CN117373965B - 可追踪半导体晶圆生产缺陷的晶圆运输机械手 - Google Patents
可追踪半导体晶圆生产缺陷的晶圆运输机械手 Download PDFInfo
- Publication number
- CN117373965B CN117373965B CN202311667663.4A CN202311667663A CN117373965B CN 117373965 B CN117373965 B CN 117373965B CN 202311667663 A CN202311667663 A CN 202311667663A CN 117373965 B CN117373965 B CN 117373965B
- Authority
- CN
- China
- Prior art keywords
- data
- semiconductor wafer
- wafer body
- distance
- angular
- 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.)
- Active
Links
- 235000012431 wafers Nutrition 0.000 title claims abstract description 196
- 239000004065 semiconductor Substances 0.000 title claims abstract description 153
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 28
- 230000007547 defect Effects 0.000 title claims abstract description 12
- 238000007405 data analysis Methods 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 239000000284 extract Substances 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 42
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 24
- 230000002159 abnormal effect Effects 0.000 description 16
- 230000005856 abnormality Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- PJVWKTKQMONHTI-UHFFFAOYSA-N warfarin Chemical compound OC=1C2=CC=CC=C2OC(=O)C=1C(CC(=O)C)C1=CC=CC=C1 PJVWKTKQMONHTI-UHFFFAOYSA-N 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67276—Production flow monitoring, e.g. for increasing throughput
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/683—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for supporting or gripping
- H01L21/687—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for supporting or gripping using mechanical means, e.g. chucks, clamps or pinches
- H01L21/68707—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for supporting or gripping using mechanical means, e.g. chucks, clamps or pinches the wafers being placed on a robot blade, or gripped by a gripper for conveyance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Abstract
