施例中，对所述目标图像进行分层处理的步骤，具体包括：

对每个所述目标图像进行边缘提取，得到至少一个闭合曲线图形及每个闭合曲线图形的像素信息；

识别出有交叉的至少两个闭合曲线图形，并进行图形分离，得到至少两个独立的待识别闭合曲线图形；

根据所述像素信息和每层的像素阈值识别所述待识别闭合曲线图形的层级，得到至少一个所述分层图形及其层级信息。

本发明的一些实施例中，根据所述像素信息和每层的像素阈值识别所述待识别闭合曲线图形的层级的步骤，具体包括：

按照从顶层到底层的顺序，将当前所述待识别闭合曲线图形的像素信息与所述多层结构中每一层的像素阈值逐一进行对比，直至判断出所述像素信息大于或等于所述像素阈值，判定所述待识别闭合曲线图形当前所在层级为所述像素阈值对应的层级。

本发明的第二方面在于，提供了一种缺陷分类装置，其包括：图像采集模块，用于采集目标晶圆上目标区域的至少一个目标图像；图像分层模块，用于基于预存的所述目标区域的结构特征，对所述目标图像进行分层处理，得到至少两个分层图形，及所述分层图形对应的层级信息；

缺陷分类模块，用于根据所述层级信息对所述分层图形进行缺陷识别和分类，得到至少一个目标缺陷图形及其缺陷种类。

本发明的一些实施例中，所述目标区域包括多层结构，相应地，所述结构特征包括：所述多层结构中每一层结构各自对应的层级信息。

本发明的一些实施例中，所述层级信息包括：像素阈值和/或坐标信息。

本发明的一些实施例中，所述图像分层模块具体包括：

第一图像处理单元，用于对所述目标图像进行边缘提取，得到至少一个闭合曲线图形及每个闭合曲线图形的像素信息；

第二图像处理单元，用于从所述至少一个闭合曲线图形中识别出有交叉的至少两个闭合曲线图形，并图形分离，得到至少两个独立的待识别闭合曲线图形；

图像处理单元，用于根据所述像素信息和每层的像素阈值识别所述待识别闭合曲线图形的层级，得到至少一个所述分层图形及其层级信息。

本发明的一些实施例中，所述第三图像处理单元具体用于按照从顶层到底层的顺序，将当前待识别闭合曲线图形的像素信息与所述多层结构中每一层的像素阈值逐一进行对比，直至判断出所述像素信息大于或等于所述像素阈值，判定所述当前待识别闭合曲线图形当前所在层级为所述像素阈值对应的层级。

本发明的第三方面在于，提供了一种电子设备，包括至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器用于存储执行权利要求1至5中任一所述方法的程序；所述处理器被配置为用于执行所述存储器中存储的程序。

本发明的第四方面在于，提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时控制所述存储介质所在设备执行上述方法的步骤。

有益技术效果

本发明提供了一种基于分层拆解的晶圆缺陷分类方法，其通过采集目标晶圆上每个目标区域的至少一个目标图像；然后基于预存的目标区域的结构特征，对每个目标区域各自对应的目标图像进行分层处理，得到至少两个分层图形，及每个分层图形对应的层级信息；并据层级信息对分层图形进行缺陷识别和分类，得到至少一个目标缺陷图形及其缺陷种类。本发明提供的分类方法降低了晶圆缺陷分类过程中对人工的依赖性，实现了自动缺陷识别和分类，从而提高了晶圆缺陷分类的效率，降低了缺陷分类的成本；并本发明的该分类方法可以应用于晶圆生产工艺中晶圆缺陷的实时检测和分类，能够实时反馈缺陷信息，提高了产品的良率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明一示例性实施例的晶圆缺陷分类方法的流程示意图；

图2是本发明一示例性实施例的目标图像进行分层处理的示意图；

图3是本发明一示例性实施例的分层处理的流程示意图；

图4是本发明另一示例性实施例中两张目标图像进行分层处理的示意图；

图5是本发明一示例性实施例的装置的结构示意示意图；

图6是本发明一示例性实施例的电子设备的结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本发明保护的范围。

本文中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

名词解释

边缘提取：即边界提取，边缘提取指数字图像处理中，对于图片轮廓的一个处理。对于边界处，即灰度值变化比较剧烈的地方，就定义为边缘。也就是拐点，拐点是指函数发生凹凸性变化的点。二阶导数为零的地方。并不是一阶导数，因为一阶导数为零，表示是极值点。边缘提取的基本思想首先是利用边缘增强算子，突出图像中的局部边缘，然后定义象素的“边缘强度”，通过设置阈值的方法提取边缘点集。由于噪声和模糊的存在，监测到的边界可能会变宽或在某点处发生间断。因此，边界提取包括两个基本内容：(1)用边缘算子提取出反映灰度变化的边缘点集；(2)在边缘点集合中剔除某些边界点或填补边界间断点，并将这些边缘连接成完整的线。

