CN117058064A - 检测配方设置与优化方法、装置、电子设备和存储介质 - Google Patents

检测配方设置与优化方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN117058064A
CN117058064A CN202210474912.7A CN202210474912A CN117058064A CN 117058064 A CN117058064 A CN 117058064A CN 202210474912 A CN202210474912 A CN 202210474912A CN 117058064 A CN117058064 A CN 117058064A
Authority
CN
China
Prior art keywords
data
information
detection
detection result
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.)
Pending
Application number
CN202210474912.7A
Other languages
English (en)
Inventor
王敬贤
刘涛
潘成安
邓帅飞
易兵
鲁阳
张记晨
周许超
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.)
Shanghai Micro Electronics Equipment Co Ltd
Original Assignee
Shanghai Micro Electronics Equipment Co Ltd
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 Shanghai Micro Electronics Equipment Co Ltd filed Critical Shanghai Micro Electronics Equipment Co Ltd
Priority to CN202210474912.7A priority Critical patent/CN117058064A/zh
Priority to PCT/CN2023/091070 priority patent/WO2023208091A1/zh
Priority to TW112115870A priority patent/TW202343613A/zh
Publication of CN117058064A publication Critical patent/CN117058064A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • 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

Abstract

本发明提供了一种检测配方设置与优化方法、装置、电子设备和存储介质，方法包括：对第一数据样本进行标注，得到第二数据样本；其中，第一数据样本包括若干条检测结果数据；第二数据样本包括检测结果数据以及每条数据对应的标签；并根据第二数据样本，得到检测对象的数据特征分布信息；再采用预设离群统计分析策略，对数据特征分布信息进行离群统计分析，获取缺陷分布边界信息并确定检测配方；最后根据缺陷分布边界信息和预设离群统计分析策略，通过反向推导，确定或优化检测配方的检测参数的取值。本发明考虑了参数之间的耦合关系，能够避免反复调整参数，同时推理出一整套检测参数，实现了检测配方的快速建模；能够节约人力和时间成本。

