CN115266757A - 缺陷检测设备与方法 - Google Patents

缺陷检测设备与方法 Download PDF

Info

Publication number
CN115266757A
CN115266757A CN202211034142.0A CN202211034142A CN115266757A CN 115266757 A CN115266757 A CN 115266757A CN 202211034142 A CN202211034142 A CN 202211034142A CN 115266757 A CN115266757 A CN 115266757A
Authority
CN
China
Prior art keywords
target
spot
defect
light
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.)
Pending
Application number
CN202211034142.0A
Other languages
English (en)
Inventor
关心
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.)
Intel Products Chengdu Co Ltd
Intel Corp
Original Assignee
Intel Products Chengdu Co Ltd
Intel Corp
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 Intel Products Chengdu Co Ltd, Intel Corp filed Critical Intel Products Chengdu Co Ltd
Priority to CN202211034142.0A priority Critical patent/CN115266757A/zh
Publication of CN115266757A publication Critical patent/CN115266757A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种缺陷检测方法与设备。该方法包括获取多组目标单元的光学图像；将所述多组目标单元中每个目标单元的光学图像转换为光斑分布图；基于目标缺陷的特征属性，提取所述光斑分布图中每个光斑的至少一个光斑特征；以及通过利用无监督的机器学习处理所述多组目标单元的所述光斑特征来确定所述光斑分布图中是否包含异常光斑来判断所述目标单元是否存在所述目标缺陷。

Description

缺陷检测设备与方法
技术领域
本发明涉及芯片的封装与测试，尤其涉及封装与测试过程中的缺陷检测。
背景技术
在半导体芯片的大批量制造(HVM)环境中，通常采用机器对芯片进行组装和测试，在此过程中不可避免地可能会影响到芯片的良品率。例如，由于测试机器内落入的异物而使得在操作机器时损伤芯片管脚焊锡点，或者在包含焊点的芯片表面(即芯片背面)留下压痕。例如图1A示出了经由测试机器处理的芯片的背面的捕获图像的示意图，其中A-A为存在压痕的区域放大图，B-B所示为在芯片的背面留下的压痕，如图所示该压痕也部分地损伤了焊锡点。由此可见，由于机器硬件故障问题，会导致由该机器操作的芯片出现系统性压痕缺陷，这样的缺陷可能会带来不可预测的影响。此外，在机器的组装和测试中也可能存在测试机器误将异物例如焊球等粘在芯片表面上。
所有这些缺陷都有可能对芯片的质量和可靠性带来不利影响，因此需要在发送客户之前检出。由于这些物理性缺陷可能非常微小，通常采用图像分析技术来进行识别。一种常用的方法是基于规则的图像分析技术，例如在将芯片的光学图像转换为光斑分布图后，通过测量光斑分布图中的各光斑参数例如纵、横尺寸、亮度或面积，并将所测量的参数值与一经验阈值进行对比来判断是否有缺陷发生。例如对于图1A所示的压痕，通过测试压痕的尺寸(长、宽或面积等)并与一阈值进行来判断此类压痕的存在。但显然基于规则的方法只适用于具有固定特征的缺陷，而不能适应于无法预料的缺陷类型，而且即使是对于同一缺陷例如异物，当异物形态发生变化仍有漏检的可能。因此机械地采用固定规则来判断缺陷，容易导致误报警或漏报警的发生。现有技术中也有采用深度学习(例如基于卷积神经网络)来分析芯片图像，从而可以实现自动地判断出当前处理的芯片是否存在缺陷，然而目前的方案虽然可以适用于自动地学习并预测缺陷，但这样的深度学习需要基于大量的样本来训练网络模型，并且在实施时需要进行大量的计算，因此并不利于生产线上的实时检测。
发明内容
本发明提出一种改进的自动且有效地检测芯片单元上发生的缺陷的检测方案。按照本发明的一个方面，提供一种缺陷检测方法，包括：获取多组目标单元的光学图像；将所述多组目标单元中每个目标单元的光学图像转换为光斑分布图；基于目标缺陷的特征属性，提取所述光斑分布图中每个光斑的至少一个光斑特征以建立所述多组目标单元的光斑特征数据集；通过利用无监督的机器学习处理所述多组目标单元的所述光斑特征集来确定所述光斑分布图中是否包含异常光斑来判断所述目标单元是否存在所述目标缺陷。
按照本发明的另一个方面，提供一种缺陷检测设备，包括图像获取模块，配置为获取多组目标单元的光学图像；图像转换模块，配置为将所述多组目标单元中每个目标单元的光学图像转换为光斑分布图；特征确定模块，配置为基于待检测的目标缺陷的特征属性而提取所述光斑分布图中每个光斑的至少一个光斑特征以建立所述多组目标单元的光斑特征数据集；以及异常识别模块，配置为通过利用无监督的机器学习处理所述多组目标单元的所述光斑特征集来确定所述光斑分布图中是否包含异常光斑来判断所述目标单元是否存在所述目标缺陷。
在本发明的一个优选示例中，异常识别模块进一步配置为对所述多组目标单元的所述异常光斑执行聚类处理以确定所述异常光斑是否具有固定的位置模式特征；以及当确定所述异常光斑具有固定的位置模式特征时，则判断所述目标单元在所述位置模式指示的位置处存在所述目标缺陷。这里，所采用的无监督的机器学习可以是孤立森林算法；并对异常光斑执行聚类处理可以应用基于密度的噪声应用空间聚类(DBSCAN)算法。
附图说明
图1A示出了芯片背面图像的示意图；
图1B示出了芯片背面图像的光斑分布示意图；
图2示出根据本发明的缺陷检测系统的示意图；
图3示出根据本发明一个示例的缺陷检测设备的示意图；
图4示出根据本发明一个示例的缺陷检测方法的流程图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明。在本发明实施例中，‘目标缺陷’定义为对芯片表面的损伤或异物附着，例如由测试机器对芯片表面造成的压痕、随同压痕一起对管脚焊锡球的损伤(例如导致管脚正常焊锡球的变形，缺失等)，单纯地对管脚焊锡球的损伤，或者在非管脚位置处误植入的焊锡球等。
图2示出了根据本发明的检测系统的框图。如图所示，该系统包括至少一个光源100，图像传感器200例如照相机以及缺陷检测设备300。光源100用于对待检测的芯片背面进行照射，同时图像传感器200在检测设备300的控制下捕获芯片背面的图像，以下记为BImg，其中在芯片的背面布置了芯片管脚，例如图1A所示。按照本发明的实施例，光源100可以在检测设备300的控制下发出不同光强或光波长的光线，从而使得光线在照射到芯片背面时，便于突出焊球或压痕等缺陷相对于芯片背面的特征差异。光源100也可以是可发出不同光强或光波长的多个光源，可在检测设备300控制下进行切换不同的光源，以对芯片进行照射。
在生产线上，为了提高处理速度，通常在一个测试机器中包含多个测试单元TU以并行方式对芯片进行封装与测试，而按照本发明的实施例，对经过不同测试单元封装与测试的芯片进行标识，从而使得每个经过测试的芯片均与对应的测试单元TU相关联。在一个示例中，可按测试单元TU对所测试的芯片进行分组，从而使得每一组的芯片单元与相应的测试单元TU相关联，例如对由测试机器上的测试单元TU1处理的一组芯片统一采用TU1来标识，而对由测试单元TU2处理的一组芯片采用TU2标识，以此类推。
检测设备300从传感器200接收所捕获的多组芯片的光学图像BImg，并对这些光学图像进行分析以判断在经由测试机器组装与测试后的芯片上是否存在缺陷。图3示出根据一个示例的检测设备300的框图。如图所示，检测设备300包括图像获取模块301、图像转换模块302、特征确定模块303，异常识别模块304。图像获取模块301配置为在光源100照射芯片时触发传感器200捕获具有管脚焊锡球排列的芯片背面的光学图像BImg，同时接收并缓存由传感器200所捕获的图像BImg。在本发明的另一示例中，图像获取模块301也可以直接接收(例如由第三方)事先捕获的一批芯片的图像BImg。
按照本发明的一个示例，所缓存的每个芯片图像BImg均与处理该芯片的测试单元TU相关联，例如可以采用将图像BImg以测试单元标记TU为索引缓存在存储器中。为便于说明，假定在本示例中，图像获取模块301接收了一批芯片的图像BImg，其中该批芯片包括共N组芯片，且每一组芯片包含M个芯片，由此，图像获取模块301缓存了N×M个图像BImg。
图像转换模块302配置为将N组芯片中每个芯片的图像BImg转换为光斑分布图，这里可以采用日前已知的转换技术，例如对每个图像BImg执行二值化，并采用图像分割技术对二值化图像分割以得到前景和背景，这里的背景是指正常的不存在任何缺陷的芯片背面的标准参考图像。然后对前景中相同或类似的像素执行区域连通，从而形成一个光斑(Blob)，由此可以基于每个BImg图像而生成包含一个或多个光斑的光斑分布图BlobPatten，例如图1B示出经由图1A的背面图像BImg转换得到的光斑分布图。
特征确定模块303提取每个芯片的光斑分布图BlobPatten中的光斑特征BF，这里的光斑特征BF例如可包括：(1)每个光斑Blob的尺寸特征，例如光斑中的像素数量、光斑大小(例如长度、宽度或面积等)；(2)光斑的灰度或像素亮度，其反映了像素相对于背景的对比度；(3)光斑的统计特征，例如不同维度上的尺寸比(例如长宽比)Ratio，光斑中最亮与最暗像素的距离Range，以及光斑内像素灰度的变化Variation、光斑内边缘像素与中心像素的灰度差异等。当然光斑特征并不限于上述示例，还可以根据需要而选择其它特征，例如形状、方向矢量等。
按照本发明的一个示例，特征确定模块303配置为基于要检测的目标缺陷的特征属性或类型来确定提取哪一种或几种类型的光斑特征BF以便进行异常缺陷识别检测。例如对于诸如芯片表面上被按压而损伤的焊球，由于焊球的材质是光亮金属，其焊球的损伤表面相对于芯片背面具有高对比度，因此可以基于光斑的例如灰度来提取光斑特征BF，显然由于焊球的高灰度特性可以将焊球与芯片背景噪声更明显地区分开，从而可以更好地进行这种焊球异物的检测。而对于诸如由于机器在操作芯片时造成的表面压痕缺陷，可以采用光斑的长、宽、纵横比Ratio或Range等作为要处理的光斑特征。因此，按照本发明的实施例，特征确定模块303可以基于用户设定或期望的目标缺陷类型而提取不同的光斑特征。作为示例，这里以焊球损坏缺陷为例，描述本发明的实施例。
假定在一个芯片单元的光斑分布图BlobPatten上存在m个光斑Blob，其中至少一个光斑Blob包含了损坏焊球的像素。特征确定模块303提取每个光斑的灰度分布值，为便于描述，将对应于每个芯片的这些灰度分布表示如下：
Figure BDA0003818282510000061
其中Xi代表其中第i个光斑的灰度分布，即位于该光斑内的各像素的灰度值集合{x}，其中x代表第i个光斑内的每个像素的灰度值。在本例中，特征确定模块303基于光斑的灰度值集合{x}而确定每个光斑的至少一个光斑特征，作为示例，这里确定光斑与灰度有关的三个特征，包括：
(1)灰度平均值
Figure BDA0003818282510000062
以此来代表第i个光斑的平均灰度，这里
Figure BDA0003818282510000063
这里函数Avg代表计算数据集{x}的平均值，可以采用本领域已知的任何函数实现，例如算术平均、加权平均等；
(2)光斑的灰度分布Variation，例如可通过计算光斑灰度分布{x}相对于平均值
Figure BDA0003818282510000064
的方差来表示，这里的方差VAR可通过下式计算：
Figure BDA0003818282510000065
其中，xij代表第i个光斑的第j个像素的灰度，n代表第i个光斑的像素个数。
(3)位于光斑边缘的各像素与中心像素之间的灰度差DIF，例如可通过下式计算：
Figure BDA0003818282510000071
其中xm代表第i个光斑边缘的一个像素的灰度，而x0代表光斑中心的灰度或平均灰度，m代表第i个光斑边缘的像素个数。
由此，特征确定模块303确定了表征每个光斑的三维特征
Figure BDA0003818282510000072
Figure BDA0003818282510000073
此外，特征确定模块303还进一步提取第i个光斑的位置信息POSi。这里需要指出的是，每个芯片的光斑的数量彼此之间不一定相同，这取决于像素转换模块302的转换处理结果。这里为便于描述，仍假定每个芯片的光斑分布中均包含m个光斑。由此，对于N组芯片来说，特征确定模块303确定了N×M×m个光斑的光斑灰度特征
Figure BDA0003818282510000074
形成光斑数据集，这里以
Figure BDA0003818282510000075
表示。
这里需要指出的是，在数据集
Figure BDA0003818282510000076
中，每个数据点即光斑均与该光斑所在的芯片、在芯片内所处的位置POS以及芯片所在的分组相关联，从而可以基于该数据点来确定其芯片来源。
异常识别模块304对数据集
Figure BDA0003818282510000077
进行处理，以确定其中是否存在异常数据点，即确定在这种光斑集合中是否包含异常光斑，从而可以判断出该芯片背面是否存在例如焊球异常。按照本发明的一个示例，异常识别模块304通过采用机器学习例如孤立森林(IsolationForest)算法来对数据集
Figure BDA0003818282510000078
执行异常检测。按照本发明的该实施例，不需要对孤立森林树进行事先训练，而是按照孤立森林算法对数据集
Figure BDA0003818282510000079
内的数据点按照维度
Figure BDA00038182825100000710
VARi,DIFi进行随机节点切分，从而确定N×M×m个数据点的树高度h(x)，并进而确定这些数据点中的每个数据点在所有树中的平均高度Eh(x)，由此可基于平均高度E(h(x))来评估每个数据点，例如每个节点的评估分s(x)可依下式确定：
s(x)＝2-E(h(x))
由此，当数据集
Figure BDA0003818282510000081
内某个数据点
Figure BDA0003818282510000082
的评估分s(xi)超出一阈值例如大于sMAX时，则可以确定该数据点
Figure BDA0003818282510000083
为异常点，由此确定由异常点
Figure BDA0003818282510000084
对应的第i个光斑为异常光斑。在本发明中用于评估异常数据点的方式不限于上述示例，可以采用现有技术中已知的其它方式，例如采用对数据点高度h(x)进行归一化，从而实现以阈值(0，0.5，1)来判断异常，其中如果一个数据点得分s很接近1，那么可以认为是异常点；如果一个数据点得分s远远小于0.5，那么可以被认为是正常点；而如果所有的数据点得分s≈0.5，那么所有的样本可能没有明显的异常点存在。假定在本例中异常识别模块305确定第100个数据点
Figure BDA0003818282510000085
为异常数据点，则基于在生成数据集
Figure BDA0003818282510000086
时的关联机制，可确定第100个数据点的具体光斑位置，例如是第2组芯片中第3个芯片中POS4位置处的光斑可能存在异常，因此异常识别模块305可输出异常报警信号以提示用户该异常。这里需要指出的是，在对N组芯片的处理中，可能发现的异常不只出现在一个芯片中，因此异常处理模块305可输出指示发现多个异常的报警信号。
在本发明的另一种实现方式中，还可以为孤立森林算法预先指定树高度，例如树高＝8，即按照三个维度
Figure BDA0003818282510000087
VARi,DIFi对数据集
Figure BDA0003818282510000088
内的数据点随机切割8次，然后评估每个节点的评估分s(x)。按照本示例，同时将孤立森林算法的‘污染’参数contamination设置为范围0.001～0.002。由此，当评估为异常数据点的总数占全部数据点的总数之比率R介于0.1％～0.2％之间时，则可确认在数据集
Figure BDA0003818282510000089
中存在异常数据点，即当前检测的一批芯片中存在异常缺陷，因此可生成报警信号。而当R小于0.1％时，则表明芯片中可能存在偶发性缺陷，这样的缺陷可以忽略不计；而当R大于0.2％时，由于通常在一批待检测芯片中存在高比例的异常缺陷芯片的可能性非常低，因此，按照本发明，在R大于0.2％时可视为当前待检测芯片中不存在缺陷。这里需要指出的是，contamination的参数值选择为0.001～0.002是有意义的，也是证实有效的，既避免了由于偶发性缺陷导致的不必要报警，也可以保证不会错失有问题的系统性缺陷的漏报。由此通过在光斑信息处理中特别地引入了孤立森林这一机器学习算法，可以取得非常显著的异常光斑检测效果。
此外，在上述示例中，是以灰度为参考来提取光斑的三个特征
Figure BDA0003818282510000091
VARi，DIFi来说明上述实施例的，但本发明并不限于此，例如在以灰度为参考的前提下，还可以增加或减少有关灰度的特征，例如可以仅提取
Figure BDA0003818282510000092
来表征每个光斑，或者进一步增加光斑内最亮与最暗像素的差Range即采用四维特征来表征每个光斑。此外，对于例如压痕缺陷，可以提取光斑的长、宽、面积等一维或更多维物理尺寸特征来表征每个光斑。在本发明的其它实施例中，对于缺陷的检测，还可以组合提取光斑的灰度相关特征及物理尺寸特征来表征每个光斑。
同时也应注意到，由于像素转换误差、噪声或者所发现的缺陷仅是随机缺陷，因此在上述的异常检测中仍可能会出现误报警或者对于随机缺陷的非必要报警。因此在本发明的另一优选实施例中，异常识别模块305进一步对所确定的异常数据点进行甄别，从而仅对芯片上出现的规律性缺陷进行报警。为便于描述，这里以
Figure BDA0003818282510000093
代表由异常识别模块305确定的异常数据点的集合。异常识别模块305采用无监督的机器学习聚类算法对数据点集
Figure BDA0003818282510000094
执行聚类处理，以便将相似的数据点分组到一类中，从而排除由于误差或噪声所引起的误检测。按照本发明的一个示例，异常识别模块305采用基于密度的噪声应用空间聚类(DBSCAN)算法来执行聚类处理，DBSCAN作为无监督的机器学习算法，不需要事先指定聚类的数量，同时可以适应于不同形状与数量的光斑数据点集。按照本发明的实施例，由于在经过孤立森林处理后得到的异常光斑数据集
Figure BDA0003818282510000095
的密度得到很大的降低，因此对异常光斑数据集
Figure BDA0003818282510000096
执行DBSCAN算法可以对异常光斑进行有效甄别。按照本实施例，在执行DBSCAN算法时，设置其搜索半径参数epsilon的值位于100～300um之间，并且每个聚类中的最小点数minpts不小于3。在一个优选示例中，epsilon设置为100um或200um。按照本发明的另一个实施例，epsilon的最大值不超过芯片管脚之间的最小距离，优选地不超过最小距离的一半。
由此，当利用DBSCAN算法确定出至少一个聚类例如C1以及不满足聚类条件的离散的数据点时，异常识别模块305可标识出聚类C1内的数据点的位置模式LP，即在聚类C1内的数据点即光斑在芯片上的分布位置，该模式LP指示了C1聚类内的数据点围绕一固定的位置分布，由此可以确定在由位置模式LP所指示的位置处发生的缺陷是真实的缺陷，并且由于发生于多个芯片中，因此该缺陷是共性缺陷，例如在批量处理的多个芯片的表面上都留下了焊球损伤。同时对于未成功聚类的数据点，则表明该数据点是离散的，具有偶然性，因此异常识别模块305将由离散的数据点所代表的异常光斑排除存在异常的可能。
按照本发明的另一实施例，还可以进一步基于异常识别模块305确定的聚类C1，而进一步分析是否存在硬件或机器共性问题而导致该聚类中的形成，即引起由该聚类中位置模式LP所指示的位置处的共性缺陷的发生。为此，如图3所示，设备300进一步包括溯源分析模块305，配置为获取聚类C1中各异常数据点即光斑Blob所在的芯片的分组信息TU，其中当所有的异常光斑或至少一部分异常光斑Blob所在芯片分组信息指示同一分组时，则表明处理该组芯片的测试单元可能出现了共性故障。例如当聚类C1中一部分或全部光斑所在芯片的分组信息是TU3时，则溯源分析模块305可确定对用于处理第3组芯片的第3号测试单元可能存在共性故障；同时当聚类C1中另外一部分光斑所在芯片的分组信息是TU7时，则溯源分析模块305可确定对用于处理第7组芯片的第7号测试单元可能存在共性故障。从而溯源分析模块305确定第3、7号测试单元可生故障，可能是导致目标缺陷例如焊球的源。因此，溯源分析模块305可形成指示测试机器的第3、7号测试单元存在共性故障的报警信号，从而提示机器操作人员对第3、7号机器进行检查，并排除故障。
在上述实施例中，是以焊球损伤缺陷为例并通过确定光斑的灰度相关特征作为表示光斑图像的特征，其好处是对于焊球而言，灰度特征可以很好地将其与背景区分开。为了在进行异常检测时能更好地突出缺陷与正常背景之间差异，根据本发明，检测系统可配置多种光源100，例如倾斜照明系统OLS、同轴照明系统CLS或倾斜与同轴组合照明系统OCLS等，并且异常检测设备300还包括光源设置模块306，如图3所示，光源设置模块306配置为基于待检测的目标缺陷的特征属性而选择合适的光源以便增强所述获取的光学图像BImg中的目标缺陷相对于作为背景的目标单元的特征差异。例如对于芯片上可能存在的焊球损伤缺陷，由于其相对于芯片表面可反射更多的光，即亮度更高，因此光源设置模块306可选择倾斜同轴组合照明系统OCLS作为照射光源100，并通过激活倾斜同轴组合照明系统来照射芯片表面，从而使传感器200可拍摄到更明亮的图像以抑制背景噪声。而对于例如机器造成的压痕缺陷，由于其是对芯片表面的物理结构的破坏，因此可以选择倾斜照明系统OLS或同轴照明系统CLS作为光源100来照射芯片。在本发明的另一实施例中，也可以通过变换同一光源的发光强度或光谱的方式来适应不同的缺陷类型。例如，对于焊球缺陷，可以使光源100发出更强光强的光线来照射芯片表面；而对于类似压痕这样具有物理凹陷的缺陷，则光源设置模块306可以控制光源100发出较低光强的光线，从而更好地突出压痕的凹陷区。由此，特征选择模块303可以接收光源设置模块306的光源设置信息，并据此来提取光斑特征BF。
在上述示例中，是以分析光斑的灰度相关特征来执行异常检测，但显然本发明并不限于此，还可以通过组合分析光斑的多个特征例如长宽比Ratio、距离Range以及光斑内像素的灰度变化分布，从而实现对异常光斑的检测。例如压痕检测，由于是测试单元TU的硬件故障导致，因此压痕具有基本恒定的特征，因此可以通过组合分析光斑的光斑面积以及灰度分布模式来执行压痕检测。
图4示出了根据本发明一个示例的由检测设备300执行的缺陷检测方法的流程图。如图所示，在步骤401，检测设备300从传感器200接收并缓存由测试机器的多个测试单元TU处理过的多组芯片的光学图像BImg。按照本发明的一个示例，所缓存的每个芯片图像BImg均与处理该芯片的测试单元TU相关联。作为示例，检测设备300共缓存了N×M个图像BImg，其中N对应于测试单元TU的数量，而M代表在本批次检测中每个测试单元处理的芯片数量。
在步骤403，将N×M个图像BImg中的每个图像BImg转换为光斑分布图，例如采用二值化图像处理技术来形成包含一个或多个光斑的光斑分布图BlobPatten。随后在步骤405，基于要检测的目标缺陷的特征属性或类型来确定提取一种或几种类型的光斑特征BF来用于异常缺陷识别检测。按照本发明，可使用的光斑特征BF包括但不限于：(1)每个光斑Blob的像素数量、光斑大小等尺寸特征；(2)光斑的灰度或像素亮度等光学特征；以及(3)光斑的统计特征，例如不同维度上的尺寸比Ratio，光斑中最亮与最暗像素的距离Range，以及光斑内像素灰度的变化Variation、光斑边缘的灰度分布特征等。作为示例，对于期望检测芯片上是否存在焊球损伤时，在步骤405，基于光斑灰度值来计算每个光斑的至少三个光斑特征
Figure BDA0003818282510000121
这里
Figure BDA0003818282510000122
代表第i个光斑的平均灰度，VARi代表第i个光斑的光斑分布的方差表示，而DIFi代表第i个光斑的光斑边缘的像素灰度分布。此外，在步骤405，进一步提取每个光斑的位置信息POS。
在步骤407，基于计算得到的每个光斑的三维特征
Figure BDA0003818282510000123
建立光斑数据集
Figure BDA0003818282510000124
其中的每个数据点代表一个光斑，由
Figure BDA0003818282510000125
Figure BDA0003818282510000131
表示。在数据集
Figure BDA0003818282510000132
中，每个数据点均与该光斑所在的芯片、在芯片内所处的位置POS以及芯片所在的分组TU相关联。
在步骤409，利用无监督的机器学习对数据集
Figure BDA0003818282510000133
进行处理，以确定光斑集合中是否包含异常光斑，从而可以判断出该芯片背面是否存在例如焊球异常。按照本发明的一个示例，采用孤立森林(Isolation Forest)技术来对数据集
Figure BDA0003818282510000134
执行异常检测。按照孤立森林算法对数据集
Figure BDA0003818282510000135
内的数据点按照维度
Figure BDA0003818282510000136
VARi,DIFi进行随机节点切分，从而确定各数据点N×M×m的树高度h(x)，来确定其中是否存在异常数据点。例如当数据集
Figure BDA0003818282510000137
内第i个数据点
Figure BDA0003818282510000138
的评估分s(xi)超出一阈值例如大于sMAX时，则可以确定该数据点为异常点，由此确定由
Figure BDA0003818282510000139
表示的第i个光斑为异常光斑。由于生成数据集
Figure BDA00038182825100001310
时所建立的关联机制，利用所识别的异常点即可确定该光斑所处的具体光斑位置，因此可输出异常报警信号以提示用户该异常。在本发明的另一种实现方式中，还可以为孤立森林算法预先指定树高度，例如树高＝8，即按照三个维度
Figure BDA00038182825100001311
VARi,DIFi对数据集
Figure BDA00038182825100001312
内的数据点随机切割8次，然后评估每个节点的评估分s(x)。按照本示例，同时将孤立森林算法的‘污染’参数contamination的取值范围设置为(0.001,0.002)，即大于等于0.001且小于等于0.002。由此，当评估为异常数据点的总数占全部数据点的总数之比率R介于0.1％～0.2％时，则确定在数据集
Figure BDA00038182825100001313
中存在异常数据点。而当R超出0.1％～0.2％时(不管是小于或大于这个范围)，均视为待处理芯片中不存在缺陷，因此不产生报警信号。
按照本发明的另一优选示例，该流程还可以进一步对在步骤409所标识的异常数据点进行甄别。为此，如图4所示，在步骤411，建立异常数据点集合
Figure BDA00038182825100001314
其中的元素来自于在步骤409所确定的异常数据点。随后，在步骤413，采用无监督的机器学习聚类算法对数据点集
Figure BDA00038182825100001315
执行聚类处理，以便将相似的数据点分组到一类中，从而排除由于误差或噪声所引起的误检测。按照本发明的一个示例，这里可以采用基于密度的噪声应用空间聚类(DBSCAN)算法来执行聚类处理，并且特别地将搜索半径epsilon的取值范围设为100～300um，每个聚类中的最小点数minpts不小于3。由此，当在步骤413确定存在至少一个聚类例如C1时，则进入步骤415，进一步标识聚类C1内的数据点的位置模式LP，即在聚类C1内的数据点即光斑在芯片上的分布位置，该模式LP指示了C1聚类内的数据点围绕一固定的位置分布，由此可以确定在由位置模式LP所指示的位置处发生的缺陷是真实的共性缺陷，例如在批量处理的多个芯片的表面上都留下了焊球损伤。然后，进入步骤417，对于位于聚类例如C1之外的离散数据点，将由这些离散的数据点所代表的异常光斑排除存在异常的可能。如果在步骤413没有发现成功聚类，即数据点集
Figure BDA0003818282510000141
的数据点是离散的不满足聚类条件，则表明数据点集
Figure BDA0003818282510000142
中各数据点对应的异常光斑具有偶然性，因此在步骤417，将由据点集
Figure BDA0003818282510000143
内的异常数据点代表的异常光斑排除存在异常的可能，并且结束对本批次芯片的异常检测。
按照本发明的另一实施例，在步骤417中还可以进一步执行缺陷朔源步骤，利用在步骤413所确定的聚类，确定是否存在硬件或测试机器共性问题而导致该聚类中的缺陷形成，即引起由该聚类中位置模式LP所指示的位置处的共性缺陷的发生。为此，在步骤417，进一步获取例如聚类C1中各异常数据点即光斑Blob所在的芯片的分组信息TU，其中当所有的异常数据点或至少一部分异常数据点所在芯片分组信息指示同一分组时，则表明处理该组芯片的测试单元可能出现了共性故障。例如当聚类C1中一部分光斑所在芯片的分组信息是TU3时，则确定对用于处理第3组芯片的第3号测试单元可能存在共性故障；同时当聚类C1中另外一部分光斑所在芯片的分组信息是TU7时，则可确定对用于处理第7组芯片的第7号测试单元可能存在共性故障。由此，在步骤417输出指示测试机器的第3、7号测试单元存在共性故障的报警信号。
在上述实施例中，是以芯片作为目标单元来说明本发明的构思与方案，但本发明并限于此，而是可以适用任何其它需要执行个体单元的缺陷检测以提升缺陷的早期检测精度。根据本发明的检测方案，不但可以确保检测精度要求，而且可以在提高处理速度的同时，减少了系统的复杂度。
此外，虽然以上结合具体示例描述了本发明的示例性的方法，但可以理解，这里的描述的单元、模块以及方法步骤可以实现为电子硬件、计算机软件或二者的组合。此外，本发明另一实施例提供的机器可读介质上存储有机器可读指令，该机器可读指令在被处理器执行时，使处理器执行本文公开的前述的任一种方法。此外，上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基于上述多个实施例，本领域技术人员可以知晓，通过组合上述不同实施例能得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。

Claims (13)

1.一种缺陷检测方法，包括：
获取多组目标单元的光学图像；
将所述多组目标单元中每个目标单元的光学图像转换为光斑分布图；
基于目标缺陷的特征属性，提取所述光斑分布图中每个光斑的至少一个光斑特征以建立所述多组目标单元的光斑特征集；
通过利用无监督的机器学习处理所述多组目标单元的所述光斑特征集来确定所述光斑分布图中是否包含异常光斑来判断所述目标单元是否存在所述目标缺陷。
2.如权利要求1的缺陷检测方法，还包括：
对所述多组目标单元的所述异常光斑执行聚类处理以确定所述异常光斑是否具有固定的位置模式特征；
当确定所述异常光斑具有固定的位置模式特征时，则判断所述目标单元在所述位置模式指示的位置处存在所述目标缺陷。
3.如权利要求2的方法，其中所提取的光斑特征包括至少三个特征以建立每个光斑的至少三维特征表示；
其中利用所述无监督的机器学习处理所述光斑特征集包括：对所述至少三维特征表示的光斑特征集应用孤立森林算法以确定异常光斑数据集，其中在所述孤立森林算法中用于确定异常光斑的污染参数contamination取值范围为0.1％～0.2％；
其中对所述多组目标单元的所述异常光斑执行聚类处理包括对所述异常光斑数据集应用基于密度的噪声应用空间聚类DBSCAN算法，其中在所述DBSCAN算法中搜索半径epsilon的值位于100～300um之间，最小点数minpts不小于3。
4.如权利要求1-3之一的方法，其中所述至少一个光斑特征是基于所述目标缺陷的特征属性以及光源特性提取的，其中所述光学图像是在所述光源的照射下捕获的；
所述目标缺陷的特征属性包括：
所述目标缺陷相对于所述作为背景的目标单元的光学特征差异；
所述目标缺陷的物理形态特征；
所述光斑特征包括：
(1)长度与宽度；
(2)平均灰度值；
(3)长宽比；
(4)光斑中最亮与最暗像素的距离；
(5)光斑边缘与中心的灰度差；以及
(6)光斑中各像素的灰度变化。
5.如权利要求1-3之一的缺陷检测方法，其中所述多组目标单元中的每一组由测试机器中多组测试单元中的一个测试单元操作，
所述方法进一步包括：
当判断所述目标单元存在所述目标缺陷时，确定存在所述目标缺陷的所述目标单元与操作所述目标单元的测试单元的关联性；
当存在所述目标缺陷的不同目标单元均关联于同一测试单元时，则进一步判断所述同一测试单元存在硬件故障并导致所述目标缺陷。
6.如权利要求5的缺陷检测方法，进一步包括：
基于所述待检测的目标缺陷的特征属性，选择多个光源之一或调整光源的发光特性以便增强在所述获取的光学图像中目标缺陷相对于作为背景的所述目标单元的特征差异。
7.一种缺陷检测设备，包括：
图像获取模块，配置为获取多组目标单元的光学图像；
图像转换模块，配置为将所述多组目标单元中每个目标单元的光学图像转换为光斑分布图；
特征确定模块，配置为基于待检测的目标缺陷的特征属性而提取所述光斑分布图中每个光斑的至少一个光斑特征以建立所述多组目标单元的光斑特征集；
异常识别模块，配置为通过利用无监督的机器学习处理所述多组目标单元的所述光斑特征集来确定所述光斑分布图中是否包含异常光斑来判断所述目标单元是否存在所述目标缺陷。
8.如权利要求7的缺陷检测设备，所述异常识别模块进一步配置为：
对所述多组目标单元的所述异常光斑执行聚类处理以确定所述异常光斑是否具有固定的位置模式特征；
当确定所述异常光斑具有固定的位置模式特征时，则判断所述目标单元在所述位置模式指示的位置处存在所述目标缺陷。
9.如权利要求8的缺陷检测设备，其中所提取的光斑特征包括至少三个特征以建立每个光斑的至少三维特征表示；
其中所述异常识别模块进一步配置为：
对所述至少三维特征表示的所述光斑特征集应用孤立森林算法以确定异常光斑数据集，其中在所述孤立森林算法中用于确定异常光斑的‘污染’参数contamination取值范围为0.1％～0.2％；以及
对所述异常光斑数据集应用基于密度的噪声应用空间聚类DBSCAN算法，其中在所述DBSCAN算法中搜索半径epsilon的值位于100～300um之间，最小点数minpts不小于3。
10.如权利要求7-9之一的缺陷检测设备，其中所述至少一个光斑特征是基于所述目标缺陷的特征属性以及光源特性提取的，其中所述光学图像是在所述光源的照射下捕获的；
所述目标缺陷的特征属性包括：
所述目标缺陷相对于所述作为背景的目标单元的光学特征差异；
所述目标缺陷的物理形态特征；
所述光斑特征包括以下中的至少一个：
(1)长度与宽度；
(2)灰度值；以及
(3)长宽比；
(4)光斑中最亮与最暗像素的距离；
(5)光斑边缘与中心的灰度差；
(6)光斑中各像素的灰度变化。
11.如权利要求7-9之一的缺陷检测设备，其中所述多组目标单元中的每一组由机器中多组测试单元中的一个测试单元操作，
所述缺陷检测设备进一步包括溯源分析模块，配置为：
当判断所述目标单元存在所述目标缺陷时，确定存在所述目标缺陷的所述目标单元与操作所述目标单元的测试单元的关联性；
当存在所述目标缺陷的不同目标单元均关联于同一测试单元时，则进一步判断所述同一测试单元存在硬件故障并导致所述目标缺陷。
12.如权利要求11的缺陷检测设备，进一步包括：
光源设置模块，配置为基于所述待检测的目标缺陷的特征属性，选择多个光源之一或调整一个光源的发光特性以便增强所述获取的光学图像中的目标缺陷相对于作为背景的所述目标单元的特征差异。
13.一种存储有机器可读程序的机器可读存储介质，所述程序在由机器执行时使所述机器执行权利要求1-6之一的方法。
CN202211034142.0A 2022-08-26 2022-08-26 缺陷检测设备与方法 Pending CN115266757A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211034142.0A CN115266757A (zh) 2022-08-26 2022-08-26 缺陷检测设备与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211034142.0A CN115266757A (zh) 2022-08-26 2022-08-26 缺陷检测设备与方法

Publications (1)

Publication Number Publication Date
CN115266757A true CN115266757A (zh) 2022-11-01

Family

ID=83754780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211034142.0A Pending CN115266757A (zh) 2022-08-26 2022-08-26 缺陷检测设备与方法

Country Status (1)

Country Link
CN (1) CN115266757A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051564A (zh) * 2023-04-02 2023-05-02 广东仁懋电子有限公司 芯片封装缺陷检测方法和系统
CN116779497A (zh) * 2023-08-23 2023-09-19 深圳超盈智能科技有限公司 芯片的筛选方法、装置、设备及存储介质
CN116823816A (zh) * 2023-08-28 2023-09-29 济南正邦电子科技有限公司 一种基于安防监控静态存储器的检测设备及检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051564A (zh) * 2023-04-02 2023-05-02 广东仁懋电子有限公司 芯片封装缺陷检测方法和系统
CN116779497A (zh) * 2023-08-23 2023-09-19 深圳超盈智能科技有限公司 芯片的筛选方法、装置、设备及存储介质
CN116779497B (zh) * 2023-08-23 2023-10-31 深圳超盈智能科技有限公司 芯片的筛选方法、装置、设备及存储介质
CN116823816A (zh) * 2023-08-28 2023-09-29 济南正邦电子科技有限公司 一种基于安防监控静态存储器的检测设备及检测方法
CN116823816B (zh) * 2023-08-28 2023-11-21 济南正邦电子科技有限公司 一种基于安防监控静态存储器的检测设备及检测方法

Similar Documents

Publication Publication Date Title
CN115266757A (zh) 缺陷检测设备与方法
US10861145B2 (en) Defect inspection device and defect inspection method
US10297021B2 (en) Defect quantification method, defect quantification device, and defect evaluation value display device
CN111539908B (zh) 对样本的缺陷检测的方法及其系统
US8040503B2 (en) Method of inspecting a semiconductor device and an apparatus thereof
US11144778B2 (en) Descriptor guided fast marching method for analyzing images and systems using the same
US10816484B2 (en) Flaw inspection device and flaw inspection method
KR100598381B1 (ko) 인-라인 타입의 자동 웨이퍼결함 분류장치 및 그 제어방법
US20060222232A1 (en) Appearance inspection apparatus and appearance inspection method
JP5168215B2 (ja) 外観検査装置
EP2212909B1 (en) Patterned wafer defect inspection system and method
JP2019032268A (ja) 表面欠陥判定方法および表面欠陥検査装置
KR20210064365A (ko) 결함 검사 장치, 결함 검사 방법
KR102440742B1 (ko) 반도체 소자 검사 시스템 및 그 동작 방법
KR20210086303A (ko) 딥러닝 기반 패턴 검사 장치 및 그 장치를 이용한 검사 방법
JP2012173017A (ja) 欠陥分類装置
KR20210087100A (ko) 광 신호를 포인트 확산 함수에 피팅하는 것에 의한 결함 분류
US10241000B2 (en) Method for checking the position of characteristic points in light distributions
CN108335283A (zh) 一种自动检测分类玻璃缺陷的方法
CN115621147B (zh) 晶圆检测方法、装置及电子设备
US11475553B1 (en) Production-speed component inspection system and method
CN117554407B (zh) 一种光子晶体镀膜缺陷的在线检测方法及系统
US20230236132A1 (en) System for automatic diagnostics and monitoring of semiconductor defect die screening performance through overlay of defect and electrical test data
CN117522876A (zh) 一种基于颜色和面积的缺陷检测方法
CN118096767A (zh) 一种晶圆切割不良缺陷检测方法、系统、设备及存储介质

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