CN117197537A - 缺陷的分类方法及装置 - Google Patents
缺陷的分类方法及装置 Download PDFInfo
- Publication number
- CN117197537A CN117197537A CN202311013249.1A CN202311013249A CN117197537A CN 117197537 A CN117197537 A CN 117197537A CN 202311013249 A CN202311013249 A CN 202311013249A CN 117197537 A CN117197537 A CN 117197537A
- Authority
- CN
- China
- Prior art keywords
- defect
- target
- determining
- image
- area
- 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 477
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013145 classification model Methods 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims description 31
- 230000000750 progressive effect Effects 0.000 claims description 4
- 239000004065 semiconductor Substances 0.000 abstract description 3
- 235000012431 wafers Nutrition 0.000 description 156
- 230000006399 behavior Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000010894 electron beam technology Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
本申请提供一种缺陷的分类方法及装置,涉及半导体技术领域,该方法包括:获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像;基于所述第一缺陷图像及所述第一参考图像,确定所述待检测晶圆的第一缺陷区域;对所述第一缺陷区域进行处理,以得到所述第一缺陷区域对应的目标三维特征信息,其中,所述目标三维特征信息包括目标高度特征及目标二维特征;将所述第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型中,以经过所述目标缺陷分类模型的处理,确定所述待检测晶圆的缺陷类型。由此,在缺陷分类过程中,充分考虑到了三维特征信息,从而可以使得确定出的缺陷分类更为准确与可靠,进而为工艺改进及提高晶圆良率提供了条件。
Description
技术领域
本申请涉及半导体技术领域,尤其涉及一种缺陷的分类方法及装置。
背景技术
随着科学技术的快速发展,半导体芯片在生产生活中的比重越来越大。受制备工艺的影响,高端芯片良率一直是无法逃避的话题,缺陷分类提供了改进工艺所必需的信息,其在提高芯片良率中起着不可或缺的作用。
相关技术中,在进行缺陷分类时,需要操作员对检测到的缺陷进行观察,通过缺陷的外形与来源或可能造成的后果做分类,而人工分类的过程一般比较耗时,而且由于人工分类的标准不同,可能会产生错误的分类结果,从而导致缺陷分类准确性也不高。由此,如何提高缺陷分类的准确性,显得至关重要。
发明内容
本申请提供一种缺陷的分类方法及装置。
根据本申请的第一方面,提供一种缺陷的分类方法,该方法包括:获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像;基于所述第一缺陷图像及所述第一参考图像,确定所述待检测晶圆的第一缺陷区域;对所述第一缺陷区域进行处理,以得到所述第一缺陷区域对应的目标三维特征信息,其中,所述目标三维特征信息包括目标高度特征及目标二维特征;将所述第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型中,以经过所述目标缺陷分类模型的处理,确定所述待检测晶圆的缺陷类型。
在一些实施方式中,所述对所述第一缺陷区域进行处理,以得到所述第一缺陷区域对应的目标三维特征信息,包括:基于所述第一缺陷区域中每个像素点的像素值,确定第一阴影区域;基于所述第一阴影区域及比例系数,确定所述第一缺陷区域对应的目标高度特征;基于所述第一缺陷区域,确定所述第一缺陷区域对应的目标二维特征。
在一些实施方式中,所述基于所述第一缺陷区域中每个像素点的像素值,确定第一阴影区域,包括:基于所述第一缺陷图像中每个像素点的像素值,确定平均像素值;将所述第一缺陷区域中像素值与平均像素值满足预设关系的像素点所在的区域,确定为第一阴影区域。
在一些实施方式中,所述基于所述第一阴影区域及比例系数,确定所述第一缺陷区域对应的目标高度特征,包括:对所述第一阴影区域进行逐行扫描,以获取所述第一阴影区域对应的第一扫描图像;根据所述第一扫描图像,确定每行对应的第一阴影区域包含的像素点个数;根据标准晶圆的第二参考图像,确定比例系数;以指定像素值为基准值,基于所述比例系数及每行对应的第一阴影区域包含的像素点个数,确定每行对应的第一阴影区域相对于所述指定像素值的高度差值;基于每行对应的第一阴影区域相对于所述指定像素值的高度差值,确定所述第一缺陷区域对应的目标高度特征。
在一些实施方式中,所述根据标准晶圆的第二参考图像,确定比例系数,包括:获取标准晶圆对应的第二参考图像;基于所述第二参考图像中每个像素点的像素值,确定所述第二参考图像对应的第二阴影区域;基于所述第二阴影区域包含的像素点数量及所述标准晶圆的物理高度,确定比例系数。
在一些实施方式中,所述第一缺陷图像及第一参考图像在数量上均为多个,所述以指定像素值为基准值,基于所述比例系数及每行对应的第一阴影区域包含的像素点个数,确定每行对应的第一阴影区域相对于所述指定像素值的高度差值,包括:以指定像素值为基准值,基于所述比例系数及每个所述第一缺陷图像中每行对应的像素点个数,确定每个所述第一缺陷图像中每行对应的第一阴影区域相对于所述指定像素值的高度差值;将多个所述第一缺陷图像分别对应的高度差值进行合并处理,以确定每行对应的第一阴影区域相对于所述指定像素值的高度差值。
在一些实施方式中,所述目标二维特征包括图形特征和统计特征,所述基于所述第一缺陷区域,确定所述第一缺陷区域对应的目标二维特征,包括:对所述第一缺陷区域包含的图形信息进行处理,以确定所述第一缺陷区域对应的图形特征;对所述第一缺陷区域包含的像素信息处理,以确定所述缺陷区域对应的统计特征。
在一些实施方式中,所述将所述第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型中,以经过所述目标缺陷分类模型的处理,确定所述待检测晶圆的缺陷类型,包括:获取训练数据集,其中,所述训练数据集包括已标注缺陷分类标签的第三缺陷图像以及对应的第三参考图像;基于所述第三缺陷图像以及对应的第三参考图像,确定所述第三缺陷图像对应的参考三维特征信息,其中,所述参考三维特征信息包括参考高度特征及参考二维特征;利用所述训练数据集对应的参考三维特征信息对初始分类模型进行训练,以得到目标缺陷分类模型;将所述第一缺陷区域对应的目标三维特征信息输入至所述目标缺陷分类模型中,以经过所述目标缺陷分类模型的处理,确定所述待检测晶圆的缺陷类型。
在一些实施方式中,所述基于所述第三缺陷图像以及对应的第三参考图像,确定所述第三缺陷图像对应的参考三维特征信息,包括:基于所述第三缺陷图像及所述第三参考图像,确定所述第三缺陷图像对应的第三缺陷区域;对所述第三缺陷区域进行处理,以得到所述第三缺陷区域对应的参考三维特征信息。
根据本申请的第二方面,提供一种缺陷的分类装置,其包括:获取模块,用于获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像;第一确定模块,用于基于所述第一缺陷图像及所述第一参考图像,确定所述待检测晶圆的第一缺陷区域;处理模块,用于对所述第一缺陷区域进行处理,以得到所述第一缺陷区域对应的目标三维特征信息,其中,所述目标三维特征信息包括目标高度特征及目标二维特征;第二确定模块,用于将所述第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型中,以经过所述目标缺陷分类模型的处理,确定所述待检测晶圆的缺陷类型。
在一些实施方式中,所述处理模块包括:第一确定单元用于基于所述第一缺陷区域中每个像素点的像素值,确定第一阴影区域;第二确定单元用于基于所述第一阴影区域及比例系数,确定所述第一缺陷区域对应的目标高度特征;第三确定单元用于基于所述第一缺陷区域,确定所述第一缺陷区域对应的目标二维特征。
在一些实施方式中,所述第一确定单元具体用于:基于所述第一缺陷图像中每个像素点的像素值,确定平均像素值;将所述第一缺陷区域中像素值与平均像素值满足预设关系的像素点所在的区域,确定为第一阴影区域。
在一些实施方式中,所述第二确定单元包括:扫描子单元用于对所述第一阴影区域进行逐行扫描,以获取所述第一阴影区域对应的第一扫描图像;第一确定子单元用于根据所述第一扫描图像,确定每行对应的第一阴影区域包含的像素点个数;第二确定子单元用于根据标准晶圆的第二参考图像,确定比例系数;第三确定子单元用于以指定像素值为基准值,基于所述比例系数及每行对应的第一阴影区域包含的像素点个数,确定每行对应的第一阴影区域相对于所述指定像素值的高度差值;第四确定子单元用于基于每行对应的第一阴影区域相对于所述指定像素值的高度差值,确定所述第一缺陷区域对应的目标高度特征。
在一些实施方式中,所述第二确定子单元具体用于:获取标准晶圆对应的第二参考图像;基于所述第二参考图像中每个像素点的像素值,确定所述第二参考图像对应的第二阴影区域;基于所述第二阴影区域包含的像素点数量及所述标准晶圆的物理高度,确定比例系数。
在一些实施方式中,所述第一缺陷图像及第一参考图像在数量上均为多个,所述第三确定子单元具体用于:以指定像素值为基准值,基于所述比例系数及每个所述第一缺陷图像中每行对应的像素点个数,确定每个所述第一缺陷图像中每行对应的第一阴影区域相对于所述指定像素值的高度差值;将多个所述第一缺陷图像分别对应的高度差值进行合并处理,以确定每行对应的第一阴影区域相对于所述指定像素值的高度差值。
在一些实施方式中,所述目标二维特征包括图形特征和统计特征,所述第三确定单元具体用于:对所述第一缺陷区域包含的图形信息进行处理,以确定所述第一缺陷区域对应的图形特征;对所述第一缺陷区域包含的像素信息处理,以确定所述缺陷区域对应的统计特征。
在一些实施方式中,所述第二确定模块包括:获取单元用于获取训练数据集,其中,所述训练数据集包括已标注缺陷分类标签的第三缺陷图像以及对应的第三参考图像;第四确定单元用于基于所述第三缺陷图像以及对应的第三参考图像,确定所述第三缺陷图像对应的参考三维特征信息,其中,所述参考三维特征信息包括参考高度特征及参考二维特征;训练单元用于利用所述训练数据集对应的参考三维特征信息对初始分类模型进行训练,以得到目标缺陷分类模型;第五确定单元用于将所述第一缺陷区域对应的目标三维特征信息输入至所述目标缺陷分类模型中,以经过所述目标缺陷分类模型的处理,确定所述待检测晶圆的缺陷类型。
在一些实施方式中,所述第四确定单元具体用于:基于所述第三缺陷图像及所述第三参考图像,确定所述第三缺陷图像对应的第三缺陷区域;对所述第三缺陷区域进行处理,以得到所述第三缺陷区域对应的参考三维特征信息。
根据本申请的第三方面,提供一种电子设备,电子设备包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现上述的任一种缺陷的分类方法。
根据本申请的第四方面,提供一种计算机可读存储介质,其特征在于,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现上述的任一种缺陷的分类方法。
综上所述,本申请提供的缺陷的分类方法及装置,至少具有以下有益效果:可以先获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像,之后可以基于第一缺陷图像及第一参考图像,确定待检测晶圆的第一缺陷区域,之后再对第一缺陷区域进行处理,以得到第一缺陷区域对应的目标三维特征信息,其中,目标三维特征信息包括目标高度特征及目标二维特征,之后将第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型中,以经过目标缺陷分类模型的处理,确定待检测晶圆的缺陷类型。由此,在确定晶圆缺陷类型的过程中,可以先确定出待检测晶圆的第一缺陷区域,之后对其进行处理,以得到对应的目标三维特征信息,之后再基于该目标三维特征信息及目标缺陷分类模型,可以确定出对应的缺陷类型,也即在缺陷分类过程中,充分考虑到了三维特征信息,从而可以使得确定出的缺陷分类更为准确与可靠,进而为工艺改进及提高晶圆良率提供了条件。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请的实施例提供的一种缺陷的分类方法的流程图;
图2为本申请的实施例提供的一种第一缺陷图像及第一参考图像的示意图;
图3为本申请的实施例提供的一种缺陷的分类方法的流程图;
图4为本申请的实施例提供的一种第一缺陷图像的示意图;
图5为本申请的实施例提供的一种多个信号收集器设置位置的示意图;
图6为本申请的实施例提供的一种缺陷的分类方法的示意图;
图7为本申请的实施例提供的一种缺陷的分类装置的结构图;
图8为本申请的实施例提供的一种电子设备的结构图。
具体实施方式
为了使本申请的上述以及其他特征和优点更加清楚,下面结合附图进一步描述本申请。应当理解,本文给出的具体实施例是出于向本领域的技术人员解释的目的,仅是示例性的,而非限制性的。
在以下描述中,阐述了许多具体细节以提供对本申请的透彻理解。然而,对于本领域的技术人员来说,明显的是,不需要采用具体细节来实践本申请。在其他情况下,未详细描述众所周知的步骤或操作,以避免模糊本申请。
本申请实施例提供的缺陷的分类方法,可由本申请实施例提供的缺陷的分类装置执行,该装置可配置于电子设备中。
参考图1,本申请提供了一种缺陷的分类方法,该方法包括:
步骤101,获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像。
其中,待检测晶圆中可以存在有缺陷,可以对其进行缺陷分类,以确定其中包含的缺陷类型,参考晶圆可以为未存在任何缺陷的晶圆,其可以理解为在待检测晶圆无缺陷时的状态。
可以理解的是,可以通过信号收集器对待检测晶圆及参考晶圆分别进行检测,以得到待检测晶圆对应的第一缺陷图像及参考晶圆对应的第一参考图像。
可以理解的是,电子枪可以设置在待检测晶圆、参考晶圆的上方,用于发射电子束,该电子束中的电子在到达待检测晶圆、参考晶圆表面后可以产生二次电子等电子,信号收集器可以对该二次电子等电子进行收集。
本申请实施例中,信号收集器可以为旁轴信号收集器,也即其并非设置于待检测晶圆、参考晶圆的正上方,而是与待检测晶圆的法线方向、参考晶圆的法线方向呈一定角度设置。
进一步地,电子枪可以设置于待检测晶圆、参考晶圆的法线方向上(即正上方),该信号收集器可以与电子枪所在位置呈一定角度,与待检测晶圆的法线方向、参考晶圆的法线方向呈一定角度。比如,信号收集器可以与待检测晶圆的法线方向呈30度角、或者呈45度角等等,本申请对此不做限定。
从而通过本申请实施例中设置的信号收集器获取的第一缺陷图像及第一参考图像中,可以保留更多的三维结构信息,进而为进行后续处理提供了基础。
其中,信号收集器的数量可以为一个,或者也可以为多个,比如可以为两个、三个等等,本申请对此不做限定。
可以理解的是,在信号收集器为多个的情况下,多个信号收集器可以沿待检测晶圆、参考晶圆的周向间隔设置,且各个信号收集器与待检测晶圆的法线方向间所呈角度均相同,各个信号收集器与参考晶圆的法线方向间所呈角度也均相同。
步骤102,基于第一缺陷图像及第一参考图像,确定待检测晶圆的第一缺陷区域。
其中,在获取到待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像后,确定待检测晶圆的第一缺陷区域时可以有多种情况。比如,可以将第一缺陷图像及第一参考图像进行对齐,之后可以使用缺陷检测工具确定出待检测晶圆的第一缺陷区域;或者也可以在第一缺陷图像及第一参考图像对齐后,将相同位置处存在差异的区域确定为待检测晶圆的第一缺陷区域,比如在第一缺陷图像中某一位置处的像素点的灰度值、与第一参考图像中相同位置处的像素点的灰度值不同,那么可以将上述位置范围确定为第一缺陷区域等等,本申请对此不做限定。
举例来说,若第一缺陷图像及第一参考图像如图2所示,其中图2(a)为第一缺陷图像、图2(b)为第一参考图像,通过对该第一缺陷图像及第一参考图像进行处理,可以确定待检测晶圆的第一缺陷区域可以如图2中“L”形所示等等,本申请对此不做限定。
可以理解的是,待检测晶圆可能在一个位置处存在缺陷,或者也可能在多个位置处均存在缺陷,从而基于第一缺陷图像及第一参考图像,确定出的待检测晶圆的第一缺陷区域的数量可能为一个,或者也可能为多个等等,本申请对此不做限定。
步骤103,对第一缺陷区域进行处理,以得到第一缺陷区域对应的目标三维特征信息,其中,目标三维特征信息包括目标高度特征及目标二维特征。
其中,目标高度特征可以用于表征第一缺陷区域处的高度信息,目标二维特征可以用于表征第一缺陷区域处的二维特征,比如可以为图形单元对应的图形特征、对灰度值进行处理后得到的如均值、最大值等的统计特征等等,本申请对此不做限定。
可以理解的是,可以通过对第一缺陷区域进行处理,以得到第一缺陷区域对应的目标三维特征信息。比如可以先分别确定出第一缺陷区域中的阴影区域、亮斑区域,之后基于阴影区域、亮斑区域的灰度值进行处理,以确定该第一缺陷区域对应的目标高度特征。或者,通过对第一缺陷区域中的图形单元进行处理,以得到对应的目标二维特征等等。上述确定出的第一缺陷区域对应的目标高度特征及目标二维特征,即为第一缺陷对应的目标三维特征信息。
需要说明的是,上述示例只是示意性说明,不能作为对本申请实施例中确定第一缺陷区域对应的目标三维特征信息的方式等的限定。
可选的,也可以在待检测晶圆及参考晶圆正上方设置信号收集器,以得到待检测晶圆对应的二维缺陷图像及参考晶圆对应的二维参考图像,之后基于待检测晶圆对应的二维缺陷图像及参考晶圆对应的二维参考图像,确定待检测晶圆的第一缺陷区域,并对该第一缺陷区域进行处理,以得到对应的目标二维特征等等,本申请对此不做限定。
步骤104,将第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型中,以经过目标缺陷分类模型的处理,确定待检测晶圆的缺陷类型。
其中,目标缺陷分类模型可以为已经训练完成、可用于对三维特征信息进行处理,以确定缺陷分类的分类模型,通常可以通过对初始分类模型进行训练,以得到训练完成的、具有较好性能的目标缺陷模型。
可以理解的是,将第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型后,目标缺陷分类模型可以对其进行处理,在该目标缺陷分类模型处理结束后,可以输出该待检测晶圆对应的缺陷类型。由于在确定待检测晶圆缺陷类型过程中,充分考虑到了目标高度特征及目标二维特征,从而可使得确定出的缺陷分类更为准确与可靠。之后,基于准确可靠的缺陷分类可以有效对工艺步骤进行改进,进而提高晶圆良率与良率预测等。
本申请实施例,可以先获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像,之后可以基于第一缺陷图像及第一参考图像,确定待检测晶圆的第一缺陷区域,之后再对第一缺陷区域进行处理,以得到第一缺陷区域对应的目标三维特征信息,其中,目标三维特征信息包括目标高度特征及目标二维特征,之后将第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型中,以经过目标缺陷分类模型的处理,确定待检测晶圆的缺陷类型。由此,在确定晶圆缺陷类型的过程中,可以先确定出待检测晶圆的第一缺陷区域,之后对其进行处理,以得到对应的目标三维特征信息,之后再基于该目标三维特征信息及目标缺陷分类模型,可以确定出对应的缺陷类型,也即在缺陷分类过程中,充分考虑到了三维特征信息,从而可以使得确定出的缺陷分类更为准确与可靠,进而为工艺改进及提高晶圆良率提供了条件。
如图3所示,该缺陷的分类方法,可以包括以下步骤:
步骤301,获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像。
步骤302,基于第一缺陷图像及第一参考图像,确定待检测晶圆的第一缺陷区域。
步骤303,基于第一缺陷区域中每个像素点的像素值,确定第一阴影区域。
可选的,可以基于第一缺陷图像中每个像素点的像素值,确定平均像素值,之后可以将第一缺陷区域中像素值与平均像素值满足预设关系的像素点所在的区域,确定为第一阴影区域。
其中,可以先分别获取到第一缺陷图像中每个像素点的像素值,之后将其进行加和求平均,可以得到平均像素值等,本申请对此不做限定。
另外,预设关系可以有多种,比如可以为像素值大于平均像素值;或者也可以为像素值与平均像素值间的差距超过三个标准差;或者也可以为像素值与平均像素值间的差距超过五个方差等等,本申请对此不做限定。
举例来说,在预设关系为:像素值与平均像素值间的差距小于三个标准差的像素点时,也即像素值与平均像素值间的差距小于三个标准差的像素点所在的区域,即为第一阴影区域,像素值与平均像素值间的差距大于或等于三个标准差的像素点所在的区域,亮斑区域。如图4(a)所示,其中区域1即为阴影区域等等,本申请对此不做限定。
可以理解的是,本申请实施例中,可以采用任何可取的方式,确定第一阴影区域,上述示例只是示意性说明,本申请对此不做限定。
步骤304,基于第一阴影区域及比例系数,确定第一缺陷区域对应的目标高度特征。
其中,比例系数可以用于表征阴影区域与高度之间的比例关系,可以提前通过已知晶圆高度的标准晶圆得到该比例系数,之后在对待检测晶圆进行缺陷分类过程中,可以直接使用该比例系数等。本申请对此不做限定。
可选的,可以先获取标准晶圆对应的第二参考图像,之后可以基于第二参考图像中每个像素点的像素值,确定第二参考图像对应的第二阴影区域,之后再基于第二阴影区域包含的像素点数量及标准晶圆的物理高度,确定比例系数。
其中,可以采用获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像的方式,获取标准晶圆对应的第二参考图像。比如,可以采用设置于标准晶圆左侧的信号收集器获取标准晶圆对应的第二参考图像,或者也可以通过设置于标准晶圆右侧的信号收集器获取标准晶圆对应的第二参考图像,或者还可以通过设置于标准晶圆前方的信号收集器获取标准晶圆对应的第二参考图像等等,本申请对此不做限定。
在获取到标准晶圆对应的第二参考图像后,可以基于第二参考图像中每个像素点的像素值,确定出该第二参考图像对应的平均像素值,之后将第二参考图像中像素值与平均像素值满足预设关系的像素点所在的区域,确定为第二参考图像对应的第二阴影区域。
其中,确定第二阴影区域的具体说明,可以参照本申请各实施例中确定第一缺陷区域对应的第一阴影区域的内容,此处不再赘述。
另外,若已知标准晶圆的物理高度为h,该第二阴影区域包含的像素点数量为p,那么确定出的比例系数可以表示为:α=h/p。
其中,可以理解为标准晶圆的物理高度均为h,第二阴影区域可能为一行或者也可能为多行,无论一行或者多行,每行对应的第二阴影区域均为p。从而在对第二参考图像进行逐行扫描,通过多次实验,可以得到上述比例系数。
可以理解的是,本申请实施例中,电子枪可以设置在标准晶圆的法线方向上,用于发射电子束,该电子束中的电子在到达标准晶圆表面后可以产生二次电子等电子,信号收集器可以与电子枪所在位置、标准晶圆的法线方向呈一定角度。
比如,在图5所示的示意图中,图中芯片即为标准晶圆,左侧信号收集器1与标准晶圆的法线方向间可以呈θ角度,也可以理解为该左侧信号收集器1位于电子枪的左侧,该信号收集器的尖端部分朝向电子束与标准晶圆的交点位置O、与电子枪所在位置呈θ角度。前方信号收集器2可以位于电子枪的前方,该前方信号收集器2的尖端部分朝向电子束与标准晶圆的交点位置、与电子枪所在位置呈θ角度,且左侧信号收集器1所在的yoz平面与前方信号收集器2所在的xoz平面呈正交关系。
可以理解的是,若通过上述左侧信号收集器1获取到标准晶圆对应的第二参考图像,那么在确定第二阴影区域中包含的像素点数量p时,可以从与该左侧信号收集器1相反的方向对第二参考图像进行逐行扫描,如图4(b)所示,扫描方向为从右向左扫描。
需要说明的是,上述示例只是示意性说明,不能作为对本申请实施例中信号收集器的设置位置、扫描方向等的限定。
可选的,在确定第一缺陷区域对应的目标高度特征时,可以先对第一阴影区域进行逐行扫描,以获取第一阴影区域对应的第一扫描图像,之后可以根据第一扫描图像,确定每行对应的第一阴影区域包含的像素点个数,之后再根据标准晶圆的第二参考图像,确定比例系数,再以指定像素值为基准值,基于比例系数及每行对应的第一阴影区域包含的像素点个数,确定每行对应的第一阴影区域相对于指定像素值的高度差值,之后再基于每行对应的第一阴影区域相对于指定像素值的高度差值,确定第一阴影区域对应的目标高度特征。
其中,在对第一阴影区域进行逐行扫描时,可以采用与信号收集器相反的方向对其进行逐行扫描。
举例来说,若通过左侧信号收集器获取到待检测晶圆的第一缺陷图像,那么在确定第一阴影区域中包含的像素点数量pd时,可以从与该左侧信号收集器相反的方向对待检测晶圆的第一阴影区域进行逐行扫描,也即扫描方向为从右向左扫描,以得到对应的第一扫描图像。或者,若通过前方信号收集器获取到待检测晶圆的第一缺陷图像,那么在确定第一阴影区域中包含的像素点数量pd时,可以从与该前方信号收集器相反的方向对该第一阴影区域进行逐行扫描,也即扫描方向为从后向前扫描,以得到对应的第一扫描图像等等,本申请对此不做限定。
之后,可以获取在该第一扫描图像中,每行对应的第一阴影区域包含的像素点个数,可以采用任何可取的方式确定每行包含的像素点个数,本申请对此不做限定。
另外,指定像素值可以为提前设定的数值,比如可以为127、128、130等等,本申请对此不做限定。
