CN115690670A - 一种晶圆瑕疵智能识别方法和系统 - Google Patents

一种晶圆瑕疵智能识别方法和系统 Download PDF

Info

Publication number
CN115690670A
CN115690670A CN202211170330.6A CN202211170330A CN115690670A CN 115690670 A CN115690670 A CN 115690670A CN 202211170330 A CN202211170330 A CN 202211170330A CN 115690670 A CN115690670 A CN 115690670A
Authority
CN
China
Prior art keywords
wafer
defect
calculating
image
area
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
CN202211170330.6A
Other languages
English (en)
Inventor
兰海燕
李士昌
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.)
Shengjisheng Precision Technology Ningbo Co ltd
SGS Ningbo Semiconductor Technology Co Ltd
Original Assignee
Shengjisheng Precision Technology Ningbo Co ltd
SGS Ningbo Semiconductor Technology 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 Shengjisheng Precision Technology Ningbo Co ltd, SGS Ningbo Semiconductor Technology Co Ltd filed Critical Shengjisheng Precision Technology Ningbo Co ltd
Priority to CN202211170330.6A priority Critical patent/CN115690670A/zh
Publication of CN115690670A publication Critical patent/CN115690670A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种晶圆瑕疵智能识别方法和系统。该方法包括：获取晶圆的表面图像；晶圆的表面图像和标准模板图像进行定位配准；分别计算晶圆的表面图像和标准模板图像的灰阶直方图，并计算出各自灰阶直方图中的最大值，再计算这两个最大值的差值；对于晶圆的表面图像有效区域内的每个像素的灰阶值加上差值，将其与标准模板图像对应位置的灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；基于瑕疵点像素计算出每个瑕疵的连通区域面积大小，得到瑕疵图片；把每个检测到的瑕疵图片，依次输入卷积神经网络分类器，识别出每个瑕疵的类别；根据识别的瑕疵类别和数量，对产品进行等级判定。

