CN116416433A - 晶圆图像在故障模式识别过程中的预处理方法和装置 - Google Patents
晶圆图像在故障模式识别过程中的预处理方法和装置 Download PDFInfo
- Publication number
- CN116416433A CN116416433A CN202310411816.2A CN202310411816A CN116416433A CN 116416433 A CN116416433 A CN 116416433A CN 202310411816 A CN202310411816 A CN 202310411816A CN 116416433 A CN116416433 A CN 116416433A
- Authority
- CN
- China
- Prior art keywords
- image
- delineating
- images
- defect
- wafer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000007781 pre-processing Methods 0.000 title claims abstract description 26
- 230000008569 process Effects 0.000 title claims abstract description 23
- 230000007547 defect Effects 0.000 claims abstract description 190
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000001914 filtration Methods 0.000 claims description 43
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 235000012431 wafers Nutrition 0.000 description 55
- 238000012360 testing method Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- 239000004065 semiconductor Substances 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种晶圆图像在故障模式识别过程中的预处理方法和装置,所述预处理方法至少包括:获取晶圆的初始图像,并设定活动窗口和确定初始图像中每个缺陷点的缺陷位置;根据活动窗口对所述初始图像进行处理得到圈定图像;对每个圈定图像中缺陷点进行处理得到圈定图像数量与缺陷数量的关系表;根据所述圈定图像数量与缺陷数量的关系表对圈定图像进行处理更新得到热图图像。本发明对晶圆的初始图像进行预处理得到热图图像,能够有效提高晶圆图像在故障模式识别过程中的准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种晶圆图像在故障模式识别过程中的预处理方法和装置。
背景技术
全球对半导体产品的需求一直在稳步增长,导致器件尺寸的物理极限逐渐接近;此外,器件结构的复杂性已经从二维结构推进到三维结构,器件集成已经从水平方向转向垂直方向;因此,对半导体制造工艺的质量和性能要求明显比以前更加严格。同时,人工智能正逐渐被半导体行业所接受,各种应用跨越了半导体制造过程的各个阶段。晶圆的制造质量对半导体制造商的胜利起着至关重要的作用,并对产量、可靠性、制造成本等产生重大影响,因此,制造商必须努力在晶圆的制造过程中保持较高的质量水平。
在半导体制造领域,良率是半导体制造商关注的一个关键性指标,提高晶圆的良率意味着能从每块晶圆上生产出更多合格的功能性芯片,从而降低制造成本,提高盈利能力;然而,提高良率是一项复杂而艰巨的工作。半导体制造过程包括三个主要阶段:晶圆制造、晶圆测试以及封装;其中,测试阶段对提高良率具有重要作用。
晶圆测试一般通过人工和智能两种方式;人工测试是指在测试过程中经常需要工程师辨别故障模式,这需要消耗过多的时间并产生高额的费用;智能测试是指晶圆制造过程中会产生大量的数据,通过机器学习算法辨别数据中的模式,并制定晶圆是否失效的预测;然而,确定适当的算法、优化参数,并确保神经网络模型的准确性和可靠性的难度较大;因此,通过智能测试对晶圆故障模式进行识别的结果准确率低。
应该注意,上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明,并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种晶圆图像在故障模式识别过程中的预处理方法和装置,用于解决现有技术中晶圆故障模式识别准确率低的问题。
为实现上述目的及其他相关目的,本发明提供一种晶圆图像在故障模式识别过程中的预处理方法,所述预处理方法至少包括:
S1,获取晶圆的初始图像,并设定活动窗口和确定初始图像中每个缺陷点的缺陷位置;
S2,根据活动窗口对所述初始图像进行处理得到圈定图像;
S3,对每个圈定图像中缺陷点进行处理得到圈定图像数量与缺陷数量的关系表;
S4,根据所述圈定图像数量与缺陷数量的关系表对圈定图像进行处理更新得到热图图像。
优选地,在S2中,以初始图像的每个特征点作为活动窗口的中心、以活动窗口的范围对初始图像进行圈定得到多个圈定图像。
优选地,所述对每个圈定图像中缺陷点进行处理得到圈定图像数量与缺陷数量的关系表包括:
首先对每个圈定图像中缺陷点的数量进行统计得到每个圈定图像中的缺陷数量;
然后对具有相同缺陷数量的圈定图像的数量进行统计得到相同圈定图像数量;
对所述缺陷数量和所述相同圈定图像数量进行处理得到所述圈定图像数量与缺陷数量的关系表。
优选地,根据所述圈定图像数量与缺陷数量的关系表对圈定图像进行处理更新得到热图图像包括:
根据所述圈定图像数量与缺陷数量的关系表确定过滤阈值;
根据所述过滤阈值对所有缺陷点进行处理后得到热图图像。
优选地,所述根据所述圈定图像数量与缺陷数量的关系表确定过滤阈值至少包括以下步骤:
确定晶圆初始图像中缺陷点的总数量;
根据所述缺陷点的总数量确定过滤阈值。
优选地,所述根据所述缺陷点的总数量确定过滤阈值为根据缺陷点的总数量和所述圈定图像数量与缺陷数量的关系表确定过滤阈值。
优选地,根据缺陷点的总数量和所述圈定图像数量与缺陷数量的关系表确定过滤阈值包括:
将所述圈定图像数量与缺陷数量的关系表中的相同圈定图像数量按照顺序排序依次累加;
当累加和大于等于所述缺陷点的总数量的γ倍时,将最后一个被累加的相同圈定图像数量确定为过滤阈值。
优选地,根据所述过滤阈值对所有缺陷点进行处理后得到热图图像包括:
根据过滤阈值对每个圈定图像中的缺陷点进行更新得到更新圈定图像;
根据所有更新圈定图像进行映射操作得到所述热图图像。
优选地,根据过滤阈值对每个圈定图像中的缺陷点进行更新包括:
将圈定图像中小于过滤阈值的缺陷点进行过滤,并将过滤的缺陷点位置更新为零;
将圈定图像中大于过滤阈值的缺陷点进行保留,并将保留的缺陷点位置更新为该圈定图像的缺陷数量。
为实现上述目的及其他相关目的,本发明提供一种晶圆图像在故障模式识别过程中的预处理装置,所述预处理装置包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序,所述处理器在执行所述计算机程序时实现上述的晶圆图像在故障模式识别过程中的预处理方法的步骤。
如上所述,本发明的晶圆图像在故障模式识别过程中的预处理方法和装置,具有以下有益效果:
本发明先获取晶圆的初始图像,并设定活动窗口和确定初始图像中每个缺陷点的缺陷位置;然后根据活动窗口对所述初始图像进行处理得到圈定图像;对每个圈定图像中缺陷点进行处理得到圈定图像数量与缺陷数量的关系表;最后根据所述圈定图像数量与缺陷数量的关系表对圈定图像进行处理更新得到热图图像。本发明通过对晶圆的初始图像进行预处理得到热图图像,能够有效提高晶圆图像在故障模式识别过程中的准确性。
附图说明
图1显示为本发明实施例中晶圆表面的初始图像示意图。
图2显示为本发明晶圆图像在故障模式识别过程中的预处理方法流程图。
图3显示为本发明实施例中图中圆圈所示区域的放大示意图。
图4显示为本发明实施例中初始图像更新成的热图图像示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-4。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
晶圆进行故障模式识别前,会先获取如图1所示的晶圆表面的拍摄图像即初始图像,在故障模式识别即智能测试时需要基于初始图像检测判断是否出现了故障,同时还要对缺陷进行分类、定位以及判断出现了什么样的故障问题;一般先对初始图像进行简单的统一尺寸处理,然后直接采用端对端的深度学习网络进行再处理。由于初始图像中的所有缺陷点并非故障模式识别中需要关注的缺陷点,而端对端的深度学习会对所有的缺陷点处理后进行检测,会出现漏检、过检、误差大的现象,从而导致整个端对端深度学习网络在完成晶圆故障识别的过程中准确性很差。
