CN116739970A - 用于评估硅晶片中的边缘缺陷的装置及其方法 - Google Patents

用于评估硅晶片中的边缘缺陷的装置及其方法 Download PDF

Info

Publication number
CN116739970A
CN116739970A CN202310246340.1A CN202310246340A CN116739970A CN 116739970 A CN116739970 A CN 116739970A CN 202310246340 A CN202310246340 A CN 202310246340A CN 116739970 A CN116739970 A CN 116739970A
Authority
CN
China
Prior art keywords
defect
edge
silicon wafer
image data
attribute
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
CN202310246340.1A
Other languages
English (en)
Inventor
申正源
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.)
SK Siltron Co Ltd
Original Assignee
LG Siltron Inc
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 LG Siltron Inc filed Critical LG Siltron Inc
Publication of CN116739970A publication Critical patent/CN116739970A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

一种用于评估硅晶片中的边缘缺陷的装置，包括：图像获取单元，图像获取单元被配置为获取硅晶片的边缘区域的图像数据；数据预处理单元，数据预处理单元被配置为当在所获取的图像数据中检测到边缘缺陷时，使用测量设备测量硅晶片的边缘区域，以确定所检测到的边缘缺陷的缺陷属性；以及处理器。处理器进行控制以对所获取的图像数据进行学习，以输出与所检测到的边缘缺陷相对应的缺陷属性，以及基于所确定的边缘缺陷的缺陷属性来验证所输出的边缘缺陷的缺陷属性的准确度。

Description

用于评估硅晶片中的边缘缺陷的装置及其方法
技术领域
本实施例涉及一种用于评估硅晶片中的边缘缺陷的装置及其方法。
背景技术
通常，作为制造硅晶片的一种方法，直拉法(CZochralski，以下称为CZ)被广泛使用。在CZ方法中，多晶硅被装入石英坩埚中，并且通过用石墨加热元件对其进行加热来使其熔化。籽晶被浸入到熔化后形成的硅熔体中，并且在界面处发生结晶。通过在旋转的同时拉动籽晶来生长单晶硅锭。随后，通过切片、蚀刻和抛光将硅锭制成晶片形式。
随着半导体工艺的设计规则越来越微型化，硅晶片边缘区域的缺陷管理也变得越来越重要。因此，能够评估硅晶片中的边缘缺陷的技术是重要的。
然而，能够评估硅晶片中的边缘缺陷的技术还没有被明确地提出。
特别地，由于硅晶片的边缘缺陷的属性没有被明确地分类，因此迫切需要进行技术开发。
发明内容
技术问题
实施例的目的是解决前述和其他问题。
实施例的另一目的是提供一种用于评估硅晶片中的边缘缺陷的装置及其方法，该装置和方法能够容易地执行硅晶片的边缘缺陷。
实施例的另一目的是提供一种用于评估硅晶片中的边缘缺陷的装置及其方法，该装置和方法能够明确地对硅晶片的边缘缺陷的属性进行分类。
实施例的另一目的是提供一种用于评估硅晶片中的边缘缺陷的装置及其方法，该装置和方法是基于能够实现明确分类的学习的装置和方法。
实施例的技术问题不限于本节中描述的那些问题，并且包括通过本发明的描述可以理解的那些问题。
技术方案
根据实施例的第一方面，为了实现上述或其它目的，一种用于评估硅晶片中的边缘缺陷的装置，包括：图像获取单元，所述图像获取单元被配置为获取所述硅晶片的边缘区域的图像数据；数据预处理单元，所述数据预处理单元被配置为当在所获取的所述图像数据中检测到边缘缺陷时，使用测量设备测量所述硅晶片的边缘区域，以确定所检测到的所述边缘缺陷的缺陷属性；以及处理器，其中，所述处理器被配置为：进行控制以对所获取的图像数据进行学习，以输出与所检测到的所述边缘缺陷相对应的缺陷属性，以及基于所确定的边缘缺陷的所述缺陷属性来验证所输出的所述边缘缺陷的所述缺陷属性的准确度。
所述测量设备包括3D激光显微镜、SEM和TEM中的至少一个或多个。
所述缺陷属性包括压痕、划痕、颗粒、晶体或ESF。
所述装置包括学习模型，并且所述学习模型包括层参数计算公式。
所述学习模型使用所述层参数计算公式输出与在所获取的所述图像数据中所检测到的所述边缘缺陷相对应的所述缺陷属性。
当所述缺陷属性的所述准确度小于或等于阈值时，所述处理器改变所述层参数计算公式。
根据本实施例的第二方面，一种用于评估硅晶片中的边缘缺陷的方法，包括：获取所述硅晶片的边缘区域的图像数据；当在所获取的所述图像数据中检测到边缘缺陷时，使用测量设备测量所述硅晶片的边缘区域，以确定所检测到的所述边缘缺陷的缺陷属性；进行控制以对所获取的图像数据进行学习以输出与所检测到的所述边缘缺陷相对应的缺陷属性；以及基于所确定的边缘缺陷的缺陷属性来验证输出的边缘缺陷的缺陷属性的准确度；以及基于所确定的所述边缘缺陷的所述缺陷属性来验证所输出的所述边缘缺陷的所述缺陷属性的准确度。
有益效果
下面将对根据实施例的一种用于评估硅晶片中的边缘缺陷的装置及其方法的效果进行描述。
根据该实施例，通过使用学习模型对由图像获取单元获取的图像数据进行学习，可以准确且容易地识别在硅晶片的边缘区域中检测到的边缘缺陷的缺陷属性。
根据一个实施例，缺陷属性的准确度可以通过学习模型每次在大量硅晶片上重复训练时输出的缺陷属性来进行计算。如果缺陷属性的准确度小于或等于阈值，则可以改变学习模型的层参数计算公式。由于以这种方式周期性地改变学习模型的层参数计算公式，从而可以显著地提高从学习模型输出的缺陷属性的准确度。
通过在实际生产线中安装如上所述的具有改进准确度的学习模型，可以在没有附加设备的情况下确定从硅晶片获得的边缘缺陷的准确缺陷属性。因此，对于硅晶片的边缘区域的缺陷管理变得更加准确，并且可以通过硅晶片的质量改进来提高可靠性。
根据以下详细描述，实施例的进一步适用范围将变得明显。然而，由于本领域技术人员可以清楚地理解在实施例的精神和范围内的各种变化和修改，因此应理解的是，详细的描述和特定实施例(诸如优选的实施例)仅通过示例的方式给出。
