CN115564723A - 一种晶圆缺陷检测方法及应用 - Google Patents
一种晶圆缺陷检测方法及应用 Download PDFInfo
- Publication number
- CN115564723A CN115564723A CN202211191900.XA CN202211191900A CN115564723A CN 115564723 A CN115564723 A CN 115564723A CN 202211191900 A CN202211191900 A CN 202211191900A CN 115564723 A CN115564723 A CN 115564723A
- Authority
- CN
- China
- Prior art keywords
- image
- crystal grain
- images
- detection
- perfect
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 230000007547 defect Effects 0.000 title claims abstract description 96
- 239000013078 crystal Substances 0.000 claims abstract description 162
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims description 16
- 238000007689 inspection Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 10
- 238000007500 overflow downdraw method Methods 0.000 claims description 8
- 238000003705 background correction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 6
- 235000012431 wafers Nutrition 0.000 description 53
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30244—Camera pose
Abstract
本发明公开了一种晶圆缺陷检测方法,包括:获取待检测晶圆的多张晶粒检测图像;根据多张晶粒检测图像得到单个晶粒的完美晶粒图像;获取晶粒检测图像所在目标晶粒的位置信息,并确定包含目标晶粒的待检测区域图像;将待检测区域图像与完美晶粒图像逐像素进行比对,计算出各个对应像素之间的差异值,并基于差异值生成二维结果图;设置缺陷控制阈值,将二维结果图中差异值大于缺陷控制阈值的像素点标记为缺陷。其可以传统晶圆缺陷检通过卷积计算待检像素与周围像素之间的灰度关系或者位置关系来判断缺陷存在实时性差、对形状复杂的晶粒需要分区检测、以及对灰度变化大的图像需要调整缺陷判断阈值的问题。
Description
技术领域
本发明涉及半导体晶圆外观缺陷检测技术领域,尤其涉及到一种晶圆缺陷检测方法、装置和系统以及计算机可读存储介质。
背景技术
晶圆缺陷检测是半导体生产领域中必不可少的一项工艺流程,由于在半导体检测领域对检测实时性和检测准确性要求极高,因此缺陷检测算法在满足检测精度的同时,对降低算法复杂度也提出了很高的要求。
传统的晶圆缺陷检测方法是通过判断晶圆图像中待检像素与周围像素之间的灰度关系或者位置关系,从而通过人为给定的阈值来判断待检像素是否为缺陷。如专利CN113808110A公开的技术方案,通过对晶圆图像进行灰度平均后,采用卷积核对图像做滤波操作,该滤波操作实际利用像素之间的灰度关系进行相关计算,再通过人为设置管控阈值,对滤波后的图像进行缺陷判断。
然而上述方法存在以下问题:1、由于对每张图像均作大量计算(卷积计算),无法满足检测的实时性要求。2、对于形状复杂的Die(晶粒),传统的检测方法需要分区域进行检测,且每个区域会有不同的控制参数和检测逻辑,算法开发难度大,调试困难。3、对于整体灰度变化较大的图像,人为管控的阈值需要重新调整,无法做到很高的自适应程度,缺陷检测的鲁棒性差。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种晶圆缺陷检测方法、装置和系统以及计算机可读存储介质,其可以解决传统晶圆缺陷检通过卷积计算待检像素与周围像素之间的灰度关系或者位置关系来判断缺陷存在实时性差、对形状复杂的晶粒需要分区检测、以及对灰度变化大的图像需要调整缺陷判断阈值的问题。
