CN113743447B - 半导体瑕疵识别方法、装置、计算机设备和存储介质 - Google Patents

半导体瑕疵识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113743447B
CN113743447B CN202110799044.5A CN202110799044A CN113743447B CN 113743447 B CN113743447 B CN 113743447B CN 202110799044 A CN202110799044 A CN 202110799044A CN 113743447 B CN113743447 B CN 113743447B
Authority
CN
China
Prior art keywords
semiconductor
executed
model
picture
training data
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
CN202110799044.5A
Other languages
English (en)
Other versions
CN113743447A (zh
Inventor
彭泽钜
彭泽慧
杨灵
阙士芯
廖韵萱
刘羿晟
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 Pengxi Semiconductor Co ltd
Original Assignee
Shanghai Pengxi Semiconductor 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 Pengxi Semiconductor Co ltd filed Critical Shanghai Pengxi Semiconductor Co ltd
Priority to CN202110799044.5A priority Critical patent/CN113743447B/zh
Publication of CN113743447A publication Critical patent/CN113743447A/zh
Application granted granted Critical
Publication of CN113743447B publication Critical patent/CN113743447B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0095—Semiconductive materials
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种半导体瑕疵识别方法、装置、计算机设备和存储介质。所述方法包括：接收待执行模型以及半导体层选择指令；根据所述选择指令确定待执行模型和半导体层；获取与所述半导体层对应的半导体图片，所述半导体图片是根据机台上传的初始图片按照分类维度进行分类得到的；通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果。采用本方法能够提高识别准确性。

Description

半导体瑕疵识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种半导体瑕疵识别方法、装置、计算机设备和存储介质。
背景技术
半导体集成电路芯片的工艺制作利用批量处理技术，在同一硅衬底上形成大量各种类型的复杂器件，并将其互相连接以具有完整的电子功能。其中任一工艺中所产生的缺陷，都可能会导致电路的制作失败。因此，在工艺制作中常需要对多步工艺进行缺陷检测以及分析，找出缺陷发生的原因，并加以排除。
传统技术中，是利用缺陷扫描检测设备用扫描的方法检测整个晶圆上的所有缺陷。检测的时候，先扫描得到相邻两个周期的图形，然后对其进行比较，如果比较结果为两者不相同，则表明该区域存在缺陷，对其进行缺陷标记处理。
然而，目前的方法需要设置检测阈值，检测阈值设置的越小，则标记的相邻图形之间的区别越小，缺陷也越细微。但是目前对于检测阈值的设置通常会存在问题，导致半导体瑕疵识别不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高准确性的半导体瑕疵识别方法、装置、计算机设备和存储介质。
一种半导体瑕疵识别方法，所述方法包括：
接收待执行模型以及半导体层选择指令；
根据所述选择指令确定待执行模型和半导体层；
获取与所述半导体层对应的半导体图片，所述半导体图片是根据机台上传的初始图片按照分类维度进行分类得到的；
通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果。
在其中一个实施例中，所述通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果之后，包括：
输出所述半导体瑕疵结果至数据库；
接收输入的半导体瑕疵结果修正指令；
根据所述修正指令对所述半导体瑕疵结果进行修正，修正后的所述半导体瑕疵结果用于修正所述待执行模型。