因此,本发明根据晶圆表面图像的特点,考虑到每类故障周围缺陷点密度高,周围还存在干扰的稀疏缺陷点,设计了一种热图处理方案,以增强类别依赖缺陷特征,削弱类别独立缺陷特征,从而提高晶圆图像上类别缺陷特征的清晰度,进一步达到晶圆故障模式识别的准确性。
方法实施例:
本发明设计的热图处理即晶圆图像在故障模式识别过程中的预处理方法和装置,如图2所示为晶圆图像在故障模式识别过程中的预处理方法的流程图,以下结合图2对本发明的晶圆图像在故障模式识别过程中的预处理方法进行详细的介绍。
S1,获取晶圆的初始图像,并设定活动窗口和确定初始图像中每个缺陷点的缺陷位置;所述活动窗口的大小为K*K;
首先获取待测试晶圆的初始图像即晶圆的初始图像,在本发明实施例中,晶圆的初始图像如图1所示,白色像素点表示缺陷点,中间位置处缺陷点密集度高,即为该初始图像的缺陷类型的主特征,也就是本发明晶圆图像在故障模式识别过程中的预处理需要保留的缺陷点,为提高故障识别高度,应尽可能的将周围稀疏的缺陷点过滤掉。
在本发明中,根据晶圆初始图像和缺陷点的分布设定活动窗口的范围,活动窗口为一个K*K大小的矩形区域。在本发明实施例中,如图1所示晶圆的初始图像,活动窗口的K值设定为9。
晶圆图像中缺陷点的像素值与晶圆背景的像素值存在明显差别,因此,可以根据像素值的不同对晶圆初始图像中的所有缺陷点进行位置索引,从而得到晶圆图像上每个缺陷点的位置即缺陷位置。
S2,根据活动窗口对所述初始图像进行处理得到圈定图像;
本发明中,根据活动窗口对所述初始图像进行处理得到圈定图像的过程是:以初始图像的每个特征点作为活动窗口的中心、以活动窗口的范围对初始图像进行圈定得到多个圈定图像。其中,特征点为缺陷点或像素点。
当特征点为像素点时,得到的多个圈定图像中有些圈定图像可能没有缺陷点,这种圈定方式得到的圈定图像数量相对较多。
当特征点为缺陷点时,本发明中的每个圈定图像内至少存在一个缺陷点,即在缺陷密集区,圈定图像内会存在多个缺陷点,在缺陷稀疏区,圈定图像内可能仅存在一个缺陷点,这种圈定方式得到的圈定图像数量相对较少。为了更清楚、清晰的展示初始图像中缺陷点与活动窗口的关系,对图1中圆圈所示区域进行放大后如图3所示,图3是以特征点为每个缺陷点进行的圈定方式;在本发明实施例中,活动窗口的K设置为9,活动窗口为如图3中的虚线方框所示,图3中示例性的标示出了缺陷点A、缺陷点B和缺陷点C;以缺陷点A为活动窗口的中心、以活动窗口的范围对初始图像进行圈定得到第一个圈定图像简称圈定图像A,圈定图像A中仅有1个缺陷点;以缺陷点B为活动窗口的中心、以活动窗口的范围对初始图像进行圈定得到第二个圈定图像简称圈定图像B,圈定图像B中有3个缺陷点;以缺陷点C为活动窗口的中心、以活动窗口的范围对初始图像进行圈定得到第三个圈定图像简称圈定图像C;圈定图像C中有2个缺陷点。
S3,对每个圈定图像中缺陷点进行处理得到圈定图像数量与缺陷数量的关系表;
在对本步骤进行详细的解释说明中,以特征点为像素点进行举例说明;具体的,所述对每个圈定图像中缺陷点进行处理得到圈定图像数量与缺陷数量的关系表包括:
S31,首先对每个圈定图像中缺陷点的数量进行统计得到每个圈定图像中的缺陷数量;
本发明采用迭代扫描的方式,对每个圈定图像中缺陷点的数量进行统计和记录,得到每个圈定图像中的缺陷数量。
对统计的缺陷数量进行记录时按照顺序排序,在本发明实施例中,顺序排序是指从小到大的顺序进行排序。由于本步骤以特征点为像素点进行举例说明,那么对于如图1所示的晶圆初始图像的圈定图像进行处理得到的每个圈定图像中的缺陷数量记录为:缺陷数量P依次为:1、2、3、……、K*K-1、K*K;假如不存在2的话,缺陷数量A依次为:1、3、……、K*K-1、K*K。
在本发明中,对统计的缺陷数量进行记录时按照顺序排序的作用是为了确定合适的过滤阈值,以便对故障类型主特征周围稀疏的缺陷点进行过滤。
S32,然后对具有相同缺陷数量的圈定图像的数量进行统计得到相同圈定图像数量;
具体的,对缺陷数量都为1的圈定图像的数量进行统计结果为4,即缺陷数量为1的相同圈定图像数量为4;对缺陷数量都为2的圈定图像的数量进行统计结果为7,即缺陷数量为2的相同圈定图像数量为7;对缺陷数量都为3的圈定图像的数量进行统计结果为3,即缺陷数量为3的相同圈定图像数量为3;……;对缺陷数量都为K*K-1的圈定图像的数量进行统计结果为9,即缺陷数量为K*K-1的相同圈定图像数量为9;对缺陷数量都为K*K的圈定图像的数量进行统计结果为14,即缺陷数量为K*K的相同圈定图像数量为14。
S33,对所述缺陷数量和所述相同圈定图像数量进行处理得到所述圈定图像数量与缺陷数量的关系表。
对步骤S31得到的每个圈定图像中的缺陷数量和步骤S32得到的相同圈定图像数量进行映射处理得到所述圈定图像数量与缺陷数量的关系表如下表所示:
表1圈定图像数量与缺陷数量的关系表
缺陷数量Pi,i∈(0,K*K) | 1 | 2 | 3 | ...... | K*K-1 | K*K |
相同圈定图像数量Qi | 4 | 7 | 3 | ...... | 9 | 14 |
S4,根据所述圈定图像数量与缺陷数量的关系表对圈定图像进行处理更新得到热图图像。
本发明中,根据所述圈定图像数量与缺陷数量的关系表对圈定图像进行处理更新得到热图图像包括:
S41,根据所述圈定图像数量与缺陷数量的关系表确定过滤阈值;
本发明中,所述根据所述圈定图像数量与缺陷数量的关系表确定过滤阈值至少包括以下步骤:
S411,确定晶圆初始图像中缺陷点的总数量;
在本发明实施例中,根据所述圈定图像数量与所示缺陷数量的关系表确定晶圆初始图像中缺陷点的总数量;具体是通过圈定图像数量与所示缺陷数量的关系表中相同圈定图像数量确定缺陷总数量,即缺陷总数量=相同圈定图像数量的总和。
作为其他实现方式,在统计晶圆初始图像中缺陷点的总数量时,可以通过所有圈定图像中的缺陷数量进行统计,即先统计出总数量再去掉被重复统计的缺陷点;也可以通过对初始图像直接进行扫描得到缺陷点的总数量。
S412,根据所述缺陷点的总数量确定过滤阈值。
在本发明中,具体是根据缺陷点的总数量和所述圈定图像数量与缺陷数量的关系表确定过滤阈值,至少包括:
将所述圈定图像数量与缺陷数量的关系表中的相同圈定图像数量按照顺序排序依次累加;
当累加和大于等于所述缺陷点的总数量的γ倍时,将最后一个被累加的相同圈定图像数量确定为过滤阈值。
即当Q1+Q2+……+Qi≥γ*W时,将Qi作为过滤阈值T。
其中,i为圈定图像数量与缺陷数量的关系表中的第i个排序,Pi为圈定图像数量与缺陷数量的关系表中第i个排序对应的缺陷数量;Qi为圈定图像数量与缺陷数量的关系表中第i个排序对应相同圈定图像数量,缺陷点的总数量为W;过滤阈值为T。
S42,根据所述过滤阈值对所有缺陷点进行处理后得到热图图像。
在本发明中,根据所述过滤阈值对所有缺陷点进行处理包括:
根据过滤阈值对每个圈定图像中的缺陷点进行更新得到更新圈定图像;
根据所有更新圈定图像进行映射操作得到所述热图图像。
本发明中,根据过滤阈值对每个圈定图像中的缺陷点进行更新得到更新圈定图像具体包括:
将圈定图像中小于过滤阈值的缺陷点进行过滤,并将过滤的缺陷点位置更新为零;
将圈定图像中大于过滤阈值的缺陷点进行保留,并将保留的缺陷点位置更新为该圈定图像的缺陷数量;具体的是保留的缺陷点位置更新为1—K*K中的数值。
在本发明中,根据所有更新圈定图像进行映射操作得到热图图像包括:
根据更新圈定图像的像素值进行映射操作从而得到热力图;
根据多个热力图汇合得到热图图像。
经过更新和映射操作后得到的热图图像如图4所示,不同的颜色深度表示缺陷点周围缺陷点的密度,可以看到中间部分的颜色更深,此处的密度最大。基于上图进行的实验测试结果比使用晶圆的初始图像性能提升10%以上。
为了验证提出的方法的有效性,设计了几组实验来测试热图处理,在本发明实施例中,采用了四个广泛使用的评估指标,即精确率Precision、召回率Recall、F1得分F1-score和准确率Accuracy进行实验评估,这些指标通常用于评估不平衡数据背景下的识别精度;设置了简单模型ResNet18和复杂模型ResNet34,采用本发明的热图处理和现有技术没有采用热图处理的方法分别在每个模型的基础上进行故障模式识别,得到如表2所示的实验结果对比。从模型的角度来看,使用热图算法对ResNet18有明显的改善,每个指标都有0.029到0.221的提高;相比之下,ResNet34的整体性能提高了约0.02(F1-分数)。从数据分布来看,ResNet18和ResNet34在上的性能提升更为明显,这表明热图处理有助于模型性能的提高,与较简单的模型相比,热图算法可以在较简单的模型上表现良好,这有助于简化模型的设计。因此,本发明使用热图算法的性能改善是非常明显的。
表2Resnet18/34实验结果对比
装置实施例:
本发明还提出一种晶圆图像在故障模式识别过程中的预处理装置,所述预处理装置包括包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序,所述处理器在执行所述计算机程序时实现上述的晶圆图像在故障模式识别过程中的预处理方法的步骤。
晶圆图像在故障模式识别过程中的预处理方法的步骤已在方法实施例中详细介绍,为避免重复赘述,此处不再展开进行介绍说明。