一方面,本发明实施例提供了一种晶圆缺陷检测方法,包括:获取待检测晶圆的多张晶粒检测图像;根据所述多张晶粒检测图像得到单个晶粒的完美晶粒图像;获取所述晶粒检测图像所在目标晶粒的位置信息,并根据所述目标晶粒的位置信息确定包含所述目标晶粒的待检测区域图像;将所述待检测区域图像与所述完美晶粒图像逐像素进行比对,计算出各个对应像素之间的差异值,并基于所述差异值生成二维结果图;设置缺陷控制阈值,将所述二维结果图中差异值大于所述缺陷控制阈值的像素点标记为缺陷。
在本发明的一个实施例中,所述根据所述多张晶粒检测图像得到单个晶粒的完美晶粒图像,包括:通过特征点匹配法将所述多张晶粒检测图像拼接为包含多个完整晶粒图像的整体图像;通过模板匹配法将所述整体图像中的所有所述完整晶粒图像查找并分割出来,作为训练所述完美晶粒图像的数据集;采用图像融合法对所述数据集中的所述完整晶粒图像进行训练,以得到所述完美晶粒图像。
在本发明的一个实施例中,所述采用图像融合法对所述数据集中的所述完整晶粒图像进行训练,以得到所述完美晶粒图像,包括:根据多个所述完整晶粒图像的相同区域进行图像对位融合,并获取多个所述完整晶粒图像的各个子区域对应的子区域图像;选取多个所述完整晶粒图像之间的同一个所述子区域中出现次数最多的所述子区域图像作为该子区域对应的标准晶粒图像;将每个所述子区域对应的所述标准晶粒图像进行拼接,得到所述完美晶粒图像。
在本发明的一个实施例中,所述计算出各个对应像素之间的差异值,并基于所述差异值生成二维结果图,包括:将所述待检测区域图像与所述完美晶粒图像上对应像素点的灰度值相减,得到所述差异值;基于所述差异值生成与所述待检测区域上像素点坐标一一对应的所述二维结果图。
在本发明的一个实施例中,在所述获取待检测晶圆的多张晶粒检测图像之后,还包括:根据预先拟合的相机亮度模型参数对所述晶粒检测图像进行平场校正;根据预先标定的相机畸变参数对平场校正后的所述晶粒检测图像的进行畸变校正。
另一方面,本发明实施例提出一种晶圆缺陷检测装置,包括:晶粒检测图像获取模块,用于获取待检测晶圆的多张晶粒检测图像;完美晶粒图像获取模块,用于根据所述多张晶粒检测图像得到单个晶粒的完美晶粒图像;待检测区域图像确定模块,用于获取所述晶粒检测图像所在目标晶粒的位置信息,并根据所述目标晶粒的位置信息确定包含所述目标晶粒的待检测区域图像;二维结果图生成模块,用于将所述待检测区域图像与所述完美晶粒图像逐像素进行比对,计算出各个对应像素之间的差异值,并基于所述差异值生成二维结果图;缺陷标记模块,用于设置缺陷控制阈值,将所述二维结果图中差异值大于所述缺陷控制阈值的像素点标记为缺陷。
在本发明的一个实施例中,所述完美晶粒图像获取模块具体用于:通过特征点匹配法将所述多张晶粒检测图像拼接为包含多个完整晶粒图像的整体图像;通过模板匹配法将所述整体图像中的所有所述完整晶粒图像查找并分割出来,作为训练所述完美晶粒图像的数据集;采用图像融合法对所述数据集中的所述完整晶粒图像进行训练,以得到所述完美晶粒图像。
在本发明的一个实施例中,所述晶圆缺陷检测装置还包括:图像融合模块,用于根据多个所述完整晶粒图像的相同区域进行图像对位融合,并获取多个所述完整晶粒图像的各个子区域对应的子区域图像;选取多个所述完整晶粒图像之间的同一个所述子区域中出现次数最多的所述子区域图像作为该子区域对应的标准晶粒图像;将每个所述子区域对应的所述标准晶粒图像进行拼接,得到所述完美晶粒图像。
再一方面,本发明实施例提出一种晶圆缺陷检测系统,包括:存储器和连接所述存储器的一个或多个处理器,存储器存储有计算机程序,处理器用于执行所述计算机程序以实现如上述中任意一个实施例所述的晶圆缺陷检测方法。
又一方面,本发明实施例提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行如上述中任意一个实施例所述的晶圆缺陷检测方法。
由上可知,通过本发明所构思的上述方案与现有技术相比,可以具有如下一个或多个有益效果:
(1)通过获取多个相同类型晶粒的多张晶粒检测图像,根据多张晶粒检测图像之间的重叠区域进行图像对位并获取多个晶粒的各个子区域对应的子区域图像,选取出现次数最多的子区域图像作为该子区域的完美晶粒图像,能够通过正常晶粒占多数的原理自动选取图像对位过程中出现次数最多的子区域图像作为完美晶粒图像,能够有效避免通过人工筛选检测图像再进行手动对位的方式来获取检测样本,存在样本数量多、部分晶粒无法拍全而导致挑选困难以及手动对位不准确的问题;