Description

检测配方设置与优化方法、装置、电子设备和存储介质
技术领域
本发明涉及半导体技术领域，特别涉及一种检测配方设置与优化方法、装置、电子设备和存储介质。
背景技术
在半导体晶圆的制造过程中，晶圆翘曲度(Bow)及晶圆表面的形貌是影响制程工艺稳定性及产品良率的关键参数，对晶圆的良率(Yield)有着关键的影响。比如晶圆在经过刻蚀或薄膜沉积等不同工艺后，晶圆会发生不同程度的翘曲或使晶圆表面凹凸不平；又比如，在半导体集成电路制造过程中机械手可能会刮伤晶圆。因此，晶圆的缺陷是所有芯片制造厂在良率检测中最为关注的部分。晶圆一旦存在缺陷，很难通过后续工艺进行补救，因此如何快速准确地检验出晶圆表面的缺陷，避免因有缺陷的产品流入下道工序造成生产资源的浪费变得至关重要。
现有技术中，晶圆缺陷的检测流程通常采用正向流程调参，然而由于现场工艺的多样性，需要每次生成大量信息，加上缺少先验知识，通常对检测流程的检测参数进行逐一调节，由于不能将参数之间的耦合关系考虑在内，因此，单个参数的反复调整可能导致调参结果的偏差，为了达到较好的检测效果，检测配方需要反复调节参数，带来人力和时间成本的增加。而且，由于工艺的多样性，已有的检测配方很难适用于新工艺的缺陷检测，而调整检测配方的参数需要具有一定的算法背景，因此对用户要求较高。
需要说明的是，公开于该发明背景技术部分的信息仅仅旨在加深对本发明一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明的目的在于针对现有技术中存在的缺陷，提供一种检测配方设置与优化方法、系统、电子设备和存储介质，本发明提供的检测配方设置与优化方法，基于检测结果数据的先验知识，并充分考虑参数之间的耦合关系一次性确定检测配方的策略及参数设置值，不仅确定所述检测流程的效率高，而且提高了检测配方的检测精度。
为达到上述目的，本发明提供一种检测配方设置与优化方法，一种检测配方设置与优化方法，包括：
对第一数据样本进行标注，得到第二数据样本；其中，所述第一数据样本包括若干条检测结果数据；所述第二数据样本包括所述检测结果数据以及每条所述检测结果数据对应的标签；
根据所述第二数据样本，得到检测对象的数据特征分布信息；
采用预设离群统计分析策略，对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息，并根据所述预设离群统计分析策略，确定检测配方；
根据所述缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导，设置或优化所述检测配方的检测参数的取值。
可选地，所述检测结果数据包括所述检测对象的基本信息和特征数据信息；其中，所述特征数据信息包括检测结果在所述检测对象上的位置信息，以及所述检测对象的工艺流程信息、所述检测结果的数据信息的灰度信息、形状信息和纹理信息中的一种或多种；
所述对第一数据样本进行标注，得到第二数据样本，包括：
获取所述第一数据样本中每一条检测结果数据对应的所述检测对象的基本信息；
对于每一条检测结果数据，根据所述检测对象的基本信息和所述检测结果在所述检测对象上的位置信息，获取该条检测结果数据在所述检测对象上对应的原始信息；
根据所述原始信息，判断所述检测结果的数据信息标出的缺陷是否为真缺陷，若是，则将该条检测结果数据标记为真缺陷数据；若否，则将该条检测结果数据标记为噪扰数据；
根据所有的所述检测结果数据及每条所述检测结果数据对应的标签，得到所述第二数据样本。
可选地，所述检测对象包括Wafer；所述Wafer的基本信息包括所述Wafer的编号、包含的Die个数以及每一个Die的基本信息；所述Die的基本信息包括该Die的Die编号和图像信息；
所述根据所述检测对象的基本信息和所述检测结果在所述检测对象上的位置信息，获取该条检测结果数据在所述检测对象上对应的原始信息，包括：
根据所述Wafer的基本信息，获取所述Wafer的每一个Die的Die编号及每一所述Die的基本信息；
根据所述检测结果在所述Die上的位置信息以及所述Die的图像信息，获取该条检测结果数据在所述Die上对应的检测结果的图像信息。
可选地，所述根据所述第二数据样本，得到所述检测对象的数据特征分布信息，包括：
确定特征数据轴和分割数据轴，并根据所述特征数据轴和分割数据轴建立特征空间；其中，所述特征数据轴代表所述检测结果数据的特征数据信息，所述分割数据轴代表分割特征信息；其中，所述分割特征信息包括除用于所述特征数据轴之外的其他特征数据信息；
根据所述特征空间对所述第二数据样本进行排列，得到所述检测对象的数据特征分布信息。
可选地，所述特征空间包括一个或多个所述特征数据轴以及一个或多个所述分割数据轴。可选地，所述根据所述特征空间对所述第二数据样本进行排列，得到所述检测对象的数据特征分布信息，包括：
将所述特征数据轴作为横轴，将所述分割数据轴作为纵轴，建立直角坐标系；
在所述直角坐标系内，在所述横轴方向按照所述特征数据轴代表的所述特征数据信息的特征值大小、在所述纵轴方向按照所述分割数据轴代表的所述特征数据信息的特征值大小对所述第二数据样本进行排列，得到缺陷特征分布图。
可选地，所述采用预设离群统计分析策略，对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息，包括：
判断是否自动寻找缺陷分布边界信息，若是，则根据选择的离群统计分析模型，对所述离群统计分析模型进行训练，获取缺陷分布边界信息；若否，则采用数据分割法对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息；
其中，所述对所述离群统计分析模型进行训练，包括：根据所述检测结果数据和所述数据特征分布信息，对选定的所述离群统计分析模型进行训练，直至得到的所述检测对象的缺陷分布边界信息满足第一预设条件；
所述采用数据分割法对所述数据特征分布信息进行离群统计分析，包括：根据所述检测结果数据和所述数据特征分布信息，在所述特征数据轴和/或所述分割数据轴上获取至少一个第一分割阈值；并根据所述第一分割阈值获取所述缺陷边界信息，直至得到的所述检测对象的缺陷分布边界信息满足第二预设条件。
可选地，所述分割数据轴代表工艺流程信息；所述根据所述检测结果数据和所述数据特征分布信息，对所述特征数据轴和/或所述分割数据轴进行阈值分割，直至得到的所述检测对象的缺陷分布边界信息满足第二预设条件，包括：
根据所述数据特征分布信息，以及标签为真缺陷数据和标签为噪扰数据的检测结果数据分布的一致性，确定所述分割数据轴的第一分割阈值；
根据所述数据特征分布信息，以及标签为真缺陷数据和标签为噪扰数据的检测结果数据分布的一致性，确定所述特征数据轴的第二分割阈值；
根据所述分割数据轴的第一分割阈值和所述特征数据轴的第二分割阈值，得到所述检测对象的缺陷分布边界信息。
可选地，所述采用预设离群统计分析策略还包括：数据分割和模型学习相结合的离群统计分析策略；
所述数据分割和模型学习相结合的离群统计分析策略包括：根据所述数据特征分布信息，获取标签为真缺陷的所述检测结果数据在所述分割数据轴上的至少一个第一分割阈值；并根据所述第一分割阈值和所述数据特征分布信息，对选定的所述离群统计分析模型进行训练，直至得到的所述检测对象的缺陷分布边界信息满足第三预设条件。
可选地，所述根据所述缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导，设置或优化所述检测配方的检测参数的取值，包括：
根据所述预设离群统计分析策略，确定反向推导策略；
根据所述反向推导策略，确定所述反向推导策略的输入数据信息；
根据所述输入数据信息，确定所述检测结果数据的数据分布模型；
根据所述数据分布模型和所述缺陷分布边界信息，确定所述检测配方的检测参数；
根据所述检测配方的策略和所述反向推导的输入数据信息，设置或优化所述检测配方的检测参数的取值。
可选地，所述预设离群统计分析策略为数据分割法；
根据所述数据分割法，将统计所述检测对象的检测结果数据的数据分布密度作为所述反向推导策略；
根据所述统计数据分布密度的反向推导策略，将所述检测对象的所有检测结果数据作为所述输入数据信息；
根据所有检测结果数据，假设所有的所述检测结果数据的特征数据信息的特征值在特征空间的数据分布密度分为正常区域、噪扰区域和真缺陷区域；所述正常区域为数据分布密度大于第一密度阈值的区域，噪扰区域为数据密度小于或等于所述第一密度阈值且大于第二密度阈值的区域，真缺陷区域为数据密度小于或等于所述第二密度阈值的区域；
根据所有检测结果数据和所有检测结果数据的标签，计算所述第一密度阈值和所述第二密度阈值；其中，所述第一密度阈值大于所述第二密度阈值；
根据所述第一密度阈值、所述第二密度阈值和所述缺陷分布边界信息，计算所述检测配方的位移参数。
可选地，所述预设离群统计分析策略为基于高斯模型的离群统计分析策略；
根据所述基于高斯模型的离群统计分析策略，将获取所述检测对象的检测结果数据的高斯分布作为所述反向推导策略，将高斯模型检测作为检测配方的策略；
根据统计高斯分布的反向推导策略，将所述检测对象的所有检测结果数据作为所述输入数据信息和所述缺陷分布边界信息作为所述输入数据信息；
根据所有检测结果数据，假设所有的所述检测结果数据的特征数据信息的特征值在特征空间的数据分布密度服从高斯分布；
根据所述输入数据信息和所述缺陷分布边界信息，确定所述高斯模型检测的参数。
可选地，所述预设离群统计分析策略为机器学习的离群统计分析策略；
根据所述机器学习的离群统计分析策略，将获取所述检测对象的检测结果数据的密度阈值和距离阈值作为所述反向推导策略，将机器学习模型作为检测配方的策略；
根据所述获取所述检测对象的检测结果数据的密度阈值和距离阈值的反向推导策略，将获取的所述检测对象的检测结果数据的密度和距离作为所述输入数据信息；
根据所有检测结果数据和所述缺陷边界分布信息，反向推导所述机器学习模型的检测策略的密度参数和距离参数。
可选地，所述检测配方设置与优化方法，还包括：
根据所述检测配方及所述检测配方的检测参数的取值，对待检测对象进行缺陷分析，得到所述待检测对象的缺陷数据信息。
为了实现上述目的，本发明还提供了一种检测配方设置与优化装置，所述检测参数与调整装置，包括：
真缺陷及噪扰标记单元，被配置为对第一数据样本进行标注，得到第二数据样本；其中，所述第一数据样本包括若干条检测结果数据；所述第二数据样本包括所述检测结果数据以及每条所述检测结果数据对应的标签；
特征分布信息获取单元，被配置为根据所述第二数据样本，得到检测对象的数据特征分布信息；
缺陷分布边界获取单元，被配置为采用预设离群统计分析策略，对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息，并用于根据所述预设离群统计分析策略，确定检测配方；
检测参数设置及优化单元，被配置为根据所述缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导，确定或优化所述检测配方的检测参数的取值。
可选地，所述检测配方设置与优化装置，还包括：
检测配方应用单元，被配置为根据所述检测配方及所述检测配方的检测参数的取值，对待检测对象进行缺陷分析，得到所述待检测对象的缺陷数据信息。
为达到上述目的，本发明还提供一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上文所述的检测配方设置与优化方法。
为达到上述目的，本发明还提供一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上文所述的检测配方设置与优化方法。
与现有技术相比，本发明提供的检测配方设置与优化方法、装置、电子设备和存储介质具有以下优点：
