CN113129257A - 用于确定晶片缺陷的设备和方法 - Google Patents

用于确定晶片缺陷的设备和方法 Download PDF

Info

Publication number
CN113129257A
CN113129257A CN202011247349.7A CN202011247349A CN113129257A CN 113129257 A CN113129257 A CN 113129257A CN 202011247349 A CN202011247349 A CN 202011247349A CN 113129257 A CN113129257 A CN 113129257A
Authority
CN
China
Prior art keywords
cnn
classification
training
image
feature vectors
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.)
Pending
Application number
CN202011247349.7A
Other languages
English (en)
Inventor
Y·龚
D·文杰采夫
S·A·艾克迈尔
龚静
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.)
Micron Technology Inc
Original Assignee
Micron Technology Inc
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 Micron Technology Inc filed Critical Micron Technology Inc
Publication of CN113129257A publication Critical patent/CN113129257A/zh
Pending legal-status Critical Current

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本申请涉及用于确定晶片缺陷的设备和方法。一种用于确定半导体制造中的晶片缺陷的检查系统可以包含：图像捕获装置，用于捕获晶片图像；和分类卷积神经网络CNN，用于从多个类别中确定所捕获的图像的分类。多个类别中的每个指示晶片中缺陷的类型。所述系统还可以包含：编码器，用于编码以将训练图像转换为特征向量；聚类系统，用于对特征向量进行聚类，以生成用于训练图像的软标签；以及解码器，用于将特征向量解码为重新生成的图像。所述系统还可以包含分类系统，所述分类系统用于从多个类别中确定训练图像的分类。编码器和解码器可以由CNN自动编码器形成。分类CNN和CNN自动编码器可以各自是深度神经网络。

