CN117250208A - 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 - Google Patents
基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 Download PDFInfo
- Publication number
- CN117250208A CN117250208A CN202311541658.9A CN202311541658A CN117250208A CN 117250208 A CN117250208 A CN 117250208A CN 202311541658 A CN202311541658 A CN 202311541658A CN 117250208 A CN117250208 A CN 117250208A
- Authority
- CN
- China
- Prior art keywords
- wafer
- value
- defect
- module
- image
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 196
- 238000001514 detection method Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 87
- 230000000694 effects Effects 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 25
- 230000003993 interaction Effects 0.000 claims abstract description 19
- 235000012431 wafers Nutrition 0.000 claims description 324
- 238000005259 measurement Methods 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 44
- 238000005286 illumination Methods 0.000 claims description 32
- 238000002360 preparation method Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims 7
- 238000012372 quality testing Methods 0.000 description 10
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 4
- 229910052710 silicon Inorganic materials 0.000 description 4
- 239000010703 silicon Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000002210 silicon-based material Substances 0.000 description 1
Classifications
-
- 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
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Signal Processing (AREA)
Abstract
本发明属于晶圆缺陷检测技术领域，具体是基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法，该纳米压印晶圆缺陷精准检测系统包括处理器、机器视觉模块、图像处理识别模块、晶圆缺陷精准评估模块、采像合规性检测模块和人机交互界面模块；本发明是通过机器视觉模块在晶圆经过纳米压印后对其表面进行采像，图像处理识别模块对特征图像进行缺陷识别和定位，晶圆缺陷精准评估模块快速准确的对晶圆缺陷严重程度进行分析反馈，显著提升晶圆缺陷检测的自动化程度和智能化程度，且能够对采像过程的合规性状况进行检测分析，有效保证针对晶圆表面的采像质量，对提升晶圆缺陷分析结果的精准性起到辅助促进作用。
Description
技术领域
本发明涉及晶圆缺陷检测技术领域，具体是基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法。
背景技术
晶圆是生产集成电路所用的载体，是指制作硅半导体电路所用的硅晶片，其形状为圆形，是一种将多晶硅材料经过研磨、抛光、切片等程序后形成的硅晶圆片，纳米压印技术是用于制造高精度、高密度半导体器件的光刻技术，在纳米压印过程中容易导致晶圆表面产生各种缺陷，这些缺陷将严重影响半导体器件的性能和可靠性，因此需要对纳米压印晶圆进行缺陷检测；
现有的缺陷检测方法主要为人工检测和基于图像处理的自动检测，不能高效准确地识别定位晶圆表面的各种缺陷并合理评估其质量等级状况，且无法对晶圆表面的采像准备操作和采像过程的异常状况进行反馈预警，以及难以准确判断纳米压印加工效率对晶圆缺陷的影响程度并实现后续加工效率的科学合理规划，自动化程度和智能化程度有待提升；
针对上述的技术缺陷，现提出一种解决方案。
发明内容
本发明的目的在于提供基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法，解决了现有技术不能高效准确地识别定位晶圆表面的各种缺陷并合理评估其质量等级状况，且无法对晶圆表面的采像准备操作和采像过程的异常状况进行反馈预警，以及难以准确判断纳米压印加工效率对晶圆缺陷的影响程度并实现后续加工效率的科学合理规划，自动化程度和智能化程度低的问题。
为实现上述目的，本发明提供如下技术方案：
基于机器视觉的纳米压印晶圆缺陷精准检测系统，包括处理器、机器视觉模块、图像处理识别模块、晶圆缺陷精准评估模块、采像合规性检测模块和人机交互界面模块；机器视觉模块通过光源提供均匀光照，利用高精度显微镜放大和聚焦晶圆表面，并采用高分辨率相机捕捉晶圆表面的图像，且将所采集的晶圆图像经处理器发送至图像处理识别模块；
图像处理识别模块利用卷积神经网络对捕捉到的晶圆表面图像进行预处理和特征提取，利用事先训练优化的缺陷识别模型对特征图像进行缺陷识别和定位，且将缺陷识别信息经处理器发送至晶圆缺陷精准评估模块；
晶圆缺陷精准评估模块将晶圆表面划分为若干个待检区域，将对应待检区域标记为i，且i为大于1的自然数；基于图像处理识别模块所识别的缺陷类型和位置进行缺陷精准分析，通过分析将对应晶圆标记为高缺陷晶圆、低缺陷晶圆或无缺陷晶圆，且将相应分析信息经处理器发送至人机交互界面模块；采像合规性检测模块用于对晶圆表面的采像过程的合规性状况进行检测分析，通过分析生成合规性异常信号或合规性正常信号，且将合规性异常信号经处理器发送至人机交互界面模块。
进一步的，图像处理识别模块的具体运行过程如下：
图像预处理：卷积神经网络接收机器视觉模块捕捉的晶圆表面图像，对该图像进行预处理，预处理包括降噪、标准化和归一化操作，增强图像的对比度和清晰度，去除图像中的无关信息并突出晶圆表面的特征；
特征提取：通过卷积神经网络对预处理后的图像进行特征提取，卷积神经网络通过一系列的卷积层、池化层和全连接层，逐步从图像中学习并提取出重要特征，包括晶圆表面的纹理、颜色和形状；
缺陷识别：接收特征图像并利用事先训练优化的缺陷识别模型对其进行缺陷识别，缺陷识别模型为深度学习模型，模型在训练过程中不断学习不同类型缺陷的特征以准确地对新的特征图像进行缺陷识别；
缺陷定位：在识别出缺陷后，进一步利用定位算法来确定缺陷的位置，包括采用图像分割和边缘检测技术以精确地进行缺陷定位，并采用几何变换和配准算法将晶圆表面的图像坐标转换为实际的物理坐标。
进一步的，缺陷精准分析的具体分析过程如下：
获取到待检区域i所存在的缺陷，若待检区域i不存在缺陷，则将待检区域i标记为无损检区；若待检区域i存在缺陷，则获取到缺陷面积占比值，将缺陷面积占比值与预设缺陷面积占比阈值进行数值比较，若缺陷面积占比值超过预设缺陷面积占比阈值，则将待检区域i标记为超损检区；若缺陷面积占比值未超过预设缺陷面积占比阈值，则将待检区域i标记为适损检区；
若对应晶圆中不存在超损检区和适损检区，则将对应晶圆标记为无缺陷晶圆；否则，获取到对应晶圆中超损检区的数量和适损检区的数量并分别标记为超损检测值和适损检测值，将超损检测值和适损检测值进行赋权求和计算得到晶圆损测值；将晶圆损测值与预设晶圆损测阈值进行数值比较，若晶圆损测值超过预设晶圆损测阈值，则将对应晶圆标记为高缺陷晶圆。
进一步的，若晶圆损测值未超过预设晶圆损测阈值，将超损检区和适损检区标记为目标检区，获取到所有目标检区的位置并使其在晶圆表面图像中突出显示，采集到目标检区两两之间的距离并将其标记为损区距离值，将所有损区距离值进行均值计算得到损区距表值；且将目标检区的最大连接数量标记为损区聚集幅测值，将晶圆损测值、损区距表值和损区聚集幅测值进行数值计算得到晶圆评估值；将晶圆评估值与预设晶圆评估阈值进行数值比较，若晶圆评估值超过预设晶圆评估阈值，则将对应晶圆标记为高缺陷晶圆；若晶圆评估值未超过预设晶圆评估阈值，则将对应晶圆标记为低缺陷晶圆。
进一步的，采像合规性检测模块的具体运行过程包括：
在机器视觉模块进行采像前，获取到检测区域的晶圆位置，据此得到晶圆位置偏离值和晶圆水平度偏离值，将晶圆位置偏离值和晶圆水平度偏离值与预设晶圆位置偏离阈值和晶圆水平度偏离阈值分别进行数值比较，若晶圆位置偏离值或晶圆水平度偏离值超过对应预设阈值，则生成合规性异常信号；
若晶圆位置偏离值和晶圆水平度偏离值均未超过对应预设阈值，则采集到检测区域若干个检测点的光照亮度，将所有检测点的光照亮度进行方差计算得到光照不均匀数据，将所有检测点的光照亮度进行均值计算得到光照平均值，将光照平均值与预设适宜光亮值进行差值计算并取绝对值以得到光照亮偏数据；以及采集到检测区域的光线穿透性数据，将光照不均匀数据、光照亮偏数据和光线穿透性数据进行数值计算得到采像准备系数；将采像准备系数与预设采像准备系数阈值进行数值比较，若采像准备系数超过预设采像准备系数阈值，则生成合规性异常信号；若采像准备系数未超过预设采像准备系数阈值，则开始进行对应晶圆的采像操作。
进一步的，在机器视觉模块进行采像操作时，采像合规性检测模块采集到高分辨率相机的振频曲线和振幅曲线，划设水平的振频判定直线，将振频曲线位于振频判定直线上方的部分与振频判定直线所围成的区域面积标记为振频面表值，同理获取到振幅面表值，将振频面表值和振幅面表值与预设振频面表阈值和预设振幅面表阈值分别进行数值比较，若振频面表值和振幅面表值均未超过对应预设阈值，则判断高分辨率相机处于运行稳定状态；同理对高精度显微镜进行检测分析，在判断高分辨率相机和高精度显微镜均处于运行稳定状态时，生成合规性正常信号；在判断高分辨率相机或高精度显微镜未处于运行稳定状态时，生成合规性异常信号。
进一步的，处理器与效率影响性分析模块通信连接，效率影响性分析模块用于设定时长为P1的效检周期，采集到对应效检周期内纳米压印设备所加工的晶圆数量并将其标记为压效值，以及获取到对应效检周期内所有加工后晶圆的缺陷检测评估信息，据此得到高缺陷晶圆占比值和低缺陷晶圆占比值，将高缺陷晶圆占比值和低缺陷晶圆占比值进行数值计算得到晶圆周期值；
获取到相邻若干个效检周期并将其标记为分析周期，按照压效值的数值由大到小将所有分析周期进行排序，将位于前n位的分析周期和位于后n位的分析周期标记为目标周期，将所有目标周期的晶圆周期值建立目标质测集合；将目标质测集合进行方差计算以得到质测差异值，将质测差异值与预设质测差异值阈值进行数值比较，若质测差异值未超过预设质测差异阈值，则生成效率低影响信号；若质测差异值超过预设质测差异阈值，则生成效率高影响信号。
进一步的，处理器与效率优化输出模块通信连接，效率影响性分析模块将效率高影响信号或效率低影响信号经处理器发送至效率优化输出模块，效率优化输出模块在接收到效率低影响信号时，将所有分析周期的压效值进行均值计算得到压效平均值，将所有分析周期中数值最大的压效值标记为压效上限值，基于压效平均值和压效上限值建立压效参考范围；
效率优化输出模块在接收到效率高影响信号时，则将所有分析周期中数值最小的压效值标记为压效下限值，将位于后n位的分析周期的压效值进行均值计算得到压效衡量值，基于压效下限值和压效衡量值建立压效参考范围；效率优化输出模块将效率高影响信号或效率低影响信号以及相应的压效参考范围经处理器发送至人机交互界面模块。
进一步的，处理器与纳米压印设备管控模块通信连接，在生成效率低影响信号时，处理器将效率低影响信号发送至纳米压印设备管控模块，纳米压印设备管控模块接收到效率低影响信号时，采集到所有分析周期的晶圆周期值并将其进行均值计算以得到晶圆质量决策值，且将对应分析周期的晶圆周期值与预设晶圆周期阈值进行数值比较，若晶圆周期值超过预设晶圆周期阈值，则将对应分析周期标记为低质周期，将低质周期的数量与分析周期的数量进行比值计算得到低质检测值，将低质检测值与晶圆质量决策值进行数值计算得到压印评估值；
将压印评估值与预设压印评估阈值进行数值比较，若压印评估值超过预设压印评估阈值，则判断纳米压印效果差；在判断纳米压印效果差时，则将当前时刻与第一组分析周期的开始时刻所囊括的时间范围标记为设备校验时期，采集到设备校验时期纳米压印设备的故障频率、维护频率以及每次故障的停机时长，将所有停机时长进行求和计算得到停机总时值，并将当前时刻与相邻上一次维护时刻进行时间差计算得到维护间隔时长；将故障频率、维护频率、停机总时长和维护间隔时长进行数值计算得到压印设备评估值，将压印设备评估值与预设压印设备评估阈值进行数值比较，若压印设备评估值超过预设压印设备评估阈值，则生成设备管控不合格信号，且将设备管控不合格信号经处理器发送至人机交互界面模块。
进一步的，本发明还提出了基于机器视觉的纳米压印晶圆缺陷精准检测方法，该纳米压印晶圆缺陷精准检测方法采用如上所述的纳米压印晶圆缺陷精准检测系统。
与现有技术相比，本发明的有益效果是：
1、本发明中，通过机器视觉模块在晶圆经过纳米压印后对其表面进行采像，图像处理识别模块利用卷积神经网络对捕捉到的晶圆表面图像进行预处理和特征提取，利用缺陷识别模型对特征图像进行缺陷识别和定位，晶圆缺陷精准评估模块基于所识别的缺陷类型和位置进行缺陷精准分析，将对应晶圆标记为高缺陷晶圆、低缺陷晶圆或无缺陷晶圆，能够快速准确的对晶圆缺陷严重程度进行分析反馈，分析结果更加精准，有助于管理人员详细掌握晶圆质量状况，并在后续对不同质量等级的晶圆采取相匹配的处理措施，晶圆缺陷检测的自动化程度和智能化程度得以显著提升；
2、本发明中，通过采像合规性检测模块对晶圆表面采像过程的合规性状况进行检测分析，使采像准备操作和采像过程更加合理规范，有效保证针对晶圆表面的采像质量，对提升晶圆缺陷分析结果的精准性起到辅助促进作用，并通过效率影响性分析模块将加工效率对晶圆缺陷的影响程度进行合理分析，基于效率影响性分析结果来确定压效参考范围，实现对晶圆加工效率的科学合理规划，且在生成效率低影响信号时将纳米压印设备的设备表现状况进行分析，判断因设备而导致晶圆缺陷的概率状况，从而能够及时针对纳米压印设备进行检查维修或针对操作人员进行培训监管，进一步保证后续的晶圆加工质量。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；
图1为本发明中实施例一的系统框图；
图2为本发明中实施例二和实施例三的系统框图；
图3为本发明中实施例四的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例一：如图1所示，本发明提出的基于机器视觉的纳米压印晶圆缺陷精准检测系统，包括处理器、机器视觉模块、图像处理识别模块、晶圆缺陷精准评估模块、采像合规性检测模块和人机交互界面模块，且处理器与机器视觉模块、图像处理识别模块、晶圆缺陷精准评估模块、采像合规性检测模块以及人机交互界面模块均通信连接；人机交互界面模块提供用户接口，允许用户对系统进行配置，并用于进行数据信息显示和发出预警；
其中，机器视觉模块主要由高分辨率相机（如4K分辨率）、高精度显微镜（如500倍放大倍率）和光源组成，在晶圆经过纳米压印后通过机器视觉模块对其表面进行采像，在进行晶圆表面采像时，机器视觉模块通过光源提供均匀光照，利用高精度显微镜放大和聚焦晶圆表面，并采用高分辨率相机捕捉晶圆表面的图像，且将所采集的晶圆图像经处理器发送至图像处理识别模块；
图像处理识别模块利用卷积神经网络对捕捉到的晶圆表面图像进行预处理和特征提取，利用事先训练优化的缺陷识别模型对特征图像进行缺陷识别和定位，且将缺陷识别信息经处理器发送至晶圆缺陷精准评估模块；图像处理识别模块的具体过程如下：
图像预处理：卷积神经网络接收机器视觉模块捕捉的晶圆表面图像，对该图像进行预处理，预处理包括降噪、标准化和归一化等操作，以增强图像的对比度和清晰度，有助于去除图像中的无关信息并突出晶圆表面的特征；特征提取：通过卷积神经网络对预处理后的图像进行特征提取，卷积神经网络通过一系列的卷积层、池化层和全连接层，逐步从图像中学习并提取出重要特征，这些特征包括晶圆表面的纹理、颜色和形状等；
缺陷识别：接收特征图像并利用事先训练优化的缺陷识别模型对其进行缺陷识别（缺陷类型主要为凹陷、凸起、颗粒等），缺陷识别模型为深度学习模型，该模型在训练过程中已经学习了晶圆不同类型缺陷的特征，因此可以准确地对新的特征图像进行缺陷识别；缺陷定位：在识别出缺陷后，进一步利用定位算法来确定缺陷的位置，比如采用图像分割和边缘检测技术以精确地进行缺陷定位，并采用几何变换和配准算法将晶圆表面的图像坐标转换为实际的物理坐标，以便于后续的缺陷分析和处理。
晶圆缺陷精准评估模块将晶圆表面划分为若干个待检区域，将对应待检区域标记为i，且i为大于1的自然数；基于图像处理识别模块所识别的缺陷类型和位置进行缺陷精准分析，通过分析将对应晶圆标记为高缺陷晶圆、低缺陷晶圆或无缺陷晶圆，且将相应分析信息经处理器发送至人机交互界面模块，能够快速准确的对晶圆缺陷严重程度进行分析反馈，分析结果更加精准，有助于管理人员详细掌握晶圆质量状况并在后续对不同质量等级的晶圆采取相匹配的处理措施，智能化程度高；缺陷精准分析的具体分析过程如下：
获取到待检区域i所存在的缺陷，若待检区域i不存在缺陷，则将待检区域i标记为无损检区；若待检区域i存在缺陷，则获取到缺陷面积占比值，其中，缺陷面积占比值是表示待检区域i中所有缺陷部位的面积和值与待检区域i的总面积的比值大小的数据量值；将缺陷面积占比值与预设缺陷面积占比阈值进行数值比较，若缺陷面积占比值超过预设缺陷面积占比阈值，则将待检区域i标记为超损检区；若缺陷面积占比值未超过预设缺陷面积占比阈值，则将待检区域i标记为适损检区；
若对应晶圆中不存在超损检区和适损检区，表明对应晶圆中不存在缺陷，则将对应晶圆标记为无缺陷晶圆；否则，获取到对应晶圆中超损检区的数量和适损检区的数量并分别标记为超损检测值和适损检测值，通过公式将超损检测值JK和适损检测值JG进行赋权求和计算得到晶圆损测值JY；其中，hy1、hy2为预设权重系数，hy1＞hy2＞1；并且，晶圆损测值JY的数值越大，则表明对应晶圆的缺陷状况越严重；将晶圆损测值JY与预设晶圆损测阈值进行数值比较，若晶圆损测值JY超过预设晶圆损测阈值，表明对应晶圆的缺陷状况较严重，则将对应晶圆标记为高缺陷晶圆；
若晶圆损测值JY未超过预设晶圆损测阈值，则将超损检区和适损检区标记为目标检区，获取到所有目标检区的位置并使其在晶圆表面图像中突出显示，采集到目标检区两两之间的距离并将其标记为损区距离值，将所有损区距离值进行均值计算得到损区距表值，其中，损区距表值的数值越小，则表明所有目标检区越集中分布；且将目标检区的最大连接数量标记为损区聚集幅测值，通俗来说，损区聚集幅测值是表示最大缺陷聚集区域中目标检区的数量；
通过公式将晶圆损测值JY、损区距表值JF和损区聚集幅测值JW进行数值计算得到晶圆评估值JP；其中，fk1、fk2、fk3为预设比例系数，fk1、fk2、fk3的取值均大于零；并且，晶圆评估值JP的数值越大，则表明对应晶圆的缺陷越严重，质量越差；将晶圆评估值JP与预设晶圆评估阈值进行数值比较，若晶圆评估值JP超过预设晶圆评估阈值，表明对应晶圆的缺陷状况较严重，则将对应晶圆标记为高缺陷晶圆；若晶圆评估值JP未超过预设晶圆评估阈值，表明对应晶圆的缺陷状况不严重，则将对应晶圆标记为低缺陷晶圆。
采像合规性检测模块对晶圆表面的采像过程的合规性状况进行检测分析，通过分析生成合规性异常信号或合规性正常信号，且将合规性异常信号经处理器发送至人机交互界面模块，管理人员接收到合规性异常信号时，及时且针对性的作出相应改善调控措施，使采像准备操作和采像过程更加合理规范，有助于保证针对晶圆表面的采像质量，从而对提升缺陷分析结果的精准性起到辅助促进作用；采像合规性检测模块的具体运行过程如下：
在机器视觉模块进行采像前，获取到检测区域的晶圆位置，据此得到晶圆位置偏离值和晶圆水平度偏离值，其中，晶圆位置偏离值是表示晶圆在检测区域的位置偏离程度大小的数据量值，晶圆水平度偏离值是表示晶圆倾斜程度大小的数据量值，且晶圆位置偏离值和晶圆水平度偏离值越小，则越有利于保证采像质量；将晶圆位置偏离值和晶圆水平度偏离值与预设晶圆位置偏离阈值和晶圆水平度偏离阈值分别进行数值比较，若晶圆位置偏离值或晶圆水平度偏离值超过对应预设阈值，则生成合规性异常信号，此时需要对晶圆的放置位置和姿态进行调整，有助于保证采像质量；
若晶圆位置偏离值和晶圆水平度偏离值均未超过对应预设阈值，则采集到检测区域若干个检测点的光照亮度，将所有检测点的光照亮度进行方差计算得到光照不均匀数据，将所有检测点的光照亮度进行均值计算得到光照平均值，将光照平均值与预设适宜光亮值进行差值计算并取绝对值以得到光照亮偏数据；以及采集到检测区域的光线穿透性数据，其中，光线穿透性数据是表示光线受阻程度大小的数据量值，检测区域的粉尘浓度越低，光线受阻程度越小，光线穿透性数据的数值越小，越有利于保证采像质量；
通过公式将光照不均匀数据ZG、光照亮偏数据ZP和光线穿透性数据ZT进行数值计算得到采像准备系数ZB；其中，eg1、eg2、eg3为预设比例系数，eg1、eg2、eg3的取值均大于零；并且，采像准备系数ZB的数值越大，表明采像外部条件状况越差，越不利于保证采像质量；将采像准备系数ZB与预设采像准备系数阈值进行数值比较，若采像准备系数ZB超过预设采像准备系数阈值，表明采像外部条件状况较差，则生成合规性异常信号，此时管理人员及时对光源和检测区域环境进行调控，以保证检测区域的采像条件满足要求；若采像准备系数ZB未超过预设采像准备系数阈值，表明采像外部条件状况较好，则开始进行对应晶圆的采像操作。
进一步而言，在机器视觉模块进行采像操作时，采像合规性检测模块采集到高分辨率相机的振频曲线和振幅曲线，振频曲线是表示振动频率随时间变化的曲线，振幅曲线是表示振动幅度随时间变化的曲线；振频曲线和振幅曲线位于直角坐标系中，在相应直角坐标系中划设水平的振频判定直线，将振频曲线位于振频判定直线上方的部分与振频判定直线所围成的区域面积标记为振频面表值，同理获取到振幅面表值；需要说明的是，高分辨率相机的振频面表值和振幅面表值的数值越大，表明高分辨率相机的振动状况越严重，高分辨率相机的稳定性越差；
将振频面表值和振幅面表值与高分辨率相机的预设振频面表阈值和预设振幅面表阈值分别进行数值比较，若振频面表值和振幅面表值均未超过对应预设阈值，则判断高分辨率相机处于运行稳定状态；同理对高精度显微镜进行检测分析，据此判断高精度显微镜是否处于运行稳定状态；在判断高分辨率相机和高精度显微镜均处于运行稳定状态时，此时有利于保证采像质量，则生成合规性正常信号；在判断高分辨率相机或高精度显微镜未处于运行稳定状态时，此时不利于保证采像质量，则生成合规性异常信号，管理人员及时对高分辨率相机或高精度显微镜进行检查或调控，以保证两者运行稳定性，提升采像质量。
实施例二：如图2所示，本实施例与实施例1的区别在于，处理器与效率影响性分析模块通信连接，效率影响性分析模块用于设定时长为P1的效检周期，优选的，P1为六小时；采集到对应效检周期内纳米压印设备所加工的晶圆数量并将其标记为压效值，以及获取到对应效检周期内所有加工后晶圆的缺陷检测评估信息，据此得到高缺陷晶圆占比值和低缺陷晶圆占比值，通过公式将高缺陷晶圆占比值GF和低缺陷晶圆占比值GK进行数值计算得到晶圆周期值GY；其中，ft1、ft2为预设权重系数，ft1＞ft2＞1.5；并且，晶圆周期值GY的数值越大，表明对应效检周期内所加工的晶圆整体而言缺陷状况较严重，晶圆质量较差；
获取到相邻若干个效检周期并将其标记为分析周期，优选的，分析周期不少于十五组；按照压效值的数值由大到小将所有分析周期进行排序，将位于前n位的分析周期和位于后n位的分析周期标记为目标周期，优选的，n≥3；将所有目标周期的晶圆周期值建立目标质测集合，将目标质测集合进行方差计算以得到质测差异值，质测差异值的数值越小，则表明加工效率对晶圆缺陷带来的影响越小；将质测差异值与预设质测差异值阈值进行数值比较，若质测差异值未超过预设质测差异阈值，则生成效率低影响信号；若质测差异值超过预设质测差异阈值，则生成效率高影响信号，能够将加工效率对晶圆缺陷的影响程度进行合理分析，有助于后续对加工效率进行针对性的优化调控。
进一步而言，处理器与效率优化输出模块通信连接，效率影响性分析模块将效率高影响信号或效率低影响信号经处理器发送至效率优化输出模块，效率优化输出模块在接收到效率低影响信号时，将所有分析周期的压效值进行均值计算得到压效平均值，将所有分析周期中数值最大的压效值标记为压效上限值，基于压效平均值和压效上限值建立压效参考范围；
效率优化输出模块在接收到效率高影响信号时，则将所有分析周期中数值最小的压效值标记为压效下限值，将位于后n位的分析周期的压效值进行均值计算得到压效衡量值，基于压效下限值和压效衡量值建立压效参考范围；效率优化输出模块将效率高影响信号或效率低影响信号以及相应的压效参考范围经处理器发送至人机交互界面模块，管理人员后续可针对相应的压效参考范围进行晶圆加工效率的调整，实现对晶圆加工效率的科学合理规划，在保证晶圆加工质量的同时提升加工效率。
实施例三：如图2所示，本实施例与实施例1、实施例2的区别在于，处理器与纳米压印设备管控模块通信连接，在生成效率低影响信号时，处理器将效率低影响信号发送至纳米压印设备管控模块，纳米压印设备管控模块接收到效率低影响信号时，采集到所有分析周期的晶圆周期值并将其进行均值计算以得到晶圆质量决策值，且将对应分析周期的晶圆周期值与预设晶圆周期阈值进行数值比较，若晶圆周期值超过预设晶圆周期阈值，则将对应分析周期标记为低质周期，将低质周期的数量与分析周期的数量进行比值计算得到低质检测值；
通过公式将低质检测值YL与晶圆质量决策值YR进行数值计算得到压印评估值YG；其中，a1、a2为预设权重系数，a1＞a2＞0；并且，压印评估值YG的数值大小与低质检测值YL以及晶圆质量决策值YR均呈正比关系，压印评估值YG的数值越大，则表明相应时期的晶圆缺陷状况越严重；将压印评估值YG与预设压印评估阈值进行数值比较，若压印评估值YG超过预设压印评估阈值，则判断纳米压印效果差；
在判断纳米压印效果差时，则将当前时刻与第一组分析周期的开始时刻所囊括的时间范围标记为设备校验时期，采集到设备校验时期纳米压印设备的故障频率、维护频率以及每次故障的停机时长，故障频率和维护频率是表示纳米压印设备在设备校验时期发生故障次数多少和进行维护次数多少的数据量值；将所有停机时长进行求和计算得到停机总时值，并将当前时刻与相邻上一次维护时刻进行时间差计算得到维护间隔时长；
通过公式将故障频率YF、维护频率YD、停机总时长YK和维护间隔时长YB进行数值计算得到压印设备评估值YP，其中，b1、b2、b3、b4为预设比例系数，b1、b2、b3、b4的取值均大于零；并且，压印设备评估值YP的数值越大，表明纳米压印设备的设备状况越差，因设备原因而导致晶圆缺陷的概率较大，越需要及时对纳米压印设备进行设备检查和维护；
将压印设备评估值YP与预设压印设备评估阈值进行数值比较，若压印设备评估值YP超过预设压印设备评估阈值，表明纳米压印设备的设备状况较差，则生成设备管控不合格信号，且将设备管控不合格信号经处理器发送至人机交互界面模块，相应管理人员接收到设备管控不合格信号时，及时对纳米压印设备进行设备检查和维护，若未接收到设备管控不合格信号，表明因设备原因而导致晶圆缺陷的概率较小，则对操作纳米压印设备的人员进行操作培训并加强操作监管，从而保证对晶圆的加工质量，有助于避免晶圆缺陷的产生。
实施例四：如图3所示，本实施例与实施例1、实施例2、实施例3的区别在于，基于机器视觉的纳米压印晶圆缺陷精准检测方法，包括以下步骤：
步骤一、通过光源提供均匀光照，利用高精度显微镜放大和聚焦晶圆表面，并采用高分辨率相机捕捉晶圆表面的图像；
步骤二、利用卷积神经网络对捕捉到的晶圆表面图像进行预处理和特征提取，通过缺陷识别模型对特征图像进行缺陷识别和定位；
步骤三、将晶圆表面划分为若干个待检区域，基于图像处理识别模块所识别的缺陷类型和位置进行缺陷精准分析，通过分析将对应晶圆标记为高缺陷晶圆、低缺陷晶圆或无缺陷晶圆；
步骤四、将对应晶圆的相应分析信息经处理器发送至人机交互界面模块，人机交互界面模块对相应分析信息进行显示。
本发明的工作原理：使用时，通过机器视觉模块在晶圆经过纳米压印后对其表面进行采像，光源提供均匀光照，高精度显微镜放大和聚焦晶圆表面，高分辨率相机捕捉晶圆表面的图像，图像处理识别模块利用卷积神经网络对捕捉到的晶圆表面图像进行预处理和特征提取，利用缺陷识别模型对特征图像进行缺陷识别和定位，晶圆缺陷精准评估模块基于所识别的缺陷类型和位置进行缺陷精准分析，将对应晶圆标记为高缺陷晶圆、低缺陷晶圆或无缺陷晶圆，能够快速准确的对晶圆缺陷严重程度进行分析反馈，分析结果更加精准，且通过采像合规性检测模块对晶圆表面的采像过程的合规性状况进行检测分析，据此生成合规性异常信号或合规性正常信号，方便管理人员及时且针对性的作出相应改善调控措施，使采像准备操作和采像过程更加合理规范，有效保证针对晶圆表面的采像质量，对提升晶圆缺陷分析结果的精准性起到辅助促进作用，晶圆缺陷检测的自动化程度和智能化程度高。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.基于机器视觉的纳米压印晶圆缺陷精准检测系统，其特征在于，包括处理器、机器视觉模块、图像处理识别模块、晶圆缺陷精准评估模块、采像合规性检测模块和人机交互界面模块；机器视觉模块通过光源提供均匀光照，利用高精度显微镜放大和聚焦晶圆表面，并采用高分辨率相机捕捉晶圆表面的图像，且将所采集的晶圆图像经处理器发送至图像处理识别模块；
图像处理识别模块利用卷积神经网络对捕捉到的晶圆表面图像进行预处理和特征提取，利用事先训练优化的缺陷识别模型对特征图像进行缺陷识别和定位，且将缺陷识别信息经处理器发送至晶圆缺陷精准评估模块；
晶圆缺陷精准评估模块将晶圆表面划分为若干个待检区域，将对应待检区域标记为i，且i为大于1的自然数；基于图像处理识别模块所识别的缺陷类型和位置进行缺陷精准分析，通过分析将对应晶圆标记为高缺陷晶圆、低缺陷晶圆或无缺陷晶圆，且将相应分析信息经处理器发送至人机交互界面模块；采像合规性检测模块用于对晶圆表面的采像过程的合规性状况进行检测分析，通过分析生成合规性异常信号或合规性正常信号，且将合规性异常信号经处理器发送至人机交互界面模块。
2.根据权利要求1所述的基于机器视觉的纳米压印晶圆缺陷精准检测系统，其特征在于，图像处理识别模块的具体运行过程如下：
图像预处理：卷积神经网络接收机器视觉模块捕捉的晶圆表面图像，对该图像进行预处理，预处理包括降噪、标准化和归一化操作，增强图像的对比度和清晰度，去除图像中的无关信息并突出晶圆表面的特征；
特征提取：通过卷积神经网络对预处理后的图像进行特征提取，卷积神经网络通过一系列的卷积层、池化层和全连接层，逐步从图像中学习并提取出重要特征，包括晶圆表面的纹理、颜色和形状；
缺陷识别：接收特征图像并利用事先训练优化的缺陷识别模型对其进行缺陷识别，缺陷识别模型为深度学习模型，模型在训练过程中不断学习不同类型缺陷的特征以准确地对新的特征图像进行缺陷识别；
缺陷定位：在识别出缺陷后，进一步利用定位算法来确定缺陷的位置，包括采用图像分割和边缘检测技术以精确地进行缺陷定位，并采用几何变换和配准算法将晶圆表面的图像坐标转换为实际的物理坐标。
3.根据权利要求1所述的基于机器视觉的纳米压印晶圆缺陷精准检测系统，其特征在于，缺陷精准分析的具体分析过程如下：
获取到待检区域i所存在的缺陷，若待检区域i不存在缺陷，则将待检区域i标记为无损检区；若待检区域i存在缺陷，则获取到缺陷面积占比值，将缺陷面积占比值与预设缺陷面积占比阈值进行数值比较，若缺陷面积占比值超过预设缺陷面积占比阈值，则将待检区域i标记为超损检区；若缺陷面积占比值未超过预设缺陷面积占比阈值，则将待检区域i标记为适损检区；若对应晶圆中不存在超损检区和适损检区，则将对应晶圆标记为无缺陷晶圆；否则，获取到对应晶圆中超损检区的数量和适损检区的数量并分别标记为超损检测值和适损检测值，将超损检测值和适损检测值进行赋权求和计算得到晶圆损测值；若晶圆损测值超过预设晶圆损测阈值，则将对应晶圆标记为高缺陷晶圆。
4.根据权利要求3所述的基于机器视觉的纳米压印晶圆缺陷精准检测系统，其特征在于，若晶圆损测值未超过预设晶圆损测阈值，将超损检区和适损检区标记为目标检区，获取到所有目标检区的位置并使其在晶圆表面图像中突出显示，采集到目标检区两两之间的距离并将其标记为损区距离值，将所有损区距离值进行均值计算得到损区距表值；且将目标检区的最大连接数量标记为损区聚集幅测值，将晶圆损测值、损区距表值和损区聚集幅测值进行数值计算得到晶圆评估值；若晶圆评估值超过预设晶圆评估阈值，则将对应晶圆标记为高缺陷晶圆；若晶圆评估值未超过预设晶圆评估阈值，则将对应晶圆标记为低缺陷晶圆。
5.根据权利要求1所述的基于机器视觉的纳米压印晶圆缺陷精准检测系统，其特征在于，采像合规性检测模块的具体运行过程包括：
在机器视觉模块进行采像前，获取到检测区域的晶圆位置，据此得到晶圆位置偏离值和晶圆水平度偏离值，若晶圆位置偏离值或晶圆水平度偏离值超过对应预设阈值，则生成合规性异常信号；若晶圆位置偏离值和晶圆水平度偏离值均未超过对应预设阈值，则采集到检测区域若干个检测点的光照亮度，将所有检测点的光照亮度进行方差计算得到光照不均匀数据，将所有检测点的光照亮度进行均值计算得到光照平均值，将光照平均值与预设适宜光亮值进行差值计算并取绝对值以得到光照亮偏数据；
以及采集到检测区域的光线穿透性数据，将光照不均匀数据、光照亮偏数据和光线穿透性数据进行数值计算得到采像准备系数；若采像准备系数超过预设采像准备系数阈值，则生成合规性异常信号；若采像准备系数未超过预设采像准备系数阈值，则开始进行对应晶圆的采像操作。
6.根据权利要求5所述的基于机器视觉的纳米压印晶圆缺陷精准检测系统，其特征在于，在机器视觉模块进行采像操作时，采像合规性检测模块采集到高分辨率相机的振频曲线和振幅曲线，划设水平的振频判定直线，将振频曲线位于振频判定直线上方的部分与振频判定直线所围成的区域面积标记为振频面表值，同理获取到振幅面表值，若振频面表值和振幅面表值均未超过对应预设阈值，则判断高分辨率相机处于运行稳定状态；同理对高精度显微镜进行检测分析，在判断高分辨率相机和高精度显微镜均处于运行稳定状态时，生成合规性正常信号；在判断高分辨率相机或高精度显微镜未处于运行稳定状态时，生成合规性异常信号。
7.根据权利要求1所述的基于机器视觉的纳米压印晶圆缺陷精准检测系统，其特征在于，处理器与效率影响性分析模块通信连接，效率影响性分析模块用于设定时长为P1的效检周期，采集到对应效检周期内纳米压印设备所加工的晶圆数量并将其标记为压效值，以及获取到对应效检周期内所有加工后晶圆的缺陷检测评估信息，据此得到高缺陷晶圆占比值和低缺陷晶圆占比值，将高缺陷晶圆占比值和低缺陷晶圆占比值进行数值计算得到晶圆周期值；
获取到相邻若干个效检周期并将其标记为分析周期，按照压效值的数值由大到小将所有分析周期进行排序，将位于前n位的分析周期和位于后n位的分析周期标记为目标周期，将所有目标周期的晶圆周期值建立目标质测集合；将目标质测集合进行方差计算以得到质测差异值，若质测差异值未超过预设质测差异阈值，则生成效率低影响信号；若质测差异值超过预设质测差异阈值，则生成效率高影响信号。
8.根据权利要求7所述的基于机器视觉的纳米压印晶圆缺陷精准检测系统，其特征在于，处理器与效率优化输出模块通信连接，效率影响性分析模块将效率高影响信号或效率低影响信号经处理器发送至效率优化输出模块，效率优化输出模块在接收到效率低影响信号时，将所有分析周期的压效值进行均值计算得到压效平均值，将所有分析周期中数值最大的压效值标记为压效上限值，基于压效平均值和压效上限值建立压效参考范围；
效率优化输出模块在接收到效率高影响信号时，则将所有分析周期中数值最小的压效值标记为压效下限值，将位于后n位的分析周期的压效值进行均值计算得到压效衡量值，基于压效下限值和压效衡量值建立压效参考范围；效率优化输出模块将效率高影响信号或效率低影响信号以及相应的压效参考范围经处理器发送至人机交互界面模块。
9.根据权利要求8所述的基于机器视觉的纳米压印晶圆缺陷精准检测系统，其特征在于，处理器与纳米压印设备管控模块通信连接，在生成效率低影响信号时，处理器将效率低影响信号发送至纳米压印设备管控模块，纳米压印设备管控模块接收到效率低影响信号时，采集到所有分析周期的晶圆周期值并将其进行均值计算以得到晶圆质量决策值，且将对应分析周期的晶圆周期值与预设晶圆周期阈值进行数值比较，若晶圆周期值超过预设晶圆周期阈值，则将对应分析周期标记为低质周期，将低质周期的数量与分析周期的数量进行比值计算得到低质检测值，将低质检测值与晶圆质量决策值进行数值计算得到压印评估值；若压印评估值超过预设压印评估阈值，则判断纳米压印效果差；
在判断纳米压印效果差时，则将当前时刻与第一组分析周期的开始时刻所囊括的时间范围标记为设备校验时期，采集到设备校验时期纳米压印设备的故障频率、维护频率以及每次故障的停机时长，将所有停机时长进行求和计算得到停机总时值，并将当前时刻与相邻上一次维护时刻进行时间差计算得到维护间隔时长；将故障频率、维护频率、停机总时长和维护间隔时长进行数值计算得到压印设备评估值，若压印设备评估值超过预设压印设备评估阈值，则生成设备管控不合格信号。
10.基于机器视觉的纳米压印晶圆缺陷精准检测方法，其特征在于，该纳米压印晶圆缺陷精准检测方法采用如权利要求1-9任一项所述的纳米压印晶圆缺陷精准检测系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311541658.9A CN117250208B (zh) | 2023-11-20 | 2023-11-20 | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311541658.9A CN117250208B (zh) | 2023-11-20 | 2023-11-20 | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117250208A true CN117250208A (zh) | 2023-12-19 |
| CN117250208B CN117250208B (zh) | 2024-02-06 |
Family
ID=89135448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311541658.9A Active CN117250208B (zh) | 2023-11-20 | 2023-11-20 | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117250208B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117668736A (zh) * | 2024-01-30 | 2024-03-08 | 深圳市嘉畅美电子有限公司 | 一种工程塑料的平面度检测方法及装置 |
| CN117686516A (zh) * | 2024-01-29 | 2024-03-12 | 江苏优众微纳半导体科技有限公司 | 基于机器视觉的芯片外观缺陷自动检测系统 |
| CN117723850A (zh) * | 2024-02-07 | 2024-03-19 | 泓浒(苏州)半导体科技有限公司 | 超真空环境下晶圆转运机械臂的静电检测系统及方法 |
| CN117911407A (zh) * | 2024-03-19 | 2024-04-19 | 华域生物科技(天津)有限公司 | 一种精子缺陷形态的图像识别方法 |
| CN118037137A (zh) * | 2024-04-11 | 2024-05-14 | 中国标准化研究院 | 一种基于卷积神经网络的产品质量事故数量的确定方法 |
| CN118247285A (zh) * | 2024-05-30 | 2024-06-25 | 无锡星微科技有限公司杭州分公司 | 一种基于图像处理的晶圆缺损识别方法及系统 |
| CN118379287A (zh) * | 2024-06-21 | 2024-07-23 | 张家港永和包装印务有限公司 | 一种基于图像识别的印刷产品质量监测分析方法及系统 |
| CN118398515A (zh) * | 2024-06-28 | 2024-07-26 | 江苏永鼎股份有限公司 | 一种GaAs刻蚀工艺的检测工艺及检测系统 |
| CN118412296A (zh) * | 2024-07-02 | 2024-07-30 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印晶圆生产的表面温度检测方法 |
| CN118412296B (zh) * | 2024-07-02 | 2024-09-24 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印晶圆生产的表面温度检测方法 |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000338047A (ja) * | 1999-05-26 | 2000-12-08 | Sumitomo Metal Ind Ltd | 結晶欠陥の検査方法及び検査装置 |
| JP2013167596A (ja) * | 2012-02-17 | 2013-08-29 | Honda Motor Co Ltd | 欠陥検査装置、欠陥検査方法及びプログラム |
| US20150332452A1 (en) * | 2014-05-14 | 2015-11-19 | Nuflare Technology, Inc. | Inspection method, template substrate, and focus offset method |
| CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
| CN108765389A (zh) * | 2018-05-18 | 2018-11-06 | 浙江大学 | 一种微观晶圆表面缺陷图像检测方法 |
| CN110402386A (zh) * | 2017-03-17 | 2019-11-01 | 东丽株式会社 | 圆筒体表面检查装置及圆筒体表面检查方法 |
| CN112599438A (zh) * | 2021-03-03 | 2021-04-02 | 惠州高视科技有限公司 | MiniLED晶圆缺陷的高精度检测系统及其检测方法 |
| CN112700406A (zh) * | 2020-12-09 | 2021-04-23 | 深圳市芯汇群微电子技术有限公司 | 一种基于卷积神经网络的晶圆缺陷检测方法 |
| CN112907519A (zh) * | 2021-01-29 | 2021-06-04 | 广州信邦智能装备股份有限公司 | 一种基于深度学习的金属曲面缺陷分析系统及方法 |
| CN113362320A (zh) * | 2021-07-07 | 2021-09-07 | 北京工业大学 | 基于深度注意力网络的晶圆表面缺陷模式检测方法 |
| US20210319265A1 (en) * | 2020-11-02 | 2021-10-14 | Zhengzhou University | Method for segmentation of underground drainage pipeline defects based on full convolutional neural network |
| KR20220111061A (ko) * | 2021-02-01 | 2022-08-09 | 에스케이실트론 주식회사 | 웨이퍼 비전검사 장치 및 방법 |
| CN115409824A (zh) * | 2022-09-06 | 2022-11-29 | 长沙理工大学 | 一种基于深度卷积神经网络的硅晶圆表面缺陷检测方法 |
| CN115774014A (zh) * | 2022-08-12 | 2023-03-10 | 四川大学 | 一种基于视觉与超声的焊缝缺陷检测系统及检测方法 |
| CN115791822A (zh) * | 2022-11-08 | 2023-03-14 | 磐柔(厦门)工业智能有限公司 | 晶圆表面缺陷的视觉检测算法及检测系统 |
| CN116363567A (zh) * | 2023-06-02 | 2023-06-30 | 苏州鸿安机械股份有限公司 | 一种基于aoi视觉检测的晶圆缺陷识别方法及系统 |
| US20230222645A1 (en) * | 2020-06-23 | 2023-07-13 | Omron Corporation | Inspection apparatus, unit selection apparatus, inspection method, and computer-readable storage medium storing an inspection program |
| CN116559183A (zh) * | 2023-07-11 | 2023-08-08 | 钛玛科（北京）工业科技有限公司 | 一种提高缺陷判定效率的方法及系统 |
| CN116698753A (zh) * | 2023-07-25 | 2023-09-05 | 广州纳动半导体设备有限公司 | 一种基于机器视觉的mini-LED面板缺陷检测设备及方法 |
| CN116740074A (zh) * | 2023-08-16 | 2023-09-12 | 青岛天仁微纳科技有限责任公司 | 基于机器视觉的晶圆缺陷精准识别方法 |
| CN116773548A (zh) * | 2023-08-21 | 2023-09-19 | 泓浒(苏州)半导体科技有限公司 | 一种晶圆表面缺陷检测方法及系统 |
| CN116779465A (zh) * | 2023-08-25 | 2023-09-19 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印晶圆缺陷检测方法 |
| WO2023216721A1 (zh) * | 2022-05-11 | 2023-11-16 | 河海大学 | 一种混凝土大坝缺陷时序图像智能识别方法 |
-
2023
- 2023-11-20 CN CN202311541658.9A patent/CN117250208B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000338047A (ja) * | 1999-05-26 | 2000-12-08 | Sumitomo Metal Ind Ltd | 結晶欠陥の検査方法及び検査装置 |
| JP2013167596A (ja) * | 2012-02-17 | 2013-08-29 | Honda Motor Co Ltd | 欠陥検査装置、欠陥検査方法及びプログラム |
| US20150332452A1 (en) * | 2014-05-14 | 2015-11-19 | Nuflare Technology, Inc. | Inspection method, template substrate, and focus offset method |
| CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
| CN110402386A (zh) * | 2017-03-17 | 2019-11-01 | 东丽株式会社 | 圆筒体表面检查装置及圆筒体表面检查方法 |
| CN108765389A (zh) * | 2018-05-18 | 2018-11-06 | 浙江大学 | 一种微观晶圆表面缺陷图像检测方法 |
| US20230222645A1 (en) * | 2020-06-23 | 2023-07-13 | Omron Corporation | Inspection apparatus, unit selection apparatus, inspection method, and computer-readable storage medium storing an inspection program |
| US20210319265A1 (en) * | 2020-11-02 | 2021-10-14 | Zhengzhou University | Method for segmentation of underground drainage pipeline defects based on full convolutional neural network |
| CN112700406A (zh) * | 2020-12-09 | 2021-04-23 | 深圳市芯汇群微电子技术有限公司 | 一种基于卷积神经网络的晶圆缺陷检测方法 |
| CN112907519A (zh) * | 2021-01-29 | 2021-06-04 | 广州信邦智能装备股份有限公司 | 一种基于深度学习的金属曲面缺陷分析系统及方法 |
| KR20220111061A (ko) * | 2021-02-01 | 2022-08-09 | 에스케이실트론 주식회사 | 웨이퍼 비전검사 장치 및 방법 |
| CN112599438A (zh) * | 2021-03-03 | 2021-04-02 | 惠州高视科技有限公司 | MiniLED晶圆缺陷的高精度检测系统及其检测方法 |
| CN113362320A (zh) * | 2021-07-07 | 2021-09-07 | 北京工业大学 | 基于深度注意力网络的晶圆表面缺陷模式检测方法 |
| WO2023216721A1 (zh) * | 2022-05-11 | 2023-11-16 | 河海大学 | 一种混凝土大坝缺陷时序图像智能识别方法 |
| CN115774014A (zh) * | 2022-08-12 | 2023-03-10 | 四川大学 | 一种基于视觉与超声的焊缝缺陷检测系统及检测方法 |
| CN115409824A (zh) * | 2022-09-06 | 2022-11-29 | 长沙理工大学 | 一种基于深度卷积神经网络的硅晶圆表面缺陷检测方法 |
| CN115791822A (zh) * | 2022-11-08 | 2023-03-14 | 磐柔(厦门)工业智能有限公司 | 晶圆表面缺陷的视觉检测算法及检测系统 |
| CN116363567A (zh) * | 2023-06-02 | 2023-06-30 | 苏州鸿安机械股份有限公司 | 一种基于aoi视觉检测的晶圆缺陷识别方法及系统 |
| CN116559183A (zh) * | 2023-07-11 | 2023-08-08 | 钛玛科（北京）工业科技有限公司 | 一种提高缺陷判定效率的方法及系统 |
| CN116698753A (zh) * | 2023-07-25 | 2023-09-05 | 广州纳动半导体设备有限公司 | 一种基于机器视觉的mini-LED面板缺陷检测设备及方法 |
| CN116740074A (zh) * | 2023-08-16 | 2023-09-12 | 青岛天仁微纳科技有限责任公司 | 基于机器视觉的晶圆缺陷精准识别方法 |
| CN116773548A (zh) * | 2023-08-21 | 2023-09-19 | 泓浒(苏州)半导体科技有限公司 | 一种晶圆表面缺陷检测方法及系统 |
| CN116779465A (zh) * | 2023-08-25 | 2023-09-19 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印晶圆缺陷检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| VENU GOPAL MADHAV ANNAMDAS 等: "Fatigue Growth Analysis of Pre Induced Surface Defects Using Piezoelectric Wafer Based Impedance Method and Digital Image Correlation System", 《J NONDESTRUCT EVAL》, pages 413 - 426 * |
| 周江;任锟;帅英琦;陈英豪;: "基于机器视觉的磁钢片缺陷检测研究", 机电工程, no. 12, pages 1541 - 1546 * |
| 邡鑫;史峥;: "基于卷积神经网络的晶圆缺陷检测与分类算法", 计算机工程, no. 08, pages 218 - 223 * |
| 陈治杉 等: "基于机器视觉的晶圆表面缺陷检测", 贵州大学学报(自然科学版), vol. 36, no. 4, pages 68 - 73 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686516A (zh) * | 2024-01-29 | 2024-03-12 | 江苏优众微纳半导体科技有限公司 | 基于机器视觉的芯片外观缺陷自动检测系统 |
| CN117686516B (zh) * | 2024-01-29 | 2024-05-10 | 江苏优众微纳半导体科技有限公司 | 基于机器视觉的芯片外观缺陷自动检测系统 |
| CN117668736A (zh) * | 2024-01-30 | 2024-03-08 | 深圳市嘉畅美电子有限公司 | 一种工程塑料的平面度检测方法及装置 |
| CN117723850A (zh) * | 2024-02-07 | 2024-03-19 | 泓浒(苏州)半导体科技有限公司 | 超真空环境下晶圆转运机械臂的静电检测系统及方法 |
| CN117723850B (zh) * | 2024-02-07 | 2024-04-26 | 泓浒(苏州)半导体科技有限公司 | 超真空环境下晶圆转运机械臂的静电检测系统及方法 |
| CN117911407A (zh) * | 2024-03-19 | 2024-04-19 | 华域生物科技(天津)有限公司 | 一种精子缺陷形态的图像识别方法 |
| CN118037137A (zh) * | 2024-04-11 | 2024-05-14 | 中国标准化研究院 | 一种基于卷积神经网络的产品质量事故数量的确定方法 |
| CN118037137B (zh) * | 2024-04-11 | 2024-07-05 | 中国标准化研究院 | 一种基于卷积神经网络的产品质量事故数量的确定方法 |
| CN118247285A (zh) * | 2024-05-30 | 2024-06-25 | 无锡星微科技有限公司杭州分公司 | 一种基于图像处理的晶圆缺损识别方法及系统 |
| CN118247285B (zh) * | 2024-05-30 | 2024-08-09 | 无锡星微科技有限公司杭州分公司 | 一种基于图像处理的晶圆缺损识别方法及系统 |
| CN118379287A (zh) * | 2024-06-21 | 2024-07-23 | 张家港永和包装印务有限公司 | 一种基于图像识别的印刷产品质量监测分析方法及系统 |
| CN118398515A (zh) * | 2024-06-28 | 2024-07-26 | 江苏永鼎股份有限公司 | 一种GaAs刻蚀工艺的检测工艺及检测系统 |
| CN118412296A (zh) * | 2024-07-02 | 2024-07-30 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印晶圆生产的表面温度检测方法 |
| CN118412296B (zh) * | 2024-07-02 | 2024-09-24 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印晶圆生产的表面温度检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117250208B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117250208B (zh) | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 | |
| CN106568783B (zh) | 一种五金零件缺陷检测系统及方法 | |
| CN117635565B (zh) | 一种基于图像识别的半导体表面缺陷检测系统 | |
| CN106934800A (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
| CN111852792B (zh) | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 | |
| CN111242123A (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
| CN110490842A (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
| CN107084992A (zh) | 一种基于机器视觉的胶囊检测方法及系统 | |
| CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
| CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
| CN115993366B (zh) | 基于传感设备的加工件表面检测方法及系统 | |
| CN111707614A (zh) | 一种光学芯片表面沾污缺陷检测方法及线激光视觉检测系统 | |
| CN113487570A (zh) | 基于改进的yolov5x网络模型的高温连铸坯表面缺陷检测方法 | |
| CN113191977A (zh) | 一种用于恶劣环境条件下目标检测识别的图像增强系统 | |
| CN114407079B (zh) | 一种控制机械臂安装螺栓的方法 | |
| CN117350967A (zh) | 一种基于光学检测晶圆外观缺陷检测系统及其方法 | |
| CN106254864B (zh) | 监控视频中的雪花和噪点噪声检测方法 | |
| CN112465784B (zh) | 一种地铁夹钳外观异常检测的方法 | |
| CN117314829A (zh) | 一种基于计算机视觉的工业零件质检方法和系统 | |
| CN117252840A (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
| CN108416790A (zh) | 一种用于工件破损率的检测方法 | |
| CN113793321A (zh) | 基于机器视觉的铸件表面缺陷动态检测方法及装置 | |
| CN118380353B (zh) | 一种芯片的刻蚀工艺在线识别方法及系统 | |
| CN117746345B (zh) | 一种基于大数据的物资状态监控系统与方法 | |
| CN118150584B (zh) | 一种基于图像识别的涡轮机匣表面质量检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |