CN117116791A - 一种晶圆加工的瑕疵测试方法及装置 - Google Patents

一种晶圆加工的瑕疵测试方法及装置 Download PDF

Info

Publication number
CN117116791A
CN117116791A CN202311046191.0A CN202311046191A CN117116791A CN 117116791 A CN117116791 A CN 117116791A CN 202311046191 A CN202311046191 A CN 202311046191A CN 117116791 A CN117116791 A CN 117116791A
Authority
CN
China
Prior art keywords
wafer
defect
flaw
identification
region
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
CN202311046191.0A
Other languages
English (en)
Inventor
张国栋
张金胜
朱其新
龚渤
周莉
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.)
Suzhou University of Science and Technology
Jiangsu Etern Co Ltd
Original Assignee
Suzhou University of Science and Technology
Jiangsu Etern 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 Suzhou University of Science and Technology, Jiangsu Etern Co Ltd filed Critical Suzhou University of Science and Technology
Priority to CN202311046191.0A priority Critical patent/CN117116791A/zh
Publication of CN117116791A publication Critical patent/CN117116791A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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

Landscapes

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

Abstract

本申请涉及瑕疵检测技术领域，提供一种晶圆加工的瑕疵测试方法及装置。通过根据晶圆设计执行区域划分，对晶圆进行层级光强照射和颜色光照射以及图像采集构建光强通道集合和颜色通道集合，选定标准颜色通道并确定区域划分位置映射至两个通道集合；基于设计进行光强通道集合的兴趣区域划分并根据划分结果和映射结果定位兴趣区域进行瑕疵识别获得第一瑕疵集合；进行颜色通道集合瑕疵识别并根据映射结果确定第二瑕疵集合，根据两个瑕疵集合生成缺陷识别结果。解决现有技术中存在晶圆瑕疵识别方法单一，容易产生晶圆瑕疵识别遗漏，导致晶圆次品率上升的技术问题，实现了提高晶圆瑕疵识别准确度和瑕疵识别效率，降低晶圆生产次品率的技术效果。