实施例一

参见图1，为本发明一示例性实施例的方法流程示意图，本示例性实施例的方法步骤包括：

S102：采集目标晶圆上每个目标区域的至少一个目标图像。

在一些实施例中，在晶圆生产工艺过程中，通过各种缺陷扫描设备，如扫描电子显微镜(SEM)、X射线自动监测设备、红外成像光谱仪、自动光学检测(AOI)等，实时扫描各个目标晶圆得到的该目标图像，相应地，可直接从这些缺陷扫描设备中获取到目标晶圆上目标区域的多个目标图像(即，含有晶圆缺陷的图像)。例如，可通过有线通信或无线通信方式从缺陷检测设备中获取到每个目标区域的至少一个目标图像，即获取到的待分类的目标图像集包括：A1、A2、A3、A4、A5···AN。优选地，采用扫描电子显微镜(SEM)采集目标区域的至少一个目标图像。

在一些实施例中，首先通过缺陷识别设备，如激光扫描设备、红外扫描设备、超声扫描设备等，对目标晶圆的目标区域(即，含有晶圆缺陷的区域)进行识别并标记，具体地，将待检测的目标晶圆分成一个个小像素点，然后通过不同目标晶圆同一位置的像素点之间的灰度值比较，对差异较大的一些像素点做标记，即，对目标区域做标记并存储(例如，晶圆编号，目标区域的编号、数量和位置以及该目标区域内每个像素点的坐标和亮度值/灰度值等等)；然后，用缺陷扫描设备对目标晶圆上的目标区域拍照得到目标图像。例如，通过扫描电子显微镜对上面标记的目标区域进行拍照，采集到至少一个目标图像，然后就可以通过目标图像详细了解到晶圆缺陷的形貌，长相等直观信息，并对其进行分类。

进一步地，在本发明的一些实施例中，为了去除噪点的影响，提高缺陷分类的准确性，还可对采集到的多张目标区域进行去噪处理，去噪处理可以通过均值滤波器(例如，针对同一目标晶圆上的同一目标区域采集多张目标图像，然后将所采集到的多张目标图像的像素点进行叠加求平均得到一种高度清晰的目标图像)、自适应维纳滤波器、中值滤波器、形态学噪声滤波器、小波去噪法进行。

在一具体实施例中，可通过扫描电子显微镜针对目标晶圆上的同一目标区域采集32张目标图像(当然，也可基于目标图像的精度和分类效率考量，对该扫描电子显微镜的采集参数进行调整，即也可针对一个目标区域采用其他数量的目标图像，例如，针对结构简单的目标区域，采集25张或30张即可，或者，针对结构稍复杂的目标区域，采集40张或更多张)，然后，通过中值滤波器对采集到的32张目标图像进行去噪处理，最终针对一个目标区域得到一个去噪处理后的目标图像。

S104：基于预存的目标区域的结构特征，对每个目标区域各自对应的目标图像进行分层处理，得到至少两个分层图形及其对应的层级信息。

在一些实施例中，针对一个目标区域采集了一张目标图像，则根据预存的目标区域的结构特征对该目标图像进行分层处理；当然，若针对一个目标区域采集了至少两张目标图像，则如前所述，先对该至少两张目标图像进行去噪处理(例如叠加求平均)，然后对最终去噪处理后得到的该目标区域对应的一张目标图像进行分层处理。

在一些实施例中，由于晶圆是多层结构，其包括基层结构(如，晶格、分割线、测试晶格、边缘晶格和晶圆的平坦边等)，还包括在该基层结构内，即基础结构上设置的多层不同功能的功能性结构(如晶圆上设置的电路、电子元件及特殊装置等)；因此，可根据实际生产工艺流程，预先将该目标晶圆目标区域的结构特征(例如，该晶圆包括多少层，以及每层的层级信息等)预先存储在数据库中，从而直接根据该目标区域的结构特征对该目标图像进行分层处理。

当然，在另一些实施例中，由于已经预先通过缺陷识别设备识别出各个待识别晶圆缺陷，并进行相应的标记，因此，可直接从该缺陷识别设备中获取到该目标区域的结构特征。

在另一些实施例中，还可预先将标准晶圆(与该目标晶圆相同的样本晶圆)上相同位置的目标区域的结构特征存储在数据库中，从而可根据该标准晶圆上该目标区域的结构特征进行分层处理。