综上所述,本发明先获取晶圆的初始图像,并设定活动窗口和确定初始图像中每个缺陷点的缺陷位置;然后根据活动窗口对所述初始图像进行处理得到圈定图像;对每个圈定图像中缺陷点进行处理得到圈定图像数量与缺陷数量的关系表;最后根据所述圈定图像数量与缺陷数量的关系表对圈定图像进行处理更新得到热图图像。本发明通过对晶圆的初始图像进行预处理得到热图图像,能够有效提高晶圆图像在故障模式识别过程中的准确性,还有助于简化模型的设计。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种晶圆图像在故障模式识别过程中的预处理方法,其特征在于,所述预处理方法至少包括:
S1,获取晶圆的初始图像,并设定活动窗口和确定初始图像中每个缺陷点的缺陷位置;
S2,根据活动窗口对所述初始图像进行处理得到圈定图像;
S3,对每个圈定图像中缺陷点进行处理得到圈定图像数量与缺陷数量的关系表;
S4,根据所述圈定图像数量与缺陷数量的关系表对圈定图像进行处理更新得到热图图像。
2.根据权利要求1所述的晶圆图像在故障模式识别过程中的预处理方法,其特征在于,在S2中,以初始图像的每个特征点作为活动窗口的中心、以活动窗口的范围对初始图像进行圈定得到多个圈定图像。
3.根据权利要求1所述的晶圆图像在故障模式识别过程中的预处理方法,其特征在于,所述对每个圈定图像中缺陷点进行处理得到圈定图像数量与缺陷数量的关系表包括:
首先对每个圈定图像中缺陷点的数量进行统计得到每个圈定图像中的缺陷数量;
然后对具有相同缺陷数量的圈定图像的数量进行统计得到相同圈定图像数量;
对所述缺陷数量和所述相同圈定图像数量进行处理得到所述圈定图像数量与缺陷数量的关系表。
4.根据权利要求1所述的晶圆图像在故障模式识别过程中的预处理方法,其特征在于,根据所述圈定图像数量与缺陷数量的关系表对圈定图像进行处理更新得到热图图像包括:
根据所述圈定图像数量与缺陷数量的关系表确定过滤阈值;
根据所述过滤阈值对所有缺陷点进行处理后得到热图图像。
5.根据权利要求4所述的晶圆图像在故障模式识别过程中的预处理方法,其特征在于,所述根据所述圈定图像数量与缺陷数量的关系表确定过滤阈值至少包括以下步骤:
确定晶圆初始图像中缺陷点的总数量;
根据所述缺陷点的总数量确定过滤阈值。
6.根据权利要求5所述的晶圆图像在故障模式识别过程中的预处理方法,其特征在于,所述根据所述缺陷点的总数量确定过滤阈值为根据缺陷点的总数量和所述圈定图像数量与缺陷数量的关系表确定过滤阈值。
7.根据权利要求6所述的晶圆图像在故障模式识别过程中的预处理方法,其特征在于,根据缺陷点的总数量和所述圈定图像数量与缺陷数量的关系表确定过滤阈值包括:
将所述圈定图像数量与缺陷数量的关系表中的相同圈定图像数量按照顺序排序依次累加;
当累加和大于等于所述缺陷点的总数量的γ倍时,将最后一个被累加的相同圈定图像数量确定为过滤阈值。
8.根据权利要求4所述的晶圆图像在故障模式识别过程中的预处理方法,其特征在于,根据所述过滤阈值对所有缺陷点进行处理后得到热图图像包括:
根据过滤阈值对每个圈定图像中的缺陷点进行更新得到更新圈定图像;
根据所有更新圈定图像进行映射操作得到所述热图图像。
9.根据权利要求8所述的晶圆图像在故障模式识别过程中的预处理方法,其特征在于,根据过滤阈值对每个圈定图像中的缺陷点进行更新包括:
将圈定图像中小于过滤阈值的缺陷点进行过滤,并将过滤的缺陷点位置更新为零;
将圈定图像中大于过滤阈值的缺陷点进行保留,并将保留的缺陷点位置更新为该圈定图像的缺陷数量。
10.一种晶圆图像在故障模式识别过程中的预处理装置,其特征在于,所述预处理装置包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序,所述处理器在执行所述计算机程序时实现权利要求1-9任一项所述的晶圆图像在故障模式识别过程中的预处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310411816.2A CN116416433A (zh) | 2023-04-17 | 2023-04-17 | 晶圆图像在故障模式识别过程中的预处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310411816.2A CN116416433A (zh) | 2023-04-17 | 2023-04-17 | 晶圆图像在故障模式识别过程中的预处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116416433A true CN116416433A (zh) | 2023-07-11 |
Family