Description

一种晶圆加工的瑕疵测试方法及装置
技术领域
本申请涉及瑕疵检测技术领域，特别是涉及一种晶圆加工的瑕疵测试方法及装置。
背景技术
晶圆作为半导体器件制作的核心材料，其表面质量的好坏直接影响到器件的性能和可靠性。因此，对晶圆的瑕疵识别十分重要。目前，晶圆瑕疵识别主要依靠图像处理技术和人工检查，但这些方法都存在一定的局限性和缺陷。
晶圆表面的瑕疵形态、大小，对颜色光的敏感度等因素的差异都会影响检测的准确度，而且随着晶圆尺寸的不断增大和制造工艺的不断进步，晶圆上的瑕疵也越来越复杂和多样化，这就为瑕疵的识别带来了更大的挑战。
综上所述，现有技术中存在晶圆瑕疵识别方法单一，容易产生晶圆瑕疵识别遗漏，导致晶圆次品率上升的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实现提高晶圆瑕疵识别准确度和瑕疵识别效率，降低晶圆生产次品率的一种晶圆加工的瑕疵测试方法及装置。
一种晶圆加工的瑕疵测试方法，方法包括：读取晶圆的设计信息，并执行晶圆的区域划分，设置区隔特征，其中，区域划分结果包括第一区域和第二区域，所述第一区域为重要区域，所述第二区域为常规区域；对待测晶圆进行层级光强照射，并对照射结果进行图像采集，构建光强通道集合；对所述待测晶圆进行颜色光照射，并对照射结果进行图像采集，构建颜色通道集合；选定所述颜色通道集合中的标准颜色通道，并基于所述区隔特征进行所述标准颜色通道的特征匹配，确定所述第一区域和所述第二区域的区域位置，并将其映射至所述光强通道集合和所述颜色通道集合；基于所述设计信息对所述光强通道集合进行每一光强通道的兴趣区域划分，并根据划分结果和映射结果定位兴趣区域；进行所述兴趣区域的瑕疵识别，并根据所述映射结果确定第一瑕疵集合；进行所述颜色通道集合的瑕疵识别，并根据所述映射结果确定第二瑕疵集合；根据所述第一瑕疵集合和所述第二瑕疵集合生成所述待测晶圆的缺陷识别结果。
一种晶圆加工的瑕疵测试装置，所述装置包括：晶圆区域划分模块，用于读取晶圆的设计信息，并执行晶圆的区域划分，设置区隔特征，其中，区域划分结果包括第一区域和第二区域，所述第一区域为重要区域，所述第二区域为常规区域；光强通道构建模块，用于对待测晶圆进行层级光强照射，并对照射结果进行图像采集，构建光强通道集合；颜色通道构建模块，用于对所述待测晶圆进行颜色光照射，并对照射结果进行图像采集，构建颜色通道集合；特征匹配执行模块，用于选定所述颜色通道集合中的标准颜色通道，并基于所述区隔特征进行所述标准颜色通道的特征匹配，确定所述第一区域和所述第二区域的区域位置，并将其映射至所述光强通道集合和所述颜色通道集合；兴趣区域定位模块，用于基于所述设计信息对所述光强通道集合进行每一光强通道的兴趣区域划分，并根据划分结果和映射结果定位兴趣区域；瑕疵识别执行模块，用于进行所述兴趣区域的瑕疵识别，并根据所述映射结果确定第一瑕疵集合；瑕疵集合确定模块，用于进行所述颜色通道集合的瑕疵识别，并根据所述映射结果确定第二瑕疵集合；缺陷识别执行模块，用于根据所述第一瑕疵集合和所述第二瑕疵集合生成所述待测晶圆的缺陷识别结果。
上述一种晶圆加工的瑕疵测试方法及装置，解决了现有技术中存在晶圆瑕疵识别方法单一，容易产生晶圆瑕疵识别遗漏，导致晶圆次品率上升的技术问题，实现了提高晶圆瑕疵识别准确度和瑕疵识别效率，降低晶圆生产次品率的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种晶圆加工的瑕疵测试方法的流程示意图；
图2为一个实施例中一种晶圆加工的瑕疵测试方法中确定第二瑕疵集合的流程示意图；
图3为一个实施例中一种晶圆加工的瑕疵测试方法中进行晶圆加工控制预警的流程示意图；
图4为一个实施例中一种晶圆加工的瑕疵测试装置的结构框图；
附图标记说明：晶圆区域划分模块1，光强通道构建模块2，颜色通道构建模块3，特征匹配执行模块4，兴趣区域定位模块5，瑕疵识别执行模块6，瑕疵集合确定模块7，缺陷识别执行模块8。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种晶圆加工的瑕疵测试方法，所述方法包括：
S100:读取晶圆的设计信息，并执行晶圆的区域划分，设置区隔特征，其中，区域划分结果包括第一区域和第二区域，所述第一区域为重要区域，所述第二区域为常规区域；
具体而言，应理解的，在进行晶圆生产时，往往基于晶圆设计信息进行多批次相同晶圆生产，读取待测晶圆的设计信息，所述设计信息为晶圆设计者基于晶圆目标应用领域或计划生产芯片的需求所设计的晶圆表面功能区域布局设计。
根据所述设计信息定位关键电路区域、测试区域、输入输出端口和引脚区域，将如上三个功能区域作为晶圆表面的重要区域组成，刨除如上三个功能区域的晶圆表面其他功能区域作为常规区域组成，本实施例对于重要区域组成和常规区域组成的设定不做限定，可根据晶圆的电子器件集中程度以及电子器件重要程度进行调整。
基于预设的重要区域组成和常规区域组成，结合所述设计信息进行晶圆的区域划分，从而将晶圆表面划分为重要区域和非重要区域，获得包括第一区域和第二区域的区域划分结果，所述第一区域为重要区域，所述第二区域为常规区域。
所述区隔特征为定位特征，所述区隔特征用于辅助将待测晶圆实体表面按照前文确定的重要区域组分和常规区域组分进行晶圆表面区域划分。示例性的，所述区隔特征为晶圆设计中的基准点或定位点，包括但不限于矩形基准点、圆形基准点、十字基准点，根据所述区隔特征定位晶圆角度以及划分重要区域、常规区域的分割线位置，以实现在一个获得一个晶圆实体或照片时，进行角度调整以及重要区域、常规区域的映射划分。
