CN117352415A - 一种红光led倒装芯片结构的制备方法 - Google Patents
一种红光led倒装芯片结构的制备方法 Download PDFInfo
- Publication number
- CN117352415A CN117352415A CN202311654625.5A CN202311654625A CN117352415A CN 117352415 A CN117352415 A CN 117352415A CN 202311654625 A CN202311654625 A CN 202311654625A CN 117352415 A CN117352415 A CN 117352415A
- Authority
- CN
- China
- Prior art keywords
- preparation
- preset
- red led
- vector
- difference
- 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
- 238000002360 preparation method Methods 0.000 title claims abstract description 173
- 239000013598 vector Substances 0.000 claims abstract description 182
- 238000000034 method Methods 0.000 claims abstract description 91
- 230000008569 process Effects 0.000 claims abstract description 74
- 230000000694 effects Effects 0.000 claims abstract description 58
- 238000013064 process characterization Methods 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 29
- 230000003595 spectral effect Effects 0.000 claims abstract description 17
- 238000000089 atomic force micrograph Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 238000001228 spectrum Methods 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 21
- 230000000875 corresponding effect Effects 0.000 claims description 18
- 238000012876 topography Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 16
- 238000001514 detection method Methods 0.000 description 10
- 238000002488 metal-organic chemical vapour deposition Methods 0.000 description 8
- 239000000758 substrate Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000012431 wafers Nutrition 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000013016 learning Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 229910052594 sapphire Inorganic materials 0.000 description 2
- 239000010980 sapphire Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 229910001218 Gallium arsenide Inorganic materials 0.000 description 1
- GPXJNWSHGFTCBW-UHFFFAOYSA-N Indium phosphide Chemical compound [In]#P GPXJNWSHGFTCBW-UHFFFAOYSA-N 0.000 description 1
- 206010070834 Sensitisation Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- RNQKDQAVIXDKAG-UHFFFAOYSA-N aluminum gallium Chemical compound [Al].[Ga] RNQKDQAVIXDKAG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009616 inductively coupled plasma Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008313 sensitization Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L33/00—Semiconductor devices having potential barriers specially adapted for light emission; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof
- H01L33/005—Processes
- H01L33/0062—Processes for devices with an active region comprising only III-V compounds