附图说明
图1是示出了根据一实施例的一种用于评估硅晶片中的边缘缺陷的装置的框图。
图2是示出了根据一实施例的一种用于评估硅晶片中的边缘缺陷的方法的流程图。
图3A和图3B示出了硅晶片的边缘区域的图像数据的获取。
图4示出了在图1的数据预处理单元中确定的边缘缺陷的缺陷属性。
图5示出了包括在学习模型中的层参数计算公式。
图6示出了学习模型的输入/输出表。
具体实施方式
以下将参照附图对本说明书中公开的实施例进行详细描述，但是不管附图标记是什么，相同或相似的组件被赋予相同的附图标记，并且将省略其多余的描述。考虑到撰写说明书的方便性，以下描述中使用的组件的后缀“模块”和“单元”以互换的方式给出或使用，并且这些后缀本身不具有彼此不同的含义或作用。此外，附图是为了便于理解本说明书中公开的实施例，本说明书中公开的技术思想不受附图的限制。此外，当诸如层、区域或衬底的元件被称为位于另一元件‘上面’时，这包括直接位于另一元件上面或其间可以存在其他中间元件。
应当注意的是，在以下实施例中描述的人工智能模型可以由各种人工神经网络模型组成，例如包括卷积神经网络(CNN)和递归神经网络(RNN)。
图1是示出了根据一实施例的一种用于评估硅晶片中的边缘缺陷的装置的框图。
参照图1，根据一实施例的一种用于评估硅晶片中的边缘缺陷的装置100包括通信接口110、输入接口120、运行处理器130、感测电路140、输出接口150和存储器170、图像获取单元160、数据预处理单元190和处理器180。根据该实施例的装置100可以是执行学习算法的人工智能(AI)装置。因此，根据该实施例的装置100和AI装置可以互换地被提及。
通信接口110可以使用有线/无线通信技术向外部装置(诸如其他装置或服务器)发送数据/从外部装置(诸如其他装置或服务器)接收数据。
输入接口120可以接收图像数据。此外，输入接口120可以获取各种类型的数据，诸如用于从用户接收语音信号和获取数据的用户输入接口。
学习处理器130可以使用训练数据对由人工神经网络组成的模型进行学习。此处，学习的人工神经网络可以被称为学习模型。学习模型可以用于推断除学习数据之外的新输入数据的结果值，并且推断值可以用作执行特定操作的决策的基础。
如将在后面描述的，该实施例的学习模型可以包括层参数计算公式。
可以使用学习模型来输出与在图像获取单元160的图像数据中检测到的边缘缺陷相对应的缺陷属性。也就是说，各种参数值中的每一个的值可以根据在图像数据中检测到的边缘缺陷来进行计算。可以通过对这些不同参数值中的每一个进行分层和建模来创建学习模型。因此，当图像获取单元160的图像数据被输入到学习模型中时，根据学习模型的层参数计算公式，多个缺陷属性(图5中的类别1至类别6)中的一个缺陷属性被输出。
图6示出了学习模型的输入/输出表。
学习模型的输入/输出表可以由作为输入的多个代码和作为输出的多个代码组成。此处，代码可以是学习模型的层参数计算公式的例程。缺陷属性可以对应于每个代码，但并不限于此。
当通过使学习模型重复学习确定了输入/输出表中具有最大数量的代码时，对应于该代码的缺陷属性可以从学习模型中被输出。
根据一实施例，缺陷属性的准确度可以通过学习模型每次在大量硅晶片上重复训练时输出的缺陷属性来进行计算。如果缺陷属性的准确度小于或等于阈值，则可以改变学习模型的层参数计算公式。由于以这种方式周期性地改变学习模型的层参数计算公式，从而可以显著地提高从学习模型输出的缺陷属性的准确度。
通过将具有改进准确度的学习模型安装到实际生产线中，可以在没有附加设备的情况下确定从硅晶片获得的边缘缺陷的准确缺陷属性。因此，对于硅晶片的边缘区域的缺陷管理变得更加准确，并且可以通过硅晶片的质量改进来提高可靠性。
要加载到根据本实施例的装置100中的人工智能模型可以在学习处理器130中进行学习，并且还可以从外部装置或服务器被发送。
感测电路140可以使用各种传感器来获取AI装置100的内部信息、AI装置100的周围环境信息和用户信息中的至少一个。
此外，感测电路140可以包括摄像头，并且可以使用摄像头接收用于确定硅晶片缺陷的图像。
