CN117260012A - 碳化硅材料的激光冷切割控制系统及其方法 - Google Patents
碳化硅材料的激光冷切割控制系统及其方法 Download PDFInfo
- Publication number
- CN117260012A CN117260012A CN202311306260.7A CN202311306260A CN117260012A CN 117260012 A CN117260012 A CN 117260012A CN 202311306260 A CN202311306260 A CN 202311306260A CN 117260012 A CN117260012 A CN 117260012A
- Authority
- CN
- China
- Prior art keywords
- silicon carbide
- surface crack
- texture feature
- ingot
- perception
- 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.)
- Withdrawn
Links
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 title claims abstract description 172
- 229910010271 silicon carbide Inorganic materials 0.000 title claims abstract description 170
- 238000005520 cutting process Methods 0.000 title claims abstract description 96
- 239000000463 material Substances 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000013078 crystal Substances 0.000 claims abstract description 39
- 229920000642 polymer Polymers 0.000 claims abstract description 33
- 238000001816 cooling Methods 0.000 claims abstract description 17
- 239000011248 coating agent Substances 0.000 claims abstract description 15
- 238000000576 coating method Methods 0.000 claims abstract description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000004299 exfoliation Methods 0.000 claims abstract description 11
- 239000002904 solvent Substances 0.000 claims abstract description 9
- 230000008447 perception Effects 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 239000003623 enhancer Substances 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 11
- 230000001678 irradiating effect Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 17
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 235000012431 wafers Nutrition 0.000 description 46
- 239000010410 layer Substances 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000011247 coating layer Substances 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000008602 contraction Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003698 laser cutting Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000035882 stress Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000008646 thermal stress Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- 229910002601 GaN Inorganic materials 0.000 description 1
- 229910001218 Gallium arsenide Inorganic materials 0.000 description 1
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 description 1