在其中一个实施例中，所述根据所述修正指令对所述半导体瑕疵结果进行修正之后，包括：
计算所述待执行模型和修正后的所述待执行模型的对比维度数值；
根据所计算的对比维度数值生成比较报表。
在其中一个实施例中，所述方法包括：
获取训练数据；
按照分类维度对所述训练数据进行分类得到多组训练数据；
分别对每一组训练数据进行训练得到对应的多个模型。
在其中一个实施例中，所述获取训练数据之后，包括：
对所述训练数据进行处理以剔除离群数据和/或相似数据。
在其中一个实施例中，所述方法还包括：
获取机台输出的文件；
从所述文件中提取初始图片以及待匹配信息；
将所述待匹配信息相互匹配，若是匹配成功，则将初始图片按照分类维度进行分类，并将分类后的初始图片存储至数据库。
在其中一个实施例中，所述将初始图片按照分类维度进行分类，包括：
按照半导体层、产品标识以及菜单对所述初始图片进行分类。
一种半导体瑕疵识别装置，所述装置包括：
第一接收模块，用于接收待执行模型以及半导体层选择指令；
确定模块，用于根据所述选择指令确定待执行模型和半导体层；
图片获取模块，用于获取与所述半导体层对应的半导体图片，所述半导体图片是根据机台上传的初始图片按照分类维度进行分类得到的；
识别模块，用于通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意一个实施例中的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一个实施例中的方法的步骤。
上述半导体瑕疵识别方法、装置、计算机设备和存储介质，根据半导体层获取到对应的半导体图片，并将该分类的半导体图片输入至对应的待执行模型中进行处理，从而得到半导体瑕疵结果，其中待执行模型是根据训练数据和以往的数据进行训练得到的，这样保证了瑕疵识别的准确性，此外，针对不同的分类维度训练不同的待执行模型，这样使得模型的准确性提高，从而半导体瑕疵识别结果更为准确。
附图说明
图1为一个实施例中半导体瑕疵识别方法的应用环境图；
图2为一个实施例中半导体瑕疵识别方法的流程示意图；
图3为另一个实施例中半导体瑕疵识别方法的应用环境图；
图4为另一个实施例中半导体瑕疵识别方法的流程示意图；
图5为一个实施例中半导体瑕疵识别装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的半导体瑕疵识别方法，可以应用于如图1所示的应用环境中。其中，服务器102通过网络与数据库104进行通信，服务器102可以接收待执行模型以及半导体层选择指令，从而可以确定本次需要使用的待执行模型以及半导体层，这样服务器102获取与所述半导体层对应的半导体图片，所述半导体图片是根据机台上传的初始图片按照分类维度进行分类得到的，从而最后服务器102通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果。待执行模型是根据训练数据和以往的数据进行训练得到的，这样保证了瑕疵识别的准确性，此外，针对不同的分类维度训练不同的待执行模型，这样使得模型的准确性提高，从而半导体瑕疵识别结果更为准确。其中，服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种半导体瑕疵识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202：接收待执行模型以及半导体层选择指令。
具体地，待执行模型是预先根据训练数据得到的或者是根据新产生的数据对训练得到的模型修正得到的。其中，对于训练数据可以预先进行编辑，以提高训练数据的质量，可选地，在获取训练数据之后，包括：对所述训练数据进行处理以剔除离群数据和/或相似数据。例如服务器可以对训练数据进行特征提取，然后计算所提取的各个特征之间的距离关系，从而根据距离关系来获取到离群数据，并删除所述离群数据；和/或根据各个所述数据特征之间的距离计算所述模型训练数据进行相似数据，并减少所述相似数据的数量至预设数量。
具体地，离群数据是指根据距离关系所获取的到偏离各个模型训练数据的中心的数据。相似数据是指根据距离关系所确定的各个模型训练数据之间的距离小于一定值的模型训练数据。对于离群数据，服务器直接删除，而对于相似数据，为了避免模型重复学习相同特征，而过度依赖特定的特征，服务器可以将该些相似特征的数量删除至预设数量，例如删除至一个。
对于离群数据，服务器可以各个数据特征与该中心位置之间的第一距离，然后计算该第一距离的平均距离，依据该平均距离和第一预设值计算得到第一阈值，例如服务器可以以平均距离为中心，以对第一预设值进行分段，从而获取各个分段中的模型训练数据的数量，进而根据模型训练数据的数量来获取到第一阈值。例如以平均距离为中心，以第一预设值的最大值和最小值为边界，然后进行平均分段，从而获取到每个分段的模型训练数据的数量，进而获取到分段中与其他分段中的模型训练数据的数量差距较大的分段所对应的分段值(即该分段与其他分段的分界值)作为第一阈值，从而对模型训练数据进行筛选以得到离群数据。在他的实施例中，服务器可以以平均距离为中心，然后以一定的距离向两端移动确定选择范围，以确定在范围外的模型训练数据的数量，若是在范围外的模型训练数据的数量小于一定值，则确定在范围外模型训练数据为离群数据。