本发明公开了可追踪半导体晶圆生产缺陷的晶圆运输机械手,涉及半导体晶圆技术领域,包括机械手机构,其上安装有晶圆托盘和高清相机,在机械手机构上还装载有数据分析模块,数据分析模块获取半导体晶圆本体的历史训练数据集合,基于历史训练数据集合训练出半导体晶圆本体的良率预测学习模型,所述机械手机构在通过晶圆托盘获取到半导体晶圆本体后,数据分析模块实时获取半导体晶圆本体的图像数据和工位标签;所述数据分析模块基于图像数据提取灰度共生矩阵,并根据灰度共生矩阵计算出角秒距数据;提高对半导体晶圆本体加工设备的维护效果与效率,保证了半导体晶圆本体的良率。
Description
技术领域
本发明涉及半导体晶圆技术领域,具体涉及可追踪半导体晶圆生产缺陷的晶圆运输机械手。
背景技术
半导体晶圆的良率是影响半导体晶圆生产成本的最大因素,由于在整个芯片制造的流水线上至少有上百道工艺,而且每一道工艺都可能在几台甚至十几台相同的机台上完成,有的机台是同型号的,有的机台是不同配置的甚至连机台设计原理都完全不同,而且每台机台由于供电、供水、供气、真空度、机台设计等各种原因会有自己本身的工艺波动,而机台和机台之间由于维护手法、使用年限、人为操作等原因还存在着机台与机台间的波动,这些复杂的因素共同组成了芯片制造环境的不确定性,经过不同道工艺的不确定性叠加,最终对产品的质量参数会产生一定的影响;
通常在工厂生产半导体晶圆时,只能在半导体晶圆完成生产后检测其中合格的芯片来获得该半导体晶圆的良率,例如公开号为CN114131621A的专利公开的一种晶圆运输机械手以及公开号为CN114927451A的专利公开的一种半导体设备用晶圆运输机械手,此类晶圆运输机械手在参与半导体晶圆生产的过程中,如果半导体晶圆的良率出现较大幅度的下降,并不能知道该半导体晶圆是在哪个环节出现了问题,就导致半导体晶圆的良率提升变得极其困难。
发明内容
为了克服上述的技术问题,本发明的目的在于提供可追踪半导体晶圆生产缺陷的晶圆运输机械手,以解决现有技术中,通常在工厂生产半导体晶圆时,只能在半导体晶圆完成生产后检测其中合格的芯片来获得该半导体晶圆的良率,如果该半导体晶圆的良率出现较大幅度的下降,并不能知道该半导体晶圆是在哪个环节出现了问题,导致了半导体晶圆的良率提升极其困难的问题。
本发明的目的可以通过以下技术方案实现:
具体是提供一个可追踪半导体晶圆生产缺陷的晶圆运输机械手,包括:
机械手机构,其上安装有晶圆托盘和高清相机;
数据分析模块,设在机械手机构上,数据分析模块获取半导体晶圆本体的历史训练数据集合,基于历史训练数据集合训练出半导体晶圆本体的良率预测学习模型;
所述机械手机构在通过晶圆托盘获取到半导体晶圆本体后,数据分析模块实时获取半导体晶圆本体的图像数据和工位标签;
所述数据分析模块基于图像数据提取灰度共生矩阵,并根据灰度共生矩阵计算出角秒距数据;
所述数据分析模块根据工位标签、角秒距数据和良率预测学习模型预测半导体晶圆本体的良率数据。
作为本发明进一步的方案:所述历史训练数据集合在半导体晶圆本体生产中获取,一块半导体晶圆本体经过若干个工位完成生产,若干个工位对应的工位标签、角秒距数据的组合以及半导体晶圆本体的良率数据为一组训练数据;
所述历史训练数据集合包括若干组训练数据,每组训练数据包括若干个工位标签、角秒距数据的组合和一个对应的良率数据;
所述工位标签为半导体晶圆本体生产中对应的不同工位;
所述良率数据为数据分析模块通过电测试法获取到的半导体晶圆本体良率。
作为本发明进一步的方案:所述数据分析模块将图像数据按照芯片的规格分割成若干个特征区域;
数据分析模块提取特征区域的灰度共生矩阵,并计算出灰度共生矩阵的角秒距值。
作为本发明进一步的方案:所述特征区域的灰度共生矩阵的角秒距值的计算方式为:
asm=∑k i=1∑k j=1(P(i,j))2;
其中asm代表角秒距值,i和j代表特征区域不同点的灰度值,P(i,j)代表特征区域内灰度对(i,j)出现频率,k为系数,代表灰度值的级数。
作为本发明进一步的方案:所述图像数据为机械手机构在通过晶圆托盘获取到半导体晶圆本体时,高清相机拍摄的高清图片。
作为本发明进一步的方案:所述角秒距数据为图像数据内所有特征区域的角秒距值的方差。