ID=87056118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310411816.2A Pending CN116416433A (zh) | 2023-04-17 | 2023-04-17 | 晶圆图像在故障模式识别过程中的预处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116416433A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523343A (zh) * | 2024-01-08 | 2024-02-06 | 信熙缘(江苏)智能科技有限公司 | 晶圆背损伤梯形缺陷的自动识别方法 |
-
2023
- 2023-04-17 CN CN202310411816.2A patent/CN116416433A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523343A (zh) * | 2024-01-08 | 2024-02-06 | 信熙缘(江苏)智能科技有限公司 | 晶圆背损伤梯形缺陷的自动识别方法 |
CN117523343B (zh) * | 2024-01-08 | 2024-03-26 | 信熙缘(江苏)智能科技有限公司 | 晶圆背损伤梯形缺陷的自动识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992354B (zh) | 基于引入自动记忆机制对抗自编码器的异常区域检测方法 | |
CN111539908B (zh) | 对样本的缺陷检测的方法及其系统 | |
KR20170091716A (ko) | 샘플링 및 특징 선택 없는 자동 결함 분류 | |
CN114155181B (zh) | 检查方案的自动优化 | |
CN109781733A (zh) | 缺陷检查装置、缺陷检查方法及计算机可读存储介质 | |
KR102530950B1 (ko) | 반도체 시편에서의 결함들의 분류 | |
US6336086B1 (en) | Method and system for analyzing wafer processing order | |
KR20220100673A (ko) | 컨볼루션 컨텍스트 속성을 사용한 반도체 결함 발견 | |
CN116416433A (zh) | 晶圆图像在故障模式识别过程中的预处理方法和装置 | |
TW201606854A (zh) | 用於晶粒對資料庫光罩檢查之自動校準樣本選擇 | |
US20230260105A1 (en) | Defect detection for semiconductor structures on a wafer | |
US20230402249A1 (en) | Defect inspection apparatus | |
CN115485740A (zh) | 异常晶片图像分类 | |
CN110763696A (zh) | 用于晶圆图像生成的方法和系统 | |
CN112884697B (zh) | 晶圆图的辨识方法与计算机可读取记录介质 | |
CN118115496A (zh) | 晶圆缺陷检测方法及装置 | |
CN115170548A (zh) | 基于无监督学习的皮革缺陷自动检测方法及装置 | |
Jacobsen et al. | A comparison between neural networks and decision trees | |
KR102685359B1 (ko) | 시편들을 검사하는 방법 및 그의 시스템 | |
JP7430271B2 (ja) | エラー要因の推定装置及び推定方法 | |
JP3652589B2 (ja) | 欠陥検査装置 | |
US20240281953A1 (en) | Adaptive spatial pattern recognition for defect detection | |
US20220334567A1 (en) | Fabrication fingerprint for proactive yield management | |
CN117529803A (zh) | 用于主动良率管理的制造指纹 | |
CN115841663A (zh) | 一种晶圆图像识别方法、装置、设备及应用 |
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 |