对于相似数据，服务器计算得到数据特征的中心位置，然后服务器再计算各个数据特征与中心位置之间的第一距离，从而可以根据第一聚类来获取到模型训练数据的分布区间，例如可以对第一距离进行聚类，以得到多个分布区间，进而服务器再对位于同一分布区间内的模型训练数据进行相似度判断，例如将位于同一分布区间的模型训练数据成为初步训练数据，计算位于同一分布区间的各个初步训练数据之间的第二距离，进而根据第二距离以及对应的第二阈值来计算得到相似数据。
半导体层是指机台中各个半导体的层。
其中，服务器可以显示一界面，通过该界面来接收针对待执行模型以及半导体层选择指令。其中可选地，服务器可以一次选择多个待执行模型以及对应的半导体层，也即是说服务器可以一次设置多个待执行模型和对应的半导体层的对应关系，且使得该待执行模型处于可用状态。
其中，可选地，不同的待执行模型由不同的服务器来执行，从而当确定了待执行模型和半导体层后，该服务器处于在线状态，其可以根据需要获取到机台所上传的半导体图片，并对对应的半导体图片进行处理。可选地，该些处于在线状态的服务器可以定时或者是根据调用指令被调用，以从存储模块获取对应的机台所上传的半导体图片，并进行处理。
S204：根据所述选择指令确定待执行模型和半导体层。
具体地，服务器根据选择指令确定待执行模型和半导体层，并加载到对应的服务器的缓存中，从而对应的服务器被触发，可以被调用以对半导体图片进行处理。
其中，待执行模型有版本之分，启动预测监控前要选择待执行模型版本与监控的半导体层，监控是指检查是否有输入的klf档案与对应的图片，如有，则自行进行预测作业，尚未被监控的半导体层若有klf与图片输入，也不会启动运算。
S206：获取与所述半导体层对应的半导体图片，所述半导体图片是根据机台上传的初始图片按照分类维度进行分类得到的。
具体地，半导体层对应的半导体图片是对机台上传的初始图片按照分类维度进行分类得到的，首先机台上传初始图片至一个分类服务器，该分类服务器对该初始图片进行处理以得到按照分类维度分类存储的半导体图片。可选地，分类服务器在分类之前还可以对初始图片进行验证，以判断初始图片是否合法，若是合法，则进行分类，并存储至存储模块，从而方便服务器的调用。
需要说明的一点是，机台上传的可以是KLF文件，通过对该文件分析以得到初始图片以及与初始图片对应的待验证信息，通过贵该待验证信息进行验证以判断初始图片是否合法，若是合法，则对初始图片进行分类，并存储至存储模块。优选地，存储模块中按照分类对半导体图片进行存储，例如每一分类对应一个存储队列，一个存储队列中存储一个分类的半导体图片。
S208：通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果。
具体地，服务器获取到待执行模块，并从存储模块读取到对应的半导体图片进行处理以得到半导体瑕疵结果。
可选地，KIF档案的资讯会被上传到存储模块，于是，服务器在启动预测前会检查数据存储模块中的文件与需要被预测的图片是否完整，若不完整则不会启动预测，待数据完整后才运行。
上述半导体瑕疵识别方法，根据半导体层获取到对应的半导体图片，并将该分类的半导体图片输入至对应的待执行模型中进行处理，从而得到半导体瑕疵结果，其中待执行模型是根据训练数据和以往的数据进行训练得到的，这样保证了瑕疵识别的准确性，此外，针对不同的分类维度训练不同的待执行模型，这样使得模型的准确性提高，从而半导体瑕疵识别结果更为准确。
在其中一个实施例中，所述通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果之后，包括：输出所述半导体瑕疵结果至数据库；接收输入的半导体瑕疵结果修正指令；根据所述修正指令对所述半导体瑕疵结果进行修正，修正后的所述半导体瑕疵结果用于修正所述待执行模型。
具体地，在该实施例中，服务器在得到半导体瑕疵结果后，将半导体瑕疵结果输出至数据库中，可选地，服务器可以通过异步的方式将半导体瑕疵结果输出至数据库。这样不会耽误服务器继续获取半导体图片以进行处理。也就是说每个服务器中至少包括两个线程，一个线程用于获取到对应分类的半导体图片，另外一个线程用于获取到半导体瑕疵结果，以将半导体瑕疵结果存储至数据库中。
为了使得本领域技术人员充分理解本申请，其中服务器先根据训练数据训练得到不同的待执行模型，且在实际使用时，根据需要为不同的待执行模型分配对应的服务器，这样服务器将待执行模型缓存至内存中，并从数据库的对应的队列中获取到对应的半导体图片，然后进行处理得到半导体瑕疵结果，最后异步将半导体瑕疵结果输出至数据库中。从而服务器的另一线程继续对对应的半导体图片进行处理。在其他的实施例中，可以动态设置服务器和待执行模型的对应关系，即选择待执行模型，然后从空闲服务器中获取到对应的服务器以加载待执行模型，从而执行上述步骤。
其中服务器还可以从数据库调取半导体瑕疵结果，然后对该半导体瑕疵结果进行人工修正，以保证半导体瑕疵结果的准确性。这样，机器学习加上大数据训练，利用智能判断减少人力判断瑕疵检测负担，提供AI分类预测及人工校正结果分析，针对分错的照片可进行二次校正。
且可选地，对于半导体瑕疵结果也按照上述分类维度进行分类，从而修正后的所述半导体瑕疵结果用于修正所述待执行模型，使得执行模型更加准确。
例如，服务器可以按照原来的待执行模型进行处理，另一方面根据修正后的所述半导体瑕疵结果修正待执行模型，最后将修正后的待执行模型替换原来的待执行模型。
在其中一个实施例中，所述根据所述修正指令对所述半导体瑕疵结果进行修正之后，包括：计算所述待执行模型和修正后的所述待执行模型的对比维度数值；根据所计算的对比维度数值生成比较报表。
具体地，该实施例中的比对维度可以是指模型的衡量维度，例如模型训练中会有一些训练状态与对应的参数，像是每笔训练的准确率成长幅度，每笔训练当下的准确率，每笔训练验证的准确率等数据。这些数据可以用来绘制成报表，或是与前几次模型进行分析比较，用以评估。
在其中一个实施例中，上述待执行模型的训练方法包括：获取训练数据；按照分类维度对所述训练数据进行分类得到多组训练数据；分别对每一组训练数据进行训练得到对应的多个模型。
具体地，服务器先获取到训练数据，然后对训练数据进行编辑，以控制训练数据的质量，具体的控制方式可以参见上文。服务器在对训练数据进行控制后，则对训练数据进行分类，例如按照制程、类别名称、缺陷图片、缺陷图片的分类等进行分类。
在编辑完成后，服务器通过特定的web接口选择对应的数据集进行模型训练，以得到不同的模型。
其中系统可以使用在多个制程当中，不同制程可能会使用不一样的人工智能模型，也可能会有不一样的模型训练资料，而系统提供选择，让训练时可以进行选择操作。
其中，服务器通过Web接口，可选择特定训练数据集做AI Model训练，AI神经网络会通过训练数据中的图来做人工智能的图识别学习。在训练完成后，服务器存储对应的模型，以及模型的训练集准确率、训练集误差、验证集准确率、验证集误差、各epoch的成长变化等。
在其中一个实施例中，所述方法还包括：获取机台输出的文件；从所述文件中提取初始图片以及待匹配信息；将所述待匹配信息相互匹配，若是匹配成功，则将初始图片按照分类维度进行分类，并将分类后的初始图片存储至数据库。
可选地，所述将初始图片按照分类维度进行分类，包括：按照半导体层、产品标识以及菜单对所述初始图片进行分类。
具体地，机台输出文件后，需要对机台输出的文件进行分析，例如针对机台产出的klf文件，在系统上进行分析，klf文件中纪录了当次晶片上的各种信息，包含SetupID，ProductID及晶片上的缺陷坐标等信息，而klf文件分析器需读取三个klf文件中的信息半导体层、产品标识以及菜单，此三个信息间需相互匹配，而此三个信息需经由客户端通过Web接口进行设定并储存至数据库，当klf文件分析器检查三项通过匹配时，才会针对机台数据进行上传到数据库中，从而让后续可以执行AI瑕疵预测，也即被对应的服务器获取到以进行处理。其中三个信息间需要匹配可以理解为klf中的参数，需要与对应的制程做匹配，从而才能将正确的klf档案与图片使用正确的预测模型进行运算。
具体地，结合图3和图4所示，机台上传KLF文档至服务器，服务器对该些KIF文档中的半导体图片进行分析得到分析结果，并将分析结果返回至机台。
结合图4，其中服务器先从客户端获取到训练数据，客户端通过web接口上传训练数据，服务器通过浏览器对训练数据进行管理，以控制训练数据的数量，具体地，包括对训练数据的制程、类别名称、缺陷图片、缺陷图片的分类数据的管理等，在管理完成后进行模型训练，例如选择特定分类的训练数据进行模型训练以得到对应分类的待执行模型，从而服务器存储该待执行模型，并保存该待执行模型行管的模型状态数据。
机台可以输出包含klf文件和相关的图片资料，服务器针对机台产出的klf文件，在系统上进行分析，klf文件中纪录了当次晶片上的各种信息，包含SetupID，ProductID及晶片上的缺陷坐标等信息，而klf文件分析器需读取三个klf文件中的信息半导体层、产品标识以及菜单，此三个信息间需相互匹配，而此三个信息需经由客户端通过Web接口进行设定并储存至数据库，当klf文件分析器检查三项通过匹配时，才会针对机台数据进行上传到数据库中，从而让后续可以执行AI瑕疵预测，也即被对应的服务器获取到以进行处理。其中三个信息间需要匹配可以理解为klf中的参数，需要与对应的制程做匹配，从而才能将正确的klf档案与图片使用正确的预测模型进行运算。其中存储到数据库的半导体图片可以是按照分类来进行存储的，例如一个分类一个队列。
其中服务器可以接收待执行模型以及对应的半导体层，从而根据半导体层确定对应的半导体图片，服务器获取到对应的分类的半导体图片并输入至待执行模型中得到半导体瑕疵结果，当AI预测完成之后，会将预测结果放至对应的文件夹，并把AI预测半导体瑕疵结果写至数据库中，例如服务器异步存储半导体瑕疵结果至数据库中，从而可以人工对半导体瑕疵结果进行二次分类，最后分类后的数据再进行如上文中的编辑后，对对应的待执行模型进行修正。此外，可以选地，服务器还可以输出人工修正后的半导体图片至klf文档中的对应的字段，以返回至机台。
上述实施例中，机器学习加上大数据训练，利用智能判断减少人力判断瑕疵检测负担，提供用户人工校正，并将分错照片重新训练，增加AI学习效果，提供AI分类预测及人工校正结果分析，针对分错照片可进行二次校正提供Web界面供用户直接使用浏览器对训练数据集做管理以提升训练数据的AI学习质量，提供可针对每次AI模型预测的一个修改比较和报表分析，有效的系统化AI运行与半导体瑕疵识别。
应该理解的是，虽然图2和图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种半导体瑕疵识别装置，包括：第一接收模块100、确定模块200、图片获取模块300和识别模块400，其中：
第一接收模块100，用于接收待执行模型以及半导体层选择指令；
确定模块200，用于根据所述选择指令确定待执行模型和半导体层；
图片获取模块300，用于获取与所述半导体层对应的半导体图片，所述半导体图片是根据机台上传的初始图片按照分类维度进行分类得到的；
识别模块400，用于通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果。
在其中一个实施例中，上述半导体瑕疵识别装置还包括：
输出模块，用于输出所述半导体瑕疵结果至数据库；
第二接收模块，用于接收输入的半导体瑕疵结果修正指令；
修正模块，用于根据所述修正指令对所述半导体瑕疵结果进行修正，修正后的所述半导体瑕疵结果用于修正所述待执行模型。
在其中一个实施例中，上述半导体瑕疵识别装置还包括：
计算模块，用于计算所述待执行模型和修正后的所述待执行模型的对比维度数值；
生成模块，用于根据所计算的对比维度数值生成比较报表。
在其中一个实施例中，上述半导体瑕疵识别装置还包括：
训练数据获取模块，用于获取训练数据；
第一分类模块，用于按照分类维度对所述训练数据进行分类得到多组训练数据；
训练模块，用于分别对每一组训练数据进行训练得到对应的多个模型。
在其中一个实施例中，上述半导体瑕疵识别装置还包括：
预处理模块，用于对所述训练数据进行处理以剔除离群数据和/或相似数据。
在其中一个实施例中，上述半导体瑕疵识别装置还包括：
文件获取模块，用于获取机台输出的文件；
提取模块，用于从所述文件中提取初始图片以及待匹配信息；
第二分类模块，用于将所述待匹配信息相互匹配，若是匹配成功，则将初始图片按照分类维度进行分类，并将分类后的初始图片存储至数据库。
在其中一个实施例中，上述第二分类模块用于按照半导体层、产品标识以及菜单对所述初始图片进行分类。
关于半导体瑕疵识别装置的具体限定可以参见上文中对于半导体瑕疵识别方法的限定，在此不再赘述。上述半导体瑕疵识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储训练数据。该计算机设备的网络接口用于与外部的服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种半导体瑕疵识别方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：接收待执行模型以及半导体层选择指令；根据所述选择指令确定待执行模型和半导体层；获取与所述半导体层对应的半导体图片，所述半导体图片是根据机台上传的初始图片按照分类维度进行分类得到的；通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果。
在一个实施例中，处理器执行计算机程序时所实现的所述通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果之后，包括：输出所述半导体瑕疵结果至数据库；接收输入的半导体瑕疵结果修正指令；根据所述修正指令对所述半导体瑕疵结果进行修正，修正后的所述半导体瑕疵结果用于修正所述待执行模型。
在一个实施例中，处理器执行计算机程序时所实现的所述根据所述修正指令对所述半导体瑕疵结果进行修正之后，包括：计算所述待执行模型和修正后的所述待执行模型的对比维度数值；根据所计算的对比维度数值生成比较报表。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练数据；按照分类维度对所述训练数据进行分类得到多组训练数据；分别对每一组训练数据进行训练得到对应的多个模型。
在一个实施例中，处理器执行计算机程序时所实现的所述获取训练数据之后，包括：对所述训练数据进行处理以剔除离群数据和/或相似数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取机台输出的文件；从所述文件中提取初始图片以及待匹配信息；将所述待匹配信息相互匹配，若是匹配成功，则将初始图片按照分类维度进行分类，并将分类后的初始图片存储至数据库。
在一个实施例中，处理器执行计算机程序时所实现的所述将初始图片按照分类维度进行分类，包括：按照半导体层、产品标识以及菜单对所述初始图片进行分类。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：接收待执行模型以及半导体层选择指令；根据所述选择指令确定待执行模型和半导体层；获取与所述半导体层对应的半导体图片，所述半导体图片是根据机台上传的初始图片按照分类维度进行分类得到的；通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果。
在一个实施例中，计算机程序被处理器执行时所实现的所述通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果之后，包括：输出所述半导体瑕疵结果至数据库；接收输入的半导体瑕疵结果修正指令；根据所述修正指令对所述半导体瑕疵结果进行修正，修正后的所述半导体瑕疵结果用于修正所述待执行模型。
在一个实施例中，计算机程序被处理器执行时所实现的所述根据所述修正指令对所述半导体瑕疵结果进行修正之后，包括：计算所述待执行模型和修正后的所述待执行模型的对比维度数值；根据所计算的对比维度数值生成比较报表。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取训练数据；按照分类维度对所述训练数据进行分类得到多组训练数据；分别对每一组训练数据进行训练得到对应的多个模型。
在一个实施例中，计算机程序被处理器执行时所实现的所述获取训练数据之后，包括：对所述训练数据进行处理以剔除离群数据和/或相似数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取机台输出的文件；从所述文件中提取初始图片以及待匹配信息；将所述待匹配信息相互匹配，若是匹配成功，则将初始图片按照分类维度进行分类，并将分类后的初始图片存储至数据库。
在一个实施例中，计算机程序被处理器执行时所实现的所述将初始图片按照分类维度进行分类，包括：按照半导体层、产品标识以及菜单对所述初始图片进行分类。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种半导体瑕疵识别方法，其特征在于，所述方法包括：
接收待执行模型以及半导体层选择指令；
根据所述选择指令确定待执行模型和半导体层；
获取机台输出的klf文件，从所述klf文件中提取初始图片以及待匹配信息，klf文件分析器检查所述待匹配信息之间是否相互匹配，若是匹配成功，以作为正确的klf文件，所述待匹配信息包括：半导体层、产品标识以及菜单；
获取与所述半导体层对应的半导体图片，所述半导体图片是根据机台上传的初始图片按照分类维度进行分类得到的，所述待匹配信息相互匹配成功后将初始图片按照分类维度进行分类，包括：按照半导体层、产品标识以及菜单对所述初始图片进行分类；
基于正确的klf文件，通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果。
2.根据权利要求1所述的方法，其特征在于，所述通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果之后，包括：
输出所述半导体瑕疵结果至数据库；
接收输入的半导体瑕疵结果修正指令；
根据所述修正指令对所述半导体瑕疵结果进行修正，修正后的所述半导体瑕疵结果用于修正所述待执行模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述修正指令对所述半导体瑕疵结果进行修正之后，包括：
计算所述待执行模型和修正后的所述待执行模型的对比维度数值；
根据所计算的对比维度数值生成比较报表。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述方法还包括：
获取训练数据；
按照分类维度对所述训练数据进行分类得到多组训练数据；
分别对每一组训练数据进行训练得到对应的多个模型。
5.根据权利要求4所述的方法，其特征在于，所述获取训练数据之后，包括：
对所述训练数据进行处理以剔除离群数据和/或相似数据。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将分类后的初始图片存储至数据库。
7.一种半导体瑕疵识别装置，其特征在于，所述装置包括：
第一接收模块，用于接收待执行模型以及半导体层选择指令；
确定模块，用于根据所述选择指令确定待执行模型和半导体层；
还用于：
获取机台输出的klf文件，从所述klf文件中提取初始图片以及待匹配信息，klf文件分析器检查所述待匹配信息之间是否相互匹配，若是匹配成功，以作为正确的klf文件，所述待匹配信息包括：半导体层、产品标识以及菜单；
图片获取模块，用于获取与所述半导体层对应的半导体图片，所述半导体图片是根据机台上传的初始图片按照分类维度进行分类得到的，所述待匹配信息相互匹配成功后将初始图片按照分类维度进行分类，包括：按照半导体层、产品标识以及菜单对所述初始图片进行分类；
识别模块，用于基于正确的klf文件，通过所述待执行模型对所述半导体图片进行识别以得到半导体瑕疵结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202110799044.5A 2021-07-15 2021-07-15 半导体瑕疵识别方法、装置、计算机设备和存储介质 Active CN113743447B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110799044.5A CN113743447B (zh) 2021-07-15 2021-07-15 半导体瑕疵识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110799044.5A CN113743447B (zh) 2021-07-15 2021-07-15 半导体瑕疵识别方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113743447A CN113743447A (zh) 2021-12-03
CN113743447B true CN113743447B (zh) 2024-05-17

Family

ID=78728669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110799044.5A Active CN113743447B (zh) 2021-07-15 2021-07-15 半导体瑕疵识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113743447B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6456899B1 (en) * 1999-12-07 2002-09-24 Ut-Battelle, Llc Context-based automated defect classification system using multiple morphological masks
TWI642126B (zh) * 2017-06-30 2018-11-21 中華大學 半導體晶圓檢測系統及其方法
CN110060228A (zh) * 2017-12-19 2019-07-26 三星电子株式会社 用于分类半导体缺陷的半导体缺陷分类设备、方法及系统
CN111062920A (zh) * 2019-12-13 2020-04-24 北京百度网讯科技有限公司 用于生成半导体检测报告的方法及装置
CN111598833A (zh) * 2020-04-01 2020-08-28 江汉大学 一种目标样本瑕疵检测的方法、装置及电子设备
CN112014409A (zh) * 2020-10-25 2020-12-01 西安邮电大学 一种半导体蚀刻引线框架模具缺陷的检测方法及系统
CN112017986A (zh) * 2020-10-21 2020-12-01 季华实验室 半导体产品缺陷检测方法、装置、电子设备及存储介质
CN112102263A (zh) * 2020-08-31 2020-12-18 深圳思谋信息科技有限公司 缺陷检测模型生成系统、方法、装置和计算机设备
CN112424826A (zh) * 2018-07-13 2021-02-26 Asml荷兰有限公司 基于机器学习的图案分组方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001168160A (ja) * 1999-12-07 2001-06-22 Sony Corp 半導体ウェハの検査システム
JP5479782B2 (ja) * 2009-06-02 2014-04-23 株式会社日立ハイテクノロジーズ 欠陥画像処理装置、欠陥画像処理方法、半導体欠陥分類装置および半導体欠陥分類方法
US8595666B2 (en) * 2009-07-09 2013-11-26 Hitachi High-Technologies Corporation Semiconductor defect classifying method, semiconductor defect classifying apparatus, and semiconductor defect classifying program
US11668655B2 (en) * 2018-07-20 2023-06-06 Kla Corporation Multimode defect classification in semiconductor inspection
KR102631031B1 (ko) * 2018-07-27 2024-01-29 삼성전자주식회사 반도체 장치의 불량 검출 방법
US11010885B2 (en) * 2018-12-18 2021-05-18 Kla Corporation Optical-mode selection for multi-mode semiconductor inspection
US20210158223A1 (en) * 2019-11-22 2021-05-27 Kla Corporation Finding Semiconductor Defects Using Convolutional Context Attributes

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6456899B1 (en) * 1999-12-07 2002-09-24 Ut-Battelle, Llc Context-based automated defect classification system using multiple morphological masks
TWI642126B (zh) * 2017-06-30 2018-11-21 中華大學 半導體晶圓檢測系統及其方法
CN110060228A (zh) * 2017-12-19 2019-07-26 三星电子株式会社 用于分类半导体缺陷的半导体缺陷分类设备、方法及系统
CN112424826A (zh) * 2018-07-13 2021-02-26 Asml荷兰有限公司 基于机器学习的图案分组方法
CN111062920A (zh) * 2019-12-13 2020-04-24 北京百度网讯科技有限公司 用于生成半导体检测报告的方法及装置
CN111598833A (zh) * 2020-04-01 2020-08-28 江汉大学 一种目标样本瑕疵检测的方法、装置及电子设备
CN112102263A (zh) * 2020-08-31 2020-12-18 深圳思谋信息科技有限公司 缺陷检测模型生成系统、方法、装置和计算机设备
CN112017986A (zh) * 2020-10-21 2020-12-01 季华实验室 半导体产品缺陷检测方法、装置、电子设备及存储介质
CN112014409A (zh) * 2020-10-25 2020-12-01 西安邮电大学 一种半导体蚀刻引线框架模具缺陷的检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Wafer Map Defect Pattern Classification and Image Retrieval Using Convolutional Neural Network;Takeshi Nakazawa et al.;IEEE Transaction on Semiconductor Manufacturing;第31卷(第2期);全文 *
一种提高晶粒表面缺陷检测准确性的方法研究;赵春东等;传感技术学报;第33卷(第7期);全文 *
高速传送带上的工业元件瑕疵检测分类系统;葛迪;陈文韬;侯群;;电子测量技术(第10期);全文 *

Also Published As

Publication number Publication date
CN113743447A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN110472082B (zh) 数据处理方法、装置、存储介质及电子设备
US20160098636A1 (en) Data processing apparatus, data processing method, and recording medium that stores computer program
US11189019B2 (en) Method for detecting defects, electronic device, and computer readable medium
CN110852983A (zh) 用于检测半导体装置中的缺陷的方法
KR20170091716A (ko) 샘플링 및 특징 선택 없는 자동 결함 분류
JP2015087903A (ja) 情報処理装置及び情報処理方法
US7634131B2 (en) Image recognition apparatus and image recognition method, and teaching apparatus and teaching method of the image recognition apparatus
CN111310800B (zh) 图像分类模型生成方法、装置、计算机设备和存储介质
CN111583180B (zh) 一种图像的篡改识别方法、装置、计算机设备及存储介质
US11321633B2 (en) Method of classifying defects in a specimen semiconductor examination and system thereof
CN110705489B (zh) 目标识别网络的训练方法、装置、计算机设备和存储介质
CN115668286A (zh) 训练自动缺陷分类的检测仪器的方法与系统
CN116071309B (zh) 元器件的声扫缺陷检测方法、装置、设备和存储介质
CN114651172A (zh) 使用卷积上下文属性以寻找半导体缺陷
TWI714371B (zh) 晶圓圖的辨識方法與電腦可讀取記錄媒體
CN113723467A (zh) 用于缺陷检测的样本收集方法、装置和设备
CN113743447B (zh) 半导体瑕疵识别方法、装置、计算机设备和存储介质
CN112508193B (zh) 一种深度学习平台
US11120541B2 (en) Determination device and determining method thereof
CN111462059B (zh) 胎儿超声图像智能目标检测的并行处理方法和装置
CN113284141A (zh) 用于缺陷检测的模型确定方法、装置和设备
CN116664988B (zh) 图片自动标注方法、装置、计算机设备和存储介质
JP2020101900A (ja) 画像検査装置、画像検査のための学習方法および画像検査プログラム
WO2022030034A1 (ja) 画像から関心オブジェクトを同定するためのモデルを生成する装置、方法及びシステム
US11790270B2 (en) User-generated visual guide for the classification of images

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