S200:对待测晶圆进行层级光强照射，并对照射结果进行图像采集，构建光强通道集合；
S300:对所述待测晶圆进行颜色光照射，并对照射结果进行图像采集，构建颜色通道集合；
具体而言，在本实施例中，待测晶圆为进行多批次相同设计信息的晶圆生产过程中，随机抽样获得的待进行瑕疵检测的晶圆产品。
应理解的，为实现晶圆的各个功能区域具有不同的功能和特性，晶圆通常由多种材料组成，材料的折射率和透过率的不同使得晶圆表面各个部分的透光性存在差异，同时，晶圆不同功能区域的结构设计不同，结构的形状、大小、密度等参数的差异，也会导致晶圆表面各个区域的透光性的差异。相应的，由于晶圆表面各区域的折射率和透光性差异，晶圆在生产环节产生的各种类型瑕疵在不同颜色光下显示清晰度、完整度存在差异性。
因而本实施例根据所述设计信息获得待测晶圆的功能区域布局，并对各个功能区域设定不同层级光强照射，基于不同层级光强照射对待测晶圆整体进行穿透照射，并进行不同层级光强照射下待测晶圆图像采集。
基于不同层级光强照射下采集的待测晶圆图像构建光强通道集合，所述光强通道集合中每一光强通道对应于一个层级光强照射下的待测晶圆图像。
设定层级光强穿透照射并图像采集的同时，本实施例控制光强为标准光强(例如将光强控制为层级光强中最低层级光强或均值层级光强或中间值层级光强)，改变光照颜色，对所述待测晶圆进行不同颜色光照射，并对照射结果进行图像采集，构建颜色通道集合，所述颜色通道集合中每一颜色通道对应一种颜色光照射的待测晶圆图像。
示例性的，层级光强有K种，基于K种层级光强对待测晶圆表面进行照射以及图像采集，则所述光强通道集合由K个光强通道构成，待测晶圆采用M种颜色光照射，则所述颜色通道集合由M个颜色通道构成。
本实施例通过对待测晶圆采用层级光强照射和不同颜色光照射，为后续相互验证，确定待测晶圆表面的瑕疵缺陷提供有效参考。
S400:选定所述颜色通道集合中的标准颜色通道，并基于所述区隔特征进行所述标准颜色通道的特征匹配，确定所述第一区域和所述第二区域的区域位置，并将其映射至所述光强通道集合和所述颜色通道集合；
具体而言，在本实施例中，所述标准颜色通道为采用RGB值255，225，255的颜色光照射待测晶圆并采集图像所获得的颜色通道，从所述颜色通道集合中选定提取所述标准颜色通道的待测晶圆的图像。
应注意的，在本实施中，对所述待测晶圆进行层级光强照射及图像采集，颜色光照射及图像采集过程中，待测晶圆在载物台上位置固定不变，因而在不同颜色光及不同光强下，所采集图像中瑕疵特征的相对位置具有固定性，因而每张待测晶圆图像中晶圆区隔特征位置相对一致。
因而本实施例在获得所述标准颜色通道对应的待测晶圆图像后，基于所述区隔特征进行所述标准颜色通道中待测晶圆表面图像的特征匹配，所述特征匹配为基于区隔特征中晶圆设计的基准点或定位点调整所述标准颜色通道中待测晶圆表面图像的角度，以使每张待测晶圆表面图像中晶圆的放置角度相一致，以避免在基于多张待测图像进行瑕疵特征识别时，同一瑕疵被识别为晶圆表面不同位置的瑕疵。同时，在调整待测晶圆图像角度后，基于区隔特征中基准点和区域划分线条的相对位置关系，确定所述第一区域和所述第二区域在所述标准颜色通道中待测晶圆表面图像中的区域位置，并基于获得的第一区域位置及第二区域位置进行所述待测晶圆表面图像的图像划分，获得第一区域位置图像集合和第二区域位置图像集合，每个区域位置图像集合中的多个待测晶圆表面局部图像对应于待测晶圆表面相同区域位置，将第一区域位置图像集合和第二区域位置图像集合映射至所述光强通道集合和所述颜色通道集合，以实现同步划分所述光强通道集合和所述颜色通道集合中全部待测晶圆图像的第一区域和第二区域。
S500:基于所述设计信息对所述光强通道集合进行每一光强通道的兴趣区域划分，并根据划分结果和映射结果定位兴趣区域；
具体而言，应理解的，为实现晶圆的各个功能区域具有不同的功能和特性，晶圆通常由多种材料组成，材料的折射率和透过率的不同使得晶圆表面各个部分的透光性存在差异，晶圆在生产环节产生的各种类型瑕疵在不同层级光强照射下显示清晰度、完整度存在差异性。所述兴趣区域为任一层级光强进行待测晶圆照射时，能够真实准确反映晶圆瑕疵的待测晶圆局部区域。
本实施例基于所述设计信息获得待测晶圆各个功能区域的材料组成和电子元器件集成密度，获得不同材料和电子元器件集成密度下瑕疵清晰展现所需光强，从而获得功能区域和层级光强之间的映射关系，进而基于层级光强进行若干个功能区域的聚合，获得每个层级光强对应的一个或多个功能区域。
每个层级光强对应的一个或多个功能区域即为所述光强通道集合中每一光强通道的兴趣区域划分情况。本实施例在基于第一区域和第二区域进行所述光强通道集合中待测晶圆图像划分的基础上，基于兴趣区域划分结果进行所述光强通道集合中待测晶圆图像的二次划分，基于二次划分后，所述光强通道集合中，每一光强通道保留的待测晶圆局部图像为兴趣区域图像，且兴趣区域图像中可能存在第一区域和第二区域划分的区域分界线，且基于兴趣区域图像可较为清晰识别晶圆局部表面是否存在瑕疵。
S600:进行所述兴趣区域的瑕疵识别，并根据所述映射结果确定第一瑕疵集合；
具体而言，在本实施例中，基于BP神经网络预构建瑕疵识别模型，瑕疵识别模型的输入数据为晶圆图像，输出结果为晶圆瑕疵识别结果。所述瑕疵识别模型的训练方法如下，根据所述设计信息采集获得历史同型号多个晶圆的瑕疵图像，作为样本瑕疵图像集合，对样本瑕疵图像集合中的瑕疵种类进行识别标记获得样本瑕疵识别结果集合，将样本瑕疵图像集合和样本瑕疵识别结果集合作为模型训练数据，按照8:1:1划分为训练集、测试集和验证集，基于训练集和测试集进行瑕疵识别模型的训练，基于验证集进行瑕疵识别模型输出准确度验证，当瑕疵识别模型识别瑕疵准确率高于95％即认为模型训练成功。
基于所述兴趣区域提取获得待测晶圆局部图像并输入瑕疵识别模型进行晶圆瑕疵识别获得所述第一瑕疵集合，所述第一瑕疵集合包括所述光强通道集合中每一层级光强通道对应的兴趣区域的瑕疵种类识别结果。
S700:进行所述颜色通道集合的瑕疵识别，并根据所述映射结果确定第二瑕疵集合；
在一个实施例中，如图2所示，本申请提供的方法步骤还包括：
S710:基于大数据进行晶圆的缺陷数据集构建，其中，所述缺陷数据集带有所述第一区域和所述第二区域的区域关联标识；
S720:对所述缺陷数据集进行颜色光的敏感标识，确定颜色光的敏感关联系数，其中，所述敏感关联系数包括正相关关联系数；
S730:通过所述敏感关联系数进行所述颜色通道集合的瑕疵识别结果瑕疵识别校验，基于识别校验结果确定所述第二瑕疵集合。
具体而言，在本实施例中，所述大数据为基于所述设计信息获得的待测晶圆型号规格信息，在晶圆生产历史数据中提取获得的同型号规格历史生产晶圆信息，包括但不限于晶圆表面多种瑕疵缺陷图像。基于所述大数据获得多个历史晶圆表面图像，并获得多个历史晶圆表面图像的多种表面瑕疵缺陷。将所述第一区域和第二区域结合所述区隔特征映射至所述多个历史晶圆图像，以获得多种表面瑕疵缺陷在第一区域和第二区域的出现频次，将多种表面瑕疵缺陷在第一区域和第二区域出现频次占晶圆表面瑕疵缺陷总频次百分比，作为每种表面瑕疵缺陷的标识，所述标识为第一区域和所述第二区域的区域关联标识，基于带有区域关联标识的多种表面瑕疵缺陷构建获得所述缺陷数据集。
获得多个历史晶圆实体，对多个历史晶圆实体采用所述颜色光进行照射，将瑕疵缺陷在不同颜色光下的展示完整性情况进行数值化，获得所述敏感关联系数。
具体数值化瑕疵缺陷的敏感关联系数的方法为，基于所述多种表面缺陷瑕疵，随机选择获得第一表面缺陷瑕疵，基于步骤S200的颜色光照射获得多种颜色光下多个第一表面缺陷瑕疵图像，对多个第一表面缺陷瑕疵图像进行最大宽度值和最大长度值采集，获得与多个第一表面缺陷瑕疵图像存在映射关系的多组长度值-宽度值，对多组长度值-宽度值进行序列化，将长宽数据最大对应的第一表面缺陷瑕疵图像对应的颜色光标记为100，计算排序第二的长宽数据与长宽数据最大值之间的偏离百分比，乘以100作为排序第二的长宽数据对应的颜色光的敏感关联系数，以此类推获得第一表面缺陷瑕疵在多种颜色光下展示完整度的所述敏感关联系数。采用相同方法对所述缺陷数据集中的多种表面缺陷瑕疵进行多种颜色光的敏感关联系数标识，应理解的，理论上不存在瑕疵缺陷在某种光下完全不显示，因而所述敏感关联系数仅包括正相关关联系数。
将所述颜色通道集合对应的多张待测晶圆表面图像输入步骤S600构建的瑕疵识别模型进行晶圆瑕疵识别，获得所述颜色通道集合的瑕疵识别结果瑕疵(多张待测晶圆表面图像的瑕疵种类识别标记)。通过所述敏感关联系数进行所述颜色通道集合的瑕疵识别结果瑕疵识别校验，基于识别校验结果确定所述第二瑕疵集合。本实施例在后续说明书中详细阐述通过所述敏感关联系数进行所述颜色通道集合的瑕疵识别结果瑕疵识别校验，基于识别校验结果确定所述第二瑕疵集合的最优实施例。
本实施例通过对一个待测晶圆进行不同颜色光照射以及瑕疵识别，实现了根据瑕疵对不同颜色光的敏感度进行瑕疵识别定位，提高瑕疵识别准确度和基于瑕疵识别结果进行晶圆生产工艺优化或次品晶圆检出时的瑕疵数据可信度和可参考性的技术效果。
S800:根据所述第一瑕疵集合和所述第二瑕疵集合生成所述待测晶圆的缺陷识别结果。
在一个实施例中，如图3所示，本申请提供的方法步骤还包括：
S810:对所述缺陷识别结果进行缺陷记录，并生成加工反馈信息；
S820:根据所述加工反馈信息进行晶圆加工的控制预警。
具体而言，在本实施例中，综合所述第一瑕疵集合和所述第二瑕疵集合生成所述待测晶圆的缺陷识别结果，所述缺陷识别结果准确反映了所述待测晶圆的表面缺陷瑕疵种类，将所述缺陷识别结果进行缺陷记录，并生成所述加工反馈信息发送至晶圆生产线管理人员，晶圆生产线管理人员根据所述加工反馈信息中所述待测晶圆的表面瑕疵种类判断对应于瑕疵种类的加工步骤进行晶圆生产工艺优化，或暂停待测晶圆同批次晶圆的生产加工进行生产设备维修管理，从而实现提高基于所述设计信息进行晶圆生产的良品率的技术效果。
在一个实施例中，本申请提供的方法步骤还包括：
S731:当所述颜色通道集合中任一通道识别出缺陷时，则根据所述缺陷匹配对应敏感关联系数，并执行敏感关联系数对应颜色通道的正相关顺序排序；
S732:提取对应颜色通道关于所述缺陷位置的第一缺陷识别特征，其中，所述第一缺陷识别特征包括特征种类和特征值；
S733:当所述第一缺陷识别特征中包括非相同特征时，则对当前位置进行异常标识，基于异常标识结果确定所述第二瑕疵集合。
在一个实施例中，本申请提供的方法步骤还包括：
S733-1:调用所述非相同特征的敏感关联系数对应的颜色通道，并提取颜色通道的第二缺陷识别特征；
S733-2:根据所述非相同特征的敏感关联系数确定正相关关联系数满足预定阈值的数量，并根据对应数量设置比对通过阈值；
S733-3:当颜色通道中所述第二缺陷识别特征的识别数量超过所述比对通过阈值，则确定对应区域为组合缺陷区域，并根据所述第一缺陷识别特征和所述第二缺陷识别特征确定所述第二瑕疵集合。
在一个实施例中，本申请提供的方法步骤还包括：
S732-1:根据所述正相关顺序排序进行对应正相关关联系数的系数等级划分，并确定等级差级；
S732-2:若第一顺序的正相关关联系数等级与第二顺序的正相关关联系数等级差级超过二级，且所述第一缺陷识别特征中不包括非相同特征时，则根据所述第一顺序对应的特征值获得所述第二瑕疵集合。
在一个实施例中，本申请提供的方法步骤还包括：
S732-2-1:设置顺序聚合区间，并根据所述顺序聚合区间进行等级划分结果的等级聚合，并筛选获得目标聚合结果；
S732-2-2:基于所述目标聚合结果的等级划分结果与所述特征值进行相关分析；
S732-2-3:基于相关分析结果确定所述第二瑕疵集合。
本实施例是步骤S700的细化，同时也是通过所述敏感关联系数进行所述颜色通道集合的瑕疵识别结果瑕疵识别校验，基于识别校验结果确定所述第二瑕疵集合的最优实施例。
具体而言，在本实施例中，将所述颜色通道集合中的各个颜色通道对应的待测晶圆表面图像逐一输入步骤S600构建的瑕疵识别模型进行晶圆瑕疵识别，当任意一个颜色通道输入模型后有瑕疵识别结果时，表明从该颜色通道识别出了待测晶圆的瑕疵缺陷，既就是所述待测晶圆表面必然存在瑕疵缺陷。当识别出瑕疵缺陷时停止所述瑕疵识别模型的运行。在确定所述待测晶圆表面存在缺陷后，本实施例进一步进行获得瑕疵缺陷的精准尺寸数据。
具体的，在步骤S600，本实施例获得所述缺陷数据集中的多种表面缺陷瑕疵对于多种颜色光照射的敏感度的所述敏感关联系数标识。因而本实施例根据所述缺陷在所述缺陷数据集中匹配对应的表面瑕疵缺陷种类，以及对应于当前颜色通道的关联敏感系数，并根据敏感关联系数和颜色光的映射关系，以及当前待测晶圆表面存在的瑕疵缺陷对应的一种表面瑕疵缺陷种类在不同颜色光下的敏感关联系数(正相关关联系数)，对于所述颜色通道集合中的各个颜色通道进行正相关顺序排序，以进行所述颜色通道集合的序列化。
基于识别获得待测晶圆的表面瑕疵缺陷位置，映射至所述颜色通道集合中所有颜色通道，从而提取获得所有颜色通道中所述缺陷位置的图像，获得颜色通道图像集合。
基于所述颜色通道图像集合进行缺陷识别，具体的，将所述颜色通道图像集合逐一输入步骤S600构建的瑕疵识别模型进行晶圆瑕疵识别，获得对应于颜色通道图像集合中多张颜色通道图像的缺陷种类特征识别结果，应理解的，由于瑕疵在不同颜色照下的显示完整性和清晰度不同，存在一个瑕疵在某种颜色光下显示而在另一种颜色光下不显示的情况，因而存在某张颜色通道图像的缺陷种类特征识别结果包括前述缺陷种类瑕疵以及新增缺陷种类瑕疵的情况。
在获得所述缺陷种类特征识别结果的基础上，采用现有缺陷尺寸参数测量方法，获得所述缺陷种类特征识别结果的所述特征值(缺陷尺寸参数)。将获得的所述颜色通道图像集合的缺陷种类特征识别结果统称为所述特征种类，将缺陷种类特征识别结果的缺陷尺寸参数统称为特征值，所述特征种类和所述特征值构成所述第一缺陷识别特征。
在本实施例中，预设正相关关联系数等级划分阈值，例如将0～100的正相关关联系数划分为10个等级，二级的正相关关联系数阈值为[10，20)，依次类推获得正相关关联系数等级划分。
根据所述正相关顺序排序进行对应正相关关联系数的系数等级划分，获得所述颜色通道图像集合中，每个颜色通道图像的等级划分结果，并根据所述等级划分结果进行相邻两个颜色通道图像的等级差级计算。
设置顺序聚合区间，所述顺序聚合区间为将等级差值在一定范围内，且正相关顺序排序相邻的两个颜色通道图像保留一项的等级差值阈值。根据所述顺序聚合区间进行等级划分结果的等级聚合，并筛选获得目标聚合结果，所述目标聚合结果为将等级差值满足所述顺序聚合区间的相邻颜色通道图像删去等级划分结果较小一项后获得的颜色通道图像数量减少的颜色通道图像集合。所述目标聚合结果中多个颜色通道图像的排序基于所述正相关顺序排序进位。
所述第一顺序和第二顺序的正相关关联系数等级为在所述目标聚合结果中相邻的两个正相关关联系数的等级划分结果。基于所述第一缺陷识别特征提取获得所述第一顺序和第二顺序对应的颜色通道图像集合的缺陷种类特征识别结果。
判断第一顺序的正相关关联系数等级与第二顺序的正相关关联系数等级差级超过二级，判断所述第一顺序和第二顺序对应的颜色通道图像集合的缺陷种类特征识别结果是否一致，即就是所述第一缺陷识别特征中不包括非相同特征。
若第一顺序的正相关关联系数等级与第二顺序的正相关关联系数等级差级超过二级，且所述第一缺陷识别特征中不包括非相同特征时，表明第一顺序和第二顺序对应的相邻两个颜色通道图像集合中包含的同种类瑕疵缺陷(同一瑕疵缺陷)的尺寸相差较大，第二顺序对应颜色通道图像的瑕疵缺陷特征值不具有可信性。
因而本实施例根据所述第一顺序对应的特征值获得所述第二瑕疵集合，所述第二瑕疵集合为待测晶圆表面存在瑕疵缺陷的缺陷特征位置以及缺陷特征值。
当所述第一缺陷识别特征中包括非相同特征时，表明所述缺陷位置存在仅在某些种颜色光下方才出现的缺陷瑕疵，所述缺陷位置为两个瑕疵缺陷杂糅。因而本实施例对所述缺陷位置中存在非相同特征的位置进行异常标识获得所述异常标识结果。
采用获得所述第一缺陷识别特征相同方法，通过调用所述非相同特征的敏感关联系数对应的颜色通道，所述颜色通道为对所述非相同特征的缺陷瑕疵感兴趣的若干个颜色通道，提取当前获得的若干个颜色通道的所述第二缺陷识别特征，所述第二缺陷识别特征的获得逻辑与获得所述第一缺陷识别特征逻辑一致。
获得所述非相同特征在所述缺陷数据集中对应的缺陷种类在多种颜色光的敏感关联系数，基于获得的多种颜色光的敏感关联系数提取获得正相关关联系数，并将多个正相关关联系数与预定阈值(基于需求设定的一个正相关关联系数的数值)比对，获得满足预定阈值的数量，并根据对应数量设置比对通过阈值，所述比对通过阈值为认可所述非相同特征在所述缺陷位置存在的标准。
具体的，当颜色通道中所述第二缺陷识别特征的识别数量超过所述比对通过阈值时，既就是满足所述通过阈值数量要求的颜色通道都能够识别获得所述非相同特征的所述第二缺陷识别特征时，则确定对应区域为具有多种瑕疵类型杂糅的所述组合缺陷区域，获得所述组合缺陷区域中所述非相同特征的特征种类和特征值新增至所述第二缺陷识别特征，进行所述第二缺陷识别特征的更新。并根据所述第一缺陷识别特征和所述第二缺陷识别特征确定所述第二瑕疵集合。
本实施例通过对待测晶圆设定不同层级光强的光强通道集合以及不同颜色的颜色通道集合进行所述待测晶圆的多维度瑕疵检测验证，实现了高效获得高准确率的晶圆瑕疵缺陷识别结果，进而实现降低晶圆生产次品率，为晶圆生产品控提供高可信度参考数据的技术效果。
在一个实施例中，如图4所示，提供了一种晶圆加工的瑕疵测试装置，包括：晶圆区域划分模块1，光强通道构建模块2，颜色通道构建模块3，特征匹配执行模块4，兴趣区域定位模块5，瑕疵识别执行模块6，瑕疵集合确定模块7，缺陷识别执行模块8，其中：
晶圆区域划分模块1，用于读取晶圆的设计信息，并执行晶圆的区域划分，设置区隔特征，其中，区域划分结果包括第一区域和第二区域，所述第一区域为重要区域，所述第二区域为常规区域；
光强通道构建模块2，用于对待测晶圆进行层级光强照射，并对照射结果进行图像采集，构建光强通道集合；
颜色通道构建模块3，用于对所述待测晶圆进行颜色光照射，并对照射结果进行图像采集，构建颜色通道集合；
特征匹配执行模块4，用于选定所述颜色通道集合中的标准颜色通道，并基于所述区隔特征进行所述标准颜色通道的特征匹配，确定所述第一区域和所述第二区域的区域位置，并将其映射至所述光强通道集合和所述颜色通道集合；
兴趣区域定位模块5，用于基于所述设计信息对所述光强通道集合进行每一光强通道的兴趣区域划分，并根据划分结果和映射结果定位兴趣区域；
瑕疵识别执行模块6，用于进行所述兴趣区域的瑕疵识别，并根据所述映射结果确定第一瑕疵集合；
瑕疵集合确定模块7，用于进行所述颜色通道集合的瑕疵识别，并根据所述映射结果确定第二瑕疵集合；
缺陷识别执行模块8，用于根据所述第一瑕疵集合和所述第二瑕疵集合生成所述待测晶圆的缺陷识别结果。
在一个实施例中，所述装置还包括：
缺陷集合构建单元，用于基于大数据进行晶圆的缺陷数据集构建，其中，所述缺陷数据集带有所述第一区域和所述第二区域的区域关联标识；
敏感标识执行单元，用于对所述缺陷数据集进行颜色光的敏感标识，确定颜色光的敏感关联系数，其中，所述敏感关联系数包括正相关关联系数；
识别瑕疵效验单元，用于通过所述敏感关联系数进行所述颜色通道集合的瑕疵识别结果瑕疵识别校验，基于识别校验结果确定所述第二瑕疵集合。
在一个实施例中，所述装置还包括：
缺陷关联排序单元，用于当所述颜色通道集合中任一通道识别出缺陷时，则根据所述缺陷匹配对应敏感关联系数，并执行敏感关联系数对应颜色通道的正相关顺序排序；
识别特征提取单元，用于提取对应颜色通道关于所述缺陷位置的第一缺陷识别特征，其中，所述第一缺陷识别特征包括特征种类和特征值；
异常标识执行单元，用于当所述第一缺陷识别特征中包括非相同特征时，则对当前位置进行异常标识，基于异常标识结果确定所述第二瑕疵集合。
在一个实施例中，所述装置还包括：
缺陷特征提取单元，用于调用所述非相同特征的敏感关联系数对应的颜色通道，并提取颜色通道的第二缺陷识别特征；
通过阈值设定单元，用于根据所述非相同特征的敏感关联系数确定正相关关联系数满足预定阈值的数量，并根据对应数量设置比对通过阈值；
瑕疵集合确定单元，用于当颜色通道中所述第二缺陷识别特征的识别数量超过所述比对通过阈值，则确定对应区域为组合缺陷区域，并根据所述第一缺陷识别特征和所述第二缺陷识别特征确定所述第二瑕疵集合。
在一个实施例中，所述装置还包括：
等级差级确定单元，用于根据所述正相关顺序排序进行对应正相关关联系数的系数等级划分，并确定等级差级；
瑕疵集合获得单元，用于若第一顺序的正相关关联系数等级与第二顺序的正相关关联系数等级差级超过二级，且所述第一缺陷识别特征中不包括非相同特征时，则根据所述第一顺序对应的特征值获得所述第二瑕疵集合。
在一个实施例中，所述装置还包括：
等级聚合执行单元，用于设置顺序聚合区间，并根据所述顺序聚合区间进行等级划分结果的等级聚合，并筛选获得目标聚合结果；
相关分析执行单元，用于基于所述目标聚合结果的等级划分结果与所述特征值进行相关分析；
瑕疵集合确定单元，用于基于相关分析结果确定所述第二瑕疵集合。
在一个实施例中，所述装置还包括：
加工反馈生成单元，用于对所述缺陷识别结果进行缺陷记录，并生成加工反馈信息；
加工控制预警单元，用于根据所述加工反馈信息进行晶圆加工的控制预警。
关于一种晶圆加工的瑕疵测试装置的具体实施例可以参见上文中对于一种晶圆加工的瑕疵测试方法的实施例，在此不再赘述。上述一种晶圆加工的瑕疵测试装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
综上所述的任意一项方法或者步骤可作为计算机指令或程序存储在各种不限类型的计算机存储器中，通过各种不限类型的计算机处理器识别计算机指令或程序，进而实现上述任一项方法或者步骤。
基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作的任何改进和修饰，皆应落入本发明的专利保护范围。

Claims (8)

1.一种晶圆加工的瑕疵测试方法，其特征在于，所述方法包括：
读取晶圆的设计信息，并执行晶圆的区域划分，设置区隔特征，其中，区域划分结果包括第一区域和第二区域，所述第一区域为重要区域，所述第二区域为常规区域；
对待测晶圆进行层级光强照射，并对照射结果进行图像采集，构建光强通道集合；
对所述待测晶圆进行颜色光照射，并对照射结果进行图像采集，构建颜色通道集合；
选定所述颜色通道集合中的标准颜色通道，并基于所述区隔特征进行所述标准颜色通道的特征匹配，确定所述第一区域和所述第二区域的区域位置，并将其映射至所述光强通道集合和所述颜色通道集合；
基于所述设计信息对所述光强通道集合进行每一光强通道的兴趣区域划分，并根据划分结果和映射结果定位兴趣区域；
进行所述兴趣区域的瑕疵识别，并根据所述映射结果确定第一瑕疵集合；
进行所述颜色通道集合的瑕疵识别，并根据所述映射结果确定第二瑕疵集合；
根据所述第一瑕疵集合和所述第二瑕疵集合生成所述待测晶圆的缺陷识别结果。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于大数据进行晶圆的缺陷数据集构建，其中，所述缺陷数据集带有所述第一区域和所述第二区域的区域关联标识；
对所述缺陷数据集进行颜色光的敏感标识，确定颜色光的敏感关联系数，其中，所述敏感关联系数包括正相关关联系数；
通过所述敏感关联系数进行所述颜色通道集合的瑕疵识别结果瑕疵识别校验，基于识别校验结果确定所述第二瑕疵集合。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
当所述颜色通道集合中任一通道识别出缺陷时，则根据所述缺陷匹配对应敏感关联系数，并执行敏感关联系数对应颜色通道的正相关顺序排序；
提取对应颜色通道关于所述缺陷位置的第一缺陷识别特征，其中，所述第一缺陷识别特征包括特征种类和特征值；
当所述第一缺陷识别特征中包括非相同特征时，则对当前位置进行异常标识，基于异常标识结果确定所述第二瑕疵集合。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
调用所述非相同特征的敏感关联系数对应的颜色通道，并提取颜色通道的第二缺陷识别特征；
根据所述非相同特征的敏感关联系数确定正相关关联系数满足预定阈值的数量，并根据对应数量设置比对通过阈值；
当颜色通道中所述第二缺陷识别特征的识别数量超过所述比对通过阈值，则确定对应区域为组合缺陷区域，并根据所述第一缺陷识别特征和所述第二缺陷识别特征确定所述第二瑕疵集合。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
根据所述正相关顺序排序进行对应正相关关联系数的系数等级划分，并确定等级差级；
若第一顺序的正相关关联系数等级与第二顺序的正相关关联系数等级差级超过二级，且所述第一缺陷识别特征中不包括非相同特征时，则根据所述第一顺序对应的特征值获得所述第二瑕疵集合。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
设置顺序聚合区间，并根据所述顺序聚合区间进行等级划分结果的等级聚合，并筛选获得目标聚合结果；
基于所述目标聚合结果的等级划分结果与所述特征值进行相关分析；
基于相关分析结果确定所述第二瑕疵集合。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
对所述缺陷识别结果进行缺陷记录，并生成加工反馈信息；
根据所述加工反馈信息进行晶圆加工的控制预警。
8.一种晶圆加工的瑕疵测试装置，其特征在于，所述装置包括：
晶圆区域划分模块，用于读取晶圆的设计信息，并执行晶圆的区域划分，设置区隔特征，其中，区域划分结果包括第一区域和第二区域，所述第一区域为重要区域，所述第二区域为常规区域；
光强通道构建模块，用于对待测晶圆进行层级光强照射，并对照射结果进行图像采集，构建光强通道集合；
颜色通道构建模块，用于对所述待测晶圆进行颜色光照射，并对照射结果进行图像采集，构建颜色通道集合；
特征匹配执行模块，用于选定所述颜色通道集合中的标准颜色通道，并基于所述区隔特征进行所述标准颜色通道的特征匹配，确定所述第一区域和所述第二区域的区域位置，并将其映射至所述光强通道集合和所述颜色通道集合；
兴趣区域定位模块，用于基于所述设计信息对所述光强通道集合进行每一光强通道的兴趣区域划分，并根据划分结果和映射结果定位兴趣区域；
瑕疵识别执行模块，用于进行所述兴趣区域的瑕疵识别，并根据所述映射结果确定第一瑕疵集合；
瑕疵集合确定模块，用于进行所述颜色通道集合的瑕疵识别，并根据所述映射结果确定第二瑕疵集合；
缺陷识别执行模块，用于根据所述第一瑕疵集合和所述第二瑕疵集合生成所述待测晶圆的缺陷识别结果。
CN202311046191.0A 2023-08-18 2023-08-18 一种晶圆加工的瑕疵测试方法及装置 Pending CN117116791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311046191.0A CN117116791A (zh) 2023-08-18 2023-08-18 一种晶圆加工的瑕疵测试方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311046191.0A CN117116791A (zh) 2023-08-18 2023-08-18 一种晶圆加工的瑕疵测试方法及装置

Publications (1)

Publication Number Publication Date
CN117116791A true CN117116791A (zh) 2023-11-24

Family

ID=88797639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311046191.0A Pending CN117116791A (zh) 2023-08-18 2023-08-18 一种晶圆加工的瑕疵测试方法及装置

Country Status (1)

Country Link
CN (1) CN117116791A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635565A (zh) * 2023-11-29 2024-03-01 珠海诚锋电子科技有限公司 一种基于图像识别的半导体表面缺陷检测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635565A (zh) * 2023-11-29 2024-03-01 珠海诚锋电子科技有限公司 一种基于图像识别的半导体表面缺陷检测系统
CN117635565B (zh) * 2023-11-29 2024-05-24 珠海诚锋电子科技有限公司 一种基于图像识别的半导体表面缺陷检测系统

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
US10483081B2 (en) Self directed metrology and pattern classification
TWI750553B (zh) 對樣本的缺陷檢測的方法及其系統
US8559000B2 (en) Method of inspecting a semiconductor device and an apparatus thereof
US6850320B2 (en) Method for inspecting defects and an apparatus for the same
US7062081B2 (en) Method and system for analyzing circuit pattern defects
JP2001326263A (ja) ウェーハー表面の構造欠陥を査定する方法
JP2004191187A (ja) 欠陥組成分析方法及び装置
US10719655B2 (en) Method and system for quickly diagnosing, classifying, and sampling in-line defects based on CAA pre-diagnosis database
TWI836175B (zh) 先進在線零件平均測試
CN113763312A (zh) 使用弱标记检测半导体试样中的缺陷
CN117116791A (zh) 一种晶圆加工的瑕疵测试方法及装置
TW201731004A (zh) 減少配準及設計附近所引發之晶粒內檢查之雜訊
JP2023536597A (ja) ノイズのあるパターン化フィーチャの検査
IL257205A (en) Self-directed metrology and example classification
CN117094095A (zh) 一种晶圆翘曲度优化方法及系统
CN113677980B (zh) 用于检验的缺陷候选生成
JP2022027473A (ja) 半導体試料の検査に使用可能な訓練データの生成
JP2008151585A (ja) 分布解析方法および装置、異常設備推定方法および装置、上記分布解析方法または異常設備推定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体

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