CN113610801B - 基于最小单元的缺陷分类方法、装置、设备和存储介质 - Google Patents

基于最小单元的缺陷分类方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113610801B
CN113610801B CN202110897146.0A CN202110897146A CN113610801B CN 113610801 B CN113610801 B CN 113610801B CN 202110897146 A CN202110897146 A CN 202110897146A CN 113610801 B CN113610801 B CN 113610801B
Authority
CN
China
Prior art keywords
image
defect
minimum unit
target
classified
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
Application number
CN202110897146.0A
Other languages
English (en)
Other versions
CN113610801A (zh
Inventor
沈剑
刘迪
唐磊
胡逸群
陈建东
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.)
Shanghai Zhongyi Cloud Computing Technology Co ltd
Original Assignee
Shanghai Zhongyi Cloud Computing Technology Co ltd
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 Shanghai Zhongyi Cloud Computing Technology Co ltd filed Critical Shanghai Zhongyi Cloud Computing Technology Co ltd
Priority to CN202110897146.0A priority Critical patent/CN113610801B/zh
Publication of CN113610801A publication Critical patent/CN113610801A/zh
Application granted granted Critical
Publication of CN113610801B publication Critical patent/CN113610801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • G06T7/0008Industrial image inspection checking presence/absence
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/243Classification techniques relating to the number of classes
    • G06F18/2431Multiple classes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • G06T7/001Industrial image inspection using an image reference approach
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30148Semiconductor; IC; Wafer
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Abstract

本发明涉及一种基于最小单元的缺陷分类方法、装置、设备和存储介质,其通过获取预先采集到待测晶圆的至少一张待测目标图像;根据所述至少一张待测目标图像和预存的至少一个最小单元标准图像得到包括多个最小单元待分类缺陷图像的最小单元待分类缺陷图像集;将每个所述最小单元待分类缺陷图像与预先构建的分类样本库中的目标缺陷图像进行匹配,若匹配成功,将所述最小单元待分类缺陷图像的缺陷类别判定为所匹配到的相应的目标缺陷图像对应的缺陷类型。本发明所提供的方法只需采集一张最小单元标准图像即可完成缺陷分类,相较于现有技术,极大节省了机台资源,并提高了缺陷的检测与分类效率。

Description

基于最小单元的缺陷分类方法、装置、设备和存储介质
技术领域
本发明涉及半导体技术领域,具体涉及一种基于最小单元图形的缺陷分类方法及装置、电子设备和计算机可读存储介质。
背景技术
在芯片制造过程中,每个工序流程对晶圆的处理都可能会产生一些不符合预期的结构,其中会造成芯片上电路无法正常工作的称之为晶圆缺陷或目标缺陷。因此,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与分类的步骤,用于监控关键工艺,以确保其正确性。
目前,半导体工业中检测晶圆缺陷的常用方法有自动光学检测(Automatic OpticInspection,AOI)、X射线检测、扫描电子显微镜(SEM)、聚焦离子束(Focused Ion beam,FIB)或透射电子显微镜(Transmission electron microscope,TEM)等等。通常,首先采用AOI对晶圆表面进行全范围扫描,得到疑似缺陷的坐标,然后再通过SEM到指定位置拍照,最终确定该位置是否有缺陷,从而得到具有缺陷的缺陷图像(也即,待测目标图像),其包括缺陷本身及其背景(例如,电路图形,或电子元器件等晶圆上的其他结构)。
目前,常用的缺陷分类方法需要将获取到的缺陷图像和相应的标准参照图(即标准晶圆上与缺陷图像相同位置上拍摄到的图像),进行相减得到待分类缺陷图像(即过滤掉了待分类缺陷图像中的背景信息,如电路图形等),参见图1-3,其中图1为缺陷图像,图2为图1的标准参照图;图3是根据图1减图2得到的待分类缺陷图像;再将待分类缺陷图像输入分类模型库中与该分类模型库中的标记有缺陷类型的目标缺陷图像进行对比分类,得到待分类缺陷图像的缺陷类型。
然而,实际工业应用中,生产得到的每个晶圆上可能存在多个缺陷,并且每个晶圆上的缺陷的位置也不尽相同,因此,为了保证缺陷分类的准确性和通用性,这种方法不仅需要针对不同位置的缺陷,分别准备一个缺陷图像(即待测目标图像,如图1),还需要针对不同位置的缺陷,分别准备一个标准参照图(如图2),也就是需要针对一个位置上的单一缺陷,同时准备相应的缺陷图像和标准参照图。例如,当待测晶圆上存在100个缺陷时,不仅需要拍摄100张缺陷图像,同时还需要准备100张标准参照图,这将占用大量的机台资源,一方面将会影响后续的工业生产安排,另一方面,不利于晶圆缺陷分类效率的提升。
因此,目前亟需一种能节约机台资源,提高晶圆缺陷分类的准确性和效率的方法。
发明内容
为部分地解决上述问题,本发明提供了一种基于最小单元图形的晶圆缺陷分类方法及装置、电子设备和存储介质。
本发明的第一方面,在于提供一种基于最小单元图形的晶圆缺陷分类方法,包括步骤:
获取预先采集到待测晶圆的至少一张待测目标图像;
根据至少一张待测目标图像和预存的至少一个最小单元标准图像得到包括多个最小单元待分类缺陷图像的最小单元待分类缺陷图像集;
将每个最小单元待分类缺陷图像与预先构建的分类样本库中的目标缺陷图像进行匹配,若匹配成功,将最小单元待分类缺陷图像的缺陷类别判定为所匹配到的相应目标缺陷图像对应的缺陷类型。
本发明的一示例性实施例中,根据至少一张待测目标图像和预存的至少一个最小单元标准图像得到包括多个最小单元待分类缺陷图像的最小单元待分类缺陷图像集的步骤,具体包括步骤:
将至少一张待测目标图像与至少一个最小单元标准图像进行匹配,若匹配成功,则将匹配成功的最小单元标准图像作为标准参照图;
将待测目标图像进行拆分,得到多个最小单元待测图像;
将多个最小单元待测图像分别与标准参照图进行比较,得到包括多个最小单元待分类缺陷图像的最小单元待分类缺陷图像集。
本发明的一示例性实施例中,分类样本库中的目标缺陷图像预先被划分为多个匹配优先级,相应地,将每个最小单元待分类缺陷图像与预先构建的分类样本库中的目标缺陷图像进行匹配的步骤,具体包括步骤:
从预先被标记为第一匹配优先级开始,逐级地将最小单元待分类缺陷图像与分类样本库中的目标缺陷图像进行匹配,直至匹配到相应的目标缺陷图像,或者直至最末位匹配优先级。
本发明的一示例性实施例中,还包括步骤:
当最小单元待分类缺陷图像与预先构建的分类样本库中的目标缺陷图像匹配不成功时;
将匹配不成功的最小单元待分类缺陷图像定义为待识别目标;
根据用户输入的表示自选最小单元待分类缺陷图像的缺陷类型的第一操作指令,将待识别目标的缺陷类别标记为用户从分类样本库中所选的缺陷类型;
或者,
根据用户输入的表示自定义待识别目标的缺陷类别的第二操作指令,将待识别目标标记为由用户自定义的新的缺陷类型,并更新至分类样本库中,作为新的缺陷类型对应的目标缺陷图像。
本发明的一示例性实施例中,将最小单元待分类缺陷图像的缺陷类别判定为所匹配到的相应目标缺陷图像对应的缺陷类型的步骤之后,还包括步骤:
根据用户输入的表示更正用户指定的最小单元待分类缺陷图像的缺陷类型的更正操作指令,更正用户指定的最小单元待分类缺陷图像的缺陷类型;其中,更正操作指令包括:更正后的缺陷类型。
本发明的第二方面,在于提供一种基于最小单元图形的晶圆缺陷分类装置,包括:
图像获取模块,用于获取预先采集到待测晶圆的至少一张待测目标图像;
图像处理模块,用于根据至少一张待测目标图像和预存的至少一个最小单元标准图像得到包括多个最小单元待分类缺陷图像的最小单元待分类缺陷图像集;
图像匹配模块,用于将每个最小单元待分类缺陷图像与预先构建的分类样本库中的目标缺陷图像进行匹配,若匹配成功,将最小单元待分类缺陷图像的缺陷类别判定为所匹配到的相应目标缺陷图像对应的缺陷类型。
本发明的一示例性实施例中,图像处理模块还包括:
图像匹配单元,用于将至少一张待测目标图像与至少一个最小单元标准图像进行匹配,若匹配成功,则将匹配成功的最小单元标准图像作为标准参照图;
图像拆分单元,用于对待测目标图像进行拆分,得到多个最小单元待测图像;
缺陷图像获取单元,用于将多个最小单元待测图像分别与标准参照图进行比较,得到包括多个最小单元待分类缺陷图像的最小单元待分类缺陷图像集。
本发明的一示例性实施例中,该装置还包括:
待识别目标定义模块,用于当最小单元待分类缺陷图像与分类样本库中的目标缺陷图像匹配不成功时,将匹配不成功的最小单元待分类缺陷图像定义为待识别目标;
自定义模块,用于获取用户输入的表示自选最小单元待分类缺陷图像的缺陷类型的第一操作指令,并根据第一操作指令,将待识别目标的缺陷类别标记为用户从分类样本库中所选的缺陷类型;