本发明提供的检测配方设置与优化方法，首先通过对第一数据样本进行标注，得到第二数据样本；其中，所述第一数据样本包括若干条检测结果数据；所述第二数据样本包括所述检测结果数据以及每条所述检测结果数据对应的标签；然后根据所述第二数据样本，得到检测对象的数据特征分布信息，并根据所述预设离群统计分析策略，确定检测配方；接着采用预设离群统计分析策略，对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息；最后根据所述缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导，检测配方确定或优化所述检测配方的检测参数。由此，本发明提供的检测配方设置与优化方法，所述第一数据样本包括若干条检测结果数据，所述检测结果数据包括辅助的调参信息(比如所述检测对象的基本信息和特征数据信息，所述特征数据信息包括但不限于检测结果指示的缺陷的灰度、形状、纹理等信息)，通过数据标注可以区分真缺陷数据和噪扰数据，为后续有效利用历史信息进行数据分析和推理从而能够获取到准确的先验知识提供了重要的依据，能够提高检测配方的检测精度。进一步地，本发明提供的检测配方设置与优化方法，检测配方的策略及检测参数的取值是根据缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导得到。由此，本发明通过反向推导能够同时推理出一套检测参数(即同时调整出所有参数)，参数之间的耦合关系也考虑在内，实现了检测配方的快速建模；避免了反复调整参数，能够显著节约人力和时间成本；而且，针对新工艺缺陷检测，无需用户具备算法基础也能设置或优化检测配方的策略及所述检测配方的检测参数的取值。
由于本发明提供的检测配方设置与优化装置、电子设备和存储介质与本发明提供的检测参数与调整方法属于同一发明构思，因此，本发明提供的检测配方设置与优化装置、电子设备和存储介质具有所述检测配方设置与优化方法的所有优点，在此，不再一一赘述。
附图说明
图1为本发明一实施方式提供的检测配方设置与优化方法的流程示意图；
图2为本发明一实施方式提供的数据样本标注方法流程示意图；
图3为本发明一实施方式提供的对数据样本进行缺陷标注的其中一种界面示意图；
图4为应用本发明的其中一具体示例的检测结果数据在二维特征空间的分布示例图；
图5为本发明一实施方式提供的离群统计分析原理示意图；
图6为应用本发明提供的离群统计分析模型得到的缺陷分布边界信息示意图；
图7为图1中步骤S400的详细流程示意图；
图8为应用本发明提供的检测配方设置与优化方法进行反向推导的一具体示例图；
图9为本发明一实施方式提供的其中一种检测结果数据的数据密度分布示意图；
图10为本发明一实施方式提供的标准分割轴的平均灰度级范围内的真缺陷数据分布示意图；
图11(a)为本发明一实施方式提供的多张测试图示例图；
图11(b)为图11(a)中多张测试图生成的均值图示例图；
图11(c)为图11(a)中多张测试图生成的标准差图示例图；
图11(d)为其中一张测试图的放大示例图；
图11(e)为使用机器学习配方检测出来的缺陷位置示意图；
图12为应用本发明提供的灰度动态阈值示意图；
图13为应用本发明提供的检测配方设置与优化方法得到的检测配方检测得到的检测结果数据与原始检测配方得到的检测结果数据的对比示意图；
图14为本发明一实施方式中的检测配方设置与优化装置的结构框图；
图15为本发明一实施方式中的电子设备的方框结构示意图。
其中，附图标记如下：
1-噪扰数据，2-真缺陷数据，3-缺陷分布边界曲线，segment_value1、segment_value2-第一分割阈值，A、A1、A2-像素点；
100-真缺陷及噪扰标记单元、200-特征分布信息获取单元、300-缺陷分布边界获取单元、400-检测参数设置及优化单元、500-检测配方应用单元；
601-处理器、602-通信接口、603-存储器、604-通信总线。
具体实施方式
以下结合附图和具体实施方式对本发明提出的检测配方设置与优化方法、装置、电子设备和存储介质作进一步详细说明。根据下面的说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，任何结构的修饰、比例关系的改变或大小的调整，在与本发明所能产生的功效及所能达成的目的相同或近似的情况下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的其中一个实施例提供了一种检测配方设置与优化方法，具体地，请参考图1，其示意性地给出了本发明一实施方式提供的检测配方设置与优化方法的流程示意图。如图1所示，所述检测配方设置与优化方法包括如下步骤：
S100：对第一数据样本进行标注，得到第二数据样本；其中，所述第一数据样本包括若干条检测结果数据；所述第二数据样本包括所述检测结果数据以及每条所述检测结果数据对应的标签；
S200：根据所述第二数据样本，得到检测对象的数据特征分布信息；
S300：采用预设离群统计分析策略，对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息，并根据所述预设离群统计分析策略，确定检测配方；
S400：根据所述缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导，设置或优化所述检测配方的检测参数的取值。
由此，本发明提供的检测配方设置与优化方法，所述第一数据样本包括若干条检测结果数据，所述检测结果数据包括大量辅助的调参信息(比如所述检测对象的基本信息和特征数据信息，所述特征数据信息包括但不限于检测结果指示的缺陷的灰度、形状、纹理等信息)，通过数据标注可以区分真缺陷数据和噪扰数据，为后续有效利用历史信息进行数据分析和推理从而能够获取到准确的先验知识提供了重要的依据，能够提高检测配方的检测精度。进一步地，本发明提供的检测配方设置与优化方法，检测配方的策略及参数设置值是根据缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导得到。由此，本发明通过反向推导能够同时推理出一套检测参数(即同时调整出所有参数)，参数之间的耦合关系也考虑在内，实现了检测流程的快速建模，避免了反复调整参数，能够显著节约人力和时间成本。而且，针对新工艺缺陷检测，无需用户具备算法基础也能设置或优化检测配方的策略及检测参数的取值。
需要特别说明的是，所述检测结果数据为所述检测对象的历史检测结果数据。举例而言，在初次设置缺陷检测流程中使用的检测配方的策略及检测参数时，可以先随机或人为选择检测配方的策略和检测参数，获取一定量的缺陷检测数据，而该一定量的缺陷检测数据为检测结果数据(也即为第一样本数据)。在对检测配方的策略及检测参数的配方优化时，所述检测结果数据(也即为第一样本数据)包括待优化的检测配方历史检测的数据全部或其中一部分。为了便于理解和说明，下文所述的检测结果数据为进行晶圆缺陷的历史检测数据，很显然地，这并非本发明的限制，在其他的实施方式中，本发明提供的检测配方设置与优化方法也可以适应于初检测晶圆缺陷的其他的检测配方，不再一一示例。
优选地，在其中一种优选实施方式中，所述检测结果数据包括所述检测对象的基本信息和特征数据信息；其中，所述特征数据信息包括检测结果在所述检测对象上的位置信息，以及所述检测对象的工艺流程信息、所述检测结果的数据信息的灰度信息、形状信息和纹理信息中的一种或多种。如本领域技术人员可以理解的，很显然地，所述检测结果的数据信息也必然包括用以指示检测结果的结论信息(缺陷数据或非缺陷数据)。为了便于理解，所述检测结果的数据信息的具体示例将在下文与检测结果的图像信息对比说明，在此，不再对检测结果的数据信息进行示例性阐述。由此可见，所述检测结果数据包含了所述检测对象的基本信息和特征数据信息(比如nuisance的灰度、形状、纹理等信息)等辅助调参的信息，且在后续的缺陷分布图绘制和参数反向推理过程基于所述检测结果数据，由此，本发明提供的检测配方设置与优化方法，能够提高检测配方的检测精度。
优选地，在其中一种实施方式中，请参见图2，其示意性地给出了数据样本标注方法流程示意图。从图2可以看出，步骤S100中，所述对第一数据样本进行标注，得到第二数据样本，包括：
S110：获取所述第一数据样本中每一条检测结果数据对应的所述检测对象的基本信息；
S120：对于每一条检测结果数据，根据所述检测对象的基本信息和所述检测结果在所述检测对象上的位置信息，获取该条检测结果数据在所述检测对象上对应的原始信息；
S130：根据所述原始信息，判断所述检测结果的数据信息标出的缺陷是否为真缺陷，若是，则将该条检测结果数据标记为真缺陷数据；若否，则将该条检测结果数据标记为噪扰数据；
S140：根据所有的所述检测结果数据及每条所述检测结果数据对应的标签，得到所述第二数据样本。
如此配置，本发明提供的检测配方设置与优化方法，通过对所述第一数据样本进行标注，可以准确地将检测结果数据(历史数据)中真正的缺陷数据和噪扰数据(nusiance，噪声干扰数据)进行准确地区分，从而为后续获取数据特征分布信息、进而根据所述数据特征分布信息获取缺陷分布边界信息进一步进行反向推导提供准确的先验知识，从而提高检测配方的检测精度。
需要特别说明的是，本领域的技术人员应该能够理解，所述特征数据信息是对检测对象执行缺陷检测的全部检测结果，包括缺陷数据和非缺陷数据。
作为应用本发明提供的检测配方设置与优化方法的其中一种优选示例，以下以所述检测对象为Wafer(晶圆)为例进行说明，很显然地，所述第一数据样本为所述Wafer的历史检测结果数据。更具体地，所述Wafer的基本信息包括所述Wafer的编号、包含的Die个数以及每一个Die的基本信息；所述Die的基本信息包括该Die的Die编号和图像信息。对应地，步骤S120中，所述根据所述检测对象的基本信息和所述缺陷在所述检测对象上的位置信息，获取该条检测结果数据在所述检测对象上对应的原始信息，包括：
S121：根据所述Wafer的基本信息，获取所述Wafer的每一个Die的Die编号及每一所述Die的基本信息；
S122：根据所述检测结果在所述Die上的位置信息以及所述Die的图像信息，获取该条检测结果数据在所述Die上对应的检测结果的图像信息。
为了便于更准确地理解本发明，以下对所述检测结果的数据信息和所述检测结果的图像信息予以解释说明，所述检测结果的数据信息包括在所述检测结果数据中对所述检测结果的图像信息的描述，而检测结果的图像信息为所述检测结果的数据信息在所述检测对象上对应的原始图像，换句话说，所述检测结果的数据信息包括所述检测结果的图像信息的数据表达。仍以晶圆为检测对象举例来说：若所述缺陷为纹理缺陷，则所述检测结果的数据信息记录了所述纹理缺陷的纹理特征，比如纹理的粗糙度等，而所述检测结果的图像信息为所述纹理缺陷对应的原始图像，由此，根据检测结果的图像信息，可以对所述检测结果的图像信息对应的所述检测结果数据进行复判，是真缺陷数据还是噪扰数据。
具体地，请参见图3，其示意性地给出了本发明一实施方式提供的对数据样本进行缺陷标注的其中一种界面示意图。从图3可以看出，在所述缺陷标注的界面上，共有3个主功能区，包括Wafer展示窗口区、检测数据列表窗口区以及缺陷(Defect)显示区。具体地，所述Wafer展示窗口区用于图示化显示所述Wafer的基本信息，包括但不限于Wafer上各个Die在所述Wafer上的位置及所述Die的编号。在所述Wafer展示窗口区下方，用户可以选择要进行缺陷标注的Die编号，根据用户选择的Die编号，在所述检测数据列表窗口区会刷新选中的Die编号对应的Die的历史检测数据结果。由此，根据所述检测数据列表窗口区内的检测结果数据的列表，用户可以逐条选择所述检测结果数据，在所述缺陷显示区会显示所述检测结果数据对应的原始信息(即所述检测结果的图像信息为所述检测结果在所述Die上的位置信息指示的图像信息)，由此，根据该原始信息的各种特征(纹理、大小、弯曲度、形状等)，可以通过人工复判或机器复判等方式进一步确认所述检测结果的数据信息指示的缺陷，是否为真缺陷，如果是，则将该条检测结果数据标记为真缺陷数据(比如将在所述检测数据列表窗口区中该条检测结果数据的标签标记为真缺陷，将人工判断是否为真实缺陷栏对应的值置为是)；如果否，则将该条检测结果数据标记为噪扰数据(比如将在所述检测数据列表窗口区中该条检测结果数据的标签标记为真缺陷，将人工判断是否为真实缺陷栏对应的值置为否)。一直重复上述过程，依次选择每个Die编号，并依次将当前Die下的每个检测数据结果进行人工标注，就能完成整个Wafer的检测数据结果的标注，以此类推，就能将所述第一数据样本标注，从而获取第二数据样本。
需要特别说明的是，上文虽然以人工标注的方式为例说明所述第一数据样本的标注方法，但很显然地，这并非本发明的限制，在其他的实施方式中，也可以通过机器学习等方法进行标注，本发明对此不作限定。进一步地，如前所述，本发明提供的检测配方设置与优化方法，虽然以晶圆为例作为检测对象进行说明，但如本领域技术人员所能理解地，这仅是较佳实施方式的示例性说明，而非本发明的限制，在其他的实施方式中，所述检测对象也可以为除晶圆之外的其他产品，包括但不限于镜片、显示屏、3D打印产品等等，不再一一示例说明。
优选地，在其中一种示范性实施方式中，步骤S200中，所述根据所述第二数据样本，得到所述检测对象的数据特征分布信息，包括：
S210：确定特征数据轴和分割数据轴，并根据所述特征数据轴和分割数据轴建立特征空间；其中，所述特征数据轴代表所述检测结果数据的特征数据信息，所述分割数据轴代表分割特征信息；其中，所述分割特征信息包括除用于所述特征数据轴之外的其他特征数据信息；
S220：根据所述特征空间对所述第二数据样本进行排列，得到所述检测对象的数据特征分布信息。
如此配置，本发明提供的检测配方设置与优化方法，通过所述特征空间将所述第二数据样本进行排列，其目的是为了使所述检测结果数据在特征空间中的分布呈现出某种趋势，使真缺陷数据和噪扰数据的区分更加明显，以便于获取缺陷分布边界信息。
优选地，所述特征空间包括一个或多个所述特征数据轴以及一个或多个所述分割数据轴。
本发明提供的检测配方与优化方法，所述特征空间可以包括多个所述特征数据轴以及多个所述分割数据轴，及所述特征空间可以为多维特征空间。比如，特征数据轴为两个，其中一个用于代表缺陷的灰度信息，另一个用于代表缺陷的纹理信息；分割数据轴的其中一个用于代表所述缺陷的形状信息，另一个代表所述缺陷的大小。由此，本发明提供的检测配方与优化方法，由于参考了所述缺陷的更多的特征信息，因此，为进一步提升所述检测配方的检测精度奠定了良好的基础。需要特别说明的是，上述仅是示例性说明而非本发明的限制，在实际应用中，所述特征数据轴、所述分割数据轴的及各自的个数应更根据实际需要合理选择。
优选地，在其中一种示范性实施方式中，步骤S220中，所述根据所述特征空间对所述第二数据样本进行排列，得到所述检测对象的数据特征分布信息，包括：
S221：将所述特征数据轴作为横轴，将所述分割数据轴作为纵轴，建立直角坐标系；
S222：在所述直角坐标系内，在所述横轴方向按照所述特征数据轴代表的所述特征数据信息的特征值大小、在所述纵轴方向按照所述分割数据轴代表的所述特征数据信息的特征值大小对所述第二数据样本进行排列，得到缺陷特征分布图。
具体地，请参见图4，其示意性地给出了其中一具体示例的检测结果数据在二维特征空间的分布示例图。从图4可以看出，该示例为横轴表示特征数据轴，纵轴表示分割数据轴形成的二维数据特征分布图。即坐标系内每个点的横坐标表示特征值大小，纵坐标表示对应的分割特征值大小，如此，所有检测结果数据的特征值构成了整个特征分布图。
需要特别说明的是，如前所述，上述示例虽然以二维特征空间分布为例进行说明，但是，在实际应用中，所述特征数据轴和所述分割数据轴可以是多维的。即所述分割数据轴可以选择多个分割值，以将检测结果数据(即第二样本数据)分为几种不同的特征分布。
进一步地，本发明并不限制特征空间的具体选取方法，在其中一种实施方式中，可使用特征选择算法进行特征数据轴和分割数据轴的选择从而自动选择特征空间；在其他的实施方式中，也可以手动进行特征数据轴和分割数据轴的选择，本发明对此不作任何限定。更具体地，所述特征数据轴可以表示颜色、纹理、形状、大小等信息，所述分割数轴可以是经过训练的均值图等信息。
进一步地，作为其中一种优选实施方式，所述特征空间选择的标准为：所述分割数据轴可以将不同的工艺区域进行较好的区分，所述特征数据轴可以使真缺陷数据和噪扰数据(噪声点)之间有明显的区别，最终目的是使检测结果数据在特征空间中的分布呈现出某种趋势，使真正的缺陷和噪声点的区分更为明显。比如，对于晶圆缺陷的检测结果数据，如果以特征数据信息中的形状作为特征数据轴比以特征数据信息中的纹理作为特征数据轴，更能将所述检测结果数据在所述特征空间中将真正的缺陷和噪扰数据区分的更为明显，则以所述特征数据信息中的形状作为特征数据轴，而不是以所述特征数据信息中的纹理作为特征数据轴。可以理解地，所述特征数据信息中的形状就不再作为所述分割数据轴。
优选地，在其中一种优选实施方式中，请参考图5，其示意性地给出了本发明一实施方式提供的检测配方设置与优化方法的流程示意图。从图5可以看出，步骤S300中，所述采用预设离群统计分析策略，对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息，包括：
判断是否自动寻找缺陷分布边界信息，若是，则根据选择的离群统计分析模型，对所述离群统计分析模型进行训练，获取缺陷分布边界信息；若否，则采用数据分割法对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息。
具体地，请参见图6，其中，图6为应用本发明提供的离群统计分析模型得到的缺陷分布边界信息示意图。图6中，feature1为分割数据轴，feartrue2为特征数据轴。从图6可以看出，在该示例中，所述缺陷分布边界信息3为一条曲线。由此可见，本发明提供的检测配方设置与优化方法，通过根据所述检测结果数据和所述数据特征分布信息，确定所述预设离群统计分析策略，并根据确定的所述预设离群统计分析策略，对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息，能够使得所述缺陷分布边界信息能将真缺陷数据2和噪扰数据1较好的进行分离，即所述缺陷分布边界信息能够使得在不产生漏检缺陷的情况下尽可能的减少过检问题，以滤除掉更多的噪声数据。从而能够保证后续依据所述缺陷分布边界信息进行反向推导确定的检测配方不出现漏检和过检，从而提高检测流程的缺陷检测精度。
需要特别说明的是，针对于同样的第二样本数据使用同样的特征空间，若采用的离群统计分析策略不同，则得到的所述缺陷分布边界信息可能不相同，由此，后续的反向推导以及检测配方的策略都与所述离群统计分析策略紧密相关，针对图6使用的相同的第二样本数据，如采用数据分割法，则所述缺陷分布边界信息的形状与图6中完全不同，具体请参见下文的描述，为了避免赘述，此处暂不展开。
为了便于理解和说明，以下均以二维数据分布为例进行说明，首先，对所述离群统计分析模型予以详细说明，然后，再对数据分割法进行说明。
具体地，所述对所述离群统计分析模型进行训练包括：根据所述检测结果数据和所述数据特征分布信息，对选定的所述离群统计分析模型进行训练，直至得到的所述检测对象的缺陷分布边界信息满足第一预设条件。
更具体地，如本领域技术人员可以理解地，可以根据所述检测结果数据和所述数据特征分布信息进行综合分析进行离群统计分析模型的选择，所述离群分析统计模型包括但不限于基于统计的离群算法(如3σ原则)、基于距离和邻近度的聚类算法(如K-means等)、基于密度的离群算法(如DBSCAN等)、基于树的离群分析算法(如孤立森林等)。需要特别说明的是，算法模型的选择是非常关键的，算法模型不同则意味着离群边界形状的不同，一个最优的算法模型能使数据集的训练既不发生欠拟合也不会出现过拟合。比如，若在所述特征空间中所述第二样本数据的分布更接近正态分布，则所述离群分析统计模型优选基于统计的离群算法(如3σ原则)，再比如，若在所述特征空间中所述第二样本数据的分布真缺陷数据以及噪扰数据之间距离较近，而缺陷数据和噪扰数据之间距离较远，则所述离群分析统计模型优选基于距离和邻近度的聚类算法。本领域的技术人员应该能够据此举一反三，在此不再一一赘述。
进一步地，本领域的技术人员应该能够理解，所述离群分析统计模型的目的是找到最优化的边界结果，在确定离群分析统计模型之后，应该使用所述第二样本数据对选定的所述离群分析统计模型进行训练，通过不断学习和目标优化过程从而使得模型训练的结果可以找到最佳的所述分割数据轴的拐点以及根据所述特征数据轴将真缺陷和噪扰数据(干扰噪声点)进行区别。由此，在所述离群分析统计模型训练完成之后，得到一个边界结果(即缺陷分布边界信息)，请参见图6，如图6所示，缺陷分布边界曲线3(即缺陷分布边界信息)能将缺陷数据和噪声数据较好的进行分离，保证检测结果不漏检也不产生过检的问题。即所述第一预设条件为缺陷分布边界信息能够将所述第二样本中的标签为真缺陷数据和标签为噪扰数据的检测结果数据进行区分。
进一步地，所述采用数据分割法对所述数据特征分布信息进行离群统计分析包括：根据所述检测结果数据和所述数据特征分布信息，在所述特征数据轴和/或所述分割数据轴上获取至少一个第一分割阈值；并根据所述第一分割阈值获取所述缺陷边界信息，直至得到的所述检测对象的缺陷分布边界信息满足第二预设条件。
作为其中一种优选实施方式，所述数据分割法包括在所述特征空间采用手动分割的方式，以获取所述第一分割阈值。如本领域技术人员可以理解地，本发明并不限定所述数据分割法的具体实施方式，在其他的实施方式中，也可以通过数据分割算法来获取所述第一分割阈值。
为了便于理解和说明，以下以二维数据分布、手动分割为例，对所述数据分割法予以说明如下：
S321：根据所述数据特征分布信息，以及标签为真缺陷数据和标签为噪扰数据的检测结果数据分布的一致性，确定所述分割数据轴的第一分割阈值。
S322：根据所述数据特征分布信息，以及标签为真缺陷数据和标签为噪扰数据的检测结果数据分布的一致性，确定所述特征数据轴的第二分割阈值；
S323：根据所述分割数据轴的第一分割阈值和所述特征数据轴的第二分割阈值，得到所述检测对象的缺陷分布边界信息。
具体地，步骤S321中，以所述数据特征分布信息作为输入，在这个特征分布图中对分割数据轴进行分割，分割的标准是检测结果数据分布的一致性，将具有一致分布的数据作为一个簇，找到簇与簇之间的分割值，使不同工艺的数据能够进行区分。所述一致分布包括检测结果数据的特征数据信息的分布规律，包括但不限于在特征空间中的分布密度、空间点的相对位置关系等，以此进行分割轴和特征轴阈值的确定依据，比如，在其中一个示例中，共设置两个第一分割阈值segment_value1和segment_value2。
对应地，步骤S322中，在特征分布中对所述特征数据轴进行第二分割阈值确定。由于在特征分布中已经对缺陷数据点进行了标注，因此，第二分割阈值确定的原则是让噪扰数据和真缺陷数据分离的尽量远，这样可以在保证检测结果数据不发生漏检的同时也尽可能减少过检的发生。即所述第二预设条件优选为所述缺陷边界信息能够将所述真缺陷数据和所述噪扰数据分离。
由此，在分别对分割数据轴的第一分割阈值和所述特征数据轴的第二分割阈值确定后，即可得到离群统计分析的缺陷分别边界信息。下图仍是以二维特征数据分布为例，将手动分割出来的缺陷分布边界信息进行了展示。在所述分割轴上使用两个第一分割阈值segment_value1和segment_value2进行了检测结果数据的分割，将所有的检测结果数据分为三段不同的分布。在每一个分割阈值的区间，在所述特征数据轴上使用三条不同的第二分割阈值将真缺陷和噪扰数据进行区分，得到最终的缺陷分布边界信息。即所述缺陷分布边界信息包括由两个第一分割阈值segment_value1和segment_value2形成的2条平行于所述特征数据轴featrue1的直线，以及分别位于特征数据轴featreu1、所述第一分割阈值segment_value1和segment_value2之间，且分别与所述特征数据轴featreu1和所述第一分割阈值segment_value1相交的第一线段、所述第一分割阈值segment_value1和segment_value2相交的第二线段以及与所述第一分割阈值segment_value2相交且沿着所述分割数据轴feature2向上延伸的第三直线。
优选地，在其中一种示范性实施方式中，所述采用预设离群统计分析策略还包括：数据分割和模型学习相结合的离群统计分析策略。所述数据分割和模型学习相结合的离群统计分析策略包括：根据所述数据特征分布信息，获取标签为真缺陷的所述检测结果数据在所述分割数据轴上的至少一个第一分割阈值；并根据所述第一分割阈值和所述数据特征分布信息，对选定的所述离群统计分析模型进行训练，直至得到的所述检测对象的缺陷分布边界信息满足第三预设条件。
如此配置，本发明提供的检测配方设置与优化方法，在获取离群分布边界信息时，通过数据分割和模型学习相结合的离群统计分析策略，可以进一步减少机器学习模型训练的不确定性，使机器学习模型的输入有一定的约束条件，将手动分割的结果作为约束条件，从而能够进一步提高缺陷边界分布信息获取的效率。
所述第三预设条件优选为在保证检测结果数据不发生漏检的同时也尽可能减少过检的发生，即所述第二预设条件优选为所述缺陷边界信息能够将所述真缺陷数据和所述噪扰数据分离或所述离群统计分析模型的训练次数达到预设值。
如本领域技术人员可以理解地，与数据分割法不同，采用数据分割和模型学习相结合的离群统计分析策略得到的缺陷分布边界信息与上述采用数据分割法得到的缺陷分布边界信息不同，采用数据分割和模型学习相结合的离群统计分析策略得到的缺陷分布边界信息包括由两个第一分割阈值segment_value1和segment_value2形成的2条平行于所述特征数据轴featrue1的直线，以及分别位于特征数据轴featreu1、所述第一分割阈值segment_value1和segment_value2形成的3个区间的包围所述真缺陷数据的封闭曲线。由于采用的离群统计分析策略不同，得到的缺陷边界分布信息截然不同，但很显然地，不管采用何种离群统计分析策略，得到的所述缺陷边界分布信息均能将所述检测结果数据中的真缺陷数据和噪扰数据准确地区分。如前所述，基于此，本发明并不限定所述离群统计分析策略的具体实现方式。
另外，所述数据分割和模型学习相结合的离群统计分析策略中的数据分割法和模型学习的详细内容，请参见上文中有关数据分割法和离群统计分析模型的详细说明，为了避免赘述，在此不再详述。
优选地，在其中一种示范性实施方式中，请参见图7，其示意性地给出了图1中步骤S400的详细流程示意图。从图7可以看出，步骤S400中，所述根据所述缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导，确定设置或优化检测配方的检测参数的取值，包括：
S410：根据所述预设离群统计分析策略，确定反向推导策略；
S420：根据所述反向推导策略，确定所述反向推导策略的输入数据信息；
S430：根据所述输入数据信息，确定所述检测结果数据的数据分布模型；
S440：根据所述数据分布模型和所述缺陷分布边界信息，确定所述检测配方的检测参数；
S450：根据所述检测配方的策略和所述反向推导的输入数据信息，设置或优化所述检测配方的检测参数的取值。
由此，与现有技术中正向的参数设置采用的根据正向调参反馈的结果，进行相应参数的调整(可能只调整一个或两个检测参数)相比，本发明提供的检测配方设置与优化方法，采用逆向推导的方式确定检测配方策略，并根据缺陷边界分布信息来反向推理出所述检测配方的所有参数设置值(关键参数，比如数据密度、数据稀疏距离和/或公差范围等)，将检测流程的参数之间的耦合关系也考虑在内，从而避免了反复调参过程；而且调参过程根据用户标注结果，用户无需具有先验知识，也可自动推理出一套相对准确的检测流程的参数，一次性地将所有检测参数均调到最优水平，在提高检测流程调参效率的同时，提高了检测配方的检测精度。
更具体地，请参见图8，其示意性地给出了应用本发明提供的检测配方设置与优化方法进行反向推导的一具体示例图。从图8可以看出，本发明提供的检测配方设置与优化方法，所述离群统计分析策略、所述反向推导策略以及所述检测流程的参数设置值是紧密相关的：即所述反向推导的策略和检测配方的策略与获取所述缺陷边界分布信息的所述离群统计分析策略的核心是一致的。举例而言，若采用离群分割法作为离群统计分析的策略，则反向推导以及检测配方的策略的基本原理也应该与所述离群分割法的基本原理一致。
为了便于理解本发明，以下分别以采用数据分割法作为离群统计分析策略、基于高斯模型的离群统计分析策略以及机器学习的离群统计分析策略为例，对反向推导获取检测配方的参数设置值的过程予以详细说明。
一、数据分割法，反向推导新的数据流程和参数设置值
在对运用数据分割法的基本原理进行反向推导以获取检测配方和参数设置值的具体步骤具体说明之前，先对该方法的核心思想说明如下：
为了便于理解本发明，请结合图9，其示意性地给出了本实施例一实施方式提供的其中一种检测结果数据的数据密度分布示意图。该方法的基本思想在于通过将特征分布图中检测结果数据的点(所述检测结果数据的特征值)密度大于第一阈值的区域定义为正常(normal)区域，即将正常区域表示为和数据密度相关的函数。由此，数据密度data_density大于所述第一阈值的所有数据点(检测结果数据的特征值)均是正常的，那么数据密度data_density就是需要反向推理的其中一项检测参数。进一步地，数据密度小于或等于所述第一阈值且大于第二阈值的区域定义为噪扰(nuisance)区域，噪扰区域的检测参数表示处于该区域的检测结果数据包含噪声，而这些噪声是允许的误差(即由于工艺误差和噪声影响会产生噪扰区域)，而不属于缺陷数据。即认为噪扰区域是在正常区域的基础上增加一个公差值(位移参数)用来描述噪扰区域，用下式表示：
nuisance_threshold ＝ f1(data_density) (1)
由于在离群统计分析中，已经对真缺陷数据进行了标注(即获得了噪扰区域和真缺陷区域的边界)，因此，可以根据缺陷边界分布信息将位移参数(公差值)进行反向推理得到。将数据密度小于或等于第二阈值(即噪扰区域之外)的区域定位为真缺陷(defect)区域，具体地，可以通过下式表示：
boundary threshold ＝ f2(inspection_data) (2)
defect_threshold ＝ f3(boundary threshold) (3)
offset_parameter ＝ abs (defect_threshold - nuisance_threshold) (4)
式中，boundary threshold为离群统计分析算法得到的缺陷分布边界结果，defect_threshold为所述缺陷分布边界boundary threshold相关的函数，最后利用defect_threshold和nuisance_threshold可以将位移参数offset_parameter)计算出来。
根据上述分析可知，作为其中一种优选实施方式，若所述预设离群统计分析策略为数据分割法，则通过以下步骤获取所述检测配方的位移参数：
步骤A1：根据所述数据分割法，将统计所述检测对象的检测结果数据的数据分布密度作为所述反向推导策略。
步骤A2：根据所述统计数据分布密度的反向推导策略，将所述检测对象的所有检测结果数据作为所述输入数据信息。
步骤A3：根据所有检测结果数据，假设所有的所述检测结果数据的特征数据信息的特征值在特征空间的数据分布密度分为正常区域、噪扰区域和真缺陷区域；所述正常区域为数据分布密度大于第一密度阈值的区域，噪扰区域为数据密度小于或等于所述第一密度阈值且大于第二密度阈值的区域，真缺陷区域为数据密度小于或等于所述第二密度阈值的区域。
步骤A4：根据所有检测结果数据和所有检测结果数据的标签，计算所述第一密度阈值和所述第二密度阈值；其中，所述第一密度阈值大于所述第二密度阈值；
步骤A5：根据所述第一密度阈值、所述第二密度阈值和所述缺陷分布边界信息，计算所述检测配方的位移参数。
更具体地，为了更清楚地理解本发明，接下来以晶圆宏缺陷检测为例对采用数据分割法获取缺陷边界分布信息、进行反向推导获取检测流程的参数设置值进行详细说明。
参见图10，其示意性地给出了本实施例一实施方式提供的标准分割轴的平均灰度级范围内的真缺陷分布示意图。如图10所示，假设在标准(standard)分割轴(即分割数据轴，对应图中的纵轴Feature2)的每个灰度级范围内都存在缺陷，并对真缺陷数据和噪扰数据进行了标注。其中，所述标准分割轴为通过N(N可以根据实际需要设定，比如图10中N＝10，本发明对此不作限定)张标准的无缺陷工艺数据图统计产生的平均图，即使用N张标准图对应像素灰度的平均值作为最终结果。具体地，请参见图11(a)-图11(c)以及图12，其中，图11(a)为本发明一实施方式提供的多张测试图示例图，图11(b)为图11(a)中多张测试图生成的均值图示例图，图11(c)为图11(a)中多张测试图生成的标准差图示例图，图12为应用本发明提供的灰度动态阈值示意图。图中，像素点A为测试图中的一个像素点，像素点A1和像素点A2分别为像素点A在均值图和标准差图中对应的像素点。
a、选定样本：选定样本(如图11(a)所示)，根据N张所述测试图统计(训练)得到平均值图和标准差图。
b、确定特征数据轴和分割数据轴，参见图10，feature1为图10中的特征数据轴，fearture2为图10中的分割数据轴。根据所述测试图的灰度值与所述分割数据轴的灰度值，计算得到各个测试图在特征数据轴feature1的值，如下式所示：
feature1＝test-mean (4)
式中，feature1为图10中的特征数据轴，test为所述测试图的灰度值，mean为N张所述测试图统计得到的平均值图的灰度值。
如前所述，所述分割数据轴feature2通过下式获得：
feature2＝mean (5)
式中，mean为所述标准图对应像素的灰度值的平均值。
c、假设缺陷分布边界信息(阈值)通过下式表示：
defect_threshold＝mean+/-(sigma*std+gray) (6)
式中，mean为所述标准图对应像素的灰度值的平均值，std为所述测试图中的其中一个像素点对应的标准差，sigma是标准差的系数，为待求解参数，gray为动态阈值。动态阈值gray相当于上文中的位移参数offset_parameter，可以定义为任意曲线，其和灰度值的平均值mean之间存在如下关系：
gray＝b+a1*mean+a2*mean^2+a3*mean^3+……+am*mean^m (7)
其中，当只取多项式的前两项时，动态阈值gray＝b+a1*mean为一条直线形式，当继续取后续的多项式时，变为曲线形式。将多个点的对应值带入式(6),整理得到：
由此，将反向推理检测参数的问题转化为使用最小二乘法求解上述方程组的最优解问题，其中sigma的值即为边界阈值假设公式中的方差std的系数，而[b a1 a2 … an]为上述要拟合的分段曲线图中的所有系数。
d、求解多项式中的各个系数
对方程组进行求解，得到sigma及[b a1 a2 … an]各个系数的值，即可将算法中涉及的参数全部解析出来。如下式：
/>
将上述方程组转化为矩阵形式，如下所示：
A x＝b
A’A x＝A’b
x＝(A’A)^(-1)*(A’b)
由此，x即为最终的解，可通过上述的矩阵运算得到向量：
根据上述向量，可以获取检测流程中的标准差的系数sigma，以及动态阈值曲线所需要的多个系数，由此，动态阈值gray的曲线也可得出。因此，在检测流程中使用下式即可得到测试图像中每个像素点的真缺陷阈值：
defect_threshold＝std*sigma+gray (6)
即大于上述阈值defect_threshold的像素点即为正常点，小于或等于阈值defect_threshold的像素点即为缺陷点。
具体地，请参见图11(d)和图11(e)，其中，图11(d)为其中一张测试图的放大示例图，图11(e)为使用机器学习算法检测出来的缺陷位置示意图。通过对比图11(d)和图11(e)不难发现，使用本发明提供的检测配方设置与优化方法得到的检测配方，能够准确地检测出待检测对象的真缺陷。
二、基于高斯模型的离群统计分析策略，反向推导新的数据流程和参数设置值
为了便于理解本发明，在具体说明本发明提供的基于离群学习的反向推导获取新的数据流程和参数设置值之前，先对基于高斯模型的离群统计分析策略，反向推导新的数据流程和参数设置值的核心思想说明予以说明。该方法的基本原理为假设在特征分布图中所有数据点(检测结果数据)的分布都服从高斯分布。然后根据离群统计分析中的缺陷(defect)边界分布信息反向推理检测模型(检测流程的策略)中需要用到的均值和方差以及方差系数等参数，以得到用高斯模型检测所需的相关参数。与所述数据分割法，反向推导新的数据流程和参数设置值的流程类似，基于高斯模型的离群统计分析策略，反向推导新的数据流程和参数设置值，包括以下步骤：
步骤B1：所述预设离群统计分析策略为基于高斯模型的离群统计分析策略；
步骤B2：根据所述基于高斯模型的离群统计分析策略，将获取所述检测对象的检测结果数据的高斯分布作为所述反向推导策略，将高斯模型检测作为检测配方的策略；
步骤B3：根据统计高斯分布的反向推导策略，将所述检测对象的所有检测结果数据作为所述输入数据信息和所述缺陷分布边界信息作为所述输入数据信息；
步骤B4：根据所有检测结果数据，假设所有的所述检测结果数据的特征数据信息的特征值在特征空间的数据分布密度服从高斯分布；
步骤B5：根据所述输入数据信息和所述缺陷分布边界信息，确定所述高斯模型检测的参数。
更具体地，通过下述各函数关系式表示如下：
boundary threshold＝f2(inspection_data) (6)
μ＝f4(inspection_data) (7)
∑＝f5(inspection_data,，μ) (8)
∏＝f6(boundary threshold，inspection_data，μ,，∑) (9)
式中，boundary threshold为离群算法得到的缺陷边界分布结果，可以已经得到这个边界矩阵boundary threshold。均值μ可以由检测结果数据得到，是对当前检测数据图像求取灰度的平均值而得。方差∑的计算是通过待检测图像的像素点的灰度值与均值μ相减的平方和，再求平均得到的。权重∏可以表示为boundary threshold，inspection_data，μ和∑相关联的函数，它表现为方差∑的系数，根据下式：
μ+∏*∑＝boundary threshold (10)
上式中，由于μ，方差∑和边界boundary threshold都已经计算得到，因此可以解方程得到权重∏。
三、基于机器学习的离群统计分析策略，反向推导新的数据流程和参数设置值
作为优选，在其中一种示范性实施方式中，所述基于机器学习的离群统计分析策略，反向推导新的数据流程和参数设置值，包括以下步骤：
步骤C1：所述预设离群统计分析策略为机器学习的离群统计分析策略；
步骤C2：根据所述机器学习的离群统计分析策略，将获取所述检测对象的检测结果数据的密度阈值和距离阈值作为所述反向推导策略，将机器学习模型作为检测配方的策略；
步骤C3：根据所述获取所述检测对象的检测结果数据的密度阈值和距离阈值的反向推导策略，将获取的所述检测对象的检测结果数据的密度和距离作为所述输入数据信息；
步骤C4：根据所有检测结果数据和所述缺陷边界分布信息，反向推导所述机器学习模型的检测策略的密度参数和距离参数。
如本领域技术人员可以理解地，由于机器学习模型需要制定多个参数，基于机器学习的离群统计分析算法，参数的确定直接影响检测精度的高低。如:k-means算法中的初始聚类中心，DBSCAN算法中的邻域和数量阈值等。由此，通过离群统计分析中的缺陷边界分布信息(结果)对这些机器学习参数进行反向推理，可以得到具有先验知识的机器学习模型，进而提高模型检测的精度。具体地，可以通过以下各式：
boundary threshold＝f7(inspection_data)
density parameters＝f8(boundary threshold,inspection_data)
distance parameters＝f9(boundary threshold,inspection_data)
式中，boundary threshold为离群算法得到的缺陷边界分布信息，和检测结果数据相关，在缺陷边界分析流程中已经得到。基于距离和密度进行聚类算法重要的两个参数是密度density parameters和距离distance parameters，密度density parameters和距离distance parameters来源于检测结果数据和边界矩阵，通过反推距离和密度参数，以使得缺陷恰好位于预设阈值之外能够被检测到；而正常的像素点则位于密度较大的阈值范围内，被过滤掉，由此，提高检测精度。
优选地，其中一种示范性实施方式中，请继续参见图1，从图1可以看出，所述检测配方设置与优化方法还包括：
S500：根据所述检测配方及所述检测配方的检测参数的取值，对待检测对象进行缺陷分析，得到所述待检测对象的缺陷数据信息。
请参见图13，其示意性地给出了应用本发明提出的检测配方设置与优化方法得到的检测流程检测得到的检测结果数据与原始检测流程得到的检测结果数据的对比示意图。从图13可以看出，应用本发明反向推导得到的检测流程的策略和参数设置值用于检测过程，nuisance噪声数据被过滤掉，真缺陷数据(defect缺陷数据)被保留，通过检测结果数据在特征空间的分布可以直观检验结果的正确性。
综上所述，本发明提供的检测配方设置与优化方法，所述第一数据样本包括若干条检测结果数据，所述检测结果数据包括大量辅助的调参信息，通过数据标注，为后续有效利用历史信息进行数据分析和推理从而能够获取到准确的先验知识提供了重要的依据，能够提高检测配方的检测精度。进一步地，本发明提供的检测配方设置与优化方法，检测配方的策略及参数设置值是根据缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导得到。由此，本发明通过反向推导能够同时推理出一套检测参数(同时调整出所有参数)，参数之间的耦合关系也考虑在内，实现了检测流程的快速建模；避免了反复调整参数，能够显著节约人力和时间成本；而且，针对新工艺缺陷检测，无需用户具备算法基础也能确定检测流程的策略及参数设置值。
本发明的再一实施例提供了一种检测配方设置与优化装置，具体地，请参见图14，其示意性地给出了本实施方式提供的检测配方设置与优化装置的结构框图。从图14可以看出，本实施例提供的检测配方设置与优化装置，包括：真缺陷及噪扰标记单元100、特征分布信息获取单元200、缺陷分布边界获取单元300和检测参数设置及优化单元400。
具体地，所述真缺陷及噪扰标记单元100，被配置为对第一数据样本进行标注，得到第二数据样本；其中，所述第一数据样本包括若干条检测结果数据；所述第二数据样本包括所述检测结果数据以及每条所述检测结果数据对应的标签。所述特征分布信息获取单元200，被配置为根据所述第二数据样本，得到检测对象的数据特征分布信息。所述缺陷分布边界获取单元300，被配置为采用预设离群统计分析策略，对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息，并用于根据所述预设离群统计分析策略，确定检测配方。所述检测参数设置及优化单元400，被配置为根据所述缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导，设置或优化所述检测配方的检测参数的取值。
优选地，作为其中一种示范性实施方式，所述检测配方设置与优化装置还包括检测配方应用单元500。具体地，所述检测配方应用单元500被配置为根据所述检测配方及所述检测配方的检测参数的取值，对待检测对象进行缺陷分析，得到所述待检测对象的缺陷数据信息。
由于本发明提供的检测配方设置与优化装置与上述各实施方式提供的检测配方设置与优化方法的基本原理类似，因此，为了避免赘述，对上述检测配方设置与优化装置实施方式的具体内容介绍的比较粗略，详细的内容可参见上文有关检测配方设置与优化方法的详细说明。进一步地，由于本发明提供的检测配方设置与优化装置与上述各实施方式提供的检测配方设置与优化方法属于同一发明构思，因此，本发明提供的检测配方设置与优化装置至少具有与所述检测配方设置与优化方法相同的有益效果，可以参考上文中的检测配方设置与优化方法中的相关内容，故对此不再进行赘述。此外，由于本发明中的检测配方设置与优化装置与上文所述的检测配方设置与优化方法属于同一发明构思，因此本文对检测配方设置与优化装置的介绍较为简单，关于是如何的，可以参考上文中的检测配方设置与优化方法中的相关内容，故对此不再进行赘述。
基于同一发明构思，本发明还提供一种电子设备，请参考图15，其示意性地给出了本发明一实施方式提供的电子设备的方框结构示意图。如图15所示，所述电子设备包括处理器601和存储器603，所述存储器603上存储有计算机程序，所述计算机程序被所述处理器601执行时，实现上文所述的检测配方设置与优化方法。由于本发明提供的电子设备与上文所述的检测配方设置与优化方法属于同一发明构思，因此其具有上文所述的检测配方设置与优化方法的所有优点，故对此不再进行赘述。
如图15所示，所述电子设备还包括通信接口602和通信总线604，其中所述处理器601、所述通信接口602、所述存储器603通过通信总线604完成相互间的通信。所述通信总线604可以是外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，EISA)总线等。该通信总线604可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。所述通信接口602用于上述电子设备与其他设备之间的通信。
本发明中所称处理器601可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，所述处理器601是所述电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
所述存储器603可用于存储所述计算机程序，所述处理器601通过运行或执行存储在所述存储器603内的计算机程序，以及调用存储在存储器603内的数据，实现所述电子设备的各种功能。
所述存储器603可以包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本发明还提供了一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时可以实现上文所述的检测配方设置与优化方法。由于本发明提供的可读存储介质与上文所述的检测配方设置与优化方法属于同一发明构思，因此其具有上文所述的检测配方设置与优化方法的所有优点，故对此不再进行赘述。
本发明实施方式的可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机硬盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其组合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
综上所述，与现有技术相比，本发明提供的检测配方设置与优化方法、装置、电子设备和存储介质具有以下优点：所述第一数据样本包括若干条检测结果数据，所述检测结果数据包括辅助的调参信息(比如所述检测对象的基本信息和特征数据信息，所述特征数据信息包括但不限于检测结果指示的缺陷的灰度、形状、纹理等信息)，通过数据标注可以区分真缺陷数据和噪扰数据，为后续有效利用历史信息进行数据分析和推理从而能够获取到准确的先验知识提供了重要的依据，能够提高检测配方的检测精度。进一步地，本发明提供的检测配方设置与优化方法，检测配方的策略及检测参数的取值是根据缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导得到。由此，本发明通过反向推导能够同时推理出一套检测参数(同时调整出所有参数)，参数之间的耦合关系也考虑在内，实现了检测配方的快速建模；避免了反复调整参数，能够显著节约人力和时间成本；而且，针对新工艺缺陷检测，无需用户具备算法基础也能确定检测配方的策略及检测配方的检测参数的取值。
应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
上述描述仅是对本发明较佳实施方式的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于本发明的保护范围。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (18)