稍后将描述的图像获取单元160可以包括在感测电路140中，但并不限于此。
输出接口150可以产生与视觉、听觉或触觉相关的输出。
存储器170可以存储支持AI装置100的各种功能的数据。例如，存储器170可以存储学习数据、学习模型、学习历史以及从输入接口120获取的输入数据等。
图像获取单元160可以获取硅晶片的边缘区域的图像数据。图像获取单元160可以被称为摄像头、图像扫描仪等。
如图3A和图3B所示，在图像获取单元160的光学透镜320聚焦于硅晶片310的边缘区域312的各个子区域分区1至分区5之后，可以在每个子区域分区1至分区5中获取图像数据。子区域分区1至分区5可以例如是硅晶片310的边缘区域312的下部边缘区域、上部边缘区域和侧边区域。
作为示例，图像获取单元160的主体(未示出)可以沿着X-轴、Y-轴和Z-轴移动，并且还可以旋转。当图像获取单元160沿着X-轴、Y-轴、Z-轴等移动和旋转时，可以通过图像获取单元160的光学透镜320在硅晶片310的边缘区域312的各个子区域分区1至分区5中的每个子区域中获取图像数据。
作为另一示例，图像获取单元160的主体可以是固定的。在这种情况下，多个光学透镜320同时聚焦于硅晶片310的多个子区域分区1至分区5中的每一个子区域，使得可以在同一时间点同时获得图像数据。
在该实施例中，图像获取单元160可以对在硅晶片310的边缘区域312的多个子区域分区1至分区5中的每一个子区域中获取的图像数据进行分析，以从相应的图像数据中检测边缘缺陷。
同时，对于边缘缺陷的检测可以由处理器180执行。在这种情况下，在图像获取单元160中获取的硅晶片310的边缘区域312的多个子区域分区1至分区5中的每一个子区域中的图像数据可以被发送到处理器180。处理器180可以对在硅晶片310的边缘区域312的多个子区域分区1至分区5中的每一个子区域中获取的图像数据进行分析，以从相应的图像数据中检测边缘缺陷。
当在由图像获取单元160获取的图像数据中检测到边缘缺陷时，数据预处理单元190可以使用测量设备测量硅晶片310的边缘区域312，并且确定检测到的边缘缺陷的缺陷属性。测量设备可以包括3D激光显微镜、SEM和TEM中的至少一个。
当在由图像获取单元160获取的图像数据中没有检测到边缘缺陷时，可以不执行数据预处理单元190的操作。与此不同，即使没有在由图像获取单元160获取的图像数据中检测到边缘缺陷，也可以执行数据预处理单元190的操作。在这种情况下，没有被图像获取单元160检测到的边缘缺陷可以被测量设备检测到。
如图4A至图4F所示，可以通过测量设备的测量来确定各种缺陷属性。缺陷属性可以表示边缘类型。
缺陷属性例如包括压痕(图4A)、划痕(图4B)、颗粒(图4C)、ESF(图4D)和晶体(图4E)。
例如，可以通过缺陷属性(诸如压痕(图4A)、划痕(图4B)和颗粒(图4C))来确定抛光的硅晶片。
EPI(epitaxial，外延)硅晶片是用于直接产品制造的晶片，并且比抛光晶片需要更精确的边缘缺陷管理。因此，需要用更具体的缺陷属性对外延硅晶片进行分类。因此，EPI硅晶片可以通过缺陷属性(诸如压痕(图4A)、划痕(图4B)、颗粒(图4C)、ESF(图4D)、晶体(图4E))来确定。
处理器180可以基于使用数据分析算法或机器学习算法确定或生成的信息来确定AI装置100的至少一个可执行操作。处理器180可以通过控制AI装置100的组件来执行所确定的操作。
根据该实施例，处理器180可以控制装置100的整体操作。
处理器180可以控制待学习的图像数据，以便输出与在硅晶片310的边缘区域312中检测到的边缘缺陷相对应的缺陷属性。
诸如学习模型的人工智能模型可以被存储在存储器170中。
作为示例，处理器180可以从存储器170加载学习模型并且控制待学习的学习模型。
作为另一个示例，学习处理器130可以从存储器170加载学习模型并且控制该学习模型。学习处理器130可以包括在处理器180中。
如图5所示，学习模型可以包括层参数计算公式。此处，参数为最小/最大灰度值、平均灰度值、灰度标准差、面积、X/Y中心坐标、X/Y质心坐标、每个轴X/Y的面积、圆度、紧凑性、轮廓长度、凸度、矩形度、拟合长轴/短轴/角度、椭圆长半轴与短半轴的比值(anisometry)、体积、结构因子、最小外接圆的半径、最大内切圆的半径、轮廓平均距离、轮廓距离标准差、圆形度、多边形近似参数、孔面积、直径、欧拉数、最小矩形长/短宽度、至少两个邻近像素的平均灰度值/灰度标准差等。
在图5中，a至u可以是每个参数的阈值。每个参数可以是用于由图像获取单元160检测到的硅晶片310的边缘区域312中检测到的边缘缺陷的参数。将这些参数与阈值进行比较的公式可以被分层。因此，可以通过这些层计算公式以分层计算的方式输出最终输出值。最终输出值可以是缺陷属性类别1到类别6中的一个。例如，类别1可以是压痕，类别2可以是划痕，类别3可以是颗粒。例如，类别4可以是ESF，类别5可以是晶体。例如，类别6可以是本实施例中未定义的另一缺陷属性。
尽管在图5中示出了6个缺陷属性类别1至类别6，但是更多的缺陷属性是可能的。
学习模型可以使用层参数计算公式输出与在图像获取单元160的图像数据中检测到的边缘缺陷相对应的缺陷属性。
同时，人工智能模型(诸如学习模型)已经被描述为由处理器180进行学习，但是根据实施例的装置100也可以接收从外部装置或服务器学习的人工智能模型。
继续参照图1，处理器180可以基于由数据预处理单元190确定的边缘缺陷的组合属性来验证从学习模型输出的边缘缺陷的缺陷属性的准确度。
当在由图像获取单元160获取的硅晶片310的边缘区域312的图像数据中检测到边缘缺陷时，数据预处理单元190可以测量硅晶片310的边缘区域312，并且在测量的边缘区域312中检测和分析与在图像获取单元160的图像数据中检测到的边缘缺陷相对应的边缘缺陷，并且确定该边缘缺陷的缺陷属性。
由图像获取单元160获取的图像数据可以被输入到学习模型。具体地，从由图像获取单元160获取的图像数据中获取的各种参数值可以被输入到学习模型。这些参数值中的每一个可以通过对由图像获取单元160获取的图像数据进行分析来获取。在这种情况下，从图像数据获取的参数可以是与图5所示的层参数相同的参数。
学习模型可以通过基于从图像数据获取的每个参数值来计算层参数计算公式，以输出多个缺陷属性类别1至类别6中的一个缺陷属性。
在这种情况下，对于在硅晶片310中检测到的相同的边缘缺陷，处理器180可以确定由数据预处理单元190确定的缺陷属性和从输出模型输出的缺陷属性是否相同。
如果数据预处理单元190确定的缺陷属性与输出模型输出的缺陷属性相同，则在学习模型中很好地设置了层参数计算公式，这意味着输出模型的缺陷属性分类是准确的。
如果由数据预处理单元190确定的缺陷属性与从输出模型输出的缺陷属性不同，则在学习模型中错误地设置了层参数计算公式，这意味着输出模型的缺陷属性分类不准确。
然而，验证一个边缘缺陷的学习模型的准确度是困难的。因此，在该实施例中，可以通过迭代地验证各种硅晶片(包括抛光硅晶片和EPI硅晶片)中的每一个硅晶片的学习模型的准确度来提高准确度。
尽管有这种迭代的准确度验证，但是当从学习模型输出的缺陷属性的准确度小于或等于阈值时，可以改变学习模型中设置的层参数计算公式。例如，可以改变每个层参数计算公式的阈值，或者可以改变每个层参数计算公式的位置。从学习模型输出的缺陷属性的准确度可以根据缺陷属性而变化，但并不限于此。
在下文中，将参照图2描述根据一实施例的一种用于评估硅晶片中的边缘缺陷的方法。
图2是示出了根据一实施例的一种用于评估硅晶片中的边缘缺陷的方法的流程图。
参照图1和图2，图像获取单元160可以获取硅晶片的边缘区域312的图像数据(S210)。
如图3A和图3B所示，图像获取单元160的光学透镜320可以通过聚焦在硅晶片310的边缘区域312的周边来获取硅晶片310的边缘区域312的图像数据。图像数据可以具有或不具有边缘缺陷。
可以对图像数据进行分析以检测边缘缺陷。可以基于来自图像数据的各种参数值来检测边缘缺陷候选，并且可以通过对这些边缘缺陷候选进行精确分析来检测边缘缺陷。
同时，通常难以检测硅晶片310的边缘区域312中的边缘缺陷，并且不能对边缘缺陷的特定缺陷属性进行分类或确定。
在该实施例中，可以通过使用由图像获取单元160获取的图像数据作为学习模型来分类或确定缺陷属性。也就是说，当图像数据的各种参数值被输入到学习模型中时，可以输出在图像数据中检测到的边缘缺陷的缺陷属性。在这种情况下，由学习模型分类或确定的缺陷属性的准确度一定很高。
将在以下描述的S220、S230和S240涉及用于提高在学习模型中分类或确定的缺陷属性的准确度的方法。
也就是说，数据预处理单元190可以提供参考缺陷属性，以用于对从学习模型输出的缺陷属性的准确度进行验证。
为此，数据预处理单元190可以确定在图像数据中检测到的边缘缺陷的缺陷属性(S220)。也就是说，数据预处理单元190可以确定在图像获取单元160中的图像数据中检测到的边缘缺陷的特定缺陷属性。
首先，可以使用测量设备来测量硅晶片310的边缘区域312。例如，测量设备可以包括3D激光显微镜、SEM和TEM中的一个或多个。
例如，对于抛光硅晶片和EPI硅晶片来说，缺陷属性的数量可以变化。例如，在抛光硅晶片的情况中可以有三种缺陷属性，例如压痕(图4A)、划痕(图4B)和颗粒(图4C)，但并不限于此。在EPI硅晶片的情况下，可以有五种缺陷属性，例如压痕(图4A)、划痕(图4B)、颗粒(图4C)、ESF(图4D)和晶体(图4E)，但并不限于此。
数据预处理单元190可以对与硅晶片310的边缘区域312相关的使用测量设备测量的数据进行分析，从而确定存在于硅晶片310的边缘区域312中的边缘缺陷的缺陷属性。
同时，处理器180可以控制待学习的图像数据，以便输出对应于边缘缺陷的缺陷属性(S230)。
例如，处理器180可以将学习模型加载到存储器170中，然后将由图像获取单元160获取的图像数据输入到学习模型。也就是说，可以将在图像数据中检测到的边缘缺陷的各种参数值输入到学习模型。
学习模型可以包括层参数计算公式。因此，学习模型可以接收在图像数据中检测到的边缘缺陷的每个参数值，并且通过计算层参数计算公式来输出边缘缺陷的缺陷属性。也就是说，如图5所示，通过计算层参数计算公式可以输出多个缺陷属性类别1至类别6中的一个缺陷属性。
处理器180可以验证从学习模型输出的边缘缺陷的缺陷属性的准确度(S240)。
也就是说，处理器180可以将由数据预处理单元190确定的边缘缺陷的缺陷属性与从学习模型输出的边缘缺陷的缺陷属性进行比较。由数据预处理单元190确定的边缘缺陷的缺陷属性和从学习模型输出的边缘缺陷的缺陷属性可以是与在由图像获取单元160获取的图像数据中检测到的边缘缺陷相同的边缘缺陷。
当由数据预处理单元190确定的边缘缺陷的缺陷属性和从学习模型输出的边缘缺陷的缺陷属性相同时，处理器180可以确定在学习模型中设置的层参数计算公式的设置可能是有效的。例如，如果在数据预处理单元190中确定的边缘缺陷的缺陷属性是压痕，而且从学习模型输出的边缘缺陷的缺陷属性也是压痕，则确定在学习模型中设置的层参数计算公式是有效的。
当由数据预处理单元190确定的边缘缺陷的缺陷属性和从学习模型输出的边缘缺陷的缺陷属性不同时，处理器180确定在学习模型中设置的层参数计算公式的设置可能是无效的。例如，如果由数据预处理单元190确定的边缘缺陷的缺陷属性是压痕，但是从学习模型输出的边缘缺陷的缺陷属性是划痕，则确定在学习模型中设置的层参数计算公式是无效的。
因此，当确定在学习模型中设置的层参数计算公式无效时，处理器180可以改变层参数计算公式。
以这种方式，在改变学习模型的层参数计算公式之后，通过执行S210、S220、S230和S240，可以再次验证从学习模型输出的缺陷属性的准确度。
通过重复执行这样的操作，可以提高从学习模型输出的缺陷属性的准确度。
作为另一实施例，即使没有改变学习模型的层参数计算公式，也可以通过重复执行S210、S220、S230和S240来增加学习模型的学习操作次数，从而提高从学习模型输出的缺陷属性的准确度。
上述详细描述不应被解释为在所有方面都是限制性的，而应被认为是说明性的。实施例的范围应通过对所附权利要求的合理解释来确定，并且在实施例的等效范围内的所有变化都包括在实施例的范围内。

Claims (12)

1.一种用于评估硅晶片中的边缘缺陷的装置，包括：
图像获取单元，所述图像获取单元被配置为获取所述硅晶片的边缘区域的图像数据；
数据预处理单元，所述数据预处理单元被配置为当在所获取的所述图像数据中检测到边缘缺陷时，使用测量设备测量所述硅晶片的边缘区域，以确定所检测到的所述边缘缺陷的缺陷属性；以及
处理器，
其中，所述处理器被配置为：
进行控制以对所获取的所述图像数据进行学习，以输出与所检测到的所述边缘缺陷相对应的缺陷属性，以及
基于所确定的所述边缘缺陷的所述缺陷属性来验证所输出的所述边缘缺陷的所述缺陷属性的准确度。
2.根据权利要求1所述的装置，其中，所述测量设备包括3D激光显微镜、SEM和TEM中的至少一个或多个。
3.根据权利要求1所述的装置，其中，所述缺陷属性包括压痕、划痕、颗粒、晶体或ESF。
4.根据权利要求1所述的装置，还包括：
学习模型，
其中，所述学习模型包括层参数计算公式。
5.根据权利要求4所述的装置，其中，所述学习模型使用所述层参数计算公式输出与在所获取的所述图像数据中所检测到的所述边缘缺陷相对应的所述缺陷属性。
6.根据权利要求4所述的装置，其中，当所述缺陷属性的所述准确度小于或等于阈值时，所述处理器改变所述层参数计算公式。
7.一种用于评估硅晶片中的边缘缺陷的方法，包括：
获取所述硅晶片的边缘区域的图像数据；
当在所获取的所述图像数据中检测到边缘缺陷时，使用测量设备测量所述硅晶片的边缘区域，以确定所检测到的所述边缘缺陷的缺陷属性；
进行控制以对所获取的所述图像数据进行学习，以输出与所检测到的所述边缘缺陷相对应的缺陷属性；以及
基于所确定的所述边缘缺陷的所述缺陷属性来验证所输出的所述边缘缺陷的所述缺陷属性的准确度。
8.根据权利要求7所述的方法，其中，所述测量设备包括3D激光显微镜、SEM和TEM中的至少一个。
9.根据权利要求7所述的方法，其中，所述缺陷属性包括压痕、划痕、颗粒、晶体或ESF。
10.根据权利要求7所述的方法，其中，对于所获取的所述图像数据的学习是通过包括在所述学习模型中的层参数计算公式来执行的。
11.根据权利要求10所述的方法，其中，所述学习模型使用所述层参数计算公式输出与在所获取的所述图像数据中检测到的所述边缘缺陷相对应的所述缺陷属性。
12.根据权利要求10所述的方法，还包括：
当所述缺陷属性的所述准确度小于或等于阈值时，改变所述层参数计算公式。
CN202310246340.1A 2022-03-08 2023-03-07 用于评估硅晶片中的边缘缺陷的装置及其方法 Pending CN116739970A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220029144A KR20230132082A (ko) 2022-03-08 2022-03-08 실리콘 웨이퍼의 에지 결함 평가 장치 및 그 방법
KR10-2022-0029144 2022-03-08

Publications (1)

Publication Number Publication Date
CN116739970A true CN116739970A (zh) 2023-09-12

Family

ID=87910303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310246340.1A Pending CN116739970A (zh) 2022-03-08 2023-03-07 用于评估硅晶片中的边缘缺陷的装置及其方法

Country Status (3)

Country Link
US (1) US20230289949A1 (zh)
KR (1) KR20230132082A (zh)
CN (1) CN116739970A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117333441A (zh) * 2023-09-27 2024-01-02 威海天拓合创电子工程有限公司 一种基于图像数据的pcb板缺陷检测方法及系统
CN117635922A (zh) * 2023-12-06 2024-03-01 北京薇笑美网络科技有限公司 一种基于路由器网线接口的质量识别方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118096767A (zh) * 2024-04-28 2024-05-28 成都数之联科技股份有限公司 一种晶圆切割不良缺陷检测方法、系统、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117333441A (zh) * 2023-09-27 2024-01-02 威海天拓合创电子工程有限公司 一种基于图像数据的pcb板缺陷检测方法及系统
CN117333441B (zh) * 2023-09-27 2024-04-02 威海天拓合创电子工程有限公司 一种基于图像数据的pcb板缺陷检测方法及系统
CN117635922A (zh) * 2023-12-06 2024-03-01 北京薇笑美网络科技有限公司 一种基于路由器网线接口的质量识别方法

Also Published As

Publication number Publication date
KR20230132082A (ko) 2023-09-15
US20230289949A1 (en) 2023-09-14

Similar Documents

Publication Publication Date Title
CN116739970A (zh) 用于评估硅晶片中的边缘缺陷的装置及其方法
CN106949848B (zh) 一种高精度激光3d轮廓手机结构件检测方法
TWI731038B (zh) 光學計量之準確度提升
EP3223019B1 (en) Method, computer program product, and system for establishing a sample tube set
CN107544432A (zh) 寿命判定装置、寿命判定方法及计算机可读取的记录介质
JP2009531784A (ja) マシンビジョンツールパラメータの自動決定
CN101010958A (zh) 摄像机校准设备和摄像机校准方法
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
EP1422491B1 (en) Method, apparatus and program for setting a workpiece coordinate system origin in a surface property measuring machine
CN100372089C (zh) 图形评价装置、图形评价方法
US6519358B1 (en) Parallax calculating apparatus, distance calculating apparatus, methods of the same, and information providing media
CN117589109B (zh) 石英中心托盘制作工艺的质量检测与控制方法
CN112734858A (zh) 一种双目标定精度在线检测方法及装置
CN117094095B (zh) 一种晶圆翘曲度优化方法及系统
CN116026487B (zh) 液面温度测量方法、装置、计算机设备和存储介质
US20230169638A1 (en) Automatic quality categorization method and system for pharmaceutical glass containers
WO2020202332A1 (ja) 検査装置及び検査方法
CN114827457B (zh) 一种晶圆检测中的动态对焦方法、装置、设备和介质
CN113763306B (zh) 一种地标检测方法、装置及电子设备
CN116071430A (zh) 单像素距离校准方法
EP4202749A1 (en) Systems and methods for alignment and comparison of a reference drawing with images of a part
CN117115488B (zh) 一种基于图像处理的水表检测方法
EP4385716A1 (en) Determination of an optical lens machining process signature
US20230064159A1 (en) Method for identifying wafer
Garcia et al. 3D inspection system for manufactured machine parts

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