CN115541586A - 晶锭评估方法 - Google Patents

晶锭评估方法 Download PDF

Info

Publication number
CN115541586A
CN115541586A CN202210408237.8A CN202210408237A CN115541586A CN 115541586 A CN115541586 A CN 115541586A CN 202210408237 A CN202210408237 A CN 202210408237A CN 115541586 A CN115541586 A CN 115541586A
Authority
CN
China
Prior art keywords
defect
ingot
wafer
curvature
proportion
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
CN202210408237.8A
Other languages
English (en)
Inventor
王上棋
李佳融
陈苗霈
蔡佳琪
李依晴
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.)
GlobalWafers Co Ltd
Original Assignee
GlobalWafers 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 GlobalWafers Co Ltd filed Critical GlobalWafers Co Ltd
Publication of CN115541586A publication Critical patent/CN115541586A/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/20—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring contours or curvatures, e.g. determining profile
    • 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本发明提供一种晶锭评估方法，包括下述步骤。分别基于多个晶锭各自的第一端的第一晶片与第二端的第二晶片的缺陷信息来获得多个统计参数。测量各晶锭的第一端的第一弯曲度与其第二端的第二弯曲度，借此将晶锭标记至对应的多个种类中的其中一个。基于所述晶锭的统计参数与其所标记的类别来建立分类模型。

Description

晶锭评估方法
技术领域
本发明涉及一种评估检测方法，且尤其涉及一种晶锭(ingot)评估方法。
背景技术
半导体制造业对产品质量的要求相当严谨，为了提高产品质量，在封装前会挑出不符合质量规格的晶片(wafer)，而不对其进行封装。随着晶片制程越来越复杂，传统的目视检测已难以满足现在的检测需求，因而发展出机器视觉(Machine Vision)的检测方式，运用机器视觉来检测可以降低检测成本、提高检测速度与减少错误判断。而晶锭来料的质量对于加工制程后所获得的晶片的质量影响甚巨。因此如何在晶锭加工制程前便过滤掉质量不佳的晶锭，将是本领域的其中一个课题。
发明内容
本发明是针对一种晶锭评估方法，可由晶锭经加工制程而得的晶片来预测晶锭的质量。
根据本发明的实施例，晶锭评估方法包括：分别基于多个晶锭各自的第一端的第一晶片与第二端的第二晶片的缺陷信息来获得多个统计参数；测量各晶锭的第一端的第一弯曲度与其第二端的第二弯曲度，借此将晶锭标记至对应的多个种类中的其中一个；以及基于所述晶锭的统计参数与其所标记的类别来建立分类模型。
在根据本发明的实施例中，所述分别基于各晶锭的第一端的第一晶片与第二端的第二晶片的缺陷信息来获得统计参数的步骤包括：在指定方向上，将第一晶片与第二晶片各自至少划分为两个区域；基于第一晶片的缺陷信息，计算对应于第一晶片所划分的两个区域的第一缺陷比例以及第二缺陷比例；基于第二晶片的缺陷信息，计算对应于第二晶片所划分的两个区域的第三缺陷比例以及第四缺陷比例；基于第一缺陷比例与第二缺陷比例，计算第一差值；基于第三缺陷比例与第四缺陷比例，计算第二差值；基于第一差值与第二差值，计算第三差值；以及将第一差值、第二差值以及第三差值作为统计参数。
在根据本发明的实施例中，所述第一缺陷比例与第二缺陷比例分别为第一晶片所划分的两个区域中的至少一缺陷种类所占的比例，第三缺陷比例与第四缺陷比例分别为第二晶片所划分的两个区域中的至少一缺陷种类所占的比例。
在根据本发明的实施例中，所述缺陷信息包括多个缺陷坐标，各缺陷坐标对应至一种缺陷种类，所述缺陷种类包括贯通螺旋位错(threading screw dislocation，TSD)以及基面位错(basal plane dislocation，BPD)。
在根据本发明的实施例中，测量各晶锭的第一端的第一弯曲度与其第二端的第二弯曲度的步骤包括：逐一测量各晶锭包括的多个晶片的弯曲度；将各晶锭划分为第一端区段、第二端区段以及中间区段，其中中间区段位于第一端区段与第二端区段之间；计算位于第一端区段的晶片的弯曲度的平均值来作为第一弯曲度；以及计算位于第二端区段的晶片的弯曲度的平均值来作为第二弯曲度。
在根据本发明的实施例中，所述类别包括第一类别、第二类别以及第三类别，将晶锭标记至对应的所述种类中的其中一个的步骤包括：判断第一弯曲度与第二弯曲度是否位于预设范围内；倘若第一弯曲度与第二弯曲度皆位于预设范围内，将对应的晶锭标记为第一类别；倘若第一弯曲度与第二弯曲度其中一个位于预设范围内，第一弯曲度与第二弯曲度其中另一个不在预设范围内，将对应的晶锭标记为第二类别；以及倘若第一弯曲度与第二弯曲度皆不在预设范围内，将对应的晶锭标记为第三类别。
在根据本发明的实施例中，在建立分类模型之后，还包括：测量待测晶锭各自前后两端的第一晶片与第二晶片两者的缺陷信息来获得统计参数；以及将统计参数输入分类模型，进而预测待测晶锭对应的其中一个类别。
基于上述，通过晶锭经加工制程而得的晶片，进行缺陷集中性的计算，来识别缺陷于晶片上分布情形，最后通过人工智能分类算法来建立对应的分类模型。据此，利用分类模型来进行晶锭质量的识别。
附图说明
图1是依照本发明一实施例的分析系统的框图；
图2是依照本发明一实施例的晶锭的示意图；
图3是依照本发明一实施例的晶锭评估方法的流程图；
图4A及图4B是依照本发明一实施例的晶片分区的示意图。
附图标记说明
110：测量仪器
120：分析装置
200：晶锭
210：第一端区段
220：中间区段
230：第二端区段
A、B、C、D：区域
H1～H5、T1～T5、W：晶片
S305～S320：晶锭评估方法的步骤
具体实施方式
现将详细地参考本发明的示范性实施例，示范性实施例的实例说明于附图中。只要有可能，相同组件符号在附图和描述中用来表示相同或相似部分。