或者,用于获取用户输入的表示自定义待识别目标的缺陷类别的第二操作指令,并根据第二操作指令将待识别目标的缺陷类别标记为由用户自定义的新的缺陷类型,并将待识别目标更新至分类样本库中,并作为新的缺陷类型对应的目标缺陷图像。
本发明的一示例性实施例中,该装置还包括:
更正模块,用于获取用户输入的表示更正用户指定的最小单元待分类缺陷图像的缺陷类型的更正操作指令,并根据更正操作指令更正用户指定的最小单元待分类缺陷图像的缺陷类型;
更正操作指令包括:更正后的缺陷类型。
本发明的第三方面,在于提供一种电子设备,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;
该存储器用于存储执行上述方法的程序;处理器被配置为用于执行存储器中存储的程序。
本发明的第四方面,在于提供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该存储介质所在设备执行上述方法的步骤。
有益效果
本发明的基于最小单元图形的晶圆缺陷分类方法、装置,相较于现有技术,本发明无需针对每个缺陷位置都拍摄标准参照图,只需要一张标准参照图(即最小单元标准图像)即可进行晶圆缺陷的分类,这极大节省了机台资源,一方面,避免了影响后续的工业生产安排,有利于提升整个生产线的工作效率,另一方面,节省了大量标准参照图的拍摄时间,提高了晶圆缺陷的分类的效率;另一方面,本发明能够有效识别规则缺陷图形和不规则的缺陷图形(规则缺陷图形包括具有规则形状的缺陷图形,如长方形、正方形、L形等晶圆缺陷,不规则缺陷图形即形状不规则的缺陷图形),提高了晶圆缺陷分类的准确性和效率。
进一步地,传统的方法中,缺陷图像(即待测目标图像)中通常只出现一个缺陷,若有多个缺陷,就需要准备相应的具有多个缺陷的目标缺陷图像,否则在进行缺陷分类时无法识别具体的缺陷类型和缺陷位置,这无疑进一步增加了计算量或功耗,也降低了分类效率;而本申请的方法,由于采用了最小单元化的对比方式,使得即使同一张缺陷图像上出现两个或多个晶圆缺陷,也可将其划分到不同的最小单元待分类图像中,因此,本发明在缺陷图像和标准参照图的拍摄过程中节省了大量的时间与机台资源,相应的增加了晶圆缺陷分类的效率。
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是现有技术的实施例中的一种缺陷图像;
图2是图1的标准参照图;
图3是根据图1和图2得到的待分类缺陷图像;
图4是本发明一示例性实施例的一种晶圆缺陷的分类方法实施例的流程示意图;
图5是本发明一示例性实施例中一待测目标图像的拆分示意图;
图6根据图5拆分所得的最小单元待分类缺陷图像;
图7是图5的标准参照图,即SRAM电路图形的最小单元标准图形;
图8是根据图6和图7得到的一最小单元待分类缺陷图像;
图9是本发明另一示例性实施例中的待测目标图像的拆分示意图;
图10是根据图9拆分所得的最小单元待测图像;
图11是图9的一最小单元待分类缺陷图像;
图12是本发明一示例性实施例的晶圆缺陷分类装置实施例的模块示意图;
图13是本发明一示例性实施例的一种电子设备组成结构框图。
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。
名词释义:
最小单元:本文中“最小单元”是指一张图像中所有的图形都是有规律重复出现的,其中,符合该规律的基本单元即为最小单元。例如存储电路(SRAM电路)图像中所有(或大部分)的图形都是有规律重复出现的,即基本单元(6T SRAM)规律且重复出现。当然,不同类型的电路,电路中的规律也各不相同,因此,可预先根据实际需要在数据库中录入分别对应不同规律的最小单元标准图像。其中,该“最小单元”也可称之为“基本单元”,相应地,该“最小单元图形”也可称之为“基本单元图形”。其中,最小单元图形可包括所有在图像中重复规律出现的图形,如存储电路中重复出现的正方形,长方形,圆角矩形,L形,H形等。
在一些实施例中,“最小单元图形”是指将拍照得到的图像,例如:标准图像(即通过拍摄标准晶圆采集到的晶圆图像),或待测目标图像(即通过拍摄晶圆上某个采集位点得到的具有晶圆缺陷的晶圆图像)进行拆分得到的多个基本单元图形。例如,预先由工作人员或专家根据标准图形(按照最小单元或基本单元的方式)进行拆分得到多个最小单元标准图像,并录入数据库中的,如图7所示。或者,由工作人员或专家根据待测目标图像(按照最小单元或基本单元的方式)进行拆分得到多个最小单元待测图像,如图5和图6所示,或图9和图10所示;或根据最小单元标准图像与最小单元待测图像得到的最小单元待分类缺陷图像,如图8或图11。
数据库:本文中的“数据库”包括了存储电路中常用电路的最小基本单元图形,也即最小单元标准图像(预先由本领域技术人员或专家定义的),或由用户自定义的最小基本单元图形。
实施例一
参见图4,为本发明一示例性实施例的一种基于最小单元图形的晶圆缺陷分类方法实施例的流程示意图,其中最小单元图形包括:最小单元标准图像和最小单元待分类缺陷图像,具体地,该缺陷分类方法包括步骤:
S101,获取预先采集到待测晶圆的至少一张待测目标图像。
在一些实施例中,可通过图像采集设备,例如SEM,来扫描或拍摄晶圆上的多个采集位点(即具有晶圆缺陷的区域),以获得至少一张待测目标图像,然后从该SEM中获取到该待测目标图像即可。当然,也可采用其他设备来采集该待测晶圆的待测目标图像,例如AOI和TEM等设备。
S103,根据步骤S101中所获取到的至少一张待测目标图像和预存的至少一个最小单元标准图像得到包括多个最小单元待分类缺陷图像的最小单元待分类缺陷图像集。
在一些实施例中,步骤S103具体包括步骤:
将至少一张待测目标图像与至少一个最小单元标准图像进行匹配,若匹配成功,则将匹配成功的最小单元标准图像作为标准参照图。
在一些实施例中,通过预先构建一个数据库来存储由本领域专家或技术人员录入的各种行业公知的通用电路对应的最小单元标准图像(即模板图像),在后续步骤中与待测目标图像进行匹配,若匹配成功则作为标准参照图。
由于存储电路设计具有规范性,因此,电路的边缘图形是既定的,且为本领域人员所公知的,且为规则的图形,如正方形,长方形,圆角矩形,L形,H形等图形。也即该数据库中的模板图像包括了各种电路对应的规则的图形。
进一步地,用户可根据自己设计的特有电路,在数据库中自定义一些模板图像。由此可知,该数据库可包括行业通用电路的模板图像,以及用户自定义的模板图像。
在一些实施例中,将该待测目标图像与模板图像进行匹配是指将待测目标图像中重复且规律性出现的图形与数据库中的模板图像进行对比,若待测目标图像中的规律性出现图形与模板图像中规律性出现的图形形状相同,且图形尺寸大小相同或接近,则认为两者匹配,否则认为两者不匹配。
当然,在另一些实施例中,该数据库中的每个最小单元标准图片都预先标记有各自对应的规律;相应地,在进行匹配之前,也可先将待测目标图像标记上相应的规律,然后执行上述步骤S103。
优选地,在一些实施例中,预先在数据库中存有多个最小单元标准图像,数据库中的多个最小单元标准图像(即,模板图像)预先被划分为多个匹配优先级,从预先被标记为第一匹配优先级开始,逐级地将待测目标图像与数据库中的模板图像进行匹配,直至匹配到相应的模板图像,或者直至最末位匹配优先级。将与所述待测目标图像匹配成功的模板图像作为标准参照图,用于后续的缺陷分类。
优选地,在一些实施例中,用户可预先根据实际情况,对该数据库中的各个模板图像进行优先级标记,从而在进行图像匹配时,从被标记为第一匹配优先级的模板图像开始,将待测目标图像与每个优先级的各个模板图像进行一一匹配,若匹配到相应的模板图像,则不再将其与下一优先级的模板图像进行匹配,并将该模板图像定为该待测目标图像的标准参照图;若未匹配到相应的模板图像,则将其与下一优先级的模板图像进行匹配,直至被标记为最末位匹配优先级的模板图像。
优选地,在一些实施例中,将常用的电路对应的模板图像标记为第一匹配优先级,将用户自定义的模板图像标记为第二匹配优先级;当然,当数据库中模板图像较多时,还可进一步对其进行优先级的划分。
优选地,在一些实施例中,由于用户已预先得知待测目标晶圆上的电路结构,因此可直接将相应的最小单元标准图像(模板图像)存入数据库中,并通过用户自行选定作为标准参照图的模板图像。
进一步地,将待测目标图像进行拆分,得到多个最小单元待测图像;
将多个最小单元待测图像分别与标准参照图进行比较,得到包括多个最小单元待分类缺陷图像的待分类缺陷图像集。
在一些实施例中,通过将待测目标图像(按照最小单元)进行拆分得到的最小单元待测图像时,可以得到最小单元待测图像的位置信息(例如,坐标),通过最小单元待测图像和标准参照图得到最小单元待分类缺陷图像时,相应的可得到在最小单元待分类缺陷图像中该晶圆缺陷相应的位置信息(例如,坐标),即得到该缺陷的目标位置。
SRAM(静态随机存取存储器)电路图形的基本(存储)单元为6T SRAM,其对应的最小单元图形如图7所示,本方法可利用6T SRAM对 SRAM电路图形中缺陷分类,例如,在一些实施例中,参见图5-图8,将待测目标图像图拆分成基本单元,得到多个最小单元待测图像,图6是其中一个最小单元待测图像,将图6与图7所示的标准参照图进行比较,可以得到一个最小单元待分类缺陷图像,如图8所示。
在一些实施例中,参见图9-图11,图9为采集到的待测目标图像,对图9进行拆分得到多个最小单元待测图像,图10所示得到的一个最小单元待测图像,将其与预存的模板图像相比较,得到最小单元待分类缺陷图像图11。
优选地,在一些实施例中,将多个最小单元待测图像分别与标准参照图进行比较,得到多个最小单元待分类缺陷图像,具体地,通过最小单元待测图像与标准参照图对比,识别出最小单元待测图像中标准参照图中不存在的图形,将该图形认定为待分类缺陷图像。
例如,在一些实施例中,标准参照图中包括:L型,H型,长方形三种图形,且三种图形具有一定的尺寸,通过将最小单元待分类缺陷图像与标准参照图进行对比,若最小单元待分类图像中存在标准参照图中不存在的图形,如三角形,则得到一个包含该三角形的最小单元待分类缺陷图像;若最小单元待分类图像中存在一L型图像,但尺寸与标准参照图中L型不一致,则得到一个包含该L型的最小单元待分类缺陷图像。
当然,在实际工业应用情况中,可根据实际需要来调整数据库中该最小单元标准图像的数量。例如,若当前生产厂商当前所生产产品上的电路都是同一种(即其基本单元都是符合同一规律),因此,其只需预先存储相应的一个最小单元标准图像即可,相应地,当获取到待测目标图像后,就无需将其与该最小单元标准图像进行上述的匹配步骤,而是直接将其进行拆分后得到的多个最小单元待测图像与该最小单元标准图像(即标准参照图)进行比较即可得到最小单元待分类缺陷图像(识别出缺陷的同时得到该缺陷的位置信息),然后再执行步骤S105即可。
S105,将每个最小单元待分类缺陷图像与预先构建的分类样本库中的目标缺陷图像进行匹配;
若匹配成功,则执行步骤S107,将最小单元待分类缺陷图像的缺陷类别判定为所匹配到的相应目标缺陷图像对应的缺陷类型。
若匹配不成功,则执行步骤S109,用户自定义,即用户对最小单元待分类缺陷图像的类型进行自定义。
在一些实施例中,该分类样本库包括现有的常见电路缺陷类型。
优选地,在一些实施例中,分类样本库中的所述目标缺陷图像预先被划分为多个匹配优先级,相应地,步骤S105中“将每个最小单元待分类缺陷图像与预先构建的分类样本库中的目标缺陷图像进行匹配”具体包括步骤:
从预先被标记为第一匹配优先级开始,逐级地将最小单元待分类缺陷图像与分类样本库中的目标缺陷图像进行匹配,直至匹配到相应的目标缺陷图像,或者直至最末位匹配优先级。
优选地,在一些实施例中,用户可预先根据实际情况,对该数据库中的各个目标缺陷图像进行优先级标记,从而在进行缺陷识别时,从被标记为第一匹配优先级的目标缺陷图像开始,将最小单元待分类缺陷图像与每个优先级的各个目标缺陷图像进行一一匹配,若匹配到相应的目标缺陷图像,则不再将其与下一优先级的目标缺陷图像进行匹配,并将该最小单元待分类缺陷图像标记为相应的的缺陷类型;若未匹配到相应的目标缺陷图像,则将其与下一优先级的目标缺陷图像进行匹配,直至被标记为最末位匹配优先级的目标缺陷图像。
若在最末位优先级中仍未匹配到相应的目标缺陷图像,即当最小单元待分类缺陷图像与预先构建的分类样本库中的目标缺陷图像匹配不成功时,则执行步骤S109;
进一步地,在一些实施例中,步骤S109具体包括:
将匹配不成功的所述最小单元待分类缺陷图像定义为待识别目标;
根据用户输入的表示自选所述最小单元待分类缺陷图像的缺陷类型的第一操作指令,将该待识别目标的缺陷类别定义(或标记)为用户所选的缺陷类型;
其中,该第一操作指令包括:由用户从分类样本库中所选定的缺陷类型(的名称)。
当然,在另一些实施例中,当也可根据用户输入的表示自定义所述待识别目标的缺陷类别的第二操作指令,将该待识别目标更新至分类样本库中,作为新的缺陷类型对应的目标缺陷图像。其中,该第二操作指令包括:由用户自定义的新的缺陷类型(的名称)。
优选地,在一些实施例中,可将该电路中最常出现的目标缺陷的目标缺陷图像标记为第一匹配优先级,将该用户自定义的目标缺陷图像标记为第二匹配优先级,其余为第三匹配优先级,则具体实施时,先将最小单元待分类缺陷图像与第一匹配优先级的目标缺陷图像进行匹配,若匹配到相应的目标缺陷图像,则将该待识别目标(即最小单元待分类缺陷图像)判定为相应的目标缺陷类型;若未匹配到相应的目标缺陷图像,则将待识别目标与第二匹配优先级的目标缺陷图像进行匹配,若匹配到相应的目标缺陷图像,则将该待识别目标判定为相应的缺陷类型;若未匹配到相应的目标缺陷图像,则将待识别目标与第三匹配优先级的目标缺陷图像进行匹配,相应地,若匹配到相应的目标缺陷图像,则将该待识别目标判定为相应的目标缺陷类型;若未匹配到相应的目标缺陷图像,则通过人工对该待识别目标进行缺陷分类。
进一步地,在一些实施例中,当用户所选的其他缺陷类型不属于分类样本库中的缺陷类型时,将用户指定的其他缺陷类型的待识别目标更新至分类样本库中。
在一些实施例中,根据用户输入的自定义操作指令,将所述用户指定的待识别目标(也即,没有与分类样本库中的目标缺陷图像成功匹配的最小单元待分类缺陷图像)定义为所述用户所选的其他缺陷类型;
在一些实例中,用户所选的其他缺陷类型可以为分类样本库中已有的缺陷类型,也可以为用户自定义的缺陷类型。
优选地,在一些实施例中,当用户将待识别目标判定为自定义的缺陷类型(即分类样本库中没有出现的缺陷类型)时,可以选择将该待识别目标以及自定义的缺陷类型更新到分类样本库中。
在一具体实施例中,当出现需要用户指定的待识别目标时,用于执行上述匹配流程的上位终端的控制界面将弹出第一对话框,以提示用户从所述分类样本库中所选定的缺陷类型(具体地,可以下拉菜单的形式提供可供用于选择的具体缺陷类型名称)。当然,当该分类样本数据库中所提供的缺陷类型均不是用户想要的缺陷类型时,还提醒用户自定义新的缺陷类型。
进一步地,若用户选择将待识别目标定义为自定义的缺陷类型,则将弹出第二对话框,以提醒用户输入自定义的缺陷类型的名称,并将待识别目标更新至分类样本库中,作为新的缺陷类型对应的目标缺陷图像。当然,若用户拒绝更新操作,关闭第二对话框即可。
进一步地,为了保证缺陷分类的准确性,或用户相对缺陷分类结果进行核查时,在一些实施例中,将待分类缺陷图像集中的最小单元待分类缺陷图像判定为相应的目标缺陷图像的缺陷类型之后,还包括步骤:
根据用户输入的表示更正用户指定的最小单元待分类缺陷图像的缺陷类型的更正操作指令,更正该最小单元待分类缺陷图像的缺陷类型;即将该最小单元待分类缺陷图像所匹配到的缺陷类型A更正为由用户所指定的缺陷类型B。
其中,更正操作指令包括:用户所选的缺陷类型(即更正后的缺陷类型;例如,除了A以外的缺陷类型,其可以是来自于样本库中的,也可以是用户自定义的缺陷类型的名称)。
进一步地,在一些实施例中,为了保证晶圆缺陷分类的准确性,在根据至少一张待测目标图像和预存的至少一个最小单元标准图像得到最小单元待分类缺陷图像集之前,还包括步骤:对待测目标图像进行预处理,以提高待测目标图像的分辨率。
优选地,在一些实施例中,对待测目标图像进行预处理的步骤具体包括:对该待测目标图像进行图像锐化,从而增加边缘等;或者进行图像增强,如图像二值化处理等。
实施例二
参见图12,为本发明一示例性实施例的基于最小单元图形的晶圆缺陷分类装置的结构示意图。具体地,该晶圆缺陷分类装置包括:
图像获取模块01,用于获取预先采集到待测晶圆的至少一张待测目标图像;
在一些实施例中,上述图像获取模块01可与各种缺陷图像采集设备,如SEM进行数据通信,从而可直接从该缺陷图像设备上获取到预先采集到的待测目标图像。例如,在本实施例中,可通过图像采集设备,例如SEM,来扫描或拍摄晶圆上的多个采集位点(即具有晶圆缺陷的区域),以获得至少一张待测目标图像,图像获取模块01与该图像采集设备进行数据通信,获取到所采集的至少一张待测目标图像。
图像处理模块02,用于根据至少一张待测目标图像和预存的至少一个最小单元标准图像得到包括多个最小单元待分类缺陷图像的最小单元待分类缺陷图像集;
图像匹配模块03,用于将最小单元待分类缺陷图像集与预先构建的分类样本库中的目标缺陷图像进行匹配,若匹配成功,将所述待分类缺陷图像集中的最小单元待分类缺陷图像的缺陷类别判定为所匹配到的相应的目标缺陷图像对应的缺陷类型。
优选地,在一些实施例中,分类样本库中的所述目标缺陷图像预先被划分为多个匹配优先级,相应地,图像匹配模块3中的具体匹配方式为:
从预先被标记为第一匹配优先级开始,逐级地将最小单元待分类缺陷图像与分类样本库中的目标缺陷图像进行匹配,直至匹配到相应的目标缺陷图像,或者直至最末位匹配优先级。
优选地,在一些实施例中,用户可预先根据实际情况,对该数据库中的各个目标缺陷图像进行优先级标记,从而在进行缺陷识别时,从被标记为第一匹配优先级的目标缺陷图像开始,将最小单元待分类缺陷图像与每个优先级的各个目标缺陷图像进行一一匹配,若匹配到相应的目标缺陷图像,则不再将其与下一优先级的目标缺陷图像进行匹配,并将该最小单元待分类缺陷图像标记为相应的的缺陷类型;若未匹配到相应的目标缺陷图像,则将其与下一优先级的目标缺陷图像进行匹配,直至被标记为最末位匹配优先级的目标缺陷图像。
进一步地,在一些实施例中,图像处理模块02还包括:
图像匹配单元021,用于将至少一张待测目标图像与所述至少一个最小单元标准图像进行匹配,若匹配成功,则将匹配成功的最小单元标准图像作为标准参照图;具体实施时,匹配方式可参见实施例一。
图像拆分单元022,用于对待测目标图像进行拆分,得到多个最小单元待测图像;
缺陷图像获取单元023,用于将多个最小单元待测图像分别与标准参照图进行比较,得到包括多个最小单元待分类缺陷图像的最小单元待分类缺陷图像集。
在一些实施例中,该装置还包括:
待识别目标定义模块,用于当最小单元待分类缺陷图像与分类样本库中的目标缺陷图像匹配不成功时,将匹配不成功的最小单元待分类缺陷图像定义为待识别目标;
自定义模块,用于获取用户输入的表示自选最小单元待分类缺陷图像的缺陷类型的第一操作指令,并根据第一操作指令,将待识别目标的缺陷类别标记为用户从分类样本库中所选的缺陷类型;
或者,用于获取用户输入的表示自定义待识别目标的缺陷类别的第二操作指令,并根据第二操作指令将待识别目标的缺陷类别标记为由用户自定义的新的缺陷类型,并将待识别目标更新至分类样本库中,并作为新的缺陷类型对应的目标缺陷图像。
进一步地,为了保证缺陷分类的准确性,或用户需要对缺陷分类结果进行核查验证时,在一些实施例中还包括:用于获取用户输入的表示更正用户指定的最小单元待分类缺陷图像的缺陷类型的更正操作指令,并根据更正操作指令更正用户指定的最小单元待分类缺陷图像的缺陷类型;
更正操作指令包括:更正后的缺陷类型。
其中,该更正后的缺陷类型包括:分类样本库中的缺陷类型和用户自定义的缺陷类型。
进一步地,在一些实施例中,该装置还包括:预处理模块,用于对所述待测目标图像进行预处理。
优选地,在一些实施例中该预处理模块对该待测目标图像进行边缘锐化,或者图像增强处理(如进行图像二值化)等。
实施例三
本发明的第三方面,提供了一种电子设备,包括存储器502、处理器501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501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13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501代表的一个或多个处理器和存储器502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501负责管理总线500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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
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:获取预先采集到待测晶圆的至少一张待测目标图像;根据至少一张待测目标图像和预存的至少一个最小单元标准图像得到包括多个最小单元待分类缺陷图像的最小单元待分类缺陷图像集;将最小单元待分类缺陷图像集与预先构建的分类样本库中的目标缺陷图像进行匹配,若匹配成功,将待分类缺陷图像集中的最小单元待分类缺陷图像的缺陷类别判定为相应的目标缺陷图像的缺陷类型。
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 (7)

1.一种基于最小单元图形的晶圆缺陷分类方法,其特征在于,包括步骤:
S101获取预先采集到待测晶圆的至少一张待测目标图像;
S103根据所述至少一张待测目标图像和预存于数据库中的至少一个最小单元标准图像得到包括多个最小单元待分类缺陷图像的最小单元待分类缺陷图像集;其中,所述数据库中包括:预存的存储电路的模板图像,或者,用户自定义的电路模板图像;其中,S103包括步骤:
将所述至少一张待测目标图像与所述至少一个最小单元标准图像进行匹配,若匹配成功,则将匹配成功的所述最小单元标准图像作为标准参照图;或者,用户将相应的最小单元标准图像存入数据库中,并将其自行选定作为标准参照图;
将所述待测目标图像进行拆分,得到多个最小单元待测图像;其中,所述最小单元待测图像为在存储电路中重复出现的图形;
将所述多个最小单元待测图像分别与所述标准参照图进行比较,得到包括多个所述最小单元待分类缺陷图像的所述最小单元待分类缺陷图像集;
S105将每个所述最小单元待分类缺陷图像与预先构建的分类样本库中的目标缺陷图像进行匹配,若匹配成功,将所述最小单元待分类缺陷图像的缺陷类别判定为所匹配到的相应目标缺陷图像对应的缺陷类型;
若匹配不成功,将匹配不成功的所述最小单元待分类缺陷图像定义为待识别目标;根据用户输入的表示自选所述最小单元待分类缺陷图像的缺陷类型的第一操作指令,将所述待识别目标的缺陷类别标记为所述用户从所述分类样本库中所选的缺陷类型;或者,根据用户输入的表示自定义所述待识别目标的缺陷类别的第二操作指令,将所述待识别目标标记为由所述用户自定义的新的缺陷类型,并更新至分类样本库中,作为新的缺陷类型对应的目标缺陷图像。
2.根据权利要求1所述的方法,其特征在于,所述分类样本库中的所述目标缺陷图像预先被划分为多个匹配优先级,相应地,将每个所述最小单元待分类缺陷图像与预先构建的分类样本库中的目标缺陷图像进行匹配的步骤,具体包括步骤:
从预先被标记为第一匹配优先级开始,逐级地将所述最小单元待分类缺陷图像与所述分类样本库中的所述目标缺陷图像进行匹配,直至匹配到相应的目标缺陷图像,或者直至最末位匹配优先级。
3.根据权利要求1所述的方法,其特征在于,将所述最小单元待分类缺陷图像的缺陷类别判定为所匹配到的相应目标缺陷图像对应的缺陷类型的步骤之后,还包括步骤:
根据用户输入的表示更正所述用户指定的所述最小单元待分类缺陷图像的缺陷类型的更正操作指令,更正所述用户指定的所述最小单元待分类缺陷图像的缺陷类型;其中,所述更正操作指令包括:更正后的缺陷类型。
4.一种基于最小单元图形的晶圆缺陷分类装置,其特征在于,包括:
图像获取模块,用于获取预先采集到待测晶圆的至少一张待测目标图像;
图像处理模块,用于根据所述至少一张待测目标图像和预存于数据库中的至少一个最小单元标准图像得到包括多个最小单元待分类缺陷图像的最小单元待分类缺陷图像集;其中,所述数据库中包括:预存的存储电路的模板图像,或者,用户自定义的电路模板图像;
其中,所述图像处理模块还包括:
图像匹配单元,用于将所述至少一张待测目标图像与所述至少一个最小单元标准图像进行匹配,若匹配成功,则将匹配成功的所述最小单元标准图像作为标准参照图;或者,用于用户将相应的最小单元标准图像存入数据库中,并将其自行选定作为标准参照图;
图像拆分单元,用于对所述待测目标图像进行拆分,得到多个最小单元待测图像;
缺陷图像获取单元,用于将所述多个最小单元待测图像分别与所述标准参照图进行比较,得到包括多个所述最小单元待分类缺陷图像的所述最小单元待分类缺陷图像集;
图像匹配模块,用于将每个所述最小单元待分类缺陷图像与预先构建的分类样本库中的目标缺陷图像进行匹配,若匹配成功,将所述最小单元待分类缺陷图像的缺陷类别判定为所匹配到的相应目标缺陷图像对应的缺陷类型;
待识别目标定义模块,用于当所述最小单元待分类缺陷图像与所述分类样本库中的所述目标缺陷图像匹配不成功时,将匹配不成功的所述最小单元待分类缺陷图像定义为待识别目标;
自定义模块,用于获取用户输入的表示自选所述最小单元待分类缺陷图像的缺陷类型的第一操作指令,并根据所述第一操作指令,将所述待识别目标的缺陷类别标记为所述用户从所述分类样本库中所选的缺陷类型;或者,用于获取用户输入的表示自定义所述待识别目标的缺陷类别的第二操作指令,并根据所述第二操作指令将所述待识别目标的缺陷类别标记为由所述用户自定义的新的缺陷类型,并将所述待识别目标更新至分类样本库中,并作为新的缺陷类型对应的目标缺陷图像。
5.根据权利要求4所述的装置,其特征在于,所述晶圆缺陷分类装置还包括:
更正模块,用于获取用户输入的表示更正所述用户指定的所述最小单元待分类缺陷图像的缺陷类型的更正操作指令,并根据所述更正操作指令更正所述用户指定的最小单元待分类缺陷图像的缺陷类型;所述更正操作指令包括:更正后的缺陷类型。
6.一种电子设备,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。
7.一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。
CN202110897146.0A 2021-08-05 2021-08-05 基于最小单元的缺陷分类方法、装置、设备和存储介质 Active CN113610801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110897146.0A CN113610801B (zh) 2021-08-05 2021-08-05 基于最小单元的缺陷分类方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110897146.0A CN113610801B (zh) 2021-08-05 2021-08-05 基于最小单元的缺陷分类方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113610801A CN113610801A (zh) 2021-11-05
CN113610801B true CN113610801B (zh) 2023-06-20

Family

ID=78307151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110897146.0A Active CN113610801B (zh) 2021-08-05 2021-08-05 基于最小单元的缺陷分类方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113610801B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881996A (zh) * 2022-05-25 2022-08-09 京东方科技集团股份有限公司 缺陷检测方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197644A (zh) * 2017-12-27 2018-06-22 深圳市大熊动漫文化有限公司 一种图像识别方法和装置
CN108776808A (zh) * 2018-05-25 2018-11-09 北京百度网讯科技有限公司 一种用于检测钢包溶蚀缺陷的方法和装置
CN108760751A (zh) * 2018-05-25 2018-11-06 常州信息职业技术学院 一种纺织品瑕疵检测方法
CN111127571B (zh) * 2019-12-03 2023-12-29 歌尔股份有限公司 一种小样本缺陷分类方法和装置

Also Published As

Publication number Publication date
CN113610801A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
US9401015B2 (en) Defect classification method, and defect classification system
CN113095438B (zh) 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质
JP6285640B2 (ja) 自動及び手動欠陥分類の統合
US8526710B2 (en) Defect review method and apparatus
JP2018128468A (ja) 自動欠陥分類のための未知欠陥除去の最適化
US9020237B2 (en) Method for optimizing observed image classification criterion and image classification apparatus
CN108463875A (zh) 使用具有晶片图像数据的设计数据改进半导体晶片检验器的缺陷敏感度
US10628935B2 (en) Method and system for identifying defects of integrated circuits
CN112053318A (zh) 基于深度学习的二维pcb缺陷实时自动检测与分类装置
US10074167B2 (en) Reducing registration and design vicinity induced noise for intra-die inspection
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
CN114266773A (zh) 显示面板缺陷定位方法、装置、设备及存储介质
CN111080633A (zh) 屏缺陷检测方法、装置、终端设备以及存储介质
CN113610801B (zh) 基于最小单元的缺陷分类方法、装置、设备和存储介质
CN112819799A (zh) 目标缺陷检测方法及装置、系统、电子设备和存储介质
CN115661160A (zh) 一种面板缺陷检测方法及系统及装置及介质
US20050075841A1 (en) Automated defect classification system and method
JP2014126445A (ja) 位置合せ装置、欠陥検査装置、位置合せ方法、及び制御プログラム
US7310791B2 (en) Method for correcting layout errors
CN114365183A (zh) 晶片检验方法和系统
CN114937037B (zh) 产品缺陷检测方法、装置、设备及可读存储介质
CN115272185A (zh) 一种单元化的掩膜版缺陷的识别方法及识别装置
CN115731208A (zh) 金属复杂面高精度缺陷检测方法、装置、设备及存储介质
CN114897797A (zh) 印刷电路板的缺陷检测方法、装置、设备及存储介质
CN115172199A (zh) 一种用于识别晶圆缺陷的方法及系统

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