(2)通过先选取对为依据点所在的晶粒检测图像作为基准图像,其它晶粒检测图像根据基准图像进行对位,能够保证不同晶粒的子区域图像的位置绝对精确,避免检测时由于位置偏移产生的误差;
(3)获取晶粒检测图像后进行平场校正和畸变校正,能够避免晶粒检测图像由于亮度、畸变等问题对检测过程造成干扰。
通过以下参考附图的详细说明,本发明的其他方面的特征变得明显。但是应当知道,该附图仅仅为解释的目的设计,而不是作为本发明的范围的限定。还应当知道,除非另外指出,不必要依比例绘制附图,它们仅仅力图概念地说明此处描述的结构和流程。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例提供的晶圆缺陷检测方法的流程图;
图2为本发明实施例提供的生成完美晶粒图像的原理示意图;
图3为本发明实施例提供的完美晶粒图像示意图;
图4为本发明实施例提供的晶圆缺陷检测方法具体执行步骤示意图;
图5为本发明实施例提供的待检测区域图像示意图;
图6为本发明实施例提供的基于待检测区域图像与完美晶粒图像之间差异值生成的二维结果图;
图7为本发明实施例提供的晶圆缺陷检测装置的结构示意图
图8为本发明实施例提供的晶圆缺陷检测系统的结构示意图;
图9为本发明实施例提供的计算机可读存储介质的结构示意图。
附图标记说明
S1至S5:晶圆缺陷检测方法的步骤;
20:晶圆缺陷检测装置;201:晶粒检测图像获取模块;202:完美晶粒图像获取模块;203:待检测区域图像确定模块;204:二维结果图生成模块;205:缺陷标记模块;
30:晶圆缺陷检测系统;31:处理器;32:存储器;
40:计算机可读存储介质。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以互相组合。下面将参考附图并结合实施例来说明本发明。
为了使本领域普通技术人员更好地理解本发明的技术方案,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,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,都应当属于本发明的保护范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等适用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应当理解这样使用的术语在适当情况下可以互换,以便这里描述的本发明实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外。术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备国有的其它步骤或单元。
还需要说明的是,本发明中多个实施例的划分仅是为了描述的方便,不应构成特别的限定,各种实施例中的特征在不矛盾的情况下可以相结合,相互引用。
【第一实施例】
如图1所示,本发明第一实施例提出一种晶圆缺陷检测方法,包括如下步骤:步骤S1,获取待检测晶圆的多张晶粒检测图像;步骤S2,根据所述多张晶粒检测图像得到单个晶粒的完美晶粒图像;步骤S3,获取所述晶粒检测图像所在目标晶粒的位置信息,并根据所述目标晶粒的位置信息确定包含所述目标晶粒的待检测区域图像;步骤S4,将所述待检测区域图像与所述完美晶粒图像逐像素进行比对,计算出各个对应像素之间的差异值,并基于所述差异值生成二维结果图;步骤S5,设置缺陷控制阈值,将所述二维结果图中差异值大于所述缺陷控制阈值的像素点标记为缺陷。
在步骤S1中,例如首先采集包含多个完整Die(晶粒)的图像,由于Die尺寸较大,在单帧图像中可能不完整,因此需要采集多帧晶粒检测图像。提到的晶粒即为Wafer(晶圆)上的重复性小单元,不同晶粒个体之间外观特征相同。在进行晶圆缺陷检测时,例如通过相机等设备对晶圆上的待检测区域拍摄多张晶粒检测图像,由上位机软件获取该多张晶粒检测图像进行后续处理。其中,提到的上位机例如为个人计算机、手持设备、便携式设备、平板型设备、多处理器系统、基于微处理器的系统、可编辑的消费电子设备、网络PC、小型计算机、大型计算机、或者包括以上任何系统或设备的分布式计算环境等等。
在步骤S2中,例如由上位机软件根据所述多张晶粒检测图像生成单个晶粒的完美晶粒图像。提到的完美晶粒(Golden Die)即晶粒检测过程中用于比对的黄金模板,指无缺陷情况下晶粒的样子。
具体的,如图2所示,根据多张晶粒检测图像得到单个晶粒的完美晶粒图像例如包括如下步骤:
