CN116740074A - 基于机器视觉的晶圆缺陷精准识别方法 - Google Patents
基于机器视觉的晶圆缺陷精准识别方法 Download PDFInfo
- Publication number
- CN116740074A CN116740074A CN202311031852.2A CN202311031852A CN116740074A CN 116740074 A CN116740074 A CN 116740074A CN 202311031852 A CN202311031852 A CN 202311031852A CN 116740074 A CN116740074 A CN 116740074A
- Authority
- CN
- China
- Prior art keywords
- layer
- wafer
- defect
- convolution
- wafer defect
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 239000006002 Pepper Substances 0.000 claims abstract description 21
- 235000002566 Capsicum Nutrition 0.000 claims abstract description 19
- 235000016761 Piper aduncum Nutrition 0.000 claims abstract description 19
- 235000017804 Piper guineense Nutrition 0.000 claims abstract description 19
- 235000008184 Piper nigrum Nutrition 0.000 claims abstract description 19
- 150000003839 salts Chemical class 0.000 claims abstract description 19
- 235000012431 wafers Nutrition 0.000 claims description 106
- 241000722363 Piper Species 0.000 claims description 18
- 230000002950 deficient Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 239000013256 coordination polymer Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 238000010191 image analysis Methods 0.000 abstract description 2
- 244000203593 Piper nigrum Species 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000001259 photo etching Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- 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
- G06T2207/20084—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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (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
本发明公开了基于机器视觉的晶圆缺陷精准识别方法,涉及图像分析领域,包括:采集各待测晶圆暗场去噪图像;识别各候选晶圆缺陷区;采集各候选晶圆缺陷区明场去噪图像;通过多层多通道混合加权二分类网络识别各候选晶圆缺陷区明场去噪图像,得出各真实晶圆缺陷区。本发明通过递归运算抑制了暗场图像和明场图像的椒盐噪声,大大避免了图像数据采集错误对识别结果的影响;利用晶圆暗场检测灵敏度高的特点,对晶圆进行快速初筛;并使用多层多通道混合加权二分类网络,有效地构建混合注意力,精准获取候选晶圆缺陷区的明场图像特征,对真实晶圆缺陷进行高精度判断,适用于各种不同的集成电路工艺。
Description
技术领域
本发明涉及图像分析领域,具体涉及一种基于机器视觉的晶圆缺陷精准识别方法。
背景技术