- GPXJNWSHGFTCBW-UHFFFAOYSA-N Indium phosphide Chemical compound [In]#P GPXJNWSHGFTCBW-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 239000011162 core material Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000002210 silicon-based material Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/36—Removing material
- B23K26/38—Removing material by boring or cutting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K2103/00—Materials to be soldered, welded or cut
- B23K2103/50—Inorganic material, e.g. metals, not provided for in B23K2103/02 – B23K2103/26
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Mechanical Treatment Of Semiconductor (AREA)
Abstract
本发明公开了一种碳化硅材料的激光冷切割控制系统及其方法,其使用激光照射碳化硅晶锭的剥落层以使得碳化硅材料发生局部膨胀以形成微裂纹;将聚合物涂覆于所述碳化硅晶锭的表面;将涂覆有所述聚合物的碳化硅晶锭放入低温环境中进行冷却分离以得到碳化硅晶圆与剩余碳化硅晶锭;以及,使用预定溶剂对所述碳化硅晶圆的表面进行清理以得到去除所述聚合物后的碳化硅晶圆。这样,结合基于深度学习的人工智能技术和图像处理技术,通过分析碳化硅晶锭的晶锭表面裂纹图像来实现自动化地判断何时停止激光照射,以完成高精度的激光照射控制。
Description
技术领域
本发明涉及智能化控制技术领域,尤其涉及一种碳化硅材料的激光冷切割控制系统及其方法。
背景技术
碳化硅(Silicon Carbide,SiC)具有高硬度、高热传导性、高耐高温性和化学稳定性等优良特性,在许多领域中得到广泛应用,包括电子、光学、机械和化工等。
碳化硅材料的切割是碳化硅器件制造过程中的重要工序,直接影响着器件的质量和性能。对于碳化硅材料,传统的机械切割方法往往效率低下、精度难以控制,而且容易引起晶圆表面的损伤。
因此,期待一种优化的方案。
发明内容
本发明实施例提供一种碳化硅材料的激光冷切割控制系统及其方法,其使用激光照射碳化硅晶锭的剥落层以使得碳化硅材料发生局部膨胀以形成微裂纹;将聚合物涂覆于所述碳化硅晶锭的表面;将涂覆有所述聚合物的碳化硅晶锭放入低温环境中进行冷却分离以得到碳化硅晶圆与剩余碳化硅晶锭;以及,使用预定溶剂对所述碳化硅晶圆的表面进行清理以得到去除所述聚合物后的碳化硅晶圆。这样,结合基于深度学习的人工智能技术和图像处理技术,通过分析碳化硅晶锭的晶锭表面裂纹图像来实现自动化地判断何时停止激光照射,以完成高精度的激光照射控制。
本发明实施例还提供了一种碳化硅材料的激光冷切割控制方法,其包括:
使用激光照射碳化硅晶锭的剥落层以使得碳化硅材料发生局部膨胀以形成微裂纹;
将聚合物涂覆于所述碳化硅晶锭的表面;
将涂覆有所述聚合物的碳化硅晶锭放入低温环境中进行冷却分离以得到碳化硅晶圆与剩余碳化硅晶锭;以及
使用预定溶剂对所述碳化硅晶圆的表面进行清理以得到去除所述聚合物后的碳化硅晶圆。
本发明实施例还提供了一种碳化硅材料的激光冷切割控制系统,其包括:
局部膨胀模块,用于使用激光照射碳化硅晶锭的剥落层以使得碳化硅材料发生局部膨胀以形成微裂纹;
表面涂覆模块,用于将聚合物涂覆于所述碳化硅晶锭的表面;
冷却分离模块,用于将涂覆有所述聚合物的碳化硅晶锭放入低温环境中进行冷却分离以得到碳化硅晶圆与剩余碳化硅晶锭;以及
表面清理模块,用于使用预定溶剂对所述碳化硅晶圆的表面进行清理以得到去除所述聚合物后的碳化硅晶圆。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中提供的一种碳化硅材料的激光冷切割控制方法的流程图。
图2为本发明实施例中提供的一种碳化硅材料的激光冷切割控制方法的系统架构的示意图。
图3为本发明实施例中提供的一种碳化硅材料的激光冷切割控制方法中步骤110的子步骤的流程图。
图4为本发明实施例中提供的一种碳化硅材料的激光冷切割工艺的示意图;
图5为本发明实施例中提供的一种碳化硅材料的激光冷切割控制系统的框图。
图6为本发明实施例中提供的一种碳化硅材料的激光冷切割控制方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
如本发明和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
碳化硅(SiC)是第三代化合物半导体材料。半导体产业的基石是芯片,制作芯片的核心材料按照历史进程分为:第一代半导体材料(大部分为目前广泛使用的高纯度硅),第二代化合物半导体材料(砷化镓、磷化铟),第三代化合物半导体材料(碳化硅、氮化镓)。碳化硅因其优越的物理性能:高禁带宽度(对应高击穿电场和高功率密度)、高电导率、高热导率,将是未来最被广泛使用的制作半导体芯片的基础材料。
