CN114387232A - 一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法 - Google Patents
一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法 Download PDFInfo
- Publication number
- CN114387232A CN114387232A CN202111644462.3A CN202111644462A CN114387232A CN 114387232 A CN114387232 A CN 114387232A CN 202111644462 A CN202111644462 A CN 202111644462A CN 114387232 A CN114387232 A CN 114387232A
- Authority
- CN
- China
- Prior art keywords
- wafer
- edge
- contour
- notch
- contour line
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Analysis (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
Abstract
本发明提供一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法,方法包括:获取晶圆圆周图像,使用深度学习语义分割模型对图像进行二值化处理,筛选轮廓线得到晶圆边缘,获取晶圆缺口图像,使用深度学习语义分割模型对图像做二值化处理,筛选轮廓线得到晶圆缺口边缘曲线,进而获取晶圆缺口顶部边缘,拟合晶圆圆心和缺口圆心完成晶圆定位。本发明基于深度学习(Deep learning)语义分割的定位方法,精度高,无需先验信息,自动化高,能有效的提高晶圆定位精度,可以精确的测量晶圆圆心和缺口。
Description
技术领域
本发明涉及半导体制造领域,更具体地,涉及一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法。
背景技术
晶圆定位是集成电路的制造和检测领域中重要的环节。由于集成电路的缺陷检测、尺寸测量等需要在特定位置进行测量,需要保证该位置出现在测量设备的视野(FOV,Field of View)中,因此需要对晶圆进行定位。具体来说,是通过一定的方法,测量得到晶圆的圆心和缺口的位置,然后计算晶圆相对机台的旋转角,即可得到晶圆与机台的坐标转换关系,即包含晶圆圆心定位和晶圆缺口定位两个步骤。
目前,大多数的晶圆定位方法采用CCD等光学探测器作为图像采集设备,由于光学探测器的FOV较大,晶圆定位的精度不高。在后续使用较小的FOV检测缺陷时,定位的误差会导致缺陷偏离检测设备视野,最终导致缺陷漏检。对于刻有图形的晶圆,可以通过晶圆上的特殊图形进行更加准确的定位较准。但是,对于未刻图形的晶圆,无法获取额外的信息对定位进行校准。因此,需要提高晶圆圆心定位和缺口定位的精度。
发明内容
本发明针对现有技术中存在的技术问题,提供一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法。
根据本发明的第一方面,提供了一种晶圆圆心定位方法,包括:
获取晶圆圆周图像;
基于深度学习语义分割模型对所述晶圆圆周图像进行二值化处理,提取所述晶圆圆周图像中的所有轮廓线;
从所有轮廓线中筛选出晶圆边缘轮廓线;
基于所述晶圆边缘轮廓线,拟合得到晶圆圆心坐标。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述从所有轮廓线中筛选出晶圆边缘轮廓线,包括:
获取所有轮廓线的长度以及所述晶圆圆周图像的宽度或高度;
筛选满足如下条件的轮廓线为所述晶圆边缘轮廓线;
轮廓线的长度与所述晶圆圆周图像的宽度或高度的比值大于1且小于1.1。
可选的,所述提取每一条轮廓线的轮廓特征,包括:
基于任一条轮廓线上所有边缘点的横坐标、纵坐标、以及所述晶圆圆周图像的宽度和高度,计算所述任一条轮廓线上边缘点的离散程度;
根据所述任一条轮廓线上所有边缘点的横纵坐标以及轮廓线的二阶梯度,计算所述任一条轮廓线的弯曲程度;
根据所述任一条轮廓线上所有边缘点的横纵坐标,拟合得到直线方程,基于所述直线方程,计算直线拟合的残差平方和作为所述任一条轮廓线近似直线程度;
相应的,所述基于每一条轮廓线的轮廓特征,从所有轮廓线中筛选出晶圆边缘轮廓线,包括:
以所述任一条轮廓线上边缘点的离散程度、所述任一条轮廓线的弯曲程度以及所述任一条轮廓线近似直线程度中的一个或两个以上的组合的和作为所述任一条轮廓线的评分;
将评分最低的轮廓线作为晶圆边缘轮廓线。
可选的,所述基于所述晶圆边缘轮廓线,拟合得到晶圆圆心坐标,还包括:
将所述晶圆边缘轮廓线切割为多段子边缘线;
在所述多段子边缘线上选取多个边缘点;
基于选取的多个边缘点,拟合得到晶圆圆心坐标。
根据本发明的第二方面,提供一种晶圆缺口定位方法,包括:
获取晶圆缺口图像;
基于深度学习语义分割模型对所述晶圆缺口图像进行二值化,提取所述晶圆缺口图像中的所有轮廓线;
从所有轮廓线中筛选出晶圆缺口边缘曲线;
从所述晶圆缺口边缘曲线确定晶圆缺口的顶部边缘曲线;
基于所述晶圆缺口的顶部边缘曲线,拟合得到晶圆缺口圆心坐标。
可选的,所述从所有轮廓线中筛选出晶圆缺口边缘曲线,包括:
提取每一条轮廓线的轮廓特征,所述轮廓特征包括轮廓线的弯曲程度和近似二次曲线程度中任意一个或两个的组合;
基于每一条轮廓线的轮廓特征,从所有轮廓线中筛选出晶圆缺口边缘曲线。
可选的,所述提取每一条轮廓线的轮廓特征,包括:
根据任一条轮廓线上所有边缘点的横纵坐标及轮廓线的二阶梯度,计算所述任一条轮廓线的弯曲程度;
根据所述任一条轮廓线上所有边缘点的横纵坐标,拟合得到二次曲线方程,基于所述二次曲线方程,计算二次曲线拟合的残差平方和作为所述任一条轮廓线的近似二次曲线程度;
相应的,基于每一条轮廓线的轮廓特征,从所有轮廓线中筛选出晶圆缺口边缘曲线,包括:
所述任一条轮廓线的弯曲程度以及所述任一条轮廓线的近似二次曲线程度中一个或两个组合的和作为所述任一条轮廓线的评分;
将评分最低的轮廓线作为晶圆缺口边缘轮廓线。
可选的,所述从所述晶圆缺口边缘曲线确定晶圆缺口的顶部边缘曲线,包括:
获取所述晶圆缺口边缘曲线的所有边缘点的中心点,以所述中心点为基准,截取所述晶圆缺口边缘曲线,将所述晶圆缺口边缘曲线两侧边缘部分剔除,得到所述晶圆缺口的顶部边缘曲线。
可选的,基于所述晶圆缺口的顶部边缘曲线,拟合得到晶圆缺口圆心坐标,包括:
获取所述晶圆缺口的顶部边缘曲线上的所有顶部边缘点,构建多个顶部边缘点集合,且每个顶部边缘点集合包含的顶部边缘点不重合;
对每个顶部边缘点集合中的边缘点,拟合得到对应晶圆缺口圆心坐标;
将所有晶圆缺口圆心坐标求取平均值,得到最终的晶圆缺口圆心坐标。
根据本发明的第三方面,提供了一种晶圆定位校准方法,包括:
基于晶圆圆心定位方法,获取所述晶圆圆心坐标;
基于晶圆缺口定位方法,获取所述晶圆缺口的圆心坐标;
基于所述晶圆圆心坐标和所述晶圆缺口的圆心坐标,获取晶圆旋转角,完成晶圆定位校准。
本发明提供的一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法,获取晶圆圆周图像,使用深度学习语义分割模型对图像做二值化处理,筛选轮廓线得到晶圆边缘,获取晶圆缺口图像,使用深度学习语义分割模型对图像做二值化处理,筛选轮廓线得到晶圆缺口边缘曲线,确定晶圆缺口的顶部边缘曲线,拟合晶圆圆心和缺口圆心完成晶圆定位。本发明基于深度学习(Deep learning)语义分割的定位方法,精度高,无需先验信息,自动化高,能有效的提高晶圆定位精度,可以精确的测量晶圆圆心和缺口。
附图说明
图1为本发明提供的一种晶圆圆心定位方法流程图;
图2为晶圆圆心拟合示意图;
图3为晶圆缺口定位方法流程图;
图4为晶圆缺口粗定位中获取晶圆缺口顶部示意图;
图5为晶圆缺口圆形拟合示意图;
图6为本发明提供的一种晶圆圆心定位系统的结构示意图;
图7为本发明提供的一种晶圆缺口定位系统的结构示意图;
图8为本发明提供的一种可能的电子设备的硬件结构示意图;
图9为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
在晶圆圆心定位和晶圆缺口定位的实现过程中,采用CCD等光学探测器通过测量晶圆圆心和缺口进行晶圆定位得到的定位精度不高。对于无图形晶圆,由于晶圆中没有特殊图形,无法像有图形晶圆一样对定位再次校准得到高精度的定位。本发明提出了一种基于深度学习语义分割模型的晶圆定位方法,提高了晶圆定位精度。通常采用高倍率、高分辨率成像设备对晶圆定位,例如带电粒子束扫描成像设备(例如SEM、FIB-SEM等)、AFM成像设备等,为便于说明,本发明实施例以扫描电子显微镜获取SEM图像为例说明,可以理解的是,SEM图像并不用来限制本发明的范围。
实施例一
一种晶圆圆心定位方法,参见图1,该晶圆圆心定位方法主要包括以下步骤:
S1,获取晶圆圆周图像。
本发明实施例采用扫描电子束显微镜SEM对晶圆进行扫描,得到晶圆圆周SEM图像,后续处理均是基于晶圆圆周SEM图像进行的。
S2,基于深度学习语义分割模型对所述晶圆圆周图像进行二值化处理,提取所述晶圆圆周图像中的所有轮廓线。
可以理解的是,当扫描得到晶圆圆周SEM图像,从中提取轮廓线。具体的,对晶圆圆周SEM图像进行二值化处理,基于二值化图像提取其中的所有轮廓线。可以理解的是,可以对晶圆SEM图像进行去噪处理,将图像大小缩放到深度神经网络(DNN)模型的输入大小,例如512*512,基于深度学习语义分割模型对晶圆SEM图像中进行二值化处理,基于二值化的晶圆圆周SEM图像,可以获取晶圆边缘轮廓线。
所述晶圆圆周图像具有图像噪声大、模糊、明暗对比度变化大等特点。晶圆圆周图像中边缘部分可能存在缺陷,也可能出现与晶圆纹理相似的机台部分。使用传统计算机视觉方法,基于像素或者提取纹理等低层特征进行图像分割难以准确的获得晶圆边缘。而本发明使用深度学习语义分割模型对晶圆圆周图像进行二值化分割,由于深度语义分割模型提取了不同尺度、不同语义层次的图像特征,分割的边缘更加准确,平滑,且模型的鲁棒性高,泛化能力强,从而提高了晶圆圆心定位的准确性。
在一些实施例中,获取晶圆边缘轮廓线包括提取其中的所有轮廓线,从所有轮廓线中筛选出晶圆边缘轮廓线。
作为实施例,获取各个轮廓线的轮廓特征,所述轮廓特征包括轮廓线的长度、轮廓线上边缘点的离散程度、轮廓线的弯曲程度、轮廓线近似直线程度中的任意一个或两个以上的组合,基于轮廓特征从所有轮廓线中筛选出晶圆边缘轮廓线。
作为实施例,获取所有轮廓线的长度以及晶圆圆周图像的宽度或高度;轮廓线的长度与晶圆圆周图像的宽度或高度的比值大于1且小于1.1,则该轮廓线被筛选为晶圆边缘轮廓线。
即,轮廓线长度小于晶圆圆周图像的宽度或高度的被筛除,轮廓线长度远长于晶圆圆周图像的宽度或高度的被筛除,轮廓线上边缘点越离散被筛除,轮廓线越弯曲被筛除,轮廓线不近似直线被筛除。
可以理解的是,晶圆圆周SEM图像中包含晶圆边缘和机台部分,晶圆边缘中可能存在长条形的缺陷,机台部分也可能存在明显的轮廓纹理。这些缺陷、机台中的纹理会出现在二值化图像中,影响晶圆边缘轮廓的识别。考虑到晶圆边缘为平滑的圆弧,而缺陷或者机台纹理都是不规则非平滑的含有凹凸的曲线,本发明提出了一种轮廓线的评分方法来筛选晶圆边缘。晶圆边缘轮廓线近似直线且其长度与晶圆圆周图像宽度或高度相近,设计的评分方法从边缘点的离散程度、轮廓线的弯曲程度和轮廓线近似直线程度三个方面中的至少一个或两个以上组合,评价筛选晶圆边缘轮廓线。这种评分筛选轮廓线得到晶圆边缘轮廓线的方法能够提高模型对晶圆、机台、不同成像质量(比如,对于低信噪比的图像处理保持高精度)的图像的泛化能力,提高提取晶圆边缘轮廓线的能力、精度。
作为实施例,所述基于轮廓线上边缘点的离散程度、轮廓线的弯曲程度和轮廓线近似直线程度中的任意一个或两个以上的组合,从所有轮廓线中筛选出晶圆边缘轮廓线,包括:对于任一条轮廓线,基于所述任一条轮廓线上所有边缘点的横坐标中的最大值和最小值、纵坐标中的最大值和最小值、以及所述晶圆圆周图像的宽度和高度,计算所述任一条轮廓线上边缘点的离散程度Scored;根据所述任一条轮廓线上所有边缘点的横纵坐标以及轮廓线的二阶梯度计算所述任一条轮廓线的弯曲程度Scorec;根据所述任一条轮廓线上所有边缘点的横纵坐标,拟合得到直线方程,基于所述直线方程,计算直线拟合的残差平方和SSEline作为所述任一条轮廓线近似直线程度;相应的,所述基于每一条轮廓线的轮廓特征,从所有轮廓线中筛选出晶圆边缘轮廓线,包括:以所述任一条轮廓线上边缘点的离散程度Scored、所述任一条轮廓线的弯曲程度Scorec以及所述任一条轮廓线近似直线程度SSEline中的一个或两个以上的组合的和作为所述任一条轮廓线的评分。
可选的,基于所述任一条轮廓线上边缘点的离散程度、轮廓线的弯曲程度和近似直线程度中的任意一个,以轮廓线上边缘点的离散程度为例说明,所述任一条轮廓线的评分Scoreedge=Scored,Scoreedge为所述任一条轮廓线的评分;将评分最低的轮廓线作为晶圆边缘轮廓线。
可选的,基于所述任一条轮廓线上边缘点的离散程度、轮廓线的弯曲程度和近似直线程度中的任意两个以上的组合,计算所述任一条轮廓线的评分,以三个组合为例:Scoreedge=λdScored+λcScorec+λlineSSEline;其中,λd、λc、λline分别为Scored、Scorec和SSEline的权重,本发明实施例中,λd、λc、λline均取1。Scoreedge为所述任一条轮廓线的评分;将评分最低的轮廓线作为晶圆边缘轮廓线。
具体的,对于步骤S2从晶圆圆周图像中提取的所有轮廓线,通过评分筛选出晶圆边缘轮廓线,主要是基于轮廓线上边缘点的离散程度、轮廓线的弯曲程度和轮廓线近似直线程度等三个方面对每一条轮廓线进行衡量。
其中,每一条轮廓线由点列(xi,yi),i=1,…,N成构成。X、Y分别表示点列所有的横坐标集合、点列所有纵坐标集合,Xi、Yi为轮廓线第i点的x、y坐标。
作为实施例,轮廓线上边缘点的离散程度Scored由公式(1)-(3)得到。
Gapx=MAX(X)-MIN(X) (1);
其中,MAX(X)、MIN(X)为X中最大值和最小值。
Gapy=MAX(Y)-MIN(Y) (2);
其中,MAX(Y)、MIN(Y)为Y中最大值和最小值。
其中,STD(X)为X的标准差,STD(Y)为Y的标准差,W和H为图像的宽和高,Scored衡量轮廓线点列在x,y方向的离散程度。
作为实施例,轮廓线的弯曲程度Scorec由公式(4)-(10)得到。
Scoret=-N/(Tx+Ty) (7);
其中,Tx,Ty从轮廓线上出现拐点的次数来衡量轮廓线在x、y方向上的弯曲程度。
gi=(Yi-Yi-1)/(Xi-Xi-1) (8);
Scorec=λtScoret+λgScoreg (10);
其中,gi为轮廓线的二阶梯度,Scoreg从二阶梯度的角度来衡量轮廓线的弯曲程度。λt、λg分别为Scoret和Scoreg的权重,λt+λg=1,优选λt、λg均取0.5;Scoret表示以轮廓线上所有边缘点的横纵坐标取值变化衡量轮廓线的弯曲程度,Scoreg表示以轮廓线二阶梯度的角度衡量所述任一条轮廓线的弯曲程度。
作为实施例,直线拟合的残差平方和由公式(11)-(12)得到。
其中,SSEline为最小二乘拟合的残差平方和,作为所述任一条轮廓线近似直线程度。
以Scored、Scorec和SSEline三个中的任意一个或两个以上的组合,得到晶圆圆周轮廓线的评分Scoreedge。示例性的,以三个组合为例,则Scoreedge=λdScored+λcScorec+λlineSSEline,其中,
Scorec=λtScoret+λgScoreg,那么晶圆圆周轮廓线的评分Scoreedge的表达式为:
Scoreedge=λdScored+λtScoret+λgScoreg+λlineSSEline (13);
其中,λd、λt、λg、λline分别为Scored、Scoret、Scoreg和SSEline的权重,本发明实施例中,λd、λc、λline取1,λt+λg=1,优选的,λt、λg均取0.5。Scoreedge为晶圆圆周轮廓线的评分公式。
对于从晶圆圆周SEM图像中提取的所有轮廓线,对每一条轮廓线可选择上述任意一方法进行评分,得到对应分值,将分值最小的轮廓线作为晶圆边缘轮廓线。上述方法能够准确提取晶圆边缘轮廓线,提高了晶圆边缘轮廓线识别精度。
S3,基于所述晶圆边缘轮廓线,拟合得到晶圆圆心。
可选的,所述基于所述晶圆边缘轮廓线,拟合得到晶圆圆心坐标,包括:从所述晶圆边缘轮廓线获取至少三个边缘点坐标,根据所述至少三个边缘点坐标确定所述晶圆圆心坐标。
作为实施例,所述基于所述晶圆边缘轮廓线,拟合得到晶圆圆心坐标,包括:将所述晶圆边缘轮廓线切割为多段子边缘线,基于与评价每一条轮廓线相同的方法获取每段子边缘线的评分Scoreedge,从中确定多条最优子边缘线,示例性的,以晶圆边缘轮廓切割为10段子边缘线为例,选取其中5段评分Scoreedge最低的为最优子边缘线;在所述多条最优子边缘线上选取边缘点,示例性的,比如,从选取的5段最优子边缘线的每一段子边缘线上选取2个边缘点,总共选取10个边缘点;基于选取的边缘点,拟合晶圆的圆形形状,得到晶圆圆心坐标。
可选的,获取多个晶圆圆周图像,优选获取至少三个晶圆圆周图像,采用上述方法对其进行处理,分别提取对应的边缘点,从而拟合晶圆的圆形形状,得到晶圆圆心坐标。以获取三个晶圆圆周图像为例,所述三个晶圆圆周图像可以是均匀分布在晶圆圆周上,即三个晶圆图像对应的晶圆圆周位置与晶圆中心所成圆心角均大致为120度,可选的,三个晶圆图像对应的晶圆圆周位置与晶圆中心所成圆心角最小为90度。
可以理解的是,对于S2中确定的晶圆边缘轮廓线,本步骤将晶圆边缘轮廓线切割为多段子边缘线,比如,将晶圆边缘轮廓线等分为多段子边缘线,并对每一段子边缘线进行评分,选取最优的多段子边缘线,即评分Scoreedge最低的多段子边缘线。其中,对子边缘线的评分标准与前述对每一条轮廓线的评分标准相同,在此不再重复说明。
对于选取的最优的多段子边缘线,从中选取边缘点,比如,从每一段最优的子边缘线上选取若干边缘点,基于选取的所有边缘点,拟合晶圆的圆形形状,可参见图2,得到晶圆的圆心坐标。
实施例二
一种晶圆缺口定位方法,参见图3,该晶圆缺口定位方法主要包括以下步骤:
S1’,获取晶圆缺口图像;
作为实施例,可以先获取晶圆缺口的光学图像,基于所述晶圆缺口的光学图像,确定晶圆缺口顶端位置。
可以理解的是,为了提高晶圆缺口定位的精度,先对晶圆缺口进行粗定位,然后基于粗定位结果,对晶圆缺口进行细定位,粗定位的目的主要是获取晶圆缺口顶部位置。
粗定位的步骤主要包括:利用光学探测器获取晶圆缺口的光学图像;对晶圆缺口的光学图像进行去噪预处理;基于去噪预处理后的晶圆缺口的光学图像,对晶圆缺口的光学图像进行二值化处理,比如,可以采用大津法(OSTU)等,从二值化处理后的晶圆缺口的光学图像中提取所有轮廓线。从曲线弯曲程度和近似二次曲线程度两个方面综合评价所有的轮廓线,筛选轮廓线,得到晶圆缺口边缘曲线。
可以理解的是,由于光学探测器只能扫描大视野范围内的物体,因此,最终定位出来的晶圆位置不够精确,扫描电子束显微镜SEM能够扫描小视野范围内的晶圆。因此,本发明实施例采用扫描电子束显微镜SEM对晶圆缺口进行扫描,得到晶圆缺口SEM图像。
对于筛选出的晶圆缺口边缘曲线,选取晶圆缺口边缘曲线中的纵轴最高点为晶圆缺口顶端点位置,获取的晶圆缺口顶部位置见图4。由于晶圆缺口的旋转角度较小,这样选取的点的精度能够满足晶圆缺口粗定位的精度需求,即保证下一步晶圆缺口细定位中晶圆缺口顶端出现在SEM图中。
可选的,基于晶圆缺口粗定位过程中获取的晶圆缺口顶端位置,获取晶圆缺口图像。
可以理解的是,基于晶圆缺口粗定位确定的晶圆缺口顶端点位置,利用扫描电子束显微镜扫描晶圆缺口SEM图像,其中,粗定位确定的晶圆缺口顶端出现在晶圆缺口SEM图像中。可选择的,除了以上方法获取晶圆缺口SEM图像,还可以基于其他方法获取晶圆的SEM图像。比如,基于晶圆放置在载台上时晶圆缺口与扫描装置大体确定的位置关系,可以先用扫描装置获取低倍率扫描图像,获取包含晶圆缺口的扫描图像,根据晶圆缺口在低倍率扫描图像中的位置,然后连续调节扫描装置的放大倍率,逐步提高扫描装置的放大倍率,最终获取晶圆缺口的高放大倍率、高分辨率的扫描图像。
S2’,基于深度学习语义分割模型对所述晶圆缺口图像进行二值化,提取所述晶圆缺口图像中的所有轮廓线。
可以理解的是,对晶圆缺口SEM图像去噪,将图像大小缩放到深度神经网络(DNN)模型的输入大小,例如512*512,基于深度学习语义分割模型对晶圆缺口SEM图像中进行二值化,从二值化的晶圆缺口SEM图像中获取所有轮廓线。
本发明使用深度学习语义分割模型对晶圆缺口SEM图像进行二值化分割,由于深度语义分割模型提取了不同尺度、不同语义层次的图像特征,分割的边缘更加准确,平滑,且模型的鲁棒性高,泛化能力强,提高了晶圆缺口边缘曲线识别精度。
S3’,从所有轮廓线中筛选出晶圆缺口边缘曲线。
作为实施例,所述从所有轮廓线中筛选出晶圆缺口边缘曲线,包括:提取每一条轮廓线的轮廓特征,所述轮廓特征包括轮廓线的弯曲程度和近似二次曲线程度中任意一个或两个的组合;基于每一条轮廓线的轮廓特征,从所有轮廓线中筛选出晶圆缺口边缘曲线。
可以理解的是,晶圆缺口的轮廓线近似二次曲线,本发明实施例的晶圆缺口的轮廓线的评分方法从曲线的弯曲程度、近似二次曲线程度评价筛选晶圆缺口轮廓线。这种评分筛选轮廓线得到晶圆边缘的方法能够提高模型对晶圆、机台、不同成像质量的图像的泛化能力,从而提高了晶圆缺口的定位精度。
作为实施例,所述提取每一条轮廓线的轮廓特征,包括:根据任一条轮廓线上所有边缘点的横纵坐标的取值范围变化以及轮廓线的二阶梯度,计算所述任一条轮廓线的弯曲程度Scorec;根据所述任一条轮廓线上所有边缘点的横纵坐标,拟合得到二次曲线方程,基于所述二次曲线方程,计算二次曲线拟合的残差平方和SSEcurve作为所述任一条轮廓线的近似二次曲线程度;相应的,基于每一条轮廓线的轮廓特征,从所有轮廓线中筛选出晶圆缺口边缘曲线,包括:所述任一条轮廓线的弯曲程度Scorec以及所述任一条轮廓线的近似二次曲线程度SSEcurve中一个或两个组合的和作为所述任一条轮廓线的评分;将评分最低的轮廓线作为晶圆缺口边缘轮廓线。
具体的,对于从晶圆缺口SEM图像中提取的每一条轮廓线,计算其弯曲程度和近似二次曲线程度,其中,轮廓线的弯曲程度Scorec可通过公式(10)来衡量。对于近似二次曲线程度的计算,由于晶圆缺口曲线近似于二次曲线,因此,基于轮廓线上的边缘点进行二次曲线拟合:
ycurve=w0+w1x+w2x2 (14);
其中,SSEcurve为最小二乘拟合得到的一元二次方程的残差平方和,作为近似二次曲线程度。
Scorenotch=λcScorec+λcurveSSEcurve (16);
其中,λc、λcurve分别为Scorec和SSEcurve的权重,Scorenotch为晶圆缺口轮廓线的评分公式。本发明实施例中,λc、λcurve均取1。
对于每一条晶圆缺口轮廓线,根据公式(16)对其进行评分,得到对应的分值,将分值最低的轮廓线作为晶圆缺口边缘曲线。
在另一实施例中,可以选择基于轮廓线的弯曲程度或者近似二次曲线程度之一作为评分依据,从所有轮廓线中筛选出晶圆缺口边缘曲线。以采用基于轮廓线近似二次曲线程度作为评分依据,采用上述相同方法获取任一轮廓线近似二次曲线程度SSEcurve,此时评分为Scorenotch=SSEcurve,将分值最低的轮廓线作为晶圆缺口边缘曲线。
以采用基于轮廓线弯曲程度作为评分依据,采用上述相同方法获取任一轮廓线的弯曲程序Scorec,此时评分为Scorenotch=Scorec,将评分最低的轮廓线作为晶圆缺口边缘曲线。
S4’,从所述晶圆缺口边缘曲线中确定晶圆缺口的顶部边缘曲线。
通过上述步骤S3’获取晶圆缺口边缘曲线,本步骤获取所述晶圆缺口边缘曲线的所有边缘点的中心点,以所述中心点为基准,截取所述晶圆缺口边缘曲线,将所述晶圆缺口边缘曲线两侧边缘部分剔除,得到所述晶圆缺口的顶部边缘曲线。示例性的,以所有边缘点的中心点为基准,左右两侧对称截取晶圆缺口边缘曲线,将两侧对称的边缘部分剔除,仅保留中心点为基准的曲线部分即为缺口的顶部边缘曲线。如图5所示,图中虚线框为获取的晶圆缺口的顶部边缘曲线。
S5’,基于晶圆缺口的顶部边缘曲线,拟合得到晶圆缺口圆心坐标。
作为实施例,所述基于晶圆缺口的顶部边缘曲线,拟合得到晶圆缺口圆心坐标,包括:获取顶部边缘曲线上的所有顶部边缘点,构建多个顶部边缘点集合,每个顶部边缘点集合包含的顶部边缘点不重合,对每个顶部边缘点集合中的边缘点,拟合得到对应晶圆缺口圆心坐标;将所有晶圆缺口圆心坐标求取平均值,得到最终的晶圆缺口圆心坐标。如图5所示,基于虚线框内的晶圆顶部缺口的顶部边缘曲线,拟合得到对应的圆,该圆的圆心坐标即为晶圆缺口的圆心坐标,示例性的,图5仅示出了一个顶部边缘点集合的拟合结果。
可以理解的是,由于晶圆缺口处可能存在缺陷,图像二值化后筛选得到的晶圆缺口轮廓线可能有凹凸,不够平滑,导致拟合的圆不够准确。本发明通过去除缺口边缘曲线的边缘部分,通过基于晶圆缺口的顶部边缘曲线,选取多组顶部边缘点集合,分别拟合,得到多个晶圆缺口圆心坐标,最后对圆心点集中所有的圆心坐标取平均得到晶圆缺口圆心坐标。这种方法能够增加方法寻找晶圆缺口圆心的准确性和鲁棒性。
实施例三
一种晶圆定位校准方法,需要获取晶圆圆心坐标和晶圆缺口的圆心坐标。其中,晶圆圆心坐标可由实施例一的方法获取,晶圆缺口的圆心坐标可由实施例二的方法获取。
基于晶圆圆心坐标和晶圆缺口的圆心坐标,计算得到晶圆旋转角,从而完成晶圆定位校准。
由晶圆圆心坐标和晶圆缺口的圆心坐标,可以得到两个圆心坐标连线与晶圆载台坐标系y轴方向上的夹角,即为晶圆的旋转角,从而可以调整晶圆的位置和角度,完成晶圆的定位校准。
实施例四
一种晶圆圆心定位系统,参见图6,该晶圆圆心定位系统包括第一获取模块601、第一提取模块602、第一筛选模块603和第一拟合模块604。
其中,第一获取模块601,用于获取晶圆圆周图像;第一提取模块602,用于基于深度学习语义分割模型对所述晶圆圆周图像进行二值化处理,提取所述晶圆圆周图像中的所有轮廓线;第一筛选模块603,用于从所有轮廓线中筛选出晶圆边缘轮廓线;第一拟合模块604,用于基于所述晶圆边缘轮廓线,拟合得到晶圆圆心坐标。
可以理解的是,本发明提供的一种晶圆圆心定位系统与前述各实施例提供的晶圆圆心定位方法相对应,晶圆圆心定位系统的相关技术特征可参考晶圆圆心定位方法的相关技术特征,在此不再赘述。
实施例五
一种晶圆缺口定位系统,参见图7,该晶圆缺口定位系统包括第二获取模块701、第二提取模块702、第二筛选模块703、确定模块704和第二拟合模块705。
其中,第二获取模块701,用于获取晶圆缺口图像;第二提取模块702,用于基于深度学习语义分割模型对所述晶圆缺口图像进行二值化,提取所述晶圆缺口图像中的所有轮廓线;第二筛选模块703,用于从所有轮廓线中筛选出晶圆缺口边缘曲线;确定模块704,用于从所述晶圆缺口边缘曲线确定晶圆缺口的顶部边缘曲线;第二拟合模块705,用于基于所述晶圆缺口的顶部边缘曲线,拟合得到晶圆缺口圆心坐标。
可以理解的是,本发明提供的一种晶圆缺口定位系统与前述各实施例提供的晶圆缺口定位方法相对应,晶圆缺口定位系统的相关技术特征可参考晶圆缺口定位方法的相关技术特征,在此不再赘述。
实施例六
请参阅图8,图8为本发明实施例提供的电子设备的实施例示意图。如图8所示,本发明实施例提了一种电子设备800,包括存储器810、处理器820及存储在存储810上并可在处理器820上运行的计算机程序811,处理器820执行计算机程序811时实现实施例一的晶圆圆心定位方法、实施例二的晶圆缺口定位方法或实施例三的晶圆定位校准方法。
实施例七
请参阅图9,图9为本发明提供的一种计算机可读存储介质的实施例示意图。如图9所示,本实施例提供了一种计算机可读存储介质900,其上存储有计算机程序911,该计算机程序911被处理器执行时实现实施例一的晶圆圆心定位方法或实施例二的晶圆缺口定位方法、实施例三的的晶圆定位校准方法。
本发明实施例提供的一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法,获取晶圆边缘的SEM图像,使用深度学习语义分割模型对图像做二值化处理,通过评分筛选轮廓线得到晶圆边缘,用最小二乘法拟合晶圆圆心;使用光学探测器对晶圆缺口粗定位,利用粗定位的结果获取晶圆缺口SEM图,使用深度学习语义分割模型对图像做二值化处理,通过评分筛选轮廓线得到晶圆缺口边缘曲线,拟合晶圆缺口圆心完成晶圆缺口细定位;以及基于获取的晶圆圆心和晶圆缺口圆心,对晶圆定位进行校准。本发明公开了一种基于扫描电子束显微镜(SEM)和深度学习(Deep learning)的晶圆定位方法,可以精确的测量晶圆圆心和缺口;提高了晶圆定位的精度,将定位精度提升两个数量级,从100μm提升到5μm,且无需人为干预或其它先验信息,能自动测量晶圆圆心和缺口。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (11)
1.一种晶圆圆心定位方法,其特征在于,包括:
获取晶圆圆周图像;
基于深度学习语义分割模型对所述晶圆圆周图像进行二值化处理,提取所述晶圆圆周图像中的所有轮廓线;
从所有轮廓线中筛选出晶圆边缘轮廓线;
基于所述晶圆边缘轮廓线,拟合得到晶圆圆心坐标。
2.根据权利要求1所述的晶圆圆心定位方法,其特征在于,所述从所有轮廓线中筛选出晶圆边缘轮廓线,包括:
获取所有轮廓线的长度以及所述晶圆圆周图像的宽度或高度;
筛选满足如下条件的轮廓线为所述晶圆边缘轮廓线:
轮廓线的长度与所述晶圆圆周图像的宽度或高度的比值大于1且小于1.1。
3.根据权利要求1或2所述的晶圆圆心定位方法,其特征在于,从所有轮廓线中筛选出晶圆边缘轮廓线,还包括:
提取每一条轮廓线的轮廓特征,所述轮廓特征包括轮廓线上边缘点的离散程度、轮廓线的弯曲程度和轮廓线近似直线程度中的任意一个或两个以上的组合;
基于每一条轮廓线的轮廓特征,从所有轮廓线中筛选出晶圆边缘轮廓线。
4.根据权利要求3所述的晶圆圆心定位方法,其特征在于,所述提取每一条轮廓线的轮廓特征,包括:
基于任一条轮廓线上所有边缘点的横坐标、纵坐标、以及所述晶圆圆周图像的宽度和高度,计算所述任一条轮廓线上边缘点的离散程度;
根据所述任一条轮廓线上所有边缘点的横纵坐标以及轮廓线的二阶梯度,计算所述任一条轮廓线的弯曲程度;
根据所述任一条轮廓线上所有边缘点的横纵坐标,拟合得到直线方程,基于所述直线方程,计算直线拟合的残差平方和作为所述任一条轮廓线近似直线程度;
相应的,所述基于每一条轮廓线的轮廓特征,从所有轮廓线中筛选出晶圆边缘轮廓线,包括:
以所述任一条轮廓线上边缘点的离散程度、所述任一条轮廓线的弯曲程度以及所述任一条轮廓线近似直线程度中的一个或两个以上的组合的和作为所述任一条轮廓线的评分;
将评分最低的轮廓线作为晶圆边缘轮廓线。
5.根据权利要求4所述的晶圆圆心定位方法,基于所述晶圆边缘轮廓线,拟合得到晶圆圆心坐标,包括:
将所述晶圆边缘轮廓线切割为多段子边缘线;
在所述多段子边缘线上选取多个边缘点;
基于选取的多个边缘点,拟合得到晶圆圆心坐标。
6.一种晶圆缺口定位方法,其特征在于,包括:
获取晶圆缺口图像;
基于深度学习语义分割模型对所述晶圆缺口图像进行二值化,提取所述晶圆缺口图像中的所有轮廓线;
从所有轮廓线中筛选出晶圆缺口边缘曲线;
从所述晶圆缺口边缘曲线确定晶圆缺口的顶部边缘曲线;
基于所述晶圆缺口的顶部边缘曲线,拟合得到晶圆缺口圆心坐标。
7.根据权利要求6所述的晶圆缺口定位方法,其特征在于,所述从所有轮廓线中筛选出晶圆缺口边缘曲线,包括:
提取每一条轮廓线的轮廓特征,所述轮廓特征包括轮廓线的弯曲程度和近似二次曲线程度中任意一个或两个的组合;
基于每一条轮廓线的轮廓特征,从所有轮廓线中筛选出晶圆缺口边缘曲线。
8.根据权利要求7所述的晶圆缺口定位方法,其特征在于,所述提取每一条轮廓线的轮廓特征,包括:
根据任一条轮廓线上所有边缘点的横纵坐标及轮廓线的二阶梯度,计算所述任一条轮廓线的弯曲程度;
根据所述任一条轮廓线上所有边缘点的横纵坐标,拟合得到二次曲线方程,基于所述二次曲线方程,计算二次曲线拟合的残差平方和作为所述任一条轮廓线的近似二次曲线程度;
相应的,基于每一条轮廓线的轮廓特征,从所有轮廓线中筛选出晶圆缺口边缘曲线,包括:
所述任一条轮廓线的弯曲程度以及所述任一条轮廓线的近似二次曲线程度中一个或两个组合的和作为所述任一条轮廓线的评分;
将评分最低的轮廓线作为晶圆缺口边缘轮廓线。
9.根据权利要求7所述的晶圆缺口定位方法,其特征在于,从所述晶圆缺口边缘曲线确定晶圆缺口的顶部边缘曲线,包括:
获取所述晶圆缺口边缘曲线的所有边缘点的中心点,以所述中心点为基准,截取所述晶圆缺口边缘曲线,将所述晶圆缺口边缘曲线两侧边缘部分剔除,得到所述晶圆缺口的顶部边缘曲线。
10.根据权利要求6所述的晶圆缺口定位方法,其特征在于,基于所述晶圆缺口的顶部边缘曲线,拟合得到晶圆缺口圆心坐标,包括:
获取所述晶圆缺口的顶部边缘曲线上的所有顶部边缘点,构建多个顶部边缘点集合,且每个顶部边缘点集合包含的顶部边缘点不重合;
对每个顶部边缘点集合中的边缘点,拟合得到对应晶圆缺口圆心坐标;
将所有晶圆缺口圆心坐标求取平均值,得到最终的晶圆缺口圆心坐标。
11.一种晶圆定位校准方法,其特征在于,所述校准方法包括:
基于权利要求1-5任一项所述的晶圆圆心定位方法,获取所述晶圆圆心坐标;
基于权利要求6-10任一项所述的晶圆缺口定位方法,获取所述晶圆缺口的圆心坐标;
基于所述晶圆圆心坐标和所述晶圆缺口的圆心坐标,获取晶圆旋转角,完成晶圆定位校准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111644462.3A CN114387232A (zh) | 2021-12-29 | 2021-12-29 | 一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111644462.3A CN114387232A (zh) | 2021-12-29 | 2021-12-29 | 一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114387232A true CN114387232A (zh) | 2022-04-22 |
Family
ID=81199457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111644462.3A Pending CN114387232A (zh) | 2021-12-29 | 2021-12-29 | 一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387232A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563419A (zh) * | 2023-07-11 | 2023-08-08 | 上海孤波科技有限公司 | 晶圆图配置数据的修正方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-29 CN CN202111644462.3A patent/CN114387232A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563419A (zh) * | 2023-07-11 | 2023-08-08 | 上海孤波科技有限公司 | 晶圆图配置数据的修正方法、装置、电子设备及存储介质 |
CN116563419B (zh) * | 2023-07-11 | 2023-09-19 | 上海孤波科技有限公司 | 晶圆图配置数据的修正方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3524853B2 (ja) | パターン検査装置、パターン検査方法および記録媒体 | |
JP6598162B2 (ja) | 線形クラスタリングに基づくマルチタイプのbgaチップの視覚識別方法 | |
US9188554B2 (en) | Pattern inspection device and pattern inspection method | |
US7983471B2 (en) | Pattern inspection apparatus and method | |
US7817844B2 (en) | Pattern inspection apparatus and method | |
US9858659B2 (en) | Pattern inspecting and measuring device and program | |
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
US20130010100A1 (en) | Image generating method and device using scanning charged particle microscope, sample observation method, and observing device | |
EP1279923A2 (en) | Method and apparatus for circuit pattern inspection | |
JP2011017705A (ja) | パターン検査装置、パターン検査方法および記録媒体 | |
KR20090066212A (ko) | 결함 검출 방법 및 결함 검출 장치 | |
CN112686920A (zh) | 一种圆形零件几何尺寸参数视觉测量方法及系统 | |
US20110164129A1 (en) | Method and a system for creating a reference image using unknown quality patterns | |
US6295384B1 (en) | Removing noise caused by artifacts from a digital image signal | |
JP4233556B2 (ja) | 画像補正装置、パターン検査装置、画像補正方法、及び、パターン検査方法 | |
CN116503316A (zh) | 一种基于图像处理的芯片缺陷量测方法及系统 | |
CN115298539A (zh) | 外观检查系统和计算机程序 | |
CN112085708A (zh) | 产品外轮廓中的直线边缘的缺陷检测方法及设备 | |
JP2008040705A (ja) | ぼかしフィルタ設計方法 | |
CN114387232A (zh) | 一种晶圆圆心定位、晶圆缺口定位及晶圆定位校准方法 | |
CN109148433B (zh) | 用于确定集成电路器件的尺寸的方法和设备 | |
CN116563298B (zh) | 基于高斯拟合的十字线中心亚像素检测方法 | |
JP4597509B2 (ja) | パターン検査装置およびパターン検査方法 | |
CN116597016A (zh) | 一种光纤内窥镜图像标定方法 | |
CN109084721B (zh) | 用于确定半导体器件中的目标结构的形貌参数的方法和设备 |
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 |