Description

一种晶圆瑕疵智能识别方法和系统
技术领域
本发明涉及半导体前制程、后制程等工艺制造中的瑕疵检测和识别，尤其涉及一种晶圆瑕疵智能识别方法和系统。
背景技术
常规的晶圆表面瑕疵检测是通过检查灯对晶圆表面进行照射，然后折射出光路，使得操作人员肉眼可识别出工件表面的瑕疵，从而起到对晶圆表面进行检测的效果，这也是晶圆瑕疵检测的金标准。除操作人员肉眼识别瑕疵外，为了提高检测效率，也产生了一些检测设备。
半导体制程工艺不断提高，制造过程中需要检测设备更准确地识别瑕疵，提高生产良率，以获得更好的利润回报。然而现有检测设备及系统存在以下问题：对瑕疵的识别准确率不够高，适应性差，并且使用复杂，需要花大量时间设定参数。
发明内容
为了解决上文所述的现有技术存在的至少一个问题，本发明提供一种晶圆瑕疵智能识别方法和系统。
第一方面，本发明提供一种晶圆瑕疵智能识别方法，包括下述步骤：
获取晶圆的表面图像；
所述晶圆的表面图像和标准模板图像进行定位配准；
分别计算所述晶圆的表面图像和所述标准模板图像的灰阶直方图，并计算出各自灰阶直方图中的最大值，再计算这两个最大值的差值；
对于所述晶圆的表面图像有效区域内的每个像素的灰阶值加上所述差值，将其与所述标准模板图像对应位置的灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；
基于所述瑕疵点像素计算出每个瑕疵的连通区域面积大小，得到瑕疵图片；
把每个检测到的所述瑕疵图片，依次输入卷积神经网络分类器，识别出每个瑕疵的类别；
根据识别的瑕疵类别和数量，对产品进行等级判定。
标准模板图像选自无瑕疵的正常晶圆表面图像。定位配准指在标准模板图像中预先设定的位置上，裁取固定大小(比如400×400像素)图像，在晶圆的表面图像上模板匹配算法，计算出晶圆的表面图像相对标准模板图像的位置差异，从而做到两者的精确配准。模板匹配是一种最常见、最通用的模式识别算法，简单的来说就是在一幅图像中寻找与另一幅模板图像最相似的部分，并评价相似度的技术，常常被用在需要视觉引导的项目中，比如引导机器人进行产品的抓取和分拣，或者引导机器人进行SMT表面贴装等等。模板匹配算法通常分为基于灰阶值的模板匹配，基于形状的模板匹配，基于边缘特征点的模板匹配。本发明中的模板匹配算法采用的是基于灰阶值的模板匹配。
在一些实施方案中，所述卷积神经网络分类器是改进型Faster R-CNN卷积神经网络经过训练和验证获得的分类模型。
在一些实施方案中，所述设定阈值是灰度值，为10至255(优选为15-30，或20-40，或20)。
在一些实施方案中，所述卷积神经网络分类器识别出每个瑕疵的类别，包含下述步骤：
利用卷积网络ResNet-101将输入图像转换成特征图；
区域推荐网络根据所述特征图从滑动窗口中选出最有可能存在瑕疵的感兴趣区域；
池化层根据所述感兴趣区域从所述特征图中抽取出对应特征组成特征向量，检测网络根据所述特征向量判断瑕疵类别，并进行边界回归，
通过非极大值抑制算法和概率阈值对候选缺陷区域进行过滤得到最终瑕疵区域位置和瑕疵类别。
第二方面，本发明提供一种晶圆瑕疵智能识别系统，包括以下相互通讯的单元：
图像获取模块，用于获取晶圆的表面图像；
定位配准模块，用于晶圆的表面图像和标准模板图像进行定位配准；
运算处理模块，用于计算晶圆的表面图像的灰阶直方图和标准模板图像的灰阶直方图，并计算出各自灰阶直方图中的最大值，再计算这两个最大值的差值；将所述晶圆的表面图像有效区域内的每个像素的灰阶值加上所述差值，将其与所述标准模板图像对应位置的灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；基于瑕疵点像素计算出每个瑕疵的连通区域面积大小，得到瑕疵图片；
卷积神经网络分类器，用于从瑕疵图片中识别出每个瑕疵的类别；根据识别的瑕疵类别和数量，对产品进行等级判定。
在一些实施方案中，所述设定阈值是灰度值，为10至255(优选为15-30，或20-40，或20)。
在一些实施方案中，所述卷积神经网络分类器识别出每个瑕疵的类别，包含下述步骤：
利用卷积网络ResNet-101将输入图像转换成特征图；
区域推荐网络根据所述特征图从滑动窗口中选出最有可能存在瑕疵的感兴趣区域；
池化层根据所述感兴趣区域从所述特征图中抽取出对应特征组成特征向量，检测网络根据所述特征向量判断瑕疵类别，并进行边界回归，
通过非极大值抑制算法和概率阈值对候选缺陷区域进行过滤得到最终瑕疵区域位置和瑕疵类别。
在一些实施方案中，所述图像获取模块包括相机(优选为工业相机)和光源；
所述晶圆瑕疵智能识别系统包括上位机；所述定位配准模块、所述运算处理模块和所述卷积神经网络分类器均设置在所述上位机中。
第三方面，本发明提供一种晶圆瑕疵智能识别装置，包括：
相机(优选为工业相机)，用于采集晶圆的表面图像；
光源，用于照亮所述相机拍摄视野下放置的晶圆；