举例来说,在指定像素值为127的情况下,若基于标准晶圆的第二参考图像,确定的比例系数为α,若当前第一行对应的第一阴影区域包含的为pd1时,那么第一行对应的第一阴影区域相对于127像素值的高度差值为:hd1=pd1*α,若当前第二行对应的第一阴影区域包含的为pd2时,那么第二行对应的第一阴影区域相对于127像素值的高度差值为:hd2=pd2*α,采用同样的方式,可以依次确定出各行对应的第一阴影区域相对于指定像素值的各个高度差值。
之后在确定出每行对应的第一阴影区域相对于指定像素值的高度差值后,可以对上述多个高度差值进行处理,以确定第一缺陷区域对应的目标高度特征。
其中,目标高度特征可以为峰值、谷值、均值、体积、标准差、粗糙度、波纹度、凹凸性等形貌特征,可以包括前述一项,或者多项等等,本申请对此不做限定。
从而,本申请实施例中,可以通过比例系数,确定出每行对应的第一阴影区域相对于指定像素值的高度差值,进而确定出第一缺陷区域对应的目标高度特征,从而在后续进行缺陷分类时,使用该目标高度特征可以有效提高缺陷分类的准确性。
可选的,在信号收集器设置有多个情况下,第一缺陷图像及第一参考图像在数量上可以均为多个。
其中,多个信号收集器可以为正交设置,且每个信号收集器与晶圆的法线方向间夹角相同。如图5所示,其中芯片即为晶圆,该图中设置有左侧信号收集器、前方信号收集器,左侧信号收集器所在的yoz平面与前方信号收集器所在的xoz平面正交,两个信号收集器与晶圆的法线方向所成夹角相同,均为θ。之后可以得到两个第一缺陷图像、两个第一参考图像,从而在确定每行对应的第一阴影区域相对于指定像素值的高度差值时,可以基于两个第一缺陷图像进行处理。
可选的,可以以指定像素值为基准值,基于比例系数及每个第一缺陷图像中每行对应的像素点个数,确定每个第一缺陷图像中每行对应的第一阴影区域相对于指定像素值的高度差值,之后将多个第一缺陷图像分别对应的高度差值进行合并处理,以确定每行对应的第一阴影区域相对于指定像素值的高度差值。
举例来说,若第一缺陷图像1中各行对应的第一阴影区域相对于指定像素值的高度差值分别为:第1行为hd1、第3行为hd2、第4行为hd3,其余各行为0,第一缺陷图像2中各行对应的第一阴影区域相对于指定像素值的高度差值分别为:第1行为hd1、第3行为hd2、第6行为hd4,其余各行为0。那么将上述各高度差值进行合并后,可以确定出每行对应的第一阴影区域相对于指定像素值的高度差值分别为:第1行为hd1、第3行为hd2、第4行为hd3、第6行为hd4,其余各行为0。
需要说明的是,上述第一缺陷图像的数量、各高度差值均为示意性说明,不能作为对本申请实施例中确定每行对应的第一阴影区域相对于指定像素值的高度差值的方式等的限定。
步骤305,基于第一缺陷区域,确定第一缺陷区域对应的目标二维特征。
可选的,可以先对第一缺陷区域包含的图形信息进行处理,以确定第一缺陷区域对应的图形特征,对第一缺陷区域包含的像素信息处理,以确定缺陷区域对应的统计特征。
其中,图形信息可以为第一缺陷区域包含的图形单元的形状、轮廓、尺寸等信息,可以采用任何可取的方式对该图形信息进行处理,确定第一缺陷区域对应的图形特征。
另外,像素信息可以为第一缺陷区域包含的像素点的数量、灰度值等,可以采用任何可取的方式对该像素信息进行处理,确定第一缺陷区域对应的统计特征。
其中,统计特征可以为像素值的均值、像素值的最大值、方差等等,本申请对此不做限定。
可以理解的是,本申请实施例中的目标二维特征,可以用于表征第一缺陷区域对应的二维信息,可以较为全面、准确地反应出第一缺陷区域的特点,之后再使用该目标二维特征进行缺陷分类时,可以有效提高缺陷分类的准确性。
步骤306,将第一缺陷区域对应的目标高度特征及目标二维特征输入至目标缺陷分类模型中,以经过目标缺陷分类模型的处理,确定待检测晶圆的缺陷类型。
本申请实施例,可以先获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像,之后可以基于第一缺陷图像及第一参考图像,确定待检测晶圆的第一缺陷区域,并基于第一缺陷区域中每个像素点的像素值,确定第一阴影区域,之后再基于第一阴影区域及比例系数,确定第一缺陷区域对应的目标高度特征,并基于第一缺陷区域,确定第一缺陷区域对应的目标二维特征,之后再将第一缺陷区域对应的目标高度特征及目标二维特征输入至目标缺陷分类模型中,以经过目标缺陷分类模型的处理,确定待检测晶圆的缺陷类型。由此,在确定晶圆缺陷类型的过程中,可以先确定出待检测晶圆的第一缺陷区域对应的目标高度特征、目标二维特征,之后再基于该目标高度特征、目标二维特征信息及目标缺陷分类模型,可以确定出对应的缺陷类型,也即在缺陷分类过程中,充分考虑到了高度特征信息,从而可以使得确定出的缺陷分类更为准确与可靠,进而为工艺改进及提高晶圆良率提供了条件。
如图6所示,该缺陷的分类方法,可以包括以下步骤:
步骤601,获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像。
步骤602,基于第一缺陷图像及第一参考图像,确定待检测晶圆的第一缺陷区域。
步骤603,对第一缺陷区域进行处理,以得到第一缺陷区域对应的目标三维特征信息,其中,目标三维特征信息包括目标高度特征及目标二维特征。
需要说明的是,步骤601至步骤603的具体内容可以参照本申请其他各实施例的说明,此处不再赘述。
步骤604,获取训练数据集,其中,训练数据集包括已标注缺陷分类标签的第三缺陷图像以及对应的第三参考图像。
其中,训练数据集中可以包含多张第三缺陷图像,已对每张第三缺陷图像进行缺陷标注。通常可以对已有的晶圆、或已废弃的晶圆、历史晶圆等进行检测,以得到第三缺陷图像。第三参考图像可以为与第三缺陷图像对应的图像,其可以理解为在第三缺陷图像中不存在缺陷时的图像状态等等,本申请对此不做限定。
步骤605,基于第三缺陷图像以及对应的第三参考图像,确定第三缺陷图像对应的参考三维特征信息,其中,参考三维特征信息包括参考高度特征及参考二维特征。
其中,参考高度特征可以用于表征第二缺陷区域处的高度信息,参考高度二维特征可以用于表征第二缺陷区域处的二维特征,本申请对此不做限定。
可选的,可以基于第三缺陷图像及第三参考图像,确定第三缺陷图像对应的第二缺陷区域,之后对第二缺陷区域进行处理,以得到二第三缺陷区域对应的参考三维特征信息。
其中,可以基于第二缺陷区域中每个像素点的像素值,确定第三阴影区域,之后基于第一阴影区域及比例系数,确定第二缺陷区域对应的参考高度特征,并基于第二缺陷区域,确定第二缺陷区域对应的参考二维特征等等,本申请对此不做限定。
需要说明的是,确定第三缺陷图像对应的参考三维特征信息的步骤,可以参照本申请各实施例中确定第一缺陷区域对应的目标三维特征信息的说明,此处不再赘述。
步骤606,利用训练数据集对应的参考三维特征信息对初始分类模型进行训练,以得到目标缺陷分类模型。
其中,初始分类模型可以为未进行训练的分类模型,其可以为任意类型的分类模型,本申请对此不做限定。
可以理解的是,在确定出第三缺陷图像对应的参考三维特征信息后,可以将该参考三维特征信息作为输入,送入初始分类模型中,以对该初始分类模型进行训练,从而可以得到可以对三维特征信息进行处理的目标缺陷分类模型,该目标缺陷分类模型的性能较为完善。
步骤607,将第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型中,以经过目标缺陷分类模型的处理,确定待检测晶圆的缺陷类型。
举例来说,对于沟槽与凸起等高度差异明显的相关缺陷,若其二维特征较为相似时,仅依据二维特征进行缺陷分类时,可能会判断错误,从而导致缺陷分类准确性较低。而又由于高度差异较为明显,那么可以利用可对高度特征及二维特征进行处理的目标缺陷分类模型,进行缺陷分类,从而可以有效提高使用该目标缺陷分类模型进行缺陷分类时的准确性。和人工手动缺陷分类相比,也可以有效提高缺陷分类的效率,节省了时间,降低了人工成本。
可选的,可以提前使用训练数据集对初始分类模型进行训练以得到训练完成目标缺陷分类模型,之后在需要对待检测晶圆进行缺陷分类时,可以直接将待检测晶圆对应的目标三维特征输入至该目标缺陷分类模型中,以得到对应的缺陷类型。也即无需每次都进行模型训练,可以提前进行训练,之后可以直接进行使用。
可选的,可以在使用该目标缺陷分类模型对待检测晶圆进行缺陷分类的数量达到一定阈值时,或者也可以在经过一定周期后,基于这些待检测晶圆的缺陷分类结果对该目标缺陷分类模型进行调整,以有效保证其缺陷分类的准确性等,本申请对此不做限定。
本申请实施例,可以获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像,之后可以基于第一缺陷图像及第一参考图像,确定待检测晶圆的第一缺陷区域,之后再对第一缺陷区域进行处理,以得到第一缺陷区域对应的目标三维特征信息,其中,目标三维特征信息包括目标高度特征及目标二维特征,之后可以获取训练数据集,其中,训练数据集包括已标注缺陷分类标签的第三缺陷图像以及对应的第三参考图像,之后可以基于第三缺陷图像以及对应的第三参考图像,确定第三缺陷图像对应的参考三维特征信息,其中,参考三维特征信息包括参考高度特征及参考二维特征,之后可以利用训练数据集对应的参考三维特征信息对初始分类模型进行训练,以得到目标缺陷分类模型。由此,在确定晶圆缺陷类型的过程中,可以先对待检测晶圆的第一缺陷区域进行处理,以得到对应的目标三维特征信息,可以对利用训练数据集对初始分类模型进行训练,以得到目标缺陷分类模型,之后可以基于该目标三维特征信息及目标缺陷分类模型,确定出对应的缺陷类型,也即在缺陷分类过程中,充分考虑到了三维特征信息,从而可以使得确定出的缺陷分类更为准确与可靠,进而为工艺改进及提高晶圆良率提供了条件。
根据本申请提供一种缺陷的分类装置,如图7所示,该装置包括获取模块710、第一确定模块720、处理模块730和第二确定模块740。
其中,获取模块710用于获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像;第一确定模块720用于基于所述第一缺陷图像及所述第一参考图像,确定所述待检测晶圆的第一缺陷区域;处理模块730用于对所述第一缺陷区域进行处理,以得到所述第一缺陷区域对应的目标三维特征信息,其中,所述目标三维特征信息包括目标高度特征及目标二维特征;第二确定模块740用于将所述第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型中,以经过所述目标缺陷分类模型的处理,确定所述待检测晶圆的缺陷类型。
在一些实施方式中,所述处理模块730包括:第一确定单元用于基于所述第一缺陷区域中每个像素点的像素值,确定第一阴影区域;第二确定单元用于基于所述第一阴影区域及比例系数,确定所述第一缺陷区域对应的目标高度特征;第三确定单元用于基于所述第一缺陷区域,确定所述第一缺陷区域对应的目标二维特征。
在一些实施方式中,所述第一确定单元具体用于:基于所述第一缺陷图像中每个像素点的像素值,确定平均像素值;将所述第一缺陷区域中像素值与平均像素值满足预设关系的像素点所在的区域,确定为第一阴影区域。
在一些实施方式中,所述第二确定单元包括:扫描子单元用于对所述第一阴影区域进行逐行扫描,以获取所述第一阴影区域对应的第一扫描图像;第一确定子单元用于根据所述第一扫描图像,确定每行对应的第一阴影区域包含的像素点个数;第二确定子单元用于根据标准晶圆的第二参考图像,确定比例系数;第三确定子单元用于以指定像素值为基准值,基于所述比例系数及每行对应的第一阴影区域包含的像素点个数,确定每行对应的第一阴影区域相对于所述指定像素值的高度差值;第四确定子单元用于基于每行对应的第一阴影区域相对于所述指定像素值的高度差值,确定所述第一缺陷区域对应的目标高度特征。
在一些实施方式中,所述第二确定子单元具体用于:获取标准晶圆对应的第二参考图像;基于所述第二参考图像中每个像素点的像素值,确定所述第二参考图像对应的第二阴影区域;基于所述第二阴影区域包含的像素点数量及所述标准晶圆的物理高度,确定比例系数。
在一些实施方式中,所述第一缺陷图像及第一参考图像在数量上均为多个,所述第三确定子单元具体用于:以指定像素值为基准值,基于所述比例系数及每个所述第一缺陷图像中每行对应的像素点个数,确定每个所述第一缺陷图像中每行对应的第一阴影区域相对于所述指定像素值的高度差值;将多个所述第一缺陷图像分别对应的高度差值进行合并处理,以确定每行对应的第一阴影区域相对于所述指定像素值的高度差值。
在一些实施方式中,所述目标二维特征包括图形特征和统计特征,所述第三确定单元具体用于:对所述第一缺陷区域包含的图形信息进行处理,以确定所述第一缺陷区域对应的图形特征;对所述第一缺陷区域包含的像素信息处理,以确定所述缺陷区域对应的统计特征。
在一些实施方式中,所述第二确定模块740包括:获取单元用于获取训练数据集,其中,所述训练数据集包括已标注缺陷分类标签的第三缺陷图像以及对应的第三参考图像;第四确定单元用于基于所述第三缺陷图像以及对应的第三参考图像,确定所述第三缺陷图像对应的参考三维特征信息,其中,所述参考三维特征信息包括参考高度特征及参考二维特征;训练单元用于利用所述训练数据集对应的参考三维特征信息对初始分类模型进行训练,以得到目标缺陷分类模型;第五确定单元用于将所述第一缺陷区域对应的目标三维特征信息输入至所述目标缺陷分类模型中,以经过所述目标缺陷分类模型的处理,确定所述待检测晶圆的缺陷类型。
在一些实施方式中,所述第四确定单元具体用于:基于所述第三缺陷图像及所述第三参考图像,确定所述第三缺陷图像对应的第三缺陷区域;对所述第三缺陷区域进行处理,以得到所述第三缺陷区域对应的参考三维特征信息。
本申请提供的缺陷的分类装置,可以先获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像,之后可以基于第一缺陷图像及第一参考图像,确定待检测晶圆的第一缺陷区域,之后再对第一缺陷区域进行处理,以得到第一缺陷区域对应的目标三维特征信息,其中,目标三维特征信息包括目标高度特征及目标二维特征,之后将第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型中,以经过目标缺陷分类模型的处理,确定待检测晶圆的缺陷类型。由此,在确定晶圆缺陷类型的过程中,可以先确定出待检测晶圆的第一缺陷区域,之后对其进行处理,以得到对应的目标三维特征信息,之后再基于该目标三维特征信息及目标缺陷分类模型,可以确定出对应的缺陷类型,也即在缺陷分类过程中,充分考虑到了三维特征信息,从而可以使得确定出的缺陷分类更为准确与可靠,进而为工艺改进及提高晶圆良率提供了条件。
应理解,本文中前述关于本申请的方法所描述的具体特征、操作和细节也可类似地应用于本申请的装置和系统,或者,反之亦然。另外,上文描述的本申请的方法的每个步骤可由本申请的装置或系统的相应部件或单元执行。
应理解,本申请的装置的各个模块/单元可全部或部分地通过软件、硬件、固件或其组合来实现。各模块/单元各自可以硬件或固件形式内嵌于电子设备的处理器中或独立于处理器,也可以软件形式存储于电子设备的存储器中以供处理器调用来执行各模块/单元的操作。各模块/单元各自可以实现为独立的部件或模块,或者两个或更多个模块/单元可实现为单个部件或模块。
如图8所示,本申请提供了一种电子设备800,电子设备包括处理器801以及存储有计算机程序指令的存储器802。其中,处理器801执行计算机程序指令时实现上述的缺陷的分类方法的各步骤。该电子设备800可以广义地为服务器、终端,或任何其他具有必要的计算和/或处理能力的电子设备。
在一个实施例中,该电子设备800可包括通过系统总线连接的处理器、存储器、网络接口、通信接口等。该电子设备800的处理器可用于提供必要的计算、处理和/或控制能力。该电子设备800的存储器可包括非易失性存储介质和内存储器。该非易失性存储介质可存储有操作系统、计算机程序等。该内存储器可为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备800的网络接口和通信接口可用于与外部的设备通过网络连接和通信。该计算机程序被处理器执行时执行本申请的方法的步骤。
本申请提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现上述的缺陷的分类方法。
本领域的技术人员可以理解,本申请的方法步骤可以通过计算机程序来指示相关的硬件如电子设备800或处理器完成,计算机程序可存储于非暂时性计算机可读存储介质中,该计算机程序被执行时导致本申请的步骤被执行。根据情况,本文中对存储器、存储或其它介质的任何引用可包括非易失性或易失性存储器。非易失性存储器的示例包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘等。易失性存储器的示例包括随机存取存储器(RAM)、外部高速缓冲存储器等。
以上描述的各技术特征可以任意地组合。尽管未对这些技术特征的所有可能组合进行描述,但这些技术特征的任何组合都应当被认为由本说明书涵盖,只要这样的组合不存在矛盾。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的技术人员应当理解: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申请各实施例技术方案的范围。
Claims (10)
1.一种缺陷的分类方法,其特征在于,包括:
获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像;
基于所述第一缺陷图像及所述第一参考图像,确定所述待检测晶圆的第一缺陷区域;
对所述第一缺陷区域进行处理,以得到所述第一缺陷区域对应的目标三维特征信息,其中,所述目标三维特征信息包括目标高度特征及目标二维特征;
将所述第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型中,以经过所述目标缺陷分类模型的处理,确定所述待检测晶圆的缺陷类型。
2.如权利要求1所述的缺陷的分类方法,其特征在于,所述对所述第一缺陷区域进行处理,以得到所述第一缺陷区域对应的目标三维特征信息,包括:
基于所述第一缺陷区域中每个像素点的像素值,确定第一阴影区域;
基于所述第一阴影区域及比例系数,确定所述第一缺陷区域对应的目标高度特征;
基于所述第一缺陷区域,确定所述第一缺陷区域对应的目标二维特征。
3.如权利要求2所述的缺陷的分类方法,其特征在于,所述基于所述第一缺陷区域中每个像素点的像素值,确定第一阴影区域,包括:
基于所述第一缺陷图像中每个像素点的像素值,确定平均像素值;
将所述第一缺陷区域中像素值与平均像素值满足预设关系的像素点所在的区域,确定为第一阴影区域。
4.如权利要求2所述的缺陷的分类方法,其特征在于,所述基于所述第一阴影区域及比例系数,确定所述第一缺陷区域对应的目标高度特征,包括:
对所述第一阴影区域进行逐行扫描,以获取所述第一阴影区域对应的第一扫描图像;
根据所述第一扫描图像,确定每行对应的第一阴影区域包含的像素点个数;
根据标准晶圆的第二参考图像,确定比例系数;
以指定像素值为基准值,基于所述比例系数及每行对应的第一阴影区域包含的像素点个数,确定每行对应的第一阴影区域相对于所述指定像素值的高度差值;
基于每行对应的第一阴影区域相对于所述指定像素值的高度差值,确定所述第一缺陷区域对应的目标高度特征。
5.如权利要求4所述的缺陷的分类方法,其特征在于,所述根据标准晶圆的第二参考图像,确定比例系数,包括:
获取标准晶圆对应的第二参考图像;
基于所述第二参考图像中每个像素点的像素值,确定所述第二参考图像对应的第二阴影区域;
基于所述第二阴影区域包含的像素点数量及所述标准晶圆的物理高度,确定比例系数。
6.如权利要求4所述的缺陷的分类方法,其特征在于,所述第一缺陷图像及第一参考图像在数量上均为多个,所述以指定像素值为基准值,基于所述比例系数及每行对应的第一阴影区域包含的像素点个数,确定每行对应的第一阴影区域相对于所述指定像素值的高度差值,包括:
以指定像素值为基准值,基于所述比例系数及每个所述第一缺陷图像中每行对应的像素点个数,确定每个所述第一缺陷图像中每行对应的第一阴影区域相对于所述指定像素值的高度差值;
将多个所述第一缺陷图像分别对应的高度差值进行合并处理,以确定每行对应的第一阴影区域相对于所述指定像素值的高度差值。
7.如权利要求2所述的缺陷的分类方法,其特征在于,所述目标二维特征包括图形特征和统计特征,所述基于所述第一缺陷区域,确定所述第一缺陷区域对应的目标二维特征,包括:
对所述第一缺陷区域包含的图形信息进行处理,以确定所述第一缺陷区域对应的图形特征;
对所述第一缺陷区域包含的像素信息处理,以确定所述缺陷区域对应的统计特征。
8.如权利要求1所述的缺陷的分类方法,其特征在于,所述将所述第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型中,以经过所述目标缺陷分类模型的处理,确定所述待检测晶圆的缺陷类型,包括:
获取训练数据集,其中,所述训练数据集包括已标注缺陷分类标签的第三缺陷图像以及对应的第三参考图像;
基于所述第三缺陷图像以及对应的第三参考图像,确定所述第三缺陷图像对应的参考三维特征信息,其中,所述参考三维特征信息包括参考高度特征及参考二维特征;
利用所述训练数据集对应的参考三维特征信息对初始分类模型进行训练,以得到目标缺陷分类模型;
将所述第一缺陷区域对应的目标三维特征信息输入至所述目标缺陷分类模型中,以经过所述目标缺陷分类模型的处理,确定所述待检测晶圆的缺陷类型。
9.如权利要求8所述的缺陷的分类方法,其特征在于,所述基于所述第三缺陷图像以及对应的第三参考图像,确定所述第三缺陷图像对应的参考三维特征信息,包括:
基于所述第三缺陷图像及所述第三参考图像,确定所述第三缺陷图像对应的第三缺陷区域;
对所述第三缺陷区域进行处理,以得到所述第三缺陷区域对应的参考三维特征信息。
10.一种缺陷的分类装置,其特征在于,包括:
获取模块,用于获取待检测晶圆的第一缺陷图像及参考晶圆的第一参考图像;
第一确定模块,用于基于所述第一缺陷图像及所述第一参考图像,确定所述待检测晶圆的第一缺陷区域;
处理模块,用于对所述第一缺陷区域进行处理,以得到所述第一缺陷区域对应的目标三维特征信息,其中,所述目标三维特征信息包括目标高度特征及目标二维特征;
第二确定模块,用于将所述第一缺陷区域对应的目标三维特征信息输入至目标缺陷分类模型中,以经过所述目标缺陷分类模型的处理,确定所述待检测晶圆的缺陷类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311013249.1A CN117197537A (zh) | 2023-08-11 | 2023-08-11 | 缺陷的分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311013249.1A CN117197537A (zh) | 2023-08-11 | 2023-08-11 | 缺陷的分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117197537A true CN117197537A (zh) | 2023-12-08 |
Family
ID=88998754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311013249.1A Pending CN117197537A (zh) | 2023-08-11 | 2023-08-11 | 缺陷的分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197537A (zh) |
-
2023
- 2023-08-11 CN CN202311013249.1A patent/CN117197537A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101934313B1 (ko) | 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품 | |
US11783469B2 (en) | Method and system for scanning wafer | |
US20150310600A1 (en) | System, method and computer program product for classification within inspection images | |
JP5543872B2 (ja) | パターン検査方法およびパターン検査装置 | |
CN111612757B (zh) | 一种屏幕裂纹的检测方法、装置、设备及存储介质 | |
JP5468332B2 (ja) | 画像特徴点抽出方法 | |
WO2020155043A1 (zh) | 荧光图像配准方法、基因测序仪及系统、存储介质 | |
WO2022262054A1 (zh) | 图像处理方法、装置、设备及存储介质 | |
US6993187B2 (en) | Method and system for object recognition using fractal maps | |
CN112635346B (zh) | 晶圆检测方法、半导体检测设备及存储介质 | |
JP5415523B2 (ja) | パターン検査装置及びその検査方法 | |
CN111033563A (zh) | 一种免疫层析检测的图像分析方法以及系统 | |
US20230238290A1 (en) | Defect observation method, apparatus, and program | |
CN114463314A (zh) | 一种基于色彩差影模型的晶圆缺陷检测方法及系统 | |
CN114549393B (zh) | 图像标注方法、装置、设备及计算机存储介质 | |
CN105374032B (zh) | 连通区域标记方法 | |
CN117197537A (zh) | 缺陷的分类方法及装置 | |
CN110310239B (zh) | 一种基于特性值拟合消除光照影响的图像处理方法 | |
CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 | |
CN115861315A (zh) | 缺陷检测方法和装置 | |
WO2022193521A1 (zh) | 缺陷表征方法和装置 | |
CN112700415B (zh) | 一种笔电外壳缺陷快速检测算法 | |
JP4610364B2 (ja) | 良否判定装置、良否判定方法および良否判定プログラム | |
CN113312936A (zh) | 一种图像定位标识识别方法及服务器 | |
CN117808803B (zh) | 一种基于图像处理的工件质量检测方法及系统、电子设备 |
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 |