作为本发明进一步的方案:所述良率预测学习模型根据良率数据、工位标签和角秒距数据建立三维坐标系,其中工位标签为X轴,角秒距数据为Y轴,良率数据为Z轴。
作为本发明进一步的方案:所述数据分析模块根据良率预测学习模型建立的三维坐标系选取工位标签对应的预设角秒距数据范围,数据分析模块获取半导体晶圆本体的工位标签和对应的角秒距数据:
若ASM在[ASMmin,ASMmax]范围内,数据分析模块输出该unit正常;
若ASM不在[ASMmin,ASMmax]范围内,数据分析模块输出该unit异常;
其中unit为半导体晶圆本体的工位标签,ASM为半导体晶圆本体的unit对应的角秒距数据,[ASMmin,ASMmax]为unit对应的预设角秒距数据范围,ASMmin为预设角秒距数据范围的最小值,ASMmax为预设角秒距数据范围的最大值。
作为本发明进一步的方案:所述机械手机构的顶面中心位置转动连接有旋转臂,旋转臂的顶面转动连接折叠臂,折叠臂的顶面转动连接有托盘臂,托盘臂远离折叠臂的一端与晶圆托盘固定连接,高清相机活动安装在托盘臂的顶面靠近晶圆托盘的位置。
作为本发明进一步的方案:所述高清相机转动至半导体晶圆本体的顶部位置时,高清相机的镜头中轴线与半导体晶圆本体的中轴线重合。
本发明的有益效果:
1、本发明中,通过在晶圆运输机械手设置的数据分析模块,当半导体晶圆本体的加工出现异常时,数据分析模块根据良率预测学习模型会得出较低的良率数据,数据分析模块会输出该异常信息,并将该异常信息输送至后端PC上,后端PC可以根据异常信息准确获得半导体晶圆本体是在哪个加工工位上出现了异常,然后便可以安排工作人员对该半导体晶圆本体异常的加工工位进行全面检修,以避免对半导体晶圆本体的加工造成影响,从而可以提高半导体晶圆本体的良率。
2、本发明中,通过该晶圆运输机械手,可以对生产半导体晶圆本体的加工工位上的各种设备进行精准的维护,提高对半导体晶圆本体加工设备的维护效果与效率,保证了半导体晶圆本体的良率。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明晶圆运输机械手的结构示意图;
图2是本发明中高清相机的结构示意图;
图3是本发明中半导体晶圆本体上特征区域的示意图;
图4是本发明中特征区域对应的直角坐标系示意图;
图5是本发明中良率预测学习模型建立的三维坐标系示意图;
图6是本发明实施例1中数据分析模块的控制流程框图;
图7是本发明实施例2中数据分析模块的控制流程框图;
图8是本发明实施例3中数据分析模块的控制流程框图。
图中:1、机械手机构;11、旋转臂;12、折叠臂;13、托盘臂;2、晶圆托盘;3、高清相机;4、半导体晶圆本体。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1:
如图1、图2和图6所示,本发明公开了可追踪半导体晶圆生产缺陷的晶圆运输机械手,该晶圆运输机械手主要包括机械手机构1,其上安装有晶圆托盘2和高清相机3,在机械手机构1上还装载有数据分析模块,数据分析模块获取半导体晶圆本体4的历史训练数据集合,基于历史训练数据集合训练出半导体晶圆本体4的良率预测学习模型;
其中历史训练数据集合在半导体晶圆本体4生产中获取,一块半导体晶圆本体4经过若干个工位完成生产,若干个工位对应的工位标签、角秒距数据的组合以及半导体晶圆本体4的良率数据为一组训练数据;
需要说明的是,通常一块半导体晶圆本体4在加工过程中,需要经过多台设备的配合工作,最终才能完成半导体晶圆本体4上芯片的刻制,因此在半导体晶圆本体4加工过程中的每道工序对应一个加工工位,在对应的加工工位上设置电子标签,例如某个半导体晶圆本体4的生产需要经过100道工序,这个半导体晶圆本体4的加工工位数量就是100个,将100个加工工位按照加工顺序进行排列,每个加工工位对应一个标号,并将标号标记在电子标签中;
当半导体晶圆本体4在50号加工工位完成加工操作时,机械手机构1需要通过晶圆托盘2将该半导体晶圆本体4从50号加工工位取出,然后放入51号加工工位上,在机械手机构1通过晶圆托盘2将该半导体晶圆本体4从50号加工工位取出时,高清相机3会对该半导体晶圆本体4进行实时拍摄,获取此时半导体晶圆本体4的图像数据,并且在获取图像数据的同时,电子标签也会同时向数据分析模块输送该图像数据对应的工位标签,即50号加工工位;
在半导体晶圆本体4完成100道工序后,数据分析模块会获得100个图像数据以及与100个图像数据对应的工位标签,此时数据分析模块便可以通过电测法测出该半导体晶圆本体4上芯片的良率,获取该半导体晶圆本体4的良率数据。