P1:通过特征点匹配法将所述多张晶粒检测图像拼接为包含多个完整晶粒图像的整体图像。例如采用重叠区域对位的方式,获取多张晶粒检测图像之间重叠部分的特征点在对应晶粒检测图像上的图像坐标,以计算得到各晶粒检测图像的相对位置关系,按照上述方式,对获取的所有晶粒检测图像进行对位后拼接在一起,得到包含多个完整晶粒图像的整体图像,供后续步骤使用。
P2:手动选取一个备选Die,基于该备选Die通过模板匹配法能够将所述整体图像中的所有完整晶粒图像查找并分割出来,作为训练完美晶粒图像的数据集。
P3:采用图像融合法对所述数据集中的完整晶粒图像进行训练,以得到完美晶粒图像。具体的,由于各晶粒个体皆为晶圆上外观结构相同的重复性单元,于是例如对每个完整晶粒图像都划定为多个子区域,如此一来,在对所有晶粒检测图像进行对位后能够获取多个完整晶粒图像的各个子区域对应的子区域图像。
当需要进行图像融合时,例如将多个完整晶粒图像的相同区域进行图像对位融合,于是多个完整晶粒图像之间会以类似于“叠板”的方式叠在一起,在此过程中,各个子区域对应的子区域图像会出现多次,其中正常符合要求的个体占据大多数,于是选取出现次数最多的子区域图像作为该子区域对应的标准晶粒图像。
进一步的,由于通过上述步骤能够获取完整晶粒的每个子区域对应的标准晶粒图像,例如将每个子区域对应的标准晶粒图像进行拼接,得到完整的完美晶粒图像,如图3所示,即得到最终的训练结果Golden Die。
在步骤S3中,结合图4所示,例如在检测过程中,根据相机运动轴在晶圆中的拍照位置,计算出各晶粒检测图像当前所属的目标晶粒在晶圆的位置信息,并根据该位置信息确定包含目标晶粒的待检测区域图像。
在步骤S4中,例如将所述待检测区域图像与所述完美晶粒图像逐像素进行比对,计算出各个对应像素之间的差异值,并基于该差异值生成一张二维结果图,如图5所示为待检测区域图像,图6所示为生成的张二维结果图。具体的,例如将待检测区域图像与完美晶粒图像上对应像素点的灰度值相减得到差异值,并基于该差异值生成与待检测区域上像素点坐标一一对应的二维结果图。
如此一来,通过将训练得到的完美晶粒图像作为参考图进行缺陷检测,只需对检测图像做简单加减运算即可检测出缺陷,相比于通过卷积计算待检像素与周围像素之间的灰度关系或者位置关系来判断缺陷的方式而言,可以极大程度减小计算量,满足晶圆检测实时性要求。
在步骤S5中,例如通过用户自定义设置缺陷控制阈值,由上位机软件将二维结果图中差异值大于该缺陷控制阈值的像素点标记为缺陷。由于本申请方案通过训练单个晶粒的Golden Die图像与待检测区域图像对比检测缺陷,因此不管检测对象有多么复杂,只需对生成的Golden Die图像做相应的调整即可,此方法适用范围场景更广,操作简单。同时,对于检测图像整体亮度有变化时,由于生成的Golden Die图像也会随之变化,因此鲁棒性好,检测结果几乎不依赖于管控参数。
进一步的,在获取待检测晶圆的多张晶粒检测图像之后,例如还包括:对获取的各晶粒检测图像都进行平场校正和畸变校正。所述平场矫正通过预先测量拟合相机的亮度模型参数,对每帧图像进行亮度矫正,获得亮度均匀的帧图。所述畸变校正根据预先标定的相机畸变参数对亮度均匀的帧图进行畸变矫正,获得无明显畸变的帧图。如此一来,能够避免晶粒检测图像由于亮度、畸变等问题对检测过程造成干扰。
综上所述,本发明实施例提出的一种晶圆缺陷检测方法,通过获取晶圆上单个晶粒的完美晶粒图像,获取各晶粒检测图像所占目标晶粒的位置信息并确定包含该目标晶粒的待检测区域图像,将完美晶粒图像作为参考图与待检测区域图像进行对比来实现缺陷检测,相比于通过卷积计算待检像素与周围像素之间的灰度关系或者位置关系来判断缺陷的方式而言,可以极大程度减小计算量,满足晶圆检测实时性要求;不管检测对象有多么复杂,只需对生成的Golden Die图像做相应的调整即可,此方法适用范围场景更广,操作简单;同时,对于检测图像整体亮度有变化时,由于生成的Golden Die图像也会随之变化,因此鲁棒性好,检测结果几乎不依赖于管控参数,操作简单。
【第二实施例】
如图7所示,本发明第二实施例提出了一种晶圆缺陷检测装置20,例如包括:晶粒检测图像获取模块201、完美晶粒图像获取模块202、待检测区域图像确定模块203、二维结果图生成模块204以及缺陷标记模块205。
其中,晶粒检测图像获取模块201用于获取待检测晶圆的多张晶粒检测图像。完美晶粒图像获取模块202用于根据所述多张晶粒检测图像得到单个晶粒的完美晶粒图像。待检测区域图像确定模块203用于获取所述晶粒检测图像所在目标晶粒的位置信息,并根据所述目标晶粒的位置信息确定包含所述目标晶粒的待检测区域图像。二维结果图生成模块204用于将所述待检测区域图像与所述完美晶粒图像逐像素进行比对,计算出各个对应像素之间的差异值,并基于所述差异值生成二维结果图。缺陷标记模块205用于设置缺陷控制阈值,将所述二维结果图中差异值大于所述缺陷控制阈值的像素点标记为缺陷。
进一步的,完美晶粒图像获取模块202例如具体用于:通过特征点匹配法将所述多张晶粒检测图像拼接为包含多个完整晶粒图像的整体图像;通过模板匹配法将所述整体图像中的所有所述完整晶粒图像查找并分割出来,作为训练所述完美晶粒图像的数据集;采用图像融合法对所述数据集中的所述完整晶粒图像进行训练,以得到所述完美晶粒图像。
进一步的,晶圆缺陷检测装置20例如还包括:对位依据点选取模块205,用于选取对位依据点并获取其所在的所述晶粒检测图像作为基准图像,其它所述晶粒检测图像根据所述基准图像进行图像对位。
进一步的,如图7所示,晶圆缺陷检测装置20例如还包括:图像融合模块,用于根据多个所述完整晶粒图像的相同区域进行图像对位融合,并获取多个所述完整晶粒图像的各个子区域对应的子区域图像;选取多个所述完整晶粒图像之间的同一个所述子区域中出现次数最多的所述子区域图像作为该子区域对应的标准晶粒图像;将每个所述子区域对应的所述标准晶粒图像进行拼接,得到所述完美晶粒图像。
本发明第二实施例公开的晶圆缺陷检测装置20所实现的晶圆缺陷检测方法如前述第一实施例所述,故在此不再进行详细讲述。可选地,第二实施例中的各个模块和上述其他操作或功能分别为了实现第一实施例所述的方法,且本实施例的有益效果同前述第一实施例的有益效果相同,为了简洁,不在此赘述。
【第三实施例】
如图8所示,本发明第三实施例提出一种晶圆缺陷检测系统30,例如包括:存储器32和连接存储器32的一个或多个处理器31。存储器32存储有计算机程序,处理器31用于执行所述计算机程序以实现如第一实施例所述的晶圆缺陷检测方法。具体的晶圆缺陷检测方法可参考第一实施例所述的方法,为了简洁在此不再赘述,且本实施例提供的晶圆缺陷检测系统30的有益效果与第一实施例提供的晶圆缺陷检测方法的有益效果相同。
【第四实施例】
如图9所示,本发明第四实施例提出一种计算机可读存储介质40,计算机可读存储介质40为非易失性存储器且存储有计算机可读指令,当所述计算机可读指令被一个或多个处理器执行时,例如使得所述一个或多个处理器执行前述第一实施例所述的晶圆缺陷检测方法。具体方法可参考第一实施例所述的方法,为了简洁在此不再赘述,且本实施例提供的计算机可读存储介质40的有益效果同第一实施例提供的晶圆缺陷检测方法的有益效果相同。
此外,可以理解的是,前述各个实施例仅为本发明的示例性说明,在技术特征不冲突、结构不矛盾、不违背本发明的发明目的前提下,各个实施例的技术方案可以任意组合、搭配使用。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和/或方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元/模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多路单元或模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元/模块可以是或者也可以不是物理上分开的,作为单元/模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多路网络单元上。可以根据实际的需要选择其中的部分或者全部单元/模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模块中,也可以是各个单元/模块单独物理存在,也可以两个或两个以上单元/模块集成在一个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现,也可以采用硬件加软件功能单元/模块的形式实现。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种晶圆缺陷检测方法,其特征在于,包括:
获取待检测晶圆的多张晶粒检测图像;
根据所述多张晶粒检测图像得到单个晶粒的完美晶粒图像;
获取所述晶粒检测图像所在目标晶粒的位置信息,并根据所述目标晶粒的位置信息确定包含所述目标晶粒的待检测区域图像;
将所述待检测区域图像与所述完美晶粒图像逐像素进行比对,计算出各个对应像素之间的差异值,并基于所述差异值生成二维结果图;
设置缺陷控制阈值,将所述二维结果图中差异值大于所述缺陷控制阈值的像素点标记为缺陷。
2.根据权利要求1所述的晶圆缺陷检测方法,其特征在于,所述根据所述多张晶粒检测图像得到单个晶粒的完美晶粒图像,包括:
通过特征点匹配法将所述多张晶粒检测图像拼接为包含多个完整晶粒图像的整体图像;
通过模板匹配法将所述整体图像中的所有所述完整晶粒图像查找并分割出来,作为训练所述完美晶粒图像的数据集;
采用图像融合法对所述数据集中的所述完整晶粒图像进行训练,以得到所述完美晶粒图像。
3.根据权利要求2所述的晶圆缺陷检测方法,其特征在于,所述采用图像融合法对所述数据集中的所述完整晶粒图像进行训练,以得到所述完美晶粒图像,包括:
根据多个所述完整晶粒图像的相同区域进行图像对位融合,并获取多个所述完整晶粒图像的各个子区域对应的子区域图像;
选取多个所述完整晶粒图像之间的同一个所述子区域中出现次数最多的所述子区域图像作为该子区域对应的标准晶粒图像;
将每个所述子区域对应的所述标准晶粒图像进行拼接,得到所述完美晶粒图像。
4.根据权利要求1所述的晶圆缺陷检测方法,其特征在于,所述计算出各个对应像素之间的差异值,并基于所述差异值生成二维结果图,包括:
将所述待检测区域图像与所述完美晶粒图像上对应像素点的灰度值相减,得到所述差异值;
基于所述差异值生成与所述待检测区域上像素点坐标一一对应的所述二维结果图。
5.根据权利要求1所述的晶圆缺陷检测方法,其特征在于,在所述获取待检测晶圆的多张晶粒检测图像之后,还包括:根据预先拟合的相机亮度模型参数对所述晶粒检测图像进行平场校正;根据预先标定的相机畸变参数对平场校正后的所述晶粒检测图像的进行畸变校正。
6.一种晶圆缺陷检测装置,其特征在于,包括:
晶粒检测图像获取模块,用于获取待检测晶圆的多张晶粒检测图像;
完美晶粒图像获取模块,用于根据所述多张晶粒检测图像得到单个晶粒的完美晶粒图像;
待检测区域图像确定模块,用于获取所述晶粒检测图像所在目标晶粒的位置信息,并根据所述目标晶粒的位置信息确定包含所述目标晶粒的待检测区域图像;
二维结果图生成模块,用于将所述待检测区域图像与所述完美晶粒图像逐像素进行比对,计算出各个对应像素之间的差异值,并基于所述差异值生成二维结果图;
缺陷标记模块,用于设置缺陷控制阈值,将所述二维结果图中差异值大于所述缺陷控制阈值的像素点标记为缺陷。
7.根据权利要求6所述的晶圆缺陷检测装置,其特征在于,所述完美晶粒图像获取模块具体用于:通过特征点匹配法将所述多张晶粒检测图像拼接为包含多个完整晶粒图像的整体图像;通过模板匹配法将所述整体图像中的所有所述完整晶粒图像查找并分割出来,作为训练所述完美晶粒图像的数据集;采用图像融合法对所述数据集中的所述完整晶粒图像进行训练,以得到所述完美晶粒图像。
8.根据权利要求7所述的晶圆缺陷检测装置,其特征在于,还包括:图像融合模块,用于根据多个所述完整晶粒图像的相同区域进行图像对位融合,并获取多个所述完整晶粒图像的各个子区域对应的子区域图像;选取多个所述完整晶粒图像之间的同一个所述子区域中出现次数最多的所述子区域图像作为该子区域对应的标准晶粒图像;将每个所述子区域对应的所述标准晶粒图像进行拼接,得到所述完美晶粒图像。
9.一种晶圆缺陷检测系统,其特征在于,包括:存储器和连接所述存储器的一个或多个处理器,所述存储器存储有计算机程序,所述处理器用于执行所述计算机程序以实现如上述中任意一项权利要求所述的晶圆缺陷检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行如上述中任意一项权利要求所述的晶圆缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211191900.XA CN115564723A (zh) | 2022-09-28 | 2022-09-28 | 一种晶圆缺陷检测方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211191900.XA CN115564723A (zh) | 2022-09-28 | 2022-09-28 | 一种晶圆缺陷检测方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564723A true CN115564723A (zh) | 2023-01-03 |
Family
ID=84742295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211191900.XA Pending CN115564723A (zh) | 2022-09-28 | 2022-09-28 | 一种晶圆缺陷检测方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564723A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115863204A (zh) * | 2023-02-27 | 2023-03-28 | 青岛芯康半导体科技有限公司 | 晶片加工用在线厚度监视和测量方法及系统 |
CN117252776A (zh) * | 2023-09-26 | 2023-12-19 | 钛玛科(北京)工业科技有限公司 | 适用于多种材料的图像调整方法、装置及设备 |
CN117252776B (zh) * | 2023-09-26 | 2024-04-30 | 钛玛科(北京)工业科技有限公司 | 适用于多种材料的图像调整方法、装置及设备 |
-
2022
- 2022-09-28 CN CN202211191900.XA patent/CN115564723A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115863204A (zh) * | 2023-02-27 | 2023-03-28 | 青岛芯康半导体科技有限公司 | 晶片加工用在线厚度监视和测量方法及系统 |
CN117252776A (zh) * | 2023-09-26 | 2023-12-19 | 钛玛科(北京)工业科技有限公司 | 适用于多种材料的图像调整方法、装置及设备 |
CN117252776B (zh) * | 2023-09-26 | 2024-04-30 | 钛玛科(北京)工业科技有限公司 | 适用于多种材料的图像调整方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110476056B (zh) | 一种视觉检测方法、检测设备以及机器人 | |
US9646370B2 (en) | Automatic detection method for defects of a display panel | |
US20230086961A1 (en) | Parallax image processing method, apparatus, computer device and storage medium | |
CN111025701B (zh) | 一种曲面液晶屏幕检测方法 | |
CN114220757B (zh) | 晶圆检测对位方法、装置和系统及计算机介质 | |
CN110400315A (zh) | 一种缺陷检测方法、装置及系统 | |
CN112577969B (zh) | 一种基于机器视觉的缺陷检测方法以及缺陷检测系统 | |
CN113570604B (zh) | 晶粒检测样本自动生成方法和装置 | |
CN108871185B (zh) | 零件检测的方法、装置、设备以及计算机可读存储介质 | |
WO2019001164A1 (zh) | 滤光片同心度测量方法及终端设备 | |
CN115564723A (zh) | 一种晶圆缺陷检测方法及应用 | |
CN112730251A (zh) | 一种用于屏幕颜色缺陷检测的装置及方法 | |
CN115797359A (zh) | 基于电路板上锡膏的检测方法、设备和存储介质 | |
CN116188379A (zh) | 边缘缺陷检测方法、装置、电子设备及存储介质 | |
CN111369513B (zh) | 一种异常检测方法、装置、终端设备及存储介质 | |
CN105049706A (zh) | 一种图像处理方法及终端 | |
CN106373158A (zh) | 自动化图像检测方法 | |
CN111563883B (zh) | 屏幕视觉定位方法、定位设备及存储介质 | |
CN111524107B (zh) | 缺陷检测方法、缺陷检测装置及计算机可读存储介质 | |
CN114445370A (zh) | 一种模组膜层异物检测方法、装置和系统及计算机介质 | |
CN112637587A (zh) | 坏点检测方法及装置 | |
CN117115233B (zh) | 一种基于机器视觉的尺寸测量方法、装置及电子设备 | |
CN110874837A (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
CN117233991B (zh) | 液晶显示屏的偏光贴片方法、装置、设备及存储介质 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 |
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 |