Description

用于确定晶片缺陷的设备和方法
技术领域
本公开涉及半导体技术领域，并且具体地涉及用于确定晶片缺陷的设备和方法。
背景技术
半导体制造通常需要确定晶片级半导体装置的缺陷，以评估所述半导体装置是否可被接受使用。进一步，确定晶片中缺陷的类型可以提供缺陷原因的指示，所述信息可以用于改善半导体制造系统、设备或工艺。
常规晶片缺陷检测通常使用图像分类方法，所述图像分类方法从晶片图像中预先确定某些特征，并且使用预先确定的特征来设计图像分类器。通常，需要训练过程来使用多个训练图像来训练分类器。聚类方法也可以用于基于图像的相似性对图像进行分组。但是，由于大规模数据集的高维数据和高计算复杂性，这些方法通常在性能上受影响。
发明内容
在一个方面，本公开涉及一种系统，所述系统包括：图像捕获装置，被配置为捕获晶片的图像；和检查系统，包括分类系统，所述分类系统被配置为使用包括多个卷积层的分类卷积神经网络(CNN)从多个类别中确定所捕获的图像的分类，其中，所述多个类别中的每个指示所述晶片中缺陷的类型。
在另一方面，本公开涉及一或多种计算机可读非暂时性存储介质，所述介质编码有用于执行操作的指令，所述操作包括：捕获晶片的图像；以及使用包括多个卷积层的分类卷积神经网络(CNN)从多个类别中确定所捕获的图像的分类，其中，所述多个类别中的每个指示所述晶片中缺陷的类型。
在另一方面，本公开涉及一种系统，所述系统包括：处理器；和非暂时性计算机可读介质，含有编程指令，所述编程指令在被执行时使所述处理器：将多个训练图像编码为多个特征向量中的相应的特征向量；将所述多个特征向量解码为多个重新生成的图像中的相应的重新生成的图像；将所述多个特征向量聚类为多个群集中的相应群集；从多个类别中确定所述多个训练图像的相应分类；以及通过在一或多次迭代中重复编码、聚类、解码和确定所述相应分类来确定可配置用于检测晶片图像的缺陷的分类卷积神经网络(CNN)的权重来训练所述分类CNN。
在另一方面，本公开涉及一种方法，所述方法包括：将多个训练图像编码为多个特征向量中的相应的特征向量；将所述多个特征向量解码为多个重新生成的图像中的相应的重新生成的图像；将所述多个特征向量聚类为多个群集中的相应群集；从多个类别中确定所述多个训练图像的相应分类；以及通过在一或多次迭代中重复编码、聚类、解码和确定所述相应分类来确定可配置用于检测晶片图像的缺陷的分类卷积神经网络(CNN)的权重来训练所述分类CNN。
附图说明
图1是根据本公开中描述的一些示例的用于确定晶片缺陷的系统的图。
图2是根据本公开中描述的一些示例的检查系统的框图。
图3是根据本公开中描述的一些示例的分类卷积神经网络的图。
图4是根据本公开中描述的一些示例的实现编码器和解码器的示例卷积神经网络。
图5示出了根据本公开中描述的一些示例的晶片中的各种类型的缺陷。
图6是根据本公开中描述的一些示例的确定晶片中的缺陷的示例过程。
图7是根据本公开中描述的一些示例的训练用于确定晶片缺陷的检查系统的示例过程。
图8是可以用于实现本文描述的各种系统和方法的计算装置的示例图。
具体实施方式
在本公开的一些实施例中，一种用于确定半导体制造中的晶片缺陷的检查系统可以包含：图像捕获装置，用于捕获晶片图像；和分类卷积神经网络(CNN)，用于从多个类别中确定所捕获的图像的分类。多个类别中的每个指示晶片中缺陷的类型。所述系统还可以包含训练系统，所述训练系统用于使用多个训练晶片图像来训练分类CNN。训练系统还可以包含：编码器，被配置为将训练图像编码为特征向量；和解码器，被配置为将特征向量解码为重新生成的图像。训练系统还可以包含聚类系统，所述聚类系统用于将来自编码器的特征向量聚类在训练图像上，以生成用于训练分类CNN的软标签。编码器和解码器可以由CNN形成。所述系统可以使用多个训练图像来训练编码器、解码器和分类CNN。
图1是根据本公开中描述的一些示例的用于确定晶片缺陷的系统100的图。用于确定晶片缺陷的系统可以包含被配置为捕获晶片104的图像的图像捕获装置102。在一些示例中，图像捕获装置102还可以被配置为例如以不同的角度或距离捕获晶片的多个图像，每个图像来自不同的视角。在一些示例中，图像捕获装置102还可以被配置为捕获多个晶片的一或多个图像。例如，图像捕获装置102可以被配置为捕获沿着检查线移动的一或多个晶片的图像。
系统100可以进一步包含检查系统106，所述检查系统耦合到图像捕获装置102并且被配置为确定所捕获的图像中的每个的分类。分类可以是多个分类中的一个，每个分类指示晶片中缺陷的类型。在一些示例中，系统100可以进一步包含显示器108，所述显示器被配置为输出由检查系统106提供的分类结果。在一些示例中，检查系统106可以使用分类CNN对所捕获的图像中的每个进行分类，其中，分类CNN可以包含多个卷积层。检查系统106还可以包含训练系统，所述训练系统用于训练分类CNN，例如以获得分类CNN的权重。将在本公开中参考图2描述分类CNN和训练网络的细节。
图2是根据本公开中描述的一些示例的检查系统的框图。检查系统可以包含分类系统220和训练系统200。在一些示例中，分类系统220和/或训练系统200可以在检查系统106(在图1中)中实现。在一些示例中，分类系统220可以包含被配置为接收晶片图像222并确定晶片图像的分类的分类CNN 228，其中，所述分类指示晶片中缺陷的类型。这在图3中进一步描述。
图3是根据本公开中描述的一些示例的分类CNN 300的图。分类CNN 300可以用Z＝W*X表示，其中，X表示输入图像，Z表示分类CNN的输出，W表示分类CNN的权重，并且“*”表示卷积运算。因此，输出Z可以由对输入图像的一或多个卷积运算来表示，其中，卷积运算由分类CNN的权重W定义。在一些示例中，输入X可以包含多个通道，例如x1，x2，…，xn，而输出Z也可以包含多个元素，例如z1，z2，…，zk，每个元素对应于晶片中缺陷的类型。W可以包含多个权重。
在非限制性示例中，分类CNN可以包含深层神经网络，例如VGG-16网络。在VGG-16网络中，CNN可以包含多个卷积层。例如，VGG-16中的多个卷积层可以包含多组卷积层，例如五组卷积层，分别含有两个(第1层和第2层)卷积层、两个(第3层和第4层)卷积层、三个(第5层至第7层)卷积层、三个(第8层至第10层)卷积层和三个(第11层至第13层)卷积层。在VGG-16中，可以将最大池化层放置在相邻组卷积层之间。例如，最大池化层放置在第一组中的最后一个卷积层(例如，第2层)与后续组中的第一卷积层(例如，第3层)之间。类似地，最大池化层放置在第4层和第5层之间；第7层和第8层之间；以及第10层和第11层之间。VGG-16可以在第11层至第13层之后进一步包含一或多个全连接层，以及在第13层与全连接层之间包含另一最大池化层。在一些示例中，VGG-16可以在全连接层之后进一步包含softmax层。尽管示出了VGG-16，但是分类CNN可以包含任何合适类型的二维(2D)神经网络，诸如ResNet、VGG、U-net等或它们的组合。
进一步参考图3，分类结果可以包含多个概率值，每个概率值对应于晶片图像中的多种类型的缺陷中的一个。这些概率值可以在分类CNN 300中的全连接层之后经由softmax层提供。在图3所示的非限制性示例中，在分类结果中，缺陷类型1的概率值可以具有最大值，其次是缺陷类型2和3等。此处缺陷类型的数字仅用于说明。例如，缺陷类型数字(例如类型1)可以是任何已知的缺陷类型。
图5示出了根据本公开中描述的一些示例的晶片中的各种类型的缺陷。每种类型的缺陷可以与独特的晶片图像图案相关联。在一些示例中，各种类型的晶片缺陷可以包含整体随机缺陷，诸如由洁净室的清洁度引起的缺陷。在半导体制造中，当出现少量缺陷时，这些类型的缺陷可能是可接受的。在一些示例中，各种类型的晶片缺陷可以包含由有缺陷的设备、工艺和/或人为错误引起的局部系统性缺陷。系统性缺陷图案的示例包含圆、环、划痕或区域缺陷图案等。各种类型的晶片缺陷还可以包含混合类型的缺陷图案，所述图案包含上述图案的组合。
返回图2，训练系统200可以包含编码器206和耦合到编码器的解码器210。编码器206和解码器210可以形成自动编码器，诸如CNN自动编码器。编码器206可以被配置为接收训练图像202，并且将每个训练图像编码为相应的特征向量208。训练图像202可以被存储在本地存储装置或远程服务器处。训练系统可以进一步包含聚类系统214，所述聚类系统被配置为将由编码器206提供的特征向量聚类为多个群集中的群集。特征向量的聚类结果可以由软标签表示，所述软标签指示特征向量被聚类到哪个群集。在一些示例中，编码器可以由聚类CNN 214的一部分形成。解码器210可以被配置为将特征向量解码为重新生成的图像。解码器210可以由聚类CNN 214的另一部分形成。来自编码器206和解码器210的多次运行的重新生成的图像可以用于训练编码器206和解码器210，这将在本公开进一步详细描述。
训练系统200可以进一步包含耦合到聚类系统214的分类训练系统212。分类训练系统212可以被配置为使用分类CNN 228推断一或多个训练图像的分类。在一些示例中，训练系统200可以被配置为使用将在本公开中进一步描述的一或多个训练过程以及训练图像的聚类结果来训练分类CNN 228。
进一步参考图2，分类系统220可以进一步包含验证系统230，所述验证系统被配置为验证分类CNN 228的输出。如本公开中所公开的，来自分类CNN 228的分类结果可以包含多个概率值，每个概率值对应于晶片图像中多种类型的缺陷中的一个。在一些示例中，验证系统可以被配置为确定多个概率值之中是否存在主导概率值。如果主导概率值(例如，最大概率值)高于例如70％、75％、80％的阈值，则验证系统可以确定验证成功。在这种情况下，验证系统可以确定来自分类CNN的分类结果得到验证，并且晶片图像属于主导概率值所对应的类别。相应地，晶片图像可以具有与来自分类CNN的所确定的类别相关联的缺陷类型。
在一些示例中，缺陷类型的多个类别可以包含指示无缺陷的类别。在这种情况下，分类结果中的主导概率值可以对应于指示无缺陷的类别，并且验证系统230可以确定晶片图像没有缺陷。在由验证系统230进行验证之后，分类系统可以在输出装置232处输出分类结果。输出装置可以包含音频和/或视频装置，例如扬声器、显示器、具有音频/视频两个功能以示出分类结果的移动电话。
在一些示例中，如果主导概率值低于阈值(例如，40％、30％等)，则验证系统230可以确定验证失败。在这种情况下，验证系统可以确定晶片图像可以属于之前尚未训练的新类别。在非限制性示例中，验证系统可以使训练系统200用已经使验证系统失败的晶片图像来重新训练CNN自动编码器(例如，编码器206和解码器201)和/或分类CNN228。
进一步参考图2，训练系统200和分类系统220可以各自包含相应的预处理器204、224。在一些示例中，预处理器204、224可以被配置为执行各种操作，诸如归一化、去噪和调整大小操作。在一些示例中，归一化操作可以被配置为将第一范围(例如，[0，255])中的原始图像转换为第二范围(例如，[0，1])(浮点形式)。第二范围可以小于第一范围，并且范围的这种减小可以使本公开中描述的各种训练过程更快地收敛。去噪操作可以包含一或多个图像处理算法，以从训练晶片图像或所捕获的晶片图像中去除噪声。例如，尽管晶片缺陷图案可能会包含形成诸如圆、环、划痕线或区域之类的形状的多个像素，但是孤立(或斑点)像素可被视为噪声并被去除。
在一些示例中，调整大小操作可以包含缩放晶片图像大小以适合于后续的CNN(例如，CNN自动编码器或分类CNN 228)。例如，当CNN的大小为512x 512时，调整大小操作可以通过压缩将更高分辨率的晶片图像转换为512x 512的大小。在一些示例中，调整大小操作可以是无损的，原因是没有潜在的缺陷像素将从压缩中丢失。在一些示例中，预处理器204、224中的一或多个操作可以是相同的。替代地，预处理器204、224中的一或多个操作可以是不同的。
图4是根据本公开中描述的一些示例的实现包括编码器和解码器的CNN自动编码器的示例卷积神经网络。例如，CNN自动编码器可以在训练系统(图2中的200)中实现。CNN自动编码器可以包含由CNN的第一部分形成的编码器400。CNN的第一部分包含形成为编码器的多个卷积层，例如402、404、406、408。在示例配置中，卷积层(例如402、404、406和408)中的每个可以是一组层，并且包含相应的一或多个卷积层。例如，层402可以在CNN中包含两个卷积层(1和2)。第一卷积层可以具有与训练图像410相同的大小，例如512x 512。
编码器400中的多个卷积层可以被配置为基于输入图像生成特征向量。在一些示例中，特征向量可以具有小于编码器的第一卷积层的大小的大小。例如，特征向量可以包含具有128的大小的一维(1D)向量，如412所示。在图4所示的示例中，每组层可以具有小于前一层(或一组层)的大小的大小，在相邻组之间具有最大池化层。在非限制性示例中，第1和第2卷积层可以具有512x 512x 16(通道)的大小，第3和第4卷积层可以具有256x 256x 32的大小，第5和第6层具有128x 128x 64的大小并且第7卷积层具有64x 64x 128的大小。编码器400可以进一步包含密集层，所述密集层含有通过二维(2D)到1D转换的具有1x 128的大小的特征向量412。
进一步参考图4，从多个训练图像通过编码器400的特征向量可以经由无监督聚类算法(例如软K-均值聚类)而聚类。聚类算法可以在例如214(在图2中)的聚类系统中实现。聚类算法可以确定多个群集，每个群集含有来自训练图像的一或多个特征向量，其中，群集中的特征向量在空间上可以相对于其它群集中的特征向量在距离上更近。无监督聚类是指可以自动确定群集数量和聚类结果的聚类。聚类的特征向量中的每个可以属于特征向量的多个群集中的一个(由称为软标签的标签表示)。
在一些示例中，可以在初始阶段手动选择多个群集。例如，如图5所示，将多个晶片图像手动分类并标记为12种不同类型，即A至L。可以将新的训练图像提供给编码器206和聚类系统214(图2)。在一些情况下，由编码器206生成的特征向量可以被聚类系统214聚类为初始分类群集中的一个。在一些情况下，由编码器206生成的特征向量可以不被聚类到现有群集中的任何一个中，或者替代地聚类到具有低置信度的现有群集中的一或多个中。在这种情况下，聚类系统可以确定训练图像可以具有不属于任何现有群集的新缺陷图案。因此，聚类系统可以确定将来自训练图像的新缺陷图案添加到现有群集。
进一步参考图4，解码器450可以由CNN的第二部分形成。在一些示例中，CNN的第二部分可以包含多个解卷积层，例如层414、416、418和420。在与编码器400类似的配置中，层414、416、418和420中的每个可以是一组解卷积层并且可以包含相应的一或多个解卷积层。例如，层420可以在CNN中包含两个解卷积层(2和3)。最后的解卷积层可以具有与训练图像410相同的大小，例如512x 512。因此，解码器450中的多个解卷积层可以被配置为将特征向量412转换为与训练图像具有相同大小的重新生成的图像422。
在图4所示的示例中，解码器450中的多个解卷积层可以被配置为编码器400的配置，但是以相反的顺序镜像。例如，在解码器450中，每组层可以具有大于前一层(或一组层)的大小的大小，在相邻组之间具有上池化层。在非限制性示例中，第2和第3解卷积层的输出可以具有512x 512x 16(通道)的大小；第4和第5解卷积层的输出可以具有256x 256x 32的大小；第6和第7解卷积层的输出可以具有128x 128x 64的大小；重塑层可以具有大小为64x64x 128的输出。在一些示例中，解码器450可以被配置为将特征向量412转换为2D数据，以提供给重塑层414。在图4的示例中，重新生成的图像422可以与训练图像410具有相同的大小。在比较重新生成的图像和训练图像时，重新生成的图像可以具有离散数量的集合，每个集合对应于多个群集中的群集。在一些示例中，CNN中的编码器中的卷积层或解码器中的解卷积层中的每个可以具有可以通过训练过程来训练的多个权重，这将在本公开中进一步描述。
图6是根据本公开中描述的一些示例的确定晶片中缺陷的示例过程600。在一些示例中，过程600可以在检查系统(例如，图1中的106)或分类系统220(在图2中)中实现。过程600可以包含在602处在图像捕获装置处捕获晶片的图像。捕获晶片的图像602可以由诸如102(在图1中)之类的任何合适的图像捕获装置来执行。过程600可以进一步包含在604处在检查系统处使用分类CNN来确定所捕获的图像的分类。在一些示例中，操作604可以在检查系统106(在图1中)或在分类系统220(在图2中)中实现。分类CNN可以包含分类CNN 228(在图2中)或图3所示的CNN 300。如参考图3和5的实施例所述，所捕获的晶片图像的分类可以包含多个概率值，每个概率值指示所捕获的晶片图像属于与所述概率值相关联的对应类别的概率。对应的类别可以指示晶片中缺陷的类型。
进一步参考图6，过程600可以进一步包含在606处验证分类结果。操作606可以在例如230(在图2中)的验证系统中实现。类似于参考图2描述的实施例，验证分类结果可以包含确定分类中的主导概率值是否高于阈值。如果主导概率值(例如，最大概率值)高于例如70％、75％、80％的阈值，则验证系统可以确定验证成功。如果主导概率值低于阈值(例如，40％、30％等)，则验证系统230可以确定验证失败。如果在608处确定验证成功，则过程600可以在612处例如经由如本公开中所述的音频和/或视频装置输出分类结果。如参考图2的实施例中类似地公开的，输出结果可以指示在所捕获的晶片图像中晶片缺陷的类型或没有晶片缺陷。如果在608处确定验证失败，则过程600可以确定所捕获的图像属于未知类型的缺陷，并且在610处使系统重新训练分类CNN。这将参考图7进一步解释。
图7是根据本公开中描述的一些示例的训练用于确定晶片缺陷的检查系统的示例过程700。训练过程700可以在检查系统106(在图1中)或训练系统200(在图2中)中实现。类似于参考图2至4描述的实施例，训练过程700可以包含在702处接收训练图像。训练图像(例如，图2中的202)可以被存储在可被各种训练过程访问的训练数据库中。例如，训练图像可以被存储在训练系统(例如，图2中的200)本地，或者远程存储在服务器中，并且可以由训练系统有线或无线地访问。过程700可以进一步包含在704处使用CNN自动编码器(例如，编码器)将多个训练图像中的训练图像编码为特征向量，在708处使用CNN自动编码器(例如，解码器)将特征向量解码为重新生成的图像，并且在712处使用重新生成的图像和训练图像的结果来训练CNN自动编码器。
训练过程700可以进一步包含在706处将来自编码器的特征向量(例如，过程704)聚类为群集，以生成用于训练图像的软标签。训练过程700可以进一步在710处使用分类CNN从多个类别中推断训练图像的分类，并且在714处使用训练图像和从706处的聚类生成的软标签来训练分类CNN。换句话说，从聚类生成的软标签将被用作在714处训练分类CNN的基础事实。可以以与参考图2至5描述的类似方式来执行操作704至714。
在非限制性示例中，对训练图像进行编码可以包含使用聚类CNN的被配置为形成编码器(例如，图4中的400)的第一部分。将特征向量解码为重新生成的图像可以包含使用CNN的被配置为形成解码器(例如，图4中的450)的第二部分。例如，如图4所示，编码器可以包含多个卷积层，并且解码器可以包含多个解卷积层，其中，解码器的结构可以以相反的顺序镜像到编码器的结构。编码器和解码器可以以与训练系统200(在图2中)类似的方式配置并且以类似的方式操作。进一步，可以以与聚类系统214(图2中)类似的方式来实现操作706。例如，聚类可以包含使用软K-均值聚类或其它合适的聚类算法。
在一些示例中，过程700可以进一步包含在712处训练CNN自动编码器(包含编码器和解码器，诸如图2中的206、210)。该操作可以在例如200(在图2中)的训练系统中实现。在非限制性示例中，操作712可以包含使用多个训练图像来训练包括编码器和解码器的CNN自动编码器。在一些示例中，训练系统可以在CNN自动编码器中初始化权重。训练方法可以包含计算重新生成的图像并将重新生成的图像与训练图像进行比较的多次迭代，并在每次迭代中更新CNN自动编码器的权重，直到满足停止标准为止。训练方法可以包含任何合适的训练方法，诸如梯度下降法。在训练CNN自动编码器时，可以至少基于多个训练图像中的一个与从CNN自动编码器的第一部分(编码器)通过CNN自动编码器的第二部分(解码器)的对应的重新生成的图像之间的差(见操作708)来定义目标函数。在训练的每次后续迭代中，预期训练图像与对应的重新生成的图像之间的差在某个点变得越来越小并最终收敛，并且训练过程可以停止。替代地，预期每次迭代中的差达到低于阈值，此时训练过程可以停止。
另外，过程700可以包含在714处训练分类CNN。该操作可以在例如200(在图2中)的训练系统或分类训练系统212(在图2中)中实现。在非限制性示例中，操作714可以包含通过使用聚类结果作为基础事实来使用多个训练图像来训练分类CNN。可以以与CNN自动编码器的训练类似的方式执行分类CNN的训练。在一些示例中，可以至少基于训练图像中的每个的所确定的分类与基础事实(软标签)之间的差来定义在训练分类CNN中使用的目标函数。基础事实可以指示每个训练图像所属的类别(缺陷的类型)。在训练的每次迭代中，预期该差在某个点处变得越来越小并最终收敛，并且训练过程可以停止。替代地，预期每次迭代中的差达到低于阈值，此时训练过程可以停止。
训练过程712和714可以被执行一次。由于系统在操作以使用分类CNN检测晶片缺陷(见图2)，可以无需重复训练过程。替代地和/或另外地，由于在半导体制造工艺期间引入未知缺陷，因此可以再次执行操作712和714以重新训练CNN自动编码器和/或分类CNN。例如，当分类结果的验证失败时，可以执行重新训练。如图6所描述的，当在608处验证失败时，可以在610处执行重新训练。尽管如本公开中所公开的，验证可以确定捕获的晶片图像含有看不见的数据集，但是应当理解，重新训练的变型是可能的。例如，在验证失败时，可以实现重新训练(图6中的610)以包含操作714和712(在图7中)。替代地，可以实现重新训练以仅包含操作714。在一些情况下，当发生散发性验证失败时，可以实现重新训练以用新捕获的晶片图像来训练分类CNN。当验证失败的次数增加时，可以实现重新训练以使用验证失败的多个捕获的晶片图像来训练CNN自动编码器(包括编码器和解码器)和分类CNN。
参考图1至7公开的各种实施例提供了优于现有系统的优点。例如，编码器(例如，图2中的206)从晶片图像提取重要特征。这改善了后续聚类的结果，因为训练数据的最显著特征保留在来自编码器的特征向量中。CNN自动编码器的训练优化了编码器，使得可以在特征向量中含有期望特征。此外，当与编码器/解码器组合时，聚类系统(例如，图2中的214)将训练图像中的数据的大小进一步减小为离散数量的聚类。这改善了后续分类的准确性和效率。此外，分类CNN是一种非线性特征提取器，与其它常规图像分类系统相比，它可以具有改善的准确性，而无需手动定义要提取的特征。
图8是可以用于实现本文描述的各种系统和方法的计算装置的示例图。计算装置800可以与系统100(在图1中)或系统的一或多个组件一起使用。例如，检查系统106(在图1中)、训练系统200(在图2中)或图2中的一或多个组件(例如，分类系统220、预处理器204、224、编码器和解码器206、210、聚类系统214、分类CNN 228和验证系统230)可以包含图8所示组件中的一或多个并且可以用于实现一或多个框或执行图1至7中公开的操作中的一或多个。
在图8中，计算装置800可以包含一或多个处理元件802、输入/输出(I/O)接口804、显示器806、一或多个存储器组件808、网络接口810以及一或多个外部装置812。各个组件中的每个可以通过一或多个总线、无线装置等彼此通信。处理元件802可以是能够处理、接收和/或发送指令的任何类型的电子装置。例如，处理元件802可以是中央处理器、微处理器、处理器或微控制器。另外，应当注意，计算机800的一些组件可以由第一处理器控制，而其它组件可以由第二处理器控制，其中，第一处理器和第二处理器可以彼此通信或可以彼此不通信。
计算机800使用存储器组件808来存储用于处理元件802的指令并存储数据，诸如流体装置数据、历史数据等。存储器组件808可以是例如磁光存储装置、只读存储器、随机存取存储器、可擦除可编程存储器、闪存或一或多种类型的存储器组件的组合。
显示器806向用户提供视觉反馈，并且可选地，可以用作输入元件，以使用户能够控制、操纵和校准计算装置800的各种组件。显示器806可以是液晶显示器、等离子显示器、有机发光二极管显示器和/或阴极射线管显示器。在将显示器806用作输入的实施例中，显示器可以包含一或多个触摸或输入传感器，诸如电容触摸传感器、电阻栅极等。
I/O接口804允许用户将数据输入计算机800中，并为计算机800提供输入/输出以与其它组件(例如，图1中的检查系统106、显示器108、扬声器等)通信。I/O接口804可以包含一或多个输入按钮、触摸板等。网络接口810提供至和从计算机800至其它装置的通信。例如，网络接口810允许检查系统106(在图1中)通过通信网络与相机102和显示装置108或图2中的一或多个系统以及含有训练图像202的训练数据库通信。网络接口810包含一或多个通信协议，诸如但不限于Wi-Fi、以太网、蓝牙等。网络接口810还可以包含一或多个硬连线组件，诸如通用串行总线(USB)电缆等。网络接口810的配置取决于期望的通信类型，并且可以被修改以经由Wi-Fi、蓝牙等通信。
外部装置812是可以用于向计算装置800提供各种输入的一或多个装置，例如，鼠标、麦克风、键盘、触控板等。外部装置812可以是本地的或远程的，并且可以根据需要变化。
从前述内容将理解，尽管本文出于说明的目的已经描述了本公开的具体实施例，但是可以在不脱离本公开的精神和范围的情况下进行各种修改。例如，可以同时或单独地执行对包括编码器和解码器的聚类CNN以及分类CNN的训练。一或多个系统(诸如图2中所示的那些系统)可以组合成一个系统，也可以分离成多个子系统。相应地，本公开的范围不应限于本文描述的任何具体实施例。
下面阐述某些细节以提供对本公开的各种实施例的示例的充分理解。但是，应当理解，可以在没有这些特定细节的情况下实践本文描述的示例。此外，本文描述的本公开的特定示例不应被解释为将本公开的范围限于这些特定示例。在其它情况下，未详细示出公知的电路、控制信号、定时协议和软件操作，以避免不必要地使本公开的实施例模糊。另外，诸如“耦合(couples)”和“耦合(coupled)”的术语是指两个组件可以直接或间接地电耦合。间接地耦合可以意味着两个组件通过一或多个中间组件耦合。

Claims (24)

1.一种系统，包括：
图像捕获装置，被配置为捕获晶片的图像；和
检查系统，包括分类系统，所述分类系统被配置为使用包括多个卷积层的分类卷积神经网络CNN从多个类别中确定所捕获的图像的分类，其中，所述多个类别中的每个指示所述晶片中缺陷的类型。
2.根据权利要求1所述的系统，进一步包括训练系统，所述训练系统包括：
编码器，被配置为将多个训练图像中的训练图像编码为特征向量；
解码器，被配置为将所述特征向量解码为重新生成的图像；以及
聚类系统，被配置为将所述特征向量聚类为多个群集中的群集；
分类训练系统，被配置为从所述多个类别中确定所述训练图像的分类；
其中，所述编码器、所述聚类系统、所述解码器和所述分类训练系统被配置为通过在一或多次迭代中重复操作以确定所述分类CNN的权重来训练所述分类CNN。
3.根据权利要求2所述的系统，其中，所述编码器由CNN的第一部分形成，所述第一部分包括多个卷积层并且被配置为基于所述训练图像来生成所述特征向量。
4.根据权利要求3所述的系统，其中，所述解码器由所述CNN的第二部分形成，所述第二部分包括多个解卷积层并且被配置为基于所述特征向量来生成所述重新生成的图像。
5.根据权利要求1所述的系统，进一步包括验证系统，所述验证系统被配置为通过确定所述分类中的主导概率值是否高于阈值来验证所述所捕获的图像的所述分类，其中，所述分类包括所述所捕获的图像所属的所述多个类别中的每个的概率。
6.根据权利要求5所述的系统，其中，所述训练系统被进一步配置为在验证所述分类失败时，通过至少部分地基于所述所捕获的图像来更新所述分类CNN的所述权重来重新训练所述分类CNN。
7.一或多种计算机可读非暂时性存储介质，所述介质编码有用于执行操作的指令，所述操作包括：
捕获晶片的图像；以及
使用包括多个卷积层的分类卷积神经网络CNN从多个类别中确定所捕获的图像的分类，其中，所述多个类别中的每个指示所述晶片中缺陷的类型。
8.根据权利要求7所述的介质，其中，所述操作进一步包括：
将多个训练图像中的训练图像编码为特征向量；
将所述特征向量解码为重新生成的图像；
将所述特征向量聚类为多个群集中的群集；
从所述多个类别中确定所述训练图像的分类；以及
通过在一或多次迭代中重复所述编码、所述聚类、所述解码和所述确定分类以确定所述分类CNN的权重来训练所述分类CNN。
9.根据权利要求8所述的介质，其中，对所述训练图像进行编码包括基于所述训练图像使用CNN的第一部分来生成所述特征向量，所述第一部分CNN包括被配置为形成编码器的多个卷积层。
10.根据权利要求9所述的介质，其中，对所述特征向量进行解码包括基于所述特征向量使用所述CNN的耦合到所述CNN的所述第一部分的第二部分来生成所述重新生成的图像，所述CNN的所述第二部分包括被配置为形成解码器的多个解卷积层。
11.根据权利要求10所述的介质，其中，所述操作进一步包括：
至少基于多个训练图像中的一个与从所述CNN的所述第一部分通过所述CNN的所述第二部分的对应的重新生成的图像之间的差使用所述多个训练图像来训练所述CNN；以及
至少基于所述多个训练图像中的每个的所确定的分类与基础事实之间的差使用所述多个训练图像来训练所述分类CNN。
12.根据权利要求8所述的介质，其中，所述操作进一步包括：
通过确定所述分类中的主导概率值是否高于阈值来验证所述所捕获的图像的所述分类，其中，所述分类包括所述所捕获的图像所属的所述多个类别中的每个的概率；以及
在确定验证所述分类失败时，用所述所捕获的图像重复所述分类CNN。
13.一种系统，包括：
处理器；和
非暂时性计算机可读介质，含有编程指令，所述编程指令在被执行时使所述处理器：
将多个训练图像编码为多个特征向量中的相应的特征向量；
将所述多个特征向量解码为多个重新生成的图像中的相应的重新生成的图像；
将所述多个特征向量聚类为多个群集中的相应群集；
从多个类别中确定所述多个训练图像的相应分类；以及
通过在一或多次迭代中重复编码、聚类、解码和确定所述相应分类来确定可配置用于检测晶片图像的缺陷的分类卷积神经网络CNN的权重来训练所述分类CNN。
14.根据权利要求13所述的系统，其中，用于对所述多个训练图像进行编码的编程指令包括被进一步配置为将所述多个训练图像提供给CNN的第一部分以生成所述相应的特征向量的编程指令，其中，所述第一部分包括多个卷积层。
15.根据权利要求14所述的系统，其中，所述CNN的所述第一部分包括一或多个最大池化层，每个最大池化层分别放置在所述CNN的所述第一部分中的相邻卷积层之间，并且其中，所述多个特征向量中的每个的大小小于所述CNN的所述第一部分中的所述多个卷积层中的第一卷积层的大小。
16.根据权利要求15所述的系统，其中，用于对所述多个特征向量进行解码的编程指令包括被进一步配置为将所述多个特征向量提供给所述CNN的第二部分以生成所述相应的重新生成的图像的编程指令，其中，所述第二部分包括多个解卷积层。
17.根据权利要求16所述的系统，其中，所述CNN的所述第二部分包括一或多个上池化层，每个上池化层分别放置在所述CNN的所述第二部分中的相邻卷积层之间，并且其中，所述多个重新生成的图像中的每个的大小与所述多个训练图像中的每个的大小相同。
18.根据权利要求17所述的系统，其中，用于训练所述分类CNN的编程指令包括被进一步配置为执行以下操作的编程指令：
至少基于多个训练图像中的一个与从所述CNN的所述第一部分通过所述CNN的所述第二部分的对应的重新生成的图像之间的差使用所述多个训练图像来训练所述CNN；以及
至少基于所述多个训练图像中的每个的所确定的分类与基础事实之间的差使用所述多个训练图像来训练所述分类CNN。
19.一种方法，包括：
将多个训练图像编码为多个特征向量中的相应的特征向量；
将所述多个特征向量解码为多个重新生成的图像中的相应的重新生成的图像；
将所述多个特征向量聚类为多个群集中的相应群集；
从多个类别中确定所述多个训练图像的相应分类；以及
通过在一或多次迭代中重复编码、聚类、解码和确定所述相应分类来确定可配置用于检测晶片图像的缺陷的分类卷积神经网络CNN的权重来训练所述分类CNN。
20.根据权利要求19所述的方法，其中，对所述多个训练图像进行编码包括将所述多个训练图像提供给CNN的第一部分以生成所述相应的特征向量，其中，所述第一部分包括被配置为形成编码器的多个卷积层。
21.根据权利要求20所述的方法，其中，所述CNN的所述第一部分包括一或多个最大池化层，每个最大池化层分别放置在所述CNN的所述第一部分中的相邻卷积层之间，并且其中，所述多个特征向量中的每个的大小小于所述CNN的所述第一部分中的所述多个卷积层中的第一卷积层的大小。
22.根据权利要求21所述的方法，其中，对所述多个特征向量进行解码包括将所述多个特征向量提供给所述CNN的第二部分以生成所述相应的重新生成的图像，其中，所述第二部分包括多个解卷积层以形成解码器。
23.根据权利要求22所述的方法，其中，所述CNN的所述第二部分包括一或多个上池化层，每个上池化层分别放置在所述CNN的所述第二部分中的相邻卷积层之间，并且其中，所述多个重新生成的图像中的每个的大小与所述多个训练图像中的每个的大小相同。
24.根据权利要求23所述的方法，其中，训练所述分类CNN包括：
至少基于多个训练图像中的一个与从所述CNN的所述第一部分通过所述CNN的所述第二部分的对应的重新生成的图像之间的差使用所述多个训练图像来训练所述CNN；以及
至少基于所述多个训练图像中的每个的所确定的分类与基础事实之间的差使用所述多个训练图像来训练所述分类CNN。
CN202011247349.7A 2019-12-30 2020-11-10 用于确定晶片缺陷的设备和方法 Pending CN113129257A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201962955241P 2019-12-30 2019-12-30
US62/955,241 2019-12-30

Publications (1)

Publication Number Publication Date
CN113129257A true CN113129257A (zh) 2021-07-16

Family

ID=76546431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011247349.7A Pending CN113129257A (zh) 2019-12-30 2020-11-10 用于确定晶片缺陷的设备和方法

Country Status (2)

Country Link
US (1) US11922613B2 (zh)
CN (1) CN113129257A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117523324A (zh) * 2024-01-04 2024-02-06 苏州镁伽科技有限公司 图像处理方法和图像样本分类方法、装置和存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11937019B2 (en) 2021-06-07 2024-03-19 Elementary Robotics, Inc. Intelligent quality assurance and inspection device having multiple camera modules
US11605159B1 (en) 2021-11-03 2023-03-14 Elementary Robotics, Inc. Computationally efficient quality assurance inspection processes using machine learning
US11675345B2 (en) 2021-11-10 2023-06-13 Elementary Robotics, Inc. Cloud-based multi-camera quality assurance architecture
US11605216B1 (en) * 2022-02-10 2023-03-14 Elementary Robotics, Inc. Intelligent automated image clustering for quality assurance
US11922678B2 (en) * 2022-04-27 2024-03-05 Descartes Labs, Inc. Carbon estimation
CN115049653B (zh) * 2022-08-15 2022-12-06 凤芯微电子科技(聊城)有限公司 基于计算机视觉的集成电路板质量检测系统
CN116297524B (zh) * 2023-04-07 2023-11-14 苏州矽行半导体技术有限公司 一种有图像晶圆的多模态检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154504A (zh) * 2017-12-25 2018-06-12 浙江工业大学 一种基于卷积神经网络的钢板表面缺陷的检测方法
US20180254870A1 (en) * 2017-03-02 2018-09-06 Nxp B.V. Processing module and associated method
CN109242033A (zh) * 2018-09-21 2019-01-18 长鑫存储技术有限公司 晶片缺陷模式分类方法及装置、存储介质、电子设备
CN109559298A (zh) * 2018-11-14 2019-04-02 电子科技大学中山学院 一种基于深度学习的乳液泵缺陷检测的方法
CN110135521A (zh) * 2019-05-28 2019-08-16 陕西何止网络科技有限公司 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11205119B2 (en) * 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US10713534B2 (en) * 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
KR20190084167A (ko) * 2017-12-21 2019-07-16 주식회사 고영테크놀러지 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
US11379284B2 (en) * 2018-03-13 2022-07-05 Nec Corporation Topology-inspired neural network autoencoding for electronic system fault detection
US10679333B2 (en) * 2018-03-14 2020-06-09 Kla-Tencor Corporation Defect detection, classification, and process window control using scanning electron microscope metrology
US11593657B2 (en) * 2018-06-05 2023-02-28 Samsung Electronics Co., Ltd. Machine learning device and machine learning method of machine learning device
US10713769B2 (en) * 2018-06-05 2020-07-14 Kla-Tencor Corp. Active learning for defect classifier training
US11151711B2 (en) * 2018-06-06 2021-10-19 Kla-Tencor Corporation Cross layer common-unique analysis for nuisance filtering
WO2020011648A1 (en) * 2018-07-13 2020-01-16 Asml Netherlands B.V. Pattern grouping method based on machine learning
US11037289B2 (en) * 2018-10-26 2021-06-15 Taiwan Semiconductor Manufacturing Company Ltd. Method and system for scanning wafer
US11263737B2 (en) * 2019-01-10 2022-03-01 Lam Research Corporation Defect classification and source analysis for semiconductor equipment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180254870A1 (en) * 2017-03-02 2018-09-06 Nxp B.V. Processing module and associated method
CN108154504A (zh) * 2017-12-25 2018-06-12 浙江工业大学 一种基于卷积神经网络的钢板表面缺陷的检测方法
CN109242033A (zh) * 2018-09-21 2019-01-18 长鑫存储技术有限公司 晶片缺陷模式分类方法及装置、存储介质、电子设备
CN109559298A (zh) * 2018-11-14 2019-04-02 电子科技大学中山学院 一种基于深度学习的乳液泵缺陷检测的方法
CN110135521A (zh) * 2019-05-28 2019-08-16 陕西何止网络科技有限公司 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117523324A (zh) * 2024-01-04 2024-02-06 苏州镁伽科技有限公司 图像处理方法和图像样本分类方法、装置和存储介质
CN117523324B (zh) * 2024-01-04 2024-04-16 苏州镁伽科技有限公司 图像处理方法和图像样本分类方法、装置和存储介质

Also Published As

Publication number Publication date
US11922613B2 (en) 2024-03-05
US20210201460A1 (en) 2021-07-01

Similar Documents

Publication Publication Date Title
CN113129257A (zh) 用于确定晶片缺陷的设备和方法
CN109800648B (zh) 基于人脸关键点校正的人脸检测识别方法及装置
KR102606140B1 (ko) 기계 학습을 기반으로 하는 패턴 그룹화 방법
CN109242033B (zh) 晶片缺陷模式分类方法及装置、存储介质、电子设备
TWI453680B (zh) 可抑制雜訊及環境影響之臉部辨識方法
WO2016132468A1 (ja) データ評価方法および装置、故障診断方法および装置
CN107832700A (zh) 一种人脸识别方法与系统
WO2020055555A1 (en) Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools
KR20210087874A (ko) 시편의 기계 학습 기반 결함 검출
CN110717881A (zh) 晶圆缺陷识别方法、装置、存储介质和终端设备
JP2018026122A (ja) 情報処理装置、情報処理方法及びプログラム
CN106251375B (zh) 一种通用隐写分析的深度学习堆栈式自动编码方法
KR20210020976A (ko) 어노말리 디텍션
US20210304364A1 (en) Method and system for removing noise in documents for image processing
KR20230009641A (ko) 구조물의 균열 탐지 방법
JP7451373B2 (ja) 図面構造化システムおよび図面構造化方法
WO2024007867A1 (zh) 缺陷根因确定方法、装置和存储介质
CN116563291B (zh) 一种smt智能防错上料检测仪
CN111369489B (zh) 一种图像识别方法、装置及终端设备
CN116503376A (zh) 生态挡土墙砌块及其智能化制备方法
KR102070730B1 (ko) 이미지 세그먼테이션 방법
JP2023519527A (ja) アルファチャネルにおけるオートエンコーダに基づくセグメンテーションマスクの生成
CN112950693A (zh) 使用高斯分布概率值的智能静电吸附距离控制方法
CN115210744A (zh) 用于制造过程的系统、方法和介质
CN112766363A (zh) 用于崩落状态的智能预测的神经网络的训练方法

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