CN116773548B - 一种晶圆表面缺陷检测方法及系统 - Google Patents
一种晶圆表面缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN116773548B CN116773548B CN202311049508.6A CN202311049508A CN116773548B CN 116773548 B CN116773548 B CN 116773548B CN 202311049508 A CN202311049508 A CN 202311049508A CN 116773548 B CN116773548 B CN 116773548B
- Authority
- CN
- China
- Prior art keywords
- wafer
- defect
- image
- contour
- detection
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 202
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000002950 deficient Effects 0.000 claims abstract description 21
- 238000004140 cleaning Methods 0.000 claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 235000012431 wafers Nutrition 0.000 claims description 250
- 239000002245 particle Substances 0.000 claims description 35
- 238000003709 image segmentation Methods 0.000 claims description 17
- 230000003247 decreasing effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000013078 crystal Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012634 optical imaging Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种晶圆表面缺陷检测方法及系统，涉及晶圆传输机器人领域，该方法的步骤包括：晶圆在制造流水线上完成生产后通过晶圆传送平台传送至第一检测台，采集图像信息，对所述图像信息初步检测，得到晶圆缺陷边缘信息指数；设定边缘阈值，将晶圆分为良品晶圆、污染晶圆和损伤晶圆，污染晶圆经清扫后再次送入第一检测台，若不合格则同损伤晶圆一同送入第二检测台再次检测，依据缺陷面积以及拓扑情况得到晶圆缺陷指数；将晶粒判定为合格晶粒、一般缺陷晶粒和重度缺陷晶粒。本发明解决了在晶圆管理过程中分类不明确和污渍误判的问题，确保晶圆管理过程中的可靠性和高效性。
Description
技术领域
本发明涉及晶圆缺陷检测技术领域，具体为晶圆表面缺陷检测方法及系统。
背景技术
半导体技术的飞速发展在当今社会中引起了广泛的重视，推动了通信、信息技术、嵌入式系统等领域的持续进步。在半导体生产过程中，晶圆作为半导体芯片的基础材料，其质量和完整性直接影响着集成电路的性能、可靠性和产业的发展。随着半导体技术的不断创新和进步，对晶圆质量和工艺的要求也在不断提高。因此，不断提升晶圆制造技术和管理水平，保障晶圆质量，将是半导体工业持续发展的关键。
然而，晶圆表面可能存在的缺陷问题，如氧化层问题、晶格缺陷、污染等，会影响到芯片的电性能、热特性和长期可靠性。因此，准确识别晶圆表面缺陷并实现晶圆损伤精细化管理变得至关重要。
例如，现有的申请公开号为CN115020260A的中国专利公开了一种晶圆缺陷检测方法以及晶圆检测装置，将检测区域为三个修改为至少四个，通过增加检测区域的数量，更能够准确判断检测区域是否存在真正的缺陷，避免将晶圆上的原本设计误认为缺陷的问题。但这种设计没有考虑到将晶圆表面污染、粉尘误判为缺陷等问题，且针对缺陷边缘模糊的问题也没有得到解决，降低了晶圆的利用率，为此，本发明提供一种可以对晶圆表面缺陷快速精准分级的晶圆表面缺陷检测方法及系统。
发明内容
本发明的目的在于提供一种晶圆表面缺陷检测方法及系统，以解决上述背景技术中提出的现有的问题。
为实现上述目的，本发明提供如下技术方案：一种晶圆表面缺陷检测方法，包括：
S1、晶圆在制造流水线上完成生产后通过晶圆传送平台传送至第一检测台；
S2、由所述第一检测台中传感器采集图像信息，对所述图像信息初步检测，得到晶圆缺陷边缘信息指数，所述图像信息初步检测包括以下步骤：
S21：对所述图像信息利用霍夫直线检测方法进行角度矫正，旋转角参数计算公式如下：/>，其中，/>表示检测到的每条直线的角度，/>表示检测到的直线数量，函数/>表示对括号内参数求和，则图像旋转矩阵为：，将原始图像应用于旋转矩阵/>，得到角度矫正后的图像；
S22：所述角度矫正后的图像经中值滤波处理得到去噪后的图像；
S23：所述去噪后的图像经过直方图均衡化处理后得到包含高灰度对比度和缺陷边缘信息的图像；
S24：将S23中得到的图像进行图像分割，并引入canny算子来计算图像的结构相似性指数作为所述晶圆缺陷边缘信息指数，所述晶圆缺陷边缘信息指数/>具体计算过程包括使用canny算子中梯度/>间的均值和标准差代替图像像素间的均值和标准差，缺陷边缘信息指数/>的计算公式为：
；
其中，，/>，，/>和/>分别表示/>和/>的平均值，/>和/>分别表示和/>的标准差，/>表示/>和/>之间的协方差，/>表示canny算子中的水平方向梯度，/>表示canny算子中的竖直方向梯度；
S3、设定边缘阈值、/>，将晶圆分为良品晶圆、污染晶圆和损伤晶圆；
当时，判定为良品晶圆；当/>时，判定为损伤晶圆；当/>时，判定为污染晶圆；
判定为污染的晶圆经清扫后再次送入第一检测台，若检测后，则判定为良品晶圆，若检测后/>，则同损伤晶圆一同送入第二检测台；
S4、所述第二检测台对所述图像信息再次检测，依据缺陷面积以及拓扑情况得到晶圆缺陷指数；
S5、设定损伤阈值和/>，当/>时，判定为轻微损伤，晶粒判定为合格晶粒，当/>时，判定为一般损伤，晶粒判定为一般缺陷晶粒，当/>时，判定为重度损伤，晶粒判定为重度缺陷晶粒。
本发明进一步改进在于，所述S4的步骤包括：
S41、运用粒子群优化的自适应阈值方法对晶圆图像进行图像分割，引入非线性递减权重更新策略，获得分割阈值，对图像二值化处理后分割图像得到晶粒；
S42、基于所述晶粒通过轮廓发现算法在二值图像中查找并提取缺陷轮廓，得到晶圆表面缺陷轮廓间的拓扑关系；
S43、依据所述缺陷轮廓，判断损伤类型，并获取不同缺陷轮廓的缺陷面积；
S44、判断晶圆表面缺陷轮廓间的拓扑关系，结合所述晶圆表面缺陷轮廓间的拓扑关系和所述缺陷面积得到晶圆缺陷指数，并对晶圆缺陷分级处理。
本发明进一步改进在于，S41中所述图像分割包括以下步骤：
S411、获取非线性惯性递减权重系数，实时更新粒子位置，非线性惯性递减权重系数计算公式如下：
；
其中表示非线性惯性递减权重系数，/>表示最小惯量，/>表示最大惯量，a和b分别表示控制曲线上的拐点对应的数值，/>表示目前迭代数，/>表示最大迭代数，依据所述非线性惯性递减权重系数确定粒子适应度，与之前粒子进行比较，从当前粒子和之前粒子中选择最佳位置作为适应性最佳的粒子位置；
S412、通过将适应性最佳的粒子位置设置为整个粒子群的位置，不断地更新粒子的状态；
S413、从所有粒子中选出的最佳位置对应于图像分割所需的最佳阈值，最佳阈值的计算公式：
其中，表示前景图像的平均灰度，/>表示背景图像的平均灰度，/>表示像元灰度值，/>表示图像分割阈值即为最佳阈值/>，/>表示阈值操作中每个像元灰度的取值范围，/>表示非线性惯性递减权重系数，通过最佳阈值/>作为Otsu算法的分割阈值得到分割后的晶粒，输出到S42中用于缺陷轮廓的提取。
本发明进一步改进在于，所述缺陷轮廓的提取通过findContours函数实现，通过在图像中查找前景像素的连续边界，遍历图像的每个像素，从一个边界点开始，追踪轮廓的连续边界像素，根据当前像素的位置和相邻像素的和当前像素的差异来确定轮廓的走向，获得轮廓数量以及缺陷轮廓间的拓扑关系，包括父轮廓、子轮廓和相邻轮廓。
本发明进一步改进在于，所述缺陷轮廓间的拓扑关系包括嵌套轮廓和外接轮廓，所述嵌套轮廓包括的拓扑关联和拓扑包含，所述外接轮廓包括拓扑邻接和拓扑连通。
本发明进一步改进在于，所述缺陷轮廓用于获取缺陷面积，所述缺陷面积的获取通过contourArea函数实现，根据轮廓的像素点计算得到所述缺陷轮廓的实际面积占比，所述缺陷面积包括第一等级、第二等级/>和第三等级/>。
本发明进一步改进在于，所述晶圆缺陷指数的确定包括以下步骤：
S441、根据晶圆表面缺陷轮廓间的拓扑关系将拓扑等级划分为A、B、C、D四个等级；
S442、结合所述晶圆表面缺陷轮廓间的拓扑关系和所述缺陷面积将晶圆表面缺陷等级细化为十二个等级A1、A2、A3、B1、B2、B3、C1、C2、C3、D1、D2、D3；
S443、为第一等级、第二等级/>、第三等级/>和等级A、B、C、D分配权重，通过拓扑等级和缺陷面积等级的权重的乘积并放大100倍计算得到细化后十二个等级的晶圆缺陷指数/>。
另一方面，本发明提供一种晶圆表面缺陷检测系统，包括：
第一缺陷检测模块，包括通过光学成像传感器完成图像采集与获取，通过缺陷初步检测分离出良品晶圆、污染晶圆和损伤晶圆；
污渍晶圆分离模块，将所述污染晶圆分离开来进行污渍清洗，得到清洗处理后的清洁晶圆；
第二缺陷检测模块，将所述清洁晶圆和所述损伤晶圆一同进行二次缺陷检测，得到晶圆缺陷指数；
缺陷分级模块，设定边缘阈值和/>用于第一缺陷检测模块，设定损伤阈值/>和/>用于第二缺陷检测模块，判别晶圆损伤等级类别；
机械传送模块，包括晶圆传送平台、第一检测台、第二检测台和晶圆清扫平台，通过所述晶圆传送平台将制造流水线上完成生产后的晶圆传送至第一检测台，所述第一检测台搭载所述第一缺陷检测模块，将所述第一缺陷检测模块分离出的污染晶圆通过所述晶圆传送平台输送至晶圆清扫平台进行清扫，所述晶圆清扫平台用于污染晶圆的清洗和处理，清扫后的晶圆再次送入第一检测台，若检测后晶圆缺陷边缘信息指数仍高于，则清扫后的晶圆同损伤晶圆通过晶圆传送平台传送至第二检测台，通过所述缺陷分级模块实现晶圆缺陷分级；
人机交互模块，提供用户交互界面，用于控制系统、查看结果和管理数据。
本发明进一步改进在于，所述缺陷检测模块包括图像预处理单元和特征提取单元，图像预处理单元用于执行图像的滤波去噪和增强步骤，特征提取单元用于图像分割和判断晶圆表面缺陷等级。
本发明进一步改进在于，所述边缘阈值、/>，将晶圆分为良品晶圆、污染晶圆和损伤晶圆，所述损伤阈值/>和/>，用于判定晶粒为合格晶粒、一般缺陷晶粒和重度缺陷晶粒。
与现有技术相比，本发明的有益效果是：
1、本发明首先通过在初次检测的图像分割中引入边缘检测算子，搭载简单算法，判定缺陷边缘不清晰的晶圆为污染晶圆，将缺陷边缘清晰的晶圆判定为其他缺陷晶圆，将清洗后仍被判定为缺陷晶圆的污染晶圆和其他缺陷晶圆一同进行二次检测，对于污染晶圆在第一缺陷检测模块即可分离，节约了检测时间。
2、在二次检测中，通过粒子群优化的Otsu算法进行图像分割，结合晶圆表面缺陷轮廓间的拓扑关系和缺陷面积设定权重，对晶圆缺陷分级，同时也可根据不同应用需求自行设置权重，实现了晶圆损伤精细化管理，操作者可以根据晶圆不同损伤情况对晶圆进行处理，确保晶圆管理过程中的可靠性和高效性。
附图说明
图1为本发明一种晶圆表面缺陷检测方法流程图；
图2为本发明一种晶圆表面缺陷检测方法示意图；
图3为本发明一种晶圆表面缺陷检测方法中初步检测预处理效果图；
图4为本发明一种晶圆表面缺陷检测系统框架图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，字符"/"，一般表示前后关联对象是一种“或”的关系。
实施例1
图1和图2分别展示了本实施例公开的一种晶圆表面缺陷检测方法的流程示意图，所述方法的步骤如下：
S1、晶圆在制造流水线上完成生产后通过晶圆传送平台传送至第一检测台；
S2、由所述第一检测台中传感器采集图像信息，对所述图像信息初步检测，得到晶圆缺陷边缘信息指数，包括以下步骤：
S21：对所述图像信息利用霍夫直线检测方法进行角度矫正，旋转角参数计算公式如下：/>，其中，/>表示检测到的每条直线的角度，/>表示检测到的直线数量，函数/>表示对括号内参数求和，则图像旋转矩阵为：，将原始图像应用于旋转矩阵/>，得到角度矫正后的图像；
S22：将角度矫正后的图像经中值滤波处理得到去噪后的图像，中值滤波后的像素值计算公式如下：
；
其中，表示对括号中的元素排序并取中位数，/>表示角度矫正后的图像中以左上角像素为坐标原点的坐标/>处的像素值，/>为大于零的正整数。
S23：将上述去噪后的图像经过图像增强手段，采用直方图均衡化处理后得到包含高灰度对比度和缺陷边缘信息的图像；
图3展示了本发明初步检测中预处理效果。
S24：将S23中得到的图像进行图像分割，并引入canny算子来计算图像的结构相似性指数作为所述晶圆缺陷边缘信息指数，具体计算过程包括使用canny算子中梯度间的均值和标准差代替图像像素间的均值和标准差，水平方向和竖直方向梯度的计算公式为：
；
；
其中，表示像素点坐标/>处的高斯函数值；
结构相似性指数的计算包含三个方面：亮度相似性、对比度相似性和结构相似性/>，计算公式分别如下：
；
；
；
其中，和/>分别表示/>和/>的平均值，/>和/>分别表示/>和的标准差，/>表示/>和/>之间的协方差。
则缺陷边缘信息指数的计算公式为：
；
缺陷边缘信息指数值越接近1，表示图像中缺陷边缘越清晰。
S3、由步骤S24可以设定边缘阈值、/>，将晶圆分为良品晶圆、污染晶圆和损伤晶圆；
当时，判定为良品晶圆，当/>时，判定为损伤晶圆，当/>时，判定为污染晶圆；
判定为污染的晶圆经清扫后再次送入第一检测台，若检测后，则可判定为良品晶圆，若检测后/>，则同损伤晶圆一同送入第二检测台；
S4、所述第二检测台对所述图像信息再次检测，依据缺陷面积以及拓扑情况得到晶圆缺陷指数，具体步骤包括：
S41、运用粒子群优化的自适应阈值方法对晶圆图像进行图像分割，引入非线性递减权重更新策略，获得分割阈值，对图像二值化处理后分割图像得到晶粒，具体流程包括：
S411、获取非线性惯性递减权重系数，实时更新粒子位置，非线性惯性递减权重系数计算公式如下：
；
其中表示非线性惯性递减权重系数，/>表示最小惯量，/>表示最大惯量，在本实施例中，/>取0.4，/>取0.9，/>表示目前迭代数，/>表示最大迭代数，a和b分别表示控制曲线上的拐点对应的数值，根据最佳更新策略，a和b的取值分别为4和10，依据所述非线性惯性递减权重系数确定粒子适应度，与之前粒子进行比较，从当前粒子和之前粒子中选择最佳位置作为适应性最佳的粒子位置；
S412、通过将适应性最佳的粒子位置设置为整个粒子群的位置，不断地更新粒子的状态；
S413、从所有粒子中选出最佳位置，该位置对应于图像分割所需的最佳阈值作为Otsu算法的分割阈值，设图像像元个数和灰度值分别为/>和/>，/>表示阈值操作中每个像元灰度的取值范围，前景图像的平均灰度为/>，背景图像的平均灰度为，则/>的类间分割方差/>为/>，类间方差/>最大的分割阈值/>值即为最佳阈值/>，即Otsu算法确定的最佳阈值为：
所得阈值用于图像的二值化处理，得到分割后的晶粒，输出到S42中缺陷轮廓的提取。
S42、基于所述晶粒通过轮廓发现算法在二值图像中查找并提取缺陷轮廓，得到晶圆表面缺陷轮廓间的拓扑关系；
缺陷轮廓的提取通过findContours函数实现，通过在图像中查找前景像素的连续边界，遍历图像的每个像素，从一个边界点开始，追踪轮廓的连续边界像素，根据当前像素的位置和相邻像素的状态来确定轮廓的走向，获得轮廓数量以及缺陷轮廓间的拓扑关系，包括父轮廓、子轮廓和相邻轮廓；缺陷轮廓间的拓扑关系包括嵌套轮廓和外接轮廓，所述嵌套轮廓包括的拓扑关联和拓扑包含，所述外接轮廓包括拓扑邻接和拓扑连通。
S43、依据所述缺陷轮廓，判断损伤类型，并获取不同缺陷轮廓的缺陷面积，缺陷面积的获取通过contourArea函数实现，根据轮廓的像素点计算得到所述缺陷轮廓的实际面积占比，所述第一等级的缺陷轮廓的实际面积占比范围，所述第二等级的缺陷轮廓的实际面积占比范围/>，所述第三等级的缺陷轮廓的实际面积占比范围；
S44、判断晶圆表面缺陷轮廓间的拓扑关系，结合所述晶圆表面缺陷轮廓间的拓扑关系和所述缺陷面积得到晶圆缺陷指数，并对晶圆缺陷分级处理，具体步骤包括：
S441、根据晶圆表面缺陷轮廓间的拓扑关系将拓扑等级划分四个等级，包括A、B、C、D，晶圆中包含三个以上缺陷轮廓设为等级A，包含两个缺陷轮廓且存在嵌套轮廓设置为等级B，包含两个缺陷轮廓且存在嵌套轮廓设置为等级C，只包含一个缺陷轮廓设为等级D；
S442、结合所述晶圆表面缺陷轮廓间的拓扑关系和所述缺陷面积将晶圆表面缺陷等级细化为十二个等级A1、A2、A3、B1、B2、B3、C1、C2、C3、D1、D2、D3，1至3分别对应晶圆缺陷轮廓的实际面积占比范围的三个等级；
S443、为所述第一等级、第二等级/>、第三等级/>和等级A、B、C、D分配权重：
，/>，/>，/>，/>，/>，/>，通过拓扑等级和缺陷面积等级的权重的乘积并放大100倍计算得到所有等级晶圆缺陷指数/>，则/>，/>，/>，/>，/>，/>，，/>，/>，/>，/>，/>。
S5、设定阈值和/>，当/>时，判定为轻微损伤，晶粒判定为合格晶粒，当/>时，判定为一般损伤，晶粒判定为一般缺陷晶粒，当/>时，判定为重度损伤，晶粒判定为重度缺陷晶粒，因此，当晶圆缺陷等级为D2、B1、C1、D1时判定为轻微损伤，晶粒判定为合格晶粒，当晶圆缺陷等级为A1、B1、C2、D3时，判定为一般损伤，晶粒判定为一般缺陷晶粒，当晶圆缺陷等级为A3、A2、B3、C3时，判定为重度损伤，晶粒判定为重度缺陷晶粒。
所述阈值及权重的设定可以根据本发明默认设置，也可由操作人员自行设置。
实施例2
图4展示了本发明一种晶圆表面缺陷检测系统框架图，与实施例1基于相同的发明构思，本实施例提供一种晶圆表面缺陷检测系统，包括：
第一缺陷检测模块，包括通过光学成像传感器完成图像采集与获取，通过缺陷初步检测分离出良品晶圆、污染晶圆和损伤晶圆；
污渍晶圆分离模块，将所述污染晶圆分离开来进行污渍清洗，得到清洗处理后的清洁晶圆；
第二缺陷检测模块，将所述清洁晶圆和所述损伤晶圆一同进行二次缺陷检测，得到晶圆缺陷指数；
缺陷分级模块，设定边缘阈值和/>用于第一缺陷检测模块，设定损伤阈值/>和/>用于第二缺陷检测模块，判别晶圆损伤等级类别；
机械传送模块，包括晶圆传送平台、第一检测台、第二检测台和晶圆清扫平台，通过所述晶圆传送平台将制造流水线上完成生产后的晶圆传送至第一检测台，所述第一检测台搭载所述第一缺陷检测模块，将所述第一缺陷检测模块分离出的污染晶圆通过所述晶圆传送平台输送至晶圆清扫平台进行清扫，所述晶圆清扫平台用于污染晶圆的清洗和处理，清扫后的晶圆再次送入第一检测台，若检测后晶圆缺陷边缘信息指数仍高于，则清扫后的晶圆同损伤晶圆通过晶圆传送平台传送至第二检测台，通过所述缺陷分级模块实现晶圆缺陷分级；
人机交互模块，提供用户交互界面，用于控制系统、查看结果和管理数据。
所述缺陷检测模块包括图像预处理单元和特征提取单元，图像预处理单元用于执行图像的滤波去噪和增强步骤，特征提取单元用于图像分割和判断晶圆表面缺陷等级。
所述边缘阈值、/>，将晶圆分为良品晶圆、污染晶圆和损伤晶圆，所述损伤阈值/>和/>，用于判定晶粒为合格晶粒、一般缺陷晶粒和重度缺陷晶粒。
所述阈值及权重的设定可以根据本发明默认设置，也可由操作人员自行设置，通过人机交互模块实现，人机交互模块提供一种设置权重及阈值的操作界面，还提供一种结果查看界面，便于操作者管理数据。
综上实施例，本发明首先通过在初次检测的图像分割单元中引入边缘检测算子，搭载简单算法，判定缺陷边缘不清晰的晶圆缺陷为污染晶圆，将缺陷边缘清晰的晶圆判定为其他缺陷晶圆，污染晶圆清洗后和其他缺陷晶圆一同进行二次检测，在二次检测中，通过粒子群优化的Otsu算法进行图像分割，结合晶圆表面缺陷轮廓间的拓扑关系和缺陷面积设定权重，对晶圆缺陷分级，同时也可根据不同应用需求自行设置权重，对于污染晶圆在第一缺陷检测模块即可分离，节约了检测时间，实现了晶圆损伤精细化管理，操作者可以根据晶圆不同损伤情况对晶圆进行处理，确保晶圆管理过程中的可靠性和高效性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种晶圆表面缺陷检测方法，其特征在于：包括以下步骤：
S1、晶圆在制造流水线上完成生产后通过晶圆传送平台传送至第一检测台；
S2、由所述第一检测台中传感器采集图像信息，对所述图像信息初步检测，得到晶圆缺陷边缘信息指数，所述图像信息初步检测包括以下步骤：
S21：对所述图像信息利用霍夫直线检测方法进行角度矫正，旋转角参数计算公式如下：/>，其中，/>表示检测到的每条直线的角度，/>表示检测到的直线数量，函数/>表示对括号内参数求和，则图像旋转矩阵为：，将原始图像应用于旋转矩阵/>，得到角度矫正后的图像；
S22：所述角度矫正后的图像经中值滤波处理得到去噪后的图像；
S23：所述去噪后的图像经过直方图均衡化处理后得到包含高灰度对比度和缺陷边缘信息的图像；
S24：将S23中得到的图像进行图像分割，并引入canny算子来计算图像的结构相似性指数作为所述晶圆缺陷边缘信息指数，所述晶圆缺陷边缘信息指数/>具体计算过程包括使用canny算子中梯度/>间的均值和标准差代替图像像素间的均值和标准差，缺陷边缘信息指数/>的计算公式为：
；
其中，，/>，/>，和/>分别表示/>和/>的平均值，/>和/>分别表示/>和/>的标准差，/>表示/>和/>之间的协方差，/>表示canny算子中的水平方向梯度，表示canny算子中的竖直方向梯度；
S3、设定边缘阈值、/>，将晶圆分为良品晶圆、污染晶圆和损伤晶圆；
当时，判定为良品晶圆；当/>时，判定为损伤晶圆；当/>时，判定为污染晶圆；
判定为污染的晶圆经清扫后再次送入第一检测台，若检测后，则判定为良品晶圆，若检测后/>，则同损伤晶圆一同送入第二检测台；
S4、所述第二检测台对所述图像信息再次检测，依据缺陷面积以及拓扑情况得到晶圆缺陷指数；
S5、设定损伤阈值和/>，当/>时，判定为轻微损伤，晶粒判定为合格晶粒，当/>时，判定为一般损伤，晶粒判定为一般缺陷晶粒，当/>时，判定为重度损伤，晶粒判定为重度缺陷晶粒。
2.根据权利要求1所述的一种晶圆表面缺陷检测方法，其特征在于：所述S4的步骤包括：
S41、运用粒子群优化的自适应阈值方法对晶圆图像进行图像分割，引入非线性递减权重更新策略，获得分割阈值，对图像二值化处理后分割图像得到晶粒；
S42、基于所述晶粒通过轮廓发现算法在二值图像中查找并提取缺陷轮廓，得到晶圆表面缺陷轮廓间的拓扑关系；
S43、依据所述缺陷轮廓，判断损伤类型，并获取不同缺陷轮廓的缺陷面积；
S44、判断晶圆表面缺陷轮廓间的拓扑关系，结合所述晶圆表面缺陷轮廓间的拓扑关系和所述缺陷面积得到晶圆缺陷指数，并对晶圆缺陷分级处理。
3.根据权利要求2所述的一种晶圆表面缺陷检测方法，其特征在于：S41中所述图像分割包括以下步骤：
S411、获取非线性惯性递减权重系数，实时更新粒子位置，非线性惯性递减权重系数计算公式如下：
；
其中表示非线性惯性递减权重系数，/>表示最小惯量，/>表示最大惯量，a和b分别表示控制曲线上的拐点对应的数值，/>表示目前迭代数，/>表示最大迭代数，依据所述非线性惯性递减权重系数确定粒子适应度，与之前粒子进行比较，从当前粒子和之前粒子中选择最佳位置作为适应性最佳的粒子位置；
S412、通过将适应性最佳的粒子位置设置为整个粒子群的位置，不断地更新粒子的状态；
S413、从所有粒子中选出的最佳位置对应于图像分割所需的最佳阈值，最佳阈值的计算公式：
；
其中，表示前景图像的平均灰度，/>表示背景图像的平均灰度，/>表示像元灰度值，/>表示图像分割阈值即为最佳阈值/>，/>表示阈值操作中每个像元灰度的取值范围，/>表示非线性惯性递减权重系数，通过最佳阈值/>作为Otsu算法的分割阈值得到分割后的晶粒，输出到S42中用于缺陷轮廓的提取。
4.根据权利要求3所述的一种晶圆表面缺陷检测方法，其特征在于：所述缺陷轮廓的提取通过findContours函数实现，通过在图像中查找前景像素的连续边界，遍历图像的每个像素，从一个边界点开始，追踪轮廓的连续边界像素，根据当前像素的位置和相邻像素与当前像素的差异来确定轮廓的走向，获得轮廓数量以及缺陷轮廓间的拓扑关系，包括父轮廓、子轮廓和相邻轮廓。
5.根据权利要求4所述的一种晶圆表面缺陷检测方法，其特征在于：所述缺陷轮廓间的拓扑关系包括嵌套轮廓和外接轮廓，所述嵌套轮廓包括拓扑关联和拓扑包含，所述外接轮廓包括拓扑邻接和拓扑连通。
6.根据权利要求5所述的一种晶圆表面缺陷检测方法，其特征在于：所述缺陷轮廓用于获取缺陷面积，所述缺陷面积的获取通过contourArea函数实现，根据轮廓的像素点计算得到所述缺陷轮廓的实际面积占比，所述缺陷面积包括第一等级、第二等级/>和第三等级/>。
7.根据权利要求6所述的一种晶圆表面缺陷检测方法，其特征在于：所述晶圆缺陷指数的确定包括以下步骤：
S441、根据晶圆表面缺陷轮廓间的拓扑关系将拓扑等级划分为A、B、C、D四个等级；
S442、结合所述晶圆表面缺陷轮廓间的拓扑关系和所述缺陷面积将晶圆表面缺陷等级细化为十二个等级A1、A2、A3、B1、B2、B3、C1、C2、C3、D1、D2、D3；
S443、为第一等级、第二等级/>、第三等级/>和等级A、B、C、D分配权重，通过拓扑等级和缺陷面积等级的权重的乘积并放大100倍计算得到细化后十二个等级的晶圆缺陷指数/>。
8.一种晶圆表面缺陷检测系统，用于执行如权利要求1-7任意一项所述的一种晶圆表面缺陷检测方法，其特征在于：包括：
第一缺陷检测模块，包括通过光学成像传感器完成图像采集与获取，通过缺陷初步检测分离出良品晶圆、污染晶圆和损伤晶圆；
污渍晶圆分离模块，将所述污染晶圆分离开来进行污渍清洗，得到清洗处理后的清洁晶圆；
第二缺陷检测模块，将所述清洁晶圆和所述损伤晶圆一同进行二次缺陷检测，得到晶圆缺陷指数；
缺陷分级模块，设定边缘阈值和/>用于第一缺陷检测模块，设定损伤阈值/>和/>用于第二缺陷检测模块，判别晶圆损伤等级类别；
机械传送模块，包括晶圆传送平台、第一检测台、第二检测台和晶圆清扫平台，通过所述晶圆传送平台将制造流水线上完成生产后的晶圆传送至第一检测台，所述第一检测台搭载所述第一缺陷检测模块，将所述第一缺陷检测模块分离出的污染晶圆通过所述晶圆传送平台输送至晶圆清扫平台进行清扫，所述晶圆清扫平台用于污染晶圆的清洗和处理，清扫后的晶圆再次送入第一检测台，若检测后晶圆缺陷边缘信息指数仍高于，则清扫后的晶圆同损伤晶圆通过晶圆传送平台传送至第二检测台，通过所述缺陷分级模块实现晶圆缺陷分级；
人机交互模块，提供用户交互界面，用于控制系统、查看结果和管理数据。
9.根据权利要求8所述的一种晶圆表面缺陷检测系统，其特征在于：所述缺陷检测模块包括图像预处理单元和特征提取单元，图像预处理单元用于执行图像的滤波去噪和增强步骤，特征提取单元用于图像分割和判断晶圆表面缺陷等级。
10.根据权利要求8所述的一种晶圆表面缺陷检测系统，其特征在于：所述边缘阈值、/>，将晶圆分为良品晶圆、污染晶圆和损伤晶圆，所述损伤阈值和/>，用于判定晶粒为合格晶粒、一般缺陷晶粒和重度缺陷晶粒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311049508.6A CN116773548B (zh) | 2023-08-21 | 2023-08-21 | 一种晶圆表面缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311049508.6A CN116773548B (zh) | 2023-08-21 | 2023-08-21 | 一种晶圆表面缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116773548A CN116773548A (zh) | 2023-09-19 |
| CN116773548B true CN116773548B (zh) | 2023-11-07 |
Family
ID=88011924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311049508.6A Active CN116773548B (zh) | 2023-08-21 | 2023-08-21 | 一种晶圆表面缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116773548B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116978834B (zh) * | 2023-09-20 | 2023-11-24 | 泓浒(苏州)半导体科技有限公司 | 一种用于晶圆生产的智能监测预警系统 |
| CN117541531B (zh) * | 2023-09-28 | 2024-06-14 | 苏州梅曼智能科技有限公司 | 一种基于人工智能的晶圆视觉检测监管反馈系统 |
| 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 |
| CN118372382B (zh) * | 2024-06-26 | 2024-09-17 | 江苏华芯智造半导体有限公司 | 一种基于机器视觉的半导体晶圆智能切割系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000338047A (ja) * | 1999-05-26 | 2000-12-08 | Sumitomo Metal Ind Ltd | 結晶欠陥の検査方法及び検査装置 |
| CN104025276A (zh) * | 2011-11-07 | 2014-09-03 | Bt成像股份有限公司 | 用于光伏电池制造的晶圆分级和分类 |
| CN109615612A (zh) * | 2018-11-20 | 2019-04-12 | 华南理工大学 | 一种太阳能电池板的缺陷检测方法 |
| CN115193750A (zh) * | 2022-07-14 | 2022-10-18 | 广东全芯半导体有限公司 | 半导体晶圆缺陷检测系统 |
| CN116385770A (zh) * | 2023-03-03 | 2023-07-04 | 清华大学 | Pcb缺陷板标注和存储方法、系统、电子设备及存储介质 |
-
2023
- 2023-08-21 CN CN202311049508.6A patent/CN116773548B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000338047A (ja) * | 1999-05-26 | 2000-12-08 | Sumitomo Metal Ind Ltd | 結晶欠陥の検査方法及び検査装置 |
| CN104025276A (zh) * | 2011-11-07 | 2014-09-03 | Bt成像股份有限公司 | 用于光伏电池制造的晶圆分级和分类 |
| CN109615612A (zh) * | 2018-11-20 | 2019-04-12 | 华南理工大学 | 一种太阳能电池板的缺陷检测方法 |
| CN115193750A (zh) * | 2022-07-14 | 2022-10-18 | 广东全芯半导体有限公司 | 半导体晶圆缺陷检测系统 |
| CN116385770A (zh) * | 2023-03-03 | 2023-07-04 | 清华大学 | Pcb缺陷板标注和存储方法、系统、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 基于改进Otsu 算法的生菜叶片图像分割方法;孙俊等;江苏大学学报;第39卷(第2期);第179-184页 * |
| 基于机器视觉的晶圆缺陷检测系统分析与设计;陈治杉;中国优秀硕士学位论文全文数据库 信息科技辑(第9期);第16-36页 * |
| 基于机器视觉的晶粒检测方法研究;宋鹏;中国优秀硕士学位论文全文数据库 信息科技辑(第7期);第12、27页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116773548A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116773548B (zh) | 一种晶圆表面缺陷检测方法及系统 | |
| CN110286126B (zh) | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 | |
| CN114581742B (zh) | 基于线性度的连通域聚类融合方法、装置、系统及介质 | |
| CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
| CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
| CN109671078B (zh) | 一种产品表面图像异常检测方法及装置 | |
| WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
| CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
| WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN109378279B (zh) | 晶圆检测方法及晶圆检测系统 | |
| CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
| CN107784660B (zh) | 图像处理方法、图像处理系统及缺陷检测装置 | |
| CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
| CN116777907A (zh) | 一种钣金件质量检测方法 | |
| CN112991259B (zh) | 一种半导体制程缺陷的检测方法及系统 | |
| CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN115274486B (zh) | 一种半导体表面缺陷识别方法 | |
| CN113834816A (zh) | 基于机器视觉的光伏电池缺陷在线检测方法及系统 | |
| CN117576095B (zh) | 一种多尺度学习任务的金属表面缺陷检测和分类方法 | |
| CN112213314B (zh) | 晶圆侧面缺陷的检测方法和检测系统 | |
| CN113129265B (zh) | 瓷砖表面缺陷检测方法、装置及存储介质 | |
| CN111754497B (zh) | 一种基于几何代数的工业缺陷检测方法和系统 | |
| CN109934817A (zh) | 一种果体外部轮廓畸形检测方法 | |
| CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
| CN111563869A (zh) | 用于摄像模组质检的污点测试方法 |
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 |