上位机，具有处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现如第一方面中任一实施方案所述的方法；
所述相机与所述上位机通讯。
第四方面，本发明提供一种芯片，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行：如第一方面中任一实施方案所述的方法。
第五方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一实施方案所述的方法的步骤。
第六方面，本发明提供一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行如第一方面中任一实施方案所述的方法。
本发明的有益效果有：
1、本发明通过对晶圆的表面图像进行智能分析，可高速、准确地识别晶圆瑕疵，判定晶圆产品的质量等级。
2、简化了使用设定步骤，节省了时间和避免设定步骤过于复杂导致的错误。
3、适合多种瑕疵类别的晶圆产品检测，比如微尘颗粒、短路、断线瑕疵类型，准确率分别达到了90％、97％和95％。对正常无瑕疵的准确率达到99％。
4、可准确获知瑕疵面积。
晶圆行业按照摩尔定律不断发展，制程从微米量级缩小至如今的单数位纳米量级，先进的工艺意味着更复杂的图案，而复杂的图案也需要更精细的缺陷检测分类技术。用户对于良率的要求越来越高，更高的良率需求，需要有更加准确的缺陷识别准确率。
晶圆瑕疵的存在方式以及瑕疵种类是多种多样的。因获取晶圆图像的过程受到外界因素影响，会导致出现较多的干扰因素。因此晶圆表面瑕疵的识别存在分类难度较高、错分率高等问题。
为了解决这些问题，本发明首次提出将晶圆瑕疵识别与神经网络相结合，将晶圆图像定位配准，灰阶值处理，差值、差异等运算，获得瑕疵图片结合到神经网络中来。同时，尤其是使用改进型Faster R-CNN，有更加优秀的特征提取网络结构，生成更加有利于多尺度和小目标识别的多层特征图，相较于其他常规一阶段卷积神经网络，改进型Faster R-CNN的两阶段网络更加的精准，更加可以适用于高精度、多尺度、小目标的识别问题。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的晶圆瑕疵智能识别方法的实施例的流程图；
图2为本发明的晶圆瑕疵智能识别系统的实施例的组成结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1示出了本实施例的晶圆瑕疵智能识别方法的流程，具体阐述如下：
本实施例提供的晶圆瑕疵智能识别方法，包括下述步骤：
S1、获取晶圆的表面图像；
S2、所述晶圆的表面图像和标准模板图像进行定位配准；
S3、分别计算所述晶圆的表面图像和所述标准模板图像的灰阶直方图，并计算出各自灰阶直方图中的最大值，再计算这两个最大值的差值；
S4、对于所述晶圆的表面图像有效区域内的每个像素的灰阶值加上所述差值，将其与所述标准模板图像对应位置的灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；
S5、基于所述瑕疵点像素计算出每个瑕疵的连通区域面积大小，得到瑕疵图片；
S6、把每个检测到的所述瑕疵图片，依次输入卷积神经网络分类器，识别出每个瑕疵的类别；
S7、根据识别的瑕疵类别和数量，对产品进行等级判定。
步骤S3中“计算出各自灰阶直方图中的最大值”指计算获得所述晶圆的表面图像的各个像素的灰阶值形成的集合(假设为集合A)中的最大值(Amax)，与标准模板图像的各个像素的灰阶值形成的集合(假设为集合B)中的最大值(Bmax)，两者的差值(C＝Amax–Bmax)。
步骤S4指晶圆的表面图像有效区域内的每个像素的灰阶值(Ai)加上C得到A’i；A’i与所述标准模板图像对应位置的灰阶值(Bi)作比较，若差异(Y＝∣A’i–Bi∣)大于设定阈值，则Ai所代表的晶圆的表面图像有效区域内的那个像素被标记为瑕疵点像素。
所述卷积神经网络分类器识别出每个瑕疵的类别，包含下述步骤：
S6.1、利用卷积网络ResNet-101将输入图像转换成特征图；
S6.2、区域推荐网络根据所述特征图从滑动窗口中选出最有可能存在瑕疵的感兴趣区域；
S6.3、池化层根据所述感兴趣区域从所述特征图中抽取出对应特征组成特征向量，检测网络根据所述特征向量判断瑕疵类别，并进行边界回归，
S6.4、通过非极大值抑制算法和概率阈值对候选缺陷区域进行过滤得到最终瑕疵区域位置和瑕疵类别。
所述卷积神经网络分类器是改进型Faster R-CNN卷积神经网络经过训练和验证获得的分类模型。
(一)
使用预先手工(通过金标准检测)标记好的晶圆厂样本图片(晶圆的表面图像)，其中微尘颗粒5219张、短路3708张、断线3592张、正常5010张；对改进型Faster R-CNN卷积神经网络进行训练，生成神经网络模型参数，从而得到所述卷积神经网络分类器(最终完整的改进型Faster-RCNN模型)。
训练步骤：
1、训练区域推荐网络：初始化特征提取卷积网络和区域推荐网络权重，端到端训练区域推荐网络，用于生成候选区域；
2、训练Faster R-CNN：锁住第1步训练好的区域推荐网络权重，结合区域推荐网络得到的候选区域来训练Faster R-CNN网络；
3、调优区域推荐网络：使用第2步训练好的R-CNN初始化区域推荐网络，并固定特征提取卷积网络，继续训练区域推荐网络；
4、调优Faster R-CNN：使用第3步训练好的区域推荐网络初始化Faster-RCNN，继续对Faster-RCNN进行训练微调，训练之后得到最终完整的改进型Faster-RCNN模型。
(二)
使用包含微尘颗粒、短路、断线等多种瑕疵类别的晶圆图片样本(晶圆的表面图像)，对本实施例的方法的识别准确率进行验证，结果见表1。
表1、验证结果
微尘颗粒 短路 断线 正常 总计
微尘颗粒 194 4 2 1 201
短路 11 182 7 0 200
断线 9 2 188 1 200
正常 2 0 0 199 201
总计 216 188 197 201 802
准确率 89.8％ 96.8％ 95.4％ 99.0％ 95.1％
召回率 96.5％ 91.0％ 94.0％ 99.0％ 95.1％
验证集中涉及微尘颗粒、短路、断线瑕疵及正常的晶圆的表面图像(通过金标准检测获知)各201例、200例、200例、201例。通过本发明的方法检测出微尘颗粒、短路、断线瑕疵及正常的晶圆的表面图像各216例、188例、197例、201例；微尘颗粒、短路、断线瑕疵及正常的晶圆的表面图像的识别准确率分别为89.8％、96.8％、95.4％和99.0％，平均为95.1％；召回率分别为96.5％、91.0％、94.0％、99.0％，平均为95.1％。准确率为真阳性数量除以检测到的该类型总数取100％，比如本发明的微尘颗粒的准确率为194/216×100％＝89.8％；召回率为真阳性数量除以该类型实际数量取100％，比如本发明的微尘颗粒的准确率为194/201×100％＝96.5％。传统晶圆检测系统的多类瑕疵识别平均准确率一般在85％-92％。采用本发明的方法识别晶圆瑕疵优于传统晶圆检测系统的识别准确率。
实施例2
本实施例提供一种晶圆瑕疵智能识别系统，包括以下相互通讯的单元：
图像获取模块，用于获取晶圆的表面图像；
定位配准模块，用于晶圆的表面图像和标准模板图像进行定位配准；
运算处理模块，用于计算晶圆的表面图像的灰阶直方图和标准模板图像的灰阶直方图，并计算出各自灰阶直方图中的最大值，再计算这两个最大值的差值；将所述晶圆的表面图像有效区域内的每个像素的灰阶值加上所述差值，将其与所述标准模板图像对应位置的灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；基于瑕疵点像素计算出每个瑕疵的连通区域面积大小，得到瑕疵图片；
卷积神经网络分类器，用于从瑕疵图片中识别出每个瑕疵的类别；根据识别的瑕疵类别和数量，对产品进行等级判定。
所述设定阈值是灰度值，为10至255(优选为15-30，或20-40，或20)。所述卷积神经网络分类器识别出每个瑕疵的类别，包含下述步骤：
利用卷积网络ResNet-101将输入图像转换成特征图；
区域推荐网络根据所述特征图从滑动窗口中选出最有可能存在瑕疵的感兴趣区域；
池化层根据所述感兴趣区域从所述特征图中抽取出对应特征组成特征向量，检测网络根据所述特征向量判断瑕疵类别，并进行边界回归，
通过非极大值抑制算法和概率阈值对候选缺陷区域进行过滤得到最终瑕疵区域位置和瑕疵类别。
如图2所示，所述图像获取模块包括相机1(优选为工业相机)和光源2；所述晶圆瑕疵智能识别系统包括上位机3；所述定位配准模块、所述运算处理模块和所述卷积神经网络分类器均设置在所述上位机3中。
以下是通过举例的方式对运算处理模块如何通过计算标记出瑕疵点像素的解释说明，以便于更好理解本发明：“计算出各自灰阶直方图中的最大值”指计算获得所述晶圆的表面图像的各个像素的灰阶值形成的集合(假设为集合A)中的最大值(Amax)，与标准模板图像的各个像素的灰阶值形成的集合(假设为集合B)中的最大值(Bmax)，两者的差值(C＝Amax–Bmax)。晶圆的表面图像有效区域内的每个像素的灰阶值(Ai)加上C得到A’i；A’i与所述标准模板图像对应位置的灰阶值(Bi)作比较，若差异(Y＝∣A’i–Bi∣)大于设定阈值，则Ai所代表的晶圆的表面图像有效区域内的那个像素被标记为瑕疵点像素。
实施例3
本实施例提供一种晶圆瑕疵智能识别装置，包括：
相机(优选为工业相机)，用于采集晶圆的表面图像；
光源，用于照亮所述相机拍摄视野下放置的晶圆；
上位机，具有处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现如实施例1所述的方法；
所述相机与所述上位机通讯。
存储器与处理器，处理器的数量大于等于1。处理器和存储器可以单独设置，也可以集成在一起。
例如，存储器可以包括随机存储器、闪存、只读存储器、可编程只读存储器、非易失性存储器或寄存器等。处理器可以是中央处理器(Central Processing Unit，CPU)等。或者是图像处理器(Graphic Processing Unit,GPU)存储器可以存储可执行指令。处理器可以执行在存储器中存储的可执行指令，从而实现本文描述的各个过程。
可以理解，本实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是ROM(Read-OnlyMemory，只读存储器)、PROM(ProgrammableROM，可编程只读存储器)、EPROM(ErasablePROM，可擦除可编程只读存储器)、EEPROM(ElectricallyEPROM，电可擦除可编程只读存储器)或闪存。易失性存储器可以是RAM(RandomAccessMemory，随机存取存储器)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如SRAM(StaticRAM，静态随机存取存储器)、DRAM(DynamicRAM，动态随机存取存储器)、SDRAM(SynchronousDRAM，同步动态随机存取存储器)、DDRSDRAM(DoubleDataRate SDRAM，双倍数据速率同步动态随机存取存储器)、ESDRAM(Enhanced SDRAM，增强型同步动态随机存取存储器)、SLDRAM(SynchlinkDRAM，同步连接动态随机存取存储器)和DRRAM(DirectRambusRAM，直接内存总线随机存取存储器)。本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器存储了如下的元素，升级包、可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统和应用程序。
其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序，包含各种应用程序，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序中。
在本发明实施例中，处理器通过调用存储器存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器用于执行实施例1所提供的方法步骤。
实施例4
本实施例提供一种芯片，用于执行实施例1中的方法。具体地，该芯片包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该芯片的设备用于执行实施例1中的方法。
实施例5
本实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现实施例1的方法的步骤。
例如，机器可读存储介质可以包括但不限于各种已知和未知类型的非易失性存储器。
实施例6
本实施例提供一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行实施例1的方法。
本领域技术人员可以明白的是，结合本文中所公开的实施例描述的各示例的单元及算法步骤能够以电子硬件、或者软件和电子硬件的结合来实现。这些功能是以硬件还是软件方式来实现，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以针对每个特定的应用，使用不同的方式来实现所描述的功能，但是这种实现并不应认为超出本申请的范围。
在本申请实施例中，所公开的系统、装置和方法可以通过其它方式来实现。例如，单元的划分仅仅为一种逻辑功能划分，在实际实现时还可以有另外的划分方式。例如，多个单元或组件可以进行组合或者可以集成到另一个系统中。另外，各个单元之间的耦合可以是直接耦合或间接耦合。另外，在本申请实施例中的各功能单元可以集成在一个处理单元中，也可以是单独的物理存在等等。
应理解，在本申请的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请的实施例的实施过程构成任何限定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在机器可读存储介质中。因此，本申请的技术方案可以以软件产品的形式来体现，该软件产品可以存储在机器可读存储介质中，其可以包括若干指令用以使得电子设备执行本申请实施例所描述的技术方案的全部或部分过程。上述存储介质可以包括ROM、RAM、可移动盘、硬盘、磁盘或者光盘等各种可以存储程序代码的介质。
以上内容仅为本申请的具体实施方式，本申请的保护范围并不局限于此。本领域技术人员在本申请所公开的技术范围内可以进行变化或替换，这些变化或替换都应当在本申请的保护范围之内。