- H01L33/0075—Processes for devices with an active region comprising only III-V compounds comprising nitride compounds
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L33/00—Semiconductor devices having potential barriers specially adapted for light emission; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof
- H01L33/005—Processes
- H01L33/0093—Wafer bonding; Removal of the growth substrate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Led Devices (AREA)
Abstract
本发明涉及半导体器件制备技术领域，具体涉及一种红光LED倒装芯片结构的制备方法；根据红光LED倒装芯片制备中的AFM图像中像素点的高度特征、制备DBR反射镜工艺中的镜面图像的亮度分布特征度分布特征获得结构描述子。根据红光LED倒装芯片的电压电流变化特征和红光波段的光谱功率特征获得质量描述子。根据结构描述子和质量描述子获得不同的工艺表征向量，根据工艺表征向量的差异特征获得工艺差异向量和对应的级别标签。本发明根据不同制备批次的级别标签的变化情况进行预测，能够在后续批次未制备的情况下提前预测红光LED倒装芯片的制备效果，提前进行制备参数调节，进而提高了制备的良品率和可靠性。
Description
技术领域
本发明涉及半导体器件制备技术领域，具体涉及一种红光LED倒装芯片结构的制备方法。
背景技术
LED发光二极管广泛应用于显示、照明等领域。对于红光LED主要采用磷化铝镓铟AlGalnP材料，但其外量子效率较低，通常只有20%-30%，提高红光LED的发光效率面临一定的挑战；制作红光LED主要采用金属有机化学气相沉积MOCVD技术生长III-V族化合物半导体材料。
对于制备红光LED倒装芯片，其工序复杂且稳定性难以控制，容易出现不同制备批次的发光效果不同的问题，因此需要对制备质量进行检测。现有技术对红光LED倒装芯片的制备效果通常是在制备完成后通过检测装置对LED进行发光情况的抽样检测，该检测方法不仅存在较大误差、检测效率低的问题；而且是在制备工艺结束后进行检测，若检测出不合格则会造成制备过程的材料与时间的浪费；不能够提前发现制备问题，导致难以提高提高芯片制备的成品率。
发明内容
为了解决上述现有的制备检测方法不能提前发现制备问题，导致难以提高芯片制备的成品率的技术问题，本发明的目的在于提供一种红光LED倒装芯片结构的制备方法，所采用的技术方案具体如下：
获取制备蓝光LED倒装芯片过程中的AFM图像；根据所述AFM图像中像素点的高度特征获得制备工艺的微观表面形貌特征向量；获取制备DBR反射镜工艺的镜面图像；根据所述镜面图像内的预设区域的亮度分布特征和灰度分布特征获得制备工艺的宏观表面形貌特征向量；根据微观表面形貌特征向量和宏观表面形貌特征向量构建结构描述子；
根据红光LED倒装芯片的电压电流变化特征获得红光LED倒装芯片的电参数特征向量；根据红光LED倒装芯片的预设红光波段的光谱功率特征获得红光LED倒装芯片的光谱特征向量；根据电参数特征向量和光谱特征向量构建质量描述子；
根据结构描述子和质量描述子构建红光LED倒装芯片的制备描述子；在同一制备批次中，将不同预设位置的红光LED倒装芯片的所述制备描述子进行不同的排列组合获得不同的工艺表征向量；
根据所述工艺表征向量之间的差异特征获得工艺差异向量；根据工艺差异向量之间的差异特征进行分级获得级别标签；根据不同制备批次的红光LED倒装芯片的所述工艺差异向量和级别标签进行预测获得预测指数；根据所述预测指数预测制备效果。
进一步地，所述根据所述AFM图像中像素点的高度特征获得制备工艺的微观表面形貌特征向量的步骤包括：
获取所述AFM图像中各个像素点的高度值；计算像素点的预设邻域范围内的最大高度差，获得像素点的绝对高度差；将所有像素点的所述绝对高度差等分为不同的预设区间，根据所述预设区间和每个预设区间的像素点数量构建高度直方图；将像素点数量最多的预设区间的像素点数量作为缩放系数；计算所述高度直方图中每个预设区间的像素点数量与所述缩放系数的比值，获得微观特征因子，将所述微观特征因子按照预设区间的顺序进行组合，获得所述微观表面形貌特征向量。
进一步地，所述根据所述镜面图像内的预设区域的亮度分布特征和灰度分布特征获得制备工艺的宏观表面形貌特征向量的步骤包括：
计算所述镜面图像内的所述预设区域内亮度的峰度和偏度；根据所述预设区域内像素点的灰度值计算灰度共生矩阵中的ASM能量、逆差矩、熵值；根据所述峰度、偏度、ASM能量、逆差矩和熵值构建所述宏观表面形貌特征向量。
进一步地，所述根据红光LED倒装芯片的电压电流变化特征获得红光LED倒装芯片的电参数特征向量的步骤包括：
对所述红光LED倒装芯片接通从低到高不同的预设电压，获取每个预设电压下的电流值，根据所述电流值从低到高进行组合获得所述电参数特征向量。
进一步地，所述根据红光LED倒装芯片的预设红光波段的光谱功率特征获得红光LED倒装芯片的光谱特征向量的步骤包括：
获取每个预设电压下从低到高的预设红光波长的光谱功率序列，将所述光谱功率序列按照对应的预设电压从低到高的顺序进行拼接获得光谱功率总序列；将所述光谱功率总序列构建为所述光谱特征向量。
进一步地，所述在同一制备批次中，将不同预设位置的红光LED倒装芯片的所述制备描述子进行不同的排列组合获得不同的工艺表征向量的步骤包括：
将不同预设位置的红光LED倒装芯片的所述制备描述子按照预设顺序进行组合，获得所述工艺表征向量，将所述预设顺序进行调换，获得不同的所述工艺表征向量。
进一步地，所述根据所述工艺表征向量之间的差异特征获得工艺差异向量的步骤包括：
将不同的所述工艺表征向量投入孪生网络进行训练学习工艺表征向量之间的差异特征，孪生网络的损失函数为对比损失函数；将所述工艺表征向量投入训练完成的孪生网络，输出所述工艺差异向量。
进一步地，所述根据工艺差异向量之间的差异特征进行分级获得级别标签的步骤包括：
构建分级神经网络，所述分级神经网络的输入层与所述孪生网络的输出层的神经元数量相同；分级神经网络的输出层的数量为所述预设顺序的调换种类的数量，输出层使用softmax激活函数，分级神经网络的损失函数为交叉熵损失函数；
将所述工艺差异向量标记对应的调换种类的标签，将标记标签后的所述工艺差异向量投入所述分级神经网络进行分级训练；将所述工艺差异向量输入训练完成的所述分级神经网络，输出对应的调换种类的标签，获得所述工艺差异向量的所述级别标签。
进一步地，所述根据不同制备批次的红光LED倒装芯片的所述工艺差异向量和级别标签进行预测获得预测指数的步骤包括：
将红光LED倒装芯片的所述工艺差异向量和对应的级别标签按照制备批次顺序投入到TCN神经网络进行训练；输出层的输出范围在预设第一数值至预设第二数值的区间，所述预设第一数值小于预设第二数值；当前制备批次与相邻上一制备批次的级别标签之间的差值与输出层输出的数值大小呈现正相关；
将红光LED倒装芯片的所述工艺差异向量和级别标签按照制备批次顺序投入到训练完成的TCN神经网络，将输出层输出的数值作为所述预测指数。
进一步地，所述根据所述预测指数预测制备效果的步骤包括：
当所述预测指数超过预设异常阈值时，预测制备效果不合格；否则预测制备效果合格。
本发明具有如下有益效果：
在本发明实施例中，获取微观表面形貌特征向量能够根据蓝光LED倒装芯片的制备过程中的表面粗糙特征反映制备效果；获取宏观表面形貌特征能够根据制备DBR反射镜工艺中镜面图像的亮度分布和灰度分布的特征反映制备效果；通过微观表面形貌特征向量和宏观表面形貌特征向量构建结构描述子能够多维度、准确地反映红光LED倒装芯片的制备效果，进而提高后续的制备效果的分析准确性。根据电参数特征向量和光谱特征向量构建质量描述子能够根据红光LED倒装芯片的使用特性反映制备效果；最终通过工艺表征向量表征同一制备批次中多个红光LED倒装芯片的制备效果。由于工艺表征向量的维度较高，且排布非线性，故获取工艺差异向量能够更准确地表征不同工艺表征向量之间的差异情况，便于获取后续的级别标签，获取级别标签能够对不同制备效果的制备批次和对应的工艺差异向量进行量化，便于反映制备效果的优劣。最终根据预测指数判断制备效果，能够在后续批次未制备的情况下提前预测红光LED倒装芯片的制备效果，提前进行制备参数调节，进而提高了制备的良品率和可靠性。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例所提供的一种红光LED倒装芯片结构的制备方法流程图；
图2为本发明一个实施例所提供的一种LED托盘示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种红光LED倒装芯片结构的制备方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种红光LED倒装芯片结构的制备方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种红光LED倒装芯片结构的制备方法流程图，该方法包括以下步骤：
步骤S1，获取制备蓝光LED倒装芯片过程中的AFM图像；根据AFM图像中像素点的高度特征获得制备工艺的微观表面形貌特征向量；获取制备DBR反射镜工艺的镜面图像；根据镜面图像内的预设区域的亮度分布特征和灰度分布特征获得制备工艺的宏观表面形貌特征向量；根据微观表面形貌特征向量和宏观表面形貌特征向量构建结构描述子。
在本发明实施例中，实施场景为红光LED倒装芯片的制备工艺进行制备效果的检测。首先，本发明实施例的红光LED倒装芯片结构为：包括蓝光LED倒装芯片和设在蓝光LED倒装芯片上的红光量子阱结构，红光量子阱结构上设有分布式布拉格反射镜DBR，蓝光LED倒装芯片采用电注入发光，对设有DBR的红光量子阱结构进行泵浦，红光量子阱结构被光致发光，DBR对蓝光进行反射并对红光进行增透，用于实现发射特定带宽的红光。
本发明实施例的红光LED倒装芯片的制备工艺过程为：首先制备蓝光LED倒装芯片，在蓝宝石衬底上采用金属有机化学气相沉积MOCVD技术生长LED外延结构，依次生长GaN缓冲层、N-GaN、多量子阱以及P-GaN，经过电感耦合等离子体ICP刻蚀、PN电极制备、减薄、切割成芯片。然后进行红光量子阱结构的制备，在GaAs衬底上采用MOCVD技术生长GalnP腐蚀停止层、AlAs牺牲层和AlGalnP\GalnP量子阱。之后制备DBR反射镜，将GaP作为衬底，反射镜制备完成后腐蚀衬底使DBR可被转移。最终进行键合和衬底移除，先将DBR与红光量子阱结构直接键合，然后将蓝光LED倒装芯片的P-GaN层与键合的DBR-量子阱结构直接键合，最后移除蓝光LED的蓝宝石衬底，完成新的红光LED倒装芯片的制备。需要说明的是，该制备过程中的英文缩写为现有化学材料和现有技术手段，且该制备过程只是简述，目的是对后续的特征分析提供基础，具体制备过程不再赘述。
为了提高制备效果分析的准确性，则需要更多地分析不同制备步骤中的制备阶段特征，根据制备阶段特征表征最终的制备效果；首先，LED表面微观特征直接影响了最终的发光效果，故为了分析制备过程中LED表面微观特征，需要获取制备蓝光LED倒装芯片过程中的AFM图像，具体为：在制备蓝光LED倒装芯片过程中的MOCVD生长工艺结束后，对该LED的几何中心4μm*4μm的区域获取AFM图像，需要说明的是，AFM指原子力显微镜，能够达到原子级分辨率，AFM可分析检测物表面形貌、粗糙度和结构尺寸等数据；拍摄区域可由实施者根据实施场景自行确定。
进一步地，MOCVD生长工艺结束后，当蓝光LED表面结构越不均匀、粗糙性越高，则意味着该生长工艺效果越差，最终的制备结果越差，故根据AFM图像中像素点的高度特征获得制备工艺的微观表面形貌特征向量。
优选地，在本发明一个实施例中，获取微观表面形貌特征向量包括：将AFM图像通过NanoScope Analysis软件获取各个像素点的高度值；需要说明的是该软件为AFM的离线数据分析软件，能够获取各个像素点的高度值，本发明实施例的高度范围在0-10nm。计算像素点的预设邻域范围内的最大高度差，在本发明实施例中为像素点的八邻域，获得像素点的绝对高度差；高度差越大意味着表面越不均匀，越粗糙，制备工艺越差。将所有像素点的绝对高度差等分为不同的预设区间，在本发明实施例中预设区间为将0-10nm等分为五份，例如0-2nm、2-4nm，实施者可根据实施场景自行确定；根据预设区间和每个预设区间的像素点数量构建高度直方图，横坐标为不同的预设区间，纵坐标为每个区间的像素点数量；根据该高度直方图的分布情况能够反映LED微观表面的粗糙特征。将像素点数量最多的预设区间的像素点数量作为缩放系数，目的是对直方图数据进行归一化；计算高度直方图中每个预设区间的像素点数量与缩放系数的比值，获得微观特征因子，将微观特征因子按照预设区间的顺序进行组合，获得微观表面形貌特征向量，在本发明实施例中为，式中/>至/>为不同的微观特征因子；该微观表面形貌特征向量能够表征制备蓝光LED倒装芯片过程中MOCVD生长工艺的效果，根据该微观表面形貌特征向量之间的差异能够反映不同制备批次的制备效果差异。
蓝光LED倒装芯片制备完成后，需要进行DBR反射镜的制备，DBR反射镜也能够直接影响最终的红光LED倒装芯片发光效果，故可分析DBR反射镜的亮度特征反映制备效果。首先获取制备DBR反射镜工艺的镜面图像：由于DBR反射镜较小，无法保证每次检测时的定位完全准确，因此在本发明实施例中使用工业相机，固定曝光和感光参数，在镜头外沿安装同轴环形光LED照亮DBR反射镜，拍摄获得镜面图像。其中使用同轴环形光LED的主要原因是为了准确测量和采集DBR的亮度分布，同轴环形光LED照明方式能够提供均匀的环形光源，使得光线从一个方向垂直照射到DBR反射镜表面，尽管定位可能有误差，但该光源能够显著减小光路偏移或失配带来的定位误差，同时减少其他光源的干扰。
进一步地，可根据该镜面图像内的预设区域的亮度分布特征和灰度分布特征获得制备工艺的宏观表面形貌特征向量；其中因为DBR结构无法占满图像，若根据整个图像的特征会导致结果出现误差，故需要划分一个预设区域用于采集DBR反射镜的反射亮度分布，从而避免采集位置的误差带来的影响。其中预设区域与反射镜大小有关，本发明实施例使用DBR区域中心位置的75%的面积为预设区域，实施者可根据实施场景自行设定。
优选地，在本发明实施例中，获取宏观表面形貌特征向量包括：计算该镜面图像内的预设区域内亮度的峰度和偏度；其中峰度用于描述亮度分布的峰值陡峭程度，对于DBR反射镜，较高的峰度值能够表明亮度分布更集中，反射更多的光线到相机靶面；由于DBR中心的预设区域内是不平整的，意味着DBR的翘曲现象较大，但对于DBR反射镜的反射特征有极大关联，进而峰度能够反映DBR制备过程中的光学均匀性和一致性。偏度用于描述亮度分布的对称性，对于DBR反射镜，偏度可以反映亮度分布的左右偏斜程度；对称分布的反射镜具有更好的发光均匀性和性能稳定性，而不对称分布可能会导致不均匀反射。需要说明的是，峰度和偏度属于现有技术，具体计算步骤不再赘述。
进一步地，根据预设区域内像素点的灰度值计算灰度共生矩阵中的ASM能量、逆差矩、熵值；其中ASM能量为每个矩阵的平方和，能够表示图像纹理的均匀性和平滑程度，对于DBR反射镜，较高的ASM能量值表示反射镜表面纹理更加均匀，可以提供更好的反射效果和光学性能。逆差矩用于衡量亮度级别差异的对比度，对于DBR反射镜，较高的逆差矩值可以表征表面具有更显著的纹理特征且更均匀。熵值是图像纹理的复杂性和不确定性的度量，对于DBR反射镜，较高的熵值可以表征表面具有更多的细节和不规则纹理；纹理变化会影响DBR反射镜的光学性能和反射特性。需要说明的是，灰度共生矩阵中的ASM能量、逆差矩和熵值特征属于现有技术，具体计算步骤不再赘述。进而根据峰度、偏度、ASM能量、逆差矩和熵值构建宏观表面形貌特征向量，式中，/>为峰度，/>为偏度，/>为ASM能量，/>为逆差矩，/>为熵值。根据该宏观表面形貌图像特征向量之间的差异可以反映不同的制备效果。
获得蓝光LED倒装芯片制备工艺的微观表面形貌特性向量，以及制备DBR反射镜的宏观表面形貌特征向量后，可根据二者共同反映红光LED倒装芯片的整体制备工艺效果，故根据微观表面形貌特征向量和宏观表面形貌特征向量构建结构描述子，具体为将微观表面形貌特征向量和宏观表面形貌特征向量进行维度拼接获得新的向量，作为结构描述子；通过该结构描述子之间的差异可以反映不同制备批次之间的制备效果差异。
需要说明的是，由于同一批次制备多个红光LED倒装芯片，为了保证分析一致性，本发明实施例中的特征获取与分析步骤皆为对不同批次的相同位置的红光LED倒装芯片进行分析，且每个制备批次的芯片数量相同。
步骤S2，根据红光LED倒装芯片的电压电流变化特征获得红光LED倒装芯片的电参数特征向量；根据红光LED倒装芯片的预设红光波段的光谱功率特征获得红光LED倒装芯片的光谱特征向量；根据电参数特征向量和光谱特征向量构建质量描述子。
步骤S2中对红光LED倒装芯片的制备效果进行了分析，为了从多维度分析制备效果以及提高检测准确性，可在该芯片通电后分析通电特征，根据通电特征反映该芯片的质量，故根据红光LED倒装芯片的电压电流变化特征获得红光LED倒装芯片的电参数特征向量。
优选地，在本发明一个实施例中，获取电参数特征向量包括：对该红光LED倒装芯片接通从低到高不同的预设电压，在本发明实施例中预设电压分别为0.83、1.17、1.51、1.85和2.25，实施者可根据实施场景自行确定；获取每个预设电压下的电流值，在每个预设电压下等待数据稳定记录电流值。根据电流值从低到高进行组合获得电参数特征向量，在本发明实施例中电参数特征向量为，其中/>至/>为不同预设电压下的电流值。根据电参数特征向量之间的差异特征可表征不同制备批次之间的制备效果差异。
进一步地，红光LED倒装芯片的光谱功率分布也能够反映芯片的质量情况，故根据红光LED倒装芯片的预设红光波段的光谱功率特征获得红光LED倒装芯片的光谱特征向量；具体包括：将红光LED倒装芯片接通从低到高不同的预设电压，该预设电压为计算电参数特征向量中的预设电压。获取每个预设电压下从低到高的预设红光波长的光谱功率序列，在本发明实施例中预设红光波长为在620-750nm的范围内，等分为14种不同的预设红光波长；实施者可根据实施场景自行确定。将光谱功率序列按照对应的预设电压从低到高的顺序进行拼接获得光谱功率总序列；在本发明实施例中，共5种不同的预设电压，每种预设电压下有14种不同预设红光波长对应的光谱功率，即每个光谱功率序列长度为14，光谱功率总序列长度为70。将光谱功率总序列构建为光谱特征向量，本发明实施例中光谱特征向量为，其中/>至/>表示不同的光谱功率。不同光谱特征向量之间的差异能够反映不同制备批次之间的制备效果差异。
进而可根据电参数特征向量和光谱特征向量构建质量描述子，具体为将电参数特征向量和光谱特征向量进行维度拼接获得新向量，作为质量描述子；根据质量描述子之间的差异特征反映不同制备批次之间的制备效果差异。
步骤S3，根据结构描述子和质量描述子构建红光LED倒装芯片的制备描述子；在同一制备批次中，将不同预设位置的红光LED倒装芯片的制备描述子进行不同的排列组合获得不同的工艺表征向量。
步骤S1和S2中的结构描述子和质量描述子都能够反映制备效果，故可根据红光LED倒装芯片的结构描述子和质量描述子获得制备描述子，具体为将结构描述子和质量描述子两个向量进行维度拼接获得新向量，作为制备描述子；在本发明实施例中，制备描述子的维度为85维，其中结构描述子的维度为10维，质量描述子的维度为75维。根据制备描述子之间的差异特征能够反映不同制备批次的制备效果差异。
对于同一个制备批次，托盘是放置晶圆的载体，在MOCVD过程中放置在反应室内，MOCVD是在晶圆上外延生长半导体材料，托盘将多个晶圆固定在平面上，使其可进行批量生长。在生长过程中，托盘会进行旋转，使基材经过不同位置，但是托盘的不同位置；例如中心和边缘，其生长条件会有所不同，托盘中心温度较高，边缘温度较低导致温度分布不同；托盘的中心直接暴露于源气流，而边缘接触源气流较少；边缘线速度大于中心，会引起生长速率的轻微不同；因此导致托盘不同位置生长的材料质量会存在差异。而测量同一批次的所有LED较为困难，故只分析具有代表性位置的LED作为观测对象，通过该观测对象分析该批次的制备效果；故在同一制备批次中，将预设位置的红光LED倒装芯片的制备描述子进行不同的排列组合获得不同的工艺表征向量。
优选地，在本发明一个实施例中，获取工艺表征向量包括：将预设位置的红光LED倒装芯片的制备描述子按照预设顺序进行组合，获得工艺表征向量，将预设顺序进行调换，获得不同的工艺表征向量。如图2示出了一种LED托盘示意图，预设位置为四周标记为A和中心标记为B的8个LED位置，该预设位置能反映同一制备批次中整体的制备效果，其中预设顺序为自左上角的A位置开始逆时针排序先得到4个位于A的制备描述子组合，然后以中心处左上B位置开始逆时针排序得到4个位于B的制备描述子组合，然后进行维度拼接得到按照预设顺序的工艺表征向量，在本发明实施例中，工艺表征向量的维度共85*8维，对于将预设顺序进行调换，是将任意A和任意B进行随机调换，调换过的LED不进行再次调换，获得不同的排序结果，进而获得不同排列顺序的工艺表征向量，其目的是模拟生长过程中的异常问题导致LED质量一致性变差的情况，使得不同的工艺表征向量能够反映多种不同的制备效果以及异常情况，增强数据学习的多样性和鲁棒性。需要说明的是，预设位置和预设顺序可由实施者根据实施场景自行确定。
步骤S4，根据工艺表征向量之间的差异特征获得工艺差异向量；根据工艺差异向量之间的差异特征进行分级获得级别标签；根据不同制备批次的红光LED倒装芯片的工艺差异向量和级别标签进行预测获得预测指数；根据预测指数预测制备效果。
获得了反映同一批次制备效果的工艺表征向量之后，即可分析不同制备工艺的质量差异，故根据工艺表征向量之间的差异特征获得工艺差异向量。优选地，在本发明一个实施例中，获取工艺差异向量包括：将不同的工艺表征向量投入孪生网络进行训练学习工艺表征向量之间的差异特征，孪生网络的损失函数为对比损失函数；将工艺表征向量投入训练完成的孪生网络，输出工艺差异向量。首先准备一定量的工艺表征向量的数据集，在本发明实施例中进行200批的试产。构建并训练孪生网络：构建一个MLP多层感知机，其中输入层接收工艺表征向量的高维向量，在本发明实施例中为680维，隐含层的神经元个数为384，共8层，作为主干网络，其训练后的权重为H_w，孪生网络的输出层的神经元个数为256。通过对比损失函数优化网络参数，使得两个排列顺序相同的工艺表征向量的特征更加接近，顺序不相同的工艺表征向量的特征的距离更远。最终将排序顺序相同或排序顺序不同的工艺表征向量都表示在一个新的256维度的高维空间，该256维度的高维空间即为输出的工艺差异向量；且排列顺序相同的被集中表示在一个聚集的空间区域，对于排列顺序不同的工艺表征向量，被表示在不同的空间区域。实施者可根据实施场景自行构建训练孪生网络。
使用孪生网络的目的是由于不同位置对应的结构描述子和质量描述子在向量的排布和高维关系上是非线性的，因此需要使用孪生网络对较为一致的样本和非一致的样本进行准确的区分，使得工艺表征向量通过训练完成的孪生网络能够在新的高维空间中生成有明显差异的工艺差异向量，便于在后续步骤进行区分。
获得便于区分的工艺差异向量后，则可根据工艺差异向量之间的差异区分制备批次的不同制备效果。故根据工艺差异向量之间的差异特征进行分级获得级别标签；优选地，在本发明一个实施例中，获取级别标签包括：构建分级神经网络，分级神经网络的输入层与孪生网络的输出层的神经元数量相同；在本发明实施例中为256个神经元，且隐含层的神经元和权重与孪生网络的相同。分级神经网络的输出层的数量为预设顺序的调换种类的数量，在本发明实施例中调换种类共有5种，分别是未调换、调换1次至调换4次，调换4次指所有的A和B都进行了调换，即输出层为5；输出层使用softmax激活函数，目的是将输出转化为概率分布。分级神经网络的损失函数为交叉熵损失函数；通过交叉熵损失函数对5个等级进行One-Hot编码。对于分级神经网络的训练，首先初始化权重，将孪生网络的主干网络权重作为分级神经网络的隐含层的初始权重，根据调换次数为每个工艺差异向量进行标记将工艺差异向量标记对应的预设顺序的调换种类的标签。至此可以使用带有标签的工艺差异向量的数据集和对应的交叉熵损失函数进行训练，训练过程中实施者可自行分割出验证数据集，并调整学习率、优化器等超参数；在本发明实施例中，优化器为Adam，初始学习率为0.002。基于孪生网络的迁移学习，能够使分级神经网络以相对较好的初始化状态开始训练过程，进一步降低过拟合的情况。需要说明的是，本发明实施例中对于所有神经网络的训练属于现有技术，具体训练步骤不再赘述，只对部分特定参数进行举例说明。
将标记标签后的工艺差异向量投入分级神经网络进行分级训练；将工艺差异向量输入训练完成的分级神经网络，输出对应的调换种类的标签，获得级别标签。当级别标签越大，意味着调换次数越多，则该工艺差异向量表征的对应制备批次的制备效果越差，红光LED倒装芯片的一致性越差，质量参差不齐。
获得不同工艺差异向量的级别标签后，则可根据不同制备批次的级别变化情况预测制备效果的变化情况，故根据不同制备批次的红光LED倒装芯片的工艺差异向量和级别标签进行预测获得预测指数。
优选地，在本发明一个实施例中，获取预测指数的步骤包括：将红光LED倒装芯片的工艺差异向量和对应的级别标签按照制备批次顺序投入到TCN神经网络进行训练；输出层的输出范围在预设第一数值至预设第二数值的区间，预设第一数值小于预设第二数值。当前制备批次与相邻上一制备批次的级别标签之间的差值与输出层输出的数值大小呈现正相关；若当前制备批次的级别标签越大于相邻上一制备批次的级别标签，则训练TCN将当前制备批次的相邻下一制备批次的标记的标签越接近预设第二数值并输出，此时意味着工艺差异向量的级别标签变大，制备效果发生劣化，制备过程出现异常情况，使得同一批次的红光LED倒装芯片出现了不一致性问题；否则标记的标签越接近预设第一数值并输出，此时意味着未出现异常情况。在本发明实施例中预设第一数值为0，预设第二数值为1。在本发明实施例中TCN神经网络用于处理256维的工艺差异向量，该网络由5个卷积层组成，每个卷积层由64个卷积核组成，各卷积核的尺寸均设定为3，步长设定为1；在卷积层之间，膨胀率依次设定为1、2、4、8和16，能够使得网络能够在不同时间尺度上捕获输入数据的模式，每个卷积层的输出通过ReLU激活函数进行非线性变化，然后通过批量标准化层进行处理，对输出的特征进行归一化处理，以加速网络训练并提高模型性能，最终在本发明实施例中输出范围为0到1的数值，当前一制备批次的级别标签越小于当前批次的级别标签，则输出数值越接近1。其中损失函数为均方误差损失函数。训练完成后的TCN神经网络可以用于制备批次的制备效果的预测。将红光LED倒装芯片的工艺差异向量和级别标签按照制备批次顺序投入到训练完成的TCN神经网络，将输出层输出的数值作为预测指数。预测指数是根据已经制备完成的多个批次的工艺差异向量的级别标签的变化情况进行预测，当级别标签逐渐变大，则预测指数越接近1，此时意味着制备效果逐渐出现了劣化，需要及时维护调节；反之若级别标签基本不变，则预测指数越接近0，意味着制备效果未出现异常。
最终可根据预测指数预测制备效果，当预测指数超过预设异常阈值时，预测制备过程出现劣化，制备效果变差；否则预测制备过程未出现劣化；在本发明实施例中预设异常阈值为0.3，实施者可根据实施场景自行确定。至此，根据已经制备完成的批次中的部分红光芯片LED倒装芯片的制备特征进行分析，实现对未制备批次的制备效果预测，提高了红光LED倒装芯片的良品率和可靠性。
综上所述，本发明实施例提供了一种红光LED倒装芯片结构的制备方法；根据红光LED倒装芯片制备中的AFM图像中像素点的高度特征、制备DBR反射镜工艺中的镜面图像的亮度分布特征度分布特征获得结构描述子。根据红光LED倒装芯片的电压电流变化特征和红光波段的光谱功率特征获得质量描述子。根据结构描述子和质量描述子获得不同的工艺表征向量，根据工艺表征向量的差异特征获得工艺差异向量和对应的级别标签。本发明根据不同制备批次的级别标签的变化情况进行预测，能够在后续批次未制备的情况下提前预测红光LED倒装芯片的制备效果，提前进行制备参数调节，进而提高了制备的良品率和可靠性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种红光LED倒装芯片结构的制备方法，其特征在于，所述方法包括以下步骤：
获取制备蓝光LED倒装芯片过程中的AFM图像；根据所述AFM图像中像素点的高度特征获得制备工艺的微观表面形貌特征向量；获取制备DBR反射镜工艺的镜面图像；根据所述镜面图像内的预设区域的亮度分布特征和灰度分布特征获得制备工艺的宏观表面形貌特征向量；根据微观表面形貌特征向量和宏观表面形貌特征向量构建结构描述子；
根据红光LED倒装芯片的电压电流变化特征获得红光LED倒装芯片的电参数特征向量；根据红光LED倒装芯片的预设红光波段的光谱功率特征获得红光LED倒装芯片的光谱特征向量；根据电参数特征向量和光谱特征向量构建质量描述子；
根据结构描述子和质量描述子构建红光LED倒装芯片的制备描述子；在同一制备批次中，将不同预设位置的红光LED倒装芯片的所述制备描述子进行不同的排列组合获得不同的工艺表征向量；
根据所述工艺表征向量之间的差异特征获得工艺差异向量；根据工艺差异向量之间的差异特征进行分级获得级别标签；根据不同制备批次的红光LED倒装芯片的所述工艺差异向量和级别标签进行预测获得预测指数；根据所述预测指数预测制备效果。
2.根据权利要求1所述的一种红光LED倒装芯片结构的制备方法，其特征在于，所述根据所述AFM图像中像素点的高度特征获得制备工艺的微观表面形貌特征向量的步骤包括：
获取所述AFM图像中各个像素点的高度值；计算像素点的预设邻域范围内的最大高度差，获得像素点的绝对高度差；将所有像素点的所述绝对高度差等分为不同的预设区间，根据所述预设区间和每个预设区间的像素点数量构建高度直方图；将像素点数量最多的预设区间的像素点数量作为缩放系数；计算所述高度直方图中每个预设区间的像素点数量与所述缩放系数的比值，获得微观特征因子，将所述微观特征因子按照预设区间的顺序进行组合，获得所述微观表面形貌特征向量。
3.根据权利要求1所述的一种红光LED倒装芯片结构的制备方法，其特征在于，所述根据所述镜面图像内的预设区域的亮度分布特征和灰度分布特征获得制备工艺的宏观表面形貌特征向量的步骤包括：
计算所述镜面图像内的所述预设区域内亮度的峰度和偏度；根据所述预设区域内像素点的灰度值计算灰度共生矩阵中的ASM能量、逆差矩、熵值；根据所述峰度、偏度、ASM能量、逆差矩和熵值构建所述宏观表面形貌特征向量。
4.根据权利要求1所述的一种红光LED倒装芯片结构的制备方法，其特征在于，所述根据红光LED倒装芯片的电压电流变化特征获得红光LED倒装芯片的电参数特征向量的步骤包括：
对所述红光LED倒装芯片接通从低到高不同的预设电压，获取每个预设电压下的电流值，根据所述电流值从低到高进行组合获得所述电参数特征向量。
5.根据权利要求4所述的一种红光LED倒装芯片结构的制备方法，其特征在于，所述根据红光LED倒装芯片的预设红光波段的光谱功率特征获得红光LED倒装芯片的光谱特征向量的步骤包括：
获取每个预设电压下从低到高的预设红光波长的光谱功率序列，将所述光谱功率序列按照对应的预设电压从低到高的顺序进行拼接获得光谱功率总序列；将所述光谱功率总序列构建为所述光谱特征向量。
6.根据权利要求1所述的一种红光LED倒装芯片结构的制备方法，其特征在于，所述在同一制备批次中，将不同预设位置的红光LED倒装芯片的所述制备描述子进行不同的排列组合获得不同的工艺表征向量的步骤包括：
将不同预设位置的红光LED倒装芯片的所述制备描述子按照预设顺序进行组合，获得所述工艺表征向量，将所述预设顺序进行调换，获得不同的所述工艺表征向量。
7.根据权利要求6所述的一种红光LED倒装芯片结构的制备方法，其特征在于，所述根据所述工艺表征向量之间的差异特征获得工艺差异向量的步骤包括：
将不同的所述工艺表征向量投入孪生网络进行训练学习工艺表征向量之间的差异特征，孪生网络的损失函数为对比损失函数；将所述工艺表征向量投入训练完成的孪生网络，输出所述工艺差异向量。
8.根据权利要求7所述的一种红光LED倒装芯片结构的制备方法，其特征在于，所述根据工艺差异向量之间的差异特征进行分级获得级别标签的步骤包括：
构建分级神经网络，所述分级神经网络的输入层与所述孪生网络的输出层的神经元数量相同；分级神经网络的输出层的数量为所述预设顺序的调换种类的数量，输出层使用softmax激活函数，分级神经网络的损失函数为交叉熵损失函数；
将所述工艺差异向量标记对应的调换种类的标签，将标记标签后的所述工艺差异向量投入所述分级神经网络进行分级训练；将所述工艺差异向量输入训练完成的所述分级神经网络，输出对应的调换种类的标签，获得所述工艺差异向量的所述级别标签。
9.根据权利要求1所述的一种红光LED倒装芯片结构的制备方法，其特征在于，所述根据不同制备批次的红光LED倒装芯片的所述工艺差异向量和级别标签进行预测获得预测指数的步骤包括：
将红光LED倒装芯片的所述工艺差异向量和对应的级别标签按照制备批次顺序投入到TCN神经网络进行训练；输出层的输出范围在预设第一数值至预设第二数值的区间，所述预设第一数值小于预设第二数值；当前制备批次与相邻上一制备批次的级别标签之间的差值与输出层输出的数值大小呈现正相关；
将红光LED倒装芯片的所述工艺差异向量和级别标签按照制备批次顺序投入到训练完成的TCN神经网络，将输出层输出的数值作为所述预测指数。
10.根据权利要求1所述的一种红光LED倒装芯片结构的制备方法，其特征在于，所述根据所述预测指数预测制备效果的步骤包括：
当所述预测指数超过预设异常阈值时，预测制备效果不合格；否则预测制备效果合格。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311654625.5A CN117352415B (zh) | 2023-12-05 | 2023-12-05 | 一种红光led倒装芯片结构的制备方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311654625.5A CN117352415B (zh) | 2023-12-05 | 2023-12-05 | 一种红光led倒装芯片结构的制备方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117352415A true CN117352415A (zh) | 2024-01-05 |
| CN117352415B CN117352415B (zh) | 2024-02-23 |
Family
ID=89363593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311654625.5A Active CN117352415B (zh) | 2023-12-05 | 2023-12-05 | 一种红光led倒装芯片结构的制备方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117352415B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003303841A (ja) * | 2002-04-10 | 2003-10-24 | Hitachi Ltd | 半導体装置の製造方法 |
| CN102359758A (zh) * | 2011-07-21 | 2012-02-22 | 华中科技大学 | 一种半导体芯片的外观检测装置 |
| KR20120040406A (ko) * | 2010-10-19 | 2012-04-27 | (주)아이엠에스나노텍 | 칩 엘이디 표면 검사 장치 |
| JP2012191237A (ja) * | 2012-06-13 | 2012-10-04 | Renesas Electronics Corp | 半導体装置の製造方法 |
| KR101375213B1 (ko) * | 2013-11-08 | 2014-03-18 | 박지암 | 동심원방식을 이용한 led모듈의 렌즈편심 검사방법 |
| JP2015207929A (ja) * | 2014-04-22 | 2015-11-19 | 株式会社リコー | 一体型走査光学ユニット、画像読取装置、画像形成装置および画像送受信装置 |
| WO2021033396A1 (ja) * | 2019-08-20 | 2021-02-25 | 東レエンジニアリング株式会社 | ウエーハ外観検査装置および方法 |
-
2023
- 2023-12-05 CN CN202311654625.5A patent/CN117352415B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003303841A (ja) * | 2002-04-10 | 2003-10-24 | Hitachi Ltd | 半導体装置の製造方法 |
| KR20120040406A (ko) * | 2010-10-19 | 2012-04-27 | (주)아이엠에스나노텍 | 칩 엘이디 표면 검사 장치 |
| CN102359758A (zh) * | 2011-07-21 | 2012-02-22 | 华中科技大学 | 一种半导体芯片的外观检测装置 |
| JP2012191237A (ja) * | 2012-06-13 | 2012-10-04 | Renesas Electronics Corp | 半導体装置の製造方法 |
| KR101375213B1 (ko) * | 2013-11-08 | 2014-03-18 | 박지암 | 동심원방식을 이용한 led모듈의 렌즈편심 검사방법 |
| JP2015207929A (ja) * | 2014-04-22 | 2015-11-19 | 株式会社リコー | 一体型走査光学ユニット、画像読取装置、画像形成装置および画像送受信装置 |
| WO2021033396A1 (ja) * | 2019-08-20 | 2021-02-25 | 東レエンジニアリング株式会社 | ウエーハ外観検査装置および方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117352415B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kaneda et al. | Uneven AlGaN multiple quantum well for deep-ultraviolet LEDs grown on macrosteps and impact on electroluminescence spectral output | |
| US10431714B2 (en) | Engineered substrates for semiconductor devices and associated systems and methods | |
| CN103650176A (zh) | 发光元件及其制造方法 | |
| TWI576574B (zh) | 用於光譜發光量測之方法及裝置 | |
| TWI401824B (zh) | 用於製造發光二極體的裝置與方法 | |
| US20140210995A1 (en) | Inspection method for semiconductor light-emitting device and manufacturing method for semiconductor light-emitting device | |
| Kuritzky et al. | High wall-plug efficiency blue III-nitride LEDs designed for low current density operation | |
| EP3358632A1 (en) | Optical substrate, substrate for semiconductor light emitting element, and semiconductor light emitting element | |
| CN111542915A (zh) | 使用电子束检验及具有实时情报的深度学习以减少妨害的缺陷探索 | |
| US8404504B1 (en) | Method for making light emitting diode | |
| CN117352415B (zh) | 一种红光led倒装芯片结构的制备方法 | |
| JP2019516239A (ja) | 全表面膜計量システム | |
| US9041030B2 (en) | Light emitting diode | |
| JP2007504640A (ja) | 薄膜発光ダイオードおよびその製造方法 | |
| CN112926688A (zh) | 一种基于DenseNet进行激光芯片缺陷分类的方法 | |
| CN114667596A (zh) | 基于噪声特性而对次关注区域进行聚类 | |
| US20220406634A1 (en) | Inspection method and etching system | |
| CN112786752B (zh) | 一种大功率垂直结构紫外led芯片的设计和制作方法 | |
| Peng et al. | AlGaN-Based Deep-Ultraviolet Light-Emitting Diodes With Varied Thickness of Sidewall Passivation via Atomic Layer Deposition | |
| US11476389B2 (en) | Method for producing an optoelectronic semiconductor chip having structures at the radiation passage surface, and optoelectronic semiconductor chip having structures at the radiation passage surface | |
| WO2021245386A1 (en) | Optical device and method of manufacturing an optical device | |
| Li et al. | Efficient Single-Pixel Batch Measurement Method for Optical Properties of Micro-Sized LED Array | |
| US10249791B2 (en) | High-brightness light-emitting diode with surface microstructures | |
| CN112956035A (zh) | 处理半导体结构的图像的方法及借助语义数据压缩的工艺过程表征和工艺过程优化的方法 | |
| CN116523905B (zh) | 灯珠的缺陷检测方法及其系统 |
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 |