需要强调的是,历史训练数据集合包括若干组训练数据,每组训练数据包括若干个工位标签、角秒距数据的组合和一个对应的良率数据,即上述半导体晶圆本体4加工过程中的100个图像数据、与100个图像数据对应的工位标签以及该半导体晶圆本体4上芯片的良率;
如图3所示,数据分析模块将图像数据按照芯片的规格分割成若干个特征区域,即根据半导体晶圆本体4上芯片的数量以及位置确定特征区域,特征区域的具体采集方法为:
以半导体晶圆本体4的顶面建立直角坐标系,半导体晶圆本体4顶面的圆心为原点,半导体晶圆本体4每个芯片均有四个坐标,如图4所示,该芯片对应的特征区域的四个坐标分别为:(a,c)、(b,c)、(a,d)和(b,d),将所有芯片对应的特征区域的坐标输入数据分析模块中,以此来确定特征区域在图像数据上的位置;
数据分析模块提取特征区域的灰度共生矩阵,并计算出灰度共生矩阵的角秒距值;
需要说明的是,特征区域的灰度共生矩阵的角秒距值的计算方式为:
asm=∑k i=1∑k j=1(P(i,j))2;
其中asm代表角秒距值,i和j代表特征区域不同点的灰度值,P(i,j)代表特征区域内灰度对(i,j)出现频率,k为系数,代表灰度值的级数,需要说明的是,灰度值的级数在0-255范围内,但是级数越高,计算负荷越大,因此将k的级数设置为8级或者16级;
具体是,在特征区域内取任意一点(x,y)以及偏离它的另一点(x+a,y+b),设该点对的灰度值为(i,j),令点(x,y)在整个特征区域上移动,分为横向移动和纵向移动,移动的距离可以为特征区域边长的百分之一,获取若干个(i,j),设灰度值级数为k,则(i,j)的组合共有k2种,基于特征区域整个画面,将排列成一个方阵,再用(i,j)出现的总次数将它们归一化为出现的概率P(i,j),a和b的值根据特征区域的面积来确定,例如取特征区域边长的十分之一;
数据分析模块需要计算图像数据上所有特征区域的角秒距值,然后计算出所有特征区域的角秒距值的方差:
;
ΔASM=∑n i=1ASMi/n;
其中为所有特征区域的角秒距值的方差,将/>的值赋予角秒距数据,n代表图像数据上特征区域的数量。
具体在该晶圆运输机械手的工作过程中,机械手机构1在通过晶圆托盘2获取到半导体晶圆本体4后,数据分析模块实时获取半导体晶圆本体4的图像数据和工位标签,图像数据为机械手机构1在通过晶圆托盘2获取到半导体晶圆本体4时,高清相机3拍摄的高清图片;
需要说明的是,如图1所示,机械手机构1的顶面中心位置转动连接有旋转臂11,旋转臂11的顶面转动连接折叠臂12,折叠臂12的顶面转动连接有托盘臂13,托盘臂13远离折叠臂12的一端与晶圆托盘2固定连接,高清相机3活动安装在托盘臂13的顶面靠近晶圆托盘2的位置,在托盘臂13的内部靠近高清相机3的位置安装有驱动电机,驱动电机的输出轴直接与高清相机3的底面连接,旋转臂11、折叠臂12和托盘臂13的相互配合实现晶圆托盘2位置的调节;
当托盘臂13上的晶圆托盘2获取到半导体晶圆本体4时,打开驱动电机,驱动电机的输出轴会驱动高清相机3,使高清相机3旋转至半导体晶圆本体4的顶面;
需要强调的是,如图2所示,高清相机3转动至半导体晶圆本体4的顶部位置时,高清相机3的镜头中轴线与半导体晶圆本体4的中轴线重合,这样在高清相机3拍摄半导体晶圆本体4时,保证半导体晶圆本体4的图像处于照片的正中央,便于特征区域的获取;
如图5所示,良率预测学习模型根据历史训练数据集合中的良率数据、工位标签和角秒距数据建立三维坐标系,其中工位标签为X轴,角秒距数据为Y轴,良率数据为Z轴;
需要说明的是,半导体晶圆本体4良率的提高是最终的目的,所以图5中Z轴最顶部对应的工位标签和角秒距数据代表半导体晶圆本体4生产加工过程中最佳的状态;
需要强调的是,由于特征区域是代表半导体晶圆本体4顶面的芯片位置,而半导体晶圆本体4在刻录时,特征区域会发生改变,由此得到的灰度共生矩阵也是不相同的,若半导体晶圆本体4的所有加工工位上的设备均处于良好的加工状态,这样得出半导体晶圆本体4的良率也会非常高,由此对应的工位标签和角秒距数据组成的曲线也是最佳的曲线,即对应图5中Z轴最顶部位置的工位标签和角秒距数据组成的曲线;
当半导体晶圆本体4在加工过程中,某个工位上的设备出现偏差,导致半导体晶圆本体4上的芯片出现划痕或者出现其他污染,就会导致该工位标签和角秒距数据组成的曲线异常,如图5中靠近Z轴较低位置上的工位标签和角秒距数据组成的曲线,这样加工出的半导体晶圆本体4的良率非常低。
数据分析模块根据良率预测学习模型建立的三维坐标系选取工位标签对应的预设角秒距数据范围,即图5中Z轴最顶部对应的工位标签和角秒距数据,图5中的立体图形的顶面是半导体晶圆本体4生产加工过程中最佳的状态,然后以X轴上的工位标签为象限点,划出与Y轴的平行线,平行线与立体图形的顶面的交点就是该象限点对应的工位标签所需要的预设角秒距数据范围,例如半导体晶圆本体4的加工工位有100道,工位标签的范围就是[1,100],平行线的数量也需要设置为100个,相对的预设角秒距数据范围也会有100个;
当预设角秒距数据范围和根据良率预测学习模型建立的三维坐标系准备好后,便可以通过良率预测学习模型进行半导体晶圆本体4良率的预测;
具体过程是:
首先机械手机构1通过晶圆托盘2将半导体晶圆本体4运输至某个加工工位上,该加工工位对该半导体晶圆本体4进行正常加工,当半导体晶圆本体4加工完成后,机械手机构1通过晶圆托盘2取出该半导体晶圆本体4,在机械手机构1通过晶圆托盘2将该半导体晶圆本体4从50号加工工位取出时,高清相机3会对该半导体晶圆本体4进行实时拍摄,获取此时半导体晶圆本体4的图像数据,并且在获取图像数据的同时,电子标签也会同时向数据分析模块输送该图像数据对应的工位标签,然后数据分析模块将图像数据按照芯片的规格分割成若干个特征区域,并提取特征区域的灰度共生矩阵,根据灰度共生矩阵计算出所有特征区域的角秒距值,然后计算出所有特征区域的角秒距值的方差,将方差的值赋予角秒距数据,数据分析模块根据工位标签、角秒距数据使用良率预测学习模型预测半导体晶圆本体4的良率数据,具体如下:
若ASM在[ASMmin,ASMmax]范围内,数据分析模块根据良率预测学习模型会得出较高的良率数据,因此数据分析模块输出该unit正常,无需进行额外操作;
若ASM不在[ASMmin,ASMmax]范围内,数据分析模块根据良率预测学习模型会得出较低的良率数据,数据分析模块会输出该unit异常,并将该异常信息输送至后端PC上,后端PC可以根据异常的unit准确获得半导体晶圆本体4是在哪个加工工位上出现了异常,然后便可以安排工作人员对该半导体晶圆本体4异常的加工工位进行全面检修,以避免对半导体晶圆本体4的加工造成影响,从而可以提高半导体晶圆本体4的良率;
并且通过该晶圆运输机械手,可以对生产半导体晶圆本体4的加工工位上的各种设备进行精准的维护,提高对半导体晶圆本体4加工设备的维护效果与效率,保证了半导体晶圆本体4的良率;
其中unit为半导体晶圆本体4的工位标签,ASM为半导体晶圆本体4的unit对应的角秒距数据,[ASMmin,ASMmax]为unit对应的预设角秒距数据范围,ASMmin为预设角秒距数据范围的最小值,ASMmax为预设角秒距数据范围的最大值。
实施例2:
如图7所示,与实施例1不同的是,在图像数据处理时,选择计算灰度共生矩阵的对比度值,具体过程如下:
数据分析模块提取特征区域的灰度共生矩阵,并计算出灰度共生矩阵的对比度值,特征区域的灰度共生矩阵的对比度值的计算方式为:
con=∑k-1 m=0[∑|i-j|=mP(i,j)];
其中con代表对比度值,i和j代表特征区域不同点的灰度值,P(i,j)代表特征区域内灰度对(i,j)出现频率,k为系数,代表灰度值的级数;
数据分析模块需要计算图像数据上所有特征区域的对比度值,然后计算出所有特征区域的对比度值的方差:
;
Δcon=∑n i=1coni/n;
其中为所有特征区域的对比度的方差,将/>的值赋予对比度数据,n代表图像数据上特征区域的数量;
具体过程是,数据分析模块将图像数据按照芯片的规格分割成若干个特征区域,并提取特征区域的灰度共生矩阵,根据灰度共生矩阵计算出所有特征区域的对比度值,然后计算出所有特征区域的对比度值的方差,将方差的值赋予对比度数据,数据分析模块根据工位标签、对比度数据使用良率预测学习模型预测半导体晶圆本体4的良率数据,具体如下:
若CON在[CONmin,CONmax]范围内,数据分析模块根据良率预测学习模型会得出较高的良率数据,因此数据分析模块输出该unit正常,无需进行额外操作;
若CON不在[CONmin,CONmax]范围内,数据分析模块根据良率预测学习模型会得出较低的良率数据,数据分析模块会输出该unit异常,并将该异常信息输送至后端PC上,后端PC可以根据异常的unit准确获得半导体晶圆本体4是在哪个加工工位上出现了异常,然后便可以安排工作人员对该半导体晶圆本体4异常的加工工位进行全面检修,以避免对半导体晶圆本体4的加工造成影响,从而可以提高半导体晶圆本体4的良率;
其中unit为半导体晶圆本体4的工位标签,CON为半导体晶圆本体4的unit对应的对比度数据,[CONmin,CONmax]为unit对应的预设对比度数据范围,CONmin为预设对比度数据范围的最小值,CONmax为预设对比度数据范围的最大值。
实施例3:
如图8所示,与实施例1和实施例2不同是,选择计算灰度共生矩阵的逆差距值,具体过程如下:
数据分析模块提取特征区域的灰度共生矩阵,并计算出灰度共生矩阵的逆差距值,特征区域的灰度共生矩阵的逆差距值的计算方式为:
idm=∑k i=1∑k j=1P(i,j)/(1+(i-j)2);
其中idm代表逆差距值,i和j代表特征区域不同点的灰度值,P(i,j)代表特征区域内灰度对(i,j)出现频率,k为系数,代表灰度值的级数;
数据分析模块需要计算图像数据上所有特征区域的逆差距值,然后计算出所有特征区域的逆差距值的方差:
;
Δidm=∑n i=1idmi/n;
其中为所有特征区域的逆差距的方差,将/>的值赋予逆差距数据,n代表图像数据上特征区域的数量;
具体过程是,数据分析模块将图像数据按照芯片的规格分割成若干个特征区域,并提取特征区域的灰度共生矩阵,根据灰度共生矩阵计算出所有特征区域的逆差距值,然后计算出所有特征区域的逆差距值的方差,将方差的值赋予逆差距数据,数据分析模块根据工位标签、逆差距数据使用良率预测学习模型预测半导体晶圆本体4的良率数据,具体如下:
若IDM在[IDMmin,IDMmax]范围内,数据分析模块根据良率预测学习模型会得出较高的良率数据,因此数据分析模块输出该unit正常,无需进行额外操作;
若IDM不在[IDMmin,IDMmax]范围内,数据分析模块根据良率预测学习模型会得出较低的良率数据,数据分析模块会输出该unit异常,并将该异常信息输送至后端PC上,后端PC可以根据异常的unit准确获得半导体晶圆本体4是在哪个加工工位上出现了异常,然后便可以安排工作人员对该半导体晶圆本体4异常的加工工位进行全面检修,以避免对半导体晶圆本体4的加工造成影响,从而可以提高半导体晶圆本体4的良率;
其中unit为半导体晶圆本体4的工位标签,IDM为半导体晶圆本体4的unit对应的逆差距数据,[IDMmin,IDMmax]为unit对应的预设逆差距数据范围,IDMmin为预设逆差距数据范围的最小值,IDMmax为预设逆差距数据范围的最大值。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (7)
1.可追踪半导体晶圆生产缺陷的晶圆运输机械手,其特征在于,包括:
机械手机构(1),其上安装有晶圆托盘(2)和高清相机(3);
数据分析模块,设在机械手机构(1)上,数据分析模块获取半导体晶圆本体(4)的历史训练数据集合,基于历史训练数据集合训练出半导体晶圆本体(4)的良率预测学习模型;
所述机械手机构(1)在通过晶圆托盘(2)获取到半导体晶圆本体(4)后,数据分析模块实时获取半导体晶圆本体(4)的图像数据和工位标签;
所述数据分析模块基于图像数据提取灰度共生矩阵,并根据灰度共生矩阵计算出角秒距数据;
所述数据分析模块根据工位标签、角秒距数据和良率预测学习模型预测半导体晶圆本体(4)的良率数据;
所述历史训练数据集合在半导体晶圆本体(4)生产中获取,一块半导体晶圆本体(4)经过若干个工位完成生产,若干个工位对应的工位标签、角秒距数据的组合以及半导体晶圆本体(4)的良率数据为一组训练数据;
所述历史训练数据集合包括若干组训练数据,每组训练数据包括若干个工位标签、角秒距数据的组合和一个对应的良率数据;
所述工位标签为半导体晶圆本体(4)生产中对应的不同工位;
所述良率数据为数据分析模块通过电测试法获取到的半导体晶圆本体(4)良率;
所述数据分析模块将图像数据按照芯片的规格分割成若干个特征区域;
数据分析模块提取特征区域的灰度共生矩阵,并计算出灰度共生矩阵的角秒距值;
所述特征区域的灰度共生矩阵的角秒距值的计算方式为:
asm=∑k i=1∑k j=1(P(i,j))2;
其中asm代表角秒距值,i和j代表特征区域不同点的灰度值,P(i,j)代表特征区域内灰度对(i,j)出现频率,k为系数,代表灰度值的级数。
2.根据权利要求1所述的可追踪半导体晶圆生产缺陷的晶圆运输机械手,其特征在于,所述图像数据为机械手机构(1)在通过晶圆托盘(2)获取到半导体晶圆本体(4)时,高清相机(3)拍摄的高清图片。
3.根据权利要求2所述的可追踪半导体晶圆生产缺陷的晶圆运输机械手,其特征在于,所述角秒距数据为图像数据内所有特征区域的角秒距值的方差。
4.根据权利要求3所述的可追踪半导体晶圆生产缺陷的晶圆运输机械手,其特征在于,所述良率预测学习模型根据良率数据、工位标签和角秒距数据建立三维坐标系,其中工位标签为X轴,角秒距数据为Y轴,良率数据为Z轴。
5.根据权利要求4所述的可追踪半导体晶圆生产缺陷的晶圆运输机械手,其特征在于,所述数据分析模块根据良率预测学习模型建立的三维坐标系选取工位标签对应的预设角秒距数据范围,数据分析模块获取半导体晶圆本体(4)的工位标签和对应的角秒距数据,半导体晶圆本体(4)的工位标签为unit,半导体晶圆本体(4)的unit对应的角秒距数据为ASM:
若ASM在[ASMmin,ASMmax]范围内,数据分析模块输出该unit正常;
若ASM不在[ASMmin,ASMmax]范围内,数据分析模块输出该unit异常;
其中[ASMmin,ASMmax]为unit对应的预设角秒距数据范围,ASMmin为预设角秒距数据范围的最小值,ASMmax为预设角秒距数据范围的最大值。
6.根据权利要求2所述的可追踪半导体晶圆生产缺陷的晶圆运输机械手,其特征在于,所述机械手机构(1)的顶面中心位置转动连接有旋转臂(11),旋转臂(11)的顶面转动连接折叠臂(12),折叠臂(12)的顶面转动连接有托盘臂(13),托盘臂(13)远离折叠臂(12)的一端与晶圆托盘(2)固定连接,高清相机(3)活动安装在托盘臂(13)的顶面靠近晶圆托盘(2)的位置。
7.根据权利要求1所述的可追踪半导体晶圆生产缺陷的晶圆运输机械手,其特征在于,所述高清相机(3)转动至半导体晶圆本体(4)的顶部位置时,高清相机(3)的镜头中轴线与半导体晶圆本体(4)的中轴线重合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667663.4A CN117373965B (zh) | 2023-12-07 | 2023-12-07 | 可追踪半导体晶圆生产缺陷的晶圆运输机械手 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667663.4A CN117373965B (zh) | 2023-12-07 | 2023-12-07 | 可追踪半导体晶圆生产缺陷的晶圆运输机械手 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117373965A CN117373965A (zh) | 2024-01-09 |
CN117373965B true CN117373965B (zh) | 2024-02-13 |
Family
ID=89402667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311667663.4A Active CN117373965B (zh) | 2023-12-07 | 2023-12-07 | 可追踪半导体晶圆生产缺陷的晶圆运输机械手 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117373965B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1790314A (zh) * | 2004-12-13 | 2006-06-21 | 台湾积体电路制造股份有限公司 | 产品良率分析系统及方法 |
CN101996855A (zh) * | 2009-08-21 | 2011-03-30 | 中芯国际集成电路制造(上海)有限公司 | 一种晶圆缺陷分析方法 |
CN111489949A (zh) * | 2020-04-22 | 2020-08-04 | 北京北方华创微电子装备有限公司 | 半导体加工设备及其工艺控制方法 |
CN115100163A (zh) * | 2022-07-05 | 2022-09-23 | 江苏泰治科技股份有限公司 | 一种晶圆缺陷识别方法及装置 |
CN116598228A (zh) * | 2023-05-18 | 2023-08-15 | 北京信息科技大学 | 一种无线晶圆温度原位测量装置和制造方法及测温方法 |
-
2023
- 2023-12-07 CN CN202311667663.4A patent/CN117373965B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1790314A (zh) * | 2004-12-13 | 2006-06-21 | 台湾积体电路制造股份有限公司 | 产品良率分析系统及方法 |
CN101996855A (zh) * | 2009-08-21 | 2011-03-30 | 中芯国际集成电路制造(上海)有限公司 | 一种晶圆缺陷分析方法 |
CN111489949A (zh) * | 2020-04-22 | 2020-08-04 | 北京北方华创微电子装备有限公司 | 半导体加工设备及其工艺控制方法 |
CN115100163A (zh) * | 2022-07-05 | 2022-09-23 | 江苏泰治科技股份有限公司 | 一种晶圆缺陷识别方法及装置 |
CN116598228A (zh) * | 2023-05-18 | 2023-08-15 | 北京信息科技大学 | 一种无线晶圆温度原位测量装置和制造方法及测温方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117373965A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110370286B (zh) | 基于工业机器人和单目相机的定轴运动刚体空间位置识别方法 | |
CN108818536B (zh) | 一种机器人手眼标定的在线偏移修正方法及装置 | |
CN110497187B (zh) | 基于视觉引导的太阳花模组装配系统 | |
US8923602B2 (en) | Automated guidance and recognition system and method of the same | |
CN109238135B (zh) | 一种基于视觉精准定位来料到测试箱的方法 | |
CN108480239A (zh) | 基于立体视觉的工件快速分拣方法及装置 | |
CN112697112B (zh) | 一种相机水平面倾斜角的测量方法及装置 | |
CN115026683B (zh) | 一种基于多机器人协同的航空叶片磨抛装置及控制方法 | |
CN115752295A (zh) | 一种线激光轮廓仪自动手眼标定方法 | |
CN105424721A (zh) | 一种金属应变计缺陷自动检测系统 | |
CN114434036B (zh) | 用于大型船舶结构件龙门式机器人焊接的三维视觉系统及运行方法 | |
CN113822882A (zh) | 基于深度学习的电路板表面缺陷检测方法与检测装置 | |
CN114252452A (zh) | 一种小型回转体外观缺陷和轮廓尺寸在线检测装置及方法 | |
CN117373965B (zh) | 可追踪半导体晶圆生产缺陷的晶圆运输机械手 | |
CN1300833C (zh) | 集成电路芯片视觉对准方法 | |
CN110553650A (zh) | 一种基于小样本学习的移动机器人重定位方法 | |
CN114083129A (zh) | 一种三维视觉跟踪焊接机器人及其控制方法 | |
CN110488751B (zh) | 一种自动化工艺线的石墨料盘视觉定位系统 | |
CN113495073A (zh) | 视觉检查系统的自动对焦功能 | |
WO2023087878A1 (zh) | 五轴打印系统及五轴打印轨迹确定方法 | |
CN114966238A (zh) | 一种天线相位中心的自动检测与对准方法 | |
CN116524336A (zh) | 一种青贮玉米收获机自动抛送填装控制方法 | |
CN112396604B (zh) | 一种基于多视角的飞机蒙皮缺陷检测方法 | |
CN114113115A (zh) | 一种大口径元件表面微缺陷高精度自动定位方法 | |
Rodríguez-Araújo et al. | ROS-based 3D on-line monitoring of LMD robotized cells |
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 |