CN114913119A - 一种半导体晶圆检测工艺中的自动探针状态识别方法 - Google Patents

一种半导体晶圆检测工艺中的自动探针状态识别方法 Download PDF

Info

Publication number
CN114913119A
CN114913119A CN202210203418.7A CN202210203418A CN114913119A CN 114913119 A CN114913119 A CN 114913119A CN 202210203418 A CN202210203418 A CN 202210203418A CN 114913119 A CN114913119 A CN 114913119A
Authority
CN
China
Prior art keywords
pad
image
rpa
probe
needle
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.)
Granted
Application number
CN202210203418.7A
Other languages
English (en)
Other versions
CN114913119B (zh
Inventor
贾德礼
陈湘芳
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 Corelli Software Co ltd
Original Assignee
Shanghai Corelli Software 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 Corelli Software Co ltd filed Critical Shanghai Corelli Software Co ltd
Priority to CN202210203418.7A priority Critical patent/CN114913119B/zh
Publication of CN114913119A publication Critical patent/CN114913119A/zh
Application granted granted Critical
Publication of CN114913119B publication Critical patent/CN114913119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)

Abstract

本发明公开了一种半导体晶圆检测工艺中的自动探针状态识别方法。它包括RPA服务器、KVM交换机、图像识别引擎和制造机台；在RPA服务器上增设与图像识别引擎连接的接口，RPA与图像识别引擎连接并进行数据交换；晶圆芯片pad置于测试机探针下方；RPA通过KVM获得制造机台拍摄到的产品图像，然后向图像识别引擎发送识别任务；图像识别引擎根据RPA获得的产品图像，通过图像自动识别算法对图像中的Pad位置、十字准星位置以及探针在Pad上的测试痕迹进行目标定位检测和类别识别，然后将识别结果返回给RPA；RPA获得识别结果后，根据提前设置的报警规则，决定是否向用户报警。本发明能有效提高生产流程的自动化水平。

Description

一种半导体晶圆检测工艺中的自动探针状态识别方法
技术领域
本发明属于半导体晶圆检测技术领域，涉及一种半导体晶圆检测工艺中的自动探针状态识别方法。
背景技术
在半导体生产过程的质检环节包括晶圆检测这个步骤。晶圆检测是指通过探针台和测试机配合使用，对晶圆上的裸芯片进行功能检测和电参数测试，其检测过程为：探针台将晶圆逐片自动传送至测试机的测试位置，将芯片的pad点(芯片输入输出的管脚)通过探针与测试机的功能模块进行连接，测试机对芯片施加输入信号并采集输出信号，判断芯片功能和性能是否达到设计规范要求。测试机的探针属于消耗品，在对芯片的pad点多次扎针之后，可能会出现断针或者针弯曲现象，导致产品测试流程的中断。
目前，判断探针是否弯曲或者断掉完全依赖人工目检，因此，极大地降低了生产线自动化水平和生产效率。也就是说，目前该技术的流程只能通过工人来确定探针是否出现异常，因此，整个RPA(机器人流程自动化)程序无法完全自动化，成为进一步提高半导体生产过程自动化的瓶颈。
发明内容
本发明的目的在于，克服现有技术的不足，提供一种能极大提升生产线自动化水平与生产效率的半导体晶圆检测工艺中的自动探针状态识别方法。该方法通过人工智能算法对探针扎针后的半导体产品进行针痕相关检测，进而自动判断探针是否有弯曲或者断掉的情况，能极大提升生产线自动化水平与生产效率。
本发明的目的是通过以下技术方案实现的：
本发明一种半导体晶圆检测工艺中的自动探针状态识别方法如下：
它包括设置RPA服务器、KVM交换机、图像识别引擎和制造机台；RPA服务器通过KVM交换机与制造机台连接并进行数据交换；RPA服务器上安装有RPA程序；在RPA服务器上增设与图像识别引擎(图像自动识别模块)连接的接口；RPA服务器与图像识别引擎连接并进行数据交换；所述制造机台包括探针台、测试机；半导体晶圆置于探针台上，晶圆上的芯片的输入输出管脚pad位于测试机的探针正下方；
RPA服务器通过KVM交换机获得制造机台拍摄到的产品照片信息(产品图像)，然后向图像识别引擎发送识别任务；接到识别任务后，图像识别引擎根据RPA服务器获得的产品图像，通过人工智能算法(即图像自动识别算法)对图像中的Pad位置、十字准星(机台对针校准用的光标)位置以及探针在Pad上的测试痕迹进行目标定位检测和类别识别，然后将识别结果信息返回给RPA服务器；RPA服务器获得识别结果之后，根据提前设置的报警规则，决定是否向用户产生报警信息。
进一步地，所述的图像识别引擎提供pad检测定位、针痕检测定位两项功能：
(1)Pad检测定位，是在检测机台对针阶段，用来判断扎针前，探针是否正对pad(芯片的输入输出管脚)中央；
(2)针痕检测定位，主要用于探针扎针之后，判断pad上是否有针痕，以及针痕是否在pad正中央。
进一步地，所述的图像自动识别算法采用基于深度学习的faster-rcnn算法对图像中的目标进行检测。
进一步地，RPA服务器上的RPA程序通过KVM交换机远程监控制造机台设备，根据制造机台拍摄到的产品照片信息(根据制造机台的画面)，并配合图像识别引擎，自动完成整个对针以及针痕检测质检流程：
在对针阶段：RPA程序将需要对针前的画面(产品图像)传给图像识别引擎，然后根据图像识别引擎返回来的pad位置以及十字准星位置，判断探针是否对准pad正中央；
在针痕检测阶段：机台对针完成后，即自动对晶圆产品完成扎针检测动作，扎针(将测试机的探针扎入晶圆上的芯片的输入输出管脚pad)之后，RPA服务器上的RPA程序将制造机台镜头拍摄到的产品图像发送给图像识别引擎，图像识别引擎对产品图像进行检测识别，并将判图(检测识别)结果返回给RPA程序。
进一步地，所述的图像自动识别算法把图像中的十字准星(机台对针校准用的光标)、Pad(芯片的输入输出管脚)以及针痕当作是几类特殊的目标，同时进行目标定位检测和类别识别，这样就可以利用现有目标检测算法本身的检测和识别能力，端到端地一步就同时获得图像中各种目标的位置、类型，以及大小，并能通过目标之间的位置大小计算出相互的关系，比如：针痕是否在pad上；图像自动识别算法检测出pad和十字准星的位置之后，根据十字准星和pad之间的相对位置，进行对针判断。
进一步地，图像自动识别算法将检测出的十字准星坐标的正中心与检测到的每个pad的正中心进行位置对比，如果十字准星与任意pad的中心匹配，即表明探针已经与pad正中对准，否则的话，图像自动识别算法就将探针与pad没有对准的信息返回给RPA程序，由RPA程序产生报警。
进一步地，在针痕检测阶段，RPA程序会将十字准星一次移动一个pad的距离，造成十字准星对针痕的遮挡，给针痕识别造成了巨大的困难；另外，由于探针每次扎针深浅不一，在扎针比较浅的情况下，针痕也非常不明显；另外，pad本身也有背景图案，对针痕本身造成了很大干扰；
图像识别引擎(图像自动识别算法)解决十字准星对针痕的遮挡、扎针较浅情况下针痕非常不明显、pad本身背景图案对针痕本身造成干扰等问题的方案流程如下：
图像识别引擎(图像自动识别算法)从RPA服务器上获得制造机台的操作图片之后，先通知RPA程序把十字准星移开一个固定的距离，使得十字准星不再遮挡pad正中央的针痕，然后，截取十字准星周围的一个小区域(局部区域)，这个局部区域包含离十字准星最近的一个pad，然后对这个局部区域进行图像识别，获取十字准星的位置和针痕的位置，之后，通过十字准星的偏移量与针痕的位置判断针痕是否在pad正中央，如果针痕不在pad正中央，则通知RPA程序对用户报警，否则流程继续，获得十字准星移动到下一个pad的机台画面(产品图像)。
进一步地，通过不断地收集针痕的图片，对图像自动识别算法进行反复训练和优化。
本发明的有益效果：
本发明采用RPA(机器人流程自动化)服务器与图像自动识别算法相结合的方式，能够极大地提高RPA服务器的工作范围，使得以前不能自动化操作的部分，主要是跟图像识别相关的流程，得以合并入RPA服务器的自动操作步骤中，提高了RPA服务器的适应性，进一步减小了工厂的人力需求，提升了工厂的工作效率，提升了制造工厂的智能化自动化程度，达到了工厂减员增效的目的。在现有系统条件下，通过此技术，能有效提高产品生产和操作的效率，进一步提高生产流程的自动化水平。
本发明的半导体晶圆检测工艺中的自动探针状态识别方法，与现有技术相比，具有以下优点：
1.本发明的技术，能够自动定位设备拍摄到的pad(芯片的输入输出管脚)位置。
2.本发明的技术，能够自动检测pad上是否有针痕，如果针痕不在pad正中央或者没有pad，自动产生报警。
3.本发明中的图像识别引擎，采用集中式处理算法，能够同时处理多个机台的缺陷消除请求。
4.本发明中的图像识别引擎，采用先进的人工智能处理算法，准确率高，计算速度快。
附图说明
图1是本发明的半导体晶圆检测工艺中的自动探针状态识别系统的系统组成示意图；
图2是本发明中扎针前的pad样例1的图像；
图3是本发明中扎针前的pad样例2的图像；
图4是本发明中扎针后的针痕样例1的图像；
图5是本发明中扎针后的针痕样例2的图像；
图6是本发明中对针前输入图片的图像；
图7是本发明中算法检测识别结果的图像；
图8是本发明中扎针后输入图片的图像；
图9是图8中的图像向左移动一个pad后的图像；
图10-图13是本发明中pad本身背景图案对针痕本身造成干扰的样例图片；
图14是本发明中解决pad本身背景图案对针痕本身造成干扰的方案流程图；
图15是本发明中的十字准星偏移后的图片；
图16是本发明中的图像识别引擎对图15中的图片识别的结果图；
图17-图22是本发明中浅针痕的检测识别结果样例图片。
图中：1、pad正中央 2、针痕 3、 4、 5、 6、 7、 8、 9、
具体实施方式
以下结合附图和实施例对本发明作进一步的说明。
实施例
如图1所示，本发明一种半导体晶圆检测工艺中的自动探针状态识别方法如下：
它包括设置RPA服务器、KVM交换机、图像识别引擎和制造机台；RPA服务器通过KVM交换机与制造机台连接并进行数据交换；RPA服务器上安装有RPA程序(RPA程序是现有的，未做改进)；在RPA服务器上增加一个与图像识别引擎(图像自动识别模块)连接的接口；RPA服务器与图像识别引擎连接并进行数据交换；所述制造机台包括探针台、测试机；半导体晶圆置于探针台上，晶圆上的芯片的输入输出管脚pad位于测试机的探针正下方；图像识别引擎采用人工智能算法即图像自动识别算法对图像中的Pad位置，十字准星位置及探针在Pad上的测试痕迹进行目标定位检测和类别识别；
RPA服务器通过KVM交换机获得制造机台拍摄到的产品照片信息，然后向图像识别引擎发送识别任务；接到识别任务后，图像识别引擎根据RPA服务器获得的产品图像，通过人工智能算法(图像自动识别算法)对图像中的Pad位置、十字准星位置以及探针在Pad上的测试痕迹进行目标定位检测和类别识别，然后将识别结果信息返回给RPA服务器；RPA服务器获得识别结果之后，根据提前设置的报警规则，决定是否向用户产生报警信息。
本发明采用RPA(机器人流程自动化)服务器与图像自动识别算法(图像识别引擎)相结合的方式，能够极大地提高RPA服务器的工作范围，使得以前不能自动化操作的部分，主要是跟图像识别相关的流程，得以合并入RPA服务器的自动操作步骤中，提高了RPA服务器的适应性，进一步减小了工厂的人力需求，提升了工厂的工作效率，提升了制造工厂的智能化自动化程度，达到了工厂减员增效的目的。
图像识别引擎提供pad检测定位、针痕检测定位两项功能：
(1)、Pad检测定位，是在检测机台对针阶段，用来判断扎针前，探针是否正对pad正中央1。如图2、图3所示。
(2)、针痕检测定位，主要用于探针扎针之后，判断pad(芯片的输入输出管脚)上是否有针痕2，以及针痕2是否在pad正中央1。如图2、图3所示。图4、图5中的黑点即为针痕2。
本发明中的图像识别引擎采用图像自动识别算法，该图像自动识别算法采用基于深度学习的faster-rcnn算法对图像中的目标进行检测。Faster-rcnn是一种二阶段的目标检测框架，具有检测准确率高、算法适应性强的特点，广泛地应用于各种目标检测应用中。我们的使用表明，采用基于深度学习的faster-rcnn算法对图像中的目标进行检测，缺陷检测识别准确率可以达到95％以上的精度。
RPA服务器上的RPA程序通过KVM交换机远程监控制造机台设备，根据制造机台的画面(根据制造机台拍摄到的产品照片信息)，并配合图像识别引擎，自动完成整个对针以及针痕检测质检流程：
1.对针阶段。RPA程序将需要对针前的画面(产品图像)传给图像识别引擎，然后根据图像识别引擎返回来的pad位置以及十字准星位置，判断探针是否对准pad正中央。
本发明创新性地把图像中的十字准星(机台对针校准用的光标)、Pad(芯片的输入输出管脚)以及针痕当作是几类特殊的目标，同时进行目标定位检测和类别识别，这样就可以利用现有目标检测算法本身的检测和识别能力，端到端地一步就同时获得图像中各种目标的位置、类型，以及大小，并能通过目标之间的位置大小计算出相互的关系，比如：针痕是否在pad上。如图6、图7所示。
图7中的矩形框为图像自动识别算法计算出来的pad的目标位置(上面标记Pad字样)，五边形框为图像自动识别算法计算出来的十字准星的目标位置(下面标记Cross字样)，图像自动识别算法检测出pad和十字准星的位置之后，根据十字准星五边形框和pad矩形框之间的相对位置，进行对针判断(判断针痕是否在pad上)。图像自动识别算法将检测出的十字准星坐标的正中心与检测到的每个pad的正中心进行位置对比，如果十字准星与任意pad的中心匹配，即表明探针已经与pad正中对准，否则的话，图像自动识别算法就将探针与pad没有对准的信息返回给RPA程序，由RPA程序产生报警。
2.针痕检测阶段。机台对针完成后，即自动对晶圆产品完成扎针检测动作，扎针(将测试机的探针扎入晶圆上的芯片的输入输出管脚pad)之后，RPA服务器上的RPA程序将制造机台镜头拍摄到的产品图像发送给图像识别引擎，图像识别引擎对产品图像进行检测识别，并将判图(检测识别)结果返回给RPA程序。
针痕检测阶段，RPA程序会将十字准星一次移动一个pad的距离，如图8、图9所示，造成十字准星对针痕的遮挡，给针痕识别造成了巨大的困难。另外，由于探针每次扎针深浅不一，在扎针比较浅的情况下，针痕也非常不明显，另外，pad本身也有背景图案，对针痕本身造成了很大干扰，如图10-图13所示。
如图14所示，图像识别引擎(图像自动识别算法)解决十字准星对针痕的遮挡、扎针较浅情况下针痕非常不明显、pad本身背景图案对针痕本身造成干扰等问题的方案流程如下：
从RPA服务器上获得制造机台的操作图片之后，图像识别引擎(图像自动识别算法)先通知RPA程序把十字准星移开一个固定的距离，使得十字准星不再遮挡pad正中央的针痕，然后，截取十字准星周围的一个小区域(局部区域)，这个局部区域包含离十字准星最近的一个pad，然后对这个局部区域进行图像识别，获取十字准星的位置和针痕的位置，之后，通过十字准星的偏移量与针痕的位置判断针痕是否在pad正中央，如果针痕不在pad正中央，则通知RPA程序对用户报警，否则流程继续，获得十字准星移动到下一个pad的机台画面(产品图像)。如图15所示。
图像识别引擎对此图片识别的结果如图16所示。
图16中的矩形框为图像自动识别算法计算出来的目标位置，其中，十字准星检测框为亮色，针痕检测框为暗色，图像自动识别算法检测出pad和十字准星的位置之后，根据十字准星的偏移量和针痕检测框之间的相对位置，判断出针痕是否在pad正中央，并将结果返回给RPA程序。
通过不断地收集针痕的图片，对图像自动识别算法进行反复训练和优化，目前，该目标检测识别算法对浅针痕的情况也可以进行准确识别，解决了工业制造过程中的核心问题，对于浅针痕的识别结果如图17-图22中样例所示(图中矩形框为算法检测到的针痕位置，上面标注ZH字样)。
实际产线测试表明，采用本发明的自动探针状态识别方法，针痕识别的准确率达到96.9％，针痕的漏检率只有千分之一。
本发明的半导体晶圆检测工艺中的自动探针状态识别方法，与现有技术相比，具有以下优点：
1.本发明的技术，能够自动定位设备拍摄到的pad位置。
2.本发明的技术，能够自动检测pad上是否有针痕，如果针痕不在pad正中或者没有pad，自动产生报警。
3.本发明中的图像识别引擎，采用集中式处理算法，能够同时处理多个机台的缺陷消除请求。
4.本发明中的图像识别引擎，采用先进的人工智能处理算法，准确率高，计算速度快。

Claims (8)

1.一种半导体晶圆检测工艺中的自动探针状态识别方法，其特征在于，它包括设置RPA服务器、KVM交换机、图像识别引擎和制造机台；RPA服务器通过KVM交换机与制造机台连接并进行数据交换；RPA服务器上安装有RPA程序；在RPA服务器上增设与图像识别引擎即图像自动识别模块连接的接口；RPA服务器与图像识别引擎连接并进行数据交换；所述制造机台包括探针台、测试机；半导体晶圆置于探针台上，晶圆上的芯片的输入输出管脚pad位于测试机的探针正下方；
RPA服务器通过KVM交换机获得制造机台拍摄到的产品照片信息即产品图像，然后向图像识别引擎发送识别任务；接到识别任务后，图像识别引擎根据RPA服务器获得的产品图像，通过人工智能算法即图像自动识别算法对图像中的Pad位置、十字准星即机台对针校准用的光标位置以及探针在Pad上的测试痕迹进行目标定位检测和类别识别，然后将识别结果信息返回给RPA服务器；RPA服务器获得识别结果之后，根据提前设置的报警规则，决定是否向用户产生报警信息。
2.如权利要求1所述的半导体晶圆检测工艺中的自动探针状态识别方法，其特征在于，所述的图像识别引擎提供pad检测定位、针痕检测定位两项功能：
(1)Pad检测定位，是在检测机台对针阶段，用来判断扎针前，探针是否正对pad中央；
(2)针痕检测定位，主要用于探针扎针之后，判断pad上是否有针痕，以及针痕是否在pad正中央。
3.如权利要求2所述的半导体晶圆检测工艺中的自动探针状态识别方法，其特征在于，所述的图像自动识别算法采用基于深度学习的faster-rcnn算法对图像中的目标进行检测。
4.如权利要求3所述的半导体晶圆检测工艺中的自动探针状态识别方法，其特征在于，RPA服务器上的RPA程序通过KVM交换机远程监控制造机台设备，根据制造机台拍摄到的产品照片信息，并配合图像识别引擎，自动完成整个对针以及针痕检测质检流程：
在对针阶段：RPA程序将需要对针前的画面传给图像识别引擎，然后根据图像识别引擎返回来的pad位置以及十字准星位置，判断探针是否对准pad正中央；
在针痕检测阶段：机台对针完成后，即自动对晶圆产品完成扎针检测动作，扎针之后，RPA服务器上的RPA程序将制造机台镜头拍摄到的产品图像发送给图像识别引擎，图像识别引擎对产品图像进行检测识别，并将检测识别结果返回给RPA程序。
5.如权利要求3所述的半导体晶圆检测工艺中的自动探针状态识别方法，其特征在于，所述的图像自动识别算法将图像中的十字准星、Pad和针痕当作是几类特殊的目标，同时进行目标定位检测和类别识别；利用目标检测算法本身的检测和识别能力，端到端地一步就同时获得图像中各种目标的位置、类型，以及大小，并能通过目标之间的位置大小计算出相互的关系；图像自动识别算法检测出pad和十字准星的位置之后，根据十字准星和pad之间的相对位置，进行对针判断，即判断针痕是否在pad上。
6.如权利要求5所述的半导体晶圆检测工艺中的自动探针状态识别方法，其特征在于，图像自动识别算法将检测出的十字准星坐标的正中心与检测到的每个pad的正中心进行位置对比，如果十字准星与任意pad的中心匹配，即表明探针已经与pad正中对准，否则的话，图像自动识别算法就将探针与pad没有对准的信息返回给RPA程序，由RPA程序产生报警。
7.如权利要求3所述的半导体晶圆检测工艺中的自动探针状态识别方法，其特征在于，
在针痕检测阶段，所述图像自动识别算法从RPA服务器上获得制造机台的操作图片之后，先通知RPA程序把十字准星移开一个固定的距离，使得十字准星不再遮挡pad正中央的针痕，然后，截取十字准星周围的一个局部区域，这个局部区域包含离十字准星最近的一个pad，然后对这个局部区域进行图像识别，获取十字准星的位置和针痕的位置，之后，通过十字准星的偏移量与针痕的位置判断针痕是否在pad正中央，如果针痕不在pad正中央，则通知RPA程序对用户报警，否则流程继续，获得十字准星移动到下一个pad的机台画面。
8.如权利要求7所述的半导体晶圆检测工艺中的自动探针状态识别方法，其特征在于，通过不断地收集针痕的图片，对图像自动识别算法进行反复训练和优化。
CN202210203418.7A 2022-03-02 2022-03-02 一种半导体晶圆检测工艺中的自动探针状态识别方法 Active CN114913119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210203418.7A CN114913119B (zh) 2022-03-02 2022-03-02 一种半导体晶圆检测工艺中的自动探针状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210203418.7A CN114913119B (zh) 2022-03-02 2022-03-02 一种半导体晶圆检测工艺中的自动探针状态识别方法

Publications (2)

Publication Number Publication Date
CN114913119A true CN114913119A (zh) 2022-08-16
CN114913119B CN114913119B (zh) 2024-03-22

Family

ID=82762509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210203418.7A Active CN114913119B (zh) 2022-03-02 2022-03-02 一种半导体晶圆检测工艺中的自动探针状态识别方法

Country Status (1)

Country Link
CN (1) CN114913119B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342590A (zh) * 2023-05-24 2023-06-27 合肥晶合集成电路股份有限公司 晶圆测试针痕的检测方法以及检测装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61228638A (ja) * 1985-04-02 1986-10-11 Tokyo Erekutoron Kk プロ−ブ針とパツドの位置合わせ方法
JPS63136542A (ja) * 1986-11-27 1988-06-08 Tokyo Electron Ltd 半導体ウエハチツプの位置合わせ方法
KR100868746B1 (ko) * 2007-07-19 2008-11-13 주식회사 오킨스전자 배선 결함 검사 방법
CN112927170A (zh) * 2021-04-08 2021-06-08 上海哥瑞利软件股份有限公司 半导体制造工艺中的自动缺陷去除方法
CN113690154A (zh) * 2021-08-25 2021-11-23 复旦大学 利用四探针法原位实时监测引脚封装的引脚可靠性的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61228638A (ja) * 1985-04-02 1986-10-11 Tokyo Erekutoron Kk プロ−ブ針とパツドの位置合わせ方法
JPS63136542A (ja) * 1986-11-27 1988-06-08 Tokyo Electron Ltd 半導体ウエハチツプの位置合わせ方法
KR100868746B1 (ko) * 2007-07-19 2008-11-13 주식회사 오킨스전자 배선 결함 검사 방법
CN112927170A (zh) * 2021-04-08 2021-06-08 上海哥瑞利软件股份有限公司 半导体制造工艺中的自动缺陷去除方法
CN113690154A (zh) * 2021-08-25 2021-11-23 复旦大学 利用四探针法原位实时监测引脚封装的引脚可靠性的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李宁;郑仟;谢贵文;陈炜;: "基于无人机图像识别技术的输电线路缺陷检测", 电子设计工程, no. 10, 20 May 2019 (2019-05-20), pages 105 - 109 *
郭志军;秦晓霞;凌君;陈斌;: "LED车灯模组的光色一致性快速检测技术", 照明工程学报, no. 02, 15 April 2017 (2017-04-15), pages 43 - 47 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342590A (zh) * 2023-05-24 2023-06-27 合肥晶合集成电路股份有限公司 晶圆测试针痕的检测方法以及检测装置
CN116342590B (zh) * 2023-05-24 2023-11-03 合肥晶合集成电路股份有限公司 晶圆测试针痕的检测方法以及检测装置

Also Published As

Publication number Publication date
CN114913119B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
JP6922168B2 (ja) 表面実装ラインの品質管理システム及びその制御方法
US8503757B2 (en) Image measurement device, method for image measurement, and computer readable medium storing a program for image measurement
CN101793843A (zh) 基于连接表的印刷线路板自动光学检测算法
KR20180106856A (ko) 자동 광학 검사 시스템 및 그 동작 방법
CN101706458A (zh) 高分辨率印刷电路板自动检测系统及检测方法
CN111289538A (zh) 基于机器视觉的pcb板元件检测系统及检测方法
CN109285791B (zh) 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统
CN114420619B (zh) 晶圆对准装置及方法、晶圆测试方法
WO2017071406A1 (zh) 金针类元件的引脚检测方法和系统
CN114913119A (zh) 一种半导体晶圆检测工艺中的自动探针状态识别方法
CN117250208A (zh) 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法
CN115482400A (zh) 印刷焊点质量识别与维修建议系统及其方法
CN117471392A (zh) 探针针尖的检测方法、系统、电子设备及存储介质
CN113034620A (zh) 校正方法、校正装置、计算机可读存储介质及计算机设备
CN111583222B (zh) 一种测试点自动定位方法、铜厚自动检测方法及系统
CN105759196B (zh) 具有补偿校准功能的自动定位首件电路板检测系统
CN114324382A (zh) 面板端子清洁度检测方法及面板端子清洁度检测装置
Wang et al. Assembly defect detection of atomizers based on machine vision
CN116329738A (zh) 线路板靶标的定位方法、装置、电子设备及存储介质
CN113012125B (zh) 基于图像识别的半导体cp设备自动化针卡校对方法及系统
KR20150104766A (ko) 검사공정에서의 불량 이력 추적 방법
CN104677906A (zh) 影像信息检测方法
US7747066B2 (en) Z-axis optical detection of mechanical feature height
CN111539933B (zh) 一种直插元件检测方法及系统
CN115423811B (zh) 一种芯片上焊点的注册方法和装置

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