CN115310730A - 一种掩膜版生产过程中的污染物监测方法及系统 - Google Patents
一种掩膜版生产过程中的污染物监测方法及系统 Download PDFInfo
- Publication number
- CN115310730A CN115310730A CN202211239408.5A CN202211239408A CN115310730A CN 115310730 A CN115310730 A CN 115310730A CN 202211239408 A CN202211239408 A CN 202211239408A CN 115310730 A CN115310730 A CN 115310730A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- information
- production
- pollutants
- pollutant
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 189
- 238000012544 monitoring process Methods 0.000 title claims abstract description 182
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 171
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 151
- 230000008569 process Effects 0.000 claims abstract description 82
- 230000007547 defect Effects 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 14
- 239000000356 contaminant Substances 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012367 process mapping Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 230000005856 abnormality Effects 0.000 abstract 1
- 230000009471 action Effects 0.000 description 9
- 239000000428 dust Substances 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 238000011109 contamination Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 235000019580 granularity Nutrition 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000001259 photo etching Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/0606—Investigating concentration of particle suspensions by collecting particles on a support
-
- 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
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/146—Quality control systems during manufacturing process
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/075—Investigating concentration of particle suspensions by optical means
-
- 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
- G01N21/94—Investigating contamination, e.g. dust
- G01N2021/945—Liquid or solid deposits of macroscopic size on surfaces, e.g. drops, films, or clustered contaminants
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Pathology (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Game Theory and Decision Science (AREA)
- Immunology (AREA)
- Automation & Control Theory (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Dispersion Chemistry (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种掩膜版生产过程中的污染物监测方法及系统,涉及数据处理技术领域,通过根据当前生产工序信息确定污染物监测特征、监测手段信息;根据监测手段信息对生产工序过程进行监测获得监测信息,当存在污染物时根据监测结果生成提醒信息;当监测结果不存在污染物时,将监测结果、当前生产工序信息录入生产链中,基于生产链进行生产全过程污染物影响预测,当存在污染物影响时生成污染监测提醒信息。解决现有通过后道工序进行缺陷检测,缺乏在生产过程中的有效监测手段,存在缺陷发现不及时而影响产品品质和造成资源浪费的技术问题。达到实时监测并预测,及时发现异常,提高掩膜版品质同时避免资源的加工浪费的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种掩膜版生产过程中的污染物监测方法及系统。
背景技术
掩膜版的制造流程分为前道工艺和后道工艺。前道工艺主要包括图像产生、显影、蚀刻、脱膜和尺寸测量,前道工艺完成后一片掩膜版的图形制作部分已经完成。后道工艺主要包括缺陷检查、缺陷修补、清洗和加保护膜。在集成电路制造过程中,一个完整的芯片一般需要经过十几到三十几次的光刻,在这么多次光刻中,都需要使用到掩膜版,其目的是将掩膜版上的图形转移到晶圆上。掩膜版在生产过程中由于环境灰尘、操作问题等都可能对其质量产生影响,污染物主要包括了微尘、金属粒子残留、胶残留等。
现有技术中主要通过后道工序进行缺陷检测,缺乏在生产过程中的有效监测手段,存在缺陷发现不及时而影响产品品质和造成资源浪费的技术问题。
发明内容
为了解决上述问题,本申请通过提供了一种掩膜版生产过程中的污染物监测方法及系统,解决了现有技术中主要通过后道工序进行缺陷检测,缺乏在生产过程中的有效监测手段,存在缺陷发现不及时而影响产品品质和造成资源浪费的技术问题。达到了通过对掩膜版生产过程中的实时监测,避免污染物对掩膜版成品造成影响,及时发现可以进行对应的调整处理,提高掩膜版品质同时避免资源的加工浪费的技术效果。
鉴于上述问题,本申请提供了一种掩膜版生产过程中的污染物监测方法及系统。
一方面,本申请提供了一种掩膜版生产过程中的污染物监测方法,所述方法包括:获得当前生产工序信息;根据所述当前生产工序信息在工序污染物数据库进行工序匹配,确定工序污染物信息集;基于所述工序污染物信息集进行污染物特征分析,得到污染物监测特征、监测手段信息;根据所述监测手段信息对生产工序过程进行监测,获得监测信息,并基于所述污染物监测特征对所述监测信息进行遍历,确定监测结果;当所述监测结果存在污染物时,且污染物满足污染物设定要求时,根据所述监测结果生成提醒信息;当未达到污染物设定要求时,将所述监测结果、所述当前生产工序信息录入生产链中,所述生产链为根据生产工序过程构建的生产数据链;基于所述生产链进行生产全过程污染物影响预测,当存在污染物影响时,生成污染监测提醒信息。
另一方面,本申请提供了一种掩膜版生产过程中的污染物监测系统,所述系统包括:
工序获得单元,用于获得当前生产工序信息;
污染物信息确定单元,用于根据所述当前生产工序信息在工序污染物数据库进行工序匹配,确定工序污染物信息集;
监测特征分析单元,用于基于所述工序污染物信息集进行污染物特征分析,得到污染物监测特征、监测手段信息;
监测处理单元,用于根据所述监测手段信息对生产工序过程进行监测,获得监测信息,并基于所述污染物监测特征对所述监测信息进行遍历,确定监测结果;
工序污染提醒单元,用于当所述监测结果存在污染物时,且污染物满足污染物设定要求时,根据所述监测结果生成提醒信息;
全生产工序分析单元,用于当未达到污染物设定要求时,将所述监测结果、所述当前生产工序信息录入生产链中,所述生产链为根据生产工序过程构建的生产数据链;
全过程污染预测单元,用于基于所述生产链进行生产全过程污染物影响预测,当存在污染物影响时,生成污染监测提醒信息。
本申请中提供的技术方案,至少具有如下技术效果:
本申请提供了一种掩膜版生产过程中的污染物监测方法及系统,通过获得当前生产工序信息;根据所述当前生产工序信息在工序污染物数据库进行工序匹配,确定工序污染物信息集;基于所述工序污染物信息集进行污染物特征分析,得到污染物监测特征、监测手段信息;根据所述监测手段信息对生产工序过程进行监测,获得监测信息,并基于所述污染物监测特征对所述监测信息进行遍历,确定监测结果;当所述监测结果存在污染物时,且污染物满足污染物设定要求时,根据所述监测结果生成提醒信息;当未达到污染物设定要求时,将所述监测结果、所述当前生产工序信息录入生产链中,所述生产链为根据生产工序过程构建的生产数据链;基于所述生产链进行生产全过程污染物影响预测,当存在污染物影响时,生成污染监测提醒信息,实现了提前预警、及时发现及时处理,避免后续发现产品缺陷而产生品质影响,同时造成了加工资源的浪费,达到了通过对掩膜版生产过程中的实时监测,避免污染物对掩膜版成品造成影响,及时发现可以进行对应的调整处理,提高掩膜版品质同时避免资源的加工浪费的技术效果。从而解决了现有技术中主要通过后道工序进行缺陷检测,缺乏在生产过程中的有效监测手段,存在缺陷发现不及时而影响产品品质和造成资源浪费的技术问题。
附图说明
图1为本申请实施例的一种掩膜版生产过程中的污染物监测方法的流程示意图;
图2为本申请实施例的一种掩膜版生产过程中的污染物监测方法中构建工序污染物数据库的流程示意图;
图3为本申请实施例的一种掩膜版生产过程中的污染物监测方法中生成污染监测提醒信息的流程示意图;
图4为本申请实施例的一种掩膜版生产过程中的污染物监测系统的结构示意图。
具体实施方式
本申请通过提供了一种掩膜版生产过程中的污染物监测方法及系统,用以解决现有技术中主要通过后道工序进行缺陷检测,缺乏在生产过程中的有效监测手段,存在缺陷发现不及时而影响产品品质和造成资源浪费的技术问题。
下面结合具体的实施例进行本发明方案的详细介绍。
实施例一
如图1所示,本申请实施例提供了一种掩膜版生产过程中的污染物监测方法,所述方法包括:
S1:获得当前生产工序信息。
S2:根据所述当前生产工序信息在工序污染物数据库进行工序匹配,确定工序污染物信息集。
进一步的,如图2所示,所述方法包括:S81:获得历史加工检验数据库;S82:根据所述历史加工检验数据库进行缺陷案例提取,获得缺陷案例集;S83:根据所述缺陷案例集进行缺陷特征提取,得到缺陷特征信息,从所述缺陷特征信息中筛选污染物缺陷特征;S84:根据所述污染物缺陷特征与生产加工工序进行缺陷特征匹配分析,确定污染物-工序映射关系;S85:将所有污染物-工序映射关系进行整合,构建所述工序污染物数据库。
具体的,掩膜版的生产过程主要包括:前道工艺图像产生、显影、蚀刻、脱膜和尺寸测量,后道工艺缺陷检查、缺陷修补、清洗和加保护膜,当前生产工序信息即为当前监测的工序,每个工序在生产加工处理中,由于使用的原料、手段、环境等不同,存在着不同的污染物,因而在进行各工序的污染物监测时,应该结合该工序的特点进行针对性监测。工序污染物数据库为按照历史的经验数据进行汇总得到的污染物信息,其中包括了污染物的名称、识别特征、存在的生产工序信息。
可选的,工序污染物数据库的构建通过历史生产的记录数据库进行分析,也可以通过专家或者行业期刊等进行汇总确定。通过对历史加工检验数据库中的记录信息,对存在的缺陷案例进行分析,得到其中造成缺陷的污染物信息,根据污染物信息进行生产加工工序的匹配,得到哪些工序存在该污染物,建立污染物与工序之间的映射关系。
S3:基于所述工序污染物信息集进行污染物特征分析,得到污染物监测特征、监测手段信息。
进一步的,所述监测手段信息包括:图像监测、检测仪监测,当所述监测手段信息为图像监测时,通过图像采集设备对生产加工件进行多角度图像采集,所述监测信息为多角度图像集;基于所述污染物监测特征进行卷积网络模型训练,获得图像识别模型;将所述多角度图像集输入所述图像识别模型中,获得污染物识别结果,将所述污染物识别结果作为所述监测结果。
进一步的,所述通过图像采集设备对生产加工件进行多角度图像采集,还包括:S91:在预设光线条件下对生产加工件进行旋转,通过图像采集设备对生产加工件进行旋转多角度采集,获得视频信息;S92:对所述视频信息进行逐帧提取,获得画面集;S93:根据所述画面集进行帧时间顺序排序。
具体的,针对不同工序对应污染物监测特征进行对应监测手段的确定,如对于微尘,通过图像信息很难进行监测,则考虑检测仪进行对应的检测,示例性的,静电捕捉法:设置一对电极并施加很大的电位差,使空气中的气体分子电离,空气中悬浮的粒子因附有离子而带电,在电场力作用下,带电尘粒将移动而被捕集。调节不同的施加电压就可捕集到不同粒度的粒子,在捕集板上可得到不同粒度均匀排列的尘埃粒子,然后用光学显微镜或电子显微镜检测其不同粒径的粒子浓度,对微尘进行监测。
对于颗粒、水渍、残胶、指纹、夹杂物等可以通过图像进行监测的污染物,通过图像采集设备对生产过程中的污染物进行监测,通过高精度的摄像头对生产中加工件进行多角度的微距采集,得到加工件的表面图像信息,在采集加工件的图像信息时,为了对加工件进行全面的监测,因而通过不同角度进行采集。
可选的,通过旋转掩膜版的方式对掩膜版进行多角度采集,得到采集的视频信息,由于一些污染物比较微小,通过旋转过程中的角度、光线变化,可以对污染物进行更为全面的监测,如有些微小污染物在平面位置时监测不到,通过旋转过程中的角度和光线变化会呈现出来,因而通过对掩膜版加工件的旋转过程中进行图像采集,得到视频信息,对视频信息进行逐帧提取,并按照帧的时间顺序进行排序,通过对连续画面的光线、角度变化来进行分辨,得到连续帧画面中出现的变化特征。
同时,在进行缺陷特征的识别处理时,可选的利用深度学习模型进行处理,以提高处理的效率和可靠性,通过污染物监测特征进行卷积网络模型训练,通过对大量训练图片特征的学习,得到污染物监测特征,使得图像识别模型具有对污染物监测特征进行快速识别的效果,图像识别模型即为经过学习训练得到的图像特征识别模型,通过输入的图像进行图像特征比对识别,识别输入的图像是否具有缺陷特征即污染物监测特征。
S4:根据所述监测手段信息对生产工序过程进行监测,获得监测信息,并基于所述污染物监测特征对所述监测信息进行遍历,确定监测结果。
S5:当所述监测结果存在污染物时,且污染物满足污染物设定要求时,根据所述监测结果生成提醒信息。
具体的,通过污染物的图像特征与采集到的图像信息进行特征遍历比对,得到其中包含这些污染物图像特征的加工件,当监测到了污染物的图像特征时,则发送提醒信息,对当前的加工件进行处理,避免继续进行后续加工对工件质量造成影响,存在资源浪费,包括材料和加工能力的浪费,通过生产加工过程中及时进行污染物的监测,确保后续掩膜版的品质。
S6:当未达到污染物设定要求时,将所述监测结果、所述当前生产工序信息录入生产链中,所述生产链为根据生产工序过程构建的生产数据链。
进一步的,当所述监测结果不存在污染物时,将所述监测结果、所述当前生产工序信息录入生产链中,S6包括:S61:获得所述生产工序过程,基于所述生产工序过程的先后顺序,构建生产链,各生产工序作为所述生产链节点;S62:利用所述当前生产工序信息与所述生产链节点进行工序匹配,确定匹配生产链节点,将所述监测结果与所述匹配生产链节点进行关联。
S7:基于所述生产链进行生产全过程污染物影响预测,当存在污染物影响时,生成污染监测提醒信息。
进一步的,如图3所示,基于所述生产链进行生产全过程污染物影响预测,S7包括:S71:基于所述生产链、所述生产链节点的监测结果、工序对加工件的状态变化,构建马尔可夫链模型;S72:通过所述马尔可夫链模型对出现污染物影响的概率进行预测;S73:根据预测得到的污染概率,确定工序节点信息,基于所述工序节点信息生成所述污染监测提醒信息。
具体的,各加工工序是具有相互影响关系的,为了实现对生产全过程的有效监测,本申请实施例利用工序的先后关系构建生产链,利用生产链中各工序之间的相互影响关系进行生产全过程的污染物影响预测,如有些污染物存在但未造成该工序的缺陷影响,但随着工序的进程,各工序的参数的影响而对后续工序造成影响,因而针对监测到的污染物的特征进行生产全过程的分析预测,若对当前的工序未造成缺陷影响,对后续的工序会造成影响的,按照预测的概率进行及时调整,避免影响后续品质,若经过全过程的预测分析后,未造成影响的则可以继续按照当前的加工工序进行生产。解决了现有技术中主要通过后道工序进行缺陷检测,缺乏在生产过程中的有效监测手段,存在缺陷发现不及时而影响产品品质和造成资源浪费的技术问题。达到了通过对掩膜版生产过程中的实时监测,避免污染物对掩膜版成品造成影响,及时发现可以进行对应的调整处理,提高掩膜版品质同时避免资源的加工浪费的技术效果。
可选的,利用生产链中工序、工序参数、污染物监测结果、加工件的状态构建马尔科夫链,利用各工序中加工状态作为节点状态,利用加工参数和污染物监测结果作为行动,行动与节点状态的变化起到作用,之间具有逻辑关系,随着节点状态和行动的作用下,会对下一节点的加工件的状态产生影响,对下一个节点的状态进行预测,得到下一个节点得到该状态的概率值。马尔科夫链描述了一种状态序列,其每个状态值取决于前面有限个状态,后面的状态受到前面时刻的动作、状态影响,根据前面的状态和动作的影响关系造成后面节点状态发生的概率。
利用各工序即各节点时刻中的行动(加工参数、污染物监测结果),对加工件的状态的改变,随着各节点的迭代状态进行改变,污染物的叠加和各状态参数的结合,会对下一个节点的污染物影响性产生影响,得到某一个状态具有一定的概率,通过设定概率要求,如达到污染物缺陷的概率为90%以上,则当该状态的概率达到90%以上的要求时,则停止运算,得到该概率的节点和状态信息。
通过马尔科夫链模型对掩膜版生产过程中存在的污染物缺陷概率进行分析,得到存在污染物缺陷概率的节点信息,当预测得到满足设定概率要求对应的生产工序节点时,则表明当前的生产状态存在污染物影响,此时生成污染监测提醒信息,提醒当前的污染物监测结果会对掩膜版生产工序中的某一个节点造成缺陷影响,此时则发出提醒信息,对当前的加工工序进行干预和调整,避免污染物对掩膜版的品质造成影响。
进一步的,将所述多角度图像集输入所述图像识别模型中之前,包括:S101:对所述多角度图像集进行滤波处理,获得滤波图像集;S102:对所述滤波图像集进行分解,获得图像细节层;S103:通过金字塔分层滤波处理方法对所述图像细节层进行处理。
具体的,为了避免在进行多角度图像集在采集和传输过程中存在噪音而影响到图像的识别可靠性,在输入图像识别模型之前先对图像进行预处理,利用双边滤波算法对图像进行滤波处理。为了保留原始图像的更多细节信息,确保识别的可靠性,对原始采集的多角度图像信息进行分解,得到能量层、细节层,对细节层进行增强,增强后进行返现迭代得到预处理后的图像信息,提高了图像的清晰度,和细节信息,使得识别的可靠性和灵敏度有所提高。
通过金字塔分解方法对原始采集的图像进行分解,将原始图像作为第一层,然后进行Guidedfilter滤波算法对第一层原图进行滤波后下采样,得到第二层图像,再对第二层图像进行滤波下采样得到第三层,以此类推,完成多层金字塔结构,具体层数根据图像的像素进行设定,优选的3-5层。再将多层金字塔结构进行上采样,相邻的层图像进行高斯滤波后进行上采样,实现减层分解,确定最终的多层图像结构,将最终的多层图像结构从最下层到最上层依次迭代,完成细节层的处理,实现了对原始图像的滤波和增强效果,对处理后的图像进行识别,提供了识别敏感度,使得识别效果更佳。
实施例二
基于与前述实施例中一种掩膜版生产过程中的污染物监测方法相同的发明构思,本申请实施例提供了一种掩膜版生产过程中的污染物监测系统,如图4所示,所述系统包括:
工序获得单元,用于获得当前生产工序信息;
污染物信息确定单元,用于根据所述当前生产工序信息在工序污染物数据库进行工序匹配,确定工序污染物信息集;
监测特征分析单元,用于基于所述工序污染物信息集进行污染物特征分析,得到污染物监测特征、监测手段信息;
监测处理单元,用于根据所述监测手段信息对生产工序过程进行监测,获得监测信息,并基于所述污染物监测特征对所述监测信息进行遍历,确定监测结果;
工序污染提醒单元,用于当所述监测结果存在污染物时,且污染物满足污染物设定要求时,根据所述监测结果生成提醒信息;
全生产工序分析单元,用于当未达到污染物设定要求时,将所述监测结果、所述当前生产工序信息录入生产链中,所述生产链为根据生产工序过程构建的生产数据链;
全过程污染预测单元,用于基于所述生产链进行生产全过程污染物影响预测,当存在污染物影响时,生成污染监测提醒信息。
进一步的,所述系统还包括:
历史数据获得单元,用于获得历史加工检验数据库;
缺陷案例提取单元,用于根据所述历史加工检验数据库进行缺陷案例提取,获得缺陷案例集;
缺陷特征提取单元,用于根据所述缺陷案例集进行缺陷特征提取,得到缺陷特征信息,从所述缺陷特征信息中筛选污染物缺陷特征;
映射关系确定单元,用于根据所述污染物缺陷特征与生产加工工序进行缺陷特征匹配分析,确定污染物-工序映射关系;
污染物数据库构建单元,用于将所有污染物-工序映射关系进行整合,构建所述工序污染物数据库。
进一步的,所述系统还包括:
监测执行单元,用于所述监测手段信息包括:图像监测、检测仪监测,当所述监测手段信息为图像监测时,通过图像采集设备对生产加工件进行多角度图像采集,所述监测信息为多角度图像集;
识别模型训练单元,用于基于所述污染物监测特征进行卷积网络模型训练,获得图像识别模型;
图像识别单元,用于将所述多角度图像集输入所述图像识别模型中,获得污染物识别结果,将所述污染物识别结果作为所述监测结果。
进一步的,所述监测执行单元还用于:
在预设光线条件下对生产加工件进行旋转,通过图像采集设备对生产加工件进行旋转多角度采集,获得视频信息;
对所述视频信息进行逐帧提取,获得画面集;
根据所述画面集进行帧时间顺序排序。
进一步的,所述系统还包括:图像预处理单元,用于:
对所述多角度图像集进行滤波处理,获得滤波图像集;
对所述滤波图像集进行分解,获得图像细节层;
通过金字塔分层滤波处理方法对所述图像细节层进行处理。
进一步的,所述系统还包括:
生产链构建单元,用于获得所述生产工序过程,基于所述生产工序过程的先后顺序,构建生产链,各生产工序作为所述生产链节点;
生产链节点数据关联单元,用于利用所述当前生产工序信息与所述生产链节点进行工序匹配,确定匹配生产链节点,将所述监测结果与所述匹配生产链节点进行关联。
进一步的,所述全过程污染预测单元还用于:
基于所述生产链、所述生产链节点的监测结果、工序对加工件的状态变化,构建马尔可夫链模型;
通过所述马尔可夫链模型对出现污染物影响的概率进行预测;
根据预测得到的污染概率,确定工序节点信息,基于所述工序节点信息生成所述污染监测提醒信息。
本申请实施例提供的一种掩膜版生产过程中的污染物监测系统可实现实施例一的一种掩膜版生产过程中的污染物监测方法的任一过程,请参照实施例一的详细内容,在此不再赘述。
本说明书和附图仅仅是本申请的示例性说明,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种掩膜版生产过程中的污染物监测方法,其特征在于,包括:
获得当前生产工序信息;
根据所述当前生产工序信息在工序污染物数据库进行工序匹配,确定工序污染物信息集;
基于所述工序污染物信息集进行污染物特征分析,得到污染物监测特征、监测手段信息;
根据所述监测手段信息对生产工序过程进行监测,获得监测信息,并基于所述污染物监测特征对所述监测信息进行遍历,确定监测结果;
当所述监测结果存在污染物时,且污染物满足污染物设定要求时,根据所述监测结果生成提醒信息;
当未达到污染物设定要求时,将所述监测结果、所述当前生产工序信息录入生产链中,所述生产链为根据生产工序过程构建的生产数据链;
基于所述生产链进行生产全过程污染物影响预测,当存在污染物影响时,生成污染监测提醒信息。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
获得历史加工检验数据库;
根据所述历史加工检验数据库进行缺陷案例提取,获得缺陷案例集;
根据所述缺陷案例集进行缺陷特征提取,得到缺陷特征信息,从所述缺陷特征信息中筛选污染物缺陷特征;
根据所述污染物缺陷特征与生产加工工序进行缺陷特征匹配分析,确定污染物-工序映射关系;
将所有污染物-工序映射关系进行整合,构建所述工序污染物数据库。
3.如权利要求1所述的方法,其特征在于,所述监测手段信息包括:图像监测、检测仪监测,当所述监测手段信息为图像监测时,通过图像采集设备对生产加工件进行多角度图像采集,所述监测信息为多角度图像集;
基于所述污染物监测特征进行卷积网络模型训练,获得图像识别模型;
将所述多角度图像集输入所述图像识别模型中,获得污染物识别结果,将所述污染物识别结果作为所述监测结果。
4.如权利要求3所述的方法,其特征在于,所述通过图像采集设备对生产加工件进行多角度图像采集,还包括:
在预设光线条件下对生产加工件进行旋转,通过图像采集设备对生产加工件进行旋转多角度采集,获得视频信息;
对所述视频信息进行逐帧提取,获得画面集;
根据所述画面集进行帧时间顺序排序。
5.如权利要求3所述的方法,其特征在于,将所述多角度图像集输入所述图像识别模型中之前,包括:
对所述多角度图像集进行滤波处理,获得滤波图像集;
对所述滤波图像集进行分解,获得图像细节层;
通过金字塔分层滤波处理方法对所述图像细节层进行处理。
6.如权利要求1所述的方法,其特征在于,当所述监测结果不存在污染物时,将所述监测结果、所述当前生产工序信息录入生产链中,包括:
获得所述生产工序过程,基于所述生产工序过程的先后顺序,构建生产链,各生产工序作为所述生产链节点;
利用所述当前生产工序信息与所述生产链节点进行工序匹配,确定匹配生产链节点,将所述监测结果与所述匹配生产链节点进行关联。
7.如权利要求6所述的方法,其特征在于,基于所述生产链进行生产全过程污染物影响预测,包括:
基于所述生产链、所述生产链节点的监测结果、工序对加工件的状态变化,构建马尔可夫链模型;
通过所述马尔可夫链模型对出现污染物影响的概率进行预测;
根据预测得到的污染概率,确定工序节点信息,基于所述工序节点信息生成所述污染监测提醒信息。
8.一种掩膜版生产过程中的污染物监测系统,其特征在于,所述系统包括:
工序获得单元,用于获得当前生产工序信息;
污染物信息确定单元,用于根据所述当前生产工序信息在工序污染物数据库进行工序匹配,确定工序污染物信息集;
监测特征分析单元,用于基于所述工序污染物信息集进行污染物特征分析,得到污染物监测特征、监测手段信息;
监测处理单元,用于根据所述监测手段信息对生产工序过程进行监测,获得监测信息,并基于所述污染物监测特征对所述监测信息进行遍历,确定监测结果;
工序污染提醒单元,用于当所述监测结果存在污染物时,且污染物满足污染物设定要求时,根据所述监测结果生成提醒信息;
全生产工序分析单元,用于当未达到污染物设定要求时,将所述监测结果、所述当前生产工序信息录入生产链中,所述生产链为根据生产工序过程构建的生产数据链;
全过程污染预测单元,用于基于所述生产链进行生产全过程污染物影响预测,当存在污染物影响时,生成污染监测提醒信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239408.5A CN115310730A (zh) | 2022-10-11 | 2022-10-11 | 一种掩膜版生产过程中的污染物监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239408.5A CN115310730A (zh) | 2022-10-11 | 2022-10-11 | 一种掩膜版生产过程中的污染物监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310730A true CN115310730A (zh) | 2022-11-08 |
Family
ID=83868432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211239408.5A Pending CN115310730A (zh) | 2022-10-11 | 2022-10-11 | 一种掩膜版生产过程中的污染物监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310730A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129636A (zh) * | 2023-10-23 | 2023-11-28 | 中用科技有限公司 | 一种面向半导体制造的气态分子污染物在线监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114137916A (zh) * | 2021-11-19 | 2022-03-04 | 吉安县鑫盛电子有限公司 | 基于数据分析的电路板生产用监督管控系统 |
CN114554156A (zh) * | 2022-02-25 | 2022-05-27 | 温州大学大数据与信息技术研究院 | 一种基于物联网的工厂化生产安全管理平台 |
CN114626615A (zh) * | 2022-03-21 | 2022-06-14 | 江苏仪化信息技术有限公司 | 一种生产过程监控管理方法及系统 |
CN114819773A (zh) * | 2022-06-29 | 2022-07-29 | 天津大学 | 一种基于大数据的企业绿色生产管控方法及系统 |
-
2022
- 2022-10-11 CN CN202211239408.5A patent/CN115310730A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114137916A (zh) * | 2021-11-19 | 2022-03-04 | 吉安县鑫盛电子有限公司 | 基于数据分析的电路板生产用监督管控系统 |
CN114554156A (zh) * | 2022-02-25 | 2022-05-27 | 温州大学大数据与信息技术研究院 | 一种基于物联网的工厂化生产安全管理平台 |
CN114626615A (zh) * | 2022-03-21 | 2022-06-14 | 江苏仪化信息技术有限公司 | 一种生产过程监控管理方法及系统 |
CN114819773A (zh) * | 2022-06-29 | 2022-07-29 | 天津大学 | 一种基于大数据的企业绿色生产管控方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129636A (zh) * | 2023-10-23 | 2023-11-28 | 中用科技有限公司 | 一种面向半导体制造的气态分子污染物在线监测系统 |
CN117129636B (zh) * | 2023-10-23 | 2024-01-26 | 中用科技有限公司 | 一种面向半导体制造的气态分子污染物在线监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Imoto et al. | A CNN-based transfer learning method for defect classification in semiconductor manufacturing | |
TWI725534B (zh) | 在半導體元件的製造流程中利用適應性機器學習的自動缺陷篩選 | |
JP6306639B2 (ja) | デザイナ・インテント・データを使用するウェハとレチクルの検査の方法およびシステム | |
TWI769371B (zh) | 用於半導體裝置之檢測方法及系統,以及其非暫時性電腦可讀媒體 | |
JP5567527B2 (ja) | レティクルの設計パターンにおける欠陥を検出し、かつ(あるいは)ソートするためのコンピュータに実装された方法 | |
US11803953B2 (en) | Manufacturing quality improvement through statistical root cause analysis using convolution neural networks | |
CN117392072B (zh) | 检查方案的自动优化 | |
TW201732305A (zh) | 以影像為基礎之樣本程序控制 | |
US8260034B2 (en) | Multi-modal data analysis for defect identification | |
WO2007079344A2 (en) | Methods and systems for binning defects detected on a specimen | |
TW202013538A (zh) | 用於損害篩選之跨層共同─獨特分析 | |
CN115310730A (zh) | 一种掩膜版生产过程中的污染物监测方法及系统 | |
Lin et al. | Wood crack detection based on data-driven semantic segmentation network | |
Xia et al. | Segmentation and quantitative evaluation for tool wear condition via an improved SE-U-Net | |
Massaro et al. | Image processing segmentation applied on defect estimation in production processes | |
CN116416236A (zh) | 基于深度学习的磁粉检测缺陷系统及方法 | |
CN107533994B (zh) | 自动化的基于图像的过程监测及控制 | |
US12019032B2 (en) | Electronic system and method of specimen qualification | |
Komatireddi et al. | Defect Classification using Deep Learning for Hybrid Bonding Application | |
Deng et al. | Application of Machine Vision Technology in Defect Detection of High Performance Phase Noise Measurement Chips | |
Zhou et al. | An Innovative Lithography Process Window Decision Based On Aggregation of Multi Machine Learning Approaches | |
TWM631676U (zh) | 具人工智慧模組進行檢測緊固件的設備 | |
KR100883505B1 (ko) | 마스크 검사 장치 및 방법 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221108 |
|
RJ01 | Rejection of invention patent application after publication |