CN116777815A - 晶圆缺陷检测方法及设备 - Google Patents
晶圆缺陷检测方法及设备 Download PDFInfo
- Publication number
- CN116777815A CN116777815A CN202210225625.2A CN202210225625A CN116777815A CN 116777815 A CN116777815 A CN 116777815A CN 202210225625 A CN202210225625 A CN 202210225625A CN 116777815 A CN116777815 A CN 116777815A
- Authority
- CN
- China
- Prior art keywords
- defect
- defect image
- block
- image
- points
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 885
- 238000001514 detection method Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 23
- 238000009828 non-uniform distribution Methods 0.000 claims description 17
- 238000009827 uniform distribution Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 11
- 238000005070 sampling Methods 0.000 abstract description 7
- 239000004065 semiconductor Substances 0.000 abstract description 5
- 235000012431 wafers Nutrition 0.000 description 79
- 230000003287 optical effect Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 241001422033 Thestylus Species 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- -1 etc.) Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Abstract
本公开实施例提供了一种晶圆缺陷检测方法及设备,涉及半导体技术领域,上述方法包括:获取待测晶圆在经过目标站点之前检测到的第一缺陷图像与经过目标站点之后检测到的第二缺陷图像;在第一缺陷图像与第二缺陷图像的相同区域内选取若干个目标缺陷点;根据在第一缺陷图像与第二缺陷图像中选取的目标缺陷点,确定第一缺陷图像与第二缺陷图像之间的差异缺陷点数量。本公开实施例通过采用抽样检测方式,不需要对所有的缺陷点进行对比,因此可以有效降低晶圆缺陷检测过程中的计算量,降低检测成本。
Description
技术领域
本公开实施例涉及半导体技术领域,尤其涉及一种晶圆缺陷检测方法及设备。
背景技术
随着半导体器件制造工艺的发展,晶圆缺陷检测已经成为提升半导体器件良率的一项不可或缺的手段。
目前的晶圆缺陷检测方法一般是对于同一片晶圆,在某制程站点前后分别做表面缺陷检测,然后比较这两次检测结果中存在的晶圆缺陷的位置,来得知该制程站点对晶圆所造成的缺陷,进而帮助工程人员去追查导致该缺陷的原因。
然而,由于在检测过程中同一晶圆可能出现的缺陷非常多,因此在比较两次检测结果中存在的晶圆缺陷的位置时,需要进行的计算量非常大,增加了后端运算服务器的负担,导致检测成本较高。
发明内容
本公开实施例提供了一种晶圆缺陷检测方法及设备,可以降低晶圆缺陷检测过程中的计算量,有效降低检测成本。
第一方面,本公开实施例提供了一种晶圆缺陷检测方法,包括:
获取待测晶圆在经过目标站点之前检测到的第一缺陷图像与经过所述目标站点之后检测到的第二缺陷图像;
在所述第一缺陷图像与所述第二缺陷图像的相同区域内选取若干个目标缺陷点;
根据在所述第一缺陷图像与所述第二缺陷图像中选取的目标缺陷点,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
在一种可行的实施方式中,所述在所述第一缺陷图像与所述第二缺陷图像的相同区域内选取若干个目标缺陷点,包括:
采用相同的划分方式,将所述第一缺陷图像与所述第二缺陷图像分别划分为多个区块;
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的均匀分布条件或稀疏分布条件时,在所述第一缺陷图像与所述第二缺陷图像的相同位置分别选择至少一个区块,并将已选择的区块中的缺陷点作为所述目标缺陷点;
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,在所述第一缺陷图像与所述第二缺陷图像的每一个区块中按照预设抽取比例抽取部分缺陷点作为所述目标缺陷点。
在一种可行的实施方式中,所述将所述第一缺陷图像与所述第二缺陷图像分别划分为多个区块,包括:
将所述第一缺陷图像与所述第二缺陷图像的外切矩形划分为多个区块。
在一种可行的实施方式中,所述将所述第一缺陷图像与所述第二缺陷图像的外切矩形划分为多个区块之后,还包括:
确定每个所述区块内含有的所述第一缺陷图像或所述第二缺陷图像的面积占每个所述区块的总面积的比例;
根据每个所述区块内含有的所述第一缺陷图像或所述第二缺陷图像的面积占每个所述区块的总面积的比例,确定每个所述区块对应的加权系数。
在一种可行的实施方式中,所述根据在所述第一缺陷图像与所述第二缺陷图像中选取的目标缺陷点,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量,包括:
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足所述均匀分布条件或稀疏分布条件时,确定在所述第一缺陷图像选择的第一区块与在所述第二缺陷图像选择的第二区块中位置相同的第一目标缺陷点;
将所述第二区块中除所述第一目标缺陷点之外的目标缺陷点确定为所述第一区块与所述第二区块之间的差异缺陷点;
根据所述第一区块与所述第二区块之间的差异缺陷点的数量、所述第二区块对应的加权系数以及所述第二缺陷图像划分的区块个数,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
在一种可行的实施方式中,所述根据所述第一区块与所述第二区块之间的差异缺陷点的数量、所述第二区块对应的加权系数以及所述第二缺陷图像划分的区块个数,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量,包括:
按照以下方式计算所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量B:
B=A*D*(P/L)*(S1/S2)
其中,A表示所述第一区块与所述第二区块之间的差异缺陷点的数量,D表示所述第二区块对应的加权系数,P表示所述第二缺陷图像划分的区块个数,L为正整数,且L≤P,L表示所述第一区块或所述第二区块的数量,S1表示所述第二缺陷图像的面积,S2表示所述第二缺陷图像的外切矩形的面积。
在一种可行的实施方式中,所述根据在所述第一缺陷图像与所述第二缺陷图像中选取的目标缺陷点,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量,包括:
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,确定在所述第一缺陷图像与所述第二缺陷图像的每一个区块中抽取的目标缺陷点中位置相同的第一目标缺陷点;
将所述第二缺陷图像的每一个区块抽取的目标缺陷点中除所述第一目标缺陷点之外的目标缺陷点,确定为所述第一缺陷图像的每一个区块与所述第二缺陷图像对应的区块之间的差异缺陷点;
根据所述第一缺陷图像的每一个区块与所述第二缺陷图像对应的区块之间的差异缺陷点的数量、所述第二缺陷图像的每一个区块对应的加权系数以及所述预设抽取比例,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
在一种可行的实施方式中,所述根据所述第一缺陷图像的每一个区块与所述第二缺陷图像对应的区块之间的差异缺陷点的数量、所述第二缺陷图像的每一个区块对应的加权系数以及所述预设抽取比例,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量,包括:
按照以下方式计算所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量B:
其中,Zi表示所述第一缺陷图像的第i个区块中抽取的目标缺陷点与所述第二缺陷图像的第i个区块中抽取的目标缺陷点之间的差异缺陷点的数量,Di表示所述第二缺陷图像的第i个区块对应的加权系数,P表示所述第二缺陷图像划分的区块个数,C%表示所述预设抽取比例,S1表示所述第二缺陷图像的面积,S2表示所述第二缺陷图像的外切矩形的面积。
第二方面,本公开实施例提供了一种晶圆缺陷检测装置,包括:
获取模块,用于获取待测晶圆在经过目标站点之前检测到的第一缺陷图像与经过所述目标站点之后检测到的第二缺陷图像;
选取模块,用于在所述第一缺陷图像与所述第二缺陷图像的相同区域内选取若干个目标缺陷点;
处理模块,用于根据在所述第一缺陷图像与所述第二缺陷图像中选取的目标缺陷点,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
在一种可行的实施方式中,所述选取模块具体用于:
采用相同的划分方式,将所述第一缺陷图像与所述第二缺陷图像分别划分为多个区块;
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的均匀分布条件或稀疏分布条件时,在所述第一缺陷图像与所述第二缺陷图像的相同位置分别选择至少一个区块,并将已选择的区块中的缺陷点作为所述目标缺陷点;
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,在所述第一缺陷图像与所述第二缺陷图像的每一个区块中按照预设抽取比例抽取部分缺陷点作为所述目标缺陷点。
在一种可行的实施方式中,所述选取模块具体用于:
将所述第一缺陷图像与所述第二缺陷图像的外切矩形划分为多个区块。
在一种可行的实施方式中,所述选取模块具体还用于:
确定每个所述区块内含有的所述第一缺陷图像或所述第二缺陷图像的面积占每个所述区块的总面积的比例;
根据每个所述区块内含有的所述第一缺陷图像或所述第二缺陷图像的面积占每个所述区块的总面积的比例,确定每个所述区块对应的加权系数。
在一种可行的实施方式中,所述处理模块具体用于:
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足所述均匀分布条件或稀疏分布条件时,确定在所述第一缺陷图像选择的第一区块与在所述第二缺陷图像选择的第二区块中位置相同的第一目标缺陷点;
将所述第二区块中除所述第一目标缺陷点之外的目标缺陷点确定为所述第一区块与所述第二区块之间的差异缺陷点;
根据所述第一区块与所述第二区块之间的差异缺陷点的数量、所述第二区块对应的加权系数以及所述第二缺陷图像划分的区块个数,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
在一种可行的实施方式中,所述处理模块具体用于:
按照以下方式计算所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量B:
B=A*D*(P/L)*(S1/S2)
其中,A表示所述第一区块与所述第二区块之间的差异缺陷点的数量,D表示所述第二区块对应的加权系数,P表示所述第二缺陷图像划分的区块个数,L为正整数,且L≤P,L表示所述第一区块或所述第二区块的数量,S1表示所述第二缺陷图像的面积,S2表示所述第二缺陷图像的外切矩形的面积。
在一种可行的实施方式中,所述处理模块具体用于:
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,确定在所述第一缺陷图像与所述第二缺陷图像的每一个区块中抽取的目标缺陷点中位置相同的第一目标缺陷点;
将所述第二缺陷图像的每一个区块抽取的目标缺陷点中除所述第一目标缺陷点之外的目标缺陷点,确定为所述第一缺陷图像的每一个区块与所述第二缺陷图像对应的区块之间的差异缺陷点;
根据所述第一缺陷图像的每一个区块与所述第二缺陷图像对应的区块之间的差异缺陷点的数量、所述第二缺陷图像的每一个区块对应的加权系数以及所述预设抽取比例,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
在一种可行的实施方式中,所述处理模块具体用于:
按照以下方式计算所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量B:
其中,Zi表示所述第一缺陷图像的第i个区块中抽取的目标缺陷点与所述第二缺陷图像的第i个区块中抽取的目标缺陷点之间的差异缺陷点的数量,Di表示所述第二缺陷图像的第i个区块对应的加权系数,P表示所述第二缺陷图像划分的区块个数,C%表示所述预设抽取比例,S1表示所述第二缺陷图像的面积,S2表示所述第二缺陷图像的外切矩形的面积。