1.一种检测配方设置与优化方法，其特征在于，包括：
对第一数据样本进行标注，得到第二数据样本；其中，所述第一数据样本包括若干条检测结果数据；所述第二数据样本包括所述检测结果数据以及每条所述检测结果数据对应的标签；
根据所述第二数据样本，得到检测对象的数据特征分布信息；
采用预设离群统计分析策略，对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息；并根据所述预设离群统计分析策略，确定检测配方；
根据所述缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导，设置或优化所述检测配方的检测参数的取值。
2.根据权利要求1所述的检测配方设置与优化方法，其特征在于，所述检测结果数据包括所述检测对象的基本信息和特征数据信息；其中，所述特征数据信息包括检测结果在所述检测对象上的位置信息，以及所述检测对象的工艺流程信息、所述检测结果的灰度信息、形状信息和纹理信息中的一种或多种；
所述对第一数据样本进行标注，得到第二数据样本，包括：
获取所述第一数据样本中每一条检测结果数据对应的所述检测对象的基本信息；
对于每一条检测结果数据，根据所述检测对象的基本信息和所述检测结果在所述检测对象上的位置信息，获取该条检测结果数据在所述检测对象上对应的原始信息；
根据所述原始信息，判断所述检测结果的数据信息标出的缺陷是否为真缺陷，若是，则将该条检测结果数据标记为真缺陷数据；若否，则将该条检测结果数据标记为噪扰数据；
根据所有的所述检测结果数据及每条所述检测结果数据对应的标签，得到所述第二数据样本。
3.根据权利要求2所述的检测配方设置与优化方法，其特征在于，所述检测对象包括Wafer；所述Wafer的基本信息包括所述Wafer的编号、包含的Die个数以及每一个Die的基本信息；所述Die的基本信息包括该Die的Die编号和图像信息；
所述根据所述检测对象的基本信息和所述检测结果在所述检测对象上的位置信息，获取该条检测结果数据在所述检测对象上对应的原始信息，包括：
根据所述Wafer的基本信息，获取所述Wafer的每一个Die的Die编号及每一所述Die的基本信息；
根据所述检测结果在所述Die上的位置信息以及所述Die的图像信息，获取该条检测结果数据在所述Die上对应的检测结果的图像信息。
4.根据权利要求1所述的检测配方设置与优化方法，其特征在于，所述根据所述第二数据样本，得到所述检测对象的数据特征分布信息，包括：
确定特征数据轴和分割数据轴，并根据所述特征数据轴和分割数据轴建立特征空间；其中，所述特征数据轴代表所述检测结果数据的特征数据信息，所述分割数据轴代表分割特征信息；其中，所述分割特征信息包括除用于所述特征数据轴之外的其他特征数据信息；
根据所述特征空间对所述第二数据样本进行排列，得到所述检测对象的数据特征分布信息。
5.根据权利要求4所述的检测配方设置与优化方法，其特征在于，所述特征空间包括一个或多个所述特征数据轴以及一个或多个所述分割数据轴。
6.根据权利要求4所述的检测配方设置与优化方法，其特征在于，所述根据所述特征空间对所述第二数据样本进行排列，得到所述检测对象的数据特征分布信息，包括：
将所述特征数据轴作为横轴，将所述分割数据轴作为纵轴，建立直角坐标系；
在所述直角坐标系内，在所述横轴方向按照所述特征数据轴代表的所述特征数据信息的特征值大小、在所述纵轴方向按照所述分割数据轴代表的所述特征数据信息的特征值大小对所述第二数据样本进行排列，得到缺陷特征分布图。
7.根据权利要求6所述的检测配方设置与优化方法，其特征在于，所述采用预设离群统计分析策略，对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息，包括：
判断是否自动寻找缺陷分布边界信息，若是，则根据选择的离群统计分析模型，对所述离群统计分析模型进行训练，获取缺陷分布边界信息；若否，则采用数据分割法对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息；
其中，所述对所述离群统计分析模型进行训练，包括：根据所述检测结果数据和所述数据特征分布信息，对选定的所述离群统计分析模型进行训练，直至得到的所述检测对象的缺陷分布边界信息满足第一预设条件；
所述采用数据分割法对所述数据特征分布信息进行离群统计分析，包括：根据所述检测结果数据和所述数据特征分布信息，在所述特征数据轴和/或所述分割数据轴上获取至少一个第一分割阈值；并根据所述第一分割阈值获取所述缺陷边界信息，直至得到的所述检测对象的缺陷分布边界信息满足第二预设条件。
8.根据权利要求7所述的检测配方设置与优化方法，其特征在于，所述分割数据轴代表工艺流程信息；所述根据所述检测结果数据和所述数据特征分布信息，对所述特征数据轴和/或所述分割数据轴进行阈值分割，直至得到的所述检测对象的缺陷分布边界信息满足第二预设条件，包括：
根据所述数据特征分布信息，以及标签为真缺陷数据和标签为噪扰数据的检测结果数据分布的一致性，确定所述分割数据轴的第一分割阈值；
根据所述数据特征分布信息，以及标签为真缺陷数据和标签为噪扰数据的检测结果数据分布的一致性，确定所述特征数据轴的第二分割阈值；
根据所述分割数据轴的第一分割阈值和所述特征数据轴的第二分割阈值，得到所述检测对象的缺陷分布边界信息。
9.根据权利要求7所述的检测配方设置与优化方法，其特征在于，所述采用预设离群统计分析策略还包括：数据分割和模型学习相结合的离群统计分析策略；
所述数据分割和模型学习相结合的离群统计分析策略包括：根据所述数据特征分布信息，获取标签为真缺陷的所述检测结果数据在所述分割数据轴上的至少一个第一分割阈值；并根据所述第一分割阈值和所述数据特征分布信息，对选定的所述离群统计分析模型进行训练，直至得到的所述检测对象的缺陷分布边界信息满足第三预设条件。
10.根据权利要求1所述的检测配方设置与优化方法，其特征在于，所述根据所述缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导，设置或优化所述检测配方的检测参数的取值，包括：
根据所述预设离群统计分析策略，确定反向推导策略；
根据所述反向推导策略，确定所述反向推导策略的输入数据信息；
根据所述输入数据信息，确定所述检测结果数据的数据分布模型；
根据所述数据分布模型和所述缺陷分布边界信息，确定所述检测配方的检测参数；
根据所述检测配方的策略和所述反向推导的输入数据信息，设置或优化所述检测配方的检测参数的取值。
11.根据权利要求10所述的检测配方设置与优化方法，其特征在于，所述预设离群统计分析策略为数据分割法；
根据所述数据分割法，将统计所述检测对象的检测结果数据的数据分布密度作为所述反向推导策略；
根据所述统计数据分布密度的反向推导策略，将所述检测对象的所有检测结果数据作为所述输入数据信息；
根据所有检测结果数据，假设所有的所述检测结果数据的特征数据信息的特征值在特征空间的数据分布密度分为正常区域、噪扰区域和真缺陷区域；所述正常区域为数据分布密度大于第一密度阈值的区域，噪扰区域为数据密度小于或等于所述第一密度阈值且大于第二密度阈值的区域，真缺陷区域为数据密度小于或等于所述第二密度阈值的区域；
根据所有检测结果数据和所有检测结果数据的标签，计算所述第一密度阈值和所述第二密度阈值；其中，所述第一密度阈值大于所述第二密度阈值；
根据所述第一密度阈值、所述第二密度阈值和所述缺陷分布边界信息，计算所述检测配方的位移参数。
12.根据权利要求10所述的检测配方设置与优化方法，其特征在于，所述预设离群统计分析策略为基于高斯模型的离群统计分析策略；
根据所述基于高斯模型的离群统计分析策略，将获取所述检测对象的检测结果数据的高斯分布作为所述反向推导策略，将高斯模型检测作为检测配方的策略；
根据统计高斯分布的反向推导策略，将所述检测对象的所有检测结果数据作为所述输入数据信息和所述缺陷分布边界信息作为所述输入数据信息；
根据所有检测结果数据，假设所有的所述检测结果数据的特征数据信息的特征值在特征空间的数据分布密度服从高斯分布；
根据所述输入数据信息和所述缺陷分布边界信息，确定所述高斯模型检测的参数。
13.根据权利要求10所述的检测配方设置与优化方法，其特征在于，所述预设离群统计分析策略为机器学习的离群统计分析策略；
根据所述机器学习的离群统计分析策略，将获取所述检测对象的检测结果数据的密度阈值和距离阈值作为所述反向推导策略，将机器学习模型作为检测配方的策略；
根据所述获取所述检测对象的检测结果数据的密度阈值和距离阈值的反向推导策略，将获取的所述检测对象的检测结果数据的密度和距离作为所述输入数据信息；
根据所有检测结果数据和所述缺陷边界分布信息，反向推导所述机器学习模型的检测策略的密度参数和距离参数。
14.根据权利要求1-13任一项所述的检测配方设置与优化方法，其特征在于，还包括：
根据所述检测配方及所述检测配方的检测参数的取值，对待检测对象进行缺陷分析，得到所述待检测对象的缺陷数据信息。
15.一种检测配方设置与优化装置，其特征在于，包括：
真缺陷及噪扰标记单元，被配置为对第一数据样本进行标注，得到第二数据样本；其中，所述第一数据样本包括若干条检测结果数据；所述第二数据样本包括所述检测结果数据以及每条所述检测结果数据对应的标签；
特征分布信息获取单元，被配置为根据所述第二数据样本，得到检测对象的数据特征分布信息；
缺陷分布边界获取单元，被配置为采用预设离群统计分析策略，对所述数据特征分布信息进行离群统计分析，获取缺陷分布边界信息，并用于根据所述预设离群统计分析策略，确定检测配方；
检测参数设置及优化单元，被配置为根据所述缺陷分布边界信息和所述预设离群统计分析策略，通过反向推导，设置或优化所述检测配方的检测参数的取值。
16.根据权利要求15所述的检测配方设置与优化装置，其特征在于，还包括：
检测配方应用单元，被配置为根据所述检测配方及所述检测配方的检测参数的取值，对待检测对象进行缺陷分析，得到所述待检测对象的缺陷数据信息。
17.一种电子设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1至14中任一项所述的检测配方设置与优化方法。
18.一种可读存储介质，其特征在于，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至14中任一项所述的检测配方设置与优化方法。
CN202210474912.7A 2022-04-29 2022-04-29 检测配方设置与优化方法、装置、电子设备和存储介质 Pending CN117058064A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210474912.7A CN117058064A (zh) 2022-04-29 2022-04-29 检测配方设置与优化方法、装置、电子设备和存储介质
PCT/CN2023/091070 WO2023208091A1 (zh) 2022-04-29 2023-04-27 检测配方设置与优化方法、装置、电子设备和存储介质
TW112115870A TW202343613A (zh) 2022-04-29 2023-04-27 檢測配方設置與優化方法、裝置、電子設備和儲存介質

