CN115100199B - 一种晶圆低纹理缺陷的检测方法 - Google Patents

一种晶圆低纹理缺陷的检测方法 Download PDF

Info

Publication number
CN115100199B
CN115100199B CN202211017368.XA CN202211017368A CN115100199B CN 115100199 B CN115100199 B CN 115100199B CN 202211017368 A CN202211017368 A CN 202211017368A CN 115100199 B CN115100199 B CN 115100199B
Authority
CN
China
Prior art keywords
region
wafer
overall similarity
gray
abnormal
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
CN202211017368.XA
Other languages
English (en)
Other versions
CN115100199A (zh
Inventor
金琼洁
刘卫卫
欧阳一冉
彭德彪
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.)
Ningbo Xinxin Microelectronics Technology Co ltd
Original Assignee
Ningbo Xinxin Microelectronics 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 Ningbo Xinxin Microelectronics Technology Co ltd filed Critical Ningbo Xinxin Microelectronics Technology Co ltd
Priority to CN202211017368.XA priority Critical patent/CN115100199B/zh
Publication of CN115100199A publication Critical patent/CN115100199A/zh
Application granted granted Critical
Publication of CN115100199B publication Critical patent/CN115100199B/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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种晶圆低纹理缺陷的检测方法，基于图像处理，采集待检测晶圆表面灰度图像，划分为大小相同的区域，根据每个区域像素点的灰度值均值和灰度值方差得到每个区域和其他区域的结构相似性，根据结构相似性和每个区域像素点的灰度累加值得到每个区域和相邻区域之间的整体相似性得到整体相似性矩阵，对矩阵中的整体相似性数据进行密度聚类，根据聚类结果判断晶圆是否存在异常，对存在异常的晶圆获取到异常整体相似性数据对应的区域，根据该区域中晶粒和标准晶粒灰度值构建灰度差异矩阵，根据灰度差异矩阵计算每个晶粒的异常程度，根据异常程度判断晶粒是否异常，方法智能、精准、高效。

Description

一种晶圆低纹理缺陷的检测方法
技术领域
本申请涉及图像处理领域，具体涉及一种晶圆低纹理缺陷的检测方法。
背景技术
当今世界随着科技的发展，各种终端设备的普及，以及各种设备的层出不穷，对芯片的需求越来越大，而晶圆制造工艺作为芯片的上游基本的供应产业，晶圆的生产质量成为重点关注对象，并且随着集成电路行业的发展对晶圆的质量要求也越来越高。在晶圆生产过程中，由于晶圆生产过程的复杂繁琐，以及晶圆生产的严格要求，在生产过程中会出现各种的缺陷，比如晶粒缺角和晶粒切割不良还有晶粒表面的划痕等等，这些缺陷的存在严重影响晶圆的生产质量，导致后续生产的芯片电学性能降低，同时由于晶粒的特殊性，其含有的纹理特征不明显，常规的缺陷检测方式检测精度不高。
发明内容
本发明提供一种晶圆低纹理缺陷的检测方法，解决晶圆缺陷检测不够精准的问题，采用如下技术方案：
采集待检测晶圆表面灰度图像；
将待检测晶圆表面灰度图像划分为多个大小相同的区域，根据每个区域像素点的灰度值均值和灰度值方差得到每个区域与其纵向相邻区域之间结构相似性；
根据每个区域与其纵向相邻区域之间的结构相似性和每个区域像素点灰度累加值与其纵向相邻区域像素点的灰度累加值的差异得到每个区域与其纵向相邻区域之间的整体相似性；
根据每个区域与其纵向相邻区域之间的整体相似性得到整体相似性矩阵；
对整体相似性矩阵中的整体相似性数据进行密度聚类，若聚类结果只有一类整体相似性数据，则待检测晶圆不存在缺陷，若聚类结果不止一类整体相似性数据，则待检测晶圆存在缺陷；
若待检测晶圆存在缺陷，则计算聚类结果中每类整体相似性数据的均值，根据均值大小筛选出异常整体相似性数据；
根据异常整体相似性数据在整体相似性矩阵中的位置得到异常整体相似性数据对应的区域；
获取异常整体相似性数据对应的区域中每个晶粒的每个像素点灰度值和标准晶圆中对应位置晶粒的像素点灰度值的差值构建灰度值差异矩阵；
根据灰度值差异矩阵得到异常整体相似性数据对应的区域中每个晶粒的差异程度，根据差异程度对每个晶粒进行检测。
所述每个区域与其纵向相邻区域之间结构相似性的计算方法为：
Figure 100002_DEST_PATH_IMAGE002
式中，
Figure 100002_DEST_PATH_IMAGE004
为
Figure 100002_DEST_PATH_IMAGE006
区域和纵向相邻的
Figure 100002_DEST_PATH_IMAGE008
区域的结构相似性，
Figure 68388DEST_PATH_IMAGE006
为待检测晶圆表面灰度图像中位于第
Figure 100002_DEST_PATH_IMAGE010
行，第
Figure 100002_DEST_PATH_IMAGE012
列的区域，
Figure 841172DEST_PATH_IMAGE008
为待检测晶圆表面灰度图像中位于第
Figure 100002_DEST_PATH_IMAGE014
行，第
Figure 850717DEST_PATH_IMAGE012
列的区域，即与
Figure 792390DEST_PATH_IMAGE006
纵向相邻的区域，
Figure 100002_DEST_PATH_IMAGE016
为
Figure 658715DEST_PATH_IMAGE006
区域像素点的灰度均值，
Figure 100002_DEST_PATH_IMAGE018
为
Figure 122057DEST_PATH_IMAGE008
区域像素点的灰度均值，
Figure 100002_DEST_PATH_IMAGE020
为
Figure 997609DEST_PATH_IMAGE006
区域像素点灰度值的方差，
Figure 100002_DEST_PATH_IMAGE022
为
Figure 26745DEST_PATH_IMAGE008
区域像素点灰度值的方差，
Figure 100002_DEST_PATH_IMAGE024
为
Figure 532813DEST_PATH_IMAGE006
区域和
Figure 280189DEST_PATH_IMAGE008
区域像素点灰度值的协方差，
Figure 100002_DEST_PATH_IMAGE026
,
Figure 100002_DEST_PATH_IMAGE028
，
Figure 100002_DEST_PATH_IMAGE030
是所有区域和其纵向相邻区域的结构相似性中的最大值。
所述每个区域与其纵向相邻区域之间的整体相似性的计算方法为：
Figure 100002_DEST_PATH_IMAGE032
式中，
Figure 100002_DEST_PATH_IMAGE034
为
Figure 959432DEST_PATH_IMAGE006
区域的像素点灰度值的累加值和
Figure 108654DEST_PATH_IMAGE008
区域的像素点灰度值的累加值的差值，
Figure 100002_DEST_PATH_IMAGE036
为
Figure 785623DEST_PATH_IMAGE006
区域和
Figure 518830DEST_PATH_IMAGE008
区域的整体相似性。
所述筛选出异常整体相似性数据的方法为：
将均值最小的一类整体相似性数据作为正常数据，其余都为异常整体相似性数据。
所述异常整体相似性数据对应的区域中每个晶粒的差异程度的获取方法为：
利用异常整体相似性数据对应的区域中每个晶粒的每个像素点的灰度值和标准晶圆中对应位置晶粒的每个像素点的灰度值的差值构建灰度差异值矩阵；
计算灰度值差异矩阵的均值
Figure 100002_DEST_PATH_IMAGE038
；
获取异常区域中每个晶粒的灰度值异常矩阵中最大值和最小值的差
Figure 100002_DEST_PATH_IMAGE040
；
则异常整体相似性数据对应的区域中每个晶粒的差异程度为：
Figure 100002_DEST_PATH_IMAGE042
式中，
Figure 100002_DEST_PATH_IMAGE044
为每个晶粒的差异程度。
所述根据差异程度对每个晶粒缺陷进行检测的具体方法为：
若当前晶粒的差异程度大于等于
Figure 100002_DEST_PATH_IMAGE046
，为异常晶粒；
若当前晶粒的差异程度小于
Figure 736185DEST_PATH_IMAGE046
，为正常晶粒，
Figure 5492DEST_PATH_IMAGE046
为差异程度阈值。
本发明的有益效果是：基于图像处理，采集待检测晶圆表面灰度图像，划分为大小相同的区域，根据每个区域像素点的灰度值均值和灰度值方差得到每个区域和其纵向相邻区域的结构相似性，根据结构相似性和每个区域像素点的灰度累加值得到每个区域和相邻区域之间的整体相似性，得到整体相似性矩阵，对矩阵中的整体相似性数据进行密度聚类，根据聚类结果判断晶圆是否存在异常，对存在异常的晶圆获取到异常整体相似性数据对应的区域，根据该区域中晶粒和标准晶粒灰度值构建灰度差异矩阵，根据灰度差异矩阵计算每个晶粒的异常程度，根据异常程度判断晶粒是否异常，方法智能、精准、高效。
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简单地介绍，显而易见地，下面描述中的附图仅仅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他的附图。
图1是本发明的一种晶圆低纹理缺陷的检测方法流程示意图；
图2是本发明的一种晶圆低纹理缺陷的检测方法中的晶圆示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
步骤一：集待检测晶圆表面灰度图像；将待检测晶圆表面灰度图像划分为多个大小相同的区域；
该步骤的目的是采集待检测晶圆表面灰度图像并进行区域处理，方便后续分析。
本发明实施例采集待检测晶圆的表面图像后灰度化处理，得到待检测晶圆表面图像的灰度图像，如图2所示，然后将待检测晶圆表面图像的灰度图像划分为相同大小的区域，共将待检测晶圆表面图像的灰度图像分为了
Figure 100002_DEST_PATH_IMAGE048
个区域，
Figure 100002_DEST_PATH_IMAGE050
为总行数，
Figure 100002_DEST_PATH_IMAGE052
为总列数。
步骤二：根据每个区域像素点的灰度值均值和灰度值方差得到每个区域与其纵向相邻区域之间结构相似性；
该步骤的目的是，计算两个相邻区域图像的相似度。
其中，每个区域与其纵向相邻区域之间结构相似性的计算方法为：
Figure DEST_PATH_IMAGE002A
式中，
Figure 181259DEST_PATH_IMAGE004
为
Figure 840910DEST_PATH_IMAGE006
区域和纵向相邻的
Figure 65218DEST_PATH_IMAGE008
区域的结构相似性，
Figure 923453DEST_PATH_IMAGE006
为待检测晶圆表面灰度图像中位于第
Figure 942224DEST_PATH_IMAGE010
行，第
Figure 151489DEST_PATH_IMAGE012
列的区域，
Figure 179487DEST_PATH_IMAGE008
为待检测晶圆表面灰度图像中位于第
Figure 95491DEST_PATH_IMAGE014
行，第
Figure 583366DEST_PATH_IMAGE012
列的区域，即与
Figure 483189DEST_PATH_IMAGE006
纵向相邻的区域，
Figure 783720DEST_PATH_IMAGE016
为
Figure 882127DEST_PATH_IMAGE006
区域像素点的灰度均值，
Figure 242701DEST_PATH_IMAGE018
为
Figure 364240DEST_PATH_IMAGE008
区域像素点的灰度均值，
Figure 530780DEST_PATH_IMAGE020
为
Figure 155796DEST_PATH_IMAGE006
区域像素点灰度值的方差，
Figure 952851DEST_PATH_IMAGE022
为
Figure 358424DEST_PATH_IMAGE008
区域像素点灰度值的方差，
Figure 266337DEST_PATH_IMAGE024
为
Figure 277019DEST_PATH_IMAGE006
区域和
Figure 41712DEST_PATH_IMAGE008
区域像素点灰度值的协方差，
Figure 872265DEST_PATH_IMAGE026
,
Figure 380607DEST_PATH_IMAGE028
，
Figure 245795DEST_PATH_IMAGE030
是所有区域和其纵向相邻区域的结构相似性中的最大值。
为了更准确的描述不同区域之间的对比差异，本实施例引入结构相似性的概念计算相邻区域之间的相似性，所谓结构相似性就是图像之间的相似程度，对于高精度的晶圆来说不同区域之间的图像也是高度相似的。
步骤三：根据每个区域与其纵向相邻区域之间的结构相似性和每个区域像素点灰度累加值与其纵向相邻区域像素点的灰度累加值的差异得到每个区域与其纵向相邻区域之间的整体相似性；根据每个区域与其纵向相邻区域之间的整体相似性得到整体相似性矩阵；
该步骤的目的是，根据每个区域与相邻区域图像特征计算出每个区域与其相邻区域的相似性，并根据所有区域之间的整体相似性构建相似性矩阵。
其中，每个区域与其纵向相邻区域之间的整体相似性的计算方法为：
Figure DEST_PATH_IMAGE032A
式中，
Figure 650231DEST_PATH_IMAGE034
为
Figure 30397DEST_PATH_IMAGE006
区域的像素点灰度值的累加值和
Figure 280113DEST_PATH_IMAGE008
区域的像素点灰度值的累加值的差值，
Figure 999807DEST_PATH_IMAGE036
为
Figure 604838DEST_PATH_IMAGE006
区域和
Figure 409983DEST_PATH_IMAGE008
区域的整体相似性，
Figure 463390DEST_PATH_IMAGE036
值越大相似性越低。
进一步的，根据所有的区域之间的相似性最终得到了一个整体相似性组成的矩阵整体相似性矩阵：
Figure DEST_PATH_IMAGE054
需要说明的是，在晶圆中的晶粒由于低纹理和高精度的作用，正常晶粒组成的每一个区域之间都是高度相似的，因此每个分块之间相互减去最终得到的是差异值，正常情况下差异值接近于零，如果存在异常，晶粒上有缺陷特征存在，相减之后差异值有较大值，并且由于是临近依次做差，所以如果某个区域出现异常，则做差后的差异值矩阵相邻两个矩阵都有较大的差异值，从而可以进一步的从这个角度来确定晶圆的异常与否。
步骤四：对整体相似性矩阵中的整体相似性数据进行密度聚类，若聚类结果只有一类整体相似性数据，则待检测晶圆不存在缺陷，若聚类结果不止一类整体相似性数据，则待检测晶圆存在缺陷；
该步骤的目的是，对矩阵中的数据进行聚类，根据聚类结果判断待检测晶圆是否存在缺陷。
其中，根据聚类结果判断待检测晶圆是否存在缺陷的具体方法为：
若聚类结果中只包含一类数据，则待检测晶圆不存在缺陷，若聚类结果中包含不止一类数据，则待检测晶圆存在缺陷。
需要说明的是，晶圆的生产是大批量的，并且晶圆相对较小，而且晶圆中存在缺陷的晶粒更小，因此如果大范围的直接对晶圆进行详细的缺陷检测显然是不可取的，检测误差和检测时间的消耗十分巨大，难以实现真正的智能化工业化，因此本实施例首先从宏观角度结合晶圆晶粒的特性先确定晶圆中是否存在缺陷。
上述步骤确定了晶圆中是否存在缺陷，将正常的晶圆输送到下一个流程进行后续的加工操作，对存在异常的晶圆保留进行精细化检测，通过这种方式减少整体精细化检测带来的检测效率的降低。
步骤五：若待检测晶圆存在缺陷，则计算聚类结果中每类整体相似性数据的均值，根据均值大小筛选出异常整体相似性数据；根据异常整体相似性数据在整体相似性矩阵中的位置得到异常整体相似性数据对应的区域；
该步骤的目的是分析聚类后得到的数据，确定出异常区域。
需要说明的是，因为分组的数据为差异区域矩阵的灰度值，所以如果该矩阵中的数据都为正常的灰度值非常小，所以最终聚类的到的若干分组中均值最小的对应正常的晶粒。
其中，根据均值大小筛选出异常整体相似性数据的方法如下：
（1）使用密度聚类算法对整体相似性矩阵中的整体相似性数据进行聚类，获取聚类结果：
Figure DEST_PATH_IMAGE056
上式，表示经过密度聚类算法得到的聚类结果，最终得到了y个聚类分组，每个分组为一类整体相似性数据，分组只是确定了数据的分类结果，并不会确定数据类型，因此需要对上述分组最终确定哪些是异常数据。
（2）计算每类整体相似性数据的均值；
（3）因为正常晶粒最终的计算得到的相似度数值是最小的，本实施例主要是检测晶圆的缺陷，因此需要将整体相似性数据均值最小一类数据去除，即将正常区域去除，将其余数据作为异常整体相似性数据；
（4）最终得到了一个全部由异常整体相似性数据组成的数据集合，根据异常整体相似性数据在整体相似性矩阵中的位置，可以确定出异常整体相似性数据对应的区域。
上述步骤的意义在于，在确定了晶圆异常与否后，对异常晶圆进行再一次的筛选，最初通过将晶圆区域的操作确定了晶圆是否异常，保留了异常晶圆进行后续的检测识别，但是一个晶圆上有很多的晶粒，并且晶粒的存在非常微小，如果对每个晶粒都进行识别也是同样的费时费力，因此本发明在确定异常晶圆的基础上再次对异常晶圆进行区域划分，分析晶圆上区域的特性，再次的将一个晶圆上的正常区域筛选出来，操作原理是晶圆的低纹理和高精度下的高度一致性。
与此同时，上述步骤的所有操作都是在晶圆的区域下一步一步完成的，最终得到的是一系列数据组成的矩阵，并未打乱晶圆的原有区域的部署，因此可以通过数据的对应关系来确定异常数据所对应的晶圆中的区域位置，进而确定了异常晶粒的区域位置，可以通过异常整体相似性数据得到该数据在整体相似性中的位置，根据该位置确定出该数据对应的区域，最终确定异常在晶圆中的大致区域，这样一来为后续的缺陷的精细化检测减少了时间。
步骤六：获取异常整体相似性数据对应的区域中每个晶粒的每个像素点灰度值和标准晶圆中对应位置晶粒的像素点灰度值的差值构建灰度值差异矩阵；根据每个晶粒的灰度值差异矩阵得到每个晶粒的差异程度，根据差异程度对每个晶粒缺陷进行检测。
该步骤的目的是，根据异常数据对应的区域的晶粒和标准晶粒构建灰度值差异矩阵，基于灰度值差异矩阵计算出每个晶粒的差异程度，根据差异程度对每个晶粒缺陷进行检测，根据异常晶粒区域和正常晶粒区域的差异性定位异常晶粒的具体位置。
其中，异常整体相似性数据对应的区域中每个晶粒的差异程度的获取方法为：
（1）利用异常整体相似性数据对应的区域中每个晶粒的每个像素点的灰度值和标准晶圆中对应位置晶粒的每个像素点的灰度值的差值构建灰度差异值矩阵；
本实施例通过模板匹配法来确定晶圆中的晶粒，模板匹配在此处有较高的应用价值，因为晶圆工艺的高精度，每一批晶圆中的晶粒的规格是高度一致的，因此利用模板匹配法确定晶粒的位置。
（2）计算灰度值差异矩阵的均值
Figure 365487DEST_PATH_IMAGE038
，正常晶粒和标准晶粒之间的差值应当非常小，
Figure 642885DEST_PATH_IMAGE038
越大表明晶粒异常程度越大；
（3）获取异常区域中每个晶粒的灰度值异常矩阵中最大值和最小值的差
Figure 935326DEST_PATH_IMAGE040
，
Figure 526844DEST_PATH_IMAGE040
越大表明某个点存在异常的可能性越大；
（3）则异常整体相似性数据对应的区域中每个晶粒的差异程度为：
Figure DEST_PATH_IMAGE042A
式中，
Figure 752289DEST_PATH_IMAGE044
为每个晶粒的差异程度。
其中，根据每个晶粒的差异程度检测异常整体相似性数据对应的区域中每个晶粒是否异常的方法为：
Figure 200588DEST_PATH_IMAGE044
大于等于
Figure 245904DEST_PATH_IMAGE046
，当前晶粒为异常晶粒，否则当前晶粒为正常晶粒，
Figure 375534DEST_PATH_IMAGE046
为差异程度阈值，本实施例中
Figure DEST_PATH_IMAGE058
。
需要说明的是，通过一系列操作最终确定了晶圆中哪些区域存在异常，缩小了异常检测的范围，接下来只需要对异常区域进行继续处理定位到异常晶粒的位置，晶圆上的晶粒是高度相似的，上述步骤确定了同一个晶圆的正常区域和异常区域，本实施例以同一晶圆的正常区域的晶粒作为标准参考，对比异常区域的每个晶粒和标准参考的差异性来确定具体的晶粒异常的位置。
有益效果为：
同一个晶圆上的晶粒相似性最高，根据每个晶圆正常区域的经历作为参考实现了标准参考的自适应，可以提高准确性；在经过初步的筛选后，剩下的异常区域中的晶粒数量是非常少的，相比于一开始就利用标准参考对整个晶圆上的晶粒进行异常的判断来说，计算量大大降低，提高系统的运行效率。
进一步的，将结果传输到终端进行其他缺陷类别的检测。
因为上述步骤已经对晶圆是否存在缺陷进行将相关的计算，最终确定了存在缺陷的晶圆，并且结合了晶圆的低纹理和高精度特性确定了缺陷晶粒的具体位置。本步骤则根据以上的分析结果，根据精细化的分析结果单独对存在异常的晶圆上的晶粒进行缺陷识别。本发明利用神经网络来实现缺陷种类的检测，本发明利用神经网络进行缺陷检测的优势：传输到终端的都是经过检测后得到的确定存在异常的晶圆且晶圆中存在异常的晶粒的位置已经定位到；综合以上特点区别于传统的所有晶圆进行识别的方法，既避免了正负样本失衡带来的检测精度的降低，又对大批晶圆的优先处理，能够显著提高识别速度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种晶圆低纹理缺陷的检测方法，其特征在于，包括：
采集待检测晶圆表面灰度图像；
将待检测晶圆表面灰度图像划分为多个大小相同的区域，根据每个区域像素点的灰度值均值和灰度值方差得到每个区域与其纵向相邻区域之间结构相似性；
根据每个区域与其纵向相邻区域之间的结构相似性和每个区域像素点灰度累加值与其纵向相邻区域像素点的灰度累加值的差异得到每个区域与其纵向相邻区域之间的整体相似性；
根据每个区域与其纵向相邻区域之间的整体相似性得到整体相似性矩阵；
对整体相似性矩阵中的整体相似性数据进行密度聚类，若聚类结果只有一类整体相似性数据，则待检测晶圆不存在缺陷，若聚类结果不止一类整体相似性数据，则待检测晶圆存在缺陷；
若待检测晶圆存在缺陷，则计算聚类结果中每类整体相似性数据的均值，根据均值大小筛选出异常整体相似性数据；
根据异常整体相似性数据在整体相似性矩阵中的位置得到异常整体相似性数据对应的区域；
获取异常整体相似性数据对应的区域中每个晶粒的每个像素点灰度值和标准晶圆中对应位置晶粒的像素点灰度值的差值构建灰度值差异矩阵；
根据灰度值差异矩阵得到异常整体相似性数据对应的区域中每个晶粒的差异程度，根据差异程度对每个晶粒进行缺陷检测；
所述根据差异程度对每个晶粒进行检测的具体方法为：
若当前晶粒的差异程度大于等于
Figure DEST_PATH_IMAGE002
，为异常晶粒；
若当前晶粒的差异程度小于
Figure DEST_PATH_IMAGE004
，为正常晶粒，
Figure 467037DEST_PATH_IMAGE004
为差异程度阈值。
2.根据权利要求1所述的一种晶圆低纹理缺陷的检测方法，其特征在于，所述每个区域与其纵向相邻区域之间结构相似性的计算方法为：
Figure DEST_PATH_IMAGE006
式中，
Figure DEST_PATH_IMAGE008
为
Figure DEST_PATH_IMAGE010
区域和纵向相邻的
Figure DEST_PATH_IMAGE012
区域的结构相似性，
Figure 446495DEST_PATH_IMAGE010
为待检测晶圆表面灰度图像中位于第
Figure DEST_PATH_IMAGE014
行，第
Figure DEST_PATH_IMAGE016
列的区域，
Figure 491811DEST_PATH_IMAGE012
为待检测晶圆表面灰度图像中位于第
Figure DEST_PATH_IMAGE018
行，第
Figure 683758DEST_PATH_IMAGE016
列的区域，即与
Figure 232551DEST_PATH_IMAGE010
纵向相邻的区域，
Figure DEST_PATH_IMAGE020
为
Figure 851751DEST_PATH_IMAGE010
区域像素点的灰度均值，
Figure DEST_PATH_IMAGE022
为
Figure 148478DEST_PATH_IMAGE012
区域像素点的灰度均值，
Figure DEST_PATH_IMAGE024
为
Figure 81799DEST_PATH_IMAGE010
区域像素点灰度值的方差，
Figure DEST_PATH_IMAGE026
为
Figure 281836DEST_PATH_IMAGE012
区域像素点灰度值的方差，
Figure DEST_PATH_IMAGE028
为
Figure 71938DEST_PATH_IMAGE010
区域和
Figure 91846DEST_PATH_IMAGE012
区域像素点灰度值的协方差，
Figure DEST_PATH_IMAGE030
,
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE034
是所有区域和其纵向相邻区域的结构相似性中的最大值。
3.根据权利要求2所述的一种晶圆低纹理缺陷的检测方法，其特征在于，所述每个区域与其纵向相邻区域之间的整体相似性的计算方法为：
Figure DEST_PATH_IMAGE036
式中，
Figure DEST_PATH_IMAGE038
为
Figure DEST_PATH_IMAGE040
区域的像素点灰度值的累加值和
Figure DEST_PATH_IMAGE042
区域的像素点灰度值的累加值的差值，
Figure DEST_PATH_IMAGE044
为
Figure 219071DEST_PATH_IMAGE040
区域和
Figure 476877DEST_PATH_IMAGE042
区域的整体相似性。
4.根据权利要求1所述的一种晶圆低纹理缺陷的检测方法，其特征在于，所述筛选出异常整体相似性数据的方法为：
将均值最小的一类整体相似性数据作为正常数据，其余都为异常整体相似性数据。
5.根据权利要求1所述的一种晶圆低纹理缺陷的检测方法，其特征在于，所述异常整体相似性数据对应的区域中每个晶粒的差异程度的获取方法为：
利用异常整体相似性数据对应的区域中每个晶粒的每个像素点的灰度值和标准晶圆中对应位置晶粒的每个像素点的灰度值的差值构建灰度差异值矩阵；
计算灰度值差异矩阵的均值
Figure DEST_PATH_IMAGE046
；
获取异常区域中每个晶粒的灰度值异常矩阵中最大值和最小值的差
Figure DEST_PATH_IMAGE048
；
则异常整体相似性数据对应的区域中每个晶粒的差异程度为：
Figure DEST_PATH_IMAGE050
式中，
Figure DEST_PATH_IMAGE052
为每个晶粒的差异程度。
CN202211017368.XA 2022-08-24 2022-08-24 一种晶圆低纹理缺陷的检测方法 Active CN115100199B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211017368.XA CN115100199B (zh) 2022-08-24 2022-08-24 一种晶圆低纹理缺陷的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211017368.XA CN115100199B (zh) 2022-08-24 2022-08-24 一种晶圆低纹理缺陷的检测方法

Publications (2)

Publication Number Publication Date
CN115100199A CN115100199A (zh) 2022-09-23
CN115100199B true CN115100199B (zh) 2022-11-22

Family

ID=83301160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211017368.XA Active CN115100199B (zh) 2022-08-24 2022-08-24 一种晶圆低纹理缺陷的检测方法

Country Status (1)

Country Link
CN (1) CN115100199B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115290663B (zh) * 2022-09-30 2022-12-30 南通艾美瑞智能制造有限公司 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN115953407B (zh) * 2023-03-15 2023-06-09 深圳市科姆特精密科技有限公司 基于计算机视觉的半导体设备维修系统
CN116721105B (zh) * 2023-08-11 2023-10-20 山东淼珠生物科技有限公司 基于人工智能的爆珠生产异常在线检测方法
CN116912242B (zh) * 2023-09-12 2023-12-15 青岛天仁微纳科技有限责任公司 一种纳米压印晶圆缺陷定位方法
CN117197140B (zh) * 2023-11-07 2024-02-20 东莞市恒兴隆实业有限公司 基于机器视觉的不规则金属扣成型检测方法
CN117649451B (zh) * 2024-01-30 2024-04-30 深圳互喜智联科技有限公司 一种用于寻边器晶圆定位的视觉定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251361A (zh) * 2016-08-30 2016-12-21 兰州交通大学 一种钢轨表面缺陷图像自适应分割方法
CN109978839A (zh) * 2019-03-08 2019-07-05 浙江大学 晶圆低纹理缺陷的检测方法
CN113689431A (zh) * 2021-10-27 2021-11-23 常州微亿智造科技有限公司 工业产品外观缺陷检测方法和装置
CN114066811A (zh) * 2021-10-13 2022-02-18 华南理工大学 一种工业产品异常检测方法、系统、装置及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004192307A (ja) * 2002-12-11 2004-07-08 Seiko Epson Corp 類似画像抽出装置、類似画像抽出方法および類似画像抽出プログラム
US8238635B2 (en) * 2008-03-21 2012-08-07 General Electric Company Method and system for identifying defects in radiographic image data corresponding to a scanned object
US8620092B2 (en) * 2010-03-04 2013-12-31 Hewlett-Packard Development Company, L.P. Determining similarity of two images
CN114862862B (zh) * 2022-07-11 2022-09-16 江苏大田阀门制造有限公司 一种基于图像处理的泵体冷隔缺陷识别方法与系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251361A (zh) * 2016-08-30 2016-12-21 兰州交通大学 一种钢轨表面缺陷图像自适应分割方法
CN109978839A (zh) * 2019-03-08 2019-07-05 浙江大学 晶圆低纹理缺陷的检测方法
CN114066811A (zh) * 2021-10-13 2022-02-18 华南理工大学 一种工业产品异常检测方法、系统、装置及存储介质
CN113689431A (zh) * 2021-10-27 2021-11-23 常州微亿智造科技有限公司 工业产品外观缺陷检测方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Automatic defect detection of texture surface with an efficient texture removal network";Ying Liang等;《Advanced Engineering Informatics》;20220615;第53卷;全文 *
"工件表面缺陷图像检测中的自适应聚类";周友行等;《表面技术》;20190930;第48卷(第09期);全文 *

Also Published As

Publication number Publication date
CN115100199A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN115100199B (zh) 一种晶圆低纹理缺陷的检测方法
CN109977808B (zh) 一种晶圆表面缺陷模式检测与分析方法
CN115018828B (zh) 一种电子元器件的缺陷检测方法
CN113724231B (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN112561849B (zh) 晶圆缺陷检测方法
CN112508090A (zh) 一种外包装缺陷检测方法
CN112200806A (zh) 一种晶圆的缺陷分析方法和系统
CN115953407B (zh) 基于计算机视觉的半导体设备维修系统
CN109449093A (zh) 晶圆检测方法
CN112991259B (zh) 一种半导体制程缺陷的检测方法及系统
CN115240146B (zh) 基于计算机视觉的机床装配智能验收方法
CN114910480A (zh) 一种基于机器视觉的晶圆表面缺陷检测方法
CN116309577B (zh) 一种高强传送带物料智能检测方法及系统
CN115082477B (zh) 一种基于去反光效果的半导体晶圆加工质量检测方法
CN115290663A (zh) 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN115866502A (zh) 一种麦克风零件表面缺陷在线检测流程
CN115294109A (zh) 基于人工智能的实木板材生产缺陷识别系统、电子设备
CN114663393A (zh) 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法
CN114139618A (zh) 基于改进密度峰值聚类的信号依赖噪声参数估计方法
CN117455917A (zh) 一种蚀刻引线框架误报库建立及误报在线判定筛选方法
CN114596273B (zh) 利用yolov4网络的陶瓷基板多种瑕疵智能检测方法
CN116030274A (zh) 基于自适应密度聚类的青花椒果序检测方法
CN113781479B (zh) 一种基于图像分割算法的半导体外观缺陷量化方法
CN112750119B (zh) 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法

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
GR01 Patent grant
GR01 Patent grant