第三方面,本公开实施例提供了一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如第一方面提供的晶圆缺陷检测方法。
第四方面,本公开实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如第一方面提供的晶圆缺陷检测方法。
本公开实施例提供的晶圆缺陷检测方法及设备,在对晶圆检测缺陷图像进行分析时,通过采用抽样检测的方式,不需要对所有的缺陷点进行对比,因此可以有效降低晶圆缺陷检测过程中的计算量,降低检测成本。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对本公开实施例或现有技术描述中所需要使用的附图进行简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施例,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它的附图。
图1为本公开实施例中提供的一种晶圆缺陷检测方法的流程示意图;
图2为本公开实施例中同一片晶圆在某制程站点前后分别做表面缺陷检测得到的晶圆缺陷图像;
图3为本公开实施例中提供的一种晶圆缺陷检测方法的步骤流程示意图;
图4为本公开实施例中提供的一种将缺陷图像划分为多个区块的示意图;
图5为本公开实施例中提供的一种缺陷检测方式的部分示意图一;
图6为本公开实施例中提供的一种缺陷检测方式的部分示意图二;
图7为本公开实施例中提供的一种晶圆缺陷检测装置的程序模块示意图;
图8为本公开实施例中提供的一种电子设备的硬件结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。此外,虽然本公开中公开内容按照示范性一个或几个实例来介绍,但应理解,可以就这些公开内容的各个方面也可以单独构成一个完整实施方式。
需要说明的是,本公开中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本公开的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
本公开中说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似或同类的对象或实体,而不必然意味着限定特定的顺序或先后次序,除非另外注明。应该理解这样使用的用语在适当情况下可以互换,例如能够根据本公开实施例图示或描述中给出那些以外的顺序实施。
此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的那些组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
本公开中使用的术语“模块”,是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合,能够执行与该元件相关的功能。
在半导体领域,对于晶圆表面缺陷检测的要求,一般是要求高效准确,能够捕捉有效缺陷,实现实时检测。较为普遍的表面检测技术主要可以分为两大类:针接触法和非接触法。
其中,接触法以针触法为代表;非接触法又可以分为原子力法和光学法。在具体使用时,又可以分为成像的和非成像的。
针触法顾名思义是通过触针与被检材料的接触来进行检测,是制造业中比较早的表面检测方法。被测表面的形状轮廓信息是通过触针传递给传感器的,所以触针的大小和形状就显得尤其重要。按照针触法的检测原理,针尖的半径趋近于0才有可能检测到被测物真实的轮廓。但是触针的针尖越细,被测表面产生的压力也会越大,触针容易受到磨损,划伤被测物表面。
目前,常用的成像检测方法主要包括自动光学检测、X射线检测、电子束检测等。扫描电子显微镜(Scanning Electron Microscope,简称SEM)是用电子束去扫描样品,造成样品的二次电子发射,二次电子能够产生样品表面放大的形貌像,这种图像是逐点成像放大,有一定的顺序。SEM的优点是分辨率极高。
X射线无损检测技术与数字图像处理技术相结合,可以对器件内部连线进行高分辨率检测。
自动光学检测(Automated Optical Inspection,简称AOI)技术是一种基于光学原理的检测技术,它通过精密仪器平台的运动、图像采集装置结合数字图像处理技术,对样品表面的缺陷进行检测,优点是检测速度较快。
晶圆表面的缺陷类型很多,既有可能是工艺产生也有可能材质本身的缺陷。采用不同的缺陷检测方式,可能会对缺陷进行不同的划分。综合考虑缺陷的物理属性和后面缺陷检测算法的针对性,缺陷可以简单地分为表面冗余物(颗粒,污染物等)、晶体缺陷(滑移线缺陷,堆垛层错)、划痕、图案缺陷(针对图案晶圆)等。
本公开涉及内存芯片制造过程中经过缺陷检测机(Defect Inspect Equipment)做芯片的表面缺陷(defect)检测,尤其涉及两次以上检测结果的缺陷位置比较,通过抽样概念减少计算复杂度,可以应用于缺陷检测结果的大量比较计算。
目前,常见的晶圆缺陷检测方法一般是对于同一片晶圆,在某制程站点前后分别做表面缺陷检测,然后比较这两次检测结果中存在的晶圆缺陷的位置,来得知该制程站点对晶圆所造成的缺陷;或者,通过多个制程站点的前后检测结果,来比较缺陷明显出现的来源制程站点,进而帮助工程人员去追查导致该缺陷的原因,有助于改善解决各制程站点当前存在的问题。
其中,比较任意两次检测结果中晶圆存在的缺陷的位置,一般是在一个实数的二维坐标系直接比较在两次检测结果中,哪些缺陷位置是两次检测结果中都有的,哪些缺陷位置是两次检测结果中各自独有的。因为实数坐标系有无限小数的特性,故一般会定义坐标系精确度及定义一个允许的差异范围,在差异范围内若同时有缺陷,则说明该缺陷位置是两次检测结果中都存在的,否则是两次检测结果中各自独有的。
为了更好的理解本公开实施例,参照图1,图1为本公开实施例中提供的一种晶圆缺陷检测方法的流程示意图。
在一些实施例中,对于每一个制程站点,以及每一个晶圆而言,晶圆在经过某制程站点之前做表面缺陷检测得到缺陷检测图像A,该晶圆在经过某制程站点之后做表面缺陷检测得到缺陷检测图像B;通过比较缺陷检测图像A与缺陷检测图像B之间的差异,可以得到缺陷检测图像A与缺陷检测图像B之间的差异缺陷点,并将得到的差异缺陷点保存至数据库中。
参照图2,图2为本公开实施例中同一片晶圆在某制程站点前后分别做表面缺陷检测得到的晶圆缺陷图像。
其中,缺陷检测图像A与缺陷检测图像B中的空心圆点表示缺陷检测图像A与缺陷检测图像B共有的缺陷点;缺陷检测图像B中的实心圆点表示缺陷检测图像B独有的缺陷点,即缺陷检测图像A与缺陷检测图像B之间的差异缺陷点。
由于内存芯片的记忆单元在单位面积下非常微小,故一般定义允许的差异范围也都非常的小,导致在二维实数坐标系上的两张晶圆缺陷检测图像比较需要大量的计算量,增加了后端运算服务器的负担,再乘上站点数及投片量,导致服务器的计算成本非常的高。
面对上述技术问题,本公开实施例中提供了一种晶圆缺陷检测方法及设备,在对晶圆缺陷检测图像进行分析时,通过采用抽样检测的方式,不需要对所有的缺陷点进行对比,因此可以有效降低晶圆缺陷检测过程中的计算量,降低检测成本。
参照图3,图3为本公开实施例中提供的一种晶圆缺陷检测方法的步骤流程示意图。在一种可行的实施方式中,上述晶圆缺陷检测方法包括:
S301、获取待测晶圆在经过目标站点之前检测到的第一缺陷图像与经过目标站点之后检测到的第二缺陷图像。
本公开实施例中,测试机台可以在晶圆经过目标站点之前,对该晶圆做表面缺陷检测,得到第一缺陷图像;然后在该晶圆经过目标站点之后,再次对该晶圆做表面缺陷检测,得到第二缺陷图像。
在进行缺陷检测时,获取晶圆在经过目标站点之前做表面缺陷检测得到的第一缺陷图像,以及该晶圆在经过目标站点之后做表面缺陷检测得到的第二缺陷图像。
S302、在第一缺陷图像与第二缺陷图像的相同区域内选取若干个目标缺陷点。
在本公开实施例中,可以采用随机抽样原理,在第一缺陷图像与第二缺陷图像的相同区域内选取若干个目标缺陷点。
其中,由于晶圆的缺陷点有可能均匀分布,也有可能非均匀分布,还有可能是稀疏分布,因此,为了保障选取的目标缺陷点具有代表性,提升检测结果的准确性,在一些实施方式中,在获取到上述第一缺陷图像与第二缺陷图像之后,分别确定上述第一缺陷图像与第二缺陷图像中的缺陷点的分布情况。
当上述第一缺陷图像与第二缺陷图像中的缺陷点均满足预设的均匀分布条件或稀疏分布条件时,将上述第一缺陷图像与第二缺陷图像分别划分为多个区块,然后在第一缺陷图像与第二缺陷图像的相同位置分别随机选取若干个区块,并将已选择的区块中的所有缺陷点作为上述目标缺陷点。
当上述第一缺陷图像与第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,同样将上述第一缺陷图像与第二缺陷图像分别划分为多个区块,然后在第一缺陷图像与第二缺陷图像的每一个区块中按照预设抽取比例随机抽取部分缺陷点作为上述目标缺陷点。
当上述第一缺陷图像与第二缺陷图像不同时满足上述均匀分布条件或稀疏分布条件,或非均匀分布条件(如第一缺陷图像满足均匀分布条件,而第二缺陷图像满足非均匀分布条件,或者,第一缺陷图像满足稀疏分布条件,而第二缺陷图像满足非均匀分布条件)时,可以直接确定上述第一缺陷图像与第二缺陷图像中的缺陷点存在差异,不需要再进行差异缺陷点的检测。
S303、根据在第一缺陷图像与第二缺陷图像中选取的目标缺陷点,确定第一缺陷图像与第二缺陷图像之间的差异缺陷点数量。
本公开实施例中,在第一缺陷图像与第二缺陷图像中选取目标缺陷点之后,通过比较第一缺陷图像中选取目标缺陷点与第二缺陷图像中选取目标缺陷点的分布情况,即可以确定出第一缺陷图像与第二缺陷图像之间的差异缺陷点数量。
可以理解的是,当上述第一缺陷图像与第二缺陷图像中的缺陷点均满足预设的均匀分布条件或稀疏分布条件时,在第一缺陷图像中随机选取的若干个区块与在第二缺陷图像的相同位置随机选取的若干个区块之间的差异缺陷点分布情况,可以代表上述第一缺陷图像与第二缺陷图像之间整体的差异缺陷点分布情况,因此,通过比较第一缺陷图像与第二缺陷图像中选取的目标缺陷点,然后结合划分的区块数量,即可确定出第一缺陷图像与第二缺陷图像之间的差异缺陷点数量。
当上述第一缺陷图像与第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,在第一缺陷图像的每一个区块中按照预设抽取比例随机抽取的部分缺陷点,与在第二缺陷图像的每一个区块中按照预设抽取比例随机抽取的部分缺陷点之间的差异缺陷点分布情况,可以代表上述第一缺陷图像与第二缺陷图像之间整体的差异缺陷点分布情况,因此,通过比较第一缺陷图像与第二缺陷图像中选取的目标缺陷点,然后结合上述抽取比例,仍旧可以确定出第一缺陷图像与第二缺陷图像之间的差异缺陷点数量。
本公开实施例提供的晶圆缺陷检测方法,在对晶圆检测缺陷图像进行分析时,通过采用抽样检测的方式,不需要对所有的缺陷点进行对比,因此可以有效降低晶圆缺陷检测过程中的计算量,降低检测成本。
基于上述实施例中描述的内容,在一种可行的实施方式中,在上述第一缺陷图像与第二缺陷图像的相同区域内选取若干个目标缺陷点时,可以采用相同的划分方式,将上述第一缺陷图像与上述第二缺陷图像分别划分为多个区块。
示例性的,可以分别将第一缺陷图像与第二缺陷图像的外切矩形划分为多个区块。
为了更好的理解本公开实施例,参照图4,图4为本公开实施例中提供的一种将缺陷图像划分为多个区块的示意图。
在图4中,将缺陷图像的外切矩形等分为了25个大小相同的区块。
在一些实施例中,在分别将上述第一缺陷图像与第二缺陷图像的外切矩形划分为多个区块之后,确定每个区块内含有的第一缺陷图像或第二缺陷图像的面积占每个区块的总面积的比例;根据每个区块内含有的第一缺陷图像或第二缺陷图像的面积占每个区块的总面积的比例,确定每个区块对应的加权系数。
以上述第一缺陷图像为例,假设上述第一缺陷图像的外切矩形等分为了P(图4中P=25)个大小相同的区块,假设每个区块的面积为S,第1个区块内含有的第一缺陷图像的面积为A1,则可以确定第1个区块对应的加权系数D为:D=S/A1。
按照上述计算方式,可以计算出每个区块对应的加权系数。
可以理解的是,上述图4所示的多个区块中,第7、8、9、12、13、14、17、18、19个区块对应的加权系数均为1,剩余区块对应的加权系数均大于1。
本公开实施例提供的晶圆缺陷检测方法,在对晶圆检测缺陷图像进行分析时,采用相同的划分方式,将第一缺陷图像与第二缺陷图像分别划分为多个区块,并根据每个区块内含有的第一缺陷图像或第二缺陷图像的面积占每个区块的总面积的比例,确定每个区块对应的加权系数,从而可以消除晶圆边缘所在的区块因不完全涵盖缺陷图像而存在的误差。
可以理解的是,在一些实施例中,还可以采用其它的划分方式,将上述第一缺陷图像与第二缺陷图像分别划分为多个区块,本申请实施例中不做限制。
在一些实施例中,当上述第一缺陷图像与第二缺陷图像中的缺陷点均满足预设的均匀分布条件或稀疏分布条件时,按照以下方式进行差异缺陷点检测:
步骤1、在上述第一缺陷图像与第二缺陷图像的相同位置分别选择至少一个区块,并将已选择的区块中的缺陷点作为目标缺陷点。
步骤2、确定在上述第一缺陷图像选择的第一区块与在上述第二缺陷图像选择的第二区块中位置相同的第一目标缺陷点。
步骤3、将上述第二区块中除上述第一目标缺陷点之外的目标缺陷点确定为上述第一区块与第二区块之间的差异缺陷点。
步骤4、根据上述第一区块与第二区块之间的差异缺陷点的数量、第二区块对应的加权系数以及第二缺陷图像划分的区块个数,确定第一缺陷图像与第二缺陷图像之间的差异缺陷点数量。
可选的,可以按照以下方式计算上述第一缺陷图像与第二缺陷图像之间的差异缺陷点数量B:
B=A*D*(P/L)*(S1/S2)
其中,A表示上述第一区块与第二区块之间的差异缺陷点的数量,D表示第二区块对应的加权系数,P表示第二缺陷图像划分的区块个数,L为正整数,且L≤P,L表示所述第一区块或所述第二区块的数量,S1表示第二缺陷图像的面积,S2表示第二缺陷图像的外切矩形的面积。
为了更好的理解本公开实施例,参照图5,图5为本公开实施例中提供的一种缺陷检测方式的部分示意图一。
在图5中,假设在上述第一缺陷图像与第二缺陷图像中分别选择区块7中的缺陷点作为目标缺陷点。其中,第一缺陷图像的区块7中具有10个缺陷点,第二缺陷图像的区块7中具有12个缺陷点,经过对比之后,第一缺陷图像的区块7与第二缺陷图像的区块7之间具有5个位置相同的第一目标缺陷点。
通过计算可知,上述第一缺陷图像的区块7与第二缺陷图像的区块7之间的差异缺陷点数量为12个。
由于上述第一缺陷图像与第二缺陷图像均划分为P=25个区块,且上述第二区块的加权系数为1,因此,可以计算出第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量B为:
B=12*1*25*(S1/S2)=300*(S1/S2)个
在一些实施例中,也可以在上述第一缺陷图像与第二缺陷图像中分别选择多个区块中的缺陷点作为目标缺陷点。示例性的,可以在上述第一缺陷图像中选择区块7和区块13中的缺陷点作为目标缺陷点,在上述第二缺陷图像中选择区块7和区块13中的缺陷点作为目标缺陷点,此时L=2。
本公开实施例提供的晶圆缺陷检测方法,当上述第一缺陷图像与第二缺陷图像中的缺陷点均满足预设的均匀分布条件或稀疏分布条件时,在第一缺陷图像与第二缺陷图像的相同位置分别选择至少一个区块,并将已选择的区块中的缺陷点作为目标缺陷点;通过将已选择的区块中的缺陷点作为对比样本,来确定第一缺陷图像与第二缺陷图像之间的差异缺陷点数量,可以有效降低晶圆缺陷检测过程中的计算量,降低检测成本。
在一些实施例中,当上述第一缺陷图像与第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,按照以下方式进行差异缺陷点检测:
步骤1、在上述第一缺陷图像与第二缺陷图像的每一个区块中按照预设抽取比例抽取部分缺陷点作为目标缺陷点。
步骤2、确定在上述第一缺陷图像与第二缺陷图像的每一个区块中抽取的目标缺陷点中位置相同的第一目标缺陷点。
步骤3、将上述第二缺陷图像的每一个区块抽取的目标缺陷点中除上述第一目标缺陷点之外的目标缺陷点,确定为第一缺陷图像的每一个区块与第二缺陷图像对应的区块之间的差异缺陷点。
步骤4、根据上述第一缺陷图像的每一个区块与第二缺陷图像对应的区块之间的差异缺陷点的数量、第二缺陷图像的每一个区块对应的加权系数以及预设抽取比例,确定第一缺陷图像与第二缺陷图像之间的差异缺陷点数量。
可选的,可以按照以下方式计算所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量B:
其中,Zi表示上述第一缺陷图像的第i个区块中抽取的目标缺陷点与第二缺陷图像的第i个区块中抽取的目标缺陷点之间的差异缺陷点的数量,Di表示上述第二缺陷图像的第i个区块对应的加权系数,表示上述第二缺陷图像划分的区块个数,C%表示上述预设抽取比例,S1表示上述第二缺陷图像的面积,S2表示上述第二缺陷图像的外切矩形的面积。
可以理解的是,表示上述第一缺陷图像的第i个区块与上述第二缺陷图像的第i个区块之间的差异缺陷点的数量。
其中,上述预设抽取比例C%可以由测试人员自定义设置。
其中,Di=S/Ai;其中,S表示上述第二缺陷图像中划分的每个区块的面积,Ai表示第i个区块内含有的第二缺陷图像的面积。
为了更好的理解本公开实施例,参照图6,图6为本公开实施例中提供的一种缺陷检测方式的部分示意图二。
在图6中,示例性的,假设第一缺陷图像的区块8中具有10个缺陷点,第二缺陷图像的区块8中具有15个缺陷点,上述抽取比例为40%,则从第一缺陷图像的区块8中随机抽取出4个缺陷点,从第二缺陷图像的区块8中随机抽取出6个缺陷点;比较第一缺陷图像的区块8中随机抽取出4个缺陷点与从第二缺陷图像的区块8中随机抽取出6个缺陷点的位置可以得出,有2个位置相同的第一目标缺陷点,剩余6个位置不相同的差异缺陷点,则第一缺陷图像的区块8与第二缺陷图像的区块8之间具有的差异缺陷点数量B8为:
按照以上方式,可以计算出第一缺陷图像的每一个区块Zi与第二缺陷图像对应的区块Zi之间的差异缺陷点的数量,进而计算出第一缺陷图像与第二缺陷图像之间的差异缺陷点数量。
本公开实施例提供的晶圆缺陷检测方法,当上述第一缺陷图像与第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,在上述第一缺陷图像与第二缺陷图像的每一个区块中按照预设抽取比例抽取部分缺陷点作为目标缺陷点,然后通过将已选择的目标缺陷点作为对比样本,来确定第一缺陷图像与第二缺陷图像之间的差异缺陷点数量,可以有效降低晶圆缺陷检测过程中的计算量,降低检测成本。
基于上述实施例中所描述的内容,本公开实施例中还提供一种晶圆缺陷检测装置。参照图7,图7为本公开实施例中提供的一种晶圆缺陷检测装置的程序模块示意图,该晶圆缺陷检测装置70包括:
获取模块701,用于获取待测晶圆在经过目标站点之前检测到的第一缺陷图像与经过所述目标站点之后检测到的第二缺陷图像。
选取模块702,用于在所述第一缺陷图像与所述第二缺陷图像的相同区域内选取若干个目标缺陷点。
处理模块703,用于根据在所述第一缺陷图像与所述第二缺陷图像中选取的目标缺陷点,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
本公开实施例提供的晶圆缺陷检测装置,在对晶圆检测缺陷图像进行分析时,通过采用抽样检测的方式,不需要对所有的缺陷点进行对比,因此可以有效降低晶圆缺陷检测过程中的计算量,降低检测成本。
在一种可行的实施方式中,选取模块702具体用于:
采用相同的划分方式,将所述第一缺陷图像与所述第二缺陷图像分别划分为多个区块;
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的均匀分布条件或稀疏分布条件时,在所述第一缺陷图像与所述第二缺陷图像的相同位置分别选择至少一个区块,并将已选择的区块中的缺陷点作为所述目标缺陷点;
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,在所述第一缺陷图像与所述第二缺陷图像的每一个区块中按照预设抽取比例抽取部分缺陷点作为所述目标缺陷点。
在一种可行的实施方式中,选取模块702具体用于:
将所述第一缺陷图像与所述第二缺陷图像的外切矩形划分为多个区块。
在一种可行的实施方式中,选取模块702具体还用于:
确定每个所述区块内含有的所述第一缺陷图像或所述第二缺陷图像的面积占每个所述区块的总面积的比例;
根据每个所述区块内含有的所述第一缺陷图像或所述第二缺陷图像的面积占每个所述区块的总面积的比例,确定每个所述区块对应的加权系数。
在一种可行的实施方式中,处理模块703具体用于:
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足所述均匀分布条件或稀疏分布条件时,确定在所述第一缺陷图像选择的第一区块与在所述第二缺陷图像选择的第二区块中位置相同的第一目标缺陷点;
将所述第二区块中除所述第一目标缺陷点之外的目标缺陷点确定为所述第一区块与所述第二区块之间的差异缺陷点;
根据所述第一区块与所述第二区块之间的差异缺陷点的数量、所述第二区块对应的加权系数以及所述第二缺陷图像划分的区块个数,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
在一种可行的实施方式中,处理模块703具体用于:
按照以下方式计算所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量B:
B=A*D*(P/L)*(S1/S2)
其中,A表示所述第一区块与所述第二区块之间的差异缺陷点的数量,D表示所述第二区块对应的加权系数,P表示所述第二缺陷图像划分的区块个数,L为正整数,且L≤P,L表示所述第一区块或所述第二区块的数量,S1表示所述第二缺陷图像的面积,S2表示所述第二缺陷图像的外切矩形的面积。
在一种可行的实施方式中,处理模块703具体用于:
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,确定在所述第一缺陷图像与所述第二缺陷图像的每一个区块中抽取的目标缺陷点中位置相同的第一目标缺陷点;
将所述第二缺陷图像的每一个区块抽取的目标缺陷点中除所述第一目标缺陷点之外的目标缺陷点,确定为所述第一缺陷图像的每一个区块与所述第二缺陷图像对应的区块之间的差异缺陷点;
根据所述第一缺陷图像的每一个区块与所述第二缺陷图像对应的区块之间的差异缺陷点的数量、所述第二缺陷图像的每一个区块对应的加权系数以及所述预设抽取比例,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
在一种可行的实施方式中,处理模块703具体用于:
按照以下方式计算所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量B:
其中,Zi表示所述第一缺陷图像的第i个区块中抽取的目标缺陷点与所述第二缺陷图像的第i个区块中抽取的目标缺陷点之间的差异缺陷点的数量,Di表示所述第二缺陷图像的第i个区块对应的加权系数,P表示所述第二缺陷图像划分的区块个数,C%表示所述预设抽取比例,S1表示所述第二缺陷图像的面积,S2表示所述第二缺陷图像的外切矩形的面积。
需要说明的是,本公开实施例中获取模块701、选取模块702、处理模块703具体执行的内容可以参阅图1至图6所示实施例中相关内容,此处不做赘述。
进一步的,基于上述实施例中所描述的内容,本公开实施例中还提供了一种电子设备,该电子设备包括至少一个处理器和存储器;其中,存储器存储计算机执行指令;上述至少一个处理器执行存储器存储的计算机执行指令,以实现如上述实施例中描述的晶圆缺陷检测方法的各个步骤,本实施例此处不再赘述。
为了更好的理解本公开实施例,参照图8,图8为本公开实施例提供的一种电子设备的硬件结构示意图。
如图8所示,本实施例的电子设备80包括:处理器801以及存储器802;其中:
存储器802,用于存储计算机执行指令;
处理器801,用于执行存储器存储的计算机执行指令,以实现上述实施例中描述的晶圆缺陷检测方法的各个步骤,具体可以参见前述方法实施例中的相关描述。
可选地,存储器802既可以是独立的,也可以跟处理器801集成在一起。
当存储器802独立设置时,该设备还包括总线803,用于连接所述存储器802和处理器801。
进一步的,基于上述实施例中所描述的内容,本公开实施例中还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,以实现上述实施例中描述的晶圆缺陷检测方法的各个步骤,具体可以参见前述方法实施例中的相关描述。
在本公开所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本公开各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本公开附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称:ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (18)
1.一种晶圆缺陷检测方法,其特征在于,包括:
获取待测晶圆在经过目标站点之前检测到的第一缺陷图像与经过所述目标站点之后检测到的第二缺陷图像;
在所述第一缺陷图像与所述第二缺陷图像的相同区域内选取若干个目标缺陷点;
根据在所述第一缺陷图像与所述第二缺陷图像中选取的目标缺陷点,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
2.根据权利要求1所述的方法,其特征在于,所述在所述第一缺陷图像与所述第二缺陷图像的相同区域内选取若干个目标缺陷点,包括:
采用相同的划分方式,将所述第一缺陷图像与所述第二缺陷图像分别划分为多个区块;
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的均匀分布条件或稀疏分布条件时,在所述第一缺陷图像与所述第二缺陷图像的相同位置分别选择至少一个区块,并将已选择的区块中的缺陷点作为所述目标缺陷点;
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,在所述第一缺陷图像与所述第二缺陷图像的每一个区块中按照预设抽取比例抽取部分缺陷点作为所述目标缺陷点。
3.根据权利要求2所述的方法,其特征在于,所述将所述第一缺陷图像与所述第二缺陷图像分别划分为多个区块,包括:
将所述第一缺陷图像与所述第二缺陷图像的外切矩形划分为多个区块。
4.根据权利要求3所述的方法,其特征在于,所述将所述第一缺陷图像与所述第二缺陷图像的外切矩形划分为多个区块之后,还包括:
确定每个所述区块内含有的所述第一缺陷图像或所述第二缺陷图像的面积占每个所述区块的总面积的比例;
根据每个所述区块内含有的所述第一缺陷图像或所述第二缺陷图像的面积占每个所述区块的总面积的比例,确定每个所述区块对应的加权系数。
5.根据权利要求4所述的方法,其特征在于,所述根据在所述第一缺陷图像与所述第二缺陷图像中选取的目标缺陷点,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量,包括:
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足所述均匀分布条件或稀疏分布条件时,确定在所述第一缺陷图像选择的第一区块与在所述第二缺陷图像选择的第二区块中位置相同的第一目标缺陷点;
将所述第二区块中除所述第一目标缺陷点之外的目标缺陷点确定为所述第一区块与所述第二区块之间的差异缺陷点;
根据所述第一区块与所述第二区块之间的差异缺陷点的数量、所述第二区块对应的加权系数以及所述第二缺陷图像划分的区块个数,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一区块与所述第二区块之间的差异缺陷点的数量、所述第二区块对应的加权系数以及所述第二缺陷图像划分的区块个数,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量,包括:
按照以下方式计算所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量B:
B=A*D*(P/L)*(S1/S2)
其中,A表示所述第一区块与所述第二区块之间的差异缺陷点的数量,D表示所述第二区块对应的加权系数,P表示所述第二缺陷图像划分的区块个数,L为正整数,且L≤P,L表示所述第一区块或所述第二区块的数量,S1表示所述第二缺陷图像的面积,S2表示所述第二缺陷图像的外切矩形的面积。
7.根据权利要求4所述的方法,其特征在于,所述根据在所述第一缺陷图像与所述第二缺陷图像中选取的目标缺陷点,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量,包括:
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,确定在所述第一缺陷图像与所述第二缺陷图像的每一个区块中抽取的目标缺陷点中位置相同的第一目标缺陷点;
将所述第二缺陷图像的每一个区块抽取的目标缺陷点中除所述第一目标缺陷点之外的目标缺陷点,确定为所述第一缺陷图像的每一个区块与所述第二缺陷图像对应的区块之间的差异缺陷点;
根据所述第一缺陷图像的每一个区块与所述第二缺陷图像对应的区块之间的差异缺陷点的数量、所述第二缺陷图像的每一个区块对应的加权系数以及所述预设抽取比例,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
8.根据权利要求7所述的方法,其特征在于,所述根据所述第一缺陷图像的每一个区块与所述第二缺陷图像对应的区块之间的差异缺陷点的数量、所述第二缺陷图像的每一个区块对应的加权系数以及所述预设抽取比例,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量,包括:
按照以下方式计算所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量B:
其中,Zi表示所述第一缺陷图像的第i个区块中抽取的目标缺陷点与所述第二缺陷图像的第i个区块中抽取的目标缺陷点之间的差异缺陷点的数量,Di表示所述第二缺陷图像的第i个区块对应的加权系数,P表示所述第二缺陷图像划分的区块个数,C%表示所述预设抽取比例,S1表示所述第二缺陷图像的面积,S2表示所述第二缺陷图像的外切矩形的面积。
9.一种晶圆缺陷检测装置,其特征在于,包括:
获取模块,用于获取待测晶圆在经过目标站点之前检测到的第一缺陷图像与经过所述目标站点之后检测到的第二缺陷图像;
选取模块,用于在所述第一缺陷图像与所述第二缺陷图像的相同区域内选取若干个目标缺陷点;
处理模块,用于根据在所述第一缺陷图像与所述第二缺陷图像中选取的目标缺陷点,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
10.根据权利要求9所述的装置,其特征在于,所述选取模块具体用于:
采用相同的划分方式,将所述第一缺陷图像与所述第二缺陷图像分别划分为多个区块;
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的均匀分布条件或稀疏分布条件时,在所述第一缺陷图像与所述第二缺陷图像的相同位置分别选择至少一个区块,并将已选择的区块中的缺陷点作为所述目标缺陷点;
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,在所述第一缺陷图像与所述第二缺陷图像的每一个区块中按照预设抽取比例抽取部分缺陷点作为所述目标缺陷点。
11.根据权利要求10所述的装置,其特征在于,所述选取模块具体用于:
将所述第一缺陷图像与所述第二缺陷图像的外切矩形划分为多个区块。
12.根据权利要求11所述的装置,其特征在于,所述选取模块具体还用于:
确定每个所述区块内含有的所述第一缺陷图像或所述第二缺陷图像的面积占每个所述区块的总面积的比例;
根据每个所述区块内含有的所述第一缺陷图像或所述第二缺陷图像的面积占每个所述区块的总面积的比例,确定每个所述区块对应的加权系数。
13.根据权利要求12所述的装置,其特征在于,所述处理模块具体用于:
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足所述均匀分布条件或稀疏分布条件时,确定在所述第一缺陷图像选择的第一区块与在所述第二缺陷图像选择的第二区块中位置相同的第一目标缺陷点;
将所述第二区块中除所述第一目标缺陷点之外的目标缺陷点确定为所述第一区块与所述第二区块之间的差异缺陷点;
根据所述第一区块与所述第二区块之间的差异缺陷点的数量、所述第二区块对应的加权系数以及所述第二缺陷图像划分的区块个数,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
14.根据权利要求13所述的装置,其特征在于,所述处理模块具体用于:
按照以下方式计算所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量B:
B=A*D*(P/L)*(S1/S2)
其中,A表示所述第一区块与所述第二区块之间的差异缺陷点的数量,D表示所述第二区块对应的加权系数,P表示所述第二缺陷图像划分的区块个数,L为正整数,且L≤P,L表示所述第一区块或所述第二区块的数量,S1表示所述第二缺陷图像的面积,S2表示所述第二缺陷图像的外切矩形的面积。
15.根据权利要求12所述的装置,其特征在于,所述处理模块具体用于:
当所述第一缺陷图像与所述第二缺陷图像中的缺陷点均满足预设的非均匀分布条件时,确定在所述第一缺陷图像与所述第二缺陷图像的每一个区块中抽取的目标缺陷点中位置相同的第一目标缺陷点;
将所述第二缺陷图像的每一个区块抽取的目标缺陷点中除所述第一目标缺陷点之外的目标缺陷点,确定为所述第一缺陷图像的每一个区块与所述第二缺陷图像对应的区块之间的差异缺陷点;
根据所述第一缺陷图像的每一个区块与所述第二缺陷图像对应的区块之间的差异缺陷点的数量、所述第二缺陷图像的每一个区块对应的加权系数以及所述预设抽取比例,确定所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量。
16.根据权利要求15所述的装置,其特征在于,所述处理模块具体用于:
按照以下方式计算所述第一缺陷图像与所述第二缺陷图像之间的差异缺陷点数量B:
其中,Zi表示所述第一缺陷图像的第i个区块中抽取的目标缺陷点与所述第二缺陷图像的第i个区块中抽取的目标缺陷点之间的差异缺陷点的数量,Di表示所述第二缺陷图像的第i个区块对应的加权系数,P表示所述第二缺陷图像划分的区块个数,C%表示所述预设抽取比例,S1表示所述第二缺陷图像的面积,S2表示所述第二缺陷图像的外切矩形的面积。
17.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至8任一项所述的晶圆缺陷检测方法。
18.一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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至8任一项所述的晶圆缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210225625.2A CN116777815A (zh) | 2022-03-07 | 2022-03-07 | 晶圆缺陷检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210225625.2A CN116777815A (zh) | 2022-03-07 | 2022-03-07 | 晶圆缺陷检测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116777815A true CN116777815A (zh) | 2023-09-19 |
Family
ID=88006817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210225625.2A Pending CN116777815A (zh) | 2022-03-07 | 2022-03-07 | 晶圆缺陷检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777815A (zh) |
-
2022
- 2022-03-07 CN CN202210225625.2A patent/CN116777815A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9335277B2 (en) | Region-of-interest determination apparatus, observation tool or inspection tool, region-of-interest determination method, and observation method or inspection method using region-of-interest determination method | |
US8799831B2 (en) | Inline defect analysis for sampling and SPC | |
TWI603409B (zh) | 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣 | |
US9355208B2 (en) | Detecting defects on a wafer | |
US7352890B2 (en) | Method for analyzing circuit pattern defects and a system thereof | |
CN109558620B (zh) | 产生检查方案的方法和其系统 | |
JP5624326B2 (ja) | ウェーハ上に形成されたアレイ領域のための検査領域のエッジを正確に識別する方法、及び、ウェーハ上に形成されたアレイ領域に検知された欠陥をビニングする方法 | |
US9165356B2 (en) | Defect inspection method and defect inspection device | |
CN104903712A (zh) | 缺陷观察方法以及缺陷观察装置 | |
JP2001159616A (ja) | パターン検査方法及びパターン検査装置 | |
US8675949B2 (en) | Reviewed defect selection processing method, defect review method, reviewed defect selection processing tool, and defect review tool | |
TWI533383B (zh) | 使用重覆結構之基於設計之檢測 | |
KR20160047549A (ko) | 정밀 결함 위치들을 사용한 웨이퍼 검사 레시피들 튜닝 | |
US10545490B2 (en) | Method of inspecting a specimen and system thereof | |
JP6367294B2 (ja) | 検査装置、コンピュータ装置および検査方法 | |
CN116777815A (zh) | 晶圆缺陷检测方法及设备 | |
CN117751382A (zh) | 基于异常的缺陷检查方法和系统 | |
JP3722757B2 (ja) | 欠陥撮像装置 | |
CN117518747B (zh) | 一种光刻量测强度的生成方法、装置、设备及存储介质 | |
JP2004212277A (ja) | パターンを検査するための方法 | |
JP2001183810A (ja) | マスクパターン形状評価装置および形状評価方法並びに形状評価プログラムを記録した記録媒体 | |
CN115760675A (zh) | 半导体样本中的局部形状偏差 | |
JP2002340810A (ja) | 検査点抽出方法およびその装置 |
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 |