在一些实施例中，该目标区域包括：多层结构(例如基层结构和至少一层功能性结构)，而该结构特征包括：每层结构各自对应的层级信息，例如，每层的像素点的像素阈值范围以及每层在目标图像中的坐标信息(如前所述，由于目标区域已经被标记了，自然也就可以知道其坐标信息和像素信息)等等；从而使得可根据该标准目标区域的结构特征对每个目标图像进行分层处理。

在一些实施例中，在S104步骤具体包括：

S10402：对每个目标区域各自对应的目标图像进行边缘提取，得到至少一个闭合曲线图形及每个闭合曲线图形的像素信息。

在一具体实施例中，采用一阶边缘检测算子，例如Robert边缘算子、Sobel边缘算子、Prewitt边缘算子、Laplacian边缘算子、Laplacian of Guess边缘算子、Canny边缘算子、Krisch边缘算子、罗盘算子等；或者，采用二阶边缘检测算子Marr-Hildreth算子等来进行边缘提取，从而得到至少一个闭合曲线图形，以及每个闭合曲线图形的图形尺寸、信号强度值、以及像素信息(如灰度值、亮度值等)等，例如，当对图2中图a所示目标图像进行边缘提取后，得到图b所示的多个闭合曲线图形。

S10404：识别出有交叉的至少两个闭合曲线图形，并进行图形分离，得到至少两个独立的待识别闭合曲线图形。

在一些实施例中，若目标区域的某一层上出现了晶圆缺陷，则其可能会与其他层上的正常结构(如电子器件等)或非正常结构(即晶圆缺陷)发生重叠，自然该晶圆缺陷的边缘/边界与其他结构的边缘/边界发生了交叉，因此，当边缘提取到多个闭合曲线图形时，从中识别出有交叉的至少两个闭合曲线图形，然后将有交叉的闭合曲线图形进行图形分离，分别得到至少两个独立的待识别闭合曲线图形，例如，参见图2中的图b(i)、图b(ii)和图d。当然，由于有重叠的情况出现，因此，位于顶层的结构的边缘是完整的，自然可提取到相应的闭合曲线图形；而位于较低层的结构的边缘可能有部分被遮挡，由于各层的亮度值/灰度值不同，因此，可直接根据各边缘的亮度值或灰度值，将该边缘进行补全，从而得到相应的闭合曲线。

当然，在另一些实施例中，由于光线的影响，不同层上的不同结构表面或边缘会呈现不同亮度的亮边区域(即该区域的亮度值或灰度值较高)，相应地，也会呈现不同亮度的暗边区域(即该区域的亮度值或灰度值较低)；因此，当识别到有交叉的至少两个闭合曲线图形时，可以直接通过该闭合曲线上各个像素点的亮度值/灰度值进行图形分离。例如，可通过该闭合曲线是否有无亮边(即亮度值/灰度值大于预设的亮度阈值/灰度阈值)来进行分离，从而得到有亮边的待识别闭合曲线和无亮边(包括有暗边和无暗边)的待识别闭合曲线。

例如，参见图2中的图a为目标区域的SEM图(即，目标图像)且其具有两层结构，图b是将图a进行边缘提取得到的简化图形，其中，椭圆状的闭合曲线为晶圆缺陷(也就非正常结构)的边缘(也即轮廓边界)，并且由于该晶圆缺陷位于两层结构中底层中，因此，其无亮边区域，参见图a和图b；其余闭合曲线(如两个长方形闭合曲线等)为晶圆上的正常结构的边缘(也即轮廓边界)，且由于其位于两层结构中顶层，因此，其有亮边区域(如图b和图a中白色线条所示)；故而，当根据是否有亮边区域对图b进行图形分离，将分别得到如图c和图d所示的待识别闭合曲线。

其中，图c所示的两个横向的长方形闭合曲线，以及两个竖向的近似长方形的闭合曲线均为设置在晶圆上的功能性结构的轮廓边缘，图d所示椭圆状的闭合曲线为的晶圆缺陷的轮廓边缘；且图b和图a中的白色线条表示图a中功能性结构的亮边区域，且该白色线条实际上属于该功能性结构对应闭合曲线的一部分；图b和图d中的椭圆状的黑色线条表示图a中的括暗边区域。因此，当识别出有交叉的闭合曲线图形时(例如图b(i)、图b(ii)所示的闭合曲线与图d中所示的闭合曲线图形相交叉)，可根据相交叉的闭合曲线图形的亮边区域和/或暗边区域进行图形分离，具体地，参见图b，当识别到有交叉的三个闭合曲线图形中有两个长方形闭合曲线是有亮边的，且亮边区域的亮度值(或灰度值)大小相近，而椭圆状闭合曲线是无亮边的，或者实际上整个闭合曲线都是呈暗边(即该区域的亮度值或灰度值与上述两个长方形闭合曲线的亮边区域的亮度值或灰度值要小很多)，因此，将两个长方形闭合曲线与该椭圆状的闭合曲线进行图形分离，得到有亮边的闭合曲线(图c)和无亮边的闭合曲线(图d)。

当然，进一步地，分离的有亮边的待识别闭合曲线之间若有交叉，则还可根据不同层上的亮边区域的亮度(即亮度值或灰度值)设置不同的亮度阈值或灰度阈值，从而根据不同层对应的不同阈值对有交叉的，且有亮边的多个待识别闭合曲线进行图形分离。同理，若分离出的无亮边的待识别闭合曲线之间有交叉，也可根据预设的不同阈值对有交叉的，且无亮边的多个待识别闭合曲线进行图形分离。

在另一些实施例中，由于不同晶圆缺陷的纹理有所不同，以及晶圆缺陷与晶圆上的正常结构也可能存在纹理差异，因此，在另一些实施例中，还可以通过纹理对识别到的有交叉的至少两个闭合曲线图形进行图形分离，参见图2中的图a，可以看到图a中的椭圆状晶圆缺陷的纹理与其邻域的纹理存在明显差异，因此，可以按照纹理的区别对闭合曲线图形进行图形分离。

当然，在另一些实施例中，如果识别到多个闭合曲线图形发生交叉难以辨别的情况，则向工作人员发起警告通知，以提醒其通过人工进行图形分离或缺陷识别。

更进一步地，在另一些实施例中，为了确保图形分离的准确性，如果识别到多个闭合曲线图形发生交叉难以辨别的情况，可以对相应位置进行标识(即，记录下相应位置的坐标信息)，然后，通过原子力显微镜(AFM)进行观察并得到三维表面形貌图，接下来，工作人员参考得到的三维表面形貌图对多个闭合曲线图形进行分离。

S10406：根据像素信息和每层的像素阈值识别待识别闭合曲线图形的层级，得到至少一个分层图形及其层级信息。

在一些实施例中，得到的分层图形可以是闭合曲线图形本身，也可以是闭合曲线图形及其所在的层级的平面(如图2中图d所示)，也可以是闭合曲线图形、该闭合曲线图形所在的层级的平面，以及该层级中的其他闭合曲线(如图2中图c所示)。

在一些实施例中，上述步骤S10406具体包括：按照从顶层到底层的顺序，将当前待识别闭合曲线图形的像素信息与多层结构中每一层的像素阈值逐一进行对比，直至判断出像素信息大于或等于该像素阈值，判定待识别闭合曲线图形当前所在层级为该像素阈值对应的层级。

在一些实施例中，预先根据该目标区域上多层结构，在数据库中存储该多层结构中每层对应的像素阈值(例如灰度阈值范围或亮度阈值范围)，从而当进行图形分离得到多个待识别的闭合曲线时，可将每个闭合曲线各自的像素信息与预存的每层对应的像素阈值进行比较，从而得到该闭合曲线所属的层级。

在一具体实施例中，如前所述，由于光线和多层结构的影响，位于较高层的各种结构对应的闭合曲线是有亮边的，而位于交底层的各种结构对应的闭合曲线是无亮边的，或者有暗边的，因此，可先根据各个闭合曲线是否有亮边进行高层区和低层区的划分(例如，具有亮边的属于高层区，无亮边(包括有暗边)的属于低层区)，然后，再将高层区的闭合曲线与预存的该多层结构中各个高层区对应的各个像素阈值进行比较以识别该闭合曲线具体所属层级；同理，将低层区的闭合曲线与预存的该多层结构中各个低层区对应的各个像素阈值进行比较以识别该闭合曲线具体所属层级即可。这就使得，即使多个闭合曲线都有亮边，且该多个闭合曲线可能属于不同层级时，也可根据该预设的各个高层区的像素阈值识别出每个闭合曲线所属的层级，例如，图2的图b中呈横向放置的两个长方形闭合曲线有亮边，且竖向放置的两个近似长方形的闭合曲线也有亮边，且该四个闭合曲线对应的亮度值/灰度值都属于同一个预设像素阈值范围内，因此，该四个闭合曲线属于同一层级，即最后得到的分层图形如图c所示；同理，即使多个闭合曲线无亮边，且该多个闭合曲线可能属于不同层级时，也可根据预设的各个低层区的像素阈值识别出每个闭合曲线所属的层级。

当然，在另一些实施例中，由于某些晶圆缺陷是在特定的工艺流程中产生的，而这些特定工艺流程可能只在晶圆的多层结构中的某一层有所使用，因此，当识别到这些晶圆缺陷(即，被识别为缺陷的闭合曲线图形)时，可以依据目标晶圆中不同层级间的工艺流程信息，直接识别到晶圆缺陷所在的层级并得到相应的层级信息。

在一些实施例中，目标图像的分层处理可参见图4，其中图l为某目标晶圆的标准样本图(已预存在数据库中)，图m和图n为实时采集到不同目标晶圆上同一目标区域的一张目标图像，且该两张图标图像均为两层结构，其中，图m所示目标图像中的底层中存在一种晶圆缺陷(如图m中虚线标示出)，图n所示目标图像中高层中存在另一种晶圆图像(如图n中虚线所示)；将图m和图n中的目标图像进行分层处理，分别得到如图m(i)所示的第一分层图形和图m(ii)所示的第二分层图形，以及图n(i)所示的第三分层图形和图n(ii)所示的第四分层图形，以及每个分层图形的层级信息，如：像素信息(例如灰度值/亮度值)和坐标信息。

由于半导体芯片制造工艺流程极为复杂，每个工艺流程都可能导致晶圆上产生不同缺陷，特别地，可能产生两个或多个晶圆缺陷发生重叠(即，交叉)的情况，当然，还有可能产生晶圆缺陷与晶圆其他基层结构或功能性结构发生重叠的情况，参见图2，图2中的a图为一目标区域的SEM图(即，目标图像)，图a中虚线框所围区域中的椭圆结构为晶圆缺陷，该晶圆缺陷位于晶圆较低的层级，且和晶圆中较高层上的其他结构发生部分重叠，所以图a中该椭圆结构缺陷未能完全显示，此时，若是直接对该晶圆缺陷进行分类，可能导致分类不准确，因此需要根据预存的该目标区域的结构特征对该目标图像进行分层拆解，分别得到。

在本发明的一些实施例中，层级信息包括：像素阈值和坐标信息。

进一步地，在本发明的一些实施例中，为了提高目标图像的分层处理的准确性，还可对识别结果进行校验，具体地，对采集的一个或多个目标图像进行水平、垂直翻转和对比度随机变化等方法进行数据扩张，得到多张图像，分别对初始的目标图像和经水平、垂直翻转和对比度随机变化处理后的图像进行分层处理，若目标图像和处理后的图像的分层处理结果一致，则认为分层处理结果无误，若针同一图层，得到不同的闭合曲线图形，即得到相同类型不同位置的缺陷，那么，可以通过工作人员进行人工核对，按照经验对不同的分层处理结果进行选择，增加整个检测系统的完整性和完备性。

当然，在本发明的另一些实施例中，对识别结果进行校验的方式还可对同一个目标区域采集多个目标图像，然后对多个目标图像进行分层处理，分层处理的结果可以相互验证，若每个目标图像的分层处理结果一致，则认为分层处理结果无误，若针同一图层，得到不同的闭合曲线图形，即得到相同类型不同位置的缺陷，那么，可以通过工作人员进行人工核对，按照工作经验对不同的分层处理结果进行选择，增加整个检测系统的完整性和完备性，例如，在本实施例中，采用扫描电子显微镜对同一个目标区域采集三个目标图像(当然，也可基于目标图像分层处理的准确性和效率的考量，对该扫描电子显微镜的采集参数进行调整，即也可针对一个目标区域采用其他数量的目标图像，例如，针对结构简单的目标区域，采集2张即可，或者，针对结构稍复杂的目标区域，采集4张或更多张)。

S106：根据层级信息对分层图形进行缺陷识别和分类，得到至少一个目标缺陷图形及其缺陷种类。

在一些实施例中，众所周知，可根据工艺来源(涉及晶棒成长、晶棒裁切与检测、外径研磨、切片、圆边、表层研磨、蚀刻等工序)来进行晶圆缺陷种类的划分，而晶圆是通过不同工艺在基层结构上设置多层功能性结构得到的。因此，目标晶圆上每层可能出现的晶圆缺陷的种类可根据其工艺来源得知，例如由于其中一层是采用A工艺制成的，而该工艺通常会在该层上某个区域生产缺陷a，和/或，在另一个区域产生缺陷b(例如，等离子体化学气相沉积(PECVD)工艺中，极板间距和反应室尺寸、射频电源的工作频率、射频功率、气压、衬底温度等都可能影响PECVD工艺质量，产生相应的缺陷)；并且同一晶圆在同等成像条件下，不同层的显示颜色和/或亮度(或灰度)的差异。故而，可预先在数据库中存储该目标晶圆(或标准目标晶圆)上每层中出现的各种晶圆缺陷的缺陷信息，例如，该类晶圆缺陷的种类、像素阈值范围(如亮度范围或灰度范围)、位置范围(包括所在层级，及其坐标范围(也即所在区域范围))等；然后，根据每个分层图形中各个待识别闭合曲线的层级信息与预存的缺陷信息进行匹配，例如，将待识别闭合曲线的像素值与相应层对应的像素阈值范围进行比较，若属于该像素阈值范围，则判定该待识别闭合曲线对应的结构为晶圆缺陷，且其缺陷类型即为所匹配到的对应晶圆缺陷的种类；或者，判断待识别闭合曲线的各个像素点的坐标与相应层对应的晶圆缺陷的各个像素点的坐标相近，若是，则判定该待识别闭合曲线对应的结构为晶圆缺陷，且其缺陷类型即为匹配到的对应晶圆缺陷的种类。

由于每个分层图形中包括了至少一个独立的待识别闭合曲线图形，且该至少一个待识别闭合曲线图形可能是目标晶圆上的正常结构的轮廓形状，也可能是晶圆缺陷的轮廓形状，也可能是在同等呈像条件下显示的颜色、光亮度的差异，甚至可能多种都包括。因此，可先将待识别的闭合曲线图形与数据库中预存的各种已知晶圆缺陷的轮廓形状进行匹配，匹配成功则将其识别为晶圆缺陷，然后再根据层级信息进行缺陷分类；相应地，若匹配不成功则提醒进行人工识别。例如，众所周知，晶圆缺陷的轮廓形状通常与晶圆上的电子器件等正常结构的轮廓形状是不同的，因此，可预先在数据库中存储各种晶圆缺陷的轮廓形状及其具体种类(即晶圆缺陷种类库)，然后，将分层图形中的各个待识别闭合曲线图形与预存的各种晶圆缺陷的轮廓形状进行匹配，若匹配到相同的，则将该分层图形中的该闭合曲线图形标记为所匹配到的该类晶圆缺陷。当然，若未匹配到相应的轮廓形状，可以提醒人工识别，也可以选择不将其判定为晶圆缺陷。

当然，在另一实施例中，还在数据库中预存晶圆上可能涉及的各种正常结构的轮廓形状，因此，当在数据库中未匹配到相应种类晶圆缺陷的轮廓形状时，再将该闭合曲线与各种正常结构的轮廓形状进行匹配，若匹配到相同或近似的，则将其判定为相应的正常结构，若未匹配到相同或近似的，则将其判定为新种类的晶圆缺陷，并添加至相应的晶圆缺陷种类库中，作为下一次匹配的参考样本，以进行晶圆缺陷分类；当然，若未匹配到相应的正常结构，也可不判定为晶圆缺陷，而是向工作人员发送提醒进行人工识别和分类。

在一另实施例中，由于已经进行图形分离，得到了分层图形，因此，进行缺陷分类时，可采用卷积神经网络算法(CNN)分类法对得到的分层图形中的各个闭合曲线进行缺陷识别和分类，具体地，可采用的卷积神经网络算法有：AlexNet网络、基于AlexNet改进得到的ZFNet网络、VGG网络、GoogleLeNet网络等。

具体地，在进行缺陷识别和分类前，将数据库中晶圆缺陷种类库中的各个轮廓形状作为训练样本进行训练，得到一个晶圆缺陷分类器，然后利用该晶圆缺陷分类器对分层图形中的各个闭合曲线进行缺陷识别和分类。由于预先将有重叠或交叉的各个闭合曲线进行分离，得到多个独立的闭合曲线，即将每个晶圆缺陷独立出来，并得到其完整的轮廓形状，使得可直接采用CNN分类器等进行自动分类，而无需人工分类，提高了工作效率；并且，相较于直接训练针对有多个晶圆缺陷重叠或交叉的分类器，可直接采用现有的各种晶圆缺陷作为训练样本，从而无需采集大量有重叠或交叉的训练样本，不仅大大降低了工作人员对训练样本的标记工作量，也降低了标记难度，进一步提高了分类效率和可靠性。

在另一些实施例中，在进行缺陷识别和分类前，也采集多张目标晶圆的目标图像，最终制作成训练集，训练集的数据样本大小约为70000组(当然，也可基于缺陷分类精度和缺陷分类效率的考量，采用其他数据样本大小，例如，当对缺陷分类精度要求较高时，可以将样本数据大小设为80000组或90000组)；工作人员结合实际情况可将晶圆缺陷类型根据其形态特征分为冗余物、晶体缺陷、机械损伤等三种(当然，也可将晶圆缺陷分为污损、碎裂、缺角、崩边、残缺、突起等类型；也可分为点缺陷、位错、原生缺陷、杂质等类型，由于在实际生产工作中，晶圆缺陷的种类繁多，因此，缺陷的分类方法也不局限于上述分类，可以依据实际应用场景灵活分类)。具体地，在训练分类器时，数据集是采用上述多张目标的目标图像，且每个样本图像都预先标记了缺陷位置和缺陷类型，然后通过一系列数据扩张操作，得到约2000组数据，随机选取60％作为训练集,40％作为测试集；经过训练和测试后，将得到的目标晶圆的分层图形输入已训练好的分类器，例如patch-based ZFNet检测器中进行缺陷识别和分类。

进一步地，为了提高训练集的生成效率，可预先对训练集中的每个训练样本进行水平、垂直翻转和对比度随机变化等方法对数据集进行扩张，然后，训练分类器。

进一步地，缺陷分类之前，还可利用CNN先根据每个分层图形的层级信息，预判得到该分层图形中通常会发生哪些缺陷，然后从对分层图形进行缺陷分类，并将分类结果与预判结果进行对比，从而对分类结果进行验证。

更进一步地，缺陷分类后，得到每层中的缺陷及其类型，CNN还可根据每个分层图形的层级信息，对分类得到缺陷进行等级划分，例如，当CNN识别得到当某些特定缺陷发生在某一层级或某些层级时，由于其对晶圆的影响不大是可以接受的，因此，CNN将其划分为一级缺陷；而当CNN识别到某些特定缺陷发生在某一层级或某些层级，由于该层级对缺陷的容忍度很低，或者该缺陷对晶圆的影响很大等，因此，将其划分为重大缺陷；当然识别出重大缺陷时，还可提醒工作人员进行进一步确认或处理。

实施例二

参见图5，为本发明一示例性实施例的缺陷分类装置200，该装置包括：

图像采集模块202，用于采集目标晶圆上每个目标区域的至少一个目标图像；

图像分层模块204，用于基于预存的该目标区域的结构特征，对该目标区域对应的目标图像进行分层处理，得到至少两个分层图形，及每个分层图形对应的层级信息；

缺陷分类模块206，用于根据所得到的层级信息对每个分层图形进行缺陷识别和分类，得到至少一个目标缺陷图形及其缺陷种类。

在本发明的一些实施例中，目标区域包括多层结构，相应地，该结构特征包括：该多层结构中每一层结构各自对应的层级信息，例如，像素阈值和坐标信息(例如，该层中每个像素点的二维坐标，或三维坐标)。

在本发明的一些实施例中，上述图像分层模块204具体包括：

第一图像处理单元20402，用于对目标区域对应的目标图像进行边缘提取，得到至少一个闭合曲线图形及每个闭合曲线图形的像素信息；

第二图像处理单元20404，用于从该至少一个闭合曲线图形中识别出有交叉的至少两个闭合曲线图形，并进行图形分离，得到至少两个独立的待识别闭合曲线图形；

第三图像处理单元20406，用于根据每个闭合曲线图形的像素信息和预设的多层结构中每层各自对应的像素阈值识别各个待识别闭合曲线图形的层级，得到至少一个分层图形及其层级信息。

在本发明的一些实施例中，第三图像处理单元具体用于按照从顶层到底层的顺序，将当前待识别闭合曲线图形的像素信息与多层结构中每一层的像素阈值逐一进行对比，直至判断出像素信息大于或等于该像素阈值(或者属于预设的一个像素阈值区间)，判定当前待识别闭合曲线图形当前所在层级为该像素阈值(或像素阈值区间)对应的层级。

在本发明的一些实施例中，上述图像采集模块具体可采用扫描电子显微镜(SEM)、X射线自动监测设备、红外成像光谱仪、自动光学检测(AOI)等中的任一种。

在本发明的一些实施例中，图像采集模块还包括去噪单元，用于对采集到每个目标区域对应的多张目标图像进行去噪处理。

实施例三

本发明还提供了一种电子设备，包括处理器501、存储器502，,及存储在存储器502上并可在处理器501上运行的计算机程序，所述处理器执行所述程序时实现前文所述方法的步骤。为了便于说明，仅示出了与本说明书实施例相关的部分，具体技术细节未揭示的，请参照本说明书实施例方法部分。该电子设备，可以是包括各种电子设备，PC电脑、网络云服务器，甚至手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、POS(Point of Sales，销售终端)、车载电脑、台式电脑等任意电子设备。

具体地，图6示出的与本说明书实施例提供的技术方案相关的电子设备组成结构框图，总线500可以包括任意数量的互联的总线和桥，其将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。通信接口503在总线500和接收器和/或发送器504之间提供接口，接收器和/或发送器504可以是分开独立的接收器或发送器也可以是同一个元件如收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器负责管理总线和通常的处理，而存储器502可以被用于存储处理器501在执行操作时所使用的数据。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：采集目标晶圆上每个目标区域的至少一个目标图像；基于预存的所述目标区域的结构特征，对每个所述目标区域各自的目标图像进行分层处理，得到至少两个分层图形，及所述分层图形对应的层级信息；根据所述层级信息对所述分层图形进行缺陷识别和分类，得到至少一个目标缺陷图形及其缺陷种类。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台计算机终端(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

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。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.一种基于分层拆解的晶圆缺陷分类方法，其特征在于，包括步骤：采集目标晶圆上每个目标区域的至少一个目标图像；

基于预存的所述目标区域的结构特征，对每个所述目标区域各自的目标图像进行分层处理，得到至少两个分层图形，及所述分层图形对应的层级信息；其中，对所述目标图像进行分层处理的步骤，具体包括：

对每个所述目标图像进行边缘提取，得到至少一个闭合曲线图形及每个闭合曲线图形的像素信息；

识别出有交叉的至少两个闭合曲线图形，并进行图形分离，得到至少两个独立的待识别闭合曲线图形；

根据所述像素信息和每层的像素阈值识别所述待识别闭合曲线图形的层级，得到至少一个所述分层图形及其层级信息；

根据所述层级信息对所述分层图形进行缺陷识别和分类，得到至少一个目标缺陷图形及其缺陷种类；其中，根据所述像素信息和每层的像素阈值识别所述待识别闭合曲线图形的层级的步骤，具体包括：

按照从顶层到底层的顺序，将当前所述待识别闭合曲线图形的像素信息与目标区域中的多层结构中每一层的像素阈值逐一进行对比，直至判断出所述像素信息大于或等于所述像素阈值，判定所述待识别闭合曲线图形当前所在层级为所述像素阈值对应的层级。

2.根据权利要求1所述的方法，其特征在于，所述目标区域包括多层结构，相应地，所述结构特征包括：所述多层结构中每一层结构各自对应的层级信息。

3.根据权利要求2所述的方法，其特征在于，所述层级信息包括：像素阈值和/或坐标信息。

4.一种缺陷分类装置，其特征在于，包括：

图像采集模块，用于采集目标晶圆上目标区域的至少一个目标图像；

图像分层模块，用于基于预存的所述目标区域的结构特征，对所述目标图像进行分层处理，得到至少两个分层图形，及所述分层图形对应的层级信息；所述图像分层模块具体包括：

第一图像处理单元，用于对所述目标图像进行边缘提取，得到至少一个闭合曲线图形及每个闭合曲线图形的像素信息；

第二图像处理单元，用于从所述至少一个闭合曲线图形中识别出有交叉的至少两个闭合曲线图形，并图形分离，得到至少两个独立的待识别闭合曲线图形；

第三图像处理单元，用于根据所述像素信息和每层的像素阈值识别所述待识别闭合曲线图形的层级，得到至少一个所述分层图形及其层级信息；

缺陷分类模块，用于根据所述层级信息对所述分层图形进行缺陷识别和分类，得到至少一个目标缺陷图形及其缺陷种类；所述第三图像处理单元具体用于按照从顶层到底层的顺序，将当前待识别闭合曲线图形的像素信息与目标区域中的多层结构中每一层的像素阈值逐一进行对比，直至判断出所述像素信息大于或等于所述像素阈值，判定所述当前待识别闭合曲线图形当前所在层级为所述像素阈值对应的层级。

5.根据权利要求4所述的装置，其特征在于，所述目标区域包括多层结构，相应地，所述结构特征包括：所述多层结构中每一层结构各自对应的层级信息。

6.根据权利要求5所述的装置，其特征在于，所述层级信息包括：像素阈值和/或坐标信息。

7.一种电子设备，包括至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；其特征在于，

所述存储器用于存储执行权利要求1至3中任一所述方法的程序；

所述处理器被配置为用于执行所述存储器中存储的程序。

8.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时控制所述存储介质所在设备执行权利要求1至3中任一所述方法的步骤。