晶圆在经过光刻等工序后,进行切割和封装,便得到市面上的芯片。因此,对光刻后的晶圆进行检测,及早发现缺陷并剔除,对芯片的生产和加工尤为重要。
由于不像ATE(Automatic Test Equipment,集成电路自动测试机)的CP测试(ChipProbing Test,晶圆测试)需要使用探针,且编程复杂,图像检测成为晶圆缺陷检测的主要方法。针对光源而言,晶圆图像检测主要分为明场检测和暗场检测两种。暗场检测是用单一波长的激光,通常使用深紫外激光照射晶圆,并基于散射成像原理获取图像,图像中无缺陷处为暗色,缺陷处为亮色,该方法对于被测晶圆表面的颗粒、划痕等缺陷非常灵敏,适合大量晶圆的高速检测;明场检测是用宽波段的等离子体光源照射晶圆,并摄取图像,图像中无缺陷处为明色,缺陷处为暗色,该方法往往需要高分辨率图像采集设备,对光学镜片要求极高,适用于对晶圆上的电路进行详细检测。
对于明场检测和暗场检测,无缺陷处和缺陷处之间都存在巨大的亮度差异,因此现有技术通常在明场和暗场中二者选其一,直接对图像灰度值进行阈值判断,以发现缺陷。然而,一方面,图像采集设备会存在随机位置的椒盐噪声,被误判为晶圆缺陷,另一方面,先进制程的电路图形形状差异会导致不是缺陷的地方差异较缺陷差异更小,使得传统方法极容易出现误检。
发明内容
针对现有技术中的上述不足,本发明提供的基于机器视觉的晶圆缺陷精准识别方法解决了现有光刻后晶圆的图像检测技术检测精度不足,容易出现误检的问题。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于机器视觉的晶圆缺陷精准识别方法,包括以下步骤:
S1、分别采集各待测晶圆至少3张且数量为奇数的暗场检测图像,并通过用于椒盐噪声抑制的递归运算处理得到各待测晶圆暗场去噪图像;
S2、提取各待测晶圆暗场去噪图像中像素值差异大于缺陷分类阈值的像素点,并将其对应晶圆区域标记为候选晶圆缺陷区;
S3、分别采集各候选晶圆缺陷区至少3张且数量为奇数的明场检测图像,并通过用于椒盐噪声抑制的递归运算处理得到各候选晶圆缺陷区明场去噪图像;
S4、通过多层多通道混合加权二分类网络识别各候选晶圆缺陷区明场去噪图像,得出各真实晶圆缺陷区。
本发明的有益效果为:通过递归运算抑制了暗场图像和明场图像的椒盐噪声,大大避免了图像数据采集错误对识别结果的影响;利用晶圆暗场检测灵敏度高的特点,对晶圆进行快速初筛;并使用多层多通道混合加权二分类网络,有效地构建混合注意力,精准获取候选晶圆缺陷区的明场图像特征,对真实晶圆缺陷进行高精度判断,适用于各种不同的集成电路工艺。
进一步地,所述S1和S3中用于椒盐噪声抑制的递归运算的表达式为:
,/>,其中,为第k次递归得到的图像,/>为第k-1次递归得到的图像,/>为第1次递归得到的图像,/>为第k张参与递归运算的图像,/>为第1张参与递归运算的图像,α为递归系数,k为闭区间[2,K]内的正整数,K为参与递归运算的图像总数。
上述进一步方案的有益效果为:椒盐噪声是图像采集和生成过程中在不同像素点随机出现的一种脉冲噪声,使得图像中出现随机白点或黑点。由于晶圆暗场检测中,缺陷为亮色,明场检测中,缺陷为暗色,因此椒盐噪声对晶圆缺陷检测的影响极大。本发明基于椒盐噪声位置的随机性和晶圆缺陷位置的确定性,对晶圆进行多次拍摄,并使用递归迭代运算,在不减弱晶圆缺陷特征的情况下有效制约椒盐噪声,大大避免了图像数据采集错误对识别结果的影响。
进一步地,不同集成电路工艺库采用对应的缺陷分类阈值。
进一步地,各集成电路工艺库对应的缺陷分类阈值的率定方法相同,均包括以下步骤:
A1、使用ATE对晶圆样片进行CP测试,得出各真实晶圆缺陷区;
A2、将下式作为缺陷分类阈值寻优目标函数,在最大暗场像素值和最小暗场像素值构成的闭区间内进行全局搜索,得到缺陷分类阈值:
,其中,/>为缺陷分类阈值寻优目标函数,/>为虚警值,/>为漏警值,/>为缺陷分类阈值,/>为寻找在漏警值为0时使虚警值最小的缺陷分类阈值的函数,所述虚警值为晶圆区域无缺陷却被判为有缺陷的数目,所述漏警值为晶圆区域有缺陷却被判为无缺陷的数目。
上述进一步方案的有益效果为:不同的集成电路工艺库中有效电路和缺陷的差异不同,因此需要针对性地训练缺陷分类阈值。缺陷分类阈值越小,虚警概率越大,但漏警概率越小;缺陷分类阈值越大,漏警概率越大,但虚警概率越小。因在本发明中,暗场阈值检测用于粗筛,宁错勿漏,故使用漏警值为0,虚警值尽量小作为寻优目标,针对不同集成电路工艺库进行各自的参数寻优。
进一步地,所述多层多通道混合加权二分类网络包括:
多层多通道混合加权特征提取子网络,用于提取各候选晶圆缺陷区明场去噪图像的纹理特征,得到各候选晶圆缺陷区特征向量;
二分类子网络,用于分析各候选晶圆缺陷区特征向量,得到真实缺陷和误缺陷的分类结果。