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210474912.7A CN117058064A (zh) 2022-04-29 2022-04-29 检测配方设置与优化方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN117058064A true CN117058064A (zh) 2023-11-14

Family

ID=88517858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210474912.7A Pending CN117058064A (zh) 2022-04-29 2022-04-29 检测配方设置与优化方法、装置、电子设备和存储介质

Country Status (3)

Country Link
CN (1) CN117058064A (zh)
TW (1) TW202343613A (zh)
WO (1) WO2023208091A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011191296A (ja) * 2010-03-16 2011-09-29 Ngr Inc パターン検査装置および方法
CN108256632A (zh) * 2018-01-29 2018-07-06 百度在线网络技术（北京）有限公司 信息处理方法和装置
CN111523576B (zh) * 2020-04-13 2023-06-16 河海大学常州校区 一种适用于电子质量检测的密度峰值聚类离群点检测方法
CN111881299B (zh) * 2020-08-07 2023-06-30 哈尔滨商业大学 基于复制神经网络的离群事件检测与识别方法
CN113822870A (zh) * 2021-09-27 2021-12-21 陈博源 一种电致发光半导体板材表面缺陷ai检测方法

Also Published As

Publication number Publication date
WO2023208091A1 (zh) 2023-11-02
TW202343613A (zh) 2023-11-01

Similar Documents

Publication Publication Date Title
TW490591B (en) Pattern inspection apparatus, pattern inspection method, and recording medium
TWI716684B (zh) 臨界尺寸量測方法及用於量測臨界尺寸的影像處理裝置
US9846929B2 (en) Fast density estimation method for defect inspection application
JP7004826B2 (ja) 寸法計測装置、寸法計測方法及び半導体製造システム
US10628935B2 (en) Method and system for identifying defects of integrated circuits
US20210397170A1 (en) Implementation of deep neural networks for testing and quality control in the production of memory devices
JP2017107541A (ja) 情報処理装置、情報処理方法、プログラムおよび検査システム
CN108694265B (zh) 设计布局的失效风险的智能型预诊断系统及方法
CN111507055B (zh) 电路设计版图和电镜扫描图像的配准方法及系统、电路设计版图和其成像误差计算方法
CN115880520A (zh) 一种基于模板匹配和缺陷分割的缺陷等级分类方法及系统
CN113160161B (zh) 目标边缘处缺陷的检测方法和装置
KR20220014805A (ko) 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성
CN116128839A (zh) 晶圆缺陷识别方法、装置、电子设备以及存储介质
TWI752085B (zh) 用於評估積體電路中的圖案的計算系統及方法
CN115690670A (zh) 一种晶圆瑕疵智能识别方法和系统
CN115937175A (zh) 一种电路板表面缺陷检测方法、系统、设备及存储介质
WO2023029491A1 (zh) 面板阵列短路检测方法、装置、电子设备及存储介质
US20140003703A1 (en) Semiconductor circuit pattern measuring apparatus and method
CN114972268A (zh) 一种缺陷图像的生成方法、装置、电子设备及存储介质
CN115082444B (zh) 一种基于图像处理的铜管焊缝缺陷检测方法及系统
TWI780234B (zh) 用於判定圖樣的臨界尺寸變異的方法、系統及非暫態性電腦可讀取媒體
CN110553581B (zh) 临界尺寸量测方法及用于量测临界尺寸的图像处理装置
CN117058064A (zh) 检测配方设置与优化方法、装置、电子设备和存储介质
WO2021260765A1 (ja) 寸法計測装置、半導体製造装置及び半導体装置製造システム
CN114495108A (zh) 字符检测方法、装置、电子设备及可读介质

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