图1是依照本发明一实施例的分析系统的框图。请参照图1，分析系统包括测量仪器110以及分析装置120。测量仪器110与分析装置120之间例如可通过有线或无线通信方式来进行数据传输。
测量仪器110例如为自动光学检查(Automated Optical Inspection，简称AOI)仪器，但本发明不以此为限，测量仪器110可以是任何的仪器。AOI仪器为高速高精度光学图像检测系统，包含测量镜头技术、光学照明技术、定位测量技术、电子电路测试技术、图像处理技术及自动化技术应用等，其运用机器视觉做为检测标准技术。测量仪器110利用光学仪器取得成品的表面状态，再以计算机图像处理技术来检出异物或图案异常等瑕疵。
分析装置120为具有运算功能的电子装置，其可采用个人计算机、笔记型计算机、平板计算机、智能型手机等或任何具有运算功能的装置来实现，本发明不以此为限。分析装置120自测量仪器110接收多个已知晶片的缺陷信息(即，具有缺陷的一个或多个缺陷坐标以及各缺陷坐标对应的缺陷种类)，借此来进行训练以获得一分类模型，以供后续利用待测晶锭经加工制程而得的晶片的测量数据，来预测待测晶锭经加工制程成晶片后的质量，进而判断待测晶锭是否符合预期，以对晶锭质量作识别。其中，所述加工制程可包含切割、研磨、抛光等，且测量缺陷信息前可包含对晶片进行蚀刻制程，但本发明不以此为限。
图2是依照本发明一实施例的晶锭的示意图。请参照图2，晶锭200经加工制程后可获得多个晶片W。在本实施例中，晶锭200包含第一端及第二端，举例而言，晶锭200的第一端为头端，晶锭200的第二端为尾端，亦可以将晶锭200的第一端视为尾端，第二端视为头端，或，晶锭200的左端视为第一端，右端视为第二端，亦可以将右端视为第一端，左端视为第二端，本发明不以此为限。另外，将晶锭200分为第一端区段210、中间区段220以及第二端区段230。中间区段220位于第一端区段210与第二端区段230之间。并且，第一端区段210包括5个晶片H1～H5，第二端区段230包括5个晶片T1～T5。在此，第一端区段210与第二端区段230所包括的晶片数量仅为举例说明，并不以此为限。在其他实施例中，也可为将晶锭200等分为三份来设定第一端区段210、中间区段220以及第二端区段230，或依照需求将晶锭200分成三份。
图3是依照本发明一实施例的晶锭评估方法的流程图。请参照图3，在步骤S305中，分别基于多个晶锭各自的第一端的第一晶片与第二端的第二晶片的缺陷信息来获得多个统计参数。
以图2的晶锭200为例，利用测量仪器110对头与尾两端(第一端与第二端)的晶片H1(第一晶片)、晶片T1(第二晶片)进行光学检查，以检测晶片H1、晶片T1各自所包括的多个坐标位置是否有缺陷，并记录具有缺陷的坐标位置及其缺陷种类。一般而言，由AOI仪器输出的缺陷种类包括线边错位(threading edge dislocation，TED)、贯通螺旋位错(threading screw dislocation，TSD)和基面位错(basal plane dislocation，BPD)。而经由分析之后可以知道TSD和BPD对于质量的影响甚大，因此，在本实施例中，以TSD和BPD来进行统计分析。
具体而言，在指定方向(例如垂直方向或水平方向)上，将晶片H1与晶片T1各自至少划分为两个区域，以分别计算两个区域中个各种缺陷种类所占的比例，进而获得多个统计参数。举例来说，图4A及图4B是依照本发明一实施例的晶片分区的示意图。如图4A所示，将晶片W以通过圆心方式在垂直方向上将晶片W画分为左右两个区域A、B，以分别计算区域A、B中TSD加上BPD的数量。另外，亦可如图4B所示，将晶片W以通过圆心方式在水平方向上将晶片W画分为上下两个区域C、D，以分别计算区域C、D中TSD加上BPD的数量。
例如，以图2的晶锭200为例，分析装置120根据晶片H1对应的缺陷信息(包括具有缺陷的坐标位置以及缺陷种类)，计算晶片H1所划分的两个区域的第一缺陷比例以及第二缺陷比例。所述第一缺陷比例与第二缺陷比例分别为晶片H1所划分的两个区域中的TSD加上BPD两种缺陷种类所占的比例。并且基于第一缺陷比例与第二缺陷比例，计算第一差值。
假设晶片H1的区域A中判定具有TSD的坐标位置的数量为HATSD，判定具有BPD的坐标位置的数量为HABPD。并且，假设晶片H1的区域B中判定具有TSD的坐标位置的数量为HBTSD，判定具有BPD的坐标位置的数量为HBBPD。基此，第一缺陷比例R1与第二缺陷比例R2分别为：
R1＝(HABPD+HATSD)/(HABPD+HATSD+HBBPD+HBTSD)，
R2＝(HBBPD+HBTSD)/(HABPD+HATSD+HBBPD+HBTSD)，
其中，第一差值HAB为R1-R2。
并且，分析装置120根据晶片T1对应的缺陷信息(包括具有缺陷的坐标位置以及缺陷种类)，计算对应于晶片T1所划分的两个区域的第三缺陷比例以及第四缺陷比例。所述第三缺陷比例与第四缺陷比例分别为晶片T1所划分的两个区域中的TSD加上BPD两种缺陷种类所占的比例。并且，基于第三缺陷比例与第四缺陷比例，计算第二差值。
例如，假设晶片T1的区域A中判定具有TSD的坐标位置的数量为TATSD，判定具有BPD的坐标位置的数量为TABPD。并且，假设晶片T1的区域B中判定具有TSD的坐标位置的数量为TBTSD，判定具有BPD的坐标位置的数量为TBBPD。则第三缺陷比例R3与第四缺陷比例R4分别为
R3＝(TABPD+TATSD)/(TABPD+TATSD+TBBPD+TBTSD)，
R4＝(TBBPD+TBTSD)/(TABPD+TATSD+TBBPD+TBTSD)，
其中，第二差值TAB为R3-R4。
之后，基于第一差值HAB与第二差值TAB，计算第三差值。例如，第三差值DAB为|HAB-TAB|。将第一差值HAB、第二差值TAB以及第三差值DAB作为统计参数。
倘若选择如图4B的分区，其统计参数的计算过程可参照上述第一差值HAB、第二差值TAB以及第三差值DAB的计算过程，在此不再赘述。
另外，在其他实施例中，亦可以针对一种、三种或更多种缺陷种类来计算统计参数。
接着，在步骤S310中，测量各晶锭的第一端的第一弯曲度与其第二端的第二弯曲度，借此将晶锭标记至对应的多个种类中的其中一个。具体而言，利用测量仪器110逐一测量一个或多个晶锭200包括的一个或多个晶片W的弯曲度。例如，以第一端区段210的晶片H1～H5中的H1晶片的弯曲度来作为第一弯曲度，并且以第二端区段230的晶片T1～T5中的T1的弯曲度作为第二弯曲度。另外，在其他实施例中，计算位于第一端区段210的晶片H1～H5的弯曲度的平均值来作为第一弯曲度，并且计算位于第二端区段230的晶片T1～T5的弯曲度的平均值来作为第二弯曲度。
接着，判断第一弯曲度与第二弯曲度是否位于预设范围内。倘若第一弯曲度与第二弯曲度皆位于预设范围内，将对应的晶锭标记为第一类别。倘若第一弯曲度与第二弯曲度其中一个位于预设范围内，第一弯曲度与第二弯曲度其中另一个不在预设范围内，将对应的晶锭标记为第二类别。倘若第一弯曲度与第二弯曲度皆不在预设范围内，将对应的晶锭标记为第三类别。
例如，预设范围设定为-35μm～+10μm。将头与尾两端(第一端与第二端)的弯曲度皆位于所述预设范围内的晶锭标记为第一类别。将头与尾两端(第一端与第二端)的弯曲值皆不在所述预设范围内的晶锭标记为第三类别。将头与尾两端(第一端与第二端)仅其中一个弯曲值在所述预设范围内的晶锭标记为第二类别。
在获得各晶锭的统计参数以及其对应的类别之后，在步骤S315中，基于所述晶锭的统计参数与其所标记的类别来建立分类模型。例如，以晶锭包括的统计参数作为分类模型的输入，将其标记的种类作为输出，借此来训练分类模型以调整分类模型的参数。
而在建立分类模型之后，还可进一步在步骤S320，利用分类模型来进行晶锭质量的识别。即，将测量待测晶锭各自前后两端的第一晶片与第二晶片两者的缺陷信息所获得的统计参数输入分类模型，进而预测待测晶锭对应的类别。
举例来说，表1所示为训练资料。利用头与尾两端(第一端与第二端)的弯曲度来标记晶锭的类别，并且利用统计参数HAB、TAB以及DAB。
表1
Figure BDA0003602967240000071
在此，可利用多分类逻辑回归(Multinomial Logistic Regression)算法来建立分类模型。本实施例使用三种类型，故，采用3种扩展逻辑回归重构分类器。第一个分类器，选择第一类别作为正类(positive)，使第二类别与第三类别为负类(negative)。第二个分类器，选择第二类别作为正类，第一类别与第三类别为负类。第三个分类器，选择第三类别作为正类，第一类别与第二类别为负类。利用这三种分类器，在预测阶段，每个分类器可以根据测试样本，得到当前正类的概率。之后，选择计算结果最高的分类器，其正类就可以作为预测结果。
另外，还可以将收集数据划分为训练数据集以及验证数据集。利用验证数据集来验证分类模型的准确率。
综上所述，通过晶锭经加工制程而得的晶片，进行缺陷集中性的计算，来识别缺陷于晶片上分布情形，最后通过人工智能分类算法来建立对应的分类模型。据此，利用分类模型来进行晶锭质量的识别。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种晶锭评估方法，其特征在于，包括：
分别基于多个晶锭各自的第一端的第一晶片与第二端的第二晶片的缺陷信息来获得多个统计参数；
测量每一所述晶锭的所述第一端的第一弯曲度与其所述第二端的第二弯曲度，借此将所述晶锭标记至对应的多个类别中的其中一个；以及
基于所述晶锭的所述统计参数与其所标记的类别来建立分类模型。
2.根据权利要求1所述的晶锭评估方法，其特征在于，分别基于所述晶锭各自的所述第一端的所述第一晶片与所述第二端的所述第二晶片的缺陷信息来获得所述统计参数的步骤包括：
在指定方向上，将所述第一晶片与所述第二晶片各自至少划分为两个区域；
基于所述第一晶片的所述缺陷信息，计算对应于所述第一晶片所划分的两个区域的第一缺陷比例以及第二缺陷比例；
基于所述第二晶片的所述缺陷信息，计算对应于所述第二晶片所划分的两个区域的第三缺陷比例以及第四缺陷比例；
基于所述第一缺陷比例与所述第二缺陷比例，计算第一差值；
基于所述第三缺陷比例与所述第四缺陷比例，计算第二差值；
基于所述第一差值与所述第二差值，计算第三差值；以及
将所述第一差值、所述第二差值以及所述第三差值作为所述统计参数。
3.根据权利要求2所述的晶锭评估方法，其特征在于，所述第一缺陷比例与所述第二缺陷比例分别为所述第一晶片所划分的两个区域中的至少一缺陷种类所占的比例，
所述第三缺陷比例与所述第四缺陷比例分别为所述第二晶片所划分的两个区域中的所述至少一缺陷种类所占的比例。
4.根据权利要求1所述的晶锭评估方法，其中所述缺陷信息包括多个缺陷坐标，每一所述缺陷坐标对应至多个缺陷种类其中一种，所述缺陷种类包括贯通螺旋位错以及基面位错。
5.根据权利要求1所述的晶锭评估方法，其特征在于，测量每一所述晶锭的所述第一端的所述第一弯曲度与其所述第二端的所述第二弯曲度的步骤包括：
逐一测量每一所述晶锭包括的多个晶片的弯曲度；
将每一所述晶锭划分为第一端区段、第二端区段以及中间区段，其中所述中间区段位于所述第一端区段与所述第二端区段之间；
计算位于所述第一端区段的所述晶片的弯曲度的平均值来作为所述第一弯曲度；以及
计算位于所述第二端区段的所述晶片的弯曲度的平均值来作为所述第二弯曲度。
6.根据权利要求1所述的晶锭评估方法，其特征在于，所述类别包括第一类别、第二类别以及第三类别，
将所述晶锭标记至对应的所述类别中的其中一个的步骤包括：
判断所述第一弯曲度与所述第二弯曲度是否位于预设范围内；
倘若所述第一弯曲度与所述第二弯曲度皆位于所述预设范围内，将对应的所述晶锭标记为所述第一类别；
倘若所述第一弯曲度与所述第二弯曲度其中一个位于所述预设范围内，所述第一弯曲度与所述第二弯曲度其中另一个不在所述预设范围内，将对应的所述晶锭标记为所述第二类别；以及
倘若所述第一弯曲度与所述第二弯曲度皆不在所述预设范围内，将对应的所述晶锭标记为所述第三类别。
7.根据权利要求1所述的晶锭评估方法，其特征在于，在建立所述分类模型之后，还包括：
测量待测晶锭各自前后两端的所述第一晶片与所述第二晶片两者的缺陷信息来获得所述统计参数；以及
将所述统计参数输入所述分类模型，进而预测所述待测晶锭对应的其中一个所述类别。
CN202210408237.8A 2021-06-29 2022-04-19 晶锭评估方法 Pending CN115541586A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW110123761A TWI762364B (zh) 2021-06-29 2021-06-29 晶錠評估方法
TW110123761 2021-06-29

Publications (1)

Publication Number Publication Date
CN115541586A true CN115541586A (zh) 2022-12-30

Family

ID=82199279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210408237.8A Pending CN115541586A (zh) 2021-06-29 2022-04-19 晶锭评估方法

Country Status (2)

Country Link
CN (1) CN115541586A (zh)
TW (1) TWI762364B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6960254B2 (en) * 2003-07-21 2005-11-01 Memc Electronic Materials, Inc. Method to monitor and control the crystal cooling or quenching rate by measuring crystal surface temperature
US7422634B2 (en) * 2005-04-07 2008-09-09 Cree, Inc. Three inch silicon carbide wafer with low warp, bow, and TTV
US9279774B2 (en) * 2011-07-12 2016-03-08 Kla-Tencor Corp. Wafer inspection
US10418408B1 (en) * 2018-06-22 2019-09-17 Omnivision Technologies, Inc. Curved image sensor using thermal plastic substrate material

Also Published As

Publication number Publication date
TWI762364B (zh) 2022-04-21
TW202300890A (zh) 2023-01-01

Similar Documents

Publication Publication Date Title
CN109449093B (zh) 晶圆检测方法
CN106934800B (zh) 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置
KR100598381B1 (ko) 인-라인 타입의 자동 웨이퍼결함 분류장치 및 그 제어방법
CN110659660A (zh) 利用深度学习系统的自动光学检测分类设备及其训练设备
EP3541161B1 (en) Stored image reclassification system and re-classification method
CN115100199B (zh) 一种晶圆低纹理缺陷的检测方法
CN109285791B (zh) 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统
US10636133B2 (en) Automated optical inspection (AOI) image classification method, system and computer-readable media
CN113781391A (zh) 图像缺陷检测方法以及相关设备
CN115360116B (zh) 一种晶圆的缺陷检测方法及系统
JP2002299401A (ja) 検査システムと検査装置と半導体デバイスの製造方法及び検査プログラム
CN115240146B (zh) 基于计算机视觉的机床装配智能验收方法
CN115690670A (zh) 一种晶圆瑕疵智能识别方法和系统
TW202242390A (zh) 缺陷檢查裝置、缺陷檢查方法以及製造方法
CN116542984A (zh) 五金件缺陷检测方法、装置、计算机设备及存储介质
KR101782364B1 (ko) 케이평균군집화를 통한 학습기반의 비전검사 방법
CN114881996A (zh) 缺陷检测方法及装置
CN117350967B (zh) 一种基于光学检测晶圆外观缺陷检测系统及其方法
CN111191670A (zh) 基于神经网络的分类装置及分类方法
CN113744252A (zh) 用于标记和检测缺陷的方法、设备、存储介质和程序产品
JP2004251781A (ja) 画像認識による不良検査方法
CN115541586A (zh) 晶锭评估方法
CN112683902B (zh) 一种基于模板的模切产品表面缺陷在线检测方法
Yu et al. A Machine vision method for non-contact Tool Wear Inspection
JP7423368B2 (ja) 不良検出装置及び不良検出方法

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