Claims (10)

1.一种晶圆瑕疵智能识别方法，其特征在于，包括下述步骤：
获取晶圆的表面图像；
所述晶圆的表面图像和标准模板图像进行定位配准；
分别计算所述晶圆的表面图像和所述标准模板图像的灰阶直方图，并计算出各自灰阶直方图中的最大值，再计算这两个最大值的差值；
对于所述晶圆的表面图像有效区域内的每个像素的灰阶值加上所述差值，将其与所述标准模板图像对应位置的灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；
基于所述瑕疵点像素计算出每个瑕疵的连通区域面积大小，得到瑕疵图片；
把每个检测到的所述瑕疵图片，依次输入卷积神经网络分类器，识别出每个瑕疵的类别；
根据识别的瑕疵类别和数量，对产品进行等级判定。
2.如权利要求1所述的晶圆瑕疵智能识别方法，其特征在于，所述设定阈值是灰度值，为10至255。
3.如权利要求1所述的晶圆瑕疵智能识别方法，其特征在于，所述卷积神经网络分类器识别出每个瑕疵的类别，包含下述步骤：
利用卷积网络ResNet-101将输入图像转换成特征图；
区域推荐网络根据所述特征图从滑动窗口中选出最有可能存在瑕疵的感兴趣区域；
池化层根据所述感兴趣区域从所述特征图中抽取出对应特征组成特征向量，检测网络根据所述特征向量判断瑕疵类别，并进行边界回归，
通过非极大值抑制算法和概率阈值对候选缺陷区域进行过滤得到最终瑕疵区域位置和瑕疵类别。
4.一种晶圆瑕疵智能识别系统，其特征在于，包括以下相互通讯的单元：
图像获取模块，用于获取晶圆的表面图像；
定位配准模块，用于晶圆的表面图像和标准模板图像进行定位配准；
运算处理模块，用于计算晶圆的表面图像的灰阶直方图和标准模板图像的灰阶直方图，并计算出各自灰阶直方图中的最大值，再计算这两个最大值的差值；将所述晶圆的表面图像有效区域内的每个像素的灰阶值加上所述差值，将其与所述标准模板图像对应位置的灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；基于瑕疵点像素计算出每个瑕疵的连通区域面积大小，得到瑕疵图片；
卷积神经网络分类器，用于从瑕疵图片中识别出每个瑕疵的类别；根据识别的瑕疵类别和数量，对产品进行等级判定。
5.如权利要求4所述的晶圆瑕疵智能识别系统，其特征在于，所述设定阈值是灰度值，为10至255。
6.如权利要求4所述的晶圆瑕疵智能识别系统，其特征在于，所述卷积神经网络分类器识别出每个瑕疵的类别，包含下述步骤：
利用卷积网络ResNet-101将输入图像转换成特征图；
区域推荐网络根据所述特征图从滑动窗口中选出最有可能存在瑕疵的感兴趣区域；
池化层根据所述感兴趣区域从所述特征图中抽取出对应特征组成特征向量，检测网络根据所述特征向量判断瑕疵类别，并进行边界回归，
通过非极大值抑制算法和概率阈值对候选缺陷区域进行过滤得到最终瑕疵区域位置和瑕疵类别。
7.如权利要求4所述的晶圆瑕疵智能识别系统，其特征在于，所述图像获取模块包括相机和光源；
所述晶圆瑕疵智能识别系统包括上位机；所述定位配准模块、所述运算处理模块和所述卷积神经网络分类器均设置在所述上位机中。
8.一种晶圆瑕疵智能识别装置，其特征在于，包括：
相机，用于采集晶圆的表面图像；
光源，用于照亮所述相机拍摄视野下放置的晶圆；
上位机，具有处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的方法；
所述相机与所述上位机通讯。
9.一种芯片，其特征在于，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行：如权利要求1至3中任一项所述的方法。
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上存储有计算机程序，所述计算机程序被处理器执行时实现如上权利要求1至3中任一项所述的方法的步骤。
CN202211170330.6A 2022-09-23 2022-09-23 一种晶圆瑕疵智能识别方法和系统 Pending CN115690670A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211170330.6A CN115690670A (zh) 2022-09-23 2022-09-23 一种晶圆瑕疵智能识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211170330.6A CN115690670A (zh) 2022-09-23 2022-09-23 一种晶圆瑕疵智能识别方法和系统

Publications (1)

Publication Number Publication Date
CN115690670A true CN115690670A (zh) 2023-02-03

Family

ID=85062437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211170330.6A Pending CN115690670A (zh) 2022-09-23 2022-09-23 一种晶圆瑕疵智能识别方法和系统

Country Status (1)

Country Link
CN (1) CN115690670A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894839A (zh) * 2023-09-07 2023-10-17 深圳市谱汇智能科技有限公司 芯片晶圆缺陷检测方法、装置、终端设备以及存储介质
CN117470104A (zh) * 2023-12-22 2024-01-30 中科见微智能装备(苏州)有限公司 基于视觉检测的半导体器件表面除尘方法及其系统
CN117611879A (zh) * 2023-11-06 2024-02-27 上海朋熙半导体有限公司 缺陷检测方法、装置、设备及计算机可读介质
CN117635565A (zh) * 2023-11-29 2024-03-01 珠海诚锋电子科技有限公司 一种基于图像识别的半导体表面缺陷检测系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894839A (zh) * 2023-09-07 2023-10-17 深圳市谱汇智能科技有限公司 芯片晶圆缺陷检测方法、装置、终端设备以及存储介质
CN116894839B (zh) * 2023-09-07 2023-12-05 深圳市谱汇智能科技有限公司 芯片晶圆缺陷检测方法、装置、终端设备以及存储介质
CN117611879A (zh) * 2023-11-06 2024-02-27 上海朋熙半导体有限公司 缺陷检测方法、装置、设备及计算机可读介质
CN117635565A (zh) * 2023-11-29 2024-03-01 珠海诚锋电子科技有限公司 一种基于图像识别的半导体表面缺陷检测系统
CN117635565B (zh) * 2023-11-29 2024-05-24 珠海诚锋电子科技有限公司 一种基于图像识别的半导体表面缺陷检测系统
CN117470104A (zh) * 2023-12-22 2024-01-30 中科见微智能装备(苏州)有限公司 基于视觉检测的半导体器件表面除尘方法及其系统
CN117470104B (zh) * 2023-12-22 2024-04-05 中科见微智能装备(苏州)有限公司 基于视觉检测的半导体器件表面除尘方法及其系统

Similar Documents

Publication Publication Date Title
CN111292305B (zh) 一种改进型yolo-v3的金属加工表面缺陷检测方法
CN107543828B (zh) 一种工件表面缺陷检测方法及系统
CN115690670A (zh) 一种晶圆瑕疵智能识别方法和系统
CN115035122B (zh) 基于人工智能的集成电路晶圆表面缺陷检测方法
CN112424826A (zh) 基于机器学习的图案分组方法
Zhong et al. Blob analyzation-based template matching algorithm for LED chip localization
CN112862770B (zh) 一种基于人工智能的缺陷分析诊断系统、方法、装置
CN113486622B (zh) 一种芯片的失效分析方法及装置、电子设备、存储介质
KR20220014805A (ko) 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
TWI765442B (zh) 瑕疵等級判定的方法及存儲介質
CN115953373B (zh) 玻璃缺陷检测方法、装置、电子设备及存储介质
JP6575954B2 (ja) ダイ対データベースのフォトマスク検査のための自動的な較正サンプルの選択
CN113781391A (zh) 图像缺陷检测方法以及相关设备
CN115880520A (zh) 一种基于模板匹配和缺陷分割的缺陷等级分类方法及系统
CN116523922B (zh) 一种轴承表面缺陷识别方法
EP4128141A1 (en) Examination of a semiconductor specimen
Ghosh et al. Counterfeit IC detection by image texture analysis
CN115170501A (zh) 缺陷检测方法、系统、电子设备及存储介质
CN118037661A (zh) 轮毂表观缺陷检测方法、装置、设备、存储介质及产品
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
CN115719326A (zh) Pcb板缺陷检测方法及装置
CN116310424B (zh) 基于图像识别的设备质量评估方法、装置、终端和介质
CN114742832B (zh) 一种MiniLED薄板的焊接缺陷检测方法
CN115471684A (zh) 注塑工件模板匹配方法、电子设备及存储介质

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