碳化硅材料由于耐高温高压、高效、高频的特性,碳化硅器件可以显著降低主逆变器的损耗。在相同的功率下,采用800V 碳化硅的主逆变器,整体损耗可以降低69%,折算到每公里的电耗上,可以降低7.6%,相比硅材料,碳化硅具有生长慢、晶圆小、材质硬、切割难度大等特点,对成本和产能都有较大影响。激光冷切割(Cold Split)这一创新技术,可以将碳化硅晶圆产能提升三倍以上,同时每片晶圆损失低至80μm,而且晶圆减薄仅需几分钟,可节省90%材料。将SiC晶圆的良率提高90%,在相同碳化硅晶锭的情况下,可以提供3倍的材料,可生产更多的器件,最终SiC器件的成本可以降低20-30%。”
碳化硅的主要特点包括:
高硬度:碳化硅具有非常高的硬度,接近于金刚石,这使得碳化硅在许多领域中可以用作高硬度材料的替代品。
高热传导性:碳化硅具有出色的热传导性能,比许多金属和其他陶瓷材料更好,这使得碳化硅在高温环境下能够有效地传导热量,具有良好的散热性能。
高耐高温性:碳化硅可以在极高温度下工作,可达到几百摄氏度甚至更高的温度,能够保持其机械和电学性能,而不会出现显著的降解。
化学稳定性:碳化硅对许多化学物质具有良好的稳定性,能够抵抗腐蚀和氧化,这使得碳化硅在化学工业和其他领域中可以用于要求高化学稳定性的应用。
基于这些特性,碳化硅在许多领域中得到广泛应用,包括:电子器件,碳化硅在半导体领域中被广泛用于制造高功率和高频率电子器件,如功率变换器、射频功率放大器和高温电子器件等。光学应用,碳化硅具有优异的光学性能,可用于制造光学窗口、反射镜、激光器和光纤等光学器件。机械工程,碳化硅的高硬度和耐磨性使其成为制造切削工具、轴承和机械密封件等高性能机械零件的理想材料。化学工业,碳化硅在化学工业中被广泛应用于耐腐蚀设备、催化剂载体和高温反应器等领域。
碳化硅材料的切割是在碳化硅器件制造过程中的重要工序,直接影响着器件的质量和性能,传统的机械切割方法在切割碳化硅材料时往往效率低下、精度难以控制,而且容易引起晶圆表面的损伤。
而且,传统的机械切割方法通常需要较长的切割时间,特别是对于硬度较高的碳化硅材料而言,切割速度较慢,这会导致生产效率低下,增加制造成本。传统的机械切割方法在控制切割精度方面存在一定的困难,由于切割过程中机械刀具的磨损和刀具的变形等因素,切割精度可能难以保持一致,导致器件尺寸和形状的变化。传统的机械切割方法使用刀具直接接触碳化硅材料表面进行切割,容易引起表面划痕、裂纹和碎片产生等问题,导致晶圆表面的损伤,这对于制造高质量的碳化硅器件来说是不可接受的。传统的机械切割方法会产生大量的切割粉尘和废料,对环境造成污染,并增加了后续处理的成本和复杂性。
传统的机械切割方法在碳化硅材料切割中存在效率低、精度难以控制、容易损伤晶圆表面以及废料处理等问题。因此,寻求替代的高效、高精度的切割方法对于碳化硅器件制造具有重要意义。激光冷切割等新兴的切割技术能够克服传统机械切割的弊端,并在碳化硅材料的切割中得到广泛应用。
近年来,激光切割技术逐渐被应用于碳化硅材料的切割,其中激光冷切割是一种常见的方法。激光冷切割利用激光照射材料表面,使其局部发生热膨胀和冷收缩,从而产生微裂纹并沿裂纹方向分离的切割方法。激光冷切割具有切割速度快、切割表面质量好等优点,适用于对碳化硅材料的高效率、高质量的切割。
激光冷切割的过程包括:激光照射,使用激光器将激光束照射到碳化硅材料的切割位置,激光的能量会被吸收并转化为热能,使局部区域的温度升高。热膨胀和冷收缩,激光照射导致局部区域的温度升高,材料发生热膨胀,当激光停止照射后,局部区域迅速冷却并发生冷收缩,导致产生微裂纹。裂纹扩展和分离,由于材料内部的应力集中,微裂纹会沿着裂纹方向扩展,并最终导致材料的分离,这使得碳化硅材料在裂纹方向上实现了高质量的切割。
激光冷切割的关键是控制激光照射的时间和能量,以实现所需的切割深度和质量。对于碳化硅材料的切割,激光冷切割可以提供高精度、高效率和低损伤的切割过程,因此在碳化硅器件制造中得到广泛应用。在本发明的一个实施例中,图1为本发明实施例中提供的一种碳化硅材料的激光冷切割控制方法的流程图。如图1所示,根据本发明实施例的碳化硅材料的激光冷切割控制方法100,包括:110,使用激光照射碳化硅晶锭的剥落层以使得碳化硅材料发生局部膨胀以形成微裂纹;120,将聚合物涂覆于所述碳化硅晶锭的表面;130,将涂覆有所述聚合物的碳化硅晶锭放入低温环境中进行冷却分离以得到碳化硅晶圆与剩余碳化硅晶锭;以及,140,使用预定溶剂对所述碳化硅晶圆的表面进行清理以得到去除所述聚合物后的碳化硅晶圆。
在所述步骤110中,在选择激光的参数时,考虑激光功率、脉冲宽度和重复频率等因素,以确保产生足够的热能使剥落层发生膨胀,但又不会过度加热和损坏晶圆。激光照射剥落层使其局部发生热膨胀,产生微裂纹,为后续的冷却分离创造条件。
在所述步骤120中,选择适合的聚合物涂覆材料,确保其具有良好的附着性和耐高温性能,以在激光照射和冷却分离过程中保护晶圆表面免受损伤。聚合物涂覆层可以在激光照射过程中起到保护晶圆表面的作用,减轻晶圆的损伤风险。
在所述步骤130中,选择适当的低温环境和冷却速度,以控制晶圆的冷却过程,避免过度应力和热应力引起的晶圆破裂或形状变化。通过冷却分离过程,聚合物涂覆层下的局部膨胀区域会收缩,从而导致微裂纹扩展并分离碳化硅晶圆与剩余晶锭。
在所述步骤140中,选择适当的溶剂,能够有效去除聚合物涂覆层,但不会对碳化硅晶圆表面造成损伤。清理聚合物涂覆层后,可以得到去除聚合物的纯净碳化硅晶圆,为后续加工和应用提供干净的表面。
这样,确保激光冷切割过程的控制和碳化硅材料的高质量切割。通过合理选择参数、保护晶圆表面、控制冷却过程和清理表面,可以实现高效、精确和低损伤的碳化硅材料切割。
其中,激光冷切割是一种利用激光照射材料表面,使其局部发生热膨胀和冷收缩,从而产生微裂纹并沿裂纹方向分离的切割方法。激光冷切割具有切割速度快、切割表面质量好等优点,适用于对碳化硅材料的高效率、高质量的切割。
在实际对碳化硅材料进行激光冷切割的过程中,特别是形成微裂纹的过程中,存在激光照射时间难以调节,使得微裂纹的深度不能符合预定要求的问题。也就是,在激光冷切割的过程中,对于激光照射时间的控制方面存在一定的挑战,难以实现高精度和重复性。
图2为本发明实施例中提供的一种碳化硅材料的激光冷切割控制方法的系统架构的示意图。图3为本发明实施例中提供的一种碳化硅材料的激光冷切割控制方法中步骤110的子步骤的流程图。如图2和图3所示,使用激光照射碳化硅晶锭的剥落层以使得碳化硅材料发生局部膨胀以形成微裂纹,包括:111,获取由摄像头采集的晶锭表面裂纹图像;112,对所述晶锭表面裂纹图像进行图像特征提取以得到感知增强表面裂纹纹理特征图;以及,113,基于所述感知增强表面裂纹纹理特征图,确定是否结束激光照射。
在所述步骤111中,选择适当的摄像头和成像参数,以获取清晰、高分辨率的晶锭表面裂纹图像。确保摄像头的位置和角度能够覆盖整个晶锭表面,并避免光照和反射等因素对图像质量的影响。通过获取晶锭表面裂纹图像,可以提供用于后续图像处理和分析的数据,实现对晶锭表面裂纹的自动化检测和判断。
在所述步骤112中,选择适当的图像特征提取算法,例如基于纹理、形状或边缘等特征的算法,以从晶锭表面裂纹图像中提取关键特征。确保选取的特征能够准确反映裂纹的位置、形状和纹理等信息。通过图像特征提取,可以将晶锭表面裂纹图像转化为感知增强的表面裂纹纹理特征图,提供更直观、可视化的信息,便于后续的判断和决策。
在所述步骤113中,建立合适的判断准则和阈值,基于感知增强的表面裂纹纹理特征图对激光照射的结束进行判断,根据裂纹的变化和特征图的分析结果,确定合适的结束时机。通过基于感知增强表面裂纹纹理特征图的判断,可以实现对激光照射时间的自动化控制。避免过度照射和损伤晶锭,同时保证切割的质量和效率。
为了实现对激光照射的自动化控制,通过图像采集、特征提取和判断,准确判断激光照射的结束时机,这样可以避免过度照射和损伤晶锭,同时提高切割的质量和效率。
对此,本发明的技术构思为:结合基于深度学习的人工智能技术和图像处理技术,通过分析碳化硅晶锭的晶锭表面裂纹图像来实现自动化地判断何时停止激光照射,以完成高精度的激光照射控制。基于此,在本发明的技术方案中,首先,获取由摄像头采集的晶锭表面裂纹图像。
晶锭表面裂纹图像可以获得以下有用信息:
裂纹位置和形状:晶锭表面裂纹图像可以提供裂纹的位置和形状信息,这些信息可以用于定位和标记裂纹,以便进行后续的分析和处理。
裂纹长度和密度:通过晶锭表面裂纹图像,可以测量裂纹的长度和计算裂纹的密度,这些信息可以用于评估裂纹的严重程度和分布情况,从而指导后续处理的决策。
裂纹纹理和粗糙度:晶锭表面裂纹图像可以反映裂纹的纹理和表面粗糙度,这些信息可以用于评估裂纹的表面质量和特征,以及判断裂纹的稳定性和可靠性。
裂纹的变化和发展趋势:通过连续采集晶锭表面裂纹图像,可以观察裂纹的变化和发展趋势,这些信息可以用于分析裂纹的演化规律和预测其未来的发展趋势,为后续处理提供指导和优化方案。
其他缺陷和异常:除了裂纹,晶锭表面裂纹图像还可能显示其他缺陷和异常,如气泡、杂质或表面不均匀性等,这些信息可以帮助检测和识别其他问题,并进行相应的处理和修复。
通过提取晶锭表面裂纹图像中的这些有用信息,可以实现对裂纹的定位、评估和预测,以及对其他缺陷和异常的检测,为后续处理提供了重要的数据和指导,以实现高质量的碳化硅材料切割。晶锭表面裂纹图像的获取通过摄像头提供了实时的视觉反馈,这使得操作者能够随时监控晶锭表面裂纹的情况,了解照射过程中裂纹的变化和发展情况。通过对晶锭表面裂纹图像进行分析,可以判断裂纹的扩展情况,操作者可以观察裂纹的长度、形状和密度等特征,以确定裂纹是否已达到预定的结束标准。基于晶锭表面裂纹图像的分析结果,可以决定是否结束激光照射,如果裂纹已达到预定的结束标准,操作者可以及时停止激光照射,避免过度照射和可能引起的晶锭损伤。通过实时监测晶锭表面裂纹的变化,并在适当的时机结束激光照射,可以确保切割质量的一致性和准确性,避免过度照射可以减少晶锭的热应力和形状变化,从而提高切割的质量和精度。
获取由摄像头采集的晶锭表面裂纹图像对最后确定是否结束激光照射起到至关重要的作用,提供了实时反馈,帮助判断裂纹扩展情况,并控制照射时间,从而提高切割质量和避免晶锭损伤。
在本发明的一个实施例中,对所述晶锭表面裂纹图像进行图像特征提取以得到感知增强表面裂纹纹理特征图,包括:将所述晶锭表面裂纹图像通过基于卷积神经网络模型的裂纹纹理特征提取器以得到晶锭表面裂纹纹理特征图;以及,将所述晶锭表面裂纹纹理特征图通过基于空间注意力模块的表面裂纹感知增强器以得到所述感知增强表面裂纹纹理特征图。
接着,将所述晶锭表面裂纹图像通过基于卷积神经网络模型的裂纹纹理特征提取器以得到晶锭表面裂纹纹理特征图。也就是,利用卷积神经网络模型来构建所述裂纹纹理特征提取器,以捕获所述晶锭表面裂纹图像中所蕴含的表面纹理特征。应可以理解,表面纹理特征可以表征关于裂纹形态的信息,如裂纹的长度、宽度、分支形态等。通过这些表面纹理特征可以来判断当前的微裂纹是否符合预定要求。
卷积神经网络(CNN)模型在图像处理领域表现出色,能够有效地提取图像中的特征。通过使用基于CNN的裂纹纹理特征提取器,可以学习和提取晶锭表面裂纹图像中的纹理特征,例如纹理的细节、方向性和空间分布等。裂纹纹理特征提取器可以通过训练大量的裂纹图像样本,学习到具有鉴别性的特征表示,这样,通过提取的裂纹纹理特征图,可以更好地区分裂纹和其他表面特征,提高裂纹的检测和定位准确性。
晶锭表面裂纹图像通常具有高分辨率和大尺寸,处理和存储这些图像可能需要大量的计算资源和存储空间,通过提取裂纹纹理特征图,可以将原始图像的维度显著降低,减少数据的存储需求,并加快后续处理的速度。通过可视化裂纹纹理特征图,可以更好地理解和解释裂纹的形态和分布情况,有助于操作者对晶锭表面裂纹进行更准确的分析和判断,提高切割质量的控制和调整能力。
通过基于卷积神经网络模型的裂纹纹理特征提取器对晶锭表面裂纹图像进行处理,可以获得有益的晶锭表面裂纹纹理特征图。这将提高裂纹的鉴别性、减少数据维度、增强裂纹特征的可解释性,并为后续处理提供更准确和高效的信息。
然后,将所述晶锭表面裂纹纹理特征图通过基于空间注意力模块的表面裂纹感知增强器以得到感知增强表面裂纹纹理特征图。这里,在判断晶锭表面的裂纹状态时,应关注于空间位置上关于裂纹的隐含特征信息和位置特征信息而忽略与裂纹状态信息无关的干扰特征,鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本发明的技术方案中,将所述晶锭表面裂纹纹理特征图输入基于空间注意力模块的表面裂纹感知增强器中进行处理,以此来抑制或强化不同空间位置的特征。
空间注意力模块是一种用于增强图像特征表示的技术,可以在特定区域上集中注意力,从而提高该区域的特征表达能力。在表面裂纹感知增强器中使用空间注意力模块可以进一步提升晶锭表面裂纹纹理特征图的表达能力。
空间注意力模块通常由以下几个关键组件组成:卷积层用于提取输入特征图的局部特征,通过滑动一个小的卷积核在输入特征图上进行卷积操作,从而捕捉不同尺度的局部特征信息。通道注意力机制用于对输入特征图的不同通道进行加权,通过学习通道权重,自适应地调整每个通道的重要性,从而使得重要的通道得到更多的关注。空间注意力机制用于对输入特征图的不同空间位置进行加权,通过学习空间权重,自适应地调整每个空间位置的重要性,从而使得重要的位置得到更多的关注。
在本发明的一个实施例中,基于所述感知增强表面裂纹纹理特征图,确定是否结束激光照射,包括:将所述感知增强表面裂纹纹理特征图通过分类器以得到分类结果,所述分类结果用于表示是否结束激光照射。
继而,将所述感知增强表面裂纹纹理特征图通过分类器以得到分类结果,所述分类结果用于表示是否结束激光照射。通过使用分类器对感知增强的表面裂纹纹理特征图进行分类,可以实现对激光照射结束的自动化决策,减少了人工干预的需求,提高了生产过程的效率和一致性。分类结果可以实时反馈给激光切割系统,以便及时停止激光照射,这样可以避免过度切割或切割不足的情况,提高切割质量和产品的一致性。人工判断激光照射是否结束存在主观性和主观误差的可能,通过使用分类器进行自动分类,可以减少人为错误的风险,提高切割过程的准确性和可靠性。自动化的激光照射结束决策可以加快切割过程,减少生产时间,从而提高生产效率,同时,减少人工判断的需求还可以释放人力资源,用于其他重要任务。
在本发明的一个实施例中,所述碳化硅材料的激光冷切割控制方法,还包括训练步骤:对所述基于卷积神经网络模型的裂纹纹理特征提取器、所述基于空间注意力模块的表面裂纹感知增强器和所述分类器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括由摄像头采集的训练晶锭表面裂纹图像,以及,是否结束激光照射的真实值;将所述训练晶锭表面裂纹图像通过所述基于卷积神经网络模型的裂纹纹理特征提取器以得到训练晶锭表面裂纹纹理特征图;将所述训练晶锭表面裂纹纹理特征图通过所述基于空间注意力模块的表面裂纹感知增强器以得到训练感知增强表面裂纹纹理特征图;将所述训练感知增强表面裂纹纹理特征图通过分类器以得到分类损失函数值;以及,以所述分类损失函数值来对所述基于卷积神经网络模型的裂纹纹理特征提取器、所述基于空间注意力模块的表面裂纹感知增强器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练感知增强表面裂纹纹理特征图展开后得到的训练感知增强表面裂纹纹理特征向量进行权重空间迭代递归的定向提议化优化。
在本发明的技术方案中,在本申请的技术方案中,所述晶锭表面裂纹纹理特征图表达所述晶锭表面裂纹图像基于卷积神经网络模型的裂纹纹理特征提取的纹理图像语义局部关联特征,由此,在通过空间注意力模块后,可以进一步强化特征矩阵内的图像语义特征局部空间分布,提升所述某些纹理特征空间分布显著性,从而提升所述感知增强表面裂纹纹理特征图的表达效果。但是,另一方面,在强化了局部特征空间分布的情况下,也会使得所述感知增强表面裂纹纹理特征图的整体特征分布偏离由基于卷积神经网络模型的裂纹纹理特征提取器所获得的纹理图像语义特征,也就是,偏离了源图像语义特征维度,从而在分类场景下,所述感知增强表面裂纹纹理特征图通过分类器进行分类回归的情况下,分类器的权重矩阵在迭代过程中基于所述感知增强表面裂纹纹理特征图的源域特征拟合发散,相对于归属于源域特征维度的类标签的收敛困难,影响分类器的训练效果。
因此,本申请在将所述感知增强表面裂纹纹理特征图通过分类器进行分类时,在每个迭代时,对所述感知增强表面裂纹纹理特征图展开后得到的感知增强表面裂纹纹理特征向量进行权重空间迭代递归的定向提议化优化,具体表示为:以如下优化公式对所述训练感知增强表面裂纹纹理特征图展开后得到的训练感知增强表面裂纹纹理特征向量进行权重空间迭代递归的定向提议化优化;其中,所述优化公式为:
其中,和/>分别是上次和本次迭代的权重矩阵,其中在首次迭代时,采用不同的初始化策略设置/>和/>,(例如,/>设置为单位矩阵而/>设置为待分类特征向量的均值对角矩阵),/>是所述训练感知增强表面裂纹纹理特征向量,/>是第一特征向量,是第二特征向量,/>是优化训练感知增强表面裂纹纹理特征向量,/>表示矩阵乘法,、/>分别表示按位置加法和按位置点乘。
这里,所述权重空间迭代递归的定向提议化优化可以通过将初始的待分类的所述感知增强表面裂纹纹理特征向量作为锚点,来在权重空间内基于权重矩阵迭代的对应于所述感知增强表面裂纹纹理特征向量/>的不同纹理图像语义特征表达的方向获得源域特征分布维度下的锚点足迹(anchor footprint),以作为在权重空间迭代递归的定向提议(oriented proposal),从而基于预测提议地提升权重矩阵收敛的类置信度和局部精确性,以提升所述感知增强表面裂纹纹理特征图通过分类器的训练效果。
综上,基于本发明实施例的碳化硅材料的激光冷切割控制方法100被阐明,其结合基于深度学习的人工智能技术和图像处理技术,通过分析碳化硅晶锭的晶锭表面裂纹图像来实现自动化地判断何时停止激光照射,以完成高精度的激光照射控制。
在本申请一具体示例中,冷切割工艺如图4所示,简单来说,Cold Split分为2个技术环节:先用激光照射晶锭剥落层,使碳化硅材料内部体积膨胀,从而产生拉伸应力,形成一层非常窄的微裂纹;然后通过聚合物冷却步骤将微裂纹处理为一个主裂纹,最终将晶圆与剩余的晶锭分开。
1、专利激光技术定义材料分裂范围;
2、用专用聚合物涂覆材料;
3、控制系统冷却诱导应力精准分裂材料;
4、化学清洗聚合物涂层并研磨基材。
以单个20毫米SiC晶锭为例,采用线锯可生产30片350μm的晶圆,而用Cold Split可生产50多片晶圆。由于Cold Split生产的晶圆的几何特性更好,因此单片晶圆厚度可以减少到200μm,这就进一步增加了晶圆数量,单个20毫米SiC晶锭可以生产80多片晶圆。如果再结合Cold Split背面减薄和回收残留晶圆,这个晶圆数量可以高达100片。总的来说,相同的SiC晶锭下,可以生产三倍以上的晶圆,从而为最终器件提供足够的材料。比如,针对4厘米的晶柱,传统切割方法可切出50片晶圆,而采用冷切割技术后,则能达到100-130片晶圆,缓解了产能的压力。
在本发明的一个实施例中,图5为本发明实施例中提供的一种碳化硅材料的激光冷切割控制系统的框图。如图5所示,根据本发明实施例的碳化硅材料的激光冷切割控制系统200,包括:局部膨胀模块210,用于使用激光照射碳化硅晶锭的剥落层以使得碳化硅材料发生局部膨胀以形成微裂纹;表面涂覆模块220,用于将聚合物涂覆于所述碳化硅晶锭的表面;冷却分离模块230,用于将涂覆有所述聚合物的碳化硅晶锭放入低温环境中进行冷却分离以得到碳化硅晶圆与剩余碳化硅晶锭;以及,表面清理模块240,用于使用预定溶剂对所述碳化硅晶圆的表面进行清理以得到去除所述聚合物后的碳化硅晶圆。
在所述碳化硅材料的激光冷切割控制系统中,所述局部膨胀模块,包括:图像获取单元,用于获取由摄像头采集的晶锭表面裂纹图像;图像特征提取单元,用于对所述晶锭表面裂纹图像进行图像特征提取以得到感知增强表面裂纹纹理特征图;以及,激光照射确定单元,用于基于所述感知增强表面裂纹纹理特征图,确定是否结束激光照射。
在所述碳化硅材料的激光冷切割控制系统中,所述图像特征提取单元,用于:将所述晶锭表面裂纹图像通过基于卷积神经网络模型的裂纹纹理特征提取器以得到晶锭表面裂纹纹理特征图;以及,将所述晶锭表面裂纹纹理特征图通过基于空间注意力模块的表面裂纹感知增强器以得到所述感知增强表面裂纹纹理特征图。
在所述碳化硅材料的激光冷切割控制系统中,所述激光照射确定单元,用于:将所述感知增强表面裂纹纹理特征图通过分类器以得到分类结果,所述分类结果用于表示是否结束激光照射。
这里,本领域技术人员可以理解,上述碳化硅材料的激光冷切割控制系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的碳化硅材料的激光冷切割控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的碳化硅材料的激光冷切割控制系统200可以实现在各种终端设备中,例如用于碳化硅材料的激光冷切割控制的服务器等。在一个示例中,根据本发明实施例的碳化硅材料的激光冷切割控制系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该碳化硅材料的激光冷切割控制系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该碳化硅材料的激光冷切割控制系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该碳化硅材料的激光冷切割控制系统200与该终端设备也可以是分立的设备,并且碳化硅材料的激光冷切割控制系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图6为本发明实施例中提供的一种碳化硅材料的激光冷切割控制方法的应用场景图。如图6所示,在该应用场景中,首先,获取由摄像头采集的晶锭表面裂纹图像(例如,如图6中所示意的C);然后,将获取的晶锭表面裂纹图像输入至部署有碳化硅材料的激光冷切割控制算法的服务器(例如,如图6中所示意的S)中,其中所述服务器能够基于碳化硅材料的激光冷切割控制算法对所述晶锭表面裂纹图像进行处理,以确定是否结束激光照射。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种碳化硅材料的激光冷切割控制方法,其特征在于,包括:
使用激光照射碳化硅晶锭的剥落层以使得碳化硅材料发生局部膨胀以形成微裂纹;
将聚合物涂覆于所述碳化硅晶锭的表面;
将涂覆有所述聚合物的碳化硅晶锭放入低温环境中进行冷却分离以得到碳化硅晶圆与剩余碳化硅晶锭;以及
使用预定溶剂对所述碳化硅晶圆的表面进行清理以得到去除所述聚合物后的碳化硅晶圆。
2.根据权利要求1所述的碳化硅材料的激光冷切割控制方法,其特征在于,使用激光照射碳化硅晶锭的剥落层以使得碳化硅材料发生局部膨胀以形成微裂纹,包括:
获取由摄像头采集的晶锭表面裂纹图像;
对所述晶锭表面裂纹图像进行图像特征提取以得到感知增强表面裂纹纹理特征图;以及
基于所述感知增强表面裂纹纹理特征图,确定是否结束激光照射。
3.根据权利要求2所述的碳化硅材料的激光冷切割控制方法,其特征在于,对所述晶锭表面裂纹图像进行图像特征提取以得到感知增强表面裂纹纹理特征图,包括:
将所述晶锭表面裂纹图像通过基于卷积神经网络模型的裂纹纹理特征提取器以得到晶锭表面裂纹纹理特征图;以及
将所述晶锭表面裂纹纹理特征图通过基于空间注意力模块的表面裂纹感知增强器以得到所述感知增强表面裂纹纹理特征图。
4.根据权利要求3所述的碳化硅材料的激光冷切割控制方法,其特征在于,基于所述感知增强表面裂纹纹理特征图,确定是否结束激光照射,包括:
将所述感知增强表面裂纹纹理特征图通过分类器以得到分类结果,所述分类结果用于表示是否结束激光照射。
5.根据权利要求4所述的碳化硅材料的激光冷切割控制方法,其特征在于,还包括训练步骤:对所述基于卷积神经网络模型的裂纹纹理特征提取器、所述基于空间注意力模块的表面裂纹感知增强器和所述分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括由摄像头采集的训练晶锭表面裂纹图像,以及,是否结束激光照射的真实值;
将所述训练晶锭表面裂纹图像通过所述基于卷积神经网络模型的裂纹纹理特征提取器以得到训练晶锭表面裂纹纹理特征图;
将所述训练晶锭表面裂纹纹理特征图通过所述基于空间注意力模块的表面裂纹感知增强器以得到训练感知增强表面裂纹纹理特征图;
将所述训练感知增强表面裂纹纹理特征图通过分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于卷积神经网络模型的裂纹纹理特征提取器、所述基于空间注意力模块的表面裂纹感知增强器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练感知增强表面裂纹纹理特征图展开后得到的训练感知增强表面裂纹纹理特征向量进行权重空间迭代递归的定向提议化优化。
6.根据权利要求5所述的碳化硅材料的激光冷切割控制方法,其特征在于,在所述训练的每一轮迭代中,对所述训练感知增强表面裂纹纹理特征图展开后得到的训练感知增强表面裂纹纹理特征向量进行权重空间迭代递归的定向提议化优化,包括:以如下优化公式对所述训练感知增强表面裂纹纹理特征图展开后得到的训练感知增强表面裂纹纹理特征向量进行权重空间迭代递归的定向提议化优化;
其中,所述优化公式为:其中,/>和/>分别是上次和本次迭代的权重矩阵,/>是所述训练感知增强表面裂纹纹理特征向量,/>是第一特征向量,/>是第二特征向量,/>是优化训练感知增强表面裂纹纹理特征向量,/>表示矩阵乘法,/>、/>分别表示按位置加法和按位置点乘。
7.一种碳化硅材料的激光冷切割控制系统,其特征在于,包括:
局部膨胀模块,用于使用激光照射碳化硅晶锭的剥落层以使得碳化硅材料发生局部膨胀以形成微裂纹;
表面涂覆模块,用于将聚合物涂覆于所述碳化硅晶锭的表面;
冷却分离模块,用于将涂覆有所述聚合物的碳化硅晶锭放入低温环境中进行冷却分离以得到碳化硅晶圆与剩余碳化硅晶锭;以及
表面清理模块,用于使用预定溶剂对所述碳化硅晶圆的表面进行清理以得到去除所述聚合物后的碳化硅晶圆。
8.根据权利要求7所述的碳化硅材料的激光冷切割控制系统,其特征在于,所述局部膨胀模块,包括:
图像获取单元,用于获取由摄像头采集的晶锭表面裂纹图像;
图像特征提取单元,用于对所述晶锭表面裂纹图像进行图像特征提取以得到感知增强表面裂纹纹理特征图;以及
激光照射确定单元,用于基于所述感知增强表面裂纹纹理特征图,确定是否结束激光照射。
9.根据权利要求8所述的碳化硅材料的激光冷切割控制系统,其特征在于,所述图像特征提取单元,用于:
将所述晶锭表面裂纹图像通过基于卷积神经网络模型的裂纹纹理特征提取器以得到晶锭表面裂纹纹理特征图;以及
将所述晶锭表面裂纹纹理特征图通过基于空间注意力模块的表面裂纹感知增强器以得到所述感知增强表面裂纹纹理特征图。
10.根据权利要求9所述的碳化硅材料的激光冷切割控制系统,其特征在于,所述激光照射确定单元,用于:
将所述感知增强表面裂纹纹理特征图通过分类器以得到分类结果,所述分类结果用于表示是否结束激光照射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311306260.7A CN117260012A (zh) | 2023-10-10 | 2023-10-10 | 碳化硅材料的激光冷切割控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311306260.7A CN117260012A (zh) | 2023-10-10 | 2023-10-10 | 碳化硅材料的激光冷切割控制系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117260012A true CN117260012A (zh) | 2023-12-22 |
Family
ID=89210296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311306260.7A Withdrawn CN117260012A (zh) | 2023-10-10 | 2023-10-10 | 碳化硅材料的激光冷切割控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117260012A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117697119A (zh) * | 2024-02-04 | 2024-03-15 | 上海耀焊科技有限公司 | 一种惯性摩擦焊机智能监测控制方法和设备 |
CN118321755A (zh) * | 2024-06-13 | 2024-07-12 | 通威微电子有限公司 | 碳化硅激光冷裂方法 |
-
2023
- 2023-10-10 CN CN202311306260.7A patent/CN117260012A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117697119A (zh) * | 2024-02-04 | 2024-03-15 | 上海耀焊科技有限公司 | 一种惯性摩擦焊机智能监测控制方法和设备 |
CN117697119B (zh) * | 2024-02-04 | 2024-05-03 | 上海耀焊科技有限公司 | 一种惯性摩擦焊机智能监测控制方法和设备 |
CN118321755A (zh) * | 2024-06-13 | 2024-07-12 | 通威微电子有限公司 | 碳化硅激光冷裂方法 |
CN118321755B (zh) * | 2024-06-13 | 2024-08-13 | 通威微电子有限公司 | 碳化硅激光冷裂方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117260012A (zh) | 碳化硅材料的激光冷切割控制系统及其方法 | |
TWI591447B (zh) | 用於獲得關於微影製造程序之診斷資訊的方法與裝置及包含診斷裝置的微影處理系統 | |
US6701615B2 (en) | Inspection and sorting system and method for part repair | |
TWI588924B (zh) | 用於晶圓檢測之方法、裝置及電腦可讀取媒體 | |
KR101906647B1 (ko) | 고처리량 박막 특성화 및 결함 검출 | |
Althubiti et al. | Circuit manufacturing defect detection using VGG16 convolutional neural networks | |
CN105431932A (zh) | 用于过程监视及良率管理的所计算电性能度量 | |
TW201507045A (zh) | 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣 | |
CN113627457A (zh) | 基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和系统 | |
JP7386884B2 (ja) | 光学分散の多次元モデル | |
CN113369697B (zh) | 激光抛光在线检测系统及方法 | |
CN116610984A (zh) | 缺陷检测数据处理方法、电子设备、存储介质及程序产品 | |
TW202240637A (zh) | 基於半導體製程之晶圓層級分析及根本原因分析之資料驅動預測與失效模式識別 | |
Alam et al. | A survey of detection methods for die attachment and wire bonding defects in integrated circuit manufacturing | |
Lei et al. | Multiscale convolution-based probabilistic classification for detecting bare PCB defects | |
CN112614105B (zh) | 一种基于深度网络的3d点云焊点缺陷检测方法 | |
TW202403675A (zh) | 用於所關注複雜結構之計量解決方案 | |
Yin et al. | A novel automatic classification approach for micro-flaws on the large-aperture optics surface based on multi-light source fusion and integrated deep learning architecture | |
Alippi et al. | A methodological approach to multisensor classification for innovative laser material processing units | |
JP2018152548A (ja) | 欠陥分析 | |
KR20070065732A (ko) | 웨이퍼의 표면 손상 평가를 위한 최적 조건 도출 방법,전처리 방법 및 이를 이용한 웨이퍼의 표면 손상 평가 방법 | |
KR102362971B1 (ko) | 다층 리커런스 플롯을 활용한 전이학습 기반 가공 품질 모니터링 방법 | |
Evani | State of Artificial Intelligence (AI) in Thermographic Non-Destructive Evaluation (NDE) and its role in NDE 4.0 | |
Lu et al. | High Precision Image Stabilization Control for Wafer Defect Inspection | |
KR100583531B1 (ko) | 오류 공정 추적 시스템 및 방법 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231222 |
|
WW01 | Invention patent application withdrawn after publication |