进一步地,所述多层多通道混合加权特征提取子网络包括:第一卷积层至第N卷积层、特征融合层和矩阵变换层;
第一卷积层至第N卷积层均有M个卷积核;N和M均为大于1的正整数;
第一卷积层的M个卷积核均对输入多层多通道混合加权特征提取子网络的图像进行卷积运算,得到第一卷积层第1至第M卷积输出图像;
第二卷积层至第N卷积层各自的第j卷积核均分别对其前一层第j卷积输出图像进行卷积运算,得到第二卷积层至第N卷积层第j卷积输出图像,j为闭区间[1,M]内的正整数;
特征融合层对各卷积层的各卷积输出图像进行混合加权,得到特征图像;
矩阵变换层对特征图像进行矩阵变换,得到特征向量。
进一步地,所述特征融合层的混合加权表达式为:
,其中,/>为特征融合层输出的特征图像,/>为第i卷积层第j卷积输出图像,/>为第i卷积层的第j卷积核加权系数,/>为第i卷积层加权系数。
上述进一步方案的有益效果为:本发明构建了多层多通道的卷积网络对明场图像进行深度特征融合提取;本发明的混合的特征加权机制,使得该网络同时具有通道注意力和空间注意力能力,但却比现有通道注意力网络和空间注意力网络更简洁,无需额外的全局池化层和参数传递链路,提高了网络的稳定性和鲁棒性,具有高度智能的机器视觉能力。
进一步地,不同集成电路工艺库采用对应的多层多通道混合加权二分类网络参数。
进一步地,各集成电路工艺库对应的多层多通道混合加权二分类网络参数的训练方法相同,均包括以下步骤:
B1、使用ATE对各候选晶圆缺陷区样品进行CP测试,并根据测试结果为各候选晶圆缺陷区样品打上真假分类标签;
B2、将下式作为多层多通道混合加权二分类网络训练目标函数,根据打上标签的各候选晶圆缺陷区样品的明场去噪图像,训练多层多通道混合加权二分类网络参数:
,其中,/>为多层多通道混合加权二分类网络训练目标函数,ξ为候选晶圆缺陷区是否为真实晶圆缺陷区的分类标签,ln()为自然对数函数,r为多层多通道混合加权二分类网络的识别结果。
上述进一步方案的有益效果为:不同的集成电路工艺库中有效电路和缺陷的差异不同,而先进制程的电路图形形状差异会导致不是缺陷的地方差异较缺陷差异更小,而多层多通道混合加权二分类网络的参数调整灵活,还兼具通道注意力和空间注意力,通过样品标签训练参数,可适配不同的集成电路工艺库,精准识别晶圆缺陷。
附图说明
图1为本发明实施例提供的基于机器视觉的晶圆缺陷精准识别方法的流程图;
图2为本发明实施例的多层多通道混合加权二分类网络的结构图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,在本发明的一个实施例中,基于机器视觉的晶圆缺陷精准识别方法,包括以下步骤:
S1、分别采集各待测晶圆至少3张且数量为奇数的暗场检测图像,并通过用于椒盐噪声抑制的递归运算处理得到各待测晶圆暗场去噪图像。
S2、提取各待测晶圆暗场去噪图像中像素值差异大于缺陷分类阈值的像素点,并将其对应晶圆区域标记为候选晶圆缺陷区。
S3、分别采集各候选晶圆缺陷区至少3张且数量为奇数的明场检测图像,并通过用于椒盐噪声抑制的递归运算处理得到各候选晶圆缺陷区明场去噪图像。
S4、通过多层多通道混合加权二分类网络识别各候选晶圆缺陷区明场去噪图像,得出各真实晶圆缺陷区。
S1和S3中用于椒盐噪声抑制的递归运算的表达式为:
,/>,其中,为第k次递归得到的图像,/>为第k-1次递归得到的图像,/>为第1次递归得到的图像,/>为第k张参与递归运算的图像,/>为第1张参与递归运算的图像,α为递归系数,k为闭区间[2,K]内的正整数,K为参与递归运算的图像总数。
椒盐噪声是图像采集和生成过程中在不同像素点随机出现的一种脉冲噪声,使得图像中出现随机白点或黑点。由于晶圆暗场检测中,缺陷为亮色,明场检测中,缺陷为暗色,因此椒盐噪声对晶圆缺陷检测的影响极大。本发明基于椒盐噪声位置的随机性和晶圆缺陷位置的确定性,对晶圆进行多次拍摄,并使用递归迭代运算,在不减弱晶圆缺陷特征的情况下有效制约椒盐噪声,大大避免了图像数据采集错误对识别结果的影响。
不同集成电路工艺库采用对应的缺陷分类阈值。各集成电路工艺库对应的缺陷分类阈值的率定方法相同,均包括以下步骤:
A1、使用ATE对晶圆样片进行CP测试,得出各真实晶圆缺陷区;
A2、将下式作为缺陷分类阈值寻优目标函数,在最大暗场像素值和最小暗场像素值构成的闭区间内进行全局搜索,得到缺陷分类阈值:
,其中,/>为缺陷分类阈值寻优目标函数,/>为虚警值,/>为漏警值,/>为缺陷分类阈值,/>为寻找在漏警值为0时使虚警值最小的缺陷分类阈值的函数,所述虚警值为晶圆区域无缺陷却被判为有缺陷的数目,所述漏警值为晶圆区域有缺陷却被判为无缺陷的数目。
不同的集成电路工艺库中有效电路和缺陷的差异不同,因此需要针对性地训练缺陷分类阈值。缺陷分类阈值越小,虚警概率越大,但漏警概率越小;缺陷分类阈值越大,漏警概率越大,但虚警概率越小。因在本发明中,暗场阈值检测用于粗筛,宁错勿漏,故使用漏警值为0,虚警值尽量小作为寻优目标,针对不同集成电路工艺库进行各自的参数寻优。
如图2所示,多层多通道混合加权二分类网络包括:
多层多通道混合加权特征提取子网络,用于提取各候选晶圆缺陷区明场去噪图像的纹理特征,得到各候选晶圆缺陷区特征向量;
二分类子网络,用于分析各候选晶圆缺陷区特征向量,得到真实缺陷和误缺陷的分类结果。
多层多通道混合加权特征提取子网络包括:第一卷积层至第N卷积层、特征融合层和矩阵变换层;
第一卷积层至第N卷积层均有M个卷积核;N和M均为大于1的正整数;
第一卷积层的M个卷积核均对输入多层多通道混合加权特征提取子网络的图像进行卷积运算,得到第一卷积层第1至第M卷积输出图像;
第二卷积层至第N卷积层各自的第j卷积核均分别对其前一层第j卷积输出图像进行卷积运算,得到第二卷积层至第N卷积层第j卷积输出图像,j为闭区间[1,M]内的正整数;
特征融合层对各卷积层的各卷积输出图像进行混合加权,得到特征图像;
矩阵变换层对特征图像进行矩阵变换,得到特征向量。
特征融合层的混合加权表达式为:
,其中,/>为特征融合层输出的特征图像,/>为第i卷积层第j卷积输出图像,/>为第i卷积层的第j卷积核加权系数,/>为第i卷积层加权系数。
本发明构建了多层多通道的卷积网络对明场图像进行深度特征融合提取;本发明的混合的特征加权机制,使得该网络同时具有通道注意力和空间注意力能力,但却比现有通道注意力网络和空间注意力网络更简洁,无需额外的全局池化层和参数传递链路,提高了网络的稳定性和鲁棒性,具有高度智能的机器视觉能力。
不同集成电路工艺库采用对应的多层多通道混合加权二分类网络参数。各集成电路工艺库对应的多层多通道混合加权二分类网络参数的训练方法相同,均包括以下步骤:
B1、使用ATE对各候选晶圆缺陷区样品进行CP测试,并根据测试结果为各候选晶圆缺陷区样品打上真假分类标签;
B2、将下式作为多层多通道混合加权二分类网络训练目标函数,根据打上标签的各候选晶圆缺陷区样品的明场去噪图像,训练多层多通道混合加权二分类网络参数:
,其中,/>为多层多通道混合加权二分类网络训练目标函数,ξ为候选晶圆缺陷区是否为真实晶圆缺陷区的分类标签,ln()为自然对数函数,r为多层多通道混合加权二分类网络的识别结果。
不同的集成电路工艺库中有效电路和缺陷的差异不同,而先进制程的电路图形形状差异会导致不是缺陷的地方差异较缺陷差异更小,而多层多通道混合加权二分类网络的参数调整灵活,还兼具通道注意力和空间注意力,通过样品标签训练参数,可适配不同的集成电路工艺库,精准识别晶圆缺陷。
综上,本发明通过递归运算抑制了暗场图像和明场图像的椒盐噪声,大大避免了图像数据采集错误对识别结果的影响;利用晶圆暗场检测灵敏度高的特点,对晶圆进行快速初筛;并使用多层多通道混合加权二分类网络,有效地构建混合注意力,精准获取候选晶圆缺陷区的明场图像特征,对真实晶圆缺陷进行高精度判断,适用于各种不同的集成电路工艺。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (9)
1.一种基于机器视觉的晶圆缺陷精准识别方法,其特征在于,包括以下步骤:
S1、分别采集各待测晶圆至少3张且数量为奇数的暗场检测图像,并通过用于椒盐噪声抑制的递归运算处理得到各待测晶圆暗场去噪图像;
S2、提取各待测晶圆暗场去噪图像中像素值差异大于缺陷分类阈值的像素点,并将其对应晶圆区域标记为候选晶圆缺陷区;
S3、分别采集各候选晶圆缺陷区至少3张且数量为奇数的明场检测图像,并通过用于椒盐噪声抑制的递归运算处理得到各候选晶圆缺陷区明场去噪图像;
S4、通过多层多通道混合加权二分类网络识别各候选晶圆缺陷区明场去噪图像,得出各真实晶圆缺陷区。
2.根据权利要求1所述的基于机器视觉的晶圆缺陷精准识别方法,其特征在于,所述S1和S3中用于椒盐噪声抑制的递归运算的表达式为:
,/>,其中,/>为第k次递归得到的图像,/>为第k-1次递归得到的图像,/>为第1次递归得到的图像,/>为第k张参与递归运算的图像,/>为第1张参与递归运算的图像,α为递归系数,k为闭区间[2,K]内的正整数,K为参与递归运算的图像总数。
3.根据权利要求1所述的基于机器视觉的晶圆缺陷精准识别方法,其特征在于,不同集成电路工艺库采用对应的缺陷分类阈值。
4.根据权利要求3所述的基于机器视觉的晶圆缺陷精准识别方法,其特征在于,各集成电路工艺库对应的缺陷分类阈值的率定方法相同,均包括以下步骤:
A1、使用ATE对晶圆样片进行CP测试,得出各真实晶圆缺陷区;
A2、将下式作为缺陷分类阈值寻优目标函数,在最大暗场像素值和最小暗场像素值构成的闭区间内进行全局搜索,得到缺陷分类阈值:
,其中,/>为缺陷分类阈值寻优目标函数,/>为虚警值,为漏警值,/>为缺陷分类阈值,/>为寻找在漏警值为0时使虚警值最小的缺陷分类阈值的函数,所述虚警值为晶圆区域无缺陷却被判为有缺陷的数目,所述漏警值为晶圆区域有缺陷却被判为无缺陷的数目。
5.根据权利要求1所述的基于机器视觉的晶圆缺陷精准识别方法,其特征在于,所述多层多通道混合加权二分类网络包括:
多层多通道混合加权特征提取子网络,用于提取各候选晶圆缺陷区明场去噪图像的纹理特征,得到各候选晶圆缺陷区特征向量;
二分类子网络,用于分析各候选晶圆缺陷区特征向量,得到真实缺陷和误缺陷的分类结果。
6.根据权利要求5所述的基于机器视觉的晶圆缺陷精准识别方法,其特征在于,所述多层多通道混合加权特征提取子网络包括:第一卷积层至第N卷积层、特征融合层和矩阵变换层;
第一卷积层至第N卷积层均有M个卷积核;N和M均为大于1的正整数;
第一卷积层的M个卷积核均对输入多层多通道混合加权特征提取子网络的图像进行卷积运算,得到第一卷积层第1至第M卷积输出图像;
第二卷积层至第N卷积层各自的第j卷积核均分别对其前一层第j卷积输出图像进行卷积运算,得到第二卷积层至第N卷积层第j卷积输出图像,j为闭区间[1,M]内的正整数;
特征融合层对各卷积层的各卷积输出图像进行混合加权,得到特征图像;
矩阵变换层对特征图像进行矩阵变换,得到特征向量。
7.根据权利要求6所述的基于机器视觉的晶圆缺陷精准识别方法,其特征在于,所述特征融合层的混合加权表达式为:
,其中,/>为特征融合层输出的特征图像,/>为第i卷积层第j卷积输出图像,/>为第i卷积层的第j卷积核加权系数,/>为第i卷积层加权系数。
8.根据权利要求7所述的基于机器视觉的晶圆缺陷精准识别方法,其特征在于,不同集成电路工艺库采用对应的多层多通道混合加权二分类网络参数。
9.根据权利要求8所述的基于机器视觉的晶圆缺陷精准识别方法,其特征在于,各集成电路工艺库对应的多层多通道混合加权二分类网络参数的训练方法相同,均包括以下步骤:
B1、使用ATE对各候选晶圆缺陷区样品进行CP测试,并根据测试结果为各候选晶圆缺陷区样品打上真假分类标签;
B2、将下式作为多层多通道混合加权二分类网络训练目标函数,根据打上标签的各候选晶圆缺陷区样品的明场去噪图像,训练多层多通道混合加权二分类网络参数:
,其中,/>为多层多通道混合加权二分类网络训练目标函数,ξ为候选晶圆缺陷区是否为真实晶圆缺陷区的分类标签,ln()为自然对数函数,r为多层多通道混合加权二分类网络的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311031852.2A CN116740074B (zh) | 2023-08-16 | 2023-08-16 | 基于机器视觉的晶圆缺陷精准识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311031852.2A CN116740074B (zh) | 2023-08-16 | 2023-08-16 | 基于机器视觉的晶圆缺陷精准识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116740074A true CN116740074A (zh) | 2023-09-12 |
CN116740074B CN116740074B (zh) | 2023-11-14 |
Family
ID=87919091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311031852.2A Active CN116740074B (zh) | 2023-08-16 | 2023-08-16 | 基于机器视觉的晶圆缺陷精准识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740074B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250208A (zh) * | 2023-11-20 | 2023-12-19 | 青岛天仁微纳科技有限责任公司 | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130294677A1 (en) * | 2010-11-29 | 2013-11-07 | Takahiro Urano | Defect inspection method and defect inspection device |
US20150286001A1 (en) * | 2014-04-08 | 2015-10-08 | Hitachi High-Technologies Corporation | Defect Review Apparatus, Defect Review Method |
US20160027165A1 (en) * | 2013-02-01 | 2016-01-28 | Kla-Tencor Corporation | Detecting Defects on a Wafer Using Defect-Specific and Multi-Channel Information |
CN108108768A (zh) * | 2017-12-29 | 2018-06-01 | 清华大学 | 基于卷积神经网络的光伏玻璃缺陷分类方法及装置 |
CN111553929A (zh) * | 2020-05-12 | 2020-08-18 | 重庆邮电大学 | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 |
CN114972213A (zh) * | 2022-05-09 | 2022-08-30 | 浙江科技学院 | 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法 |
CN115880298A (zh) * | 2023-03-02 | 2023-03-31 | 湖南大学 | 一种基于无监督预训练的玻璃表面缺陷检测方法及系统 |
CN116030002A (zh) * | 2022-12-29 | 2023-04-28 | 凌云光技术股份有限公司 | 一种基于高动态技术的图像缺陷分类方法及系统 |
-
2023
- 2023-08-16 CN CN202311031852.2A patent/CN116740074B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130294677A1 (en) * | 2010-11-29 | 2013-11-07 | Takahiro Urano | Defect inspection method and defect inspection device |
US20160027165A1 (en) * | 2013-02-01 | 2016-01-28 | Kla-Tencor Corporation | Detecting Defects on a Wafer Using Defect-Specific and Multi-Channel Information |
US20150286001A1 (en) * | 2014-04-08 | 2015-10-08 | Hitachi High-Technologies Corporation | Defect Review Apparatus, Defect Review Method |
CN108108768A (zh) * | 2017-12-29 | 2018-06-01 | 清华大学 | 基于卷积神经网络的光伏玻璃缺陷分类方法及装置 |
CN111553929A (zh) * | 2020-05-12 | 2020-08-18 | 重庆邮电大学 | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 |
CN114972213A (zh) * | 2022-05-09 | 2022-08-30 | 浙江科技学院 | 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法 |
CN116030002A (zh) * | 2022-12-29 | 2023-04-28 | 凌云光技术股份有限公司 | 一种基于高动态技术的图像缺陷分类方法及系统 |
CN115880298A (zh) * | 2023-03-02 | 2023-03-31 | 湖南大学 | 一种基于无监督预训练的玻璃表面缺陷检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
PAULO M.F. FORTE ET AL.: "Exploring combined dark and bright field illumination to improve the detection of defects on specular surfaces", 《OPTICS AND LASERS IN ENGINEERING》, vol. 88, pages 120 - 128, XP029750668, DOI: 10.1016/j.optlaseng.2016.08.002 * |
任昕坤: "晶圆表面微颗粒的光学检测方法", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1, pages 135 - 501 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250208A (zh) * | 2023-11-20 | 2023-12-19 | 青岛天仁微纳科技有限责任公司 | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 |
CN117250208B (zh) * | 2023-11-20 | 2024-02-06 | 青岛天仁微纳科技有限责任公司 | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116740074B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5619776B2 (ja) | ウエハの検査のための1つまたは複数のパラメータの選択方法 | |
CN106537125B (zh) | 具有多种模式的虚拟检验系统 | |
JP5275017B2 (ja) | 欠陥検査方法及びその装置 | |
JP5865585B2 (ja) | ウエハーの層の検査に用いる候補として検査装置の一つ以上の光学モードを同定するためにコンピューターにより実施する方法、コンピューター可読の媒体、および装置 | |
JP5284792B2 (ja) | 検査サンプル上で検出された欠陥分類のための方法とシステム | |
CN107358599B (zh) | 使用缺陷特定的信息检测晶片上的缺陷 | |
US8582864B2 (en) | Fault inspection method | |
JP5225297B2 (ja) | ウエハー上に形成されたダイに於けるアレイ領域の認識方法、ならびに係る方法の設定方法 | |
KR102001356B1 (ko) | 비트 불량 및 가상 검사를 이용한 웨이퍼 검사 공정의 생성 | |
CN116740074B (zh) | 基于机器视觉的晶圆缺陷精准识别方法 | |
JP2017523390A (ja) | 検査のための高解像度フルダイイメージデータの使用 | |
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 | |
CN113627457A (zh) | 基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和系统 | |
JP2012518278A (ja) | ウェハー上の欠陥検出 | |
Chang et al. | Wafer defect inspection by neural analysis of region features | |
KR20190098271A (ko) | 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법 | |
Kögel et al. | Machine learning assisted signal analysis in Acoustic Microscopy for non-destructive defect identification | |
CN115621145A (zh) | 一种晶圆缺陷检测优化方法及设备 | |
JP5744965B2 (ja) | 欠陥検査方法及びその装置 | |
CN113677980B (zh) | 用于检验的缺陷候选生成 | |
KR20020041785A (ko) | 결함 조사용 2차원 산점도 기술 | |
CN115132599A (zh) | 缺陷检测方法 | |
CN117830255A (zh) | 缺陷检测方法、缺陷检测装置及存储介质 | |
Melnyk et al. | Check for updates Detection of Defects in PCB Images by Separation and Intensity Measurement of Chains on the Board | |
CN116091379A (zh) | 自动缺陷分类系统及其训练和分类的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |