CN115312414A - 一种缺陷检测方法 - Google Patents

Abstract

本发明提供了一种缺陷检测方法，包括：对晶圆表面的异常位置进行电镜扫描，得到扫描图像，根据扫描图像将对应的异常位置分类为真缺陷和干扰缺陷；将干扰缺陷的第一扫描图像和第二扫描图像分别进行线条化处理，得到对应的第一线条化图片和第二线条化图片；将第一线条化图片与第二线条画图片进行对比，根据对比结果将干扰缺陷分类为假缺陷和非特征缺陷；以及对非特征缺陷进行预警。本发明提供的缺陷检测方法，通过图像后处理生成异常位置的第一线条化图片和第二线条化图片，将第一线条化图片和第二线条化图片的对比，可方便直观地对非特征缺陷进行二次识别，提高非特征缺陷的识别准确率，避免了批量异常，提高了产品良率。

Description

一种缺陷检测方法

技术领域

本发明属于缺陷检测技术领域，具体涉及一种缺陷检测方法。

背景技术

晶圆本身存在良率问题，晶圆表面也可能存在各类缺陷，为了防止存在缺陷的晶片流入后道封装工序，需借助光学检测设备识别晶圆表面缺陷并分类、标记，辅助晶片分拣。传统上，缺陷分类(defect class)是由良率工程师(yield engineer)使用扫描电子显微镜进行的，其大致流程为：扫描机台定义异常位置，用扫描电子显微镜(SEM)对异常位置进行拍照生成SEM扫描图像，工程师对扫描图像进行识别，根据识别结果将异常位置分类为真缺陷(defect)和干扰缺陷(nuisance)，并以此为依据决定是否通知对应的机台进行缺陷排查。现有技术的检测流程中，一些非特征缺陷，或称为特征不明显缺陷，在扫描图像中不显示明显的特征缺陷结构，常常被良率工程师错误分类为干扰缺陷，并因此未能被及时预警，造成晶圆产生批量异常，导致产品良率损失。所述特征缺陷结构包括斑点、斑块、凹坑、凸起、划痕、变形、色差、缺损等，当扫描图像显示为这些特征缺陷结构时，良率工程师会将扫描图像对应的异常位置分类为真缺陷，当扫描图像不显示这些特征缺陷结构时，良率工程师会将扫描图像对应的异常位置分类为干扰缺陷。另外，当检测灵敏度较低或缺陷结构的特征尺寸较小 (例如小于100nm)时，非特征缺陷的数量会增多，会进一步降低检测准确率。由于非特征缺陷的上述特点，现有检测技术中，仍然缺少对其高效、准确的检测方法。

因此，有必要提出一种缺陷检测方法，能够高效、准确地识别和检测非特征缺陷，并据此对导致缺陷的制程及机台进行改善，避免批量异常，提高产品良率。

发明内容

为解决非特征缺陷难以被检测，并因此导致晶圆产生批量异常和产品良率降低的问题，本发明提供了一种缺陷检测方法。

本发明提供的缺陷检测方法，包括：

对晶圆表面的异常位置进行电镜扫描，得到异常位置的扫描图像，每个异常位置的扫描图像至少包括第一扫描图像和第二扫描图像；

识别异常位置的扫描图像，并根据第一分类标准将异常位置分类为真缺陷和干扰缺陷；

将干扰缺陷的第一扫描图像和第二扫描图像分别进行线条化处理，得到对应的第一线条化图片和第二线条化图片；

将第一线条化图片与第二线条画图片进行对比，根据对比结果将干扰缺陷分类为假缺陷和非特征缺陷；

对非特征缺陷进行预警。

其中，第一分类标准包括：异常位置的第一扫描图像或第二扫描图像的某一部分显示为特征缺陷结构，则将异常位置分类为真缺陷，否则将异常位置分类为干扰缺陷；特征缺陷结构包括非预期的斑点、斑块、凹坑、凸起、划痕、变形、色差和缺损中的至少一种。

其中，根据对比结果将干扰缺陷分类为假缺陷和非特征缺陷包括：将第一线条化图片与第二线条化图片叠加相消，得到与干扰缺陷对应的线条化缺陷图片，并根据第二分类标准将干扰缺陷分类为假缺陷和非特征缺陷。

其中，第二分类标准包括：当线条化缺陷图片显示线条时，将线条化缺陷图片对应的干扰缺陷分类为非特征缺陷；当线条化缺陷图片不显示任何线条时，将线条化缺陷图片对应的干扰缺陷分类为假缺陷。

其中，电镜扫描包括扫描电子显微镜扫描。

其中，第一扫描图像为：初始电子束以第一入射角扫描异常位置得到的扫描图像；第二扫描图像为：初始电子束以不同于第一入射角的第二入射角扫描异常位置得到的扫描图像，并且得到第一扫描图像和第二扫描图像的其他扫描条件和参数相同，入射角定义为电子束的轴线与晶圆表面的法线之间的夹角。

其中，第一入射角为0°～15°，第二入射角为45°～60°。

其中，异常位置的获取方法包括：利用缺陷扫描机台对晶圆表面进行扫描，得到每一位置的信号值，信号值超出预定的阈值即为异常值，异常值对应的位置即为异常位置。

其中，晶圆表面具有沟槽结构，异常位置位于沟槽结构的表面或内部。

其中，第一线条化图片和第二线条化图片的背景为白色，线条为黑色。

与现有技术相比，本发明具有以下优点：

本发明提供的非特征缺陷的检测方法，通过对干扰缺陷的第一扫描图像和第二扫描图像进行图像后处理生成对应的第一线条化图片和第二线条化图片，将第一线条化图片和第一线条化图片的进行对比，可直观、准确地对非特征缺陷进行二次识别，提高非特征缺陷的识别准确率，避免了因非特征缺陷的分类错误而导致的晶圆批量异常，提高了产品良率。

附图说明

图1为一实施例中提供的缺陷检测方法的流程图；

图2为一实施例中提供的缺陷检测方法的箭形图；

图3A～图3E分别为一实施例中第一异常位置的第一扫描图像、第二扫描图像、第一线条化图片、第二线条化图片和线条化缺陷图片；

图4A～图4D分别为一实施例中第二异常位置的第一扫描图像、第二扫描图像、第一线条化图片、第二线条化图片。

附图标记说明如下：

1-沟槽结构；10-不明显印痕；11-异常线条；12-线条结构；2-正常结构。

具体实施方式

为使本发明的目的、优点和特征更加清楚，以下结合附图对本发明所提供的非特征缺陷的检测方法作进一步详细说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

请参阅图1，图1为本实施例提供的缺陷检测方法的流程图，所述缺陷检测方法包括以下步骤：

步骤S1：对晶圆表面的异常位置进行电镜扫描，得到异常位置的扫描图像，每个异常位置的扫描图像至少包括第一扫描图像和第二扫描图像；

步骤S2：识别所述异常位置的扫描图像，并根据第一分类标准将所述异常位置分类为真缺陷和干扰缺陷；

步骤S3：将所述干扰缺陷的第一扫描图像和第二扫描图像分别进行线条化处理，得到对应的第一线条化图片和第二线条化图片；

步骤S4：将所述第一线条化图片与所述第二线条画图片进行对比，根据对比结果将所述干扰缺陷分类为假缺陷和非特征缺陷；

步骤S5：对所述非特征缺陷进行预警。

以下，将结合图2、图3A～图3E和图4A～图4D对上述各步骤进行详细描述，其中图2为一实施例中提供的缺陷检测方法的箭形图；图3A～图 3E分别为一实施例中第一异常位置的第一扫描图像、第二扫描图像、第一线条化图片、第二线条化图片和线条化缺陷图片；图4A～图4D分别为一实施例中第二异常位置的第一扫描图像、第二扫描图像、第一线条化图片和第二线条化图片。

执行步骤S1，对晶圆表面的异常位置进行电镜扫描，得到每个异常位置的扫描图像，每个异常位置的扫描图像至少包括第一扫描图像和第二扫描图像。

在本实施例中，所述异常位置的获取方法为：利用缺陷扫描机台对所述晶圆表面进行扫描，得到对应位置的信号值，所述信号值超出预定的阈值即为异常值，所述异常值对应的位置即为异常位置，其中所述预定的阈值可根据实际的工艺需求进行设定。所述电镜扫描采用扫描电子显微镜 (SEM)进行扫描，所述第一扫描图像为在一定条件下SEM的初始电子束以第一入射角进行扫描得到的SEM扫描图像，所述第二扫描图像为在相同的条件下SEM的初始电子束以第二入射角进行扫描得到的SEM扫描图像，所述入射角定义为电子束的轴线与晶圆表面的法线之间的夹角，在此表述中，所述晶圆表面为忽略局部的不平整而得到的理想的平面。优选地，第一入射角为0°～15°，此时电子束与所述晶圆表面接近垂直，对应的扫描图像可以收集到晶圆表面平整区域的形貌信息；本实施例中，所述第一入射角为0°。第二入射角为45°～60°，此时电子束与所述晶圆表面的法线之间具有一较大夹角，对应的扫描图像可以收集到晶圆表面不平整区域的更多形貌信息；本实施例中，所述第二入射角为45°。选择合适的第一、第二入射角可确保得到的第一扫描图像和第二扫描图像能较全面地显示对应异常位置的表面形貌特征。当所述异常位置位于晶圆表面的沟槽结构的表面或内部时，对应的第一扫描图像包含更多的沟槽底部的形貌信息，对应的第二扫描图像包含更多的沟槽侧壁的形貌信息，并且所述第一扫描图像的与所述第二扫描图像的背景灰度不同，因此图像衬度也产生很大的差异。在本实施例中，以两个异常位置对应的扫描图像进行对比说明，以期能更好地说明本发明所提供的缺陷检测方法的优点和特征。如图3A和图3B所示，为对第一异常位置进行扫描后，得到对应的第一扫描图像和第二扫描图像，所述第一异常位置位于所述沟槽结构1的表面或内部；如图4A 和4B所示，分别为对第二异常位置进行扫描后得到的第一扫描图像和第二扫描图像，所述第二异常位置位于一正常结构2中，因此所述第二异常位置的扫描图像均显示无特征缺陷结构的正常结构。

执行步骤S2，识别所述异常位置的扫描图像，并根据第一分类标准将所述异常位置分类为真缺陷和干扰缺陷。所述第一分类标准包括：所述异常位置的第一扫描图像或第二扫描图像的某一部分显示为特征缺陷结构，则将所述异常位置分类为真缺陷，否则将所述异常位置分类为干扰缺陷；所述特征缺陷结构包括非预期的斑点、斑块、凹坑、凸起、划痕、变形、色差和缺损中的至少一种。本实施例通过良率工程师进行异常位置的识别和分类的，具体的过程为：良率工程师观察和对比某个异常位置对应的第一扫描图像和第二扫描图像，若所述第一扫描图像或第二扫描图像显示为特征缺陷结构，则将对应的异常位置分类为真缺陷，这些特征缺陷结构一般对应一些真实的缺陷，例如颗粒、化学物质残留、倒胶、划伤、缺角等缺陷。如果所述第一扫描图像和第二扫描图像均不显示为特征缺陷结构则将对应的异常位置分类为干扰缺陷。

图3B显示为正常结构，但在图3A中局部区域显示为不明显印痕10，此不明显印痕10显示的结构特征不明显主要是由于图像衬度太低造成的，即不明显印痕10与周围结构的明暗对比度太低，因此导致不明显印痕10 的结构特征被掩盖。工程师进行初次识别后，一般会将所述第一异常位置分类为干扰缺陷。在现有技术中，在将此异常位置分类为干扰缺陷时，同时也会将此异常位置确定为假缺陷，并没有后续的程序将所述不明显印痕 10代表的非特征缺陷检出，导致分类错误，引起批量异常。为防止类似图 3A中所示的非特征缺陷被误分类为假缺陷，本实施例中，会通过图像后处理的方法对所述干扰缺陷进行二次识别和分类。在图4A和4B中，均不显示特征缺陷结构，因此工程师进行识别后，会将对应的异常位置分类为干扰缺陷。

请参阅图2，通过对所述异常位置进行分类后，存在真缺陷的晶圆或芯片会正常进入良率工程师线上处理(yield engineer handle)流程，该线上处理流程包括对缺陷数量的统计、分析和通知对应机台进行缺陷排查，此步处理方式与现有技术相同。现有技术中，对所述干扰缺陷不做进一步地检测，并会将存在所述干扰缺陷的晶圆或芯片视为正常的晶圆或芯片进行正常放货处理(release)；而本实施例中，会对所述干扰缺陷做进一步检测，以期从所述干扰缺陷中检测出所述非特征缺陷。

执行步骤S3，将所述干扰缺陷的第一扫描图像和第二扫描图像分别进行线条化处理，得到对应的第一线条化图片和第二线条化图片。所述线条化处理属于图像后处理的常用方法，可将图像中的图像块简化为线条，并得到白色背景和黑色线条的图片。由于所述第一扫描图像(例如图3A)和所述第二扫描图像(例如图3B)的背景灰度不同，难以进行图像的对比处理；经过线条化处理后，生成的第一线条化图片和第二线条化图片均为白色背景和黑色线条，可以方便地进行后续的线条化图片的对比处理(例如叠加相消处理)。所述线条化处理，优选地在现有的检测机台搭配的数据处理单元进行。

请参阅图3C、图3D、图4C和图4D，其中图3C和图3D分别为图3A 和图3B进行所述线条化处理后得到的线条化图片，即图3C和图3D分别为所述第一异常位置的第一线条化图片和第二线条化图片；其中图4C和图 4D分别为图4A和图4B进行所述线条化处理后得到的线条化图片，即图 4C和图4D分别为所述第二异常位置的第一线条化图片和第二线条化图片。图3C、图3D、图4C和图4D总体上显示为对应异常位置的线条框架。图3A中显示为不明显印痕10的图像块在对应的线条化图片图3C中显示为异常线条11，而图3D、图4C和图4D中不显示任何异常线条11。

执行步骤S4，将所述第一线条化图片与所述第二线条画图片进行对比，根据对比结果将所述干扰缺陷分类为假缺陷和非特征缺陷。

将所述第一线条化图片与第二线条画图片进行对比的具体方法为：将所述第一线条化图片与第二线条化图片叠加相消，得到与所述干扰缺陷对应的线条化缺陷图片，并根据第二分类标准将所述干扰缺陷分类为假缺陷和非特征缺陷。由于所述第一线条化图片和所述第二线条化图片对应的是同一位置结构的线条化图片，因此二者含有大体上相同的信息以及相似的线条化图片。将所述第一线条化图片与所述第二线条化图片进行图片后处理中常用到的图片叠加相消处理，可得到线条化缺陷图片，根据此线条化缺陷图片，并根据第二分类标准，可将所述干扰缺陷分类为假缺陷和非特征缺陷。优选地，所述第二分类标准为：当所述线条化缺陷图片显示线条时，则将对应的干扰缺陷分类为非特征缺陷；当所述线条化缺陷图片不显示任何线条时，将对应的干扰缺陷分类为假缺陷。

如图3E所示，为所述第一异常位置的线条化缺陷图片。图3E除了显示白色背景外，还显示若干线条，因此根据上述的第二分类标准，可将所述第一异常位置分类为非特征缺陷，并且图3E中的线条形成一定的线条结构12，此线条结构12对应此非特征缺陷的二维结构。作为对比，所述第二异常位置的线条化缺陷图片只显示白色背景，不显示任何线条，因此可根据上述的第二分类标准将所述第二异常位置分类为假缺陷。对异常位置全部分类为假缺陷的晶圆或芯片，良率工程师执行正常的放货处理，对存在非特征缺陷的晶圆或芯片，需要执行相应的预警处理。

执行步骤S5，对所述非特征缺陷进行预警。通过所述的预警提醒工程师对所述非特征缺陷进行二次确认，具体地，工程师可结合上述的线条化缺陷图片以及所述非特征缺陷对应的SEM图像进行分析，确定所述非特征缺陷的结构和类型，评估所述非特征缺陷的影响，并决定是否进行后续的缺陷排查工作。

综上所述，本发明提供的一种缺陷检测方法，在对异常位置进行第一次识别和分类后，将干扰缺陷的扫描图像进行图像后处理，生成对应的第一线条化图片和第二线条化图片，通过对所述第一线条化图片和所述第二线条化图片进行对比，可对所述干扰缺陷进行二次识别和分类，从中检测出非特征缺陷。因此本发明提供的检测方法，可方便直观地对非特征缺陷进行二次识别，提高所述非特征缺陷的识别准确率，避免了因所述非特征缺陷的分类错误而导致的晶圆批量异常，提高了产品良率。

此外，可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。而且还应该理解的是，本发明并不限于此处描述的特定的方法、化合物、材料、制造技术、用法和应用，它们可以变化。还应该理解的是，此处描述的术语仅仅用来描述特定实施例，而不是用来限制本发明的范围。必须注意的是，此处的以及所附权利要求中使用的单数形式“一个”、“一种”以及“该”包括复数基准，除非上下文明确表示相反意思。因此，例如，对“一个步骤”引述意味着对一个或多个步骤的引述，并且可能包括次级步骤。应该以最广义的含义来理解使用的所有连词。因此，词语“或”应该被理解为设有逻辑“或”的定义，而不是逻辑“异或”的定义，除非上下文明确表示相反意思。此处描述的结构将被理解为还引述该结构的功能等效物。可被解释为近似的语言应该被那样理解，除非上下文明确表示相反意思。

Claims (10)

1.一种缺陷检测方法，其特征在于，包括以下步骤：

对晶圆表面的异常位置进行电镜扫描，得到所述异常位置的扫描图像，每个异常位置的扫描图像至少包括第一扫描图像和第二扫描图像；

识别所述异常位置的扫描图像，并根据第一分类标准将所述异常位置分类为真缺陷和干扰缺陷；

将所述干扰缺陷的第一扫描图像和第二扫描图像分别进行线条化处理，得到对应的第一线条化图片和第二线条化图片；

将所述第一线条化图片与所述第二线条画图片进行对比，根据对比结果将所述干扰缺陷分类为假缺陷和非特征缺陷；

对所述非特征缺陷进行预警。

2.如权利要求1所述的缺陷检测方法，其特征在于，所述第一分类标准包括：所述异常位置的第一扫描图像或第二扫描图像的某一部分显示为特征缺陷结构，则将所述异常位置分类为真缺陷，否则将所述异常位置分类为干扰缺陷；所述特征缺陷结构包括非预期的斑点、斑块、凹坑、凸起、划痕、变形、色差和缺损中的至少一种。

3.如权利要求1所述的缺陷检测方法，其特征在于，所述根据对比结果将所述干扰缺陷分类为假缺陷和非特征缺陷包括：将所述第一线条化图片与第二线条化图片叠加相消，得到与所述干扰缺陷对应的线条化缺陷图片，并根据第二分类标准将所述干扰缺陷分类为假缺陷和非特征缺陷。

4.如权利要求3所述的缺陷检测方法，其特征在于，所述第二分类标准包括：当所述线条化缺陷图片显示线条时，将所述线条化缺陷图片对应的干扰缺陷分类为非特征缺陷；当所述线条化缺陷图片不显示任何线条时，将所述线条化缺陷图片对应的干扰缺陷分类为假缺陷。

5.如权利要求1所述的缺陷检测方法，其特征在于，所述电镜扫描包括扫描电子显微镜扫描。

6.如权利要求5所述的缺陷检测方法，其特征在于，所述第一扫描图像为：初始电子束以第一入射角扫描异常位置得到的扫描图像；所述第二扫描图像为：初始电子束以不同于第一入射角的第二入射角扫描异常位置得到的扫描图像，并且得到所述第一扫描图像和第二扫描图像的其他扫描条件和参数相同，所述入射角定义为电子束的轴线与晶圆表面的法线之间的夹角。

7.如权利要求6所述的缺陷检测方法，其特征在于，所述第一入射角为0°～15°，所述第二入射角为45°～60°。

8.如权利要求1所述的缺陷检测方法，其特征在于，所述异常位置的获取方法包括：利用缺陷扫描机台对所述晶圆表面进行扫描，得到每一位置的信号值，所述信号值超出预定的阈值即为异常值，所述异常值对应的位置即为异常位置。

9.如权利要求1所述的缺陷检测方法，其特征在于，所述晶圆表面具有沟槽结构，所述异常位置位于所述沟槽结构的表面或内部。

10.如权利要求1所述的缺陷检测方法，其特征在于，所述第一线条化图片和第二线条化图片的背景为白色，线条为黑色。

Images