CN115172199A - 一种用于识别晶圆缺陷的方法及系统 - Google Patents

Abstract

本发明涉及一种用于识别晶圆缺陷的方法及系统，其中该方法包括：获取待测晶圆图像中的多个缺陷点；基于预设的最小核心点数与邻域阈值对所述多个缺陷点进行聚类，得到多个第一簇，其中，所述最小核心点数设为1；基于所述待测晶圆图像中的缺陷特征确定至少一个特征核心点数阈值范围，所述缺陷特征包括：缺陷尺寸，和/或缺陷类型；基于至少一个所述特征核心点数阈值范围对所述多个第一簇进行至少一次过滤，对应得到至少一类第二簇，其中，同一类所述第二簇中对应包括的所述缺陷点的个数属于对应的所述特征核心点数阈值范围。本发明所提供的方法及系统能够对线形缺陷和聚集型缺陷进行准确识别。

Description

一种用于识别晶圆缺陷的方法及系统

技术领域

本发明涉及半导体制造技术领域，尤其涉及一种用于识别晶圆缺陷的方法及系统。

背景技术

在半导体晶圆制作中，拉单晶、切片、磨片、抛光、增层、光刻、掺杂、热处理、针测以及划片……一系列过程中，化学气相沉淀、光学显影、化学机械研磨在这一过程中都可能使晶圆表面产生缺陷，而晶圆上的缺陷会直接影响工作寿命和可靠性。因此，在晶圆的加工生产过程中，对缺陷的识别与分析是非常重要的。基于密度的聚类算法是一种常用的缺陷识别算法，但是现有的密度聚类算法只能识别出呈聚集型的簇点缺陷，而当缺陷呈线形时，如缺陷为一条划痕时，传统的聚类算法将无法识别。

发明内容

为了部分地缓解或解决上述技术问题，本发明提供了一种用于识别晶圆缺陷的方法，包括：

获取待测晶圆图像中的多个缺陷点；

基于预设的最小核心点数与邻域阈值对所述多个缺陷点进行聚类，得到多个第一簇，其中，所述最小核心点数设为1；

基于所述待测晶圆图像中的缺陷特征确定至少一个特征核心点数阈值范围，所述缺陷特征包括：缺陷尺寸，和/或缺陷类型；

基于至少一个所述特征核心点数阈值范围对所述多个第一簇进行至少一次过滤，对应得到至少一类第二簇，其中，同一类所述第二簇中对应包括的所述缺陷点的个数属于对应的所述特征核心点数阈值范围。

进一步地，在一些实施例中，基于所述待测晶圆图像中的缺陷特征确定至少一个特征核心点数阈值范围的步骤包括：

基于所述待测晶圆图像初步确定待识别的至少一类目标簇，并确定所述目标簇的对应缺陷特征；

基于所述缺陷特征确定至少一个特征核心点数阈值范围。

进一步地，在一些实施例中，至少一个所述特征核心点数阈值范围包括：第一阈值范围和第二阈值范围，相应地，基于至少一个所述特征核心点数阈值范围对所述多个第一簇进行至少一次过滤的步骤包括：

基于所述第一阈值范围对所述多个第一簇进行第一次过滤，从所述多个第一簇中对应筛选出第一类第二簇；

基于所述第二阈值范围对筛选后剩下的所述第一簇进行第二次过滤，对应得到第二类第二簇。

进一步地，在一些实施例中，还包括步骤：

获取所述第二簇所对应包括的多个所述缺陷点的位置信息；

基于多个所述位置信息确定与所述第二簇相对应的拟合曲线；

基于所述拟合曲线对相应的所述缺陷点进行筛选，将与所述拟合曲线的间距大于预设的第一间距的缺陷点判定为不相关点，将与所述拟合曲线的间距小于或等于所述第一间距的缺陷点判定为目标点；

基于所述目标点对所述第二簇的缺陷点信息进行更正。

进一步地，在一些实施例中，还包括步骤：

当多个所述第二簇中的所述缺陷点呈线形分布时，获取多个所述第二簇的端点的位置信息，所述端点为位于所述第二簇的线形的两端的缺陷点；

将所述端点的间距小于预设的第二间距的至少两个所述第二簇判定为相关联，并将相关联的至少两个所述第二簇进行合并。

进一步地，在一些实施例中，所述第二间距等于所述邻域阈值；或者，所述第二间距基于所述待测图像上缺陷特征进行设定，所述缺陷特征还包括：缺陷的分布特征。

进一步地，在一些实施例中，还包括步骤：

获取多个所述第二簇所对应包括的多个所述缺陷点的位置信息；

分别基于所述位置信息确定出对应于多个所述第二簇的多个拟合曲线；

当判断出至少两个所述拟合曲线的曲线特征相同或相近时，判定相对应的至少两个所述第二簇相关联，并将相关联的至少两个所述第二簇进行合并。

进一步地，在一些实施例中，还包括步骤：

基于合并后所得的第二簇确定合并后的拟合曲线，

判断是否有其他缺陷点与合并后的拟合曲线的间距小于所述第一间距，且当存在其他缺陷点与合并后的拟合曲线的间距小于或等于所述第一间距时，将所述其他缺陷点判定为目标点；

基于所述目标点对合并后的第二簇进行更正。

本发明第二方面在于，基于上述的用于识别晶圆缺陷的方法，还对应地提供了一种用于识别晶圆缺陷的系统，包括：

缺陷点获取模块，被配置为用于获取待测晶圆图像中的多个缺陷点；

聚类模块，被配置为用于基于预设的最小核心点数与邻域阈值对所述多个缺陷点进行聚类，得到多个第一簇，其中，所述最小核心点数设为1；

特征核心点数确定模块，被配置为用于基于所述待测晶圆图像中的缺陷特征确定至少一个特征核心点数阈值范围，所述缺陷特征包括：缺陷尺寸，和/或缺陷类型；

过滤模块，被配置为用于基于至少一个所述特征核心点数阈值范围对所述多个第一簇进行至少一次过滤，对应得到至少一类第二簇，其中，同一类所述第二簇中对应包括的所述缺陷点的个数属于对应的所述特征核心点数阈值范围。

进一步地，在一些实施例中，特征核心点数确定模块包括：

缺陷特征确定单元，被配置为用于基于所述待测晶圆图像初步确定待识别的至少一类目标簇，并确定所述目标簇的对应缺陷特征；

数值范围确定单元，被配置为用于基于所述缺陷特征确定至少一个特征核心点数阈值范围。

有益效果

与传统的聚类算法不同，本发明中所提供的用于识别晶圆缺陷的方法既能够结合到聚集型缺陷的密度分布特点对聚集型缺陷进行识别，又能够考虑到线形缺陷的分布特点，以准确地识别出线形缺陷。也即是说，本方法的所能识别的缺陷范围更广。

进一步地，通过设置不同的特征核心点数阈值范围，可以对各类缺陷进行进一步地分类识别，以对不同类型的缺陷进行更细化的识别。

进一步地，通过拟合曲线的方式对线形缺陷进行合并，可以更完整地识别出线形缺陷，以进一步地适应于对缺陷识别准确性要求更高的工艺环境。

进一步地，通过拟合曲线的方式对线形缺陷进行更正，可以进一步地提高线形缺陷识别的准确性，以进一步地适应于对缺陷识别准确性要求更高的工艺环境。

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为本发明一示例性实施例中的一种用于识别缺陷的方法的流程示意图；

图2为部分具有线形特征的缺陷的结构示意图；

图3示出了的聚集型缺陷以及直线形缺陷的结构示意图；

图4a为弧形缺陷的结构示意图；

图4b为又一弧形缺陷的结构示意图；

图5为本发明一示例性实施例中的一种用于识别缺陷的系统的装置结构示意图；

图6为本发明一示例性实施例中的一种电子设备的结构框图。

其中，01为聚集型缺陷，02为直线形缺陷，03为弧形缺陷，03a为第一缺陷点，03b为第二缺陷点，04为环形缺陷。

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。

本文中，“缺陷点”指的是由加工工艺问题、人为错误或者是其他一些偶然因素(如机器或晶圆沾染上灰尘)等原因在晶圆上所产生的异常点，可能直接影响晶圆的工作寿命和可靠性。而晶圆中的多个相距近且连贯的缺陷点，一般被认为是成簇的缺陷点。通常，以150微米的点间距不中断相连的多个缺陷点，可以视为一簇点缺陷(Cluster)，也称簇(或晶圆缺陷)。例如，“第二簇”即为簇点缺陷，而“第一簇”为可能被识别为簇点缺陷的单个缺陷点或多个缺陷点集合。

当这些簇是由工艺问题或人为错误造成时，往往具有一定的重复性，会在接下来加工的晶圆上连续地出现，对晶圆的良率影响较大。因此关于簇的大小、几何形状和空间位置的信息对于寻求识别潜在生产问题的工艺工程师来说非常有价值。常见成簇的点缺陷，例如机械损伤，会形成呈规则分布的晶圆图形。

本文中的被称为“簇”或“簇点缺陷”的晶圆缺陷通常包括两大类，一类为聚集型缺陷01(如图2所示)，另一类为线形缺陷(如图2中的直线形缺陷02、弧形缺陷03、环形缺陷04)。其中，聚集型缺陷指的是多个缺陷点围绕核心点(也即位于缺陷图形的中心区域的缺陷点)四周分布的簇点缺陷，换句话说，这一类簇点缺陷的缺陷点在一定区域内呈聚集性分布，任意两个缺陷点之间的间距不会相距过远。而线形缺陷指的是具有线形特征的缺陷，其缺陷点通常呈线状分布，如呈环形分布、弧线分布或直线分布，其中可能存在多个点两两之间相距过远。

由于基于密度的聚类算法主要是从缺陷点的密度分布出发进行缺陷识别(例如，通过检测缺陷点的邻域内的缺陷点数量进行缺陷识别)，因此对于线形缺陷往往会出现识别失误，将线形缺陷中相距较远的多个缺陷点识别为无关联的缺陷点，从而无法识别或无法准确识别线形缺陷。而线形缺陷由于呈线形分布，在晶圆上所涉及的区域通常较广。例如，由于聚集型缺陷往往呈聚集型分布，因此聚集型缺陷所影响到的区域可能只有一个或少个die，而线形缺陷的缺陷点通常呈线形延伸，往往会影响到多个die，对于晶圆良率影响较大。因此，在晶圆的生产过程中对线形缺陷的识别非常重要。

其中，“die”又称裸晶或裸片，是以半导体材料制作而成未经封装的一小块集成电路的本体。die是晶圆(wafer)中一个很小的单位，包括了设计完整的单个芯片以及芯片邻近水平和垂直方向上的部分划片槽区域。

实施例一

参见图1，为本发明一示例性实施例中的一种用于识别晶圆缺陷的方法，包括步骤：

S10：获取待测晶圆图像中的多个缺陷点；

S20：基于预设的最小核心点数与邻域阈值对多个缺陷点进行聚类，得到多个第一簇，其中，最小核心点数设为1；

优选地，在一些实施例中，邻域阈值可以设置为50μm。

当然，在另一些实施例中，邻域阈值可以由工作人员基于具体应用场景以及相应的业务需求进行设定。

S30：基于待测晶圆图像中的缺陷特征确定至少一个特征核心点数阈值范围，缺陷特征包括：缺陷尺寸，和/或缺陷类型；

S40：基于至少一个特征核心点数阈值范围对多个第一簇进行至少一次过滤，对应得到至少一类第二簇，其中，同一类第二簇中对应包括的缺陷点的个数属于对应的特征核心点数阈值范围。

可以理解的是，在步骤S20中，当两个缺陷点之间的间距小于邻域阈值时，则可以将该两个缺陷点聚类为一个第一簇，当然，这个第一簇还可能包括另外的一个或多个缺陷点。并且，将最小核心点数(聚类的标准之一)设为1则可以保证任一一个缺陷点都可以被识别为第一簇。

本实施例中，在聚类过程中将最小核心点数恒设为1，使得本方法除了可以识别到聚集型缺陷01(如图3所示)，还可以识别到线形缺陷，例如，图3中所示的直线形缺陷02。换言之，步骤S20中所识别到的多个第一簇既包括聚集型缺陷、线形缺陷等等簇点缺陷。进一步地，本方法还通过基于缺陷特征设定相应的特征核心点数阈值范围，以从对第一簇进行进一步地筛选并过滤得到第二簇，此时可以筛除在聚类过程中识别到一些可能不属于簇点缺陷的缺陷点。其中，第二簇即为基于工艺需求所需识别的簇点缺陷。

与传统的聚类算法不同，本实施例中晶圆缺陷的识别方法既能够结合到聚集型缺陷的密度分布特点对聚集型缺陷进行识别，又能够考虑到线形缺陷的分布特点，以准确地识别出线形缺陷。并且该识别方法在缺陷的识别过程中可以在一定程度上排除无关干扰点(即零散分布的不属于任一簇点缺陷的缺陷点)的影响，以基本满足常见的工艺需求。

具体地，本实施例中的缺陷识别方法所选用的后过滤的处理方式，除了可以识别常见的如图3所示的聚集型缺陷01之外，还可以准确地识别出如图2所示的环形缺陷04、直线形缺陷02以及弧形缺陷03等线形缺陷。

进一步地，在一些实施例中，步骤S30包括：

基于待测晶圆图像初步确定待识别的至少一类目标簇，并确定目标簇的对应缺陷特征；

基于缺陷特征确定至少一个特征核心点数阈值范围。

本实施例中，在进行更为精确的缺陷点及簇点缺陷的识别之前，首先可以对待测晶圆图像上的各个簇点缺陷(或晶圆缺陷，也即目标簇)的缺陷图形进行初步地识别。例如，在一具体实施例中，获取预先扫描的待测晶圆图像中每个簇点缺陷的缺陷特征参数，其中，缺陷特征参数包括：缺陷尺寸(或者，在另一些实施例中，缺陷特征参数可以包括缺陷尺寸和信号强度值)。首先通过缺陷扫描设备识别出簇点缺陷，具体地，可以利用缺陷扫描设备将待测晶圆图像分成一个个小像素点，然后通过对不同晶圆同一位置的像素点的灰度值或亮度值作比较，将差异较大的一些像素点识别为簇点缺陷。然后对识别出来的簇点缺陷作标记，并通过缺陷扫描设备记录相应的簇点缺陷的缺陷特征参数如缺陷尺寸。

当然，在另一些实施例中，可以选用一些标准晶圆样本(即没有任何缺陷的标准晶圆)，然后扫描该标准晶圆样本得到这些标准晶圆样本中每个像素点的灰度值或亮度值，并参考这些标准晶圆样本中各个像素点的灰度值或亮度值(例如，依据所选多个标准晶圆样本中相同位置的像素点的灰度值或亮度值的平均值)，设定标准情况下(即没有缺陷情况下)晶圆样本中各个像素点的灰度值阈值范围或亮度值阈值范围，然后将该灰度值阈值范围或亮度值阈值范围设定为缺陷扫描设备识别缺陷的标准，例如，当缺陷扫描时将超出该灰度值阈值范围或亮度值阈值范围的像素点识别为晶圆缺陷也即簇点缺陷，然后对识别到的簇点缺陷作标记，并由缺陷扫描设备记录这些晶圆缺陷的缺陷特征参数如缺陷尺寸。

进一步地，基于上述步骤中所获取到的缺陷尺寸可以对待测晶圆图像中的簇点缺陷进行初步的识别与分类，并由此获取到所存在的各类型的簇点缺陷的尺寸大小。

例如，在一些实施例中，基于上述所获取到的缺陷特征参数还可以对所识别到的簇点缺陷进行分类，如将簇点缺陷初步分为大缺陷(相当于第一类目标簇)和小缺陷(相当于第二类目标簇)，并基于大缺陷、小缺陷各自的尺寸大小确定不同的特征核心点数阈值范围，对应可以过滤得到第一类第二簇与第二类第二簇，且第一类第二簇的缺陷点个数大于第二类第二簇的缺陷点个数。

在晶圆的加工生产过程中，对于某些特定的加工场景或加工工艺，可能会出现一些特定类型的缺陷。例如，这些特定类型的缺陷(如弧形缺陷、环形缺陷、直线形缺陷等)往往和机台的零部件设计或者运行方式等有关。例如，环形缺陷可能和旋转的设备部件有关，比如在晶圆旋转时，上方有固定的硬物会导致晶圆上留下环形刮伤。又例如，线形缺陷和直线运动部件有关，比如晶圆在设备中的机械臂运输过程中导致的刮伤。并且，针对一些特定的故障原因，缺陷的尺寸大小也具有一定的相似性。当然，同类型的缺陷图形产生的原因多种多样(例如，可能由机台故障所引起，此时需要快速停下机台排除故障，甚至需要停下产线，又例如，可能由机台上的杂物如灰尘所引起，此时对杂物进行快速清除即可)。因此，为了保证晶圆加工的稳定性，需要快速地识别定位缺陷，以对缺陷的生产原因进行进一步地分析。为缩短缺陷分析时间，工作人员会定期收集发现的异常图形及其原因，用于识别后进行匹配分析。

由此，在另一些实施例中，当某一特定的加工工艺(如特定的机台)工作一段时间后，基于所收集到的历史工作数据(包括缺陷检测数据等)，工作人员可以对缺陷的类型以及尺寸进行初步预判。例如，针对具有旋转设备部件的机台，其加工得到的晶圆上出现环形缺陷的概率会相对较大。此时，工作人员可以基于机台的历史工作数据，直接对特征核心点数阈值范围进行配置。

可以理解的是，在一些实施例中，对于目标簇的识别仅为初步识别，对缺陷的识别精度要求相对不高。

在一些实施例中，特征核心点数阈值范围可以为一个固定数值。

例如，在一些实施例中，特征核心点数阈值范围可选为：2、3、4、5等。当然，特征核心点数阈值范围也可以基于具体应用场景进行自适应地设定，使得本方法还具有一定的灵活适应性。

例如，在一具体实施例中，当特征核心点数阈值范围设为5时，则包括的缺陷点个数大于或等于5的第一簇被判定为第二簇。

当然，在另一些实施例中，特征核心点数阈值范围也可以为一个设定区间。

例如，在一些实施例中，经过对待测晶圆图像的初步缺陷识别与分类，或者工作人员基于历史工作数据预判发现当前的待测晶圆图像上可能存在两类簇点缺陷时，相应地基于两类簇点缺陷的尺寸特征设定有两个特征核心点数阈值范围。具体地，本实施例中，至少一个特征核心点数阈值范围包括：第一阈值范围和第二阈值范围，相应地，步骤S40包括：

基于第一阈值范围对多个第一簇进行第一次过滤，从多个第一簇中对应筛选出第一类第二簇；

基于第二阈值范围对筛选后剩下的第一簇进行第二次过滤，对应得到第二类第二簇。

其中，任意一个第一类第二簇中的缺陷点个数属于第一阈值范围，任意一个第二类第二簇中的缺陷点个数属于第二阈值范围。

本实施例中，基于不同簇点缺陷的尺寸特点，可以对簇点缺陷进行初步分类。其中，所包含缺陷点数较多的一类第二簇一般所影响的晶圆区域较广，需要优先对此类第二簇进行故障排查。

当然，在另一些实施例中，随着待测晶圆图像上所存在的缺陷类型的增加，以及对缺陷识别精度要求的提高，还可以基于存在的缺陷类型设置多个不同的特征核心点数阈值范围。

在一些实施例中，S20具体步骤为：选定任意一个缺陷点作为圆心并以邻域阈值为半径得到一个圆形区域，获取所形成的圆形区域内的缺陷点个数。其中，当缺陷点个数大于或等于最小核心点数时，则该圆形区域内的一个或多个缺陷点可以被判定为第一簇(换言之，当缺陷点以自身为圆心，以邻域阈值为半径所形成的圆形区域内的缺陷点个数等于或大于1时，即可将该缺陷点判定为第一簇或属于第一簇的一部分)。因此，本实施例中将最小核心点数设置为1，可以在初步的聚类过程中将所有的缺陷点识别为可能的簇点缺陷，即将所有的缺陷点都判别为相对应的第一簇。

如上所述，由于在聚类过程中将最小核心点数恒设为1，可能会导致部分不相关点(也即未能形成簇点缺陷的缺陷点)被聚类到一个簇点缺陷中。如图4b所示，在弧形缺陷03的缺陷图形邻近区域存在第一缺陷点03a和第二缺陷点03b，这两个缺陷点并不属于弧形缺陷03。但由于其位置距离弧形缺陷中的部分缺陷点间距很小，因此会在聚类过程中被错误地归类到弧形缺陷03中。通常，这样的错误对缺陷的识别与分析产生的干扰影响很小，在实际工作应用中可以接受。

但是，在一些对晶圆的工艺要求极高的生产场景下，为了提高线形缺陷的识别精度，在一些实施例中，该方法还进一步地包括步骤：

获取第二簇所对应包括的多个缺陷点的位置信息；

基于多个位置信息确定与第二簇相对应的拟合曲线；

基于拟合曲线对相应的缺陷点进行筛选，将与拟合曲线的间距大于预设的第一间距的缺陷点判定为不相关点，将与拟合曲线的间距小于或等于第一间距的缺陷点判定为目标点；

基于目标点对第二簇的缺陷点信息进行更正。

在一些实施例中，位置信息为缺陷点在待测晶圆图像中的二维坐标，其中，二维坐标可以为笛卡尔坐标。例如，在一些实施例中，在待测晶圆图像中以晶圆中心为圆点，建立xy坐标平面，通过计算机读取待测晶圆图像中缺陷点的坐标位置。

本实施例中，当第二簇为线形缺陷时，基于第二簇所对应的多个缺陷点的坐标可以拟合出一条拟合曲线，该拟合曲线能够反应出线形缺陷的主要形貌。基于各个缺陷点与拟合曲线之间的间距，可以进一步判定相应缺陷点(包括：当前被聚类为第二簇的缺陷点，以及其他被过滤掉的无关联缺陷点)是否属于当前的第二簇。并且，当发现第二簇中存在有不相关点时，将不相关点从第二簇中移除，以对第二簇的缺陷点信息(也即具体包含的缺陷点个数与相应的位置信息)进行更正。其中，第一间距由工作人员基于历史工作经验进行设定，可以理解的是，第一间距小于邻域阈值。

可以理解的是，未能确定出拟合曲线的第二簇一般为聚集型缺陷。当然，为了保证缺陷识别的准确性，可以基于工作人员对这些第二簇进行目测识别，以更准确地判定第二簇的类型。

本实施例中，可以对聚集型缺陷与线形缺陷进行具体识别与分类，并且可以对线形缺陷进行更精确地识别。

在一些实施例中，晶圆上所生成的线形缺陷如划痕并不一定是完整连续的，由此在初次的聚类过程中，可能会将同一个线形缺陷分为识别为两个或多个第一簇。例如，图2中的(c)图中所示环形缺陷在部分区域断开；又例如图4a所示的弧形缺陷为晶圆加工过程中所造成的一条划痕，但是这条划痕并不完整，存在一些间断处。因此，在聚类过程中将划痕的几个间断开的第一、二、三、四弧形L1、L2、L3、L4分别识别为了四个不同的第一簇。为了对这类线形缺陷进行完整地识别，该方法进一步地还包括步骤：

当多个第二簇中的缺陷点呈线形分布时(也即能够得到一条拟合曲线时)，获取多个第二簇的端点的位置信息，端点为位于第二簇的线形的两端的缺陷点；

将端点的间距小于预设的第二间距的至少两个第二簇判定为相关联，并将相关联的至少两个第二簇进行合并。

例如，获取到第三弧形L3、第四弧形L4的两个端点处的缺陷点的位置信息，计算机对第三弧形L3、第四弧形L4各自的两个端点进行两两对比，当判断出第三弧形L3的一个端点与第四弧形L4的一个端点之间的间距小于第二间距时，则判定第三、四弧形属于同一个线形缺陷(也即判断这两个弧形相关联)，基于同样的方法对第一、二弧形进行识别，以完整地识别出一个线形缺陷。

本实施例中，可以简单地通过线形缺陷的端点的位置对比快速地对线形缺陷进行完整识别。

在一些实施例中，第二间距等于邻域阈值。

或者，在另一些实施例中，第二间距基于待测图像上缺陷特征进行设定，缺陷特征还包括：缺陷的分布特征。具体地，工作人员基于历史工作经验，根据缺陷的分布特征(如划痕的间断特点)设定相应的第二间距。

或者，在另一些实施例中，为了完整地识别出线形缺陷，该方法进一步地还包括步骤：

获取多个第二簇所对应包括的多个缺陷点的位置信息；

分别基于位置信息确定出对应于多个第二簇的多个拟合曲线；

当判断出至少两个拟合曲线的曲线特征(如曲线图形或曲线表达式等)相同或相近时，判定相对应的至少两个第二簇相关联，并将相关联的至少两个第二簇进行合并。

优选地，本实施例中，首先获取到所有属于线形缺陷的第二簇的拟合曲线。例如，当检测到两个或多个线形缺陷的拟合曲线图形均属于一个圆周图形时，则认为该两个或多个线形缺陷属于同一个环形缺陷，并对相应的两个或多个线形缺陷进行合并。又例如，当检测到两个或多个直线形缺陷的拟合曲线相同或相近时，则认为该两个或多个直线形缺陷属于同一个直线形缺陷，并对相应的两个或多个直线形缺陷进行合并。

为了进一步地提高线形缺陷识别的准确性，在一些实施例中，该方法还包括步骤：

基于合并后所得的第二簇确定合并后的拟合曲线；

判断是否有其他缺陷点与合并后的拟合曲线的间距小于第一间距，且当存在其他缺陷点与合并后的拟合曲线的间距小于或等于第一间距时，将其他缺陷点判定为目标点；

基于目标点对合并后的第二簇进行更正。

例如，在一些实施例中，当合并后所得的第二簇为环形缺陷时，相应得到一个圆周的表达式(也即合并后的拟合曲线)，基于该圆周表达式可以进一步地对环形缺陷所包括的缺陷点进行搜寻。

如图2中(c)图中的环形缺陷04所示，环形缺陷中的部分断开处也存在少量的缺陷点，但是由于这些断开处的缺陷点与其他缺陷点相距较远，因此在初步聚类中并不会被聚类到相应的第一簇中。通常，这样的错误对缺陷的识别与分析产生的干扰影响很小，在实际工作应用中可以接受。

但是为了适应一些对识别精度要求更高的应用场景，本实施例还需要对这些可能存在于间断处的缺陷点进行搜寻。具体地，通过对比其他缺陷点(主要为未被识别为第二簇的缺陷点)与当前拟合曲线之间的间距，以判断其他缺陷点中是否存在目标点(也即属于该第二簇的缺点点)。且当识别到在其他缺陷点中还存在目标点时，将该目标点归类到相应的第二簇中，以对第二簇中的缺陷点信息进行更新。其中，缺陷点信息为所包括的缺陷点个数以及缺陷点坐标。

在一些实施例中，步骤S20可以基于现有的多种基于密度的聚类算法实现。

优选地，在一些实施例中，该方法通过基于密度的聚类算法-DBscan(Density-Based Spatial Clustering of Applications with Noise)实施，其中最小核心点数为minpts，邻域阈值为配置半径，也即eps。换言之，本实施例提供了一种优化后的DBscan算法。

可以理解的是，上述所描述的步骤顺序仅为本发明中的一种可行实施方式，并未对步骤的执行顺序作出限制。例如，步骤S30可以在步骤S20之前执行也可以与步骤S20同步执行。或者步骤S30还可以在步骤S10之前执行，或与S10同步执行。

实施例二

基于上述实施例一，本发明还对应地提供了一种用于识别晶圆缺陷的系统，如图5所示，该系统包括：

缺陷点获取模块12，被配置为用于获取待测晶圆图像中的多个缺陷点；

聚类模块14，被配置为用于基于预设的最小核心点数与邻域阈值对多个缺陷点进行聚类，得到多个第一簇，其中，最小核心点数设为1；

特征核心点数确定模块16，被配置为用于基于待测晶圆图像中的缺陷特征确定至少一个特征核心点数阈值范围，缺陷特征包括：缺陷尺寸，和/或缺陷类型；

过滤模块18，被配置为用于基于至少一个特征核心点数阈值范围对多个第一簇进行至少一次过滤，对应得到至少一类第二簇，其中，同一类第二簇中对应包括的缺陷点的个数属于对应的特征核心点数阈值范围。

在一些实施例中，特征核心点数确定模块16包括：

缺陷特征确定单元162，被配置为用于基于待测晶圆图像初步确定待识别的至少一类目标簇，并确定目标簇的对应缺陷特征；

数值范围确定单元164，被配置为用于基于缺陷特征确定至少一个特征核心点数阈值范围。

进一步地，在一些实施例中，特征核心点数确定模块16确定了两个特征核心点数阈值范围，如第一阈值范围和第二阈值范围，相应地，过滤模块18进一步地包括：

第一过滤单元，被配置为用于基于所述第一阈值范围对所述多个第一簇进行第一次过滤，从所述多个第一簇中对应筛选出第一类第二簇；

第二过滤单元，被配置为用于基于所述第二阈值范围对筛选后剩下的所述第一簇进行第二次过滤，对应得到第二类第二簇。

进一步地，在一些实施例中，该系统还包括：第一更正模块，被配置为用于获取所述第二簇所对应包括的多个所述缺陷点的位置信息；基于多个所述位置信息确定与所述第二簇相对应的拟合曲线；

基于所述拟合曲线对相应的所述缺陷点进行筛选，将与所述拟合曲线的间距大于预设的第一间距的缺陷点判定为不相关点，将与所述拟合曲线的间距小于或等于所述第一间距的缺陷点判定为目标点；基于所述目标点对所述第二簇的缺陷点信息进行更正。

进一步地，在一些实施例中，该系统还包括：第一合并模块，被配置为用于当多个所述第二簇中的所述缺陷点呈线形分布时，获取多个所述第二簇的端点的位置信息，所述端点为位于所述第二簇的线形的两端的缺陷点；将所述端点的间距小于预设的第二间距的至少两个所述第二簇判定为相关联，并将相关联的至少两个所述第二簇进行合并。

进一步地，在一些实施例中，所述第二间距等于所述邻域阈值。

或者，在另一些实施例中，所述第二间距基于所述待测图像上缺陷特征进行设定，所述缺陷特征还包括：缺陷的分布特征。

进一步地，在一些实施例中，该系统还包括：第二合并模块，被配置为用于获取多个所述第二簇所对应包括的多个所述缺陷点的位置信息；分别基于所述位置信息确定出对应于多个所述第二簇的多个拟合曲线；当判断出至少两个所述拟合曲线的曲线特征相同或相近时，判定相对应的至少两个所述第二簇相关联，并将相关联的至少两个所述第二簇进行合并。

进一步地，在一些实施例中，该系统还包括：第二更正模块，被配置为用于基于合并后所得的第二簇确定合并后的拟合曲线，并判断是否有其他缺陷点与合并后的拟合曲线的间距小于所述第一间距，且当存在其他缺陷点与合并后的拟合曲线的间距小于或等于所述第一间距时，将所述其他缺陷点判定为目标点；基于所述目标点对合并后的第二簇进行更正。

可以理解的是，本实施例中所提出的系统具有与上述实施例的方法相同或相近的有益技术效果，此处不再赘述。

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6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。

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：获取待测晶圆图像中的多个缺陷点；基于预设的最小核心点数与邻域阈值对多个缺陷点进行聚类，得到多个第一簇，其中，最小核心点数设为1；基于待测晶圆图像中的缺陷特征确定至少一个特征核心点数阈值范围，缺陷特征包括：缺陷尺寸，和/或缺陷类型；基于至少一个特征核心点数阈值范围对多个第一簇进行至少一次过滤，对应得到至少一类第二簇，其中，同一类第二簇中对应包括的缺陷点的个数属于对应的特征核心点数阈值范围。

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 (10)

1.一种用于识别晶圆缺陷的方法，其特征在于，包括：

获取待测晶圆图像中的多个缺陷点；

基于预设的最小核心点数与邻域阈值对所述多个缺陷点进行聚类，得到多个第一簇，其中，所述最小核心点数设为1；

基于所述待测晶圆图像中的缺陷特征确定至少一个特征核心点数阈值范围，所述缺陷特征包括：缺陷尺寸，和/或缺陷类型；

基于至少一个所述特征核心点数阈值范围对所述多个第一簇进行至少一次过滤，对应得到至少一类第二簇，其中，同一类所述第二簇中对应包括的所述缺陷点的个数属于对应的所述特征核心点数阈值范围。

2.根据权利要求1所述的方法，其特征在于，基于所述待测晶圆图像中的缺陷特征确定至少一个特征核心点数阈值范围的步骤包括：

基于所述待测晶圆图像初步确定待识别的至少一类目标簇，并确定所述目标簇的对应缺陷特征；

基于所述缺陷特征确定至少一个特征核心点数阈值范围。

3.根据权利要求2所述的方法，其特征在于，至少一个所述特征核心点数阈值范围包括：第一阈值范围和第二阈值范围，相应地，基于至少一个所述特征核心点数阈值范围对所述多个第一簇进行至少一次过滤的步骤包括：

基于所述第一阈值范围对所述多个第一簇进行第一次过滤，从所述多个第一簇中对应筛选出第一类第二簇；

基于所述第二阈值范围对筛选后剩下的所述第一簇进行第二次过滤，对应得到第二类第二簇。

4.根据权利要求1所述的方法，其特征在于，还包括步骤：

获取所述第二簇所对应包括的多个所述缺陷点的位置信息；

基于多个所述位置信息确定与所述第二簇相对应的拟合曲线；

基于所述拟合曲线对相应的所述缺陷点进行筛选，将与所述拟合曲线的间距大于预设的第一间距的缺陷点判定为不相关点，将与所述拟合曲线的间距小于或等于所述第一间距的缺陷点判定为目标点；

基于所述目标点对所述第二簇的缺陷点信息进行更正。

5.根据权利要求1所述的方法，其特征在于，还包括步骤：

当多个所述第二簇中的所述缺陷点呈线形分布时，获取多个所述第二簇的端点的位置信息，所述端点为位于所述第二簇的线形的两端的缺陷点；将所述端点的间距小于预设的第二间距的至少两个所述第二簇判定为相关联，并将相关联的至少两个所述第二簇进行合并。

6.根据权利要求5所述的方法，其特征在于，所述第二间距等于所述邻域阈值；或者，所述第二间距基于所述待测图像上缺陷特征进行设定，所述缺陷特征还包括：缺陷的分布特征。

7.根据权利要求1所述的方法，其特征在于，还包括步骤：

获取多个所述第二簇所对应包括的多个所述缺陷点的位置信息；

分别基于所述位置信息确定出对应于多个所述第二簇的多个拟合曲线；当判断出至少两个所述拟合曲线的曲线特征相同或相近时，判定相对应的至少两个所述第二簇相关联，并将相关联的至少两个所述第二簇进行合并。

8.根据权利要求7所述的方法，其特征在于，还包括步骤：

基于合并后所得的第二簇确定合并后的拟合曲线，

判断是否有其他缺陷点与合并后的拟合曲线的间距小于所述第一间距，且当存在其他缺陷点与合并后的拟合曲线的间距小于或等于所述第一间距时，将所述其他缺陷点判定为目标点；

基于所述目标点对合并后的第二簇进行更正。

9.一种用于识别晶圆缺陷的系统，其特征在于，包括：

缺陷点获取模块，被配置为用于获取待测晶圆图像中的多个缺陷点；

聚类模块，被配置为用于基于预设的最小核心点数与邻域阈值对所述多个缺陷点进行聚类，得到多个第一簇，其中，所述最小核心点数设为1；特征核心点数确定模块，被配置为用于基于所述待测晶圆图像中的缺陷特征确定至少一个特征核心点数阈值范围，所述缺陷特征包括：缺陷尺寸，和/或缺陷类型；

过滤模块，被配置为用于基于至少一个所述特征核心点数阈值范围对所述多个第一簇进行至少一次过滤，对应得到至少一类第二簇，其中，同一类所述第二簇中对应包括的所述缺陷点的个数属于对应的所述特征核心点数阈值范围。

10.根据权利9所述的系统，其特征在于，特征核心点数确定模块包括：

缺陷特征确定单元，被配置为用于基于所述待测晶圆图像初步确定待识别的至少一类目标簇，并确定所述目标簇的对应缺陷特征；

数值范围确定单元，被配置为用于基于所述缺陷特征确定至少一个